1 Grundlagen der Maßtheorie

Größe: px
Ab Seite anzeigen:

Download "1 Grundlagen der Maßtheorie"

Transkript

1 1 Grundlagen der Maßtheorie In diesem Kapitel führen wir die Mengensysteme ein, die eine systematische Betrachtung von Ereignissen und zufälligen Beobachtungen in der Wahrscheinlichkeitstheorie erlauben. Ferner sollen Maße, insbesondere Wahrscheinlichkeitsmaße, auf solchen Mengensystemen konstruiert werden. Schließlich werden wir Zufallsvariablen als messbare Abbildungen definieren. 1.1 Mengensysteme Im Folgenden ist stets Ω eine Menge und A 2 Ω (Potenzmenge von Ω) eine Familie von Teilmengen. Später wird die Menge Ω als Raum von Elementarereignissen interpretiert werden und A als ein System von beobachtbaren Ereignissen. Wir wollen in diesem Abschnitt Mengensysteme, die abgeschlossen sind unter einfachen mengentheoretischen Verknüpfungen, mit Namen versehen und einfache Beziehungen zwischen solchen Systemen herstellen. Definition 1.1. Das Mengensystem A heißt -stabil (sprich: schnittstabil) oder ein π-system, falls für je zwei Mengen A, B Agilt, dass auch A B A, σ- -stabil (sigma-schnittstabil), falls für je abzählbar unendlich viele Mengen A 1,A 2,... Agilt, dass auch A n A, -stabil (vereinigungsstabil), falls für je zwei Mengen A, B Agilt, dass auch A B A, σ- -stabil (sigma-vereinigungsstabil), falls für je abzählbar unendlich viele Mengen A 1,A 2,... Agilt, dass auch A n A, \-stabil (differenzmengenstabil), falls für je zwei Mengen A, B Agilt, dass auch A \ B A, komplementstabil, falls mit jeder Menge A Aauch A c := Ω \ A Agilt.

2 2 1 Grundlagen der Maßtheorie Definition 1.2 (σ-algebra). Ein Mengensystem A 2 Ω heißt σ-algebra, falls die folgenden drei Bedingungen erfüllt sind. (i) Ω A, (ii) A ist komplementstabil, (iii) A ist σ- -stabil. σ-algebren sind die natürlichen Mengensysteme für zufällige Ereignisse, denn wie wir sehen werden, können wir diesen Ereignissen in konsistenter Weise Wahrscheinlichkeiten zuordnen. Satz 1.3. Ist A komplementstabil, so gelten die beiden folgenden Äquivalenzen. A ist -stabil A ist -stabil, A ist σ- -stabil A ist σ- -stabil. Beweis. Dies folgt direkt aus den de Morgan schen Regeln (Erinnerung: ( A i ) c = A c i ). Ist beispielsweise A σ- -stabil und sind A 1,A 2,... A, so ist auch ( c A n = An) c A. Also ist A auch σ- -stabil. Die anderen Fälle folgen analog. Satz 1.4. Ist A\-stabil, so gelten die folgenden Aussagen. (i) A ist -stabil. (ii) Falls A σ- -stabil ist, dann ist A auch σ- -stabil. (iii) Jede abzählbare (beziehungsweise endliche) Vereinigung von Mengen aus A lässt sich als abzählbare (beziehungsweise endliche), disjunkte Vereinigung von Mengen in A schreiben. Beweis. (i) Seien A, B A. Dann ist auch A B = A \ (A \ B) A. (ii) Seien A 1,A 2,... A. Dann ist A n = (A 1 A n )= A 1 \ (A 1 \ A n )=A 1 \ (A 1 \ A n ) A. n=2 n=2 n=2 A n als abzählbare, disjunkte Vereini- (iii) Seien A 1,A 2,... A. Dann ist gung in A darstellbar durch

3 1.1 Mengensysteme 3 A n = A 1 (A 2 \ A 1 ) ((A 3 \ A 1 ) \ A 2 ) (((A 4 \ A 1 ) \ A 2 ) \ A 3 )... Bemerkung 1.5. Manchmal bezeichnen wir, wie im obigen Beweis, die Vereinigung paarweise disjunkter Mengen mit dem Symbol. Dies soll lediglich der optischen Verdeutlichung dienen und ist keine neue Verknüpfung. Definition 1.6. Ein Mengensystem A 2 Ω heißt Algebra, falls gilt: (i) Ω A, (ii) A ist \-stabil, (iii) A ist -stabil. Offenbar ist in einer Algebra stets = Ω \ Ω enthalten. Diese Eigenschaft ist im Allgemeinen jedoch schwächer als (i) in Definition 1.6. Satz 1.7. Ein Mengensystem A 2 Ω ist genau dann eine Algebra, wenn es folgende drei Eigenschaften hat: (i) Ω A, (ii) A ist komplementstabil, (iii) A ist -stabil. Beweis. Übung! Definition 1.8. Ein Mengensystem A 2 Ω heißt Ring, falls gilt: (i) A, (ii) A ist \-stabil, (iii) A ist -stabil. Ein Ring heißt σ-ring, falls er σ- -stabil ist. Definition 1.9. Ein Mengensystem A 2 Ω heißt Semiring (oder Halbring), falls gilt: (i) A, (ii) für je zwei Mengen A, B Aist B \ A endliche Vereinigung von paarweise disjunkten Mengen aus A, (iii) A ist -stabil.

