GESETZ VOM ITERIERTEN LOGARITHMUS
|
|
- Reinhardt Kohler
- vor 6 Jahren
- Abrufe
Transkript
1 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 X n, deren Glieder zu einer Folge X n )vonunabhängigen und identisch verteilten Zufallsvariablen gehören. Die ersten Untersuchungen befassten sich mit dem Spezialfall von zentrierten, Bernoulli-verteilten Zufallsvariablen. Seit 1909 kannte man als erstes Resultat das starke Gesetz der grossen Zahlen von Borel, das S n /n f.s. 0 besagt. Allerdings war das ein eher bescheidenes Ergebnis, gemessen an dem Ziel, das sich die Mathematiker zu Beginn des Jahrhunderts gesteckt hatten: es besagt ja nur, dass S n = on) fast sicher gilt, was man schwerlich als eine befriedigende Antwort auf die Frage nach dem Verhalten der Folge S n ) akzeptieren konnte. Gleichwohl, ein Anfang war gemacht und herausragende Mathematiker interessierten sich für dieses Problem und erzielten präzisere Resultate. Wir verweisen speziell auf Hausdorff 1913), der zeigen konnte, dass für jedes ε>0 sogar S n = on 1/2)+ε ) fast-sicher gilt, sodann auf Hardy und Littlewood 1914), die zeigten, dass sogar S n = O n log n) fast-sicher gilt. Ein Höhepunkt wurde 1924 erreicht, als Khintchin sein berühmtes Gesetz vom iterierten Logarithmus ankündigte. Wir werden es in diesem Kapitel als Theorem 3.3 vorstellen, wobei der Beweis den historischen Weg zu diesem Resultat nachzuzeichnen versucht. 1. Notation und vorbereitende Lemmata. EsseiY n )n 1) eine Folge von unabhängigen, identisch verteilten Bernoulli-Zufallsvariablen mit 1 2 ε 1 + ε 0 ) als gemeinsamer Verteilung. Für n 1 bezeichne X n die zentrierte und reduzierte Zufallsvariable X n =2Y n 1. Mit gu) wird die erzeugende Funktion der Momente von X 1 benannt, also gu) =g X1 u) =E[e ux 1 ]= 1 2 eu + e u )=chu u R), und für jedes n 1seiS n = n X k.
2 298 KAPITEL 19: GESETZ VOM ITERIERTEN LOGARITHMUS Lemma 1.1. Für jedes u R gilt gu) e u2 /2. Beweis. Esgenügt, die Reihenentwicklungen von gu) = coshu und von e u2 /2 gliedweise miteinander zu vergleichen. Es ist: gu) =coshu = k 0 u 2k 2k)! und e u2 /2 = k 0 u 2k 2 k k!. Damit folgt die Behauptung aus der Ungleichung k 0 gilt. 1 2k)! 1 2 k k! die für jedes Bemerkungen. Setzt man S n = S n/ n und g n u) = g S n u) = gu/ n ) ) n, so folgt aus Lemma 1.1 für alle u R die Ungleichung g n u) e u2 /2. Gemäss dem zentralen Grenzwertsatz gilt aber Sn L N 0, 1) und somit für alle u R g n u) e u2 /2 n ) n ). Man erkennt, dass g n u) von unten gegen e u2 /2 konvergiert. Lemma 1.2. Für jedes a>0 und jedes n 1 gilt 1.1) 1.2) PS n >a e a2 /2n) ; P S n >a 2e a2 /2n). Beweis. Für jedes a>0 und jedes u>0 sind die beiden Ereignisse S n >a und e us n >e ua gleichwertig. Die Markov-Ungleichung zeigt nun PS n >a E[euS n ] = gu)n e ua e, ua woraus wegen Lemma 1.1 PS n >a e nu2 /2) ua folgt. Diese Ungleichung gilt für alle u > 0. Wählt man nun u > 0so, dass der Ausdruck auf der rechten Seite minimal wird, also so, dass bei u 0 die Ableitung des Exponenten verschwindet, so findet man u 0 = a/n und der Wert des Exponenten ist a 2 /2n). Damit ist die Ungleichung 1.1) gezeigt. Da die Zufallsvariable S n symmetrisch ist, gilt für jedes n 1 PS n < a =PS n >a, und daraus ergibt sich die Ungleichung 1.2).
