DER SATZ MIT DEM ITERIERTEN LOGARITHMUS V. STRASSEN
|
|
- Theodor Weiß
- vor 6 Jahren
- Abrufe
Transkript
1 Теория вероятностей и математическая статистика Probability theory and statistics Calcul des probabilités et statistique Wahrscheinlichkeitsrechnung und mathematische Statistik DER SATZ MIT DEM ITERIERTEN LOGARITHMUS V. STRASSEN Sei Xt die i-te Rademacherfunktion auf [0, 1] und S n = 2 X t * Borel's starkes Gesetz der großen Zahl (S n = о (n) außerhalb einer Menge vom Lebesguemaß 0) eröffnete 1909 eine Folge von Arbeiten von Hausdorff, Hardy-Littlewood, Steinhaus und Khintschin, die 1924 durch Khintschin's brillianten Satz mit dem iterierten Logarithmus abgeschlossen wurde: (1) ïïm (n log log n)~ 1/2 S n = У 2 außerhalb einer Menge vom Lebesguemaß 0. Ich möchte hier über einen Teil der seitdem erzielten Fortschritte berichten. In den ersten beiden Abschnitten werden einige Verschärfungen behandelt, wobei der oben betrachtete diskrete stochastische Prozeß [S n )n^i aus Gründen der leichteren Formulierung durch den kontinuierlichen Prozeß der Brownschen Bewegung ( (t)) t^o ersetzt wird. Im letzten Abschnitt werden Verallgemeinerungen des zugrundeliegenden Prozesses diskutiert. üso 1. Der Kolmogorov-Petrovskij-Erdös Test Khintschin's Satz lautet für die Brownsche Bewegung: ïïm (t log log t)~ lh С V) = 1/2 fastsicher, Pr { (t) < (et log log tf h schließlich f ür t -> oo} «0 oder 1, e nachdem с < 2oder c > 2. Sehr viel weiter geht der Kolmogorov- ^etrovskij-erdös Test (Kolmogorov's Beweis ist nicht veröffentlicht, >etrovskij [18], Erdös [5], Feller [6], Motoo [17]):
2 528 ПОЛУЧАСОВЫЕ ДОКЛАДЫ HALF-HOUR REPORTS Sei ф: R + ->R* stetig und so, daß t-*hy(t) mit t wächst, Dann ist Pr{ (t) < Ф (t) schließlich für t-+ 00} = 0 oder 1, je nachdem 00 <2) [ t- 3 h<pe-ww dt =00 oder <oo. 1 -Man hat heute eine Reihe von O-1-Knterien ähnlicher Bauart für die Brownsche Bewegung in einer oder in mehreren Dimensionen. Hierzu sei auf Itô-McKean [12] verwiesen (S , , , ; siehe auch Chung [3], Barndorff-Nielsen [1], Shepp [19], V, 19)/ Konvergiert (2), so ist fastsicher schließlich <ф, von welcher Stelle an, hängt natürlich vom Zufall ab. Sei Гф-suptf: (0>Ф(0}- P. Levy [16], S erhält eine Reihe von oberen Abschätzungen für Pr {Тф > s}, die sich als Spezialfälle der eleganten Ungleichung 00 Рг{Г ф >8}'<2 J (2я* 8 )- 1/а фе- фа/(2 ' ) dt 8 in Itô-McKean [12], S. 34 erweisen (gültig unter einer zusätzlichen Monotoniebedingung an ф). Ist nun ф sogar stetig differenzierbar mit ф'(я)~ф'(0 für s~t, t >oo, und ist fastsicher Т ф < 00, so hat Т ф außerhalb 0 eine stetige Dichte Dq> und es gilt (3) о ф (/)-ф / (0(2^Г 1/^" ф(02/(2 für t~>oo ([23], Theorem 3.6). Innerhalb der zugelassenen Funktionenklasse haben übrigens ф' und (p/t die gleiche Größenordnung, so daß man den Integranden in (2) auch durch die rechte Seite von (3) ersetzen kann. (3) liefert dann eine einfache wahrscheinlichkeitstheoretische Deutung (und einen neuen Beweis) für den Kolmogorov-Petrovskij- Erdös Test. Ein Beispiel für (3): «> ^lt. 10,, lv,~(îi^)"-/-.(log ( r' 2, wenn c> 2.