4 4 1 Grundlagen der Maßtheorie Definition Ein Mengensystem A 2 Ω heißt Dynkin-System (oder λ-system), falls gilt: (i) Ω A, (ii) für je zwei Mengen A, B Amit A B ist B \ A A, (iii) für je abzählbar viele, paarweise disjunkte Mengen A 1,A 2,... A gilt A n A. Beispiele (i) Ist Ω eine beliebige nichtleere Menge, so sind A = {,Ω} und A = 2 Ω die trivialen Beispiele für Algebren, σ-algebren und Dynkin-Systeme. Hingegen sind A = { } und A =2 Ω die trivialen Beispiele für Semiringe, Ringe und σ-ringe. (ii) Sei Ω = R. Dann ist A = {A R : A ist abzählbar} ein σ-ring. (iii) A = {(a, b] : a, b R, a b} ist ein Semiring über Ω = R (aber kein Ring). (iv) Die Menge endlicher Vereinigungen von beschränkten Intervallen ist ein Ring über Ω = R (aber keine Algebra). (v) Die Menge endlicher Vereinigungen beliebiger (auch unbeschränkter) Intervalle ist eine Algebra über Ω = R (aber keine σ-algebra). (vi) Sei E eine endliche, nichtleere Menge und Ω := E N die Menge aller Folgen ω =(ω n ) n N mit Werten in E.Für ω 1,...,ω n E sei [ω 1,...,ω n ]:={ω Ω : ω i = ω i für jedes i =1,...,n} die Menge aller Folgen, die mit den Werten ω 1,...,ω n beginnen. Sei A 0 = { }. Für n N setze A n := {[ω 1,...,ω n ]: ω 1,...,ω n E}. (1.1) Dann ist A := n=0 A n ein Semiring, aber kein Ring (falls #E >1). (vii) Sei Ω eine beliebige nichtleere Menge. Dann ist A := {A Ω : A oder A c ist endlich} eine Algebra. Ist #Ω =, soista jedoch keine σ-algebra. (viii) Sei Ω eine beliebige nichtleere Menge. Dann ist A := {A Ω : A oder A c ist abzählbar} eine σ-algebra. (ix) Jede σ-algebra ist auch ein Dynkin-System. (x) Sei Ω = {1, 2, 3, 4} und A = {, {1, 2}, {1, 4}, {2, 3}, {3, 4}, {1, 2, 3, 4} }. Dann ist A ein Dynkin-System, aber keine Algebra.

5 1.1 Mengensysteme 5 Satz 1.12 (Inklusionen zwischen Mengensystemen). (i) Jede σ-algebra ist ein Dynkin-System, eine Algebra und ein σ-ring. (ii) Jeder σ-ring ist ein Ring, jeder Ring ein Semiring. (iii) Jede Algebra ist auch ein Ring. Eine Algebra auf einer endlichen Menge Ω ist auch eine σ-algebra. Beweis. (i) Das ist klar. (ii) Sei A ein Ring. Nach Satz 1.4 ist A schnittstabil und damit ein Semiring. (iii) Sei A eine Algebra, und seien A, B A. Dann ist A \ B =(A c B) c A, also ist A ein Ring. Ist zudem Ω endlich, so ist A endlich und damit jede abzählbare Vereinigung in A schon eine endliche Vereinigung. Definition 1.13 (liminf und limsup). Es seien A 1,A 2,...Teilmengen von Ω. Dann heißen lim inf A n := A m und lim sup A n := A m n n m=n m=n Limes inferior beziehungsweise Limes superior der Folge (A n ) n N. Bemerkung (i) Es gilt lim inf A n = { ω Ω :#{n N: ω A n } < }, n lim sup A n = { ω Ω :#{n N: ω A n } = }. n Der Limes inferior ist also das Ereignis, dass schließlich alle der A n eintreten, der Limes superior hingegen das Ereignis, dass unendlich viele der A n eintreten. Insbesondere ist A := lim inf n A n A := lim sup n A n. (ii) Bezeichnen wir mit { 1, falls x A, 1 A (x) := 0, falls x A, (1.2) die Indikatorfunktion auf der Menge A, so gilt 1 A = lim inf 1 A n, 1 A = lim sup 1 An. n n (iii) Ist A 2 Ω eine σ-algebra und A n Afür jedes n N, so ist A Aund A A. Beweis. Übung!

6 6 1 Grundlagen der Maßtheorie Satz 1.15 (Schnitt von Mengensystemen). Ist I eine beliebige Indexmenge und A i eine σ-algebra für jedes i I,soist A I := { A Ω : A A i für jedes i I } = i I A i eine σ-algebra. Dies gilt analog für: Ringe, σ-ringe, Algebren und Dynkin-Systeme; nicht aber für Semiringe. Beweis. Wir führen den Beweis hier nur für σ-algebren durch. Wir prüfen für A die Punkte (i)-(iii) aus Definition 1.2. (i) Für jedes i I ist Ω A i. Also ist Ω A. (ii) Sei A A. Dann ist A A i für jedes i I. Also ist auch A c A i für jedes i I. Mithin ist A c A. (iii) Seien A 1,A 2,... A. Dann ist A n A i für jedes n N und jedes i I. Also ist auch A := A n A i für jedes i I und damit A A. Gegenbeispiel für Semiringe: Seien Ω = {1, 2, 3, 4}, A 1 = {,Ω,{1},{2, 3}, {4}} und A 2 = {,Ω,{1},{2},{3, 4}}. Dann sind A 1 und A 2 Semiringe, aber A 1 A 2 = {,Ω,{1}} ist keiner. Satz 1.16 (Erzeugte σ-algebra). Sei E 2 Ω. Dann existiert eine kleinste σ- Algebra σ(e) mit E σ(e): σ(e) := A. A 2 Ω ist σ-algebra A E σ(e) heißt die von E erzeugte σ-algebra. E heißt Erzeuger von σ(e). Analog wird das von E erzeugte Dynkin-System δ(e) definiert. Beweis. A =2 Ω ist eine σ-algebra mit E A. Also ist der Schnitt nicht leer. Nach Satz 1.15 ist σ(e) eine σ-algebra, und dies ist offenbar die kleinste σ-algebra, die E enthält. Für Dynkin-Systeme geht der Beweis genauso. Bemerkung Es gelten die folgenden einfachen Aussagen. (i) E σ(e). (ii) Gilt E 1 E 2, so ist σ(e 1 ) σ(e 2 ). (iii) A ist genau dann σ-algebra, wenn σ(a) =A. Die analogen Aussagen gelten für Dynkin-Systeme. Ferner ist stets δ(e) σ(e).

