26 Der Raum C([0, 1]) und Donskers Theorem

Größe: px
Ab Seite anzeigen:

Download "26 Der Raum C([0, 1]) und Donskers Theorem"

Transkript

1 26 Der Raum C[0, ] ud Doskers Theorem Ausarbeitug ud Formulieruge: Heig Sulzbach. 26. Motivatio Sei X, X 2,... eie Folge u.i.v. Zufallsvariable mit E[X ] 0 ud σ 2 : V[X ] < sowie S : X i die zugehörige Irrfahrt. Der ZGS Satz 7.3 besagt S σ d N 0,. 26. Durch lieare Iterpolatio köe wir die Irrfahrt mittels S t + t t X t zu eiem stetige Prozess auf [0, fortsetze. Desse Pfade sid stetig ud Zuwächse zwische gazzahlige Koordiate sid offesichtlich uabhägig. Der ZGS gibt Hoffug, dass der Prozess ach räumlicher ud zeitlicher vo abhägiger Skalierug icht ur für festes t, soder gar als Folge stetiger Prozesse i Verteilug gege eie Browsche Bewegug kovergiert. Dies ist die Aussage des fuktioale zetrale Grezwertsatz, auch Satz vo Dosker geat. Wir schräke us im folgede der Eifachheit halber auf das Itervall [0, ] ei ud betrachte de Prozess S t : σ S t + t t X t +, t [0, ]. Die räumliche Skalierug σ ergibt sich dabei aus dem ZGS 26.. Auch die zeitliche Skalierug sieht ma damit sofort ei. Da S /σ asymptotisch stadardormalverteilt ist, muss der Zeitpukt im Grezwert dem Pukt t eier Browsche Bewegug etspreche Der Raum C[0, ] Im folgede sei Die Norm C[0, ] : { [0, ] R stetig}. f : sup ft t [0,] macht C[0, ], zu eiem separable Baachraum, isbesodere ist der Raum polisch. Die Vollstädigkeit folgt aus der Tatsache, dass der Grezwert gleichmäßig kovergeter stetiger Fuktioe wieder stetig ist ud die Separabilität aus dem Approximatiossatz vo Weierstrass. Die Mege der Polyome mit ratioale Koeffiziete bilde eie abzählbare, dichte Teilmege. Die Projektioe π t : C[0, ] R π t f ft Stadardachschlagewerk für C[0, ] im Kotext der Wahrscheilichkeitstheorie ist das Buch vo Billigsley Covergece of probability measures.

2 sid für alle t [0, ] stetig, da gleichmäßige Kovergez puktweise Kovergez impliziert. Sei im folgede B die Borel σ-algebra auf C[0, ],. Wichtig ist folgede Äquivalez. Satz 26. Es gilt B σπ t : t [0, ]. Beweis: Die Iklusio folgt direkt aus der Stetigkeit der Projektiosabbilduge. Für die Rückrichtug beobachte ma, dass B auch vo de offee Kugel der Form B ε f {g C[0, ] : g f < ε} für f C[0, ] ud ε > 0 erzeugt wird, da jede offee Mege wege Separabilität als abzählbare Vereiigug offeer Kugel geschriebe werde ka. Nu gilt aber B ε f {g C[0, ] : g f < ε} t Q [0,] σπ t : t [0, ], { g C[0, ] : gt [ ft ε +, ft + ε ]} wobei hier die Stetigkeit der Fuktioe ausgeutzt wurde. Wir diskutiere die Aussage des Satzes kurz. Die eifache Iklusio ist auch ituitiv klar, ket ma de Prozess X, so ist auch X t für alle t bekat. Umgekehrt folgt aus der Ketis sämtlicher Projektioe X t, t [0, ], aber ur durch die Stetigkeit i Kombiatio mit der Separabilität, die Iformatio {X A} für messbares A. Zum Vergleich: Im Raum aller Fuktioe vo [0, ] ach R ist die Sachlage eie gaz adere, hier sid beide σ-algebre für die Stochastik relativ ubrauchbar. Die üblicherweise betrachtete vo de Projektioe erzeugte σ-algebra ist zwar gut kotrollierbar aber sehr klei i dem Si, dass icht eimal Ereigisse der Form {X stetig} oder {X f} für feste Fuktioe f messbar sid. Higege ist die vo der Supremumsorm erzeugte σ-algebra reichhaltig, jedoch völlig uzugäglich. Als wichtigste Folgerug aus dem Satz köe wir eisehe, dass ei W-Maß auf C[0, ] bereits durch seie edlichdimesioale Radverteiluge eideutig festgelegt ist, da das Megesystem {π t,..., π tk A, k N, 0 t... t k, A BR k } eie schittstabile Erzeuger vo σπ t : t [0, ] ud damit B bildet. Wir defiiere daher für ei Maß µ auf C[0, ] ud k N sowie Zeitpukte 0 t... t k durch µ t,...,t k A : µ π t,..., π tk A µ{f C[0, ] : f t,..., f tk A} ei W-Maß auf R k. Zwei Zufallsvariable X, Y mit Werte i C[0, ] sid demach idetisch verteilt, falls für alle k N ud 0 t... t k die Vektore X t,..., X tk ud Y t,..., Y tk als Vektore im R k idetisch verteilt sid. Defiitio 26.2 Seie µ, µ W-Maße auf C[0, ]. Da kovergiere die edlichdimesioale Verteiluge vo µ gege die vo µ, falls für alle k N ud 0 t... t k gilt µ t,...,t k w µt,...,t k. 2