3 1. NOTATIONEN UND VORBEREITENDE LEMMATA 299 Lemma ) P Für jedes a>0, jedesn 1 und jedes u 0 gilt sup S k a E[euS n ] e ua. Beweis. Wir betrachten die disjunkten Ereignisse A 0 = S 1 <a 1,...,S n <a, A 1 = S 1 a, A k = S 1 <a,...,s k 1 <a,s k a k =2,...,n), deren Vereinigung alle Möglichkeiten ausschöpft. Es gilt A k = sup S k a, und für jedes u 0 kann man daher n n 1.4) E[e us n ] e us n dp= e us n I Ak dp A k schreiben. Wenn wir jetzt für jedes k =1,...,n die Zerlegung S n = S k + R k mit R k = X k X n betrachten für k = n sei R n = 0), so erhalten wir ) e us n I Ak dp= e us k I Ak e ur k dp. Die beiden Zufallsvariablen e us k I Ak und e ur k sind nun aber unabhängig die erste hängt nur von den X 1,..., X k ab, die zweite von X k+1,..., X n ). Daher gilt weiter e us n I Ak dp= e us k I Ak dp e ur k dp e ua PA k ) gu) ) n k, und wegen gu) 1erhält man e us n I Ak dp e ua PA k ). Blickt man auf 1.4) zurück, so hat man insgesamt E[e us n ] e ua n PA k )=e ua P = e ua P sup A k ) S k a.
4 300 KAPITEL 19: GESETZ VOM ITERIERTEN LOGARITHMUS 1.5) 1.6) Lemma 1.4. Für jedes a>0 und jedes n 1 gilt: P sup S k >a e a2 /2n) ; P sup S k >a 2e a2 /2n). Beweis. Majorisiert man die rechte Seite von Ungleichung 1.3) aus Lemma 1.3 ebenso, wie das im Beweis von Lemma 1.2 gemacht wurde, so erhält man die Ungleichung 1.5). Da die Zufallsvariablen S n symmetrisch sind, gilt noch P P S k a ; inf S k a damit erhält man auch die Ungleichung 1.6). 2. Zwischenresultate sup Theorem 2.1 Gesetz der grossen Zahlen, E. Borel, 1909). Für n gilt S n /n f.s. 0, d.h.s n = on) fast-sicher. Beweis. Setzt man in Lemma 1.2 2) a = nε, so erhält man für jedes ε > 0 die Ungleichung P S n /n > ε 2e ε2 /2)n.Dafür jedes ε>0die rechte Seite das allgemeine Glied einer konvergenten Reihe ist, gilt ebenso n 1 P S n/n >ε < ; daraus ergibt sich die Aussage von Theorem 2.1. Im Jahr 1914 konnten Hardy und Littlewood 1 S n = O n log n) fastsicher zeigen: Dieses Resultat wurde 1922 von Steinhaus noch verfeinert. Theorem 2.2 Steinhaus, 1922). Fast-sicher gilt lim sup S n 1. 2n log n Dies besagt, dass für jedes c>1 fast-sicher nur endlich viele der Ereignisse E n = S n >c 2n log n eintreten können. Beweis. Aus Lemma 1.2 2) mit a = c 2n log n folgt PE n ) 2e c2 log n =2n c2.für jedes c>1 ist aber die rechte Seite das allgemeine Glied einer konvergenten Reihe. Das gilt also auch für PE n ) und das Lemma von Borel-Cantelli liefert die Behauptung. 1 Hardy G.H.) and Littlewood J.E.). Some problems of Diophantine approximation, Acta Math., vol ), p
5 3. DAS GESETZ VOM ITERIERTEN LOGARITHMUS Das Gesetz vom iterierten Logarithmus 2 Theorem 3.1. Fast-sicher gilt lim sup S n 1. 