7 1.1 Mengensysteme 7 Satz 1.18 (Schnittstabiles Dynkin-System). Ist D 2 Ω ein Dynkin-System, so gilt D ist -stabil D ist eine σ-algebra. Beweis. = Dies ist klar. = Wir prüfen die Eigenschaften (i)-(iii) aus Definition 1.2. (i) Offensichtlich ist Ω D. (ii) (Komplementstabilität) Sei A D. DaΩ Dgilt, und nach Eigenschaft (ii) des Dynkin-Systems, ist A c = Ω \ A D. (iii) (σ- -Stabilität) Seien A, B D. Nach Voraussetzung ist A B D, und es gilt trivialerweise A B A. Also ist A \ B = A \ (A B) D. Mithin ist D\-stabil. Seien nun A 1,A 2,... D. Nach Satz 1.4(iii) existieren paarweise disjunkte Mengen B 1,B 2,... Dmit A n = B n D. Satz 1.19 (Dynkin scher π λ Satz). Sei E 2 Ω ein -stabiles Mengensystem. Dann gilt σ(e) =δ(e). Beweis. Dies ist klar nach Bemerkung Zu zeigen ist: δ(e) ist eine σ-algebra. Nach Satz 1.18 reicht es zu zeigen, dass δ(e) -stabil ist. Für B δ(e) sei D B := {A δ(e) :A B δ(e)}. Für die Schnittstabilität von δ(e) reicht es zu zeigen, dass δ(e) D B für jedes B δ(e). (1.3) Wir zeigen, dass D E für jedes E δ(e) ein Dynkin-System ist, indem wir (i)-(iii) aus Definition 1.10) prüfen: (i) Offenbar ist Ω E = E δ(e), also ist Ω D E. (ii) Für A, B D E mit A B ist (B \ A) E =(B E) \ (A E) δ(e). (iii) Seien A 1,A 2,... D E paarweise disjunkt. Dann ist ( ) A n E = (A n E) δ(e).

8 8 1 Grundlagen der Maßtheorie Nach Voraussetzung ist für A Eauch A E E, also ist E D E, falls E E gilt. Nach Bemerkung 1.17(ii) ist daher auch δ(e) D E für E E.Für B δ(e) und E Eist also B E δ(e). Mithin gilt E D B für jedes B δ(e), also E D B für jedes B δ(e), und damit gilt (1.3). Von besonderer Bedeutung sind σ-algebren, die von Topologien erzeugt werden. Hier wiederum spielt natürlich der euklidische Raum R n die prominenteste Rolle, aber wir wollen auch den (unendlichdimensionalen) Raum C([0, 1]) der stetigen Funktionen [0, 1] R im Blick haben. Auf diesem Raum wird durch die Norm f =sup x [0,1] f(x) eine Topologie erzeugt. Zur Erinnerung bringen wir hier das Axiomensystem der Topologie. Definition 1.20 (Topologie). Sei Ω eine beliebige Menge. Ein Mengensystem τ Ω heißt Topologie auf Ω, falls folgende drei Eigenschaften gelten. (i),ω τ. (ii) Sind A, B τ, so ist auch A B τ. (iii) Ist F τeine beliebige Familie, so ist auch ( A F A) τ. Das Paar (Ω,τ) heißt dann topologischer Raum. Die Mengen A τ heißen offen, die Mengen A Ω mit A c τ heißen abgeschlossen. Anders als bei σ-algebren sind bei Topologien nur endliche Schnitte, jedoch auch überabzählbare Vereinigungen erlaubt. Ist d eine Metrik auf Ω, und bezeichnet B r (x) ={y Ω : d(x, y) <r} die offene Kugel um x Ω mit Radius r>0, so wird eine Topologie erzeugt durch { } τ = B r(x) : F Ω (0, ). (x,r) F Dies ist das gewöhnliche System offener Mengen, das man in den meisten Analysisbüchern findet. Definition 1.21 (Borel sche σ-algebra). Sei (Ω,τ) ein topologischer Raum. Die von den offenen Mengen erzeugte σ-algebra B(Ω) :=B(Ω,τ) :=σ(τ) heißt Borel sche σ-algebra auf Ω. Die Elemente A B(Ω,τ) heißen Borel sche Mengen oder Borel-messbare Mengen. Bemerkung Wir sind meistens an B(R n ) interessiert, wobei wir auf R n den euklidischen Abstand annehmen:

9 1.1 Mengensysteme 9 d(x, y) = x y 2 = n (x i y i ) 2. (i) Es gibt Teilmengen von R n, die keine Borel schen Mengen sind. Diese sind kompliziert herzustellen, wie beispielsweise die Vitali-Mengen, die man in Analysisbüchern findet (siehe etwa [7]). Wir wollen hier auf diesen Aspekt nicht näher eingehen, sondern lediglich die - mathematisch unpräzise - Feststellung treffen, dass jede Menge, die man sich konstruktiv herstellen kann, auch Borel sch ist. (ii) Jede abgeschlossene Menge C R n ist in B(R n ), denn es ist C c τ, also ist C =(C c ) c σ(τ). Speziell ist {x} B(R n ) für jedes x R n. (iii) B(R n ) ist keine Topologie. Sei nämlich V R n, V B(R n ).Wäre B(R n ) eine Topologie, so wären beliebige Vereinigungen Borel scher Mengen wieder Borel sch, also auch V = x V {x} B(Rn ). Das Mengensystem der offenen Mengen, das die Borel sche σ-algebra erzeugt, ist in vielen Fällen unhandlich groß. Wir wollen daher andere Mengensysteme als Erzeuger von B(R n ) identifizieren, mit denen wir in der Praxis besser arbeiten können. Hierzu wollen wir einerseits Mengen von einfacher Struktur, Quader etwa, betrachten, andererseits aber auch die Größe des Systems einschränken, indem wir abzählbare Mengensysteme betrachten. Wir führen folgende Notationen ein. Mit Q bezeichnen wir die Menge der rationalen Zahlen, mit Q + die Menge der strikt positiven rationalen Zahlen. Für a, b R n schreiben wir a<b, falls a i <b i für jedes i =1,...,n. (1.4) Wir definieren für a<bden offenen Quader als das kartesische Produkt (a, b) := n (a i,b i ):=(a 1,b 1 ) (a 2,b 2 ) (a n,b n ) (1.5) und analog [a, b], (a, b] und [a, b). Ferner schreiben wir (,b):= n (,b i ) und definieren analog (,b] und so fort. Wir führen die folgenden Mengensysteme ein: E 1 := {A R n : A ist offen}, E 2 := {A R n : A ist abgeschlossen}, E 3 := {A R n : A ist kompakt}, E 4 := {B r (x) : x Q n,r Q + }, E 5 := {(a, b) : a, b Q n,a<b}, E 6 := {[a, b) : a, b Q n,a<b}, E 7 := {(a, b] : a, b Q n,a<b}, E 8 := {[a, b] : a, b Q n,a<b}, E 9 := {(,b): b Q n }, E 10 := {(,b]: b Q n }, E 11 := {(a, ) : a Q n }, E 12 := {[a, ) : a Q n }. Satz Die Borel sche σ-algebra B(R n ) wird von jedem der Mengensysteme E 1,...,E 12 erzeugt: B(R n )=σ(e i ) für jedes i =1,...,12.

