Technische Universität Dresden Fachrichtung Mathematik

Größe: px
Ab Seite anzeigen:

Download "Technische Universität Dresden Fachrichtung Mathematik"

Transkript

1 Technsche Unverstät Dresden Fachrchtung Mathematk Insttut für Mathematsche Stochastk Vertelungskonvergenz für V und U Statstken baserend auf multplen stochastschen Integralen vom Wenertyp Dplomarbet zur Erlangung des ersten akademschen Grades Dplommathematker vorgelegt von Name: Scholz Vorname: Mchael geboren am: n: esng Tag der Enrechung: Betreuer: Prof. Dr. rer. nat. habl. Detmar Ferger

2 Inhaltsverzechns Enletung 1 1 V Statstken Vorbetrachtung Hoeffdng Zerlegung Degenererthet Q Brownsche Brücke Das multvarate G Q Integral Integraton von Elementarfunktonen Integraton von Funktonen endlcher Halbnorm Bekannte Bespele Vertelungskonvergenz Asymptotsches Verhalten Mehrdmensonale Verallgemenerung Identfzerung der Grenzvarablen Verallgemenerte Cramér v. Mses Statstk Der allgemene Fall Übertragung auf U Statstken Vertelungskonvergenz Identfkaton der Grenzvarablen Anhang A 97

3 Bezechnungen B σ Algebra der Borel Mengen λ ebesgue Maß δ x (A) Drac Maß F n (z) emprsche Vertelungsfunkton zu X 1,..., X n Q n emprsches Maß G n emprscher Prozess G Q Gauß Prozess B Brownsche Brücke Φ c (x 1,..., x c ) bedngte Erwartung EΦ(x 1,..., x c, X c+1,..., X m ) V n V nm (Φ) V Statstk zum Kern Φ U n U nm (Φ) U Statstk zum Kern Φ B(p, q) Betafunkton mt Parametern p, q > F p,q Betavertelung Γ Gammafunkton P n Jacob Polynom H n Hermte Polynom o P, O andau Symbole P 2 stochastsche Konvergenz Vertelungskonvergenz 2 Konvergenz, 2 Glechhet n Vertelung, m Mttel dsjunkte Verengung [x] größte ganze Zahl x, Skalarprodukt, R 2 Norm auf (Ω, A, P ), (S R, I R, Q R ) N, Ñ Norm auf F, F f K Enschränkung von f auf K f +, f Postv, Negatvtel von f ω(a, f) Oszllatonsmodul K Komplement der Menge K K Kardnaltät der Menge K δ j Kronecker Symbol 1I A Indkatorfunkton E Enhetsmatrx l.. m. lmes n medo Zur besseren Überscht werden wchtge Glechungen n den Kapteln durchnummerert. Im Untersched zu den ebenfalls chronologschen Nummern der Defntonen, Sätze etc. stehen de Nummern n Klammern.

4 Enletung Vor mehr als enem halben Jahrhundert wurde de Klasse der U Statstken von P. R. Halmos und Wassly Hoeffdng n de statstsche Praxs engeführt. Sether snd ene Rehe von Artkeln und ganze Bücher zu desem Thema erschenen. Etwa zur selben Zet regte R. von Mses de V Statstken an, deren Untersuchung der Hauptbestandtel deser Arbet sen soll. In der üblchen teratur werden aber zunächst de U Statstken betrachtet und als Folgerung überträgt man de gewonnenen Ergebnsse nebenbe auf de V Statstken. Im Vorlegenden wollen wr des umkehren, d. h. de V Statstken n den Vordergrund stellen. Zunächst werden auch wr de Hoeffdng Zerlegung für V Statstken erhalten und mt hr sehen, dass es für de asymptotsche Untersuchung ausrecht, sch auf solche mt vollständg degenererten Kernen zu beschränken. Dese ermöglchen aber de Darstellung n Form von multplen Integralen bzgl. des emprschen Prozesses. De Untersuchung der Vertelungskonvergenz auf der Bass von multplen stochastschen Integralen wrd dabe de Hauptaufgabe darstellen. Des erfordert zunächst ene geegnete Konstrukton enes solchen. Erste Schrtte auf dem Gebet der stochastschen Integraton wurden dabe von K. Itô gemacht, welcher das Multple Wener Integral [18] enführte. Im Zusammenhang mt den V Statstken wrd deses von A. A. Flppova [12] weder aufgegrffen und wrd von uns mt Hlfe enes Gauß Prozesses G Q zum multvaraten G Q Integral. We sch zegen wrd, erhalten wr de Vertelungskonvergenz gegen eben deses Integral. Ene Identfkaton der Grenzvarablen st mttels Hlbertraumtheore ebenso möglch, we de unproblematsche Übertragung der gewonnenen Ergebnsse auf de U Statstken. Dabe erhalten wr wetaus handhabbarere Ergebnsse als se z. B. von ee [2] gefunden werden. Herrn Prof. Dr. rer. nat. habl. D. Ferger möchte ch an deser Stelle für de Unterstützung und krtsche Beratung be der Fertgstellung deser Arbet danken. 1

5 Kaptel 1 V Statstken 1.1 Vorbetrachtung Behandelt werde der Parameter θ, der auf ener Menge Q von Vertelungen defnert se, d.h. θ θ(q), Q Q. Deser soll nun auf der Bass ener Stchprobe X 1,..., X n von unabhänggen dentsch mt Q : P X1 1 vertelten Zufallsvarablen, de messbare Abbldungen aus dem Wahrschenlchketsraum (Ω, A, P ) n den Maßraum (S, I) snd, geschätzt werden. Dazu se Φ : (S m, I m ) (R, B) ene symmetrsche Funkton, en sog. Kern vom Grad m, und erfülle θ EΦ(X 1,..., X m ). (1.1) Ene nähere Charakterserung deses Sachverhaltes erhält man durch de Anwendung des Transformatonssatzes (Theorem auf S. 121 n [1]), unter Ausnutzung der Unabhänggket der Varablen X sowe des Satzes von Fubn (Satz 2.1 auf S. 175 n [11]): θ Φ(X 1,..., X m )dp Ω Φ(x 1,..., x m )dp (X 1,..., X m ) 1 S m Φ(x 1,..., x m )dp X1 1 P Xm 1 S m Φ(x 1,..., x m )dq Q(x 1,..., x m ) S m... Φ(x 1,..., x m )Q(dx 1 )... Q(dx m ). (1.2) S S 2

6 Ersetzt man nun n (1.2) das unbekannte Q durch das emprsche Maß Q n Q n (A) : 1 n n δ X (A), (1.3) 1 wobe δ x für A I und festes x S das Drac Maß { 1, x A δ x (A) 1I A (x), x / A beschrebt, so erhält man de sog. V Statstk. Des se n der folgenden Defnton festgehalten. Defnton 1.1 Es seen X 1,..., X n unabhängge dentsch nach Q vertelte Zufallsvarablen n (S, I), Q n das zugehörge emprsche Maß und de Abbldung Φ : S m R en symmetrscher Kern vom Grad m, dann bezechnet man V n... Φ(x 1,..., x m )Q n (dx 1 )... Q n (dx m ) (1.4) als V Statstk oder von Mses Statstk. Das emprsche Maß wrd n desem Zusammenhang aufgrund der P fast scheren Konvergenz verwendet, denn es glt für alle A I Q n (A) 1 n n 1I A (X ) 1 n E1I A (X 1 ) 1I A (x)q(dx) Q(A) nach dem starken Gesetz der großen Zahlen (Satz 12.1 auf S. 86 n [2]) und dem Transformatonssatz. Ene wetere nützlche Darstellungsform der V Statstken lefert der folgende Satz. Satz 1.2 Es gelten deselben Annahmen we n Defnton 1.1. Dann lässt sch de V Statstk V n we folgt formuleren: V n V nm (Φ) 1 n m n 1 1 n Φ(X 1,..., X m ). (1.5) m1 Bewes: Betrachten wr zunächst das nnere Integral von (1.4): [ ] Φ(x 1,..., x m )Q n (dx 1 ) (1.3) 1 n Φ(x 1,..., x m ) δ X (dx 1 ) n 3 1

7 und erhalten 1 n 1 n n Φ(x 1,..., x m )δ X (dx 1 ) 1 n Φ(X, x 2,..., x m ). 1 Somt wrd (1.4) zu V n 1 n... n Φ(X 1, x 2,..., x m )Q n (dx 2 )... Q n (dx m ). 1 1 Wederholt man analog das Vorgehen für de verblebenden m 1 Integrale, so ergbt sch de Behauptung. Im Folgenden werden nun enge Bespele angegeben. Bespel 1.3 r tes Stchprobenmttel Φ(x) x r, θ(q) x r Q(dx) EX1, r θ(q n ) 1 n Bespel 1.4 Stchprobenvaranz n X r : µ r. 1 Φ(x 1, x 2 ) 1 2 (x 1 x 2 ) 2, θ(q) 1 (x 1 x 2 ) 2 Q(dx 1 )Q(dx 2 ) 2 1 { } x 2 2 1Q(dx 1 ) 2x 2 x 1 Q(dx 1 ) + x 2 2 Q(dx 2 ) 1 x 2 2 1Q(dx 1 ) x 1 Q(dx 1 ) x 2 Q(dx 2 ) + 1 x 2 2 2Q(dx 2 ) [ 2 x 2 Q(dx) xq(dx)] V arx 1, 4

