Zufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
|
|
- Michael Hertz
- vor 6 Jahren
- Abrufe
Transkript
1 Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011
2 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile Zufallsmaße
3 3 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile Zufallsmaße
4 4 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Definition X = {X(t)} t T reellwertiger stochastischer Prozess. X heißt (strikt, symmetrisch) stabil genau dann, wenn t 1,..., t d T : (X(t 1 ),..., X(t d )) (strikt, symmetrisch) stabil ist.
5 4 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Definition X = {X(t)} t T reellwertiger stochastischer Prozess. X heißt (strikt, symmetrisch) stabil genau dann, wenn t 1,..., t d T : (X(t 1 ),..., X(t d )) (strikt, symmetrisch) stabil ist. Theorem X = {X(t)} t T stochastischer Prozess. Dann ist X strikt stabil/symmetrisch stabil genau dann, wenn d k=1 b kx(t k ) strikt stabil/symmetrisch stabil t 1,..., t d T, b 1,..., b d R.
6 5 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Beispiel: α-stabiler Lévy-Prozess Beispiel X = {X(t)} t 0 stochastischer Prozess
7 5 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Beispiel: α-stabiler Lévy-Prozess Beispiel X = {X(t)} t 0 stochastischer Prozess X: α-stabiler Lévy-Prozess genau dann, wenn
8 5 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Beispiel: α-stabiler Lévy-Prozess Beispiel X = {X(t)} t 0 stochastischer Prozess X: α-stabiler Lévy-Prozess genau dann, wenn X(0) = 0 f.s. X(t2 ) X(t 1 ),..., X(t d ) X(t d 1 ) unabh. t 1... t d α (0, 2], β [ 1, 1], 0 s < t : X(t) X(s) S α ((t s) 1/α, β, 0)
9 5 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Beispiel: α-stabiler Lévy-Prozess Beispiel X = {X(t)} t 0 stochastischer Prozess X: α-stabiler Lévy-Prozess genau dann, wenn X(0) = 0 f.s. X(t2 ) X(t 1 ),..., X(t d ) X(t d 1 ) unabh. t 1... t d α (0, 2], β [ 1, 1], 0 s < t : X(t) X(s) S α ((t s) 1/α, β, 0) X α-stabiler Lévy-Prozess X α-stabiler Prozess
10 6 Stabile Prozesse Dezember 2011 Stabile Integrale Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile Zufallsmaße
11 7 Stabile Prozesse Dezember 2011 Stabile Integrale Endlich dimensionale Verteilungen (E, E, m) Maßraum β : E [ 1, 1] messbar
12 7 Stabile Prozesse Dezember 2011 Stabile Integrale Endlich dimensionale Verteilungen (E, E, m) Maßraum β : E [ 1, 1] messbar F = { L α (E, E, m), α 1 {f : f L 1 (E, E, m), f (x)β(x) log f (x) m(dx) < }, sonst
13 8 Stabile Prozesse Dezember 2011 Stabile Integrale Ziel: Stochastischer Prozess {I(f )} f F mit Eigenschaften
14 8 Stabile Prozesse Dezember 2011 Stabile Integrale Ziel: Stochastischer Prozess {I(f )} f F mit Eigenschaften Linearität: I(a1 f 1 + a 2 f 2 ) = a 1 I(f 1 ) + a 2 I(f 2 ), a 1, a 2 R, f 1, f 2 F f F : I(f ) stabile ZV
15 8 Stabile Prozesse Dezember 2011 Stabile Integrale Ziel: Stochastischer Prozess {I(f )} f F mit Eigenschaften Linearität: I(a1 f 1 + a 2 f 2 ) = a 1 I(f 1 ) + a 2 I(f 2 ), a 1, a 2 R, f 1, f 2 F f F : I(f ) stabile ZV Idee: Spezifikation der endlich-dimensionalen Verteilungen + Satz von Kolmogorov