2n log log n Dies besagt, dass für jedes c>1 fast-sicher nur endlich viele der Ereignisse A n = S n >c 2n log log n eintreten können. Beweis. Wirwählen ein c>1 und eine Zahl γ mit 1 <γ<c.für r 1 bezeichne n r die zu γ r nächstgelegene ganze Zahl. Wir betrachten nun das Ereignis B r = sup S n > 2n r log log n r. n r <n n r+1 Wenn man nun zeigen kann, dass das Ereignis B r nur für endlich viele Indices eintreten kann, so kann auch das Ereignis A n nur für endlich viele Indices n eintreten. Wegen des Lemmas von Borel-Cantelli genügt es also, die Konvergenz der Reihe PB r ) zu zeigen. Um die Richtigkeit dieser Aussage zu erkennen, wendet man Lemma 1.4 2) mit a = c 2n r log log n r an: PB r ) 2e c2 n r /n r+1 )loglogn r 1 ) c 2 n r /n r+1 ) =2. log n r Nun ist n r /n r+1 ) 1/γ) > 1/c), und daher n r /n r+1 > 1/c für hinreichend grosses r. Damit hat man für hinreichend grosses r auch die Abschätzung 1 ) c 1 ) c. PB r ) 2 2 log n r r log γ Für jedes c > 1 ist aber die rechte Seite das allgemeine Glied einer konvergenten Reihe. Dies gilt dann auch für die PB r ), und unter Berufung auf das Lemma von Borel-Cantelli ist das Theorem somit bewiesen. Theorem 3.2. Für jedes c mit 0 < c < 1 tritt das Ereignis A n = S n >c 2n log log n für unendlich viele Indices ein. Beweis. Wirwählen 0 < c < 1, eine ganze Zahl γ und eine reelle Zahl η mit γ 2 und 0 <c<η<γ 1)/γ < 1. Dann sei noch n r = γ r r 1). a) Wenn das Ereignis A nr für unendlich viele Indices r eintritt, dann tritt auch das Ereignis A n für unendlich viele Indices n ein. 2 Dieser Abschnitt orientiert sich an der Darstellung von Feller, An Introduction to Probability and its Applications, vol. 1. Wiley, NewYork, 1966, p
6 302 KAPITEL 19: GESETZ VOM ITERIERTEN LOGARITHMUS b) Wir setzen D r = S nr S nr 1 = n r k=n r 1 +1 X k.dannsindfür jedes r 1 die Variablen D r und S nr 1 unabhängig; ebenso sind die D r r 1) untereinander unabhängig. Setzt man also B r = D r >η 2n r log log n r,c r = S nr 1 > η c) 2n r log log n r, so hat man die Inklusion B r C r A nr. c) Wir werden nun sehen, dass bei geschickter Wahl η das Ereignis C r fast-sicher für jeden Index r eintritt, und zwar bis auf eine endliche Ausnahmemenge. Tatsächlich tritt nach Theorem 3.1 das Ereignis E r = Snr 1 < 2 2nr 1 log log n r 1 fast-sicher für jeden Index r ein, bis auf eine endliche Ausnahmemenge. Wählen wir nun η genügend nahe bei 1, damit 1 η<η c)/r) 2 gilt, so ist 4n r 1 =4 n r γ < 4n r1 η) <n r η c) 2, und man erhält E r = Snr 1 < 2 2nr 1 log log n r 1 S nr 1 < η c) 2n r log log n r S nr 1 > η c) 2n r log log n r = C r. Aus der Inklusion E r C r folgt nun die Behauptung. d) Wir werden nun PB r ) = + zeigen. Da die B r r 1) unabhängig sind, folgt aus dem Lemma von Borel-Cantelli, dass das Ereignis B r fast-sicher für unendlich viele Indices r eintreten muss. In der Tat, D r ist eine Zufallsvariable mit der Varianz n r n r 1. Die reduzierte Variable ist also Dr = D r/ n r n r 1, und sie erlaubt es, B r folgendermassen zu schreiben: B r = Dr n r >η 2 log log n r. n r n r 1 Wegen n r /n r n r 1 )=γ/γ 1) < 1/η gilt für 0 <η<1 B r D r > η 2loglogn r = D r > η 2 logr log γ). NunhatmanaberDr L N 0, 1) für r. Folglich ist die Reihe mit dem allgemeinen Glied PDr > η 2 logr log γ) divergent, und daraus folgt die Behauptung. e) Aus c), d) und der Inklusion B r C r A nr folgt, dass das Ereignis fast-sicher für unendlich viele Indices r eintritt. A nr
