II. Markov-Ketten in stetiger Zeit
|
|
- Günther Winkler
- vor 6 Jahren
- Abrufe
Transkript
1 II. Markov-Kette i stetiger Zeit 7. Ei wichtiger Spezialfall: der Poisso-Prozess Gegebe sei ei Wahrscheilichkeitsraum (Ω, F, P ). Wir betrachte jetzt eie stochastische Prozess N = (N t ) t mit Zustadsraum N, d.h. (N t ) t ist eie Familie vo (F, P(N ))- messbare ZV, der bestimmte Ereigisse zähle soll (z.b. Emissio vo Partikel beim radioaktive Zerfall, Aküfte vo Kude i eiem Bediesystem, Schäde bei eier Versicherug). Wir ehme a, dass midestes ei Ereigis eitritt ud die Azahl der Ereigisse i eiem kompakte Itervall soll edlich sei. Wir stelle folgede Forderuge a N: (A1) Alle Pfade t N(t, ω) liege i D := {f : [, ) N f() =, f, f stetig vo rechts }. (A2) (N t ) t hat uabhägige Zuwächse, d.h. für alle t t 1 t, N sid die Zufallsvariable N t, N t1 N t,..., N t N t 1 stochastisch uabhägig. (A3) (N t ) t hat statioäre Zuwächse, d.h. t > hägt die Verteilug vo N s+t N s icht vo s ab. (A4) Ereigisse trete eizel auf, d.h. P (N h 2) = o(h) mit h. Bemerkug: Der stochastische Prozess ka als Zufallsgröße mit Werte i eiem Fuktioeraum aufgefasst werde, d.h. Als σ-algebra auf D wähle wir N : Ω ω N(, ω) D B(D ) := σ({π t : t }), wobei π t : D N, f f(t) die t-te Projektio ist. Es gilt: N : Ω D ist (F, B(D ))-messbar N t = π t N : Ω N sid (F, P(N ))- messbar t. (Stochastik II Übugsaufgabe 21) Die Mege der Form A(t 1,..., t, i 1,..., i ) := {f D f(t j ) f(t j 1 ) = i j für j = 1,..., } mit =: t t 1 t <, i 1,..., i N bilde ei durchschittsstabiles Erzeugedesystem vo B(D ). 31
2 II. Markov-Kette i stetiger Zeit Satz 7.1 Es sei N = (N t ) t ei stochastischer Prozess, der de Bediguge (A1)-(A4) geügt. Da hat N mit Wahrscheilichkeit 1 ur Sprüge der Höhe 1 ud es existiert ei λ >, so dass: a) s, t ist N s+t N s Poisso-verteilt mit Parameter λt. b) Die Zeite zwische aufeiaderfolgede Sprüge des Prozesses sid uabhägig ud expoetialverteilt mit Parameter λ. Beweis Sprüge der Höhe 1: Es ist also zu zeige: wobei N s der liksseitige Grezwert ist. Für festes t > gilt: P (N s N s 2 für ei s > ) = P (N s N s 2 für ei s (, t]) P (N kt P (N t N (k 1)t 2) 2 für ei k {1,..., }) (das letzte gilt wege (A3)). Aus (A4) folgt: lim P (N t t 2) t =. Weiter gilt mit Stetigkeit des Wahrscheilichkeitsmaßes: P (N s N s 2 für ei s > ) = lim t P (N s N s 2 für ei s (, t]) =. a) Betrachte dazu Φ : [, ) [, 1] mit Φ(t) := P (N t = ). Für alle s, t > folgt: Φ(s + t) = P (N s =, N s+t N s = ) = P (N s = ) P (N t = ) (ach (A3) ud (A2)) = Φ(s) Φ(t). Daraus folgt, dass Φ( k ) = (Φ( 1 ))k ud Φ(1) = Φ( ) = (Φ( 1 )) für k, N gilt. Das heißt, dass Φ( k ) = (Φ(1)) k. Da Φ falled ist, folgt mit eiem Eischachtelugsargumet: Φ(t) = (Φ(1)) t für alle t >. 32
3 7. Ei wichtiger Spezialfall: der Poisso-Prozess Weiter ist Φ(1) (, 1), da Φ(1) [, 1] ud falls Φ(1) = 1, da wäre P (N t = für alle t ) = lim t Φ(t) = 1 im Widerspruch zur Forderug, dass midestes ei Ereigis eitritt, ud wäre Φ(1) =, da gälte für alle N P (N 1 ) P (N k N k 1 1 für k = 1,..., ) ( = 1 Φ( 1 ) ) ((A2), (A3)) = 1 im Widerspruch zur Forderug, dass i kompakte Itervalle ur edlich viele Ereigisse eitrete. Sei jetzt λ := log Φ(1). Es ist < λ < ud P (N t = ) = (Φ(1)) t = e λt. Weiter sei t > ud für N defiiere wir ( ) X k := 1 N N kt N (k 1)t { 1, falls midestes ei Ereigis i [ (k 1)t =, kt ) eitritt, sost Wege (A2) sid X 1,..., X uabhägig ud wege (A3) idetisch verteilt mit B(1, 1 e λ t ). Da gilt da (1 e λ t ) Aus (A4) folgt: λt. X k B(, 1 e λ t ) k=1 d Po(λt) P ( X k N t ) = P ( k=1 ud damit habe wir gezeigt, dass b) Sei der erste Sprugzeitpukt. Wir erhalte {N kt k=1 P (N t N t Po(λt). N (k 1)t 2) T 1 := if{t > N t } 2}) P (T 1 > t) = P (N t = ) = e λt mit t ud damit Die weitere Aussage werde später gezeigt. T 1 Exp(λ). 33