16 9 Stabile Prozesse Dezember 2011 Stabile Integrale Endlich dimensionale Verteilungen Für α 1 φ f1,...,f d (θ 1,..., θ d ) = d exp θ j f j (x) E j=1 d 1 iβ(x)sign θ j f j (x) tan(πα/2) m(dx) α j=1
17 9 Stabile Prozesse Dezember 2011 Stabile Integrale Endlich dimensionale Verteilungen Für α 1 φ f1,...,f d (θ 1,..., θ d ) = d exp θ j f j (x) E Für α = 1 j=1 j=1 d 1 iβ(x)sign θ j f j (x) tan(πα/2) m(dx) α φ f1,...,f d (θ 1,..., θ d ) = d exp θ j f j (x) 1 + i 2 d E π β(x)sign d θ j f j (x) log θ j f j (x) m(dx) j=1 j=1 j=1
18 10 Stabile Prozesse Dezember 2011 Stabile Integrale 1. Schritt Zeige: vorherige Ausdrücke sind CF eines α-stabilen ZV
19 10 Stabile Prozesse Dezember 2011 Stabile Integrale 1. Schritt Zeige: vorherige Ausdrücke sind CF eines α-stabilen ZV Details: Tafel
20 11 Stabile Prozesse Dezember 2011 Stabile Integrale Erinnerung Theorem Sei 0 < α < 2, α 1, X = (X 1, X 2,..., X d ) ZV X α-stabil
21 11 Stabile Prozesse Dezember 2011 Stabile Integrale Erinnerung Theorem Sei 0 < α < 2, α 1, X = (X 1, X 2,..., X d ) ZV X α-stabil Γ: endliches Maß auf Sd µ 0 R d sodass
22 11 Stabile Prozesse Dezember 2011 Stabile Integrale Erinnerung Theorem Sei 0 < α < 2, α 1, X = (X 1, X 2,..., X d ) ZV X α-stabil Γ: endliches Maß auf Sd µ 0 R d sodass φx (θ) = ( ) exp (θ, s) α (1 isign((θ, s)) tan(πα/2))γ(ds) + i(θ, µ 0 ) S d
23 12 Stabile Prozesse Dezember 2011 Stabile Integrale 2. Schritt Theorem (Kolmogorov) {P t1,t 2,...,t n } t1,...,t n T W Maße auf (R n, B(R n ))
24 12 Stabile Prozesse Dezember 2011 Stabile Integrale 2. Schritt Theorem (Kolmogorov) {P t1,t 2,...,t n } t1,...,t n T W Maße auf (R n, B(R n )) φ t1,...,t n : charakteristische Funktion von P t1,...,t n
25 12 Stabile Prozesse Dezember 2011 Stabile Integrale 2. Schritt Theorem (Kolmogorov) {P t1,t 2,...,t n } t1,...,t n T W Maße auf (R n, B(R n )) φ t1,...,t n : charakteristische Funktion von P t1,...,t n Angenommen Symmetrie: φtπ(1),...,t π(n) (θ π(1),..., θ π(n) ) = φ t1,...,t n (θ 1,..., θ n ) für alle Permutationen π S(n), t 1,..., t n T Konsistenz: φ t1,...,t n (θ 1,..., θ n ) = φ t1,...,t n,...,t d (θ 1,..., θ n, 0,..., 0) für alle n d, t 1,..., t n T stochastischer Prozess {X(t)} t T mit endlichen Verteilungen von Rang n gegeben durch {P t1,...,t n } t1,...,t n
26 12 Stabile Prozesse Dezember 2011 Stabile Integrale 2. Schritt Theorem (Kolmogorov) {P t1,t 2,...,t n } t1,...,t n T W Maße auf (R n, B(R n )) φ t1,...,t n : charakteristische Funktion von P t1,...,t n Angenommen Symmetrie: φtπ(1),...,t π(n) (θ π(1),..., θ π(n) ) = φ t1,...,t n (θ 1,..., θ n ) für alle Permutationen π S(n), t 1,..., t n T Konsistenz: φ t1,...,t n (θ 1,..., θ n ) = φ t1,...,t n,...,t d (θ 1,..., θ n, 0,..., 0) für alle n d, t 1,..., t n T stochastischer Prozess {X(t)} t T mit endlichen Verteilungen von Rang n gegeben durch {P t1,...,t n } t1,...,t n Im konkreten Fall: beide Bedingungen erfüllt
27 13 Stabile Prozesse Dezember 2011 Stabile Integrale Linearität Theorem Seien a 1, a 2 R, f 1, f 2 F. Dann gilt
28 13 Stabile Prozesse Dezember 2011 Stabile Integrale Linearität Theorem Seien a 1, a 2 R, f 1, f 2 F. Dann gilt I(a 1 f 1 + a 2 f 2 ) = a 1 I(f 1 ) + a 2 I(f 2 ) f.s.