10 10 1 Grundlagen der Maßtheorie Beweis. Wir zeigen nur exemplarisch ein paar der Identitäten. (1) B(R n )=σ(e 1 ) gilt per Definition. (2) Sei A E 1. Dann ist A c E 2, also A =(A c ) c σ(e 2 ). Daher gilt E 1 σ(e 2 ) und dann (wegen Bemerkung 1.17) auch σ(e 1 ) σ(e 2 ). Analog folgt aber σ(e 2 ) σ(e 1 ) und damit die Gleichheit. (3) Jede kompakte Menge ist abgeschlossen. Also gilt σ(e 3 ) σ(e 2 ). Sei nun A E 2. Dann sind die Mengen A K := A [ K, K] n, K N, kompakt, also ist die abzählbare Vereinigung A = K=1 A K in σ(e 3 ). Es gilt also E 2 σ(e 3 ) und damit σ(e 2 )=σ(e 3 ). (4) Offenbar ist E 4 E 1, also σ(e 4 ) σ(e 1 ). Sei nun A R n offen. Für x A sei R(x) = min(1, sup{r >0: B r (x) A}). DaA offen ist, folgt R(x) > 0. Sei r(x) (R(x)/2,R(x)) Q. Für jedes y A und x B R(y)/3 Q n ist nun R(x) R(y) x y 2 > 2 3 R(y), also r(x) > 1 3 R(y), also y B r(x)(x). Also ist A = x A Q n B r(x)(x) eine abzählbare Vereinigung von Mengen aus E 4 und damit in σ(e 3 ). Es gilt also auch σ(e 1 ) σ(e 4 ). (5-12) Ähnliche Ausschöpfungsargumente wie in (4) funktionieren auch für die Quader. In (4) können statt der offenen Kugeln B r (x) offene Quader genommen werden. So folgt die Gleichheit mit σ(e 5 ). Man bemerke beispielsweise, dass n [a i,b i )= n k=1 ( a i 1 ) k,b i σ(e 5 ). Die anderen Inklusionen E i σ(e j ) zeigt man analog. Bemerkung Jedes der Mengensystem E 1, E 2, E 3, E 5,...,E 12 (nicht aber E 4 ) ist schnittstabil, mithin ist die Borel sche σ-algebra jeweils gleich dem erzeugten Dynkin-System: B(R n ) = δ(e i ) für i = 1,...,12. Die Mengensysteme E 4,...,E 12 sind zudem abzählbar. Dies ist eine Eigenschaft, die wir an späterer Stelle wieder benötigen werden. Definition 1.25 (Spur eines Mengensystems). Es sei A 2 Ω ein beliebiges System von Teilmengen von Ω und A 2 Ω \ { }. Das Mengensystem A A := {A B : B A} 2 A (1.6) heißt Spur von A auf A, oder Einschränkung von A auf A. Satz Ist A eine σ-algebra, oder eines der Mengensysteme aus den Definitionen auf Ω, so ist A ein Mengensystem vom selben Typ, allerdings auf A A statt Ω. Beweis. Übung!

11 1.2 Mengenfunktionen 11 Übung Sei A ein Semiring. Man zeige: Jede abzählbare (beziehungsweise endliche) Vereinigung von Mengen aus A lässt sich als abzählbare (beziehungsweise endliche), disjunkte Vereinigung von Mengen in A schreiben. Übung Man zeige durch ein Gegenbeispiel, dass im die Allgemeinen die Vereinigung A A zweier σ-algebren keine σ-algebra ist. Übung Seien (Ω 1,d 1 ) und (Ω 2,d 2 ) metrische Räume, f : Ω 1 Ω 2 eine beliebige Abbildung und U f = { x Ω 1 : f ist unstetig in x } die Menge der Unstetigkeitsstellen. Man zeige: U f B(Ω 1 ). Hinweis: Man zeige zunächst, dass für ε>0und δ>0die Menge U δ,ε f := { x Ω 1 : es gibt y, z B ε (x) mit d 2 (f(y),f(z)) >δ } (wobei B ε (x) ={y Ω 1 : d 1 (x, y) <ε}) offen ist und konstruiere dann U f aus solchen Mengen. Übung Sei Ω eine überabzählbare Menge und A = σ({ω} : ω Ω). Zeige: A = { A Ω : A ist abzählbar oder A c ist abzählbar }. Übung Sei A ein Ring auf der Menge Ω. Man zeige: A erfüllt die Axiome eines kommutativen Rings (im Sinne der Algebra) mit als Multiplikation und als Addition. 1.2 Mengenfunktionen Definition Sei A 2 Ω und µ : A [0, ] eine Mengenfunktion. µ heißt (i) monoton, falls für je zwei Mengen A, B Amit A B gilt, dass µ(a) µ(b), (ii) additiv, falls für je endlich viele ( paarweise disjunkte Mengen A 1,...,A n A n n ) mit A i Agilt, dass µ A i = n µ(a i ), (iii) σ-additiv, falls für je abzählbar viele ( paarweise disjunkte Mengen A 1,A 2,... aus A mit ) A i Agilt, dass µ A i = µ(a i ), (iv) subadditiv, falls für je endlich viele Mengen A, A 1,A 2,...,A n Amit A n A i gilt, dass µ(a) n µ(a i ),

12 12 1 Grundlagen der Maßtheorie (v) σ-subadditiv, falls für je abzählbar viele A, A 1,A 2,... Amit A gilt, dass µ(a) µ(a i ). A i Definition Sei A ein Semiring und µ : A [0, ] eine Mengenfunktion mit µ( ) =0. µ heißt Inhalt, falls µ additiv ist, Prämaß, falls µσ-additiv ist, Maß, falls µ ein Prämaß ist und A eine σ-algebra, Wahrscheinlichkeitsmaß (kurz W-Maß), falls µ ein Maß ist und µ(ω) =1. Definition Sei A ein Semiring. Ein Inhalt µ auf A heißt (i) endlich, falls µ(a) < für jedes A A, (ii) σ-endlich, falls es Mengen Ω 1,Ω 2,... A gibt mit Ω = µ(ω n ) < für jedes n N. Ω n und Beispiel 1.30 (Inhalte, Maße). (i) Sei ω Ω und δ ω (A) =1 A (ω) (siehe (1.2)). Dann ist δ ω ein Wahrscheinlichkeitsmaß auf jeder σ-algebra A 2 Ω und heißt Dirac-Maß im Punkt ω, oder Einheitsmasse. (ii) Sei Ω eine endliche, nichtleere Menge. Durch µ(a) := #A #Ω für A Ω, wird ein Wahrscheinlichkeitsmaß auf A =2 Ω definiert. µ heißt Gleichverteilung oder uniforme Verteilung auf Ω. Wir führen hierfür das Symbol U Ω := µ ein. Der so definierte Wahrscheinlichkeitsraum (Ω,A, U Ω ) wird auch Laplace-Raum genannt. (iii) Sei Ω abzählbar unendlich und A := {A Ω :#A< oder #A c < }. Dann ist A eine Algebra. Die durch { 0, falls A endlich, µ(a) =, falls A c endlich, auf A definierte Mengenfunktion ist ein Inhalt, aber kein Prämaß, denn es gilt µ ( ω Ω {ω}) = µ(ω) =, aber ω Ω µ ({ω}) =0.