4 II. Markov-Kette i stetiger Zeit Bemerkug: Der Prozess N = (N t ) t i Satz 7.1 heißt Poisso-Prozess mit Parameter λ. Die Bediguge (A2) ud (A3) köe etwas abstrakter gefasst werde: Für u defiiere S u : D D, f f( u) Z u : D D, wobei ( u) die Abbildug v mi(v, u) darstellt. Beide Abbilduge sid (B(D ), B(D ))-messbar. f f(u + ) f(u) Wir köe also auch stochastische Prozesse S u (N) = (N t u ) t ud Z u (N) = (N u+t N u ) t als Zufallsgröße mit Werte i (D, B(D )) auffasse. Weiter gilt mit A(t 1,..., t ; i 1,..., i ) := {f D f(t j ) f(t j 1 ) = i j für j = 1,..., }, wobei =: t t 1 t <, i 1,..., i N, dass ud {S u (N) A(t 1,..., t ; i 1,..., i )} = {N t1 u N t u = i 1,..., N t u N t 1 u = i } {Z u (N) A(s 1,..., s l ; j 1,..., j l )} = {N u+s1 N u+s = j 1,..., N u+sl N u+sl 1 = j l } Wege (A2) folgt: P ( S u (N) A(t 1,..., t ; i 1,..., i ), Z u (N) A(s 1,..., s l ; j 1,..., j l ) ) = P ( S u (N) A(t 1,..., t ; i 1,..., i ) ) P ( Z u (N) A(s 1,..., s l ; j 1,..., j l ) ) ud daraus die Uabhägigkeit der Prozesse S u (N) ud Z u (N). Aalog folgt mit (A3): P ( Z u (N) A(s 1,..., s l ; j 1,..., j l ) ) = P ( N A(s 1,..., s l ; j 1,..., j l ) ) Also habe Z u (N) ud N dieselbe Verteilug. Diese Aussage köe jetzt auf Stoppzeite verallgemeiert werde. Es sei dazu F t := σ({n s, s t}) für t ud (F t ) t die atürliche Filtratio. Defiitio Sei τ eie (F t ) t -Stoppzeit, das heißt {τ t} F t. Der Prozess heißt Prä-τ-Prozess ud der Prozess S τ (N) = (N τ t ) t heißt Post-τ-Prozess. Z τ (N) = (N τ+t N τ ) t 34
5 7. Ei wichtiger Spezialfall: der Poisso-Prozess Lemma 7.2 Ist τ eie edliche Stoppzeit, so sid die Prozesse (N τ t ) t ud (N τ+t N τ ) t stochastisch uabhägig. Außerdem hat (N τ+t N τ ) t dieselbe Verteilug wie (N t ) t. Beweis Zuächst ehme wir a, dass τ Werte i Q + aimmt. Für =: s s 1 s k <, =: t t 1 t l < ud beliebige i 1,..., i k, j 1,..., j l N gilt C := P ( ) S τ (N) A(s 1,..., s k ; i 1,..., i k ), Z τ (N) A(t 1,..., t l ; j 1,..., j l ) }{{}}{{} =:A =:B = P (τ = u, S u (N) A, Z u (N) B) u Q + Da {τ = u} F u ka dieses Ereigis durch S u (N) ausgedrückt werde. Da S u (N) ud Z u (N) uabhägig sid, folgt: = P (τ = u, S u (N) A) P (Z u (N) B) }{{} u Q + = P (N B) P (S τ (N) A) Im Fall k = 1, s 1 =, i 1 = folgt: also gilt Z τ (N) d = N ud damit =P (N B) P (Z τ (N) B) = P (N B) P (S τ (N) A, Z τ (N) B) = P (Z τ (N) B) P (S τ (N) A) also sid Z τ (N) ud S τ (N) uabhägig. Weiter sei τ beliebig. Betrachte die Folge τ := 2 τ 2, N, für die τ Q + P -fast-sicher gilt ud τ τ für. Mit (A1) folgt für alle t N τ t N τ t, N τ+t N τ+t P -fast-sicher ud P (S τ (N) A, Z τ (N) B) = lim P (S τ (N) A, Z τ (N) B) = lim P (S τ () A) P (Z τ (N) B) = P (S τ (N) A) P (Z τ (N) B) Aalog ka ma die Aussage Z τ (N) d = N auf beliebige τ erweiter. 35
