Gesetze der Großen Zahl und Zentraler Grenzwertsatz
|
|
- Emil Schneider
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 5 Gesetze der Große Zahl ud Zetraler Grezwertsatz Seie X,X,... uabhägige, idetisch verteilte reelle Zufallsvariable mit Var[Xi 0,. Wir betrachte S := X i i= ud frage ach de typische Werte, die S aimmt. Wir werde sehe, dass für große die Werte vo S ahe am Erwartugswert E[S =E[X kozetriert liege. Jetzt stellt sich die Frage, wie ahe eigetlich ahe am Erwartugswert geau ist. Klar ist Var[S =Var[X. Also ist für S := S E[S Var[X Var[S =für alle N. Dies legt ahe, dass die typische Fluktuatioe vo S um E[S vo der Größeordug sid. Wir werde sogar geauer sehe, dass die Verteiluge vo S kovergiere. 5. Schwaches Gesetz der große Zahl Defiitio 5. Seie Y,Y,Y,... reelle Zufallsvariable. Wir sage, dass Y N stochastisch gege Y kovergiert, i Formel Y Y stoch., falls lim sup P[ Y Y >ε=0, für alle ε>0. 5. Wir sage, dass Y N fast sicher gege Y kovergiert, i Formel: Y Y f.s., falls [{ P ω : } lim ω =Y ω =. 5. Satz 5. Gilt Y Y f.s., so gilt Y Y stochastisch. Die Umkehrug gilt im Allgemeie icht. 87
2 88 Gesetze der Große Zahl ud Zetraler Grezwertsatz Beweis Seie für ε 0 A ε := {ω : lim sup Y ω Y ω ε} ud A ε,n := {ω : Y ω Y ω εfür alle N}. Da A ε,n A ε für ei A ε ud für ε>0 Daher ist A = = A = = A A ε A ε A ε. = A = A 0 = {ω : Y ω = lim Y ω}. Speziell ist A 0 messbar, also ei Ereigis, ud ach Voraussetzug ist P[A 0 =. Wege A ε A 0 folgt P[A ε=für jedes ε>0, also P[A ε,n N. Damit gilt P[ Y N Y >ε P[A c ε,n N N 0, also Y N Y stochastisch. Sei u Ω=[0, ud P = U [0, die Gleichverteilug auf Ω. Für k = + m mit m {0,..., } sei Y k := [m,m+. Da ist für ε>0 P[Y k >ε= 0, we k. Also gilt Y k 0 stochastisch. Adererseits gilt lim if k Y k ω =0ud lim sup k Y k ω =für alle ω. Daher kovergiert Y k icht fast sicher. Satz 5.3 Sei a N eie reelle Folge, für die ei Grezwert a = lim a existiert. Ferer seie X, X,X,... ud Y,Y,Y,... reelle Zufallsvariable mit X X stochastisch ud Y Y stochastisch. Da gelte i ii X + Y X + Y a X ax stochastisch. stochastisch. iii Gilt X 0 ud ist a ur beschräkt ud icht otwedigerweise koverget, so gilt a X 0 stochastisch. Gilt sogar X X f.s. ud Y Y f.s., so gilt i i-iii jeweils die fast sichere Kovergez. Beweis Wir betrachte zuächst die fast sichere Kovergez. Seie A := {ω : X ω Xω} ud B := {ω : Y ω Y ω}. Nach de elemetare Recheregel für Grezwerte gelte u X ω+y ω Xω+Y ω ud so weiter für jedes ω A B. Wege P[A B =ach Voraussetzug folge die Aussage i iii. Sei u die stochastische Kovergez betrachtet.