3 fdd Ma schreibt µ µ. Übersichtlicher wird die Formulierug für Zufallsvariable X, X mit Werte i C[0, ]. Die edlichdimesioale Verteiluge vo X kovergiere gege die vo X falls dies für ihre Verteiluge gilt, d.h. X t,..., X t k d X t,..., X tk, ereut für alle k N ud 0 t... t k. Nach obiger Beobachtug liegt die Stärke vo fdd Kovergez dari, de mögliche Grezwert eideutig festzulege. Es gilt Satz 26.3 Seie µ, µ W-Maße auf C[0, ]. Da sid äquivalet µ w µ, µ ist straff ud µ fdd µ. Beweis: Nach dem Satz vo Prokhorov, Satz 6.6, ist Straffheit äquivalet dazu, dass die Mege {µ : } schwach relativkompakt ist, d.h. jede Teilfolge vo µ hat eie Teilteilfolge, die gege ei W-Maß auf C[0, ] kovergiert. Schwache Relativkompaktheit ud damit Straffheit folgt demach sofort aus schwacher Kovergez. Weiter folgt fdd Kovergez, da die Abbildug f π t f,..., π tk f stetig ist, aus dem Cotiuous Mappig Theorem, Satz 4.8. fdd Ageomme µ sei straff, µ µ ud µ kovergiere icht schwach gege µ. Da existiert aber auch eie Teilfolge µ, die gege ei vo µ verschiedees fdd fdd Maß ν kovergiert. Wege µ µ ud µ ν stimme die edlichdimesioale Verteiluge vo µ ud ν überei, demach folgt µ ν, ei Widerspruch Das Wieer Maß ud der Satz vo Dosker Wir habe im letzte Abschitt eie Browsche Bewegug kostruiert, d.h. eie Prozess B t t 0 auf eiem W-Raum Ω, Ā, P, so dass die vier Bediguge zu Begi vo Kapitel 24 erfüllt sid. Da existiert aber auch ei Mege Ω Ω mit PΩ, so dass B t t 0 für alle ω Ω stetig ist. Mit der Spur σ-algebra A Ā Ω ud der Eischräkug P vo P auf Ω, A ist B t t 0 eie stetige Browsche Bewegug auf dem W-Raum Ω, A, P. Defiitio 26.4 P Bt t [0,], d.h. die Verteilug der Browsche Bewegug auf [0, ], heißt Wieer Maß auf C[0, ]. Im folgede sei B eie C[0, ]-wertige Browsche Bewegug. Satz 26.5 Doskers Ivariazprizip Es gilt S d B i C[0, ],. Der Begriff Ivariazprizip ist ählich wie beim ZGS dadurch motiviert, dass lediglich Erwartugswert ud Variaz vo X asymptotisch vo Bedeutug sid. Weitere Eigeschafte der Verteilug spiele keierlei Rolle. Der Satz folgt mit Satz 26.3 aus de folgede Propositioe. 3