6 II. Markov-Kette i stetiger Zeit Damit köe wir de Beweis vo Satz 7.1 abschließe: Es seie T 1 := if{t > N t } S 1 := T 1 S k := if{t > S k 1 N t N t }, k = 2, 3,... T k := S k S k 1, k = 2, 3,... Wir wisse bereits, dass T 1 exp(λ). Iduktiv ehme wir a, dass T 1,..., T k uabhägig ud idetisch expoetial-verteilt seie. τ := T T k = S k ist eie Stoppzeit, da {τ t} = {N t k} F t. Da P (τ > t) = P (N t < k) für t gilt, ist τ P -fast-sicher edlich. T k+1 ist die Zeit bis zum erste Sprug im Post-τ-Prozess. Nach Lemma 7.2 ist T k+1 d = N1 d = N 1 N d = T1 exp(λ) ud T k+1 ist uabhägig vo S τ (N), also auch vo T 1,..., T k. Beispiel 7.1 (Bedigte Gleichverteilugseigeschaft) Es seie K, X 1, X 2,... uabhägige Zufallsvariable mit K Po(λT ), T >, ud X i U(, T ). Wir defiiere N t := #{1 i K X i t}, t. Es sei =: t t 1 t = T eie Zerlegug des Itervalls [, T ]. Betrachte für i 1,..., i N das Ereigis A := {N t1 N t = i 1,..., N t N t 1 = i }. Für ω A folgt k := K(ω) = i i. Ma erhält (siehe Defiitio der Multiomialverteilug, Heze, Stochastik I, S. 121) λt (λt )k P (N t1 N t = i 1,..., N t N t 1 = i ) = e k! = l=1 k! i 1! i! ( t1 t T e λ(t l t l 1 ) (λ(t l t l 1 )) i l i l! }{{} =P (M l =i l ) ) i1 ( t t ) 1 i T wobei M l Po(λ(t l t l 1 )). Das zeigt: Die Zuwächse des Prozesses Ñ = (N t) t T sid uabhägig ud statioär ud Poisso-verteilt mit Parameter λ Itervallläge, ud (A1), (A4) ist erfüllt, also ist Ñ ei bei T gestoppter Poisso-Prozess. Beispiel 7.2 (Das Ispektios-Paradoxo) Es seie X 1, X 2,... uabhägig ud idetisch verteilte Zufallsvariable mit X k exp(λ), welche die Lebesdauer vo Glühbire modelliere. Es sei S := k=1 X k der Zeitpukt, a dem die -te Bire kaputt geht ud eie eue Bire eigesetzt wird, ud N t die Azahl der Ereueruge bis zum Zeitpukt t ud damit ei Poisso- Prozess mit Parameter λ. I der Ereuerugstheorie iteressiert ma sich für V t := S Nt+1 t = Restlebesdauer W t := t S Nt = Alter L t := W t + V t = Gesamtlebesdauer 36
7 8. Der allgemeie Fall im Schelldurchgag der zum Zeitpukt t i Gebrauch befidliche Glühbire. Es ist V t exp(λ), da die Expoetialverteilug gedächtislos ist. Die Variable W t ka höchstes t sei, das heißt P (W t > s) = für s > t. Für s t gilt P (W t s) = P (N t N t s = ) = e λs. Damit ist F Wt (s) = { 1 e λs, s t 1, s t. Außerdem sid ach der starke Markoveigeschaft die Zufallsvariable W t ud V t uabhägig. L t ergibt sich als Faltug dieser Variable. Die Dichte f Lt für s t: ud für s < t: f Lt (s) = = f Lt (s) = s t f Vt (s u)f Wt (du) λe λ(s u) λe λu du + λe λ(s t) e λt = λ(1 + λt)e λs s = λ 2 se λs λe λ(s u) λe λu du Also ist L t icht exp(λ)-verteilt! Für großes t gilt EL t 2EX i = 2 λ. Dieses Ergebis lässt sich erkläre: Ispiziert ma zu eier zufällige Zeit die aktuell leuchtede Glühbire, so ist die Wahrscheilichkeit, eie läger lebede zu erwische, größer, als eie kurzlebige Bire azutreffe. 8. Der allgemeie Fall im Schelldurchgag Defiitio Ei stochastischer Prozess (X t ) t mit abzählbarem Zustadsraum S heißt (homogee) Markov- Kette, falls gilt: Für alle N ud t < t 1 < < t, t, h > ud i k S mit P (X tk = i k, k ) > : P (X t+h = i +1 X tk = i k, k ) = P (X t+h = i +1 X t = i ) Bemerkug: Defiiere wir für alle i, j S p ij (t) := P (X t = j X = i) = P (X t+h = i +1 X t = i ) ud die Matrix P (t) = ( p ij (t) ) i,j S, 37