3 5. Schwaches Gesetz der große Zahl 89 i Sei so groß, dass P[ X X >ε/ <ε/ ud P[ Y Y >ε/ <ε/. Nach der Dreiecksugleichug gilt da P[ X + Y X + Y >ε P[ X X >ε/ + P[ Y Y >ε/ ε. Daher gilt X + Y X + Y stochastisch. ii Sei ā := sup N a <. Sei ε>0ud K< so groß, dass [ P X > εk < ε. Sei N so groß, dass a a K ud P[ā X X >ε/ <ε/für alle N. Da ist für N P[ a X ax >ε P[ a a X >ε/ + P[ a X X >ε/ P[ X >εk/ + P[ā X X >ε/ Also gilt ii. iii Dies geht aalog zu ii. ε + ε = ε. Defiitio 5.4 Seie X,X,...reelle Zufallsvariable i L P. Wir sage, dass X N eiem schwache Gesetz der große Zahl geügt, falls i= X i E[X i 0 stochastisch. Wir sage, dass X N eiem starke Gesetz der große Zahl geügt, falls i= X i E[X i 0 fast sicher Satz 5.5 Schwaches Gesetz der große Zahl Seie X,X,...ukorrelierte Zufallsvariable i L P mit V := sup N Var[X <. Da geügt X N eiem schwache Gesetz der große Zahl. Es gilt sogar für jedes ε>0 [ P X i E[X i ε V, N. 5.3 ε i= Gilt speziell E[X i =E[X für alle i N, so gilt i= X i E[X stochastisch.
4 90 Gesetze der Große Zahl ud Zetraler Grezwertsatz Beweis Setze S := X i E[X i. Da ist E[S =0ud ach der Bieaymé-Gleichug Satz 3.5 i= Var[S = i= Nach der Tschebyscheffugleichug Satz 3.30 ist u Var[X i V. P[ S ε V ε. Beispiel 5.6 Weierstraß scher Approximatiossatz Sei f :[0, R eie stetige Abbildug. Nach dem Weierstraß sche Approximatiossatz existiere Polyome f vom Grad höchstes, so dass f f 0, wobei die Supremumsorm auf C[0, bezeichet. Wir führe hier eie probabilistische Beweis dieser Aussage durch. Für N sei das Polyom f defiiert durch k f x := f x k x k, x [0,. k k=0 Dieses Polyom heißt Berstei-Polyom der Ordug. Sei ε>0fest gewählt. Da f auf [0, stetig ist, ist f sogar gleichmäßig stetig. Es existiert also ei δ>0, so dass fx fy <ε, für alle x, y [0, mit x y <δ. Sei u p [0, fest gewählt, ud seie X,X,...uabhägige Zufallsvariable mit X i Ber p, i N. Da ist S := X X b,p ud deshalb Wir erhalte E[fS / = f k=0 ud daher mit Satz 5.5 mit V = p p 4 für alle p [0,. Also gilt f f 0. k P[S = k =f p. fs / fp ε + f S p δ f p fp E[fS / fp [ ε + f P S p δ ε + f δ,
5 5. Große Abweichuge 9 5. Große Abweichuge Wir wolle i eiem Spezialfall die Wahrscheilichkeit für Abweichuge besser quatifiziere als i Satz 5.5. Satz 5.7 Große Abweichuge Seie X,X,...,uabhägige idetisch verteilte reelle Zufallsvariable. Es gebe ei α>0so dass E[e αx <. Sei m := E[X ud S := X X. Da existiert für jedes ε>0ei C>0mit der Eigeschaft [ P S m >ε e C, N. 5.4 Beweis Ohe Eischräkug sei m =0. Wir zeige u P[ S >ε e C, N, 5.5 für ei C>0. Die adere Aussage folgt aalog mit eiem evetuell adere Wert vo C. Wir fixiere ei β 0,α/ ud erhalte mit der Markoff-Ugleichug Satz 3.30 mit ft =e βt für ε>0 [ P S >ε = P[X X >ε = P[e βx+...+x >e βε E[e βx+...+x e βε = E[e βx e βε < =: exp I β,ε, wobei I β,ε = βε loge[e βx. Wir müsse u zeige, dass für hireiched kleies β>0gilt: I β,ε > 0. Wir mache die folgede Vorbetrachtuge. Tayloretwicklug bis zur erste Ordug liefert e x x e x x, x R. 5.6 Eie eifache Kurvediskussio liefert sup x e x = 4 x R e. Setze wir c := 6 α e, so gilt also x ce α x /, x R. 5.7 Setze wir u och c := c E[ e α X, so bekomme wir E[e βx =+E[βX +E[e βx βx }{{} =0 + β E[ X e βx + β c E[ e α X / e βx +β [ c E[ e α X =+ cβ.