8 θ(q n ) 1 n 2 1 2n 1 n n 1 n j1 n X 2 1 n 2 1 n Xk 2 k1 1 2 (X X j ) 2 1 n 2 [ 1 n n 1 [ n 2 X2 X n X j j1 n n X X j + 1 n Xj 2 2n 1 j1 j1 n ] 2 X k 1 n (X k µ 1 ) 2 : σ 2. n k1 k1 n j1 X 2 j ] Bespel 1.5 Stchprobenkovaranz () Wr betrachten X (Y, Z ) für 1 n unabhängg und nach Q auf R 2 vertelt. Des Weteren seen µ EY 1 sowe ν EZ 1 bekannt. Dann Φ(x) φ(y, z) (y µ)(z ν), θ(q) (y µ)(z ν)dq(y, z) Cov(Y 1, Z 1 ), R 2 θ(q n ) 1 n (Y µ)(z ν). n 1 () Snd nun µ und ν unbekannt, so erhalten wr mt µ : n 1 Y ν : n 1 Z und Φ(x 1, x 2 ) φ((y 1, z 1 ), (y 2, z 2 )) 1 2 (y 1 y 2 )(z 1 z 2 ), 1 θ(q) 2 (y 1 y 2 )(z 1 z 2 )dq(y 1, z 1 )dq(y 2, z 2 ) E(Y 1 Z 1 ) EY 1 EZ 1 Cov(Y 1, Z 1 ), θ(q n ) 1 n n 1 n 2 2 (Y Y j )(Z Z j ) 1 n Y Z 1 n n 2 1 j1 1 1 n (Y µ)(z ν). n 1 n Y n 1 j1 Z j Bespel 1.6 Wlcoxon Rangstatstk Φ(x 1, x 2 ) 1I {x1 +x 2 >} 5

9 θ(q) 1I {X1 +X 2 >}dp Ω P (X 1 + X 2 > ), θ(q n ) 1 n n n 2 1 j1 1I {X +X j >}. Bespel 1.7 Gns mttlere Dfferenz Φ(x 1, x 2 ) x 1 x 2, θ(q) E X 1 X 2, θ(q n ) 1 n n X n 2 X j. 1 j1 Bespel 1.8 χ 2 Statstk für goodness-of-ft Wr betrachten ene Partton A 1,..., A r von R n Intervalle sowe X, de weder für 1 n unabhängg und dentsch nach enem unbekannten Q vertelt snd. De Anzahl der X, welche n A l legen, soll dabe mt n l gezählt werden und es se p l Q (A l ) sowe folglch l p l 1, wobe Q ene bekannte hypotetsche Vertelung se. Unter H : Q Q erhalten wr damt 1 Φ(x 1, x 2 ) 1I Al (x 1 )1I Al (x 2 ) 1, p l l1 [ ] 1 θ(q) 1I Al (x 1 )1I Al (x 2 ) 1 dq(x 1 )dq(x 2 ) p l l1 ( ) 2 1 ( ) 2 1 dq 1 dq p l, p l l1 A l p l l1 A l [ θ(q n ) 1 n n ] 1 1I n 2 Al (X )1I Al (X j ) 1 p 1 j1 l l1 ( ) 1 n 2 l n 2 l n. n 2 p l n n p l l1 Bespel 1.9 verallgemenerte Cramér v. Mses Statstk Φ(x 1, x 2 ) + l1 (1I {x1 z} Q (z))(1i {x2 z} Q (z))w(q (z))dq (z), 6

10 wobe Q ene bekannte Vertelungsfunkton st und w ene Gewchtsfunkton, we z. B. w(t) 1 oder w(t) (t(1 t)) 1, θ(q) (Q Q ) 2 w(q )dq, θ(q n ) 1 n 2 n n 1 j1 + + (1I {X z} Q (z))(1i {Xj z} Q (z))w(q (z))dq (z) (F n (z) Q (z)) 2 w(q (z))dq (z), wobe F n (z) de emprsche Vertelungsfunkton zu X 1,..., X n st. 1.2 Hoeffdng Zerlegung Um ene wchtge Egenschaft der V Statstken beschreben zu können, st es nützlch, de bedngten Erwartungen Φ c (x 1,..., x c ) EΦ(x 1,..., x c, X c+1,..., X m ) E(Φ(X 1,..., X m ) X 1 x 1,..., X c x c ) für alle c 1,..., m 1 enzuführen und Φ m Φ zu setzen. Defneren wr noch de sog. kanonschen Funktonen g 1,..., g m rekursv n der folgenden Wese, (vgl. S. 2 n [19]) g 1 (x 1 ) Φ 1 (x 1 ) θ g 2 (x 1, x 2 ) Φ 2 (x 1, x 2 ) g 1 (x 1 ) g 1 (x 2 ) θ g 3 (x 1, x 2, x 3 ) Φ 3 (x 1, x 2, x 3 ) g 1 (x ). g m (x 1,..., x m ) Φ m (x 1,..., x m ) m 1 1 < 2 < < m 1 m 1 <j 3 g 1 (x 1 ) g 2 (x, x j ) θ 1 1 < 2 m g 2 (x 1, x 2 ) g m 1 (x 1,..., x m 1 ) θ, (1.6) so snd alle Hlfsmttel gegeben, um den zentralen Satz der Hoeffdng Zerlegung anzugeben und zu bewesen. Zuvor se jedoch noch auf ene Egenschaft der bedngten Erwartungen Φ c sowe auf Egenschaften der m Weteren als symmetrsche Kerne benutzten Funktonen g k n den folgenden emmata hngewesen. 7

11 emma 1.1 Für 2 k m glt Φ k 1 (x 1,..., x k 1 ) EΦ k (x 1,..., x k 1, X k ). Bewes: Mt dem Transformatonssatz und dem Satz von Fubn erhalten wr EΦ k (x 1,..., x k 1, X k ) Φ k (x 1,..., x k )dq(x k ) EΦ(x 1,..., x k, X k+1,..., X m )dq(x k )... Φ(x 1,..., x m )dq(x k+1 )... dq(x m )dq(x k )... Φ(x 1,..., x m )dq(x k )... dq(x m ) EΦ(x 1,..., x k 1, X k,..., X m ) Φ k 1 (x 1,..., x k 1 ). emma 1.11 De Funktonen g k : S k R, 1 k m, snd symmetrsch und es glt für Q k 1 fast alle (x 1,..., x k 1 ) S k 1 Eg k (x 1,..., x k 1, X k ). (1.7) Bewes: De Symmetre der Funktonen g k folgt aus hrer Defnton und der Symmetre der Φ c. De Egenschaft (1.7) lässt sch mttels Indukton zegen. Wr gehen somt von der Gültgket von Eg l (x 1,..., x l 1, X k ) für alle 1 l k 1 aus und erhalten als Induktonsanfang für l 1 mt dem Transformatonssatz und dem Satz von Fubn Eg 1 (X 1 ) EΦ 1 (X 1 ) θ Φ 1 (x 1 )dq(x 1 ) θ EΦ(x 1, X 2,..., X m )dq(x 1 ) θ... Φ(x 1,..., x m )dq(x 2 )... dq(x m )dq(x 1 ) θ... Φ(x 1,..., x m )dq(x 1 )... dq(x m ) θ EΦ(X 1,..., X m ) θ (1.1). 8

12 Der Induktonsschrtt lefert schleßlch den Bewes, denn mt der neartät des Erwartungswertes und mt (1.6) folgt Eg k (x 1,..., x k 1, X k ) EΦ k (x 1,..., x k 1, X k ) θ k 1 d1 k 1 d1 1 1 < < d k < < d 1 k 1 g d (x 1,..., x d ) Eg d (x 1,..., x d 1, X k ). Nach der Induktonsvoraussetzung verschwnden aber alle Eg l (x 1,..., x l 1, X k ) für 1 l k 1 und somt EΦ k (x 1,..., x k 1, X k ) θ k 1 d1 1 1 < < d k 1 Nutzen wr noch emma 1.1, so erhalten wr und schleßlch weder mt (1.6) Φ k 1 (x 1,..., x k 1 ) θ k 1 d1 1 1 < < d k 1 g d (x 1,..., x d ). g d (x 1,..., x d ) Φ k 1 (x 1,..., x k 1 ) Φ k 1 (x 1,..., x k 1 ). Satz 1.12 (Hoeffdng Zerlegung) Gegeben seen de symmetrschen Kerne g k we oben beschreben für k 1,..., m und somt de auf hnen baserenden V Statstken. Dann glt V nm (Φ) θ m k1 ( m k ) Vnk (g k ). (1.8) Bewes: Nach der Defnton von g m n (1.6) lässt sch Φ durch g 1,..., g m ausdrücken: m Φ(X 1,..., X m ) g k (X j1,..., X jk ) + θ. (1.9) k1 1 j 1 <j 2 < <j k m 9

13 Somt folgt nach Satz 1.2, Glechung (1.9), der Betrachtung von θ sowe dem Vertauschen der Summen V nm (Φ) θ (1.5) 1 n m (1.9) 1 n m 1 n m n 1 1 n 1 1 n 1 1 n Φ(X 1,..., X m ) θ m 1 n { m m1 n { m m n m nm θ θ 1 m { n n m k1 1 1 k1 1 j 1 <j 2 < <j k m k1 1 j 1 <j 2 < <j k m n { m 1 1 j 1 <j 2 < <j k m } g k (X j1,..., X jk ) + θ θ } g k (X j1,..., X jk ) }} g k (X j1,..., X jk ). Beachtet man nun, dass n der nneren Summe ( m k ) Summanden schleßlch durch de m k letzten Summen, also für de Indzes k+1,..., m, aufsummert werden können, so erhält man V nm (Φ) θ 1 n m m m { n k1 k1 m ( m k k1 ( m k ) 1 n k 1 1 n 1 1 ) Vnk (g k ). n k 1 ( m k } ) n m k g k (X 1,..., X k ) n g k (X 1,..., X k ) k Degenererthet Ene wchtge Egenschaft der symmetrschen Kerne g k wrd festgehalten n Defnton 1.13 Es seen g k de symmetrschen Kerne der V Statstk V nm (Φ). Dese bzw. hr Kern werden als d degenerert bezechnet und d als Rang der V Statstk, falls g 1 g d 1 Q fast überall, g d (1.1) für 1 d m glt. Im Fall d m sprcht man häufg auch von vollständger Degenererthet. 1