3 V. STRASSEN Das Verhalten der ganzen Pfade Sei С der Banachraum der stetigen Funktionen x auf [0, 1] mit с (0) =0, und für *>0 sei * die durch b(«) = t(ef) (s [0 f.l]) jef inier te Zufallsvariable mit Werten in С > t spiegelt das Verhalten /on bis zum Zeitpunkt t wieder. Khintschin's Satz kann (unwesentich verschärft) so formuliert werden: Fastsicher ist (t log log *)-v«t (1) für t -*- oo beschränkt und die Menge seiner Limespunkte ist f-1/2, V% Eine analoge Aussage läßt sich für die > t als ganze machen ([21], üorollary 1, siehe auch Chover [2]): Fastsicher ist das Netz ((noglog0" v 4^>e elativ normkompakt, und die Menge seiner Normlimespunkte für ' -> oo ist i ix: x C, x ist absolutstetig, -^ \ * 2 <i A<;l j wobei p, das Lebesguemaß in [0, 1] ist und x =dx/dt ist), besteht ilso aus genau den x С mit "mittlerer kinetischer Energie < 1". Dieses Ergebnis verhält sich zu Khintschin's Satz ähnlich wie Donsker's Invarianzprinzip [4] zum zentralen Grenzwertsatz (die für len Fall der Brownschen Bewegung allerdings trivial sind). Ebenso те dort ergeben sich auch hier zahlreiche Folgerungen durch Anwenien von geeigneten Funktionalen, z.b. eine Art Gegenstück zu (4) ür c<2: Im-U{s: s [0, t], (s) >(cs log log s) 1/2 } = - oo ( = 1 exp 4 (- l)} fastsicher [[21], S Erdös [5], S. 434 hat schon bemerkt, daß die linke Seite kstsicher eine gewisse stetige, strikt monoton von 1 nach 0 fallende Funktion von с e [0, 2] ist, vgl. auch P. Levy [16], S ). Oder un Resultat, das kürzlich in etwas anderer Gestalt von Гапошкин :ür Summen unabhängiger Zufallsvariablen bewiesen wurde ([9], Theorem 3): oo ïïmv/2 ( log log -M~ Va [ g (s) e~ ab ds = 1 fastsicher o 0 v 0
4 530 ПОЛУЧАСОВЫЕ ДОКЛАДЫ HALF-HOUR REPORTS (die linke Seite ist fastsicher n/a = limïïma 8 /a(loglogi)~ V * \ l(s)e- ab ds = П-»оо o 0 * -«/ jj 1 = lim я 8 /* ïïm \ (t log log t)~ lh U (s) e- ns ds, so daß man [21], S. 218 (ii) anwenden kann). Für andere Beispiele siehe [21]. Es liegt nahe, nach einer Verallgemeinerung des Kolmogorov- Petrovskij-Erdös Test's für das Verhalten der ganzen Pfade zu fragen. Vielleicht ist die folgende Problemstellung nützlich: Sei für jedes t> 0 V t cz С offen und konvex.so, daß t-^vt fc (monoton), und sei i v t = M Jf \ x % d\i\ a : * C V t, x ist absolutstetigj. о Welche zusätzlichen Bedingungen sind an die V t zu stellen, damit: Pr {Zt G V t schließlich für t -> oo} = 1 <=> ^t-*/*vte- v2 * /{2i) dt <oo. 3. Übertragung auf andere Prozesse Kolmogorov [15] verallgemeinert Khintschin's Satz auf eine große Klasse von Prozessen (S n ) n^i mit S n = 2 Xi un d unabhängigen X u und P. Levy überträgt diese Ergebnisse auf Martingale (siehe [16], S )., Im Falle unabhängiger, identisch verteilter X t zeigen Hartman- Wintner [11] etwas schärfer, daß EXi = 0, EX\ = 1 für (1) hinreicht. Diese Bedingung ist auch notwendig, wenn man (1) durch lim (n log log n)~ lh S n = ]/2 fastsicher ergänzt ([22], Corollary). Dagegen gibt es (D. Freedman, siehe [22]) unabhängige, identisch verteilte symmetrische X t mit unendlicher Varianz und positive Konstante c n so, daß Hm c^sn = 1 fastsicher.