6 9 Gesetze der Große Zahl ud Zetraler Grezwertsatz Also ist für β< c/ε wege log + x x für x> I β,ε βε log + cβ εβ cβ > 0. Bemerkug 5.8 I mache Fälle ist es möglich, das bestmögliche C i Abhägigkeit vo ε geau auszureche. Ma bekommt da Aussage vo dem Typ lim log P[ S >a= Ia, für a>e[x ud lim log P[ S <a= Ia, für a<e[x. Eie solche Aussage heißt Prizip der große Abweichug für S mit Ratefuktio I. Beispiel 5.9 Seie X,X,...uabhägig ud idetisch verteilt mit X N 0,. Da gilt E[e α X = π / e x e x / dx 0 =e /4 π / e x / dx 0 e / <. Also sid die Voraussetzuge vo Satz 5.7 erfüllt. Wir köe die Zahl C i Abhägigkeit vo ε i diesem Fall geau quatifiziere. Sei ϕt :=π / e t /. Wir bemerke Übug!, dass für x>0 gilt x + x ϕx P[X x ϕx. 5.8 x Es gilt u wege / S d = X N 0, für >a P[ S >a=p[s >a=p[x >a { a / ϕa a / ϕa. Also gilt lim log P[ S >a = lim log ϕa = a. Beispiel 5.0 Seie X,X,...uabhägig ud idetisch verteilt, X Poi λ für ei λ>0. Da ist E[e α X = k=0 e λ λeα k k! = e λ e λeα < α R. Aus Beispiel 3.3 wisse wir, dass wege S Poi λ für a>λ= E[X gilt P [ S >a a = P[S >a exp a λ a log. λ
7 5.3 Starkes Gesetz der große Zahl 93 Also gilt log P[ S >a a λ a loga/λ. 5.9 Für die umgekehrte Ugleichug beötige wir die Stirlig-Formel siehe z.b. das Buch vo Kregel, die wir im ächste Abschitt i och geauerer Form zitiere siehe Satz 5.5,! π, 5.0 e wobei wir a b schreibe für lim a /b =. Wir erhalte so lim if Zusamme mit 5.9 erhalte wir für a>λ log P [ S >a lim if log P [ S = a + = lim if e log λ λ a + a +! = lim if e log λ λa a/e a a λe = lim if log e λ a λe = λ + a log a a = λ + a a log. λ lim log P[ S = Ia mit Ia =a λ + a loga/λ. 5.3 Starkes Gesetz der große Zahl Wir wolle i diesem Abschitt ei starkes Gesetz der große Zahl GGZ i eiem eifache Fall beweise. Zum Aufwärme zeige wir, wie ma aus dem Satz über große Abweichuge Satz 5.7 ei starkes Gesetz der große Zahl herleite ka, jedefalls für uabhägige, idetisch verteilte Zufallsvariable, die ei expoetielles Momet besitze. Daach wolle wir das starke Gesetz der große Zahl für idetisch verteilte, quadratitegrable ud ukorrelierte Zufallsvariable beweise. Satz 5. Starkes GGZ bei expoetielle Momete Seie X,X,..., uabhägige idetisch verteilte reelle Zufallsvariable. Es gebe ei α>0so dass E[e αx <. Da erfüllt X N das starke Gesetz der große Zahl: i= X i E[X, fastsicher.
8 94 Gesetze der Große Zahl ud Zetraler Grezwertsatz Beweis Ohe Eischräkug sei E[X =0. Sei S = X X ud sei für jedes ε>0eie Zahl C ε > 0 wie i Satz 5.7 gewählt mit P[ S >ε e Cε, N. Da gilt = P[ S >ε e Cε <. Nach dem Borel-Catelli Lemma gilt also P[ S >εfür uedliche viele =0. = Daher ist [ P lim sup S >ε =0, ε >0. Also gilt [ [ P lim sup S { 0 = P lim sup S } =. k k= Mit dem selbe Argumet für S erhalte wir [ P lim if S 0 =, also S 0 fast sicher. Der vorige Satz braucht recht starke Aahme a die Zufallsvariable, um das starke Gesetz der große Zahl achzuweise. Der Vorteil dabei ist, dass der Beweis des Satzes halbwegs simpel ist. Der folgede Satz beutzt sehr viel schwächere Aahme ud hat eie kompliziertere Beweis. Ma kommt mit och gerigere Voraussetzuge aus, allerdigs wolle wie die Sache hier icht zu weit is Detail verfolge. Satz 5. Starkes GGZ für ukorrelierte Zufallsvariable Seie X,X,... ukorrelierte Zufallsvariable i L P mit V := sup N Var[X <. Da gilt X i E[X i 0 i= fast sicher. Beweis Wir köe ohe Eischräkug aehme, dass E[X =0für alle N. Wir setze wieder S = i= X i ud S = S. Schritt Wir zeige zuächst ur die fast sichere Kovergez vo S etlag eier Teilfolge, ämlich S Nach Satz 5.5 gilt P[ S ε V ε. Also gilt = 0 fast sicher. 5. P[ S ε <.