29 13 Stabile Prozesse Dezember 2011 Stabile Integrale Linearität Theorem Seien a 1, a 2 R, f 1, f 2 F. Dann gilt I(a 1 f 1 + a 2 f 2 ) = a 1 I(f 1 ) + a 2 I(f 2 ) f.s. f 3 := a 1 f 1 + a 2 f 2, a 3 = 1
30 13 Stabile Prozesse Dezember 2011 Stabile Integrale Linearität Theorem Seien a 1, a 2 R, f 1, f 2 F. Dann gilt I(a 1 f 1 + a 2 f 2 ) = a 1 I(f 1 ) + a 2 I(f 2 ) f.s. f 3 := a 1 f 1 + a 2 f 2, a 3 = 1 Eexp(iθ(a 1 I(f 1 ) + a 2 I(f 2 ) I(f 3 ))) = exp = 1, E 3 θa j f j (x) j=1 da a 1 f 1 + a 2 f 2 f 3 = 0. α (1 iβ(x)sign( 3 θa j f j (x)) tan(πα/2))m(dx) j=1
31 14 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile Zufallsmaße
32 15 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Notationen: (Ω, F, P) W raum L 0 (Ω): reellwertige ZVen
33 15 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Notationen: (Ω, F, P) W raum L 0 (Ω): reellwertige ZVen (E, E, m) Maßraum β : E [ 1, 1] messbar E 0 = {A E : m(a) < }
34 15 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Notationen: (Ω, F, P) W raum L 0 (Ω): reellwertige ZVen (E, E, m) Maßraum β : E [ 1, 1] messbar E 0 = {A E : m(a) < } Für M : E 0 L 0 (Ω) gelte M σ-additiv: A = i=1 A i, A E 0 M(A) = i=1 M(A i) f.s. M independently scattered: A1,..., A k pw. disjunkt M(A 1 ),..., M(A k ) unabhängig
35 16 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Ziel: Definition stochastischer Prozesse {M(A)} A E0
36 16 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Ziel: Definition stochastischer Prozesse {M(A)} A E0 Eigenschaften M(A) α-stabil A = i=1 A i, A E 0 M(A) = i=1 M(A i) f.s. A 1,..., A k pw. disjunkt M(A 1 ),..., M(A k ) unabhängig
37 16 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Ziel: Definition stochastischer Prozesse {M(A)} A E0 Eigenschaften M(A) α-stabil A = i=1 A i, A E 0 M(A) = i=1 M(A i) f.s. A 1,..., A k pw. disjunkt M(A 1 ),..., M(A k ) unabhängig Idee: Setze M(A) = I(1 A )
38 17 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Definition Sei M : E 0 L 0 (Ω) indep. scattered und σ-additiv, sodass M(A) S α ((m(a)) 1/α, A β(x)m(dx)/m(a), 0) für alle A E 0. Dann heißt M α-stabiles Zufallsmaß auf (E, E).
39 17 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Definition Sei M : E 0 L 0 (Ω) indep. scattered und σ-additiv, sodass M(A) S α ((m(a)) 1/α, A β(x)m(dx)/m(a), 0) für alle A E 0. Dann heißt M α-stabiles Zufallsmaß auf (E, E).