13 1.2 Mengenfunktionen 13 (iv) Sei (µ n ) n N eine Folge von Maßen (Prämaßen, Inhalten) und (α n ) n N eine Folge von nichtnegativen Zahlen. Dann ist auch µ := α nµ n ein Maß (Prämaß, Inhalt). (v) Sei Ω eine (höchstens) abzählbare, nichtleere Menge und A =2 Ω. Ferner seien (p ω ) ω Ω nichtnegative Zahlen. Dann wird durch µ(a) := ω A p ω für jedes A Ω, ein σ-endliches Maß auf 2 Ω definiert. Wir nennen p =(p ω ) ω Ω die Gewichtsfunktion von µ. (vi) Ist in (v) speziell ω Ω p ω =1,soistµ ein Wahrscheinlichkeitsmaß. Wir interpretieren dann p ω als Wahrscheinlichkeit des Elementarereignisses ω und nennen p =(p ω ) ω Ω auch einen Wahrscheinlichkeitsvektor. (vii) Ist in (v) speziell p ω =1für jedes ω Ω, so heißt µ das Zählmaß auf Ω. Ist Ω endlich, so ist auch µ endlich. (viii) Sei A der Ring endlicher Vereinigungen von Intervallen (a, b] R. Für a 1 <b 1 <a 2 <b 2 <...<b n und A = n (a i,b i ] setzen wir µ(a) = n b i a i. µ ist ein σ-endlicher Inhalt auf A (sogar ein Prämaß), denn es ist und µ(( n, n]) = 2n < für jedes n N. ( n, n] =R (ix) Sei f : R [0, ) stetig. Analog zu (viii) setze µ f (A) = n bi a i f(x) dx. µ f ist ein σ-endlicher Inhalt auf A (sogar ein Prämaß). Die Funktion f heißt Dichte und spielt hier eine ähnliche Rolle wie die Gewichtsfunktion p in (v). Lemma 1.31 (Eigenschaften von Inhalten). Sei A ein Semiring und µ ein Inhalt auf A. Dann gelten die folgenden Aussagen. (i) Ist A ein Ring, so ist µ(a B)+µ(A B) =µ(a)+µ(b) für je zwei Mengen A, B A. (ii) µ ist monoton. Ist A ein Ring, so gilt genauer µ(b) =µ(a)+µ(b \ A) für je zwei Mengen A, B Amit A B. (iii) µ ist subadditiv. Ist µ sogar σ-additiv, so ist µ auch σ-subadditiv. (iv) Ist A ein Ring, so gilt für je abzählbar viele, paarweise disjunkte Mengen A 1,A 2,... Amit A n Astets ( µ(a n ) µ A n ).

14 14 1 Grundlagen der Maßtheorie Beweis. (i) ist, folgt Es ist A B = A (B \A) und B =(A B) (B \A).Daµ additiv µ(a B) =µ(a)+µ(b \ A) und µ(b) =µ(a B)+µ(B \ A). Hieraus folgt sofort (i). (ii) Sei A B. Wegen A B = A folgt µ(b) =µ(a (B \ A)) = µ(a) + µ(b \ A), falls B \ A Aist, insbesondere also, falls A ein Ring ist. Ist nun A nur ein Semiring, so ist B \ A = n C i für gewisses n N und paarweise disjunkte Mengen C 1,...,C n A. In diesem Fall ist µ(b) =µ(a)+ n µ(c i) µ(a), also ist µ monoton. (iii) Seien n N und A, A 1,...,A n Amit A n A i. Setze B 1 = A 1 und k 1 B k = A k \ A i = k 1 (A k \ (A k A i )) für k =2,...,n. Per Definition des Semirings ist jedes A k \(A k A i ) disjunkte Vereinigung endlich vieler Mengen in A, also existiert ein c k N und Mengen C k,1,...,c k,ck Amit ck C k,i = B k A k. Analog existieren d k N und D k,1,...,d k,dk Amit A k \ B k = d k D k,i.daµ additiv ist, gilt µ(a k )= c k µ(c k,i )+ d k µ(d k,i ) Wiederum aufgrund von Additivität und Monotonie gilt ( n ) c k n µ(a) =µ (C k,i A) = n k=1 c k k=1 µ(c k,i ) n µ(a k ). k=1 c k c k k=1 µ(c k,i ). µ(c k,i A) Also ist µ subadditiv. Die σ-subadditivität folgt aus der σ-additivität in analoger Weise. (iv) Sei A ein Ring und A = A n A.Daµ additiv (und damit monoton) ist, gilt nach (ii) ( m m ) µ(a n )=µ A n µ(a) für jedes m N. Also ist µ(a n ) µ(a).

15 1.2 Mengenfunktionen 15 Bemerkung In (iv) kann strikte Ungleichheit herrschen (siehe etwa Beispiel 1.30(iii)). Mit anderen Worten: Es gibt Inhalte, die keine Prämaße sind. Satz 1.33 (Einschluss- Ausschlussformel). Sei A ein Ring und µ ein Inhalt. Dann gelten für n N und A 1,...,A n Adie Einschluss- Ausschlussformeln µ(a 1... A n )= µ(a 1... A n )= n ( 1) k 1 k=1 n ( 1) k 1 k=1 {i 1,...,i k } {1,...,n} {i 1,...,i k } {1,...,n} µ(a i1... A ik ), µ(a i1... A ik ), wobei sich die Summen über alle k-elementigen Teilmengen von {1,...,n} erstrecken. Beweis. Übung! Hinweis: Man verwende vollständige Induktion über n. Wir wollen die σ-subadditivität durch eine Stetigkeitseigenschaft charakterisieren (Satz 1.36). Hierzu verabreden wir die folgende Sprechweise und Notation. Definition Sind A, A 1,A 2,...Mengen, so schreiben wir A n A, falls A 1 A 2... und A n = A, A n A, falls A 1 A 2 A 3... und A n = A. Wir sagen dann, dass (A n ) n N gegen A aufsteigt beziehungsweise absteigt. Definition 1.35 (Stetigkeit von Inhalten). Sei µ ein Inhalt auf dem Ring A. (i) µ heißt stetig von unten, falls für jedes A Aund jede Folge (A n ) n N in A mit A n A gilt: µ(a n ) n µ(a). (ii) µ heißt stetig von oben, falls für jedes A Aund jede Folge (A n ) n N in A mit A n A sowie µ(a n ) < für jedes n N gilt: µ(a n ) n µ(a). (iii) µ heißt -stetig, falls (ii) für A = gilt. Bei der Stetigkeit von oben wurde die Endlichkeitsbedingung eingeführt, weil sogar für das Zählmaß µ auf (N, 2 N ) und A n := {n, n+1,...} sonst keine Gleichheit gelten kann.