8 II. Markov-Kette i stetiger Zeit so gelte aalog zum diskrete Fall die Chapma-Kolmogorov-Gleichuge für alle i, j S, s, t > : p ij (t + s) = k S p ik (t)p kj (s) Mit P () = E wird {P (t) : t } zu eier Halbgruppe vo stochastische Matrize. Diese ee wir Übergagsmatrizefuktio. Falls zusätzlich für i, j S lim t p ij (t) = δ ij gilt, also P (t) rechtsseitig stetig i ist, da heißt sie Stadardübergagsmatrizefuktio. Satz ud Defiitio 8.1 Sei {P (t) : t } eie Stadardübergagsmatrizefuktio. Da ist jedes p ij (t) i rechtseitig differezierbar, das heißt es existiert für alle i, j S 1 q ij := lim t t (p ij(t) δ ij ). Die Matrix Q := (q ij ) heißt Itesitätsmatrix oder ifiitesimaler Erzeuger (Geerator) zu {P (t) : t }. Beispiel 8.1 Es sei N = (N t ) t ei Poisso-Prozess mit Itesität λ. Da gilt für i +1 i : P (N t+1 = i +1 N t = i,..., N t = i ) = P (N t+1 N t = i +1 i ) Also ist N eie homogee Markov-Kette mit Übergagsmatrix p ij (t) = {e λt (λt) j i (j i)!, = e λ(t +1 t ) (λ(t +1 t )) i +1 i (i +1 i )! falls j i, sost weiter gilt 1 λ, falls j = i + 1 lim t t (p ij(t) δ ij ) = λ, falls j = i, sost. Lemma 8.2 Sei {P (t) : t } eie Stadardübergagsmatrizefuktio. Da gilt für q ij := p ij (): a) q ij <, i j, q ii. b) j i q ij q ii =: q i. Falls S edlich ist, gilt für alle i S: q i = j i q ij. I diesem Fall heißt die Stadardübergagsmatrizefuktio koservativ. 38
9 8. Der allgemeie Fall im Schelldurchgag Beweis a) q ij für i j ud q ii klar, da p ij 1. Schwieriger ist zu zeige, dass q ij <, hier wird auf die Literatur verwiese. b) Es gilt für t : j S,j i p ij (t) t = 1 p ii(t) t ud damit mit Fatou 1 p ii (t) q ii = lim t t j S,j i lim sup t p ij (t) t = j S,j i q ij ud Gleichheit für edliche S. Satz 8.3 Sei {P (t) : t } eie Stadardübergagsmatritzefuktio ud S sei edlich. Da gilt das sogeate Kolmogorovsche Rückwärtsdifferetialgleichugssystem: Für t ist das heißt für alle i, j S ist P (t) = QP (t) p ij(t) = q i p ij (t) + k S,k i q ik p kj (t). Beweis Wege Chapma-Kolmogorov gilt für i, j S, t, h > : p ij (t + h) = k S p ik (h)p kj (t) = p ij(t + h) p ij (t) h = p ii(h) 1 h p ij (t) + k S,k i p ik (h) h p kj(t) Für h geht die rechte Seite gege q i p ij (t) + q ik p kj (t) k S,k i woraus die Behauptug folgt. Bemerkug: a) Uter milde Bediguge ({P (t) : t } eie koservative Stadardübergagsmatrizefuktio ud q i für alle i S edlich) gilt Satz 8.3 auch für abzählbares S. Weitere Bediguge sid ötig für das Kolmogorovsche Vorwärtsdifferetialgleichugssystem P (t) = P (t)q. 39
10 II. Markov-Kette i stetiger Zeit b) Falls S edlich ist, ist die Lösug vo P (t) = QP (t), P () = E gegebe durch P (t) = e tq (tq) =.! Beispiel 8.2 = S = {, 1}, < q, q 1 < ( ) q q Q = q 1 q 1 Rückwärtsdifferetialgleichug P (t) = QP (t) ( ) p (t) p P (t) = 1 (t) p 1 (t) p 11 (t) (1) p (t) = q p (t) + q p 1 (t) (2) p 1(t) = q p 1 (t) + q p 11 (t) (3) p 1(t) = q 1 p 1 (t) + q 1 p (t) (4) p 11(t) = q 1 p 11 (t) + q 1 p 1 (t) Es gilt: p 1 (t) = 1 p (t), p 11 (t) = 1 p 1 (t) Eigesetzt i (2): p (t) = q + q p (t) + q q p 1 (t) = (1) also ist (2) überflüssig. Aalog: (4) ist überflüssig. Sei ( ) p (t) y(t) = p 1 (t) Zu löse: y (t) = Qy(t), ( ) y() = ( (1, ) ) T. Die Eigewerte vo Q sid: λ 1 =, λ 2 = (q + q 1 ) 1 q Eigevektore: v 1 =, v 1 2 = ( ) 1 y() = Isgesamt also: q 1 = y(t) = α liefert α = q 1 q +q 1, β = 1 q +q 1 ( ) 1 + β 1 ( q q 1 ) e (q +q 1 )t p (t) = q 1 q + q 1 + q q + q 1 e (q +q 1 )t p 1 (t) = q 1 q + q 1 q 1 q + q 1 e (q +q 1 )t Hier fehlt ei kleies Bild, das zeigt, wie p ud p 1 so aussehe. Wir wolle weiter aehme, dass die Pfade der Markov-Kette (X t ) t i D(S) := {f : [, ) S f(t+) = f(t) t, f(t ) existiert t > } liege (diskrete Topologie auf S). Die Eigeschaft der f i D(S) wird auch mit RCLL oder càdlàg bezeichet. 4