14 Bemerkung 1.14 () Ene äquvalente Formulerung für de Egenschaft der d Degenererthet st V ar Φ 1 V ar Φ d 1, V ar Φ d >. () Für vollständg degenererte Kerne Φ glt be θ Bewes: EΦ(x 1,..., x m 1, X m ), für Q m 1 fast alle (x 1,..., x m 1 ) S m 1. () Aus (1.6) folgt V ar Φ k V ar [ k l1 1 1 < < l k ] g l (X 1,..., X l ) + θ, was offenschtlch genau dann verschwndet, wenn g 1 g d 1 für 1 k d 1, so dass sch für g d ergbt. V ar Φ d V ar g d (X 1,..., X d ) > () Aus der Defnton der bedngten Erwartungen Φ c und (1.6) folgt EΦ(x 1,..., x m 1, X m ) Φ m 1 (x 1,..., x m 1 ) m 1 l1 1 1 < < l m 1 g l (x 1,..., x l ) + θ, was genau dann verschwndet, wenn g 1 g m 1 und θ. Im nun folgenden Satz wollen wr solche d degenererte V Statstken betrachten. Dazu benutzen wr für Zufallsvarablen R n R n o P (n s ) : n s R n P, de stochastsche Verson der n der Analyss verwendeten andau Symbolk. 11

15 Satz 1.15 Es se V nm (Φ) ene d degenererte V Statstk mt hren zugehörgen symmetrschen Kernen g k. Dann glt n d/2 (V nm (Φ) θ) ( m d ) n d/2 V nd (g d ). (1.11) Bewes: Betrachten wr zunächst V nm (Φ) und nutzen de Hoeffdng Zerlegung sowe de Degenererthet: V nm (Φ) θ (1.8) m k1 ( m k ) Vnk (g k ) (1.1) ( m d ) Vnd (g d ) + m kd+1 ( m k ) Vnk (g k ). } {{ } :R n Wr werden n Satz 3.9 sehen, dass n k/2 V nk (g k ) n Vertelung konvergert. Damt erhalten wr n d/2 R n m kd+1 m kd+1 o P (1), ( m k ) n d/2 V nk (g k ) ( m k ) n (d k)/2 }{{} n, da k>d n k/2 V nk (g k ) }{{} ξ was mt dem emma von Slutsky (Korollar 5.84 auf S. 76 n [3]) folgt. Bespel 1.16 Für d 1 erhalten wr durch den zentralen Grenzwertsatz (Satz auf S. 155 n [14]) n 1/2 (V nm (Φ) θ) ( ) m 1 n 1/2 V n1 (g 1 ) m 1 n n g 1 (X ) 1 N(µ, σ 2 ) N(, σ 2 ), wobe nach emma 1.11 µ me(g 1 (X 1 )) und σ 2 m 2 V ar(g 1 (X 1 )) m 2 E(g 1 (X 1 ) 2 ). 12

16 Satz 1.15 zegt also, dass man sch be der asymptotschen Betrachtung von V Statstken auf solche beschränken kann, deren Kerne vollkommen degenerert snd. Nutzt man dese Tatsache sowe emma 1.11 und defnert den emprschen Prozess G n : n 1/2 (Q n Q), (1.12) so erhält man n d/2 V nd (g d ) (1.4) n d/2 (1.7) n d/ g d (x 1,..., x d )Q n (dx 1 )... Q n (dx d ) g d (x 1,..., x d )(Q n Q)(dx 1 )... (Q n Q)(dx d ) g d (x 1,..., x d )G n (dx 1 )... G n (dx d ). (1.13) Des bedeutet, dass sch V Statstken als multple stochastsche Integrale bzgl. des emprschen Prozesses darstellen lassen. Dazu Defnton 1.17 Se f : S m R ene symmetrsche Abbldung, dann bezechnen wr I m (f, G n ) :... f(x 1,..., x m )G n (dx 1 )... G n (dx m ) als multvarates G n Integral. 1.4 Q Brownsche Brücke Im nun Folgenden wollen wr ene Funkton f 2 (S, I, Q) betrachten, d. h. de Abbldung f : S R st I messbar und erfüllt f 2 dq <. Beachtet man, dass es sch be dem n (1.12) defnerten emprschen Prozess um en zufällges Maß handelt, kann man de Funkton f n Bezug darauf ntegreren. Es ergbt sch G n (f) : fdg n S ( ) (1.12) n 1/2 fdq n fdq S S ( ) (1.3) n 1/2 1 n f(x ) Ef(X 1 ) n 1 1 n (f(x ) Ef(X 1 )). (1.14) n 1 13

17 Da de Zufallsvarablen X unabhängg und dentsch vertelt snd, glt des auch für de Summanden n (1.14) (Satz auf S. 78 n [14]), de darüberhnaus noch zentrert snd. Nach dem zentralen Grenzwertsatz folgt wobe σ 2 V ar f(x 1 ). G n (f) N(, σ 2 ), Deses Vorgehen lässt sch auf endlch vele Funktonen f 1,..., f k 2 (S, I, Q) ausdehnen. Für de dadurch entstehende Folge von unabhänggen, dentsch vertelten und zentrerten Zufallsvektoren glt nach dem mehrdmensonalen zentralen Grenzwertsatz (CT) (Satz auf S. 358 n [14]) (G n (f 1 ),..., G n (f k )) N k (, Γ), mt der Kovaranzmatrx Γ, deren Elemente sch für 1, j k durch Γ j Cov(f (X 1 ), f j (X 1 )) f f j dq f dq f j dq bestmmen. Se nun G Q {G Q (f) : f 2 (S, I, Q)} en zentrerter Gauß Prozess mt der Kovaranzfunkton c(f, g) EG Q (f)eg Q (g) f g dq f dq g dq. En solcher Prozess exstert gemäß Theorem auf S. 443 n [1], denn für jede endlche Menge f 1,..., f k st (c(f, f j )) 1,j k ene ncht negatv defnte Kovaranz-Matrx. Da deser Prozess m Folgenden ene zentrale Rolle spelt, wrd er festgehalten n Defnton 1.18 Der obge zentrerte Gauß Prozess G Q mt der Kovaranzfunkton c(f, g) EG Q (f)g Q (g) f g dq f dq g dq (1.15) heßt Q Brownsche Brücke. Ferner gelte für alle A I G Q (A) : G Q (1I A ). (1.16) Bemerkung 1.19 Für belebge Mengen A, B I folgt somt aus (1.16) EG Q (A)G Q (B) 1I A 1I B dq 1I A dq 1I B dq Q(A B) Q(A)Q(B). 14

18 Snd A und B dsjunkt, erhalten wr daraus { Q(A)(1 Q(A)), falls A B, EG Q (A)G Q (B) Q(A)Q(B), falls A B. Bespel 1.2 Se S das Intervall [, 1], I de σ Algebra der Borelmengen über S und Q das ebesgue Maß λ. So erhält man mt B (t) : G λ (1I [,t] ), t 1, (1.17) EG λ (1I [,t] )G λ (1I [,s] ) 1 s(1 t) 1I [,t] 1I [,s] dλ 1 1I [,t] dλ 1 1I [,s] dλ für s t 1 den als Brownsche Brücke bekannten Gauß Prozess (vgl. auf S. 445 n [1] bzw. auf S. 383 n [2]). We gesehen, konvergeren de endlch dmensonalen Randvertelungen von G n {G n (f) : f 2 (S, I, Q)} gegen de des Gauß Prozesses G Q, d. h. (G n (f 1 ),..., G n (f k )) (G Q (f 1 ),..., G Q (f k )) für alle f 1,..., f k 2 (S, I, Q). Deser soll deshalb m Folgenden zur Defnton enes Integrals I d (g d, G Q ) benutzt werden. Zel deser Konstrukton soll dabe sen, dass de Vertelungen der n Glechung (1.13) als multples stochastsches Integral bzgl. des emprschen Prozesses beschrebenen V Statstk gegen de Vertelung des noch näher zu untersuchenden Integrals I d (g d, G Q ) konvergeren. Das Problem der Defnton und de Frage der Vertelungskonvergenz I d (g d, G n ) werden n den nächsten Kapteln untersucht. I d (g d, G Q ) 15

19 Kaptel 2 Das multvarate G Q Integral In desem Kaptel werden we be den klassschen Integraldefntonen zunächst elementare Funktonen betrachtet und dese auf Wohldefnerthet und neartät untersucht. Anschleßend erfolgt deren Fortsetzung auf Funktonen, de ene endlche Halbnorm bestzen. 2.1 Integraton von Elementarfunktonen Für unsere weteren Betrachtungen gehen wr von ener Zerlegung der Menge S n paarwese dsjunkte Mengen A, 1 r aus, d. h. es se A 1... A r S. Wr betrachten nun de spezellen Elementarfunktonen f : S m R folgender Gestalt f(x 1,..., x m ) 1 1 f 1... m 1I A1 A m (x 1,..., x m ), (2.1) m 1 mt A 1,..., A r I paarwese dsjunkt, f 1... m R sowe r N und bezechnen mt E den Raum deser Elementarfunktonen f. Es st also E 2 (S m, I m, Q m ). En Bespel für ene solche Elementarfunkton wrd dabe n Abbldung 2.1(b) (a) 1I F E (b) 1I A C + 1I B A + 1I C B E Abbldung 2.1: Elementarfunktonen 16