4 fdd Propositio 26.6 Es gilt S B. Propositio 26.7 P S ist straff. Wir begie mit der viel! eifachere Propositio 26.6 ud betrachte dazu de Stufeprozess S t σ S t. Zeitpukte 0 t < < t k falle für hireiched große i verschiedee Itervalle der Form [i /, i/, daher sid die Zufallsvariable S t, S t 2 S t,..., S t k S t k für große uabhägig. Es gilt aber für i k mit t 0 : 0 S t i S t i d σ t i i t i + t i t i X i σ ti t i + σ X i t i t i i t i t i + t i t i σ 2 X i t i t i X i Die beide Summade sid uabhägig ud für festes ist die zweite Summe etweder 0 oder X ti t i +, i jedem Fall geht der zweite Summad stochastisch gege 0. Der erste Term kovergiert ach dem ZGS gege eie Normalverteilug mit Variaz t i t i. Nach dem Satz vo Slutzky, Satz 4.5, gilt dies auch für de gaze Term. Uabhägigkeit liefert S t, S t 2 S t,..., S t k S t k d B t, B t2 B t,..., B tk B tk Da die Abbildug R k R k, fx,..., x k x, x 2 + x, x 3 + x 2..., x k + x k stetig ist, folgt aus dem Cotiuous Mappig Theorem S t,..., S t k d B t,..., B tk. Des Weitere uterscheide sich S ud S asymptotisch icht, es gilt für t [0, ] ud ε > 0 P S t S t > ε E[ S ε2 t S t 2 ] ε 2 σ 2 E[X2 ] 0. Es folgt S t,..., S t k S t,..., S t k 0 i Wahrscheilichkeit. Der Satz vo Slutzky liefert u ud damit Propositio S t,..., S t k d B t,..., B tk Wir komme u zum Begriff der Straffheit i C[0, ]. Essetiell ist es hierbei, kompakte Mege i C[0, ] zu verstehe. 4

5 Defiitio 26.8 Stetigkeitsmodul Für f C[0, ] heißt Stetigkeitsmodul vo f. ω f δ : sup{ ft fs : s, t [0, ], s t δ} Beachte, dass die gleichmäßige Stetigkeit vo f stets lim δ 0 ω f δ 0 impliziert. C[0, ], ist ei uedlichdimesioaler Baachraum, damit sid icht alle abgeschlossee, beschräkte Mege kompakt. Isbesodere gilt dies für die Mege aller stetige Fuktioe mit Norm kleier gleich, dem Eiheitsball. Aus der Fuktioalaalysis beutze wir folgede Satz. Satz 26.9 Arzela-Ascoli Sei A C[0, ] abgeschlosse. Da sid äquivalet A ist kompakt, sup f0 < ud lim f A sup δ 0 f A ω f δ 0. Bevor wir zum Beweis des Satzes komme, kommetiere wir ih kurz. Die erste Bedigug i der zweite Formulierug ist sofort eisichtig. Soll A kompakt sei, muss es isbesodere beschräkt sei ud das muss da atürlich auch a jeder Stelle x gelte. Die zweite Bedigug bedeutet ausformuliert, dass A gleichmäßig, gleichgradig stetig ist. Für alle ε > 0 existiert ei δ > 0, so dass für alle f A ud s, t [0, ] mit t s δ gilt ft fs < ε. Nu sieht ma auch, dass es ausreicht, sich auf de Pukt 0 eizuschräke. Es gilt f < f0 + /δε ud damit folgt, dass A gleichmäßig beschräkt ist, falls die zweite Formulierug erfüllt ist. Beispiele: Sei A {f, }. f. Da ist A zwar gleichmäßig, gleichgradig stetig, aber icht kompakt, da offesichtlich f 0 für. : t 2, f 0 : t 2, liear : t 2 <. A ist offesichtlich beschräkt, aber icht gleichgradig stetig, da die Grezfuktio f mit f/2, ft 0 sost, icht stetig ist. Geauer gilt sup f A ω f δ für alle δ > 0. Beweis: Ist A kompakt, so folgt Beschräkheit, d.h. es existiert ei C > 0 mit f < C für alle f A. Damit ist auch f0 < C für alle f A. Weiter ist die Fuktio ω f / für festes f mooto falled i ud für festes stetig i f. Damit kovergiert sie gleichmäßig ach dem Satz vo Dii, geauer: Für ε > 0 ist die Familie E {f A : ω f / < ε} sowohl aufsteiged als auch eie offee aufsteigede Überdeckug vo A ist. Damit gilt A E für alle ausreiched groß. Dies impliziert die Behauptug. 5