5 V. STRASSEN * 531 Feller [6] und [7] dehnt den Kolmogorov-Petrovskij-Erdös Test auf sehr allgemeine Klassen von Prozessen (S n ) n^i mit unabhängigen Xi aus, wo die S n nicht einmal mehr asymptotisch normal zu sein brausen (vgl. auch z.b. Гнеденко [10], Хинчин [14], Золотарев [24]). In [21] und [23] werden die Ergebnisse der vorangehenden beiden Abschnitte mit Hilfe von Fastüberall-Invarianzprinzipien verallgemeinert. Diese sind fastsichere Gegenstücke zum Erdös-Kac-Donskerschen Verteilungsinvarianzprinzip (unter einem anderen Aspekt betrachtet als in Abschnitt 2). Ihr Beweis beruht auf einem wichtigen Satz von Скороход ([20], Theorem auf S. 163). Als Beispiel zitieren wir Theorem 1.3 (4.4),in [23] (ein Spezialfall hiervon stammt von Dubins und Freedman). Sei S n = 2 Xi e * n quadratisch integrierbares Martingal. Fastsi- :her gelte Für nf oo und V n =%E(Xl\X u...jc-ofoo 2 / (Уп)- 1 l * 2 dpî {X n < x\x u..., Xn-i) < oo, wobei /: # + -> R + monoton wächst, aber schwächer als die identische Abbildung. Ist dann der zugrundeliegende Wahrscheinlichkeitsraum -eichhaltig genug, so gibt es eine ßrownsche Bewegung mit S n =- (^)+o((vj(l/ n ))V4lo g y n ) fastsicher. Dies gestattet es leicht, den Kolmogorov-Petrovskij-Erdös Test und die Ergebnisse von Abschnitt 2 (auch z. B. des Resultat von Chung [3] und eine Version von Shepp's Dichotomie [19], V, 19) auf Martingale zu übertragen unter Bedingungen, die für Summen unabhängiger Zufallsvariablen kaum schärfer sind als Feller's Bedingung auf S. 399 yon [6]. Es wäre-interessant, fastsichere Invarianzprinzipien für Prosesse zu finden, die nicht asymptotisch normal sind. Freedman [8] überträgt Abschnitt 2 auf Funktionale von Markoffschen Ketten. Auch (3) kann mit einigen Abstrichen durch ein geeignetes Invarimzprinzip verallgemeinert werden ([23] Theorem 4.8 und Corollary 1.9), und zwar auf Irrfahrten mit endlicher erzeugender Funktion in îiner Umgebung von 0. Institut für mathematische Statistik und Wirtschaftsmathematik ter Universität Göttingen und Mathematisches Institut 1er Universität Erlangen, Sundesrepublik Deutschland 34*
6 532 ПОЛУЧАСОВЫЕ ДОКЛАДЫ HALF-HOUR REPORTS LITERATUR [1] В a r n d о г f î - N i e 1 s e n O., On the rate of growth of the partial maxima of a sequence of independent identically distributed random variables, Math. Scand. 9 (1961), [2] Ch о v er J,, On Strassen's version of the loglog law, Zeitschrift für Wahrscheinlichkeitstheorie, 8, 2 (1967), [3] Chung К- L., On the maximal partial sum of sequences of independent random variables, Trans. Amer. Math. Soc, 64 (1948), [4] D о n s к e r M. D., An invariance principle for certain probability limit theorems, Memoirs Amer. Math. Soc, 6 (1961), [6] E r d ö s P., On the law of the iterated logarithm, Annals of Mathematics, 43 (1942), [6] Feller W., The general form of the so-called law of the iterated logarithm, Trans. Amer. Math. Soc, 54 (1943), [7] Feller W., The law of the iterated logarithm for identically distributed random variables, Ann. of Math., II Ser., 47 (1946), [8] Freedman D., Some invariance principles for Junctionals of a Markov Chain, Annals of Mathematical Statistics, 38, 1 (1967). [9] Г а п о ш к и н В. Ф., Теорема о суммировании по Абелю и Чезаро