20 gegeben, wobe S 2 [, 1] 2 gewählt wurde. In Abbldung 2.1(a) beachte man hngegen, dass de Funkton 1I F mt F [, 1] 2 auch nur zwe Werte annmmt, aber ncht n E legt. emma 2.1 De Funkton f 2 (S m, I m, Q m ) habe de Darstellungen f(x 1,..., x m ) a 1... m 1I A1 A (x m 1,..., x m ) 1 1 s j 1 1 m 1 s b j1...j m 1I Bj1 B jm (x 1,..., x m ) j m 1 mt A 1,..., A r, B 1,..., B s I paarwese dsjunkt, r 1 A s j1 B j S, a 1... m, b j1...j m R und r, s N. Dann glt fast scher: 1 1 a 1... m G Q (A 1 )... G Q (A m ) m 1 s j 1 1 s b j1...j m G Q (B j1 )... G Q (B jm ). j m 1 Für den Bewes deses emmas st entschedend, dass man den Gauß Prozess G Q näher untersucht. Bemerkung 2.2 Der Gauß Prozess G Q st en zufällges Maß, d.h. er erfüllt () G Q ( ) fast scher sowe () für alle paarwese dsjunkten Mengen A 1, A 2 I fast scher G Q (A 1 + A 2 ) G Q (A 1 ) + G Q (A 2 ). Bewes: Mt Hlfe von (1.15) und (1.16) aus Defnton 1.18 ergbt sch () EG Q ( ) 2 1I dq ( 1I dq ) 2 Q( ) Q( ) 2. Beachtet man noch, dass G Q zentrert st, so folgt de Behauptung. () Beachtet man de Dsjunkthet von A 1 und A 2, d.h. 1I A1 1I A2, sowe de Addtvtät des Maßes Q, so folgt E(G Q (A 1 + A 2 ) (G Q (A 1 ) + G Q (A 2 ))) 2 E [ G Q (A 1 + A 2 ) 2] 2E [G Q (A 1 + A 2 )(G Q (A 1 ) + G Q (A 2 ))] + E [ (G Q (A 1 ) + G Q (A 2 )) 2] Q(A 1 + A 2 ) (Q(A 1 + A 2 )) 2 + 2Q(A 1 + A 2 )(Q(A 1 ) + Q(A 2 )). Q(A 1 ) Q(A 2 ) (Q(A 1 )) 2 (Q(A 2 )) 2 2Q(A 1 )Q(A 2 ) 17

21 Bewes emma 2.1: Aus r 1 A s j1 B j S folgt und somt sowe S m r 1 1 r m1 A 1 A m s j 1 1 s j m1 B j1 B jm A 1 A m (A 1 A m ) S m s s ((A 1 A m ) (B j1 B jm )) j 1 1 s j 1 1 j m 1 s (A 1 B j1 ) (A m B jm ), (2.2) j m1 B j1 B jm (B j1 B jm ) S m r r ((A 1 A m ) (B j1 B jm )) 1 1 r 1 1 m 1 r (A 1 B j1 ) (A m B jm ). (2.3) m1 Damt lässt sch aber de Funkton f nun we folgt darstellen f(x 1,..., x m ) m 1 j 1 1 m1 j 1 1 s s s a 1... m 1I (A1 B j1 ) (A m B jm ) (x 1,..., x m ) j m 1 s b j1...j m 1I (A1 B j1 ) (A m B jm )(x 1,..., x m ) j m1 und man erkennt, dass a 1... m b j1...j m st für alle 1,..., m, j 1,..., j m mt (A 1 B j1 ) (A m B jm ), d. h. mt A k B jk für 1 k m. Betrachten wr nun G Q und nutzen dessen n Bemerkung 2.2 festgestellte endlche Addtvtät, so ergbt sch für alle 1 k r, 1 j k s, 1 k m ( s ) s G Q (A k ) G Q (A k S) G Q (A k B jk ) G Q (A k B jk ) j k 1 ( r ) G Q (B jk ) G Q (B jk S) G Q (A k B jk ) k 1 j k 1 G Q (A k B jk ). k 1 18

22 Damt erhält man 1 1 a 1... m G Q (A 1 )... G Q (A m ) m m 1 j 1 1 s s a 1... m G Q (A 1 B j1 )... G Q (A m B jm ). j m 1 We gesehen, st a 1... m b j1...j m für alle 1 k m mt A k B jk. Wrd dese Bedngung nun ncht erfüllt, d. h. für en k st A k B jk, so folgt aber aus Bemerkung 2.2, dass G Q (A k B jk ) G Q ( ) f. s. glt und somt k G Q(A k B jk ). Daraus können wr schleßen, dass 1 1 s j 1 1 m 1 j 1 1 s s b j1...j m G Q (A 1 B j1 )... G Q (A m B jm ) j m 1 s b j1...j m G Q (B j1 )... G Q (B jm ). j m1 Nunmehr st de folgende Defnton snnvoll, denn se st unabhängg von der Auswahl der Darstellung der Elementarfunkton f. Defnton 2.3 Für de Funkton f E, mt der Darstellung we n (2.1), st I(f) : I m (f, G Q ) :... f(x 1,..., x m )G Q (dx 1 )... G Q (dx m ) : das multvarate G Q Integral. 1 1 f 1... m G Q (A 1 )... G Q (A m ) m1 Folgerung 2.4 Für alle α R, f, g E glt () I(αf) αi(f), () I(f + g) I(f) + I(g) f. s., () f g I(f) I(g) f. s. Bewes: () Folgt sofort aus der Defnton

23 () Bestzen de Funktonen f und g de Darstellungen f 1 1 s f 1... m 1I A1 A und g m m1 j 1 1 s g j1...j m 1I Bj1 B, j m j m1 so erhält man unter Beachtung der Glechungen (2.2) + (2.3) aus dem Bewes von emma 2.1 für alle 1 l r, 1 j l s, 1 l m Es ergbt sch s 1I A1 A m 1I Bj1 B jm j s 1I (A1 B j1 ) (A m B jm ), j m1 1I (A1 B j1 ) (A m B jm ). m 1 f g 1 1 m m 1 s s f 1... m 1I (A1 B j1 ) (A m B jm ), (2.4) j 1 1 s j m 1 j 1 1 j m 1 s g j1...j m 1I (A1 B j1 ) (A m B jm ) (2.5) und somt f + g 1 1 m1 s s (f 1... m + g j1...j m )1I (A1 B j1 ) (A m B jm ). j 1 1 j m1 Folglch st I(f) I(g) 1 1 m1 1 1 m1 s s f 1... m G Q (A 1 B j1 )... G Q (A m B jm ), j 1 1 s j m1 j 1 1 j m1 s g j1...j m G Q (A 1 B j1 )... G Q (A m B jm ) und I(f + g) 1 1 m1 s s (f 1... m + g j1...j m )G Q (A 1 B j1 )... G Q (A m B jm ), j 1 1 j m1 womt de Behauptung bewesen st. 2

24 () Aus (2.4) + (2.5) erkennt man, dass wegen f g auch f 1... m g j1...j m folgt für (A 1 B j1 ) (A m B jm ). Beachtet man weder, dass wenn dese Bedngung ncht erfüllt st, d. h. wenn A k B jk für en k glt, wegen Bemerkung 2.2 auch G Q (A k B jk ) G Q ( ) f. s. st. Damt folgt auch für das Produkt k G Q(A k B jk ) und wr erhalten das Behauptete. Folgerung 2.4 hat also gezegt, dass das Integral I en lnearer Operator auf dem Unterraum E von 2 (S m, I m, Q m ) st. 2.2 Integraton von Funktonen endlcher Halbnorm Im nun Folgenden wollen wr das Integral I auf den Raum F von Funktonen mt endlcher Halbnorm fortsetzen. Wr betrachten also F : {f : S m R N m (f, Q) < } 2 (S m, I m, Q m ), wobe N m (f, Q) N(f) ene geegnete Halbnorm st. Ene solche st z. B. de n [12] auf S. 28 erwähnte Halbnorm N m (f, Q) {... f 2 (x 1,..., x m )dq(x j1 )... dq(x jr )} 1/2, (2.6) wobe über alle r [(m + 1)/2],..., m summert wrd und de m verschedenen Argumente x 1,..., x m von f so darzustellen snd, dass se de Werte der x j1,..., x jr, x jk x jl für j k j l, annehmen und kener von hnen mehr als zwemal vorkommt. Bespel 2.5 { N 1 (f, Q) { N 2 (f, Q) { N 3 (f, Q) f 2 (x)q(dx)} 1/2, 1/2 { f 2 (x, x)q(dx)} + { + } 1/2 f 2 (x, x, y)q(dx)q(dy) f 2 (x, y)q(dx)q(dy)} 1/2, f 2 (x, y, z)q(dx)q(dy)q(dz)} 1/2. 21

25 In der folgenden Bemerkung wollen wr uns nun davon überzeugen, dass N m (f, Q) auch wrklch ene Halbnorm st. Bemerkung 2.6 Der oben engeführte Ausdruck N m (f, Q) st ene Halbnorm. Bewes: Es bezechne r de 2 Norm auf (S r, I r, Q r ) und f : S m R se ene Abbldung. Defneren wr nun für jeden Summanden von (2.6) de Funkton f r : S r R mt f r f r (x j1,..., x jr ) : f(x 1,..., x m ), wobe de Anordnung der x jk, 1 k r, bzw. der x l, 1 l m, aus der obgen Beschrebung der Halbnorm stammt und de Funkton f r endeutg festlegt. Damt folgt aber f r 2 r... fr 2 (x j1,..., x jr )dq(x j1 )... dq(x jr )... f 2 (x 1,..., x m )dq(x j1 )... dq(x jr ). Somt erhalten wr N m (f, Q) f r r und können begnnen, de Egenschaften der Halbnorm zu überprüfen. () Für alle Summanden glt f r r Summe zu, d. h. N m (f, Q). und damt trfft des auch auf de () Betrachten wr en belebges α R. Mt desem ergbt sch N m (α f, Q) α f r r α f r r α f r α N m (f, Q). () Für ene Abbldung g : S m R werden analog we oben de Funktonen g r engeführt. Damt erhält man N m (f + g, Q) (f + g) r r f r + g r r, wobe man sch lecht überlegen kann, dass (f +g) r (f +g) r (x j1,..., x jr ) (f + g)(x 1,..., x m ) f(x 1,..., x m ) + g(x 1,..., x m ) f r (x j1,..., x jr ) + g r (x j1,..., x jr ) f r + g r glt. Schleßlch erhalten wr mt der Dreecksunglechung f r r + g r r N m (f, Q) + N m (g, Q). 22