7 3. DAS GESETZ VOM ITERIERTEN LOGARITHMUS 303 Theorem 3.2. Für jedes c mit 0 < c < 1 tritt das Ereignis A n = S n < c 2n log log n für unendlich viele Indices ein. Beweis. Dies ergibt sich aus Theorem 3.2, da die Variablen S n symmetrisch sind. Die Theoreme 3.1, 3.2, 3.2 zusammenfassen. lassen sich nun zu der folgenden Aussage Theorem 3.3 Gesetz vom iterierten Logarithmus, Khintchin, 1924). Fast-sicher gilt lim sup S n 2n log log n =1 und lim inf S n 2n log log n = 1. Anders formuliert, für jedes ε>0wird die Folge mit dem allgemeinen Term S n fast-sicher den Wert 1 + ε) 2n log log n höchstens endlich oft überschreiten; andererseits wird sie fast-sicher den Wert 1 ε) 2n log log n unendlich oft überschreiten. Ganz analog ist sie fast-sicher höchstens endlich oft kleiner als 1 + ε) 2n log log n, aber andererseits unendlich oft kleiner als 1 ε) 2n log log n. Korollar. Mit Wahrscheinlichkeit 1 nimmt die Folge S n ) jeden ganzzahligen Wert an. In späteren Untersuchungen versuchte man sich von der klassischen Hypothese zu befreien, dass die Y n Bernoulli-verteilt sind mit Parameter 1 2.Wir zitieren zum Abschluss eines der zahlreichen Ergebnisse in dieser Richtung. Theorem 3.4 Hartman-Wintner, ). Es sei X n ) n 1) eine Folge von unabhängigen, identisch-verteilten und zentrierten Zufallsvariablen aus L 2 mit σ>0als gemeinsamer Standardabweichung. Ferner sei S n = n X k n 1). Dann gilt fast-sicher lim sup S n 2n log log n = σ und lim inf S n 2n log log n = σ. 3 Hartmann Ph.) and Wintner A.). On the law of the iterated logarithm, Amer. J. Math., vol. 63, p
8 304 KAPITEL 19: GESETZ VOM ITERIERTEN LOGARITHMUS ERGÄNZUNGEN UND ÜBUNGEN 1. Es sei Y n )n 1) eine Folge von unabhängigen, identisch verteilten Zufallsvariablen mit pε 1 + qε 0 für 0 <p<1, p + q = 1 als gemeinsamer Verteilung. Man setzt X n =Y n p)/ pq und S n = n X k n 1). a) Man berechne die erzeugende Funktion gu) dermomentevonx 1. b) Für jedes u R gilt gu) 1. Für p = q = 1 ist das banal.) 2 Lösung. Für jedes reelle u ist gu) =g X1 u) =E[e ux 1 ]=pexp u q ) + q exp u p ). pq pq Setzt man a =exp u q ), b =exp u p ),soistgu) =pa + qb nichts pq pq anderes als das arithmetische Mittel von a und b, wogegen a p b q was gleich 1 ist) das geometrische Mittel von a und b ist. Nun folgt gu) 1 aus der klassischen Relation zwischen beiden Mittelwerten. 2. Es gelten weiterhin die Bezeichnungen aus der vorigen Aufgabe. Die Ungleichung gu) e u2 /2 gilt für alle u 0, falls p q ist, sowie für alle u 0, falls p q ist. Im Fall p = q = 1 2 wurde diese Ungleichung in Lemma 1.1 behandelt). Lösung. Wirführen den Beweis für p q, u 0. Dazu betrachten wir die Funktion fu) =u 2 /2) Log gu). Es ist Wegen und f u) =u g u) gu), f u) =1+ g 2 u) gu)g u). g 2 u) g u) = pq exp u q ) exp u p )) pq pq g u) =q exp u q ) + p exp u p ), pq pq hat man g 2 u) gu)g u) = exp u ) p q). pq Somit ist f u) =1 1 g 2 u) exp u ) p q). Nach Aufgabe 1 und den pq Voraussetzungen p q 0, u 0 folgert man f u) 1 exp u ) p q) 0. pq Die Funktion u fu) u 0) ist also konvex; ausserdem ist f0) = 0 und f 0) = 0. Also muss fu) 0für alle u 0gelten.