40 17 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Definition Sei M : E 0 L 0 (Ω) indep. scattered und σ-additiv, sodass M(A) S α ((m(a)) 1/α, A β(x)m(dx)/m(a), 0) für alle A E 0. Dann heißt M α-stabiles Zufallsmaß auf (E, E). Existenz: M(A) = I(1 A )
41 18 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße I(1 A ) S α (m(a) 1/α, A β(x)m(dx)/m(a), 0)
42 18 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße I(1 A ) S α (m(a) 1/α, A β(x)m(dx)/m(a), 0) independently scattered: E(exp(i d j=1 θ jm(a j ))) = d α d exp θ j 1 Aj (x) 1 iβ(x)sign( θ j 1 Aj (x)) tan(πα/2) m(dx E j=1 j=1
43 18 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße I(1 A ) S α (m(a) 1/α, A β(x)m(dx)/m(a), 0) independently scattered: E(exp(i d j=1 θ jm(a j ))) = d α d exp θ j 1 Aj (x) 1 iβ(x)sign( θ j 1 Aj (x)) tan(πα/2) m(dx E j=1 j=1 d = exp θ j α 1Aj (x)(1 iβ(x)sign(θ j 1 Aj (x)) tan(πα/2))m(dx) j=1 E
44 18 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße I(1 A ) S α (m(a) 1/α, A β(x)m(dx)/m(a), 0) independently scattered: E(exp(i d j=1 θ jm(a j ))) = d α d exp θ j 1 Aj (x) 1 iβ(x)sign( θ j 1 Aj (x)) tan(πα/2) m(dx E j=1 j=1 d = exp θ j α 1Aj (x)(1 iβ(x)sign(θ j 1 Aj (x)) tan(πα/2))m(dx) j=1 = d j=1 E(exp(iθ jm(a j ))) E
45 19 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße f.s. Additivität
46 19 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße f.s. Additivität n n M(A i ) = I(1 Ai ) i=1 i=1 = I( n 1 Ai ) i=1 = M(A 1... A n ) f.s.
47 20 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße σ-additivität A 1, A 2,... E 0 pw. disjunkt, B = j=1 A j E 0 z.z. M(B) i=1 M(A i) = lim n M(B \ n j=1 A j) = 0 f.s.
48 20 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße σ-additivität A 1, A 2,... E 0 pw. disjunkt, B = j=1 A j E 0 z.z. M(B) i=1 M(A i) = lim n M(B \ n j=1 A j) = 0 f.s. Theorem Seien ξ 1, ξ 2,... unabhängige reellwertige ZVen Dann: i ξ i konvergiert f.s. i ξ i konvergiert in Verteilung
49 20 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße σ-additivität A 1, A 2,... E 0 pw. disjunkt, B = j=1 A j E 0 z.z. M(B) i=1 M(A i) = lim n M(B \ n j=1 A j) = 0 f.s. Theorem Seien ξ 1, ξ 2,... unabhängige reellwertige ZVen Dann: i ξ i konvergiert f.s. i ξ i konvergiert in Verteilung Genügt z.z. M(B) n i=1 M(A i) = M(B \ n j=1 A j) 0 in Verteilung
50 21 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Z.z.: B 1 B 2... E 0, j B j = M(B n ) 0 in Wahrscheinlichkeit Theorem Sei 0 < α < 2, σ > 0 C 1, C 2 > 0 β [ 1, 1] λ > C 1 und X S α (σ, β, 0) gilt: P( X > λ) C 2 λ α
51 21 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Z.z.: B 1 B 2... E 0, j B j = M(B n ) 0 in Wahrscheinlichkeit Theorem Sei 0 < α < 2, σ > 0 C 1, C 2 > 0 β [ 1, 1] λ > C 1 und X S α (σ, β, 0) gilt: P( X > λ) C 2 λ α M(B n ) d = m(b n ) 1/α X n, X n S α (1, β n, 0) für ein β n [ 1, 1] P( M(B n ) > ε) C 2 ε α m(b n ) n 0
52 22 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Beispiel (E, E, m) = ([0, ), B, ν 1 ), β(x) = β M zugehöriges α-stabiles Maß
53 22 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Beispiel (E, E, m) = ([0, ), B, ν 1 ), β(x) = β M zugehöriges α-stabiles Maß Dann: X(t) = M([0, t]) ist α-stabiler Lévy-Prozess
54 23 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße [2],[1] Vielen Dank für die Aufmerksamkeit!
55 24 Stabile Prozesse Dezember 2011 α-stabile Zufallsmaße Literature I O. Kallenberg. Foundations of modern probability. Springer Verlag, G. Samorodnitsky and M.S. Taqqu. Stable non-gaussian processes: Stochastic models with infinite variance. Chapman & Hall, 1994.