11 8. Der allgemeie Fall im Schelldurchgag Gegebe sei jetzt eie Itesitätsmatrix Q = (q ij ), q ij R mit (Q1) q ij i, j S, i j, q ii i S (Q2) j S q ij = i S (Q3) < sup i S q ii =: λ < Satz 8.4 Für eie Matrix Q gelte (Q1)-(Q3). Es sei N = (N t ) t ei Poisso-Prozess mit Itesität λ ud Y = (Y ) N eie vo N uabhägige Markov-Kette mit Start i i S ud Übergasmatrix P = ( p ij ) i,j S, P := E + 1 λq, also p ij = δ ij + q ij λ i, j S. Da ist X = (X t ) t mit X t := Y Nt D(S) ud Itesitätsmatrix Q. t eie Markov-Kette mit Start i i, Pfade i Beweis Offebar ist P eie stochastische Matrix, X = i ud die Pfade i D(S). Für t < t 1 < < t +1, i,..., i +1 S gilt: P (X tm = i m, m + 1) = P (N tm = k m, Y km = i m, m + 1) k,...,k +1 N = P (N tm = k m, m + 1) P (Y km = i m, m + 1) k,...,k +1 N Betrachte die Faktore: P (N tm = k m, m + 1) = P (N t+1 t = k +1 k ) P (N tm = k m, m ) P (Y km = i m, m + 1) = P (Y km = i m, m ) p (k +1 k ) i i +1 Sei jetzt l := k +1 k, da P (X tm = i m, m + 1) =P (X tm = i m, m ) l= p (l) i i +1 P (N t+1 t = l) = X ist eie Markov-Kette i stetiger Zeit (ud homoge) mit Übergagsmatrizefuktio: p ij (t) = l= p (l) (λt)l ij e λt l! Bestimme Ableituge p ij () = Q ist wie gewüscht. 41
12 II. Markov-Kette i stetiger Zeit Eie Umkehrug des Satzes gilt: Dazu sei X = (X t ) t eie Markov-Kette mit Zustadsraum S ud Sprugzeite: Verweildauer: 1: S := S 1 := if{t X t X } S := if{t > S 1 X t X S 1 }, 2. T := S S 1 Weiter sei die eigebettete Markov-Kette Y = (Y ) gegebe durch: Y := X S, N. Satz 8.5 Es sei X = (X t ) t eie Markov-Kette mit Zustadsraum S ud Itesitätsmatrix Q, wobei (Q1) bis (Q3) erfüllt seie. Da gilt: a) Y = (Y ) ist eie (zeitdiskrete) Markov-Kette mit Übergagsmatrix P = (p ij ), wobei p ij = { qij q i, falls i j, falls i = j, falls q i > p ij = δ ij, falls q i = b) T 1, T 2,... sid bedigt uter (Y ) stochastisch uabhägig mit Hier fehlt ei Bild. T Exp(q Y 1 ) Beispiel 8.3 Sei S = N ud Q = (q ij ) i,j S mit (i + 1) 2, falls j = i q ij := (i + 1) 2, falls j = i + 1, sost. Es gilt: Y = für N bei Start i ud sup i N q i = sup i N (i + 1) 2 =, das heißt dass die Bedigug (Q3) icht erfüllt ist. Weiter ist T exp( 2 ). Für die Gesamtlebesdauer T = =1 T gilt: ET = ET = =1 =1 1 2 = π2 6 < Also liege die Pfade icht i D(S), da sie keie liksseitige Grezwert i T habe. 42
13 8. Der allgemeie Fall im Schelldurchgag Defiitio Sei (X t ) t eie Markov-Kette mit Stadardübergagsmatrizefuktio {P (t), t }. Ei Maß µ : S R + heißt ivariates Maß, falls für alle t gilt: also für jedes j S gilt: µ = µp (t) µ(j) = i S µ(i)p ij (t) Gilt j S µ(j) = 1, so heißt µ statioäre Verteilug. Satz 8.6 Sei X = (X t ) t eie Markov-Kette mit Itesitätsmatrix Q, wobei (Q1) bis (Q3) erfüllt seie. Da ist µ geau da ei ivariates Maß, we gilt. µq = Beweis Uter de Voraussetzuge gelte die Vorwärts- ud Rückwärtsdifferetialgleichugssysteme: P (t) = P (t)q P (t) = QP (t) Damit folgt P (t) = E + = E + t t = E + Q t P (s)ds P (s)ds Q P (s)ds ( ) ( ) Sei µ ei ivariates Maß für X, also t : µ = µp (t). Aus ( ) folgt für t : µ = µp (t) = µ + t µp (s)dsq = µ + t µq Damit gilt = tµq ud, wege t, auch µq =. Falls µq = gilt, so folgt aus ( ): t : µp (t) = µ. Defiitio Sei X = (X t ) t eie Markov-Kette mit Zustadsraum S ud i S mit q i <. a) i heißt rekurret, falls i rekurret für die eigebettete Kette (Y ) ist. 43