26 Dass es sch be N m (f, Q) nur um ene Halbnorm handelt, legt darn begründet, dass de Egenschaft N m (f, Q) f nur Q fast überall glt. Kommen wr nun zu enem wchtgen Merkmal der n (2.1) engeführten Elementarfunktonen. emma 2.7 Der Raum E der Elementarfunktonen legt dcht n F. Bewes: Zu zegen st, sehe z. B. Defnton 1 auf S. 33 n [5], dass zu jedem f F und zu jedem ε > Funktonen e E exsteren, de N(f e) < ε erfüllen. Nun stehen uns zwe Varanten zur Verfügung, um des zu zegen. In der ersten wollen wr we n den klassschen Bewesen vorgehen. De zwete hngegen beruht auf dem Satz von usn (Satz 1.18 auf S. 323 n [11]). Zunächst beachte man, dass für en belebges e E nach (2.1) e 2 (x 1,..., x m ) l 1 1 l 1 1 folgt und somt N(e) { l m1 k 1 1 k m1 e l1...l m e k1...k m 1I (Al1 A l m ) (A k 1 A k m ) (x 1,..., x m ) e 2 l 1...l m 1I Al1 A lm (x 1,..., x m ) l m1... { j 1 1 { j 1 1 l 1 1 R e 2 l 1...l m 1I Al1 A lm (x 1,..., x m ) dq(x jk ) l m 1 e 2 j 1...j R j R 1 R e 2 j 1...j R j R 1 k1... Q(A jk ) 1I Aj1 A jr (x j1,..., x jr ) } 1/2 k1 R dq(x jk ) k1 } 1/2 } 1/2 glt, wobe de verwendete Anordnung der x sowe der Wert R sch analog zur obgen Defnton der Halbnorm N ergeben. Da aber nun de Werte e j1...j R : e 1... m R snd und das W Maß Q(A ) 1 für alle 1 r st, erhalten wr N(e) < und somt E F. 23

27 Betrachten wr nun zunächst en belebges f, f F 2 und ε >. Dann exstert ene nchtfallende Folge von postven Elementarfunktonen t n T + : {postve Elementarfunktonen} mt t n f (Theorem auf S. 159 n [17]). Damt erhält man lm [N(f t n)] n lm {... [f(x 1,..., x m ) t n (x 1,..., x m )] 2 n { lm n [... [f(x 1,..., x m ) t n (x 1,..., x m )] 2 R k1 R k1 dq(x jk ) } 1/2 dq(x jk )]} 1/2. Wendet man nun den Satz von ebesgue (Satz 5.2 auf S. 145 n [11]), wobe 4 f 2 ene ntegrerbare Majorante darstellt, auf jeden Summanden enzeln an, so kann de Grenzwertbldung mt der Integraton vertauscht werden. Des führt aber wegen t n f zu lm n [N(f t n)], d. h. dass wr en t n T + wählen können, das N(f t n ) < ε erfüllt. Betrachten wr nun das Aussehen der t n (Satz 4.13 auf S. 18 n [11]): t n (x 1,..., x m ) n2 n j j 2 n 1I A j,n (x 1,..., x m ), mt A j,n { { j 2 n f < j+1 } 2 n für j,..., n 2 n 1, {f n} für j n 2 n, wobe de Mengen A j,n paarwese dsjunkt snd und j A j,n S m glt. Nun kann man aber zegen, dass dese sch durch ene Folge (e k,n ) von Funktonen aus E approxmeren lassen, d. h. lm N(t n e k,n ). k Dafür recht es zu bewesen, dass zu jedem A j,n I m und jedem ε > dsjunkte A 1 A m exsteren mt N(1I Aj,n 1I n 1...nm 1...m A 1 A m ) < ε, für 1 n 1,..., n m r. Motverend dazu se auf Abbldung 2.2 verwesen sowe auf den Bewes zu Satz 2.28 b) auf S. 242 n [11]. 24

28 Abbldung 2.2: Approx. der Menge F durch de Summe von Mengen A A j We gesehen, fndet man für jedes f, f F und jedes ε > en t n T + mt N(f t n ) < ε/2. Glechzetg gbt es aber zu jedem t n en e k,n E, das N(t n e k,n ) < ε/2 erfüllt. De Dreecksunglechung lefert schleßlch N(f e k,n ) N(f t n ) + N(t n e k,n ) < ε. Für en belebges f F wende man das soeben Erläuterte auf f + bzw. f an, d. h. zu jedem ε > fndet man Elementarfunktonen t 1, t 2 T + derart, dass se N(f + t 1 ) < ε/4 sowe N(f t 2 ) < ε/4 erfüllen. Glechzetg exsteren aber zu jedem t 1, t 2 auch Funktonen e k,1, e k,2 E, so dass N(t 1 e k,1 ) < ε/4 bzw. N(t 2 e k,2 ) < ε/4 glt. Mt der Dreecksunglechung erhalten wr für ẽ k : e k,1 e k,2 E N(f ẽ k ) N(f + f (e k,1 e k,2 )) und somt de Behauptung. N(f + t 1 ) + N(f t 2 ) + N(t 1 e k,1 ) + N(t 2 e k,2 ) < ε Wenden wr uns nun der zweten Varante zu. Da dese auf dem Satz von usn beruht, gehen wr von enem metrschen Raum (S, d) mt abzählbarer Bass aus, der auf kanonsche Wese zum topologschen Raum wrd, und stets separert st (S. 342 n [15]), also Hausdorff Raum. Wr werden uns dabe auf de wchtgsten Fälle, n denen S offen bzw. kompakt st, beschränken. Nun se f F. Außerdem se f R we m Bewes von Bemerkung 2.6 defnert. () Nehmen wr zunächst an, dass f stetg st und kompakten Träger bestzt. Für ε > wählen wr nun ene Zerlegung A, 1 r, so dass de Funkton f auf dem Berech A 1... m : A 1 A m nur um den Wert ε schwankt, d. h. für alle s (s 1,..., s m ), t (t 1,..., t m ) A 1... m mt 1 1,..., m r glt ω(a 1... m, f) : sup f(s) f(t) ε. s,t A 1...m 25

29 Für e 1... m wählen wr nun enen Wert we folgt: e 1... m [ mn s A 1...m f(s), max s A 1...m Somt erhalten wr für das so konstruerte e E f(s)]. f e f1i S m e f(x 1,..., x m )1I A1 A (x m 1,..., x m ) 1 1 m e 1... m 1I A1 A m (x 1,..., x m ) m 1 (f(x 1,..., x m ) e 1... m )1I A1 A (x m 1,..., x m ). m1 Betrachten wr nun N(f e) (f e) R R. Zunächst erkennen wr (f e) R (f e) R (x j1,..., x jr ) (f R (x j1,..., x jr ) e j1...j R )1I Aj1 A jr (x j1,..., x jr ) und somt j 1 1 j R 1 (f e) 2 R (f e) 2 R(x j1,..., x jr ) (f R (x j1,..., x jr ) e j1...j R ) 2 1I Aj1 A jr (x j1,..., x jr ). j 1 1 j R 1 Damt erhalten wr für jeden Summanden der Norm N (f e) R 2 R... (f e) 2 R(x j1,..., x jr )dq(x j1 )... dq(x jr ) j 1 1 j R 1... (f R (x j1,..., x jr ) e j1...j R ) 2 1I Aj1 A jr (x j1,..., x jr ) dq(x j1 )... dq(x jr ). Nun stellen wr fest, dass für alle 1 j 1,..., j R r sowe (x j1,..., x jr ) A j1...j R nach der Konstrukton der Elementarfunkton e glt. Daraus folgt aber sowe (f R (x j1,..., x jr ) e j1...j R ) 2 ε 2 (f e) R R ε N m (f e) (f e) R R ε C, wobe C de Anzahl der Summanden n der Norm darstellt. 26

30 () Nun se f F belebg. (a) S se offen. Damt st auch S R offen. Nach dem Satz von usn exstert zu jedem offenen U S R und jedem δ > ene kompakte Menge K δ U mt Q R (U\K δ ) < δ, so dass f R K δ stetg st. Des glt also auch für U S R und es folgt 1 Q R (K δ ) Q R (U) Q R (U\K δ ) > 1 δ. (2.7) }{{} < δ Zerlegen wr nun de Funkton f, d. h. wr betrachten f f1i Kδ + f1i Kδ, so folgt für e E mt der Dreecksunglechung für N N(f e) N(f1I Kδ + f1i Kδ e) N(f1I Kδ e) + N(f1I Kδ ). Für den ersten Summanden erhalten wr dabe we n () beschreben N(f1I Kδ e) ε/2 für geegnetes e E. Für den zweten ergbt sch, weder de Elemente der Norm N enzeln betrachtend lm δ f 2 R1I Kδ dq R f 2 R lm δ 1I Kδ dq R, wegen (2.7), wobe Integraton und mesbldung mt dem Satz von ebesgue vertauscht werden können, da fr 2 ene ntegrerbare Majorante st. Vorausgesetzt dass δ hnrechend klen st, erhalten wr somt auch her N(f1I Kδ ) ε/2 und erkennen abschleßend N(f e) ε. (b) Nun se S kompakt, womt auch S R kompakt st. Nach dem Satz von usn exstert nun zu jeder kompakten Menge T S R und jedem δ > ene kompakte Menge K δ T mt Q R (T \K δ ) < δ, so dass f R K δ stetg st. Benutzt man T S R kompakt, so folgt 1 Q R (K δ ) Q R (T ) Q R (T \K δ ) > 1 δ, }{{} < δ und mt dem selben Zerlegungsargument we n (a) erhält man de Behauptung. Zel wrd es m Folgenden sen, ene Abschätzung der 2 Norm des Integrals I(f) durch de oben engeführte Halbnorm N(f) zu erhalten, um mttels enes Cauchy Folgen Arguments ene Fortsetzung der Integraldefnton von E auf F zu errechen. Vorberetend dazu 27