9 5.3 Starkes Gesetz der große Zahl 95 Wie im Beweis vo Satz 5. erhalte wir 5.. Schritt Für jedes m N wähle wir = m so, dass m< +. Wir wolle u S m mit S m vergleiche. Die Tschebyscheff-Ugleichug liefert P[ S m S >ε ε 4 Var[ Dies köe wir über m summiere ud erhalte m i= + P[ S m S m >εm V ε m= = V ε = V ε = k= = Wieder liefert das Borel-Catelli Lemma [ S m P m S m k 4 = X i m V ε 4. + m= + 4 <. 0 m =. m 4 Nach Satz 5.3i mit X m = S m/m ud Y m = S m folgt hieraus zusamme mit 5. S m m m 0 fast sicher. Wieder ach Satz 5.3ii mit a m = m /m m folgt S m = a m S m m m 0 fast sicher. Beispiel 5.3 Für p {, 3, 4,...} ud x [0, sei X p i x die i-te Ziffer der icht-abbrechede p- adische Etwicklug vo x i N. Wie häufig taucht eie gegebee Ziffer q i der p-adische Etwicklug eier typische Zahl x auf? Um diese Frage zu beatworte, müsse wir sie erst eimal korrekt stelle, also kläre, was typisch heiße soll. Sei dazu Ω=[0, ud P = U [0, die Gleichverteilug. Für q {0,,...,p } ud N sei R p,q x = #{i : Xp i x =q} die relative Häufigkeit der Ziffer q uter de erste Ziffer der p-adische Etwicklug vo x. Usere Frage lautet u: Kovergiert R p,q x für, we ja wogege ud i welchem Sie stochastisch, fast sicher? I Beispiel.30 hatte wir gesehe, dass X N uabhägig ud idetisch verteilt sid, ämlich Beroulli mit Parameter. Das gleiche Argumet wie dort zeigt, dass, für festes p die Zufallsvariable Xp N uabhägig sid ud idetisch verteilt mit P[X p = q = p für jedes q {0,...,p }. Speziell ist für
10 96 Gesetze der Große Zahl ud Zetraler Grezwertsatz Y p,q Y p,q := X p =q die Familie Y p,q N uabhägig ud Y p,q folgt aus dem starke Gesetz der große Zahle Satz 5. Ber /p. Wege R p,q = p,q Y R p,q p fast sicher. Sei ud A p,q := {x [0, : A := p= q=0 lim Rp,q x = p } Eie Zahl x A heißt ormale Zahl. Wege P[A p,q =ist P[A =. Wir habe also de folgede Satz gezeigt: Satz 5.4 Borel sches Gesetz über ormale Zahle Uter der Gleichverteilug P = U [0, auf [0, hat die Mege der ormale Zahle Wahrscheilichkeit. Isbesodere gibt es mehr als abzählbar viele ormale Zahle. p A p,q. 5.4 Zetraler Grezwertsatz I diesem Abschitt wolle wir zuächst eie Approximatiosformel für die Biomialverteilug agebe de so geate Satz vo de Moivre ud Laplace. Hierfür beötige wir eie asymptotische Formel für die Fakultät großer Zahle. Daach werde wir Aweduge sehe sowie eie allgemeiere Approximatiossatz für Summe uabhägiger idetisch verteilter quadratitegrabler Zufallsvariable, de so geate Zetrale Grezwertsatz. Wir begie damit, dass wir die Stirlig-Formel i der folgede Form ohe Beweis agebe. Eie Beweis fidet ma beispielsweise i dem Buch vo Kregel. Satz 5.5 Stirlig-Formel Sei η := π e, N. Da gilt! =η e ϱ, 5. wobei + <ϱ <, N. a Sid a ud b reelle Folge, so schreibe wir a b, falls lim b =. Es gilt also speziell! π. 5.3 e Dies hatte wir scho i Beispiel 5.0 beötigt. Seie u X,X,... uabhägige idetisch verteilte Zufallsvariable, X Ber p für ei p 0, ud S = X X. Zuächst betrachte wir zur Vereifachug der Rechug ur de Fall p =. Da ist E[S = ud für eie Folge a gilt [ S P >a { 0, falls a /,, falls a /