6 Seie u die beide Bediguge der zweite Formulierug erfüllt. Nach Lemma 6.5 reicht es zu zeige, dass A totalbeschräkt ist. Sei ε > 0. Wir werde eie edliche Mege B vo stückweise lieare Fuktioe kostruiere, so dass für alle f A eie Fuktio g B existiert mit f g < 2ε. Dies impliziert die Behauptug. Wähle zuächst k so groß, dass ω f /k < ε für alle f A. Wir hatte bereits eigesehe, dass C : sup t [0,] f A sup ft <. Sei N N mit N > C/ε ud H die Mege {i CN : i { N, N +,..., N, N} }. Weiter sei B die Mege aller stetige Fuktioe, die liear auf de Itervalle der Form [i /k, i/k] ud a de Pukte i/k Werte i H aehme. Offesichtlich ist B edlich ud für alle f A existiert ei g B mit i i f g < ε, i 0,,..., k. k k Wege der stückweise Liearität vo g ud ω f /k < ε folgt die Behauptug f g < 2ε. Der Satz übersetzt sich direkt i eie Charakterisierug vo Straffheit i C[0, ]. Theorem 26.0 Eie Folge µ vo W-Maße auf C[0, ] ist geau da straff, falls gilt µ 0 ist straff, d.h. für alle ε > 0 existiert x > 0 mit Für alle ε, η > 0 existiert δ > 0 mit sup µ { f0 x} ε sup µ { ω f δ η} ε Beweis: Die Richtug folgt umittelbar aus dem Satz vo Arzela-Ascoli. Für die Rückrichtug mache ma sich zuächst klar, dass für eie Teilmege A vo C[0, ] gilt lim sup δ 0 sup ω f δ 0 k δ k > 0 : ω f δ k /k f A f A Wir verfolge diese Idee ud wähle x > 0 sowie δ k > 0 für k so dass Wir setze sup µ { f0 > x} ε 2, sup µ { ω f δ k > /k} ε 2 k+. K : { f0 x} k { ω f δ k /k} 26.5 k { f0 x} { ω f δ k /k}

7 ud sehe a 26.6, dass K als Schitt abgeschlosseer Mege abgeschlosse ist. Weiter folgt aus 26.5 wege 26.4 die Kompaktheit vo K ach dem Satz vo Arzela-Ascoli. Die Behauptug folgt u aus µ K c ε 2 + ε ε. 2k+ k Wir verschärfe die zweite Bedigug etwas. Theorem 26. Eie Folge µ vo W-Maße auf C[0, ] ist bereits straff, falls 26.2 gilt ud Für alle ε, η > 0 existiert 0 < δ <, so dass für alle t [0, ] { } sup δ µ sup fs ft η ε s [0,], Die eue Bedigug hat de Vorteil, dass die Schwakuge der Fuktioe ur och gleichmäßig i eiem Parameter s kotrolliert werde müsse. Dies geht auf Koste eies Faktors δ. Beweis: Wir zeige, dass aus folgt. Seie ε, η > 0 gegebe ud 0 < δ < so gewählt, dass 26.7 erfüllt ist. Für j N 0 mit 0 j < δ sei 26.7 impliziert A j δ : { sup fs fjδ η s [0,],s jδ [0,δ] sup µ A j δ δε, 0 j < δ. Es gilt { ω f δ 3η} j:jδ A jδ ach der -Ugleichug. Also folgt sup µ { ω f δ 3η} sup µ j:jδ< j:jδ< j:jδ< }, A j δ sup µ A j δ δε 2ε, wobei wir im letzte Schritt δ < verwede. Beachte, dass es ausreicht für gegebee ε, η > 0 ei 0 < δ < ud ei N 0 N zu fide, so dass obige Bedigug 26.7 für das Supremum über N 0 erfüllt ist. Da folgt ämlich 26.3 für alle N 0 ud da edliche viele W-Maße i eiem polische Raum ach Satz 6.6 straff sid, folgt 26.3 für alle ; δ muss dazu gegebeefalls weiter verkleiert werde. Wir komme u zum Beweis vo Propositio 26.7 ud ehme dazu o.e. V[X ] a um die Rechuge übersichtlicher zu gestalte. 7