31 emma 2.8 Für den zentrerten Gauß Prozess G Q {G Q (A ) : 1 r} mt der Kovaranzfunkton c j EG Q (A )G Q (A j ) glt : { 2m } E G Q (A k ) c l1 l2... c l2m 1 l2m, P k1 wobe über alle Parttonen P {P 1,..., P m } der Indexmenge { 1,..., 2m } summert wrd, deren Telmengen P j zweelementg snd, d. h. P j { l2j 1, l2j } mt l 2j 1 < l 2j für 1 j m und Permutatonen der P j snd auszuschleßen. Bewes: Für den Bewes deses emmas stehen uns nun zwe Möglchketen zur Verfügung. Zum enen können wr we auf S. 34 n [12] de Abletungen der charakterstschen Funkton des Zufallsvektors G 1 (G Q (A 1 ),..., G Q (A r )) verwenden, zum anderen kann der Bewes auch auf drekterem Wege geführt werden (emma 4.2 auf S. 123 n [7]), n dem man de Normaltät von G 2 (G Q (A 1 ),..., G Q (A 2m )) ausnutzt. Betrachten wr zunächst de charakterstsche Funkton des zentrert normalvertelten Vektors G 1, de sch we folgt für en u (u 1,..., u r ) R r ergbt (vgl. Bespel 2 auf S. 287 n [22]): { [ ]} ϕ G1 (u) E exp u k G Q (A k ) (2.8) exp [ 1 2 k1 1 ] c j u u j. (2.9) Im Weteren wollen wr de Ausdrücke (2.8) und (2.9) genau 2m mal dfferenzeren, de erhaltenen Abletungen an der Stelle u auswerten und schleßlch weder glechsetzen. Für (2.8) erhalten wr u 1 ϕ G1 (u) E {. 2m ϕ G1 (u) u 1... u 2m { 2m 2m E j1 G Q (A 1 )exp k1 [ ]} u k G Q (A k ), k1 G Q (A k )exp [ } u k G Q (A k )]. Zur Abletung der charakterstschen Funkton se dabe auf Theorem auf S. 31 n [1] verwesen, dessen Kern der Satz von ebesgue st, und das uns letztendlch erlaubt, Dfferentaton und Erwartungswertbldung zu vertauschen. Setzen wr nun u, so bekommen wr { 2m 2m } ϕ G1 (u) u 1... u 2m ( 1) m E G Q (A k ). (2.1) u 28 k1 k1

32 Betrachten wr nun (2.9) und führen dazu zwe Abkürzungen en: S : j1 c j u u j sowe S k : u k S c k tu t, t1 wobe c j c j berückschtgt wurde. Somt folgt für m 1 2 u 1 u 2 ϕ G1 (u) und mt u u 2 [ ] e S [ S1 e S] c 1 u 1 u 2 e S + S 1 S 2 e S 2 2 ϕ G1 (u) u 1 u 2 c 1 2. u Führen wr dese Rechnung nun analog für m 2 durch, dann ergbt sch 4 u 1... u 4 ϕ G1 (u) c 1 2 c 3 4 e S c 1 2 S 3 S 4 e S + c 1 3 c 2 4 e S c 1 3 S 2 S 4 e S + c 2 3 c 1 4 e S c 2 3 S 1 S 4 e S c 1 4 S 2 S 3 e S S 1 c 2 4 S 3 e S S 1 S 2 c 3 4 e S + S 1 S 2 S 3 S 4 e S sowe weder für u 4 ϕ G1 (u) u 1... u 4 c 1 2 c c 1 3 c c 1 4 c 2 3. u Allgemen erkennt man somt für (2.9), ausgewertet an der Stelle u, 2m ϕ G1 (u) u 1... u 2m ( 1) m c l1 l2... c l2m 1 l2m, (2.11) u P wobe über de oben beschrebene Anzahl von Parttonen P summert wrd. Setzen wr nun de beden Ergebnsse (2.1) und (2.11) glech, sehen wr, dass das emma bewesen st. Wenden wr uns nun der zweten Varante zu. Dafür werde an folgende Egenschaften ernnert: () Für ene N(, 1) vertelte Zufallsvarable Y j glt (vgl. S. 3 n [2] ): EY 2m j (2m 1). 29

33 () Nach der Defnton der zentrerten mehrdmensonalen Normalvertelung (Defnton auf S.16 n [14]) exsteren für den Vektor G 2 de unabhänggen N(, 1) vertelten Zufallsvarablen Y 1,..., Y 2m sowe ene (2m 2m) Matrx B (b j ), welche und G 2 (Y 1,..., Y 2m )B (2.12) B T B C (2.13) erfüllen, wobe C (c r s ) 1 r,s 2m de Kovaranzmatrx des Vektors G 2 st und de c r s sch we oben beschreben bestmmen. Betrachten wr nun (2.12) für das k te Element des Vektors G 2 und erhalten G Q (A k ) b 1k Y b 2m k Y 2m 2m j1 b jk Y j. Für das Produkt deser 2m Terme nutzt man dese Darstellung und durch Ausmultplzeren ergbt sch 2m k1 G Q (A k ) 2m 2m k1 j1 2m b jk Y j 2m j 1 1 j 2m 1 b j b j2m 2mY j1... Y j2m. Wendet man darauf nun den Erwartungswert an und nutzt dessen neartät, so bekommt man { 2m } 2m 2m E G Q (A k ) b j b j2m 2mE {Y j1... Y j2m }. k1 j 1 1 j 2m 1 Da de Y j unabhängg und zentrert snd, bleben aber nur Erwartungswerte von Produkten von k ten Momenten der Y j, wobe k gerade st, denn z.b. mt m 2 würde für EY1 3 Y 2 EY1 3 EY 2 folgen. Deshalb telen wr de Indexmenge {1, 2,..., 2m} n r Telmengen von gerader Kardnaltät en. Somt blebt über alle möglchen deser Parttonen P {P 1,..., P r }, für de P t gerade st, zu summeren. Für m 2 snd des mt r 1 de Menge {1, 2, 3, 4} und mt r 2 de Mengen {{1, 2}, {3, 4}}, {{1, 3}, {2, 4}} sowe {{1, 4}, {2, 3}}. 3

34 Allgemen folgt also { 2m } E G Q (A k ) P k1 2m 2m j 1 1 j r 1 j 1... j r ( r b jts t1 s P t ) ( r ) E Y jt P t. (2.14) Benutzen wr nun (), so können wr den Ausdruck (2.14) dahngehend verändern, dass nur noch über solche Parttonen P summert wrd, deren Telmengen zweelementg snd. Dabe vertelen sch de noch n (2.14) auftretenden höheren Potenzen n den Produkten der Erwartungswerte auf hre zweelementgen Äquvalente derart, dass de Indzes j 1,..., j m auch glech sen können. Weder am Bespel für m 2 wrd des deutlch. Wegen () glt Y sowe Y und (2.14) stellt sch somt we folgt dar: { 4 } E G Q (A k ) 3 b j1 b j2 b j3 b j4 + b j1 1b j1 2b j2 3b j2 4 + k1 j1 4 j 1 1 j 2 1 j 1 j 2 4 j 1 1 j Allgemen ergbt sch folglch: { 2m } E G Q (A k ) k1 4 j 1 1 j 2 1 j 1 j 2 4 b j1 1b j1 3b j2 2b j b j1 1b j1 2b j2 3b j2 4 + j 1 1 j 2 1 P 4 b j1 1b j1 4b j2 2b j2 3. 2m j 1 1 2m j m1 4 t1 j 1 1 j 2 1 j 1 j 2 4 j 1 1 j 2 1 m b jts t1 s P t 4 b j1 1b j1 4b j2 2b j2 3 4 b j1 1b j1 3b j2 2b j2 4, (2.15) wobe sch de äußere Summe über alle Parttonen P { P 1,..., P m } erstreckt, welche P t 2 erfüllen. Im letzten Schrtt nutzt man nun de n () beschrebene Egenschaft (2.13) der Kovaranzmatrx C aus, um de Summen der Produkte von den b j n solche umzuwandeln, de aus Elementen der Kovaranzmatrx bestehen. Für unser Bespel ergbt sch somt { 4 } E G Q (A k ) k1 (b 11 b 12 + b 21 b 22 + b 31 b 32 + b 41 b 42 )(b 13 b 14 + b 23 b 24 + b 33 b 34 + b 43 b 44 )+ (b 11 b 13 + b 21 b 23 + b 31 b 33 + b 41 b 43 )(b 12 b 14 + b 22 b 24 + b 32 b 34 + b 42 b 44 )+ (b 11 b 14 + b 21 b 24 + b 31 b 34 + b 41 b 44 )(b 12 b 13 + b 22 b 23 + b 32 b 33 + b 42 b 43 ) 31

35 also { 4 E k1 } G Q (A k ) c 1 2 c c 1 3 c c 1 4 c 2 3. Damt st nun auch das emma bewesen, denn verallgemenert erhalten wr { 2m } E G Q (A k ) c l1 l2... c l2m 1 l2m k1 P wobe P t {l 2t 1, l 2t }. emma 2.9 Bezechne de 2 Norm auf 2 (Ω, A, P ), so glt für alle f E I(f) C N(f), wobe C ene endlche Konstante st. Bewes: Nach der Defnton des multvaraten G Q Integrals n 2.3 erhält man für ene Funkton f E mt der Darstellung (2.1) I(f) m 1 f 1... m f m m 2m k1 G Q (A k ) und somt durch de neartät des Erwartungswertes { 2m } E(I(f) 2 ) f 1... m f m m E G Q (A k ). (2.16) 1 1 2m 1 Wenden wr nun de n emma 2.8 erhaltene Darstellung für den Erwartungswert des 2m fachen Produktes normaler Zufallsvarablen an, so ergbt sch E(I(f) 2 ) P f 1... m f m m c l1 l2 c l3 l4... c l2m 1 l2m, (2.17) 1 1 2m 1 wobe weder über alle Möglchketen P summert wrd, n dem man de Indexmenge {1,..., 2m} so parttonert, dass zweelementge Telmengen P t {l 2t 1, l 2t } entstehen (vergleche dazu Bewes emma 2.8) und c j de Kovaranzfunkton des Gauß Prozesses (G Q (A 1 ),..., G Q (A r )) beschrebt, d. h. c j E(G Q (A )G Q (A j )). Ernnern wr uns nun an de n Defnton 1.18 angegebene Kovaranzfunkton: c j E(G Q (A )G Q (A j )) 1I A 1I Aj dq 1I A dq 1I Aj dq, k1 Q(A A j ) Q(A )Q(A j ) 32