9
1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrBachelorarbeit: Ein diskretes Modell für Finanzmärkte
Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung
MehrSchwach ergodische Prozesse
Schwach ergodische Prozesse Von der Fakultät für Naturwissenschaften der Universität Duisburg-Essen (Standort Duisburg) zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften genehmigte
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrAufgaben zur Vorlesung Analysis II Prof. Dr. Holger Dette SS 2012 Lösungen zu Blatt 6
Aufgben zur Vorlesung Anlysis II Prof. Dr. Holger Dette SS 0 Lösungen zu Bltt 6 Aufgbe. Die Funktion f : [, ) R sei in jedem endlichen Teilintervll von [, ) Riemnnintegrierbr. Für n N sei I n := f() d.
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrAlgebra. Patrik Hubschmid. 8. Oktober 2013
Algebra Patrik Hubschmid 8. Oktober 2013 Inhaltsverzeichnis 1 Fortführung der Gruppentheorie 7 1.1 Sylowsätze.................................... 7 3 Vorwort Dieses Skript zur Vorlesung Algebra im Wintersemester
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
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
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrPrimzahlzertifikat von Pratt
Primzahlzertifikat von Pratt Daniela Steidl TU München 17. 04. 2008 Primzahltests in der Informatik "Dass das Problem, die Primzahlen von den Zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrSeminar: Lösen Spezieller Gleichungen Wintersemester 2009/2010 Prof. Dr. Annette Huber-Klawitter Betreuer: Stephen Enright-Ward
Seminar: Lösen Spezieller Gleichungen Wintersemester 2009/2010 Prof. Dr. Annette Huber-Klawitter Betreuer: Stephen Enright-Ward Ort und Zeit: Dienstag, 14-16 Uhr, SR 127 Inhalt: Wir wollen uns in diesem
MehrCodierung. Auszug aus dem Skript von Maciej Liśkiewicz und Henning Fernau
Codierung Auszug aus dem Skript von Maciej Liśkiewicz und Henning Fernau Ein bisschen Informationstheorie Betrachten wir das folgende Problem: Wie lautet eine sinnvolle Definition für das quantitative
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrSTOCHASTISCHE PROZESSE. Vorlesungsskript
STOCHASTISCHE PROZESSE II: Martingale und Brownsche Bewegung Wolfgang König Vorlesungsskript Universität Leipzig Wintersemester 2005/6 Inhaltsverzeichnis 1 Theorie der Martingale 3 1.1 Definition und
MehrVorlesung Analysis I / Lehramt
Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch
MehrAnalyse von Extremwerten
Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrFolgen. Kapitel 3. 3.1 Zinsrechnung
Kapitel 3 Folgen Eine Folge reeller Zahlen ordnet natürlichen Zahlen jeweils eine reelle Zahl zu. Liegen beispielsweise volkswirtschaftliche Daten quartalsweise vor, so kann man diese als Folge interpretieren.
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Finanzmathematik 1 11 Folgen und Reihen 1 111 Folgen allgemein 1 112
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrKapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrFraktale Geometrie: Julia Mengen
Fraktale Geometrie: Julia Mengen Gunnar Völkel 1. Februar 007 Zusammenfassung Diese Ausarbeitung ist als Stoffsammlung für das Seminar Fraktale Geometrie im Wintersemester 006/007 an der Universität Ulm
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrEin neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt
Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Leonhard Euler 1 Wann immer in den Anfängen der Analysis die Potenzen des Binoms entwickelt
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
MehrAnwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem
Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen
MehrModul Diskrete Mathematik WiSe 2011/12
1 Modul Diskrete Mathematik WiSe 2011/12 Ergänzungsskript zum Kapitel 4.2. Hinweis: Dieses Manuskript ist nur verständlich und von Nutzen für Personen, die regelmäßig und aktiv die zugehörige Vorlesung
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrZur Bewertung von Basket Optionen
Westfälische Wilhelms-Universität Münster Fachbereich Mathematik und Informatik Institut für Mathematische Statistik Zur Bewertung von Basket Optionen Bachelorarbeit August 2 Leo Bronstein MatrikelNummer
MehrVorlesung Analysis I für Informatiker & Statistiker. Universität München, WS 11/12. Prof. Dr. Max v. Renesse mrenesse@math.tu-berlin.