8 Wir verwede Satz 26. ud die aschließede Bemerkuge. Offesichtlich ist 26.2 erfüllt, da für alle gilt S 0 0 f.s. Wir müsse och 26.7 zeige. Seie dazu ε, η > 0 ud δ > 0 wird später spezifiziert. Weiter sei t [0, ] ud i N 0 defiiert durch i t < i +. Wir habe { } P S sup fs ft η P sup S s S t η P max S i+j S i η 0j2+δ 2 P max S j η m 2 0jm 2 δ mit m 2 + δ. Wir beötige u eie Maximalugleichug um diese Wahrscheilichkeit weiter abschätze zu köe. Da S ei Martigal ist, bietet sich die Doobsche Ugleichug, Aufgabe 5, a. Uter der zusätzliche Aahme vo α : E[X 4 ] < ist S 4 ei Submartigal, also folgt P S { sup fs ft η } 6δ2 E[S 4 m] η 4 m 2 2 6δ2 mα + m 2 σ 4 η 4 m 2 2 < δε, für δ hireiched klei 44α+σ4 η δ < ε ud hireiched groß δ >. Ohe zusätzliche Aahme ist die Fortführug des Beweises etwas aufwädiger, wir 4 beötige da folgedes Lemma, desse Beweis wir später achreiche. Lemma 26.2 Für alle x 0, N gilt P max S x 4 0j 3 P S x 2. Awedug des Lemmas ergibt { P S sup fs ft η } 2P S m η m 2 2 m 2 δ Sm 2P η m 3 δ für δ hireiched klei η 2 η 2 3 δ 2 ud hireiched groß δ 2. Mit dem zetrale Grezwertsatz folgt u ereut für hireiched großes ud Z d N 0, P S { sup fs ft η } 2P Z η 3 δ + δε 2 62δ2 η 4 EZ 4 + δε 2 δε, 8

9 wobei δ hireiched klei gewählt wird δ < εη4 324EZ. 4 Beweis Lemma: Sei A i {max j<i S j < x S i } das Ereigis, dass die Irrfahrt zum Zeitpukt i zum erste Mal betragsmäßig größer als x ist. Die Ereigisse sid paarweise disjukt ud es gelte { } max S j x j k A i, { S < x 2, A i } { S S i 2, A i } Weiter gilt P max S k j x P A i, S < x 2 + P S x j Wir beutze 26.8, Uabhägigkeit der dort auftretede Ereigisse ud die Chebychev-Ugleichug um de ubequeme Teil des erste Summade zu elimiiere. Wege V[S ] folgt da k P A i, S < x 2 PA i, S S i 2 PA i P S S i 2 PA i P S i 2 PA i V[S i] 4 4 P max j S j x. Mit 26.9 ergibt dies die Behauptug vo Lemma Das Cotiuous Mappig Theorem erlaubt es us auf Verteilugskovergez vo fs für reellwertige Fuktioe f zu schließe, die tatsächlich vom gaze Pfad abhäge. Korollar 26.3 Sei M sup{s, S 2,..., S }. Da gilt M σ d sup B t. t [0,] Beweis: M σ stimmt offesichtlich mit sup t [0,] S t überei. Da die Supremumsabbildug f sup t [0,] ft stetig ist, folgt die Behauptug aus dem Cotiuous Mappig Theorem. Die aaloge Aussage gilt auch für das Miimum mi{s,..., S }, sowie das absolute Maximum max{ S,..., S }. 9