16 16 1 Grundlagen der Maßtheorie Satz 1.36 (Stetigkeit und Prämaß). Sei µ ein Inhalt auf einem Ring A. Betrachte die folgenden fünf Eigenschaften. (i) µ ist σ-additiv (also ein Prämaß). (ii) µ ist σ-subadditiv. (iii) µ ist stetig von unten. (iv) µ ist -stetig. (v) µ ist stetig von oben. Dann gelten die Implikationen (i) (ii) (iii)= (iv) (v). Ist µ endlich, so gilt auch (iv) = (iii). Beweis. (i) = (ii) Seien A, A 1,A 2,... Amit A A i. Setze B 1 = A 1 und B n = A n \ n 1 A i Afür n =2, 3,...Dann ist A = (A B n), also wegen der Monotonie von µ und der σ-additivität von µ µ(a) = µ(a B n ) µ(a n ). Damit ist µ als σ-subadditiv erkannt. (ii) = (i) Dies folgt aus Lemma 1.31(iv). (i) = (iii) Sei µ ein Prämaß und A Asowie (A n) n N eine Folge in A mit A n A sowie A 0 =. Dann gilt µ(a) = µ(a i \ A i 1 ) = lim n n µ(a i \ A i 1 ) = lim n µ(a n). (iii) = (i) Gelte nun (iii). Seien B 1,B 2,... Apaarweise disjunkt, und gelte B = B n A. Setze A n = n B i für jedes n N. Dann folgt aus (iii) µ(b) = lim n µ(a n)= Also ist µσ-additiv und damit ein Prämaß. µ(b i ). (iv) = (v) Seien A, A 1,A 2,... Amit A n A und µ(a 1 ) <. Setze B n = A n \ A Afür jedes n N. Dann gilt B n. Es gilt also µ(a n ) µ(a) = µ(b n ) n 0. (v) = (iv) Dies ist trivial.

17 1.3 Fortsetzung von Maßen 17 (iii) = (iv) Seien A 1,A 2,... Amit A n und µ(a 1 ) <. Dann gilt A 1 \ A n Afür jedes n N und A 1 \ A n A 1, also µ(a 1 ) = lim µ(a 1 \ A n )=µ(a 1 ) lim µ(a n). n n Wegen µ(a 1 ) < ist lim µ(a n)=0. n (iv) = (iii) (für den Fall µ endlich) Es gelte nun µ(a) < für jedes A A, und µ sei -stetig. Seien A, A 1,A 2,... Amit A n A. Dann gilt A \ A n und µ(a) µ(a n )=µ(a \ A n ) n 0. Also gilt (iii). Beispiel (Vergleiche Beispiel 1.30(iii).) Sei Ω abzählbar und A = {A Ω :#A< oder #A c < }, { 0, falls A endlich, µ(a) =, falls A unendlich. Dann ist µ ein -stetiger Inhalt, aber kein Prämaß. Definition (i) Ein Paar (Ω,A), bestehend aus einer nichtleeren Menge Ω und einer σ-algebra A 2 Ω, heißt Messraum. Die Mengen A Aheißen messbare Mengen. Ist Ω höchstens abzählbar und A =2 Ω, so heißt der Messraum (Ω,2 Ω ) diskret. (ii) Ein Tripel (Ω,A,µ) heißt Maßraum, wenn (Ω,A) ein Messraum ist und µ ein Maß auf A. (iii) Ist zudem µ(ω) =1, so heißt (Ω,A,µ) ein Wahrscheinlichkeitsraum. In diesem Fall heißen die Mengen A Aauch Ereignisse. (iv) Den Raum aller endlichen Maße auf (Ω,A) bezeichnen wir mit M f (Ω) := M f (Ω,A), den der W-Maße mit M 1 (Ω) :=M 1 (Ω,A), schließlich den der σ-endlichen Maße mit M σ (Ω,A). 1.3 Fortsetzung von Maßen In diesem Abschnitt wollen wir Maße konstruieren, indem wir zunächst auf einem einfachen Mengensystem, nämlich einem Semiring, plausible Werte für einen Inhalt angeben und dann, nach Möglichkeit, diesen Inhalt zu einem Maß auf der erzeugten σ-algebra fortsetzen. Bevor wir zu den konkreten Bedingungen kommen, unter denen das machbar ist, bringen wir zwei Beispiele.

σ-algebren, Definition des Maßraums

σ-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

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 11. Oktober 2013 3 Fortsetzung von Prämassen zu Massen Der Begriff des Prämasses ist nicht ausreichend, um eine geschmeidige Integrationstheorie

Mehr

Im gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge

Im gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge 1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

KONSTRUKTION VON MASSEN

KONSTRUKTION VON MASSEN KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer

Mehr

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002

Mehr

Maße auf Produkträumen

Maße auf Produkträumen Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge

Mehr

DIE SPRACHE DER WAHRSCHEINLICHKEITEN

DIE SPRACHE DER WAHRSCHEINLICHKEITEN KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage

Mehr

Kapitel 19. Das Lebesgue Maß σ Algebren und Maße

Kapitel 19. Das Lebesgue Maß σ Algebren und Maße Kapitel 19 Das Lebesgue Maß 19.1 σ Algebren und Maße 19.2 Das äußere Lebesgue Maß 19.3 Das Lebesgue Maß 19.4 Charakterisierungen des Lebesgue Maßes 19.5 Messbare Funktionen 19.1 σ Algebren und Maße Wir