14 II. Markov-Kette i stetiger Zeit b) i heißt positiv rekurret, falls i rekurret ist ud m i := E i [ T i ] < wobei T i der erste Rückkehrzeitpukt i de Zustad i ist. c) X heißt irreduzibel, falls die eigebettete Kette (Y ) irreduzibel ist. Satz 8.7 Sei X eie Markov-Kette mit Itesitätsmatrix Q, wobei (Q1) bis (Q3) erfüllt seie. Sid alle Zustäde rekurret ud ist die Markov-Kette irreduzibel, so gilt: a) lim t p ij (t) = 1 m j q j für alle i, j S, uabhägig vo i S. b) X besitzt geau da eie statioäre Verteilug π = (π i ) i S, we es eie positiv rekurrete Zustad j gibt. I diesem Fall ist π j = 1 m j q j > für jedes j S ud alle Zustäde sid positiv rekurret. Beweis Nicht hier. Wird teilweise i der Übug utersucht. Beispiel 8.4 (Geburts- ud Todesprozesse i stetiger Zeit) Sei X eie Markov-Kette mit S = N ud Itesitätsmatrix λ λ µ 1 (µ 1 + λ 1 ) λ 1 Q = µ 2 (µ 2 + λ 2 ) λ mit λ, λ i, µ i >. Weiter sei sup i N (λ i + µ i ) <. Die Übergagswahrscheilichkeite der eigebettete Kette (Y ) sid p i,i+1 = Also ist X irreduzibel. λ i µ i + λ i, p i,i 1 = µ i µ i + λ i, p 1 = 1. Wie sieht eie statioäre Verteilug aus, falls sie existiert? Der Asatz ist die Gleichug πq = : = λ π + µ 1 π 1 = λ π (µ 1 + λ 1 )π 1 + µ 2 π 2. = λ i π i (µ i+1 λ i+1 )π i+1 + µ i+2 π i+2, i 1 = π 1 = λ µ 1 π π 2 = 1 µ 2 ( (µ 1 + λ 1 )λ µ 1 π λ µ 1 µ 1 π ) = λ λ 1 µ 1 µ 2 π 44
15 8. Der allgemeie Fall im Schelldurchgag Dies legt die Vermutug ahe, dass für i π i+1 = λ λ i µ 1 µ i+1 π gilt, welche sich leicht durch Eisetze bestätige lässt. π = (π i ) ka zu eier statioäre Verteilug ormiert werde, falls i=1 Nach Beispiel 3.3 ist (Y ) positiv rekurret, falls λ λ i µ 1 µ i+1 <. ( ) =1 k= p k,k+1 p k+1,k < i=1 λ λ i µ 1 µ i+1 <. Also ist ach Satz 8.7 X positiv rekurret, falls ( ) gilt, ud π ist die Grezverteilug. Fals λ i = λ ud µ i = µ ist, da ist X eie M/M/1-Warteschlage mit statioärer Verteilug (falls ρ := λ µ < 1): π i = (1 ρ)ρ i für i N. 45
16
Einführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrAnwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
MehrEmpirische 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,...,
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
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
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
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
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,
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
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
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
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,
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
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 VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
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
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
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
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
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
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
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
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
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
MehrIII. Die Brownsche Bewegung
9. Defiitio ud erste Eigeschafte Es sei (Ω, F, P ) ei Wahrscheilichkeitsraum ud T R, T eie Zeitidexmege. Wir betrachte jetzt eie stochastische Prozess X = (X t ) t T mit Zustadsraum R, das heißt dass (X
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
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
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
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrÜbungen zur Analysis II SS 2006