κ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrMusterlösung Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist
Mehr2 Allgemeine Integrationstheorie
2 Allgemeine Integrationstheorie In diesem Abschnitt ist (,S,µ) ein Maßraum, und wir betrachten R immer mit der σ Algebra B(R). Ziel ist es, messbare Funktionen f : R zu integrieren. Das Maß µ wird uns
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrDecoupling in der Sozialpolitik
Research Programme SocialWorld World Society, Global Social Policy and New Welfare States University of Bielefeld, Germany Institute for World Society Studies Julia Hansmeyer Decoupling in der Sozialpolitik
MehrRegulär variierende Funktionen
KAPITEL 4 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Wir haben bereits gesehen,
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
MehrSignifikanz von Alignment Scores und BLAST
Westfälische Wilhelms Universität Münster Fachbereich 10 - Mathematik und Informatik Signifikanz von Alignment Scores und BLAST Seminarvortrag von Leonie Zeune 10. Mai 2012 Veranstaltung: Seminar zur mathematischen
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
Mehr0 + #! % ( ) % )1, !,
! #! % ( ) % +!,../ 0 + #! % ( ) % )1,233 3 4!, 5 2 6 7 2 6 ( (% 6 2 58.9../ : 2../ ! # % & # ( ) + +, % ( ( + +., / (! & 0 + 1 2 3 4! 5! 6! ( 7 ) + 8 9! + : +, 5 & ; + 9 0 < 5 3 & 9 ; + 9 0 < 5 3 %!
MehrZusammenfassung Stochastik I + II
Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrBeispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von
Kapitel 8 Statistische Tests 8.1 Begriffsbildung und Beispiele Beispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von a 0 1 137.036. Der genaue Wert ist bis auf 10 15 genau
MehrMathematik III. Produkt-Präringe
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 66 Es ist unser Ziel zu zeigen, dass auf der Produktmenge von Maßräumen unter recht allgemeinen Voraussetzungen ein Maß definiert ist,
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrSurjektive, injektive und bijektive Funktionen.
Kapitel 1: Aussagen, Mengen, Funktionen Surjektive, injektive und bijektive Funktionen. Definition. Sei f : M N eine Funktion. Dann heißt f surjektiv, falls die Gleichung f(x) = y für jedes y N mindestens
MehrFormelsammlung zum Starterstudium Mathematik
Formelsammlung zum Starterstudium Mathematik Universität des Saarlandes ¼ Version.3 Inhaltsverzeichnis. Potenzgesetze. Vollständige Induktion 3. Betragsgleichungen, Betragsungleichungen 4 4. Folgen und
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrLotka-Volterra-Gleichungen für mehr als zwei Populationen
Lotka-Volterra-Gleichungen für mehr als zwei Populationen Dennis Kunz 06.12.2011 Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics Lotka-Volterra-Gleichungen für mehr als zwei
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
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
MehrFaltung und Approximation von Funktionen
Faltung und Approximation von Funktionen Lisa Bauer und Anja Moldenhauer 9. Juni 2008 1 Die Faltung von Funktionen 1.1 Die Faltung Eine kleine Widerholung mit einem Zusatz: Vergleiche den Vortrag von Benjamin
MehrSTOCHASTIK A&B PHILIP HERRMANN
STOCHASTIK A&B PHILIP HERRMANN Inhaltsverzeichnis 1. Kombinatorik 2 2. Wahrscheinlichkeiten 2 3. Bedingte Wahrscheinlichkeiten 3 4. Unabhängige Ereignisse 4 5. Diskrete Zufallsvariablen 4 6. Erwartungswert
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrTheorie zufälliger Matrizen
Theorie zufälliger Matrizen Susanna Röblitz (geb. Kube) Disputationsvortrag Berlin, 17. Dezember 2008 1,000,000 $ Kernphysik Multivariate Statistik 17.12.2008 2/29 Susanna Röblitz 1,000,000 $ Kernphysik
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrSprungprozesse in der Finanzmathematik
Sprungprozesse in der Finanzmathematik Stefan Kassberger Frankfurt School of Finance and Management Antrittsvorlesung am 22.3.2012 1. Empirische Beobachtungen 2. Jump-Prozesse und alternative Verteilungen
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrRepresentation type and Auslander-Reiten theory of Frobenius-Lusztig kernels