с помощью итерированных логарифмов, Теория вероятностей и ее применения, X, вып. 3 (1965), [10] Г н ej е н к о Б. В., О росте однородных случайных процессов с неза висимыми однотипными приращениями, ДАН СССР, 40, 3 (1943) [11] Hartman P., W i n t n er A., On the law of the iterated logarithm Amer. J. Math., 63 (1941), [12] I t Ô К-, M с К e a n H. P., Diffusion Processes and their Sample Paths Die Grundlehren der Mathematischen Wissenschaften in Einzeldarstel lungen, Band 125, Berlin, Русский перевод: И т о К., Мак. к и н Г., Диффузионные процессы и их траектории, изд-во «Мир», 1968 [13] К h i n t с h i n A., Über einen Satz der Wahrscheinlichkeitsrechnung Fund. Math., 6 (1924), [14] Хинчин А. Я-, Две теоремы о стохастических процессах с одно типными приращениями, Матем. сб., 3 (45), 3 (1938), [15] Kolmogorov A., Das Gesetz des iterierten Logarithmus, Math Annalen, 101 (1929), [16] Lêvy P., Théorie de l'addition des Variables Aléatoires, Gauthiers- Villars, Paris, U7] M о t о о M., Proof of the law of the iterated logarithm through diffusion equation, Ann. Inst. Statist. Math., 10 (1959), ![18] P e t r о v s k i j I., Zur ersten Randwertaufgabe der Wärmeleitungsgleichung, Compositio Math., 1 (1935), f19]shepp L. Ä., Radon-Nikodym derivatives of Gaussian measures, Vervielfältigt an den Bell Telephone Laboratories, Murray Hill, [20] Скороход А. Б., Теория случайных процессов, Киев, 196h [21] Strassen V., An invariance principle for the law of the iterated logarithm, Zeitschrift für Wahrscheinlichkeitstheorie, 3 (1964), [22] Strassen V.,A converse to the law of the iterated logarithm, Zeitschrift für Wahrscheinlichkeitstheorie, 4 (1966), [23] Strassen V., Almost sure behaviour of sums of independent random variables and martingales, Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, [24] Золотарев В. M., Аналог закона повторного логарифма для полунепрерывных устойчивых процессов, Теория вероятностей и ее применения, IX, вып. 3 (1964).
GESETZ VOM ITERIERTEN LOGARITHMUS
KAPITEL 19 GESETZ VOM ITERIERTEN LOGARITHMUS Eines der Hauptanliegen der Wahrscheinlichkeitstheoretiker war seit jeher das Studium der Fluktuationen von geeignet normierten) Summen S n = X 1 + + X n, deren
Mehrз ъ з Ц Д ж Б Ц Д с Ю Ю р Б я ы Ю с я ъ з Я з ъ я Е э з Ю Ц Ц з ш Ц э Ю ш ж у ж Б я Х з з
1 3ISSN 2072-7607 з ъ з Ц Д ж Б Ц Д с Ю Ю р Б я ы Ю с я ъ з Я з ъ я Е э з Ю Ц Ц з ш Ц э Ю ш ж у ж Б я Х з з Ю Ц Е у я Б Ц Д с ж ъ ъ Ю ж Ю р Б я ы Ю с я Д ж щ Н ъ Ю ж Е И Б ж ь у ж ъ з ж с М Ц Й ж т Ю А
MehrWahrscheinlichkeits theorie
Achim Klenke Wahrscheinlichkeits theorie Mit 34 Abbildungen 4y Springer 1 Grundlagen der Maßtheorie 1 1.1 Mengensysteme 1 1.2 Mengenfunktionen 11 1.3 Fortsetzung von Maßen 17 1.4 Messbare Abbildungen 33
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrWahrscheinlichkeitstheorie
Achim Klenke Wahrscheinlichkeitstheorie 3., überarbeitete und ergänzte Auflage ~ Springer Spektrum Inhaltsverzeichnis 1 Grundlagen der Maßtheorie. 1.1 Mengensysteme. 1.2 Mengenfunktionen, 12 1.3 Fortsetzung
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrMaß und Wahrscheinlichkeit
Klaus D. Schmidt Maß und Wahrscheinlichkeit Springer Einleitung 1 Teil I Mengensysteme und Abbildungen 1 Mengensysteme 7 1.1 Topologien 8 1.2 er-algebren 14 1.3 Dynkin-Systeme 16 1.4 n-stabile Mengensysteme