Empirische Verteilungsfunktion

Empirische Verteilungsfunktion KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,

Mehr

Konvergenz von Folgen von Zufallsvariablen

Konvergenz von Folgen von Zufallsvariablen Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω

Mehr

7 Brownsche Bewegung (Version Januar 2012)

7 Brownsche Bewegung (Version Januar 2012) 7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,

Mehr

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man: Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes

Mehr

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio

Mehr

Zahlenfolgen und Konvergenzkriterien

Zahlenfolgen und Konvergenzkriterien www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit

Mehr

2 Konvergenz von Folgen

2 Konvergenz von Folgen Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge

Mehr

4 Konvergenz von Folgen

4 Konvergenz von Folgen 4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder

Mehr

Tests statistischer Hypothesen

Tests statistischer Hypothesen KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir

Mehr

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2 D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8 1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,

Mehr

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes

Mehr

5 Stationäre Prozesse (Version Januar 2012)

5 Stationäre Prozesse (Version Januar 2012) 5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie

Mehr

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa 20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle

Mehr

n gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)

n gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n) Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem

Mehr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung... KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe

Mehr

Konvergenz von Folgen reeller Zufallsvariablen

Konvergenz von Folgen reeller Zufallsvariablen Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio

Mehr

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ). KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio

Mehr

Ein Steilkurs über Martingale in diskreter Zeit

Ein Steilkurs über Martingale in diskreter Zeit Ei Steilkurs über Martigale i diskreter Zeit Matthias Birker WS 211/212 Dieser Text ist eie Eiladug, sich (i sehr kapper Form) mit der Theorie der (zeitdiskrete) Martigale zu beschäftige. Eie wesetlich

Mehr

Gesetze der großen Zahlen

Gesetze der großen Zahlen Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere

Mehr

Übungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx

Übungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per

Mehr

1 Lösungen zu Analysis 1/ 12.Übung

1 Lösungen zu Analysis 1/ 12.Übung Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt

Mehr

5-1 Elementare Zahlentheorie

5-1 Elementare Zahlentheorie 5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie

Mehr

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $ Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,

Mehr

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 = Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:

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 Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug

Mehr

Gesetz der großen Zahlen

Gesetz der großen Zahlen KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,

Mehr

Stochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014

Stochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014 Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik

Mehr

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag

Mehr

1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A

1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A 1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

KAPITEL 2. Zahlenfolgen

KAPITEL 2. Zahlenfolgen KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................

Mehr

74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,

74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit, 74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die

Mehr

Aufgaben zur Analysis I

Aufgaben zur Analysis I Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.

Mehr

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37 Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.

Mehr

Dirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen

Dirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen Vortrag zum Semiar zur Fuktioetheorie, 7.2.2007 Holger Witermayr I diesem Vortrag werde wir Kovergezeigeschafte vo Dirichlet-Reihe erarbeite ud eie Vergleich zu Potezreihe ziehe. Ei weiteres Ziel dieses

Mehr

Normierte Vektorräume

Normierte Vektorräume Normierte Vektorräume Wir betrachte im Folgede ur Vektorräume über R 1. Sei also V ei Vektorraum. Wir möchte Metrike auf V betrachte, die im folgede Sie mit der Vektorraumstruktur verträglich sid:, y,

Mehr

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit - 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete

Mehr

Zusammenfassung: Folgen und Konvergenz

Zusammenfassung: Folgen und Konvergenz LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele

Mehr

6 Grenzwerte von Zahlenfolgen

6 Grenzwerte von Zahlenfolgen 6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z

Mehr

3. Taylorformel und Taylorreihen

3. Taylorformel und Taylorreihen Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I

Mehr

Zenraler Grenzwertsatz

Zenraler Grenzwertsatz Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe

Mehr

Nachklausur - Analysis 1 - Lösungen

Nachklausur - Analysis 1 - Lösungen Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:

Mehr

4. Der Weierstraßsche Approximationssatz

4. Der Weierstraßsche Approximationssatz H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8 Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir

Mehr

Analysis I für M, LaG/M, Ph 4.Übungsblatt

Analysis I für M, LaG/M, Ph 4.Übungsblatt Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:

Mehr

Kapitel 9: Schätzungen

Kapitel 9: Schätzungen - 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.

Mehr

Kapitel 6 : Punkt und Intervallschätzer

Kapitel 6 : Punkt und Intervallschätzer 7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte

Mehr

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10. 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie

Mehr

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5 TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt

Mehr

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit

Mehr

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen 26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo

Mehr

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

Wir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.

Wir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel. Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie

Mehr

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $ Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum

Mehr

Lösungen der Übungsaufgaben von Kapitel 2

Lösungen der Übungsaufgaben von Kapitel 2 Aalysis I Ei Lerbuch für de safte Wechsel vo der Schule zur Ui Lösuge der Übugsaufgabe vo Kapitel zu... Ma zeige: Jede Teilfolge eier Umordug eier Folge ka als Umordug eier Teilfolge geschriebe werde.

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl

Mehr

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-

Mehr

13. Übungsblatt zur Vorlesung Mathematik I für Informatik

13. Übungsblatt zur Vorlesung Mathematik I für Informatik Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Sve Herrma Dipl.-Math. Susae Pape 3. Übugsblatt zur Vorlesug Mathematik I für Iformatik Witersemester 009/00 6./7. Jauar 00 Gruppeübug Aufgabe G (Reihe)

Mehr

Einführung in die Stochastik 10. Übungsblatt

Einführung in die Stochastik 10. Übungsblatt Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 1

Technische Universität München Zentrum Mathematik. Übungsblatt 1 Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt Hausaufgabe Aufgabe. Bestimme Sie de Kovergezbereich M der folgede Reihe für

Mehr

Aufgaben und Lösungen Weihnachtsgeschenke zur Vorlesung Analysis I

Aufgaben und Lösungen Weihnachtsgeschenke zur Vorlesung Analysis I Aufgabe ud Lösuge Weihachtsgescheke zur Vorlesug Aalysis I Der Witersemester 008/009 Übug am 4.., 5..008 sowie 0.0.009 Aufgabe. Folge Aufgabe Ma bestimme, ob die Folge (a ) mit a = + 3 + 4 kovergiert ud

Mehr

6. AufdemRaumder stetigdifferenzierbaren FunktionenC 1 ([a,b],r n ) kannman auch folgende Norm betrachten:

6. AufdemRaumder stetigdifferenzierbaren FunktionenC 1 ([a,b],r n ) kannman auch folgende Norm betrachten: 2 Kapitel. Gewöhliche Differetialgleichuge.2 Baachräume Um de Satz vo Picard ud Lidelöf auf höhere Dimesioe übertrage zu köe, wird hier zuächst der Begriff des Baachraums bereitgestellt ud da der Baachsche

Mehr

KAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen

KAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele

Mehr

Analysis I für M, LaG/M, Ph 8.Übungsblatt

Analysis I für M, LaG/M, Ph 8.Übungsblatt Aalysis I für M, LaG/M, Ph 8Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr Robert Haller-Ditelma 0206200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergezkriterie/Kovergezradie) (a)

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug

Mehr

Bernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz

Bernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz Bersteipolyome Vortrag zum Prosemiar zur Aalysis, 6. 10. 2010 Malte Milatz I diesem Vortrag wird der bereits im Sript zur Aalysis ii zitierte Approximatiossatz vo Weierstraß mithilfe der Bersteipolyome

Mehr

III. Die Brownsche Bewegung

III. Die Brownsche Bewegung 9. Defiitio ud erste Eigeschafte Es sei (Ω, F, P ) ei Wahrscheilichkeitsraum ud T R, T eie Zeitidexmege. Wir betrachte jetzt eie stochastische Prozess X = (X t ) t T mit Zustadsraum R, das heißt dass (X