11 5.4 Zetraler Grezwertsatz 97 Der erste Teil folgt hierbei direkt aus der Tschebyscheff-Ugleichug Satz 3.30: [ S P >a Var[S a = 4a. Für de zweite Teil der Aussage beachte ma P[S = k = k. Die Abbildug k k immt ihre maximale Wert a bei k = /, ud es gilt ach der Stirlig-Formel π /e / π/e =. π/ Daher gilt [ S P >a = k k Z: k / a a + / a +,. π/ Für a / 0 gilt also der zweite Teil i 5.4. Isgesamt habe wir jetzt heraus gefude, dass die Fluktuatioe vo S um de Erwartugswert tatsächlich vo der Größeordug sid. Wir wolle jetzt zusätzlich zur Größe auch och die Gestalt der Fluktuatioe utersuche. Dazu defiiere wir die Dichte der Stadardormalverteilug ϕx = e x /, x R π sowie dere Verteilugsfuktio Φx :=N 0,,x = x ϕt dt, x R. Der folgede Approximatiossatz für die Biomialverteilug b,p geht auf de Moivre 733 für de Fall p = ud auf Laplace 8 für de allgemeie Fall p 0, zurück. Satz 5.6 Sei p 0,, ud für k N 0 sei x k := lim max k: x k c k p p p. Da gilt für alle c>0 p p b,p {k} = ϕx k Beweis Seie C N 0, N ud a k N sowie b k N, k N, positive reelle Folge. Wir sage, dass a k b k, gleichmäßig i k C gilt, falls lim sup a k k C b k =0, oder, äquivalet, falls lim sup loga k logb k =0. k C
12 98 Gesetze der Große Zahl ud Zetraler Grezwertsatz Wir wede diese Sprechweise a auf C = { k N 0 : x k c } = { k N 0 : p c p p k p + c } p p. Ma beachte, dass mic. Daher gilt ach der Stirlig sche Formel gleichmäßig i k C b,p {k} =p k p k! k! k! p k p k /e k π k/e k k/e k πk π k p k k p,. k k k k π Nu ist ebefalls gleichmäßig i k C k k. p p Es reicht also zu zeige, dass gleichmäßig i k C gilt p k k p χ, k := e xk /,. k k Setze t t ft := t log + t log, t 0,. p p Da ist logχ, k = fk/. Wir etwickel f i eie Taylorreihe um p: fp =0 f p =0 f p = p + p = p p. Daher ist ft = p p t p + Rt wobei für die Abschätzug des Restglieds für jedes ε>0ei D ε < existiert mit Rt D ε t p 3 für alle t mit t p <ε. Für > c p p ε sup k: x k c gilt wege k p x p p = <ε log χ, k+ x k k sup k: x k c p p p x k }{{} =0 = D / 0, c 3 p p 3/ + D ε. 3/