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrЁ ж с ж Б Ю- ё Ю Ц Д Ю И ъ М ш. ж у ж Б я щ Н ъ М ш ъ з с ж Б Ц з Д ж Д. з ч... ч ч Ю Ц Ю с я
1 3 0 6 0 2 0 0 1 0 1. 0 0. 0 1 0 8 0 5 0 8 0 4 0 2 0 0 0 8, 0 1. 0 1. 0 3 0 3 0 1 0 6 0 1 0 6 0 5 0 6 0 2 0 4 0 6 0 8 0 5 0 3 0 3 0 0 0 6 0 8 0 9 0 5 0 1 0 2 0 7 0 3 0 3 0 2 0 8 0 1 0 2 0 1 0 6 0 8 0
MehrKlausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrVorstellung des Lehrangebots - Bereich F: Stochastik
Vorstellung des Lehrangebots - Bereich F: Stochastik Andreas Eberle Institut für angewandte Mathematik Juli 2013 Stochastikvorlesungen im Bachelor I Einführung in die Wahrscheinlichkeitstheorie (WiSem)
MehrWahrscheinlichkeitstheorie
Springer-Lehrbuch Masterclass Wahrscheinlichkeitstheorie von Achim Klenke überarbeitet Wahrscheinlichkeitstheorie Klenke schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Thematische
MehrMonotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings
Monotone Approximationen durch die Stirlingsche Formel Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Formel für n!: e n n e n n! e n n+/2 e n Genauer zeigen wir, dass die Folge
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehrз Г я з щ Ё ё
1 3 0 3 0 8 0 2 0 1 0 9 0 2 0 1 0 6 0 5 0 2 0 2 0 6 0 9 0 6 0 8-0 9 0 6 0 9 0 9 0 2 0 5 0 7 з Г я з щ Ё ё 0 4 0 7 0 5 0 5 0 8 0 6 0 3 0 2 0 1 0 3 0 0 0 1 0 6 0 8 0 6 0 6 0 0 0 3 0 0 0 7 0 8 0 4 0 4 0 4
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrUkrainisch für Anfänger und Fortgeschrittene
Ukrainisch für Anfänger und Fortgeschrittene Bearbeitet von Ludmila Schubert überarbeitet 2008. Taschenbuch. 328 S. Paperback ISBN 978 3 447 05766 0 Format (B x L): 17 x 24 cm Zu Leseprobe schnell und
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
MehrD-ITET Analysis II FS 13 Prof. Horst Knörrer. Musterlösung 1. 3xy 2 = 2 x 2. y y. 3 y y. 3 x v x + v = 2 3 v v.
D-ITET Analysis II FS 3 Prof. Horst Knörrer Musterlösung. a) Es gilt: dy d 3 + y 3 3y 3 y + y 3. Dies ist eine homogene Differentialgleichung, das heisst y hängt nur von y ab. Setze v : y y() v() y v +
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrMaß und Wahrscheinlichkeit
Springer-Lehrbuch Maß und Wahrscheinlichkeit Bearbeitet von Klaus D. Schmidt 1. Auflage 2011. Taschenbuch. xii, 484 S. Paperback ISBN 978 3 642 21025 9 Format (B x L): 15,5 x 23,5 cm Gewicht: 775 g Weitere
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
Mehr7 Der Satz von Girsanov
7 Der Satz von Girsanov Der Satz von Girsanov wird uns eine neue Perspektive auf die Rolle des Drifts liefern. Die Prozesse Brownsche Bewegung B t, Brownsche Bewegung mit Drift X t = B t + µt haben wir
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 5 n (Konvergenz, LLN) 5.1 Konvergenzarten In der WT gibt es viele Konvergenzarten für Folgen von Zufallsgrössen. Sie haben alle ihre Berechtigung. In der
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
Mehr2011 年第 3 回外国雑誌製本中リスト
2011 年第 3 回外国雑誌製本中リスト < 以下の雑誌は 現在製本中のためご利用いただけません 利用可能時期は 2011 年 9 月上旬です > 1 BD01004811 2011 Indian economic and social history review / the Indian Economic and Social History Association. -- Vol. 1, no.