Mehr

Stochastisches Integral

Stochastisches Integral Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug

Mehr

D-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1

D-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1 D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)

Mehr

Der Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist

Der Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004 Lösuge zu Aufgabeblatt 7

Mehr

8. Übungsblatt Aufgaben mit Lösungen

8. Übungsblatt Aufgaben mit Lösungen 8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium

Mehr

Analysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze

Analysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug

Mehr

Grundkurs Mathematik II

Grundkurs Mathematik II Prof. Dr. H. Breer Osabrück SS 2017 Grudkurs Mathematik II Vorlesug 48 Itervallschachteluge Eie weitere Möglichkeit, reelle Zahle zu beschreibe, eizuführe, zu approximiere ud recherisch zu hadhabe, wird

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n, f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,

Mehr

GESETZE DER GROSSEN ZAHLEN

GESETZE DER GROSSEN ZAHLEN KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich

Mehr

4. Reihen Definitionen

4. Reihen Definitionen 4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge

Mehr

Klausur vom

Klausur vom UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit

Mehr

Gesetze der Großen Zahl und Zentraler Grenzwertsatz

Gesetze der Großen Zahl und Zentraler Grenzwertsatz Kapitel 5 Gesetze der Große Zahl ud Zetraler Grezwertsatz Seie X,X,... uabhägige, idetisch verteilte reelle Zufallsvariable mit Var[Xi 0,. Wir betrachte S := X i i= ud frage ach de typische Werte, die

Mehr

Wörterbuchmethoden und Lempel-Ziv-Codierung

Wörterbuchmethoden und Lempel-Ziv-Codierung Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

7. Potenzreihen und Taylor-Reihen

7. Potenzreihen und Taylor-Reihen 7. Potezreihe ud Taylor-Reihe 39 7. Potezreihe ud Taylor-Reihe Mit Hilfe der Cauchysche Itegralformel wolle wir u i diesem Kapitel ei weiteres sehr zetrales Resultat der Fuktioetheorie herleite, ämlich

Mehr

6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung

6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung 6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist

Mehr

Kapitel VI. Reihen. VI.1 Definitionen und Beispiele. Definition VI.1. Sei (a n ) n=1 K N eine Zahlenfolge. Dann heißt die Folge (s m ) m=1 K N, mit

Kapitel VI. Reihen. VI.1 Definitionen und Beispiele. Definition VI.1. Sei (a n ) n=1 K N eine Zahlenfolge. Dann heißt die Folge (s m ) m=1 K N, mit Kapitel VI Reihe VI.1 Defiitioe ud Beispiele Defiitio VI.1. Sei (a K N eie Zahlefolge. Da heißt die Folge (s m K N, mit m s m : a, (VI.1 Reihe i K. Ist (s m koverget, so schreibe wir { a : lim {s m m}

Mehr

Wirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel

Wirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische

Mehr

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln 6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel

Mehr

Wirksamkeit, Effizienz

Wirksamkeit, Effizienz 3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue

Mehr

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung 6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez

Mehr

Mathematische Vorgehensweise

Mathematische Vorgehensweise Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud

Mehr

Konvergenz von Fourier-Reihen

Konvergenz von Fourier-Reihen Kovergez vo Fourier-Reihe Ausarbeitug zum Semiar zur Fourieraalysis, 3..27 obias Reimes Diese Ausarbeitug beschäftigt sich mit der Kovergez vo Fourier-Reihe. Hierzu werde im erste Abschitt eiige Vorbemerkuge

Mehr

6. Folgen und Grenzwerte

6. Folgen und Grenzwerte 56 Adreas Gathma 6. Folge ud Grezwerte Wie scho am Ede des letzte Kapitels ageküdigt wolle wir u zur eigetliche Aalysis, also zur lokale Utersuchug vo Fuktioe komme. Der zetrale Begriff ist dabei der des

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt

Mehr