13 5.4 Zetraler Grezwertsatz 99 für D = D ε c 3 p p 3/. Dies aber impliziert 5.5 ud beedet de Beweis. Als Folgerug aus Satz 5.6 erhalte wir: Korollar 5.7 Seie X,X,...uabhägig ud X i Ber p für ei p 0,. Sei S := X +...+X ud S := S p. p p Da gilt für a<b lim P[ S [a, b =Φb Φa =N 0, [a, b. 5.6 Beweis Seie zuächst a, b R. Da ist lim P[ S [a, b = lim = lim = k: x k [a,b k: x k [a,b b a b,p {k} ϕx k p p ϕx dx =Φb Φa, de die Summe ist eie approximierede Riema-Summe für das Itegral. Die Fälle a = ud b = bleibe als Übug. Beispiel 5.8 Korrekturterme Seie k, l N ud k<l. Wir wolle b,p {k,...,l} durch die Normalverteilug approximiere. Verwede wir Satz 5.6, so erhalte wir l ϕ i p p p b,p {k,...,l}. p p Verwede wir higege Korollar 5.7 mit a = Formel b,p {k,...,l} Φb Φa =Φ i=k k p ud b = p p l p p p Φ l p, so erhalte wir die eifachere p p k p. 5.7 p p Die Wahl vo a ud b war etwas willkürlich, de für jedes a x mit a x = k x p ud jedes b y mit p p b y = l+y p für x, y [0, ist p p { S [a x,b y } = { k x S l + y } = { S {k,...,l} }, also b,p {k,...,l} Φb y Φa x. Eie bessere Aäherug a de geaue Wert erhält ma meist, statt mit x = y =0mit de Werte x = y =. Wir ee daher die Approximatio l + b,p {k,...,l} Φ p k Φ p 5.8 p p p p
14 00 Gesetze der Große Zahl ud Zetraler Grezwertsatz die Normalapproximatio der Biomialverteilug mit Korrekturterme. Die Approximatio i 5.7 heißt etspreched die Normalapproximatio ohe Korrekturterme. Beispiel 5.9 Wahlprogose Bei eier Wahl erhält Kadidat A eie ubekate Ateil p 0, der Stimme. Um de Wert vo p zu ermittel, werte wir die erste Wahlzettel aus. Wie groß sollte sei, damit die Wahrscheilichkeit eies Irrtums vo mehr als eiem Prozetpukt icht größer als 0.05 ist? We wir Zettel auswerte, da bekomme wir S Stimme für de Kadidate A, ud S ist biomialverteilt mit Parameter ud p. Dies gilt jedefalls da, we wir die Azahl der abgegebee Stimme als so groß aehme köe, dass dagege verachlässigbar ist. Sei A das Ereigis A := { S p > 0.0}. Da soll P[A 0.05 gelte, also mit der Normalapproximatio ohe Korrekturterme [ P p p Φ 0.0 =Φ 0.0 p p p p S p p p Φ p p p p Im letzte Schritt habe wir ausgeutzt, dass Φx +Φ x = x ϕx dx + x ϕx dx =+ x 0 ϕx dx + x ϕx dx =. 0 Wir wolle also bestimme mit Φ 0.0 p p Die Werte vo Φ sid tabelliert, z.b. im Buch vo Kregel oder im Buch vo Georgii. Der Tabelle etehme wir, dass Φ Also sollte p p ausreiche. Da wir keie Vorabiformatio über de Wert vo p besitze, müsse wir mit dem schlechteste Fall reche, ämlich mit p p = 4. Es folgt, dass wir = = 9604 Zettel auswerte müsse. Eie exakte Rechug mit de Biomialkoeffiziete zeigt, dass i der Tat scho = 9600 ausreicht, de [ S9600 P 9600 > 96 = 4896 k= = < k Adererseits reiche = 9599 Stimmzettel scho icht mehr aus, de [ S9599 P > = 9599 = > k k=4704 Defiitio 5.0 Schwache Kovergez Seie µ, µ,µ,...wahrscheilichkeitsmaße auf R mit Verteilugsfuktioe F, F,F,... Wir sage: µ N kovergiert schwach gege µ, i Formel µ = µ oder µ =w lim µ, falls lim F x =F x für alle x R, i dee F stetig ist.