Mehr

1 Elemente der Wahrscheinlichkeitstheorie

1 Elemente der Wahrscheinlichkeitstheorie H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen

Mehr

Topologische Begriffe

Topologische Begriffe Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer

Mehr

Zufallsvariablen: Die allgemeine Definition

Zufallsvariablen: Die allgemeine Definition KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)

Mehr

Maß- und Integrationstheorie

Maß- und Integrationstheorie Maß- und Integrationstheorie Vorlesung an der Universität des Saarlandes Version 5.0 Klaus Schindler Version 5.0 c K. Schindler 2011 Für A... Inhaltsverzeichnis I Inhaltsverzeichnis Inhaltsverzeichnis

Mehr

Topologische Aspekte: Eine kurze Zusammenfassung

Topologische Aspekte: Eine kurze Zusammenfassung Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,

Mehr

Zusammenfassung der Lebesgue-Integrationstheorie

Zusammenfassung 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,

Mehr

Maß-, Integrationstheorie- und Wahrscheinlichkeitstheorie

Maß-, Integrationstheorie- und Wahrscheinlichkeitstheorie Maß-, Integrationstheorie- und Wahrscheinlichkeitstheorie Vorlesung an der Universität des Saarlandes Version 7.0 Klaus Schindler c K. Schindler 2014 Für A... Inhaltsverzeichnis Inhaltsverzeichnis Vorwort

Mehr

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.

Beweis. 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

Mehr

Definition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i

Definition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i 3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und

Mehr

Satz 18 (Satz von der totalen Wahrscheinlichkeit)

Satz 18 (Satz von der totalen Wahrscheinlichkeit) Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte

Mehr

Analysis I - Stetige Funktionen

Analysis 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

Mehr

Satz 16 (Multiplikationssatz)

Satz 16 (Multiplikationssatz) Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.

Mehr

Zahlen und metrische Räume

Zahlen und metrische Räume Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus

Mehr

Zahlen und metrische Räume

Zahlen und metrische Räume Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,

Mehr

Etwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann

Etwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Etwas Topologie Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Literatur Abraham, Marsden, Foundations of Mechanics, Addison Wesley 1978, Seiten 3 17 Definition. Ein topologischer

Mehr

Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME

Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist

Mehr

Übungen zur Wahrscheinlichkeitstheorie und Statistik

Übungen zur Wahrscheinlichkeitstheorie und Statistik Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 1. Wahrscheinlichkeitsräume Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.

Mehr

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.

Der 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

Mehr

Skript zur Vorlesung. Mass und Integral. Urs Lang. Sommersemester 2005 ETH Zürich

Skript zur Vorlesung. Mass und Integral. Urs Lang. Sommersemester 2005 ETH Zürich Skript zur Vorlesung Mass und Integral Urs Lang Sommersemester 2005 ETH Zürich Version vom 12. September 2006 Literatur [Rudin] W. Rudin, Real and Complex Analysis, Third Edition. McGraw-Hill Book Co.,

Mehr

Mathematik III. Produkt-Präringe

Mathematik 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,

Mehr

i=1 i=1,...,n x K f(x).

i=1 i=1,...,n x K f(x). 2. Normierte Räume und Banachräume Ein normierter Raum ist ein Vektorraum, auf dem wir Längen messen können. Genauer definieren wir: Definition 2.1. Sei X ein Vektorraum über C. Eine Abbildung : X [0,

Mehr

2 Allgemeine Integrationstheorie

2 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

Mehr

Analysis 3. Inhaltsverzeichnis. Franz Merkl (sehr vorläufige Version 1, 14. Juli 2016)

Analysis 3. Inhaltsverzeichnis. Franz Merkl (sehr vorläufige Version 1, 14. Juli 2016) Analysis 3 Franz Merkl (sehr vorläufige Version 1, 14. Juli 2016) Inhaltsverzeichnis 1 Maßtheorie 2 1.1 σ-algebren, Inhalte und Maße......................... 2 1.2 Erzeugendensysteme von σ-algebren.....................

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit KAPITEL 4 KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht

Mehr

Topologische Räume und stetige Abbildungen Teil 2

Topologische Räume und stetige Abbildungen Teil 2 TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des

Mehr

Kapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen

Kapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N

Mehr

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω 5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,

Mehr

3. Kombinatorik und Wahrscheinlichkeit

3. 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:

Mehr

2. Symmetrische Gruppen

2. Symmetrische Gruppen 14 Andreas Gathmann 2 Symmetrische Gruppen Im letzten Kapitel haben wir Gruppen eingeführt und ihre elementaren Eigenschaften untersucht Wir wollen nun eine neue wichtige Klasse von Beispielen von Gruppen

Mehr

Kapitel 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 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

Mehr

1 Axiomatische Charakterisierung der reellen. 3 Die natürlichen, die ganzen und die rationalen. 4 Das Vollständigkeitsaxiom und irrationale

1 Axiomatische Charakterisierung der reellen. 3 Die natürlichen, die ganzen und die rationalen. 4 Das Vollständigkeitsaxiom und irrationale Kapitel I Reelle Zahlen 1 Axiomatische Charakterisierung der reellen Zahlen R 2 Angeordnete Körper 3 Die natürlichen, die ganzen und die rationalen Zahlen 4 Das Vollständigkeitsaxiom und irrationale Zahlen

Mehr

Der Konsistenzsatz von Kolmogorov

Der Konsistenzsatz von Kolmogorov Der Konsistenzsatz von Kolmogorov Im Rahmen der Theorie stochastischer Prozesse betrachten wir W-Maße auf unendlichen Produkträumen wie bspw. (R N, B N ) als Bildraum eines Prozesses (X t ) t N in diskreter

Mehr

Konvergenz, Filter und der Satz von Tychonoff

Konvergenz, Filter und der Satz von Tychonoff Abschnitt 4 Konvergenz, Filter und der Satz von Tychonoff In metrischen Räumen kann man topologische Begriffe wie Stetigkeit, Abschluss, Kompaktheit auch mit Hilfe von Konvergenz von Folgen charakterisieren.

Mehr

Grundlagen der Mengenlehre

Grundlagen der Mengenlehre mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener

Mehr

Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion

Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten

Mehr

1. Gruppen. 1. Gruppen 7

1. Gruppen. 1. Gruppen 7 1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.

Mehr

Ljapunov Exponenten. Reiner Lauterbach

Ljapunov Exponenten. Reiner Lauterbach Ljapunov Exponenten Reiner Lauterbach 28. Februar 2003 2 Zusammenfassung n diesem Teil betrachten wir ein wichtiges Thema: sensitive Abhängigkeit. Zunächst hat man ja stetige Abhängigkeit, wie man sie

Mehr

Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Bedingte 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

Mehr

Notizen zur Vorlesung. Analysis III. G. Sweers

Notizen zur Vorlesung. Analysis III. G. Sweers Notizen zur Vorlesung Analysis III G. Sweers Wintersemester 2-2 ii Inhaltsverzeichnis Teilmengen und Strukturen. Topologie, Metrik und Norm...........................2 Basis und Produkt bei Topologien.......................