Representation type and Auslander-Reiten theory of Frobenius-Lusztig kernels Julian Külshammer Christian-Albrechts-Universität zu Kiel 11.05.2012 Notation A (endlich-dimensionale, assoziative, unitäre)
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrDas sequentielle Gleichgewicht
Das sequentielle Gleichgewicht Seminarvortrag von Florian Lasch Dozent: Prof. Dr. Matthias Löwe Seminar: Anwendungen der Wahrscheinlichkeitstheorie Institut für Mathematische Statistik Fachbereich Mathematik
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr17 Nichtparametrische Schätzer
17 Nichtparametrische Schätzer In diesem Paragraphen werden kurz einige Möglichkeiten skizziert, auch in nichtparametrischen Modellenzu Schätzern fürinteressierende statistische Größenzugelangen. a Empirische
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr12 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
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrEinführung Mathematische Ausdrücke Symbole Array Formatierungen Hilfen. Fachschaft Elektro- und Informationstechnik. Formelsatz in L A TEX
Fachschaft Elektro- und Informationstechnik Formelsatz in L A TEX L A TEX Christian Krämer 15. November 2011 Inhalt 1 Einführung Mathe-Umgebungen Einfache Terme 2 Mathematische Ausdrücke Mathematische
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr13. Der diskrete Logarithmus
13. Der diskrete Logarithmus 13.1. Definition. Sei p eine Primzahl. Wie wir in 9 bewiesen haben, ist die multiplikative Gruppe F p des Körpers F p = Z/p zyklisch. Sei g ein erzeugendes Element von F p
MehrDer Primzahlsatz. Es gibt eine Konstante A, so daß f(x) g(x) Ah(x) für alle genügend großen x.
Der Primzahlsatz Zusammenfassung Im Jahr 896 wurde von Hadamard und de la Vallée Poussin der Primzahlsatz bewiesen: Die Anzahl der Primzahlen kleiner gleich verhält sich asymptotisch wie / log. Für ihren
Mehr1 Rechnen mit 2 2 Matrizen
1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
MehrZiel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels
Ziel der Wahrscheinlicheitsrechnung Teil V Wahrscheinlicheitsrechnung Aussagen über Experimente und Prozesse mit unsicherem Ausgang. Beispiele Würfeln Literatur: Ziehen von Losen aus einer Urne Glücsspiele
Mehr2 Grundgrößen und -gesetze der Elektrodynamik
Grundgrößen und -gesetze der Elektrodynamik. Grundgrößen der Elektrodynamik.. Ladung und die dreidimensionale δ-distribution Ladung Q, q Ladungen treten in zwei Variationen auf: positiv und negativ Einheit:
MehrAbbildung 5.1: stabile und instabile Ruhelagen
Kapitel 5 Stabilität Eine intuitive Vorstellung vom Konzept der Stabilität vermitteln die in Abb. 5.1 dargestellten Situationen. Eine Kugel rollt unter dem Einfluss von Gravitation und Reibung auf einer
MehrSchwache Konvergenz. Kapitel 8
Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrKaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall
Kaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall Christian Reichlin Michael Stadelmann 29. Mai 26 Statistik-Seminar bei Frau Prof. Dr. Sara van de Geer, Herrn Dr. Prof. Barbour,
MehrBerechenbare Funktionalanalysis und kompakte Operatoren
Berechenbare Funktionalanalysis und kompakte Operatoren Volker Bosserhoff Oberseminar der Fakultät für Informatik, 22. Juli 2008 Typ-2-Berechenbarkeit Rechnen mit endlichen Objekten Σ := {0, 1}. f : Σ
Mehr3.8. Lineare Abbildungen.
38 Lineare Abbildungen 38 Lineare Abbildungen 38 Definition Es seien V und W Vektorräume über K Eine Abbildung α : V W heißt linear, wenn für alle Vektoren u, v V und alle Skalare k K gilt: α(u + v α(u
MehrAlle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehreine Zufallsvariable. Eine der Definitionen des Erwartungswerts war:
8.4. Definition und Eigenschaften des Erwartungswerts Wir haben den Erwartungswert nur für Zufallsvariablen auf einem diskreten Wahrscheinlichkeitsraum definiert. Sei (Ω, F, P) ein diskreter Wahrscheinlichkeitsraum
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
Mehr