Mathematisches Istitut der Uiversität Heidelberg Prof. Dr. R. Weissauer/Dr. U. Weselma http://www.mathi.ui-heidelberg.de/ weselma.uebuge.html Übuge zur Aalysis II SS 26 Lösugshiweise Blatt 3 Aufgabe 8*
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
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
MehrAnalysis 1 für Informatiker und Statistiker Beispielslösungen, Woche 13
Mathematisches Istitut der LMU WS 016/17 Prof. Dr. S. Morozov Olie am: Dr. H. Hogreve 1. 01. 017 Aalysis 1 für Iformatiker ud Statistiker Beispielslösuge, Woche 1 1.1 (a Um festzustelle, ob die utestehede
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
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
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
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
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
MehrProseminar Optimierung, Graphentheorie und Stochastik
Prosemiar Optimierug, Graphetheorie ud Stochastik Michael Kalab 9. Dezember 0 Ihaltsverzeichis Markov-Kette stochastische Matrix 3 Vektoriteratio 4 Problemstellug 5 Spektralorm 4 6 Lösug der Problemstellug
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
MehrAnalysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung
Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrEin Steilkurs über Martingale in diskreter Zeit
Ei Steilkurs über Martigale i diskreter Zeit Matthias Birker WS 211/212 Dieser Text ist eie Eiladug, sich (i sehr kapper Form) mit der Theorie der (zeitdiskrete) Martigale zu beschäftige. Eie wesetlich
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
Mehr1 Das Skalarprodukt und das Kreuzprodukt
Das Skalarprodukt ud das Kreuzprodukt Wir betrachte zu x = de Ausdruck y t x : = x Grud: Die rechte Seite der Gleichug ist: y t x = (y tx +... + (y ty { t x } y +... + x y x + x y (x y +... + x y x x t
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
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrFür eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. R. Köig Dr. M. Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Z8.. Kriterie für strege Mootoie Mathematik für Physiker 2 (Aalysis ) MA9202 Witersem. 207/8 Lösugsblatt 8
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
Mehr7 Markovketten und DNA-Sequenzen
7 MARKOVKETTEN UND DNA-SEQUENZEN 7 Markovkette ud DNA-Sequeze Hedrik Flasche 24.Mai 2012 7.1 Diskrete Markovkette Uter eier (zeitlich-)diskrete Markovkette versteht ma folgede Defiitio. (Diskrete Markovkette)
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
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)
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
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
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
MehrÜbung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
Mehr9. ENDLICH ERZEUGTE MODULN UND GANZHEIT
Algebra 2 Daiel Plauma Techische Uiversität Dortmud Sommersemester 2017 9. ENDLICH ERZEUGTE MODULN UND GANZHEIT Arbeitsblatt: Der Satz vo Cayley-Hamilto ud Aweduge Lese Sie de Text sorgfältig ud löse Sie
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
MehrGrundbegriffe der Differentialrechnung
Wirtschaftswisseschaftliches Zetrum Uiversität Basel Mathematik für Ökoome 1 Dr. Thomas Zehrt Grudbegriffe der Differetialrechug Referez: Gauglhofer, M. ud Müller, H.: Mathematik für Ökoome, Bad 1, 17.