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrSeminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze
Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
MehrVorlesung Lineare Funktionale LINEARE FUNKTIONALE 69
13.1. LINEARE FUNKTIONALE 69 Vorlesung 13 13.1 Lineare Funktionale Der Begriff der schwachen Konvergenz wird klarer, wenn man lineare Funktionale betrachtet. Das Skalarprodukt f, g in Hilberträumenkann
Mehr( ж Б ч я ъ з Я, ъ т щ з Я, Б я ъ Х з Я, Ё )
1 3 0 0 0 4 0 5 0 1 0 3 0 3 0 3 0 4 0 2 0 8 0 3 0 5 0 5 0 6 0 2 0 1 0 8 0 9 0 5 0 1 0 2 0 3 0 2 0 9 0 4 0 8 0 5 0 2 0 0 0 8 0 1 0 6 0 3.. ё а ё ( ж Б ч я ъ з Я, ъ т щ з Я, Б я ъ Х з Я, Ё ) щ Я Ц Д Е у
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrMathematik I Herbstsemester 2018 Kapitel 6: Potenzreihen
Mathematik I Herbstsemester 208 Kapitel 6: Potenzreihen Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas / 58 6. Potenzreihen Reihen (Zahlenreihen) Konvergenzkriterien für Reihen Notwendiges
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrItô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
MehrBeispiele von Gedenktafeln im ehemaligen Galizien, - Erinnerungen an die deutsche Vergangenheit -
Dornfeld (Ternopilja), Ukraine 1 Beispiele von Gedenktafeln im ehemaligen Galizien, - Erinnerungen an die deutsche Vergangenheit - Diese Gedenktafel ist im Eingangsbereich der neu erbauten griechisch-katholischen
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrDas O-Tutorial. 1 Definition von O, Ω, Θ, o und ω
Definition von O, Ω, Θ, o und ω Das O-Tutorial Seien f und g zwei Funktionen von N nach R 0. Hierbei bezeichne R 0 die nicht-negativen reellen Zahlen. Die Funktionsmengen O, Ω, Θ, o und ω sind wie folgt
MehrDie Fakultät. Thomas Peters Thomas Mathe-Seiten 13. September 2003
Die Fakultät Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 3. September 2003 Dieser Artikel gibt die Definition der klassischen Fakultät und führt von dort aus zunächst zu der Anwendung in Taylor-Reihen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehrб
1 3 0 0 0 6 0 1 0 6 0 5 0 6 0 3 0 4 0 5 0 6 0 0 0 2 0 2 0 9 0 4 0 8 0 5 0 2 0 0 0 8 0 1 0 6 0 8 0 6 0 1 0 8 0 7 0 8 0 6 0 4 0 2 0 5 0 5 0 6 0 7 0 5 0 8 0 2 0 7 0 8 0 3 0 2 0 3 0 4 0 8 0 0 0 6 0 6 0 1 0
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
MehrHOCHSCHULBÜCHER FÜR MATHEMATIK H.GRELL, K.MARUHN U N D W.RINOW BAND 14 FOURIERREIHEN VON G.P. TOLSTOW MIT 51 A B B I L D U N G E N
fc HOCHSCHULBÜCHER FÜR MATHEMATIK H E R A U S G E G E B E N VON H.GRELL, K.MARUHN U N D W.RINOW BAND 14 FOURIERREIHEN VON G.P. TOLSTOW MIT 51 A B B I L D U N G E N 1955 VEB DEUTSCHER VERLAG DER WISSENSCHAFTEN
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
MehrTaylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe
Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer
MehrUntersuchungen zur abgeschnittenen Hilbert-Transformation von BMO-Funktionen und VMO-Funktionen
Untersuchungen zur abgeschnittenen Hilbert-Transformation von BMO-Funktionen und VMO-Funktionen Holger Boche Abstract The behaviour of the truncated Hilbert transform for functions of bounded mean oscillation
MehrSeminarprogramm Wintersemester 2017/18
Seminarprogramm Wintersemester 2017/18 Werteverteilungen holomorpher Funktionen Voraussetzungen Funktionentheorie 1 Vorbesprechung Die Vorbesprechung findet am 26. 7. 2017 um 13 Uhr s.t. in Seminarraum
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrSeminar in Statistik - FS Nonparametric Bayes. Handout verfasst von. Ivo Francioni und Philippe Muller
Seminar in Statistik - FS 2008 Nonparametric Bayes Handout verfasst von Ivo Francioni und Philippe Muller Zürich, 17. März 2008 1 EINLEITUNG 1 1 Einleitung Bis jetzt haben wir in der Bayes schen Statistik
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrÜbersicht. 1 Einführung in Markov-Chain Monte-Carlo Verfahren. 2 Kurze Wiederholung von Markov-Ketten
Markov-Chain Monte-Carlo Verfahren Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Übersicht 1 Einführung
Mehr