Vorlesung Analysis I für Informatiker & Statistiker Universität München, WS 11/12 Prof. Dr. Max v. Renesse mrenesse@math.tu-berlin.de Kapitel 1: Grundlagen 1.1 Aussagenlogik Elementare Aussagenlogik Definition
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
MehrSeminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen
Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrRSA Verfahren. Kapitel 7 p. 103
RSA Verfahren RSA benannt nach den Erfindern Ron Rivest, Adi Shamir und Leonard Adleman war das erste Public-Key Verschlüsselungsverfahren. Sicherheit hängt eng mit der Schwierigkeit zusammen, große Zahlen
MehrSteinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering
Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
MehrFolgen und endliche Summen
Kapitel 2 Folgen und endliche Summen Folgen und ihre Eigenschaften Endliche arithmetische und geometrische Folgen und Reihen Vollständige Induktion Anwendungen Folgen/endliche Summen Eigenschaften Folgen
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrVorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)
Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrEinführung in die Stochastik
Vorlesungsnotizen Einführung in die Stochastik Hanspeter Schmidli Mathematisches Institut der Universität zu Köln INHALTSVERZEICHNIS iii Inhaltsverzeichnis 1. Diskrete Wahrscheinlichkeitsräume 1 1.1.
MehrSprachen/Grammatiken eine Wiederholung
Sprachen/Grammatiken eine Wiederholung Was sind reguläre Sprachen? Eigenschaften regulärer Sprachen Sprachen Begriffe Symbol: unzerlegbare Grundzeichen Alphabet: endliche Menge von Symbolen Zeichenreihe:
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 1 Wahrscheinlichkeit Literatur Kapitel 1 * gelegentlich lesen: Statistik in Cartoons: Kapitel 1 und 2 (diese Fragen behandle ich in meiner Vlsg nicht) *
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
MehrTrainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes
Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrInoffizielles Skriptum zur Vorlesung Höhere Mathematik für Informatiker basierend auf Vorlesungen an der Universität Karlsruhe (TH) 2000 2004
Höhere Mathεmatik für Informatiker Inoffizielles Skriptum zur Vorlesung Höhere Mathematik für Informatiker basierend auf Vorlesungen an der Universität Karlsruhe (TH) 2 24 ii Inhaltsverzeichnis I Eindimensionale
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrP(A B) = P(A) + P(B) P(A B) P(A B) = P(A) + P(B) P(A B) Geometrisch lassen sich diese Sätze einfach nachvollziehen (siehe Grafik rechts!
Frequentistische und Bayes'sche Statistik Karsten Kirchgessner In den Naturwissenschaften herrscht ein wahrer Glaubenskrieg, ob die frequentistische oder Bayes sche Statistik als Grundlage zur Auswertung
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrLehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt
MehrFaktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)
Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrAbitur 2012 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
MehrGrundlagen der Variationsrechnung
Universität des Saarlandes Fachrichtung 6.1 Mathematik /home/lehrstuhl/ag-fuchs/olli/work/texstyles/eule-eps-conv Grundlagen der Variationsrechnung Eine anwendungsorientierte Einführung in die lineare
MehrUniversität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrLösungen zur Vorrundenprüfung 2006
Lösungen zur Vorrundenprüfung 2006 Zuerst einige Bemerkungen zum Punkteschema. Eine vollständige und korrekte Lösung einer Aufgabe ist jeweils 7 Punkte wert. Für komplette Lösungen mit kleineren Fehlern
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrWie viele Nullstellen hat ein Polynom?
Wie viele Nullstellen hat ein Polynom? Verena Pölzl 0812265 Sabine Prettner 8930280 Juni 2013 1 Inhaltsverzeichnis 1 Warum will man wissen, wie viele Nullstellen ein Polynom hat? 3 2 Oligonome 4 3 Die
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
MehrEinfache Differentialgleichungen
Differentialgleichungen (DGL) spielen in der Physik eine sehr wichtige Rolle. Im Folgenden behandeln wir die grundlegendsten Fälle 1, jeweils mit einer kurzen Herleitung der Lösung. Dann schliesst eine
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
Mehr