36 und schätzen dese mt der Egenschaft des W Maßes Q, dass Q(A) für alle A I glt, folgendermaßen nach oben ab: c j Q(A A j ) + Q(A )Q(A j ). Beachtet man außerdem, dass aus (a b) 2 für belebge Werte a, b R a b 1 2 (a2 + b 2 ) folgt, so kann der Erwartungswert aus (2.17) nach oben vergrößert werden: E(I(f) 2 ) P m t m 1 1 [ ] f m + f 2 m m [ Q(A l2t 1 A l2t ) + Q(A l2t 1 )Q(A l2t ) ]. (2.18) Im nun folgenden Schrtt betrachten wr zunächst de 2m nneren Summen und nutzen dabe erneut de Egenschaften des W Maßes Q, d.h. de endlche Addtvtät sowe Q(S) 1, und de dsjunkte Zerlegung der Menge S r 1 A. Anwendung fnden also ( r ) Q(A ) Q A Q(S) 1, sowe 1 1 ( r ) Q(A A j ) Q (A A j ) Q(S A j ) Q(A j ) Q(A A j ) 1. j1 Multplzert man nun das Produkt n (2.18) aus und wendet das oben Beschrebene an, so lässt sch der Ausdruck (2.18) erneut nach oben abschätzen. Für gerades m erhalten wr E(I(f) 2 ) C j 1 1 fj j m j m1 [ Q(A j1 A j2 )Q(A j3 A j4 )... Q(A jm 1 A jm ) + Q(A j1 A j2 )... Q(A jm 3 A jm 2 )Q(A jm 1 )Q(A jm )... ] + Q(A j1 )Q(A j2 )Q(A j3 )Q(A j4 )... Q(A jm 1 )Q(A jm ) (2.19) 33

37 und für ungerades m E(I(f) 2 ) C j 1 1 fj j m j m 1 [ Q(A j1 A j2 )... Q(A jm 2 A jm 1 )Q(A jm ) + Q(A j1 A j2 )... Q(A jm 4 A jm 3 )Q(A jm 2 )... Q(A jm )... ] + Q(A j1 )Q(A j2 )Q(A j3 )Q(A j4 )... Q(A jm 1 )Q(A jm ), (2.2) wobe C C 1 C 2. De dabe auftretende Konstante C 1 ergbt sch aus der Tatsache, dass de verschedenen Parttonen P auch verschedene Anwendungen der oben beschrebenen Egenschaften zur Folge haben, d.h. es müssen ncht alle Summanden n (2.19) bzw. (2.2) auftauchen aber dafür können andere wederum mehrfach vorhanden sen. Somt blebt C 1 mmer klener oder glech 2 m. De Konstante C 2 entsteht dadurch, dass es für de äußere Summe n (2.18) genau (2m 1) (2m)! 2 m m! : C 2 Möglchketen für P gbt, also de Indexmenge {1, 2,..., 2m} n zweelementge Telmengen zu parttoneren. Nutzt man nun erneut de Dsjunkthet der A, d.h. { für j, Q(A A j ) Q(A ) für j, so verenfachen sch de Darstellungen von (2.19) und (2.2) we folgt für m gerade [ E(I(f) 2 ) C k+1 1 f k k Q(A 1 )... Q(A k )+ k 1 f k k+1 Q(A 1 )... Q(A k+1 ) + + ] f m Q(A 1 )... Q(A m ) m1 (2.21) 34

38 und für m ungerade [ E(I(f) 2 ) C f k 1 k 1 k Q(A 1 )... Q(A k ) k m 1 k 1 f k 1 k k+1 Q(A 1 )... Q(A k+1 ) + + ] f m Q(A 1 )... Q(A m ), (2.22) wobe k [ ] m+1 2. Im letzten Schrtt blebt nun noch der Übergang zu der n (2.6) engeführten Halbnorm. Dazu betrachten wr zunächst das Quadrat der auftretenden Elementarfunktonen und dentfzeren de Summen n (2.21) bzw. (2.22) als deren Integral bzgl. Q und erhalten somt de gewünschte Abschätzung mttels der Halbnorm (2.6). Nach (2.1) glt f 2 (x 1,..., x m ) 1 1 m 1 j 1 1 f 1... m f j1...j m 1I A1 A m A j1 A jm (x 1,..., x m ) j m 1 und aufgrund der Dsjunkthet der A folgt 1 1 f m 1I A1 A m (x 1,..., x m ). m 1 Integrert man des nun bzgl. Q, so erhält man... f 2 (x 1,..., x m )dq(x 1 )... dq(x m )... f m 1I A1 A (x m 1,..., x m )dq(x 1 )... dq(x m ) m1 f m Q(A 1 )... Q(A m ). m 1 35

39 Des wederholt man analog für alle benötgten Varanten n (2.21) bzw. (2.22), also bs man... f 2 (x 1, x 1, x 2, x 2,..., x k, x k )dq(x 1 )... dq(x k )... f k k 1I A1 A k (x 1,..., x k )dq(x 1 )... dq(x k ) k 1 f k k Q(A 1 )... Q(A k ) k 1 erhält. Somt werden (2.21) und (2.22) zu E(I(f) 2 ) C... f 2 (x 1,..., x m )dq(x j1 )... dq(x jk ), (2.23) k[ m+1 2 ] wobe de m verschedenen Argumente x 1,..., x m von f so darzustellen snd, dass se de Werte der x j1,..., x jk, x js x jt für j s j t, annehmen und kener von hnen mehr als zwemal vorkommt. Man erkennt aber nun, dass sch (2.23) durch de Halbnorm aus (2.6) abschätzen lässt: Damt st aber das emma bewesen. E(I(f) 2 ) C [N m (f, Q)] 2. Bemerkung 2.1 Für den Spezalfall der m Bespel 1.2 beschrebenen Brownschen Brücke fndet man analoge Resultate zu emma 2.9 z. B. m Theorem auf S. 71 n [8] bzw. m Abschntt 1 auf S. 33 n [12]. Nun snd alle Hlfsmttel gegeben, um den Begrff des Integrals vom Raum der Elementarfunktonen E auf den Raum der normerten Funktonen F fortzusetzen. Dazu betrachte man ene belebge Funkton f F. Nach emma 2.7 legt E dcht n F und somt exstert ene Folge von Elementarfunktonen (f k ) E, de N(f k f) für k erfüllt. (f k ) st also ene Cauchy Folge (S. 546 n [16]). Für f k, f l E ergbt sch nun mttels Folgerung 2.4 und emma 2.9 folgende Abschätzung: I(f k ) I(f l ) I(f k f l ) C N(f k f l ). (2.24) Da aber (f k ) ene Cauchy Folge st, muss (I(f k )) wegen (2.24) ebenfalls ene Cauchy Folge sen. Benutzt man nun noch de Vollständgket des Raumes ( 2 (Ω, A, P ), ) (Theorem auf S. 158 n [1]), so erhält man de Konvergenz der Folge (I(f k )) n ( 2 (Ω, A, P ), ). Des motvert de nun folgende Defnton. 36

40 Defnton 2.11 Für ene Funkton f F und ene Folge (f k ) E, welche N(f f k ) für k erfüllen, st I(f) : I m (f, G Q ) :... f(x 1,..., x m )G Q (dx 1 )... G Q (dx m ) das multvarate G Q Integral. : l.. m. k I(f k) Bemerkung 2.12 Defnton 2.11 st wohldefnert, d. h. se st unabhängg von der spezellen Auswahl der Folge (f k ). Bewes: Gegeben seen we n Defnton 2.11 ene Funkton f F sowe ene Folge (f k ) E, d. h. für k glt N(f f k ) und I(f) I(f k ). Se nun (g k ) E ene wetere Folge, de N(f g k ) erfüllt. Daraus folgt aber mt der Dreecksunglechung I(f) I(g k ) I(f) I(f k ) + I(f k ) I(g k ). (2.25) Beachtet man nun de neartät des Integrals I aus Folgerung 2.4 und nutzt emma 2.9, so erhält man für den zweten Summanden n (2.25) I(f k ) I(g k ) I(f k g k ) C N(f k g k ), wobe C ene endlche Konstante darstellt. Deser Ausdruck kann nun aber mt der Dreecksunglechung für N abgeschätzt werden so dass man für (2.25) C N(f k f) + C N(f g k ), I(f) I(g k ) I(f) I(f k ) + C N(f k f) + C N(f g k ) erhält. Da aber nun alle Summanden gegen Null konvergeren folgt somt I(f) I(g k ) für k, d. h. I(f) l.. m. k I(g k ) we behauptet. 37

41 Folgerung 2.13 Für alle α R, f, g F glt () I(αf) αi(f), () I(f + g) I(f) + I(g), Bewes: Es seen de Folgen (f k ), (g k ) E und de Funktonen f, g F we n Defnton () Beachtet man, dass nach Folgerung 2.4 I(αf k ) αi(f k ) glt, so folgt I(αf) αi(f) I(αf) I(αf k ) + α I(f }{{} k ) I(f). }{{} () Weder mt Folgerung 2.4 glt I(f k + g k ) I(f k ) + I(g k ) und somt I(f + g) (I(f) + I(g)) I(f + g) I(f k + g k ) }{{} + I(g k ) I(g). } {{ } + I(f k ) I(f) }{{} Folgerung 2.14 Für alle f F glt I(f) C N(f), wobe C ene endlche Konstante st. Bewes: Für en f F und ene Folge (f k ) E mt N(f f k ) für k ergbt sch mt Defnton 2.11 und emma 2.9 I(f) I(f) I(f k ) + I(f }{{} k ). }{{} C N(f k ) Beachtet man nun noch, dass N(f k f) für k, so folgt mt der Dreecksunglechung für de Halbnorm N N(f k ) N(f) + N(f k f) }{{} und damt de Behauptung. 38