15 5.4 Zetraler Grezwertsatz 0 Bemerkug 5. Der Begriff der schwache Kovergez, de wir hier beschriebe habe, stimmt mit dem Begriff der schwache Kovergez für Verteiluge auf N 0, de wir i Lemma 4.5 beschriebe habe überei. Dort hieß Charakterisierug ii eie Folge µ N schwach koverget gege ei Wahrscheilichkeitsmaß µ auf N 0, falls µ {0,...,N} µ{0,...,n} für alle N N 0.Für die Verteilugsfuktioe F heißt dies F N F N für alle N N 0. Wege F x =F x für alle x R folgt, dass F x F x für alle x R. Isbesodere ist µ = w lim µ im Sie der Defiitio 5.0. Gelte u adererseits F x F x i alle Stetigkeitspukte x vo F. Klar ist F stetig i jedem Pukt x R \ N 0. Speziell ist F stetig i jedem Pukt N +, N N 0. Also gilt µ {N} =F N + F N F N + F N = µ{n}. Also ist µ N schwach koverget gege µ im Sie vo Lemma 4.5 Charakterisierug i. Satz 5. Seie X, X,X,...reelle Zufallsvariable mit X X stochastisch. Da gilt P X P X schwach. Beweis Sei x eie Stetigkeitsstelle vo F. Da existiert ei δ > 0 mit F t F x < ε t x δ, x + δ. Für hireiched groß ist P[ X X δ < ε, also P[X x P[X x, X X <δ+p[ X X δ für alle P[X x + δ+ ε F x+ε. Wir habe also lim sup F x F x. Die adere Ugleichug folgt aalog. Wir köe u Korollar 5.7 folgedermaße umformuliere: Seie X,X,...uabhägig ud X i Ber p für ei p 0,. Sei S := X X ud S := S p p p. Da gilt P S N 0, schwach. 5.9 Diese Aussage ka ma auch zeige, we ma für die eizele X i icht mehr die Beroulli-Verteilug fordert, soder lediglich, dass sie i L liege. Wir führe hier de Beweis icht, soder verweise auf die Bücher vo Kregel ud vo Georgii. Im zweite Teil des Stochastik-Zyklus kommt ei ichtelemetarer Beweis des Satzes mit Hilfe vo Fourier Trasformatioe. Satz 5.3 Zetraler Grezwertsatz Seie X,X,... uabhägige idetisch verteilte reelle Zufallsvariable mit σ := Var[X i 0,. Sei S := σ Xi E[X i. i= Da gilt P S N 0,, schwach.
16 0 Gesetze der Große Zahl ud Zetraler Grezwertsatz Dieser Satz besagt also, dass die Fluktuatioe vo S um E[S vo der Größe σ sid ud die Gestalt eier Normalverteilug habe. Dabei ist diese Gestalt uabhägig vo der Art der zu Grude liegede Zufallsvariable, solage sie quadratitegrabel sid. Der Normalverteilug kommt damit als Grezverteilug eie gaz besodere Rolle i der Wahrscheilichkeitstheorie zu. Dies wird auch deutlich durch die im Folgede besprochee Fixpukteigeschaft. Korollar 5.4 Seie X ud Y uabhägig ud idetisch verteilt mit Var[X =Var[Y =σ 0,. Ferer gelte X + Y = d X. Da gilt P X = P Y = N 0,σ. Beweis Seie X,X,... uabhägige Zufallsvariable mit P Xi = P X, i N. Seie S ud S wie d d obe. Da ist S = X ach Voraussetzug. Nu ist aber auch S4 S = X 3 + X 4 = X. Ferer d d sid X + X ud X 3 + X 4 uabhägig, also gilt S 4 = X + Y =X. Iterativ erhält ma S d = / X, also S d = σ X. Nach dem Zetrale Grezwertsatz gilt aber P S N 0, schwach. Also ist P X = N 0,σ.
17 5.5 Tabelle der Normalverteilug Tabelle der Normalverteilug Tabelle des Itegrals Φx 0.5 = x e t / dt π Agegebe sid die Matisse. Beispiel: Φ.3 = = x
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr3. Taylorformel und Taylorreihen
Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
Mehr5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrBernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz
Bersteipolyome Vortrag zum Prosemiar zur Aalysis, 6. 10. 2010 Malte Milatz I diesem Vortrag wird der bereits im Sript zur Aalysis ii zitierte Approximatiossatz vo Weierstraß mithilfe der Bersteipolyome
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
MehrResultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen
26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrGaußsches Integral und Stirling-Formel
Gaußsches Itegral ud Stirlig-Formel Lemma. Gaußsches Itegral Es gilt für alle a > : e ax dx π a Beweis: Wir reche: e dx ax e ax dx e ay dy e ax e ay dx dy mit dem Satz vo Fubii e ax +y dx dy. Nu verwede
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
MehrWallis-Produkt, Gammafunktion und n-dimensionale Kugeln
Wallis-Produkt, Gammafuktio ud -dimesioale Kugel Thomas Peters Thomas Mathe-Seite www.mathe-seite.de 6. Oktober 3 Das Ziel dieses Artikels ist es, Formel für das Volume ud die Oberfläche vo -dimesioale
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrAnalysis I für M, LaG/M, Ph 4.Übungsblatt
Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrKAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen
KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
Mehr1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch
Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrWir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.
Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie
Mehr5-1 Elementare Zahlentheorie
5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
MehrAufgaben zu Kapitel 6
Aufgabe zu Kapitel 6 Aufgabe zu Kapitel 6 Verstädisfrage Aufgabe 6. Gegebe sei die Folge x ) 2 mit x 2)/ + ) für 2. Bestimme Sie eie Zahl N N so, dass x ε für alle N gilt, we a) ε 0, b) ε 00 ist. Aufgabe
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
Mehr24 Konvergente Teilfolgen und Cauchy-Kriterium
120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004 Lösuge zu Aufgabeblatt 7
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
MehrDirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen
Vortrag zum Semiar zur Fuktioetheorie, 7.2.2007 Holger Witermayr I diesem Vortrag werde wir Kovergezeigeschafte vo Dirichlet-Reihe erarbeite ud eie Vergleich zu Potezreihe ziehe. Ei weiteres Ziel dieses
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrDer zentrale Grenzwertsatz
KAPITEL 13 Der zetrale Grezwertsatz Der zetrale Grezwertsatz besagt, ass eie Summe vo sehr viele uabhägige ietisch verteilte Zufallsvariable mit elicher Variaz approximativ ormalverteilt ist. Dieser Satz
MehrAnalysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze
Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug
MehrKapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte
Kapitel 2 Differetialrechug i eier Variable 2. Folge ud Grezwerte 2.. Defiitio Eie Folge ist eie Zuordug N R, a, geschriebe als Liste (a,a 2,...) oder i der Form (a ) N. Hier sid ei paar Beispiele: 2,4,6,8,...
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKonvergenz von Fourier-Reihen
Kovergez vo Fourier-Reihe Ausarbeitug zum Semiar zur Fourieraalysis, 3..27 obias Reimes Diese Ausarbeitug beschäftigt sich mit der Kovergez vo Fourier-Reihe. Hierzu werde im erste Abschitt eiige Vorbemerkuge
MehrHöhere Mathematik I (Analysis) für die Fachrichtung Informatik
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
Mehr4 Andreas Gathmann. x 2 +y 2 x 2 +y 2 x 2 +y 2
4 Adreas Gathma 1. Komplexe Zahle Bevor wir mit der komplexe Aalysis begie, wolle wir uächst die grudlegede Defiitioe ud Eigeschafte der komplexe Zahle och eimal kur wiederhole. Defiitio 1.1. Die Mege
MehrÜbungen zur Analysis I WS 2008/2009
Mathematisches Istitut der Uiversität Heidelberg Prof. Dr. E. Freitag /Thorste Heidersdorf Übuge zur Aalysis I WS 008/009 Blatt 3, Lösugshiweise Die folgede Hiweise sollte auf keie Fall als Musterlösuge
MehrGrenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen
. Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
Mehr26 Der Raum C([0, 1]) und Donskers Theorem
26 Der Raum C[0, ] ud Doskers Theorem Ausarbeitug ud Formulieruge: Heig Sulzbach. 26. Motivatio Sei X, X 2,... eie Folge u.i.v. Zufallsvariable mit E[X ] 0 ud σ 2 : V[X ] < sowie S : X i die zugehörige
Mehr1 Lösungen zu Analysis 1/ 12.Übung
Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt
MehrTutorium Mathematik I, M Lösungen
Tutorium Mathematik I, M Lösuge 16. November 2012 *Aufgabe 1. Ma utersuche die folgede Reihe auf Kovergez (a) ( 1) (1 ) (b) ( ) 2 +1 (c) (!) 3 10 (3)! (d) (e) (f) 2 +3 3 2 +1 3 ( 2 +1) 2 + 3 ( 2 +3) (g)
Mehr