Mehr

ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen

ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen MAA.01011UB MAA.01011PH Vorlesung mit Übung im WS 2016/17 Christoph GRUBER Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen

Mehr

Regulär variierende Funktionen

Regulär 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,

Mehr

Fraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:

Fraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß: Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,

Mehr

1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:

1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen: Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung und Statistik 3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne

Mehr

4.5 Schranken an die Dichte von Kugelpackungen

4.5 Schranken an die Dichte von Kugelpackungen Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen

Mehr

Grundbegriffe der Wahrscheinlichkeit

Grundbegriffe der Wahrscheinlichkeit Kapitel 0 Grundbegriffe der Wahrscheinlichkeit 0.1 Der Wahrscheinlichkeitsraum Definition 0.1.1. Ein Wahrscheinlichkeitsraum ist ein Tripel (Ω, F, P), wobei Ω eine nichtleere Menge, F eine σ-algebra von

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Kapitel 1. Grundlagen Mengen

Kapitel 1. Grundlagen Mengen Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...

Mehr

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6 Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen

Mehr

Konvergenz im quadratischen Mittel - Hilberträume

Konvergenz 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

Mehr

Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit.

Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit. Kapitel 4 Reelle Zahlen 4.1 Die reellen Zahlen (Schranken von Mengen; Axiomatik; Anordnung; Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 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

Mehr

α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus

α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus 4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F

Mehr

Wir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).

Wir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung). Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6

Mehr

TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)

TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ) TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Kapitel IV. Endliche, abzählbare und überabzählbare Mengen. IV.1 Abzählbare Mengen

Kapitel IV. Endliche, abzählbare und überabzählbare Mengen. IV.1 Abzählbare Mengen Kapitel IV Endliche, abzählbare und überabzählbare Mengen Wir haben schon einige Mengen in den Kapiteln I und II kennengelernt, etwa die Zahlenmengen N, Z, Q und R. Jede dieser Zahlenmengen enthält unendlich

Mehr

Kapitel 5 KONVERGENZ

Kapitel 5 KONVERGENZ Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz

Mehr

Maß- und Integrationstheorie

Maß- und Integrationstheorie Maß- und Integrationstheorie Manuskript zur Vorlesung in SS26 Bálint Farkas farkas@mathematik.tu-darmstadt.de Inhaltsverzeichnis Einführung...................................................................

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...

Mehr

Kapitel 1. Grundlagen

Kapitel 1. Grundlagen Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig

Mehr

Exkurs: Polnische Räume

Exkurs: Polnische Räume Ein normaler Hausdorff-Raum mit abzählbarer Basis kann auf viele Weisen metrisiert werden; man kann insbesondere eine einmal gewonnene Metrik in vielerlei Weise abändern, ohne die von ihr erzeugte Topologie

Mehr

Gesetze der großen Zahlen

Gesetze 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

Mehr

Informatik II Grundbegriffe der Wahrscheinlichkeitsrechnung

Informatik 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,

Mehr

8.1 Grundbegriffe der Mengen-Topologie

8.1 Grundbegriffe der Mengen-Topologie Die Menge der möglichen Handlungsalternativen eines Entscheidungsproblems wird Entscheidungsraum genannt. Die Entscheidungsräume vieler ökonomischer Entscheidungsprobleme sind Teilmengen des R n. In diesem

Mehr

Kapitel VI. Euklidische Geometrie

Kapitel VI. Euklidische Geometrie Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und

Mehr

Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.

Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl. Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )

Mehr

Lösung zur Übung für Analysis einer Variablen WS 2016/17

Lösung zur Übung für Analysis einer Variablen WS 2016/17 Blatt Nr. 3 Prof. F. Merkl Lösung zur Übung für Analysis einer Variablen WS 206/7 Aufgabe Das Guthaben G setzt sich zusammen aus der Summe aller bisherigen Einzahlungen multipliziert mit ( + p) k, wobei

Mehr

also ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges

also ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges 11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir

Mehr

Mengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit

Mengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {

Mehr

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

3 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.

Mehr

Musterlösung 11.Übung Mathematische Logik

Musterlösung 11.Übung Mathematische Logik Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden

Mehr

Skript zur Vorlesung Topologie I

Skript zur Vorlesung Topologie I Skript zur Vorlesung Topologie I Carsten Lange, Heike Siebert Richard-Sebastian Kroll Faszikel 1 Fehler und Kommentare bitte an clange@math.fu-berlin.de Stand: 15. Juni 2010 Fachbereich Mathematik und

Mehr

Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom

Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R

Mehr

Aufgaben zu Kapitel 15

Aufgaben zu Kapitel 15 Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

Vorlesung. Funktionen/Abbildungen

Vorlesung. Funktionen/Abbildungen Vorlesung Funktionen/Abbildungen 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Thema 4 Limiten und Stetigkeit von Funktionen

Thema 4 Limiten und Stetigkeit von Funktionen Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.

Mehr

Gleichmäßige Konvergenz und Funktionenräume

Gleichmäßige Konvergenz und Funktionenräume Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen

Mehr

Mathematik I. Vorlesung 19. Metrische Räume

Mathematik I. Vorlesung 19. Metrische Räume Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 19 Metrische Räume Euklidische Räume besitzen nach Definition ein Skalarprodukt. Darauf aufbauend kann man einfach die Norm eines Vektors

Mehr

Schwache Konvergenz. Kapitel 8

Schwache 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

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Formale Grundlagen 2008W. Vorlesung im 2008S Institut für Algebra Johannes Kepler Universität Linz

Formale Grundlagen 2008W. Vorlesung im 2008S  Institut für Algebra Johannes Kepler Universität Linz Formale Grundlagen Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Inhalt Definition Sei A eine Menge und ɛ A A A eine zweistellige

Mehr

MAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.

MAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss. 1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine

Mehr

Stetigkeit von Funktionen

Stetigkeit von Funktionen 9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a

Mehr

n=1 a n mit reellen Zahlen a n einen

n=1 a n mit reellen Zahlen a n einen 4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die

Mehr