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
Mehr2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
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,
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
MehrBeweis des Primzahlsatzes nach Newman
Beweis des Primzahlsatzes ach Newma Eileitug Aleader Zeilma 3. Jauar 23 Betreut durch Prof. Dr. Folkmar Borema Defiitio : Primzahlfuktio Wir defiiere π) als die Azahl der Primzahle kleier oder gleich :
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
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
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
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
MehrAnalysis Übungen Hausaufgaben für 4. April
Aalysis Übuge Hausaufgabe für 4. April Reihe sg 1. AN 8.2. c), AN 8.9. a). 2. Beweise die otwedige Bedigug für die Kovergez eier Reihe: we a koverget ist, da lim a = 0. (I der Praxis: we lim a 0, da ist
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrLösung der Nachklausur
H. Schmidli Eiführug i die Stochastik WS 8/9 Lösug der Nachklausur. a) Aus dem Satz der totale Wahrscheilichkeit folgt für de Ateil der Persoe, die der Vorlage zugestimmt habe Also liegt die Zustimmug
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.
MehrLösungsvorschlag zu den Hausaufgaben der 1. Übung
FAKULTÄT FÜR MATHEMATIK Prof. Dr. Patrizio Neff Christia Thiel 4.04.04 Lösugsvorschlag zu de Hausaufgabe der. Übug Aufgabe : (6 Pukte Bereche Sie für die Fuktio f : R R, f( : ep( a der Stelle 0 0 das Taylorpolyom
Mehrund da die Fouriertransformation bijektiv auf S (R n ) folgt das Resultat.
Lösug 1. a) Da A symmetrisch positiv defiit ist auch A 1 symmetrisch positiv defiit ud mit Kapitel. folgt Φ A (k) e 1 xt Ax. Mit dem Faltugssatz ist Φ A Φ B (k) Φ A (k) Φ B (k) Φ A+B (k) ud da die Fouriertrasformatio
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
MehrStochastik I TU Dortmund, Sommersemester 2014
Stochastik I TU Dortmud, Sommersemester 204 Dieses Vorlesugsskript ist aus meier persöliche Mitschrift der Vorlesug Stochastik I bei Professor Dr. M. Voit im Sommersemester 204 etstade. Ich habe versucht
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
MehrGrenzwertberechnungen
Katosschule Solothur Grezwertberechuge Grezwertberechuge Grezwertberechuge bei Folge ud Reihe Folge sid Fuktioe; die Begriffe beschräkt ud mooto trete daher auch bei Folge auf. Isbesodere habe sie eie
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
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
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrMathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.
Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,
MehrWiederholung: Linearer Ausgleich 1. Linearer Ausgleich. Vorlesung April. Aufgabe Gegeben Naturgesetz
Vorlesug 4 6 + 9 April Bei w,, w m, v R ; (w,, w m =: A R (,m ud ieres Produkt = euklidisches Produkt schrieb sich das Approximatiosproblem so: Fide w = Wiederholug: m ζ k w k mit w v w v w spa{w,, w m
Mehr38 Normen und Neumannsche Reihe
168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt
MehrLeitfaden Bielefeld SS 2007 III-4
Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie
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
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
Mehr