42 2.3 Bekannte Bespele Bespel 2.15 Betrachtet man für S das Intervall [, 1], für I de σ Algebra der Borelmengen über S und für Q das ebesgue Maß λ sowe de n Bespel 1.2 defnerte Brownsche Brücke B, so ergbt sch der n [12] S. 31 beschrebene Spezalfall I m (f, Q) f(x 1,..., x m )db (x 1 )... db (x m ), wobe B (t) G λ (1I [,t] ) mt t 1. Defnton 2.16 Der Gauß Prozess G Q wrd als sonormal bezechnet, falls er für f, g 2 (S, I, Q) EG Q (f)g Q (g) fgdq erfüllt. Bespel 2.17 Benutzt man den sonormalen Gauß Prozess, so erhält man das, we n [18] engeführte, multple Wener Integral I m (f, Q)... f(x 1,..., x m )W (dx 1 )... W (dx m ), wobe W G Q sonormal (vgl. A.1. auf S. 494 n [21]). 39

43 Kaptel 3 Vertelungskonvergenz Zel deses Abschnttes wrd es sen, de Vertelung des soeben engeführten Integrals zu nutzen, um se als Grenzwert der Vertelungskonvergenz der n Kaptel 1 als multples stochastsches Integral bzgl. des emprschen Prozesses beschrebenen V Statstk darzustellen. 3.1 Asymptotsches Verhalten Für de folgenden Betrachtungen erwest sch de Enführung ener an de n (2.6) defnerte Halbnorm N m (f, Q) angelehnte Verson Ñm(f, Q) Ñ(f) als nützlch. Für ene symmetrsche Funkton f : S m R wrd dese Halbnorm we folgt festgelegt: Ñ m (f, Q) { 1/2... f 2 (x 1,..., x m )dq(x j1 )... dq(x jr )}, (3.1) wobe über alle r 1,..., m summert wrd und de m verschedenen Argumente x 1,..., x m von f so darzustellen snd, dass se de r Werte der x j1,..., x jr, x jk x jl für j k j l, n allen möglchen Permutatonen annehmen. Dass es sch auch herbe um ene Halbnorm handelt, kann analog zu Bemerkung 2.6 gezegt werden. Für de weteren Untersuchungen beschränken wr uns weder auf solche Funktonen f, de n deser Norm endlch snd, d. h. wr betrachten { } F : f : S m R Ñ m (f, Q) < 2 (S m, I m, Q m ). Offenschtlch glt so F F und N m (f, Q) Ñm(f, Q). Bespel 3.1 Ñ 1 (f, Q) N 1 (f, Q), Ñ 2 (f, Q) N 2 (f, Q), 4

44 { Ñ 3 (f, Q) 1/2 { f 2 (x, x, x)dq(x)} + { + } 1/2 f 2 (x, y, z)dq(x)dq(y)dq(z) } 1/2 f 2 (x, x, y)dq(x)dq(y) emma 3.2 Der Raum E der Elementarfunktonen legt dcht n F. Bewes: Analog zum Bewes von emma 2.7. Um unser Zel, de Vertelungskonvergenz von V Statstken, zu errechen, se an den n (1.13) beschrebenen Zusammenhang der V Statstk mt dem emprschen Prozess G n n 1/2 (Q n Q) ernnert: n d/2 V nd (g d ) (1.13)... g d (x 1,..., x d )G n (dx 1 )... G n (dx d ), I d (g d, G n ). (3.2) Funktonale solcher Art bestzen ene wchtge Egenschaft, de wr zunächst festhalten wollen. emma 3.3 Bezechne de 2 Norm auf 2 (Ω, A, P ), so glt für alle f F I m (f, G n ) O(1). Bewes: emma B auf S. 223 n [23]. In Worten ausgedrückt, bedeutet deses Ergebns aber nchts anderes als, dass der durch de 2 Norm gemessene Wert des Integrals I m (f, G n ) mmer klener als ene gewsse Konstante blebt. Für das wetere Vorgehen st es aber wchtg, das genaue Aussehen deser zu kennen. Vorberetend für den späteren Bewes werden dazu noch enge Hlfsmttel beretgestellt. emma 3.4 Ausgehend vom festen Wahrschenlchketsraum (Ω, A, P ) betrachten wr enen meßbaren Raum (U, J ) mt ener A J meßbaren Abbldung η : Ω U. Ferner se (Ω, A ) en weterer meßbarer Raum und de Abbldung ζ : Ω Ω A A meßbar. Seen nun ζ und η unabhängg und T : Ω U R A J B meßbar derart, dass T (ζ, η) 2 (Ω, A, P ), dann glt für P η 1 fast alle x U E(T (ζ, η) η x) E(T (ζ, x)). Bewes: Satz auf S. 199 n [14]. 41

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet. Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx

Mehr

Zulassungsprüfung Stochastik,

Zulassungsprüfung Stochastik, Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

Die Transzendenz der Eulerschen Zahl e

Die Transzendenz der Eulerschen Zahl e De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

1 Differentialrechnung in mehreren Variablen

1 Differentialrechnung in mehreren Variablen 1 Dfferentalrechnung n mehreren Varablen 1.1 De Geometre eukldscher Räume Zur Ernnerung De Elemente des R n schreben wr normalerwese als Zelenvektoren: x = (x 1,..., x n ). Kommen Matrzen ns Spel, so st

Mehr

Seminar Einführung in die Kunst mathematischer Ungleichungen

Seminar Einführung in die Kunst mathematischer Ungleichungen Semnar Enführung n de Kunst mathematscher Unglechungen Cauchys erste Unglechung und de Unglechung vom arthmetschen und geometrschen Mttel Sopha Volmerng. prl 0 Inhaltsverzechns Cauchys erste Unglechung.

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr

6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)

6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM) 6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen

Verteilungen eindimensionaler diskreter Zufallsvariablen Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

3 Elastizitätstheorie

3 Elastizitätstheorie 3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0 8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)

Mehr

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Äquivalenzen stetiger und glatter Hauptfaserbündel

Äquivalenzen stetiger und glatter Hauptfaserbündel Äquvalenzen stetger und glatter Hauptfaserbündel Chrstoph Müller Chrstoph Wockel Fachberech Mathematk Unverstät Darmstadt 31. Süddeutsches Kolloquum über Dfferenzalgeometre Glederung 1 De Problemstellung

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Eine kurze Einführung in die Dichtefunktionaltheorie (DFT)

Eine kurze Einführung in die Dichtefunktionaltheorie (DFT) Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

Grundlagen der stochastischen Integration

Grundlagen der stochastischen Integration Ruhr-Unverstät Bochum 2. November 29 Glederung Vorbemerkungen Vorberetungen (Fltratonen, Stoppzeten, Martngale) Lévy-Prozesse Stochastsche Integraton Itô-Formel Lteratur R. Cont, P. Tankov (24). Fnancal

Mehr

18. Vorlesung Sommersemester

18. Vorlesung Sommersemester 8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

5 Das Lebesgue Integral

5 Das Lebesgue Integral 5 AS LEBESGUE INTEGRAL 5 as Lebesgue Integral er Remann sche Integralbegrff m R n, den wr m ersten (für n = 1) und drtten Kaptel kennengelernt haben, eröffnet uns de Möglchket zur Berechnung ener sehr

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Seminar zur Numerischen Analysis im Wintersemester 2009/2010 Splines Spline-Räume - B-Spline-Basen

Seminar zur Numerischen Analysis im Wintersemester 2009/2010 Splines Spline-Räume - B-Spline-Basen Semnar zur Numerschen Analyss m Wntersemester 2009/2010 Splnes Splne-Räume - B-Splne-Basen René Janssens 16.10.2009 Inhaltsverzechns 1 Enletung 1 2 Räume von Splnefunktonen 2 2.1 Der Raum der Splnes.............................

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

Mehr

Einführung in die theoretische Physik 1

Einführung in die theoretische Physik 1 Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk

Mehr

5.3.3 Relaxationsverfahren: das SOR-Verfahren

5.3.3 Relaxationsverfahren: das SOR-Verfahren 53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx

Mehr

Lineare Regression - Mathematische Grundlagen

Lineare Regression - Mathematische Grundlagen FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

Mathematik der Finanzmärkte Vorlesungsskript

Mathematik der Finanzmärkte Vorlesungsskript Mathematk der Fnanzmärkte Vorlesungsskrpt Wnter 24/25 Achm Klenke Insttut für Mathematk Johannes Gutenberg-Unverstät Manz Staudngerweg 9 D-5599 Manz 16. Februar 25 korrgert: 11. Aprl 25 2 Inhaltsverzechns

Mehr

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Hydrosystemanalyse: Finite-Elemente-Methode (FEM)

Hydrosystemanalyse: Finite-Elemente-Methode (FEM) Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf

Mehr

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene

Mehr

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen

Mehr

4 Die geometrische Darstellung der komplexen

4 Die geometrische Darstellung der komplexen 4 De geometrsche Darstellung der komplexen Zahlen Mt komplexen Zahlen kann man rechnen we mt gewöhnlchen Zahlen. Man kann mt hnen alle quadratschen Glechungen lösen. Aber das st be wetem ncht alles: Komplexe

Mehr

Aspekte zur Approximation von Quadratwurzeln

Aspekte zur Approximation von Quadratwurzeln Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet

Mehr

14 Exakte Statistik nichtwechselwirkender Teilchen

14 Exakte Statistik nichtwechselwirkender Teilchen Woche 4 Exakte Statstk nchtwechselwrkender Telchen 4 Bose-Ensten Statstk Engeführt von Satyendra ath Bose 924) für Photonen von A Ensten für massve Telchen 925) Voraussetzung: Bosonen Telchen mt ganzzahlgen

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Nullstellen Suchen und Optimierung

Nullstellen Suchen und Optimierung Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!

Mehr

Experimentalphysik II (Kip SS 2007)

Experimentalphysik II (Kip SS 2007) permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem 1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme Runge-Kutta-Teore: Adjungerte Verfaren, A-Stabltät, Stefe Systeme Andre Neubert bat@un-paderborn.de Semnar Numerk für Informatker, SS2004: Runge-Kutta-Teore Sete Glederung : - Adjungerte Verfaren / Symmetrsce

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

Mehr

2. Grundbegriffe der Statistik

2. Grundbegriffe der Statistik Statstsche Physk, G. Schön, Karlsruher Insttut für Technologe (Unverstät) 3. Grundbegrffe der Statstk.1 Elementare Begrffe Im Folgenden betrachten wr ene oder mehrere stochastsche Varablen X oder auch

Mehr