Grundlagen der Verteilungskonvergenz zufälliger Funktionen (vorläufige Version)
|
|
- Gerhardt Vogt
- vor 5 Jahren
- Abrufe
Transkript
1 KAPITEL 7 Grundlagen der Verteilungskonvergenz zufälliger Funktionen (vorläufige Version) In diesem Kapitel tragen wir die wichtigsten Grundlagen über die Verteilungskonvergenz zufälliger Funktionen zusammen, die sich als deutlich diffiziler erweist als die Verteilungskonvergenz von Zufallsvektoren. Für ausführliche Darstellungen sei auf die entsprechende wahrscheinlichkeitstheoretische Literatur verwiesen. 1. Einführung: Der Partialsummenprozess Für die folgenden Kapitel ist der Partialsummenprozess nt S n (t) = X i, t [0, 1], i=1 von besonderer Bedeutung. S n (t) ist eine Treppenfunktion mit Sprungstellen i/n, i = 1,..., n, und Funktionswerten 0, X 1, X 1 + X 2,..., n i=1 X i. Sind X i i.i.d. mit E(X i ) = µ und 0 < σ 2 = Var (X i ) <, so gilt E(S n (t)) = nt µ, Var (S n (t)) = nt σ 2. Nach dem zentralen Grenzwertsatz konvergiert die zufällige Funktion (15) X n (t) = 1 nt (X i µ), t [0, 1], n i=1 für die E(X n (t)) = 0 und Var (X n (t)) = nt n σ2 tσ 2 gilt, punktweise in Verteilung gegen eine N(0, tσ 2 )-Verteilung. Es stellt sich die Frage, ob auch Verteilungskonvergenz gegen eine zufällige Funktion X(t) vorliegt. 105
2 Die Autokovarianzfunktion des Prozesses X n (t) berechnet sich wie folgt: Für s < t ist Cov (X n (s), X n (t)) = 1 ns nt E(X i X j ) = σ 2 ns n n i=1 j=1 s = σ2 min(s, t). Somit sollten auch alle sog. Projektionen von X n auf k N Zeitpunkte t 1 < < t k asymptotisch multivariat normalverteilt sein, und zwar mit asymptotischer Kovarianzmatrix Σ t1,...,t k = (min(t i, t j )) i=1,...,k; j=1,...,k. Satz 7.1. X 1,..., X n seien i.i.d. mit 0 < σ 2 = Var (X i ) <. Für alle k N und alle 0 t 1 < < t k 1 gilt: (X n (t 1 ),..., X n (t k )) d N(0, Σ t1,...,t k ), für n. Beweis. O.E. sei µ = E(X i ) = 0. Wir wenden die Cramer-Wold-Technik an. Sei λ = (λ 1,..., λ k ) R k \{0}. Dann ist j=1 λ j X n (t j ) = 1 n = 1 n = j=1 j=1 ( n i=1 λ j 1 n nt j i=1 nt k λ j i=1 X i X i 1(i nt j ) ) λ j 1(i nt j ) Dies ist eine gewichtete Summe n i=1 a nix i mit Gewichten a ni = 1 n j=1 λ j 1(i nt j ). j=1 106 X i
3 Es gilt max i a ni k max j=1,...,k λ j / n 0, für n. Ferner Damit folgt n a 2 ni = 1 n i=1 = = n a 2 ni i=1 n i=1 j=1 λ j λ k 1(i nt j )1(i nt l ) l=1 λ j λ l n 1 j,l=1 j,l=1 j=1 n 1 (i min( nt j, nt l )) i=1 λ j λ l min( nt j, nt l ) n λ j λ l min(t j, t l ) = λ Σ t1,...,t k λ, l=1 wenn n. Sei X N(0, Σ t1,...,t k ). Dann gilt λ X N(0, λ Σ t1,...,t k λ). Also ist gezeigt: X n (t 1 ) λ. d λ X, n. X n (t k ) Dies ist äquivalent zu (X n (t 1 ),..., X n (t k )) d X, n, ist. Existiert zur Familie von endlich-dimensionalen Verteilungen {N(0, Σ t1,...,t k ) : 0 t 1 < < t k 1, k N} ein stochastischer Prozess X(t), t [0, 1], der genau diese Verteilungen als Marginalverteilungen besitzt, d.h. (X(t 1 ),..., X(t k )) N(0, Σ t1,...,t k ), also ein Gaußscher Prozess ist, dann liegt es nahe zu vermuten, dass S n als Funktion in Verteilung gegen X konvergiert. Dies wird sich richtig erweisen. Wir benötigen daher einige Grundlagen über die Verteilungskonvergenz von zufälligen Funktionen. Von Interesse ist für uns vor allem die Verteilungskonvergenz für stetige Funktionen, die oft als Limesprozesse auftreten, sowie natürlich rechtsstetige Funktionen mit linksseitigen Grenzwerten. 107
4 Allgemein sei M eine Menge von Funktionen auf I R (z.b. alle stetigen Funktionen C(I)). d sei eine Metrik auf M. M sei zudem mit einer σ-algebra B versehen, i.d.r. die Borel-σ-Algebra, die von den offenen Mengen erzeugt wird, oder die σ-algebra, die von den offenen Bällen erzeugt wird. Sei X : (Ω, A, P ) (M, d) eine messbare Abbildung, d.h. es gelte X 1 (M) A. Dann heißt X Zufallselement von M. Für jedes feste ω Ω heißt t X(ω, t) := X(ω)(t), t I, Pfad oder Trajektorie. Die Realisationen X(ω) sind also Funktionen aus M. Die Verteilung von X ist das Wahrscheinlichkeitsmaß P X auf M mit P X (A) = P (X A), A M messbar. Ist h : M R eine messbare Funktion, dann gilt h(x) dp = Eh(X) = h(x) dp X (x). Für Anwendungen reicht oftmals das folgende wichtige Kriterium für Verteilungskonvergenz (schwache Konvergenz), das wir deshalb schon einmal formulieren wollen: Hinreichendes Kriterium: Es sei X n (t), t I = [a, b], ein stochastischer Prozess, d.h. eine zufällige Funktion, mit beschränkten Pfaden. Für die Zuwächse gelte die Momente- Bedingung E X n (s) X n (t) p K s t r+1 für Konstanten p, K, r > 0, unabhängig von n. Gilt zusätzlich (X n (t 1 ),..., X n (t k )) d (X(t 1 ),..., X(t k )), n, für alle a t 1 < < t k b und alle k N, dann existiert eine Version von X mit stetigen Pfaden und X n konvergiert als zufällige Funktion gegen X. Für den Partialsummenprozess gilt für i.i.d.-summanden: Lemma 7.1. Seien X 1,..., X n i.i.d. mit E(X 1 ) = 0 und 0 < Var (X 1 ) <. Dann gibt es eine Konstante C > 0, so dass für den zugehörigen Partialsummenprozess X n - wie in (??) definiert - gilt: E(X n (t) X n (s)) 4 C t s 2, 0 s t
5 Beweis. Man hat wegen X n (t) X n (s) = 1 n nt i= ns +1 X i E(X n (t) X n (s)) 4 1 n 2 nt i,j,k,l= ns +1 E(X i X j X k X l ). Der Erwartungswert E(X i X j X k X l ) ist nur dann nicht 0, wenn i = j = k = l (dies sind nt ns Fälle) oder i = j k = l (O (( nt ns ) 2 ) Fälle). Mit C = max((ex 2 1) 2, EX 4 1)) folgt: ( ) ( nt ns ) E(X n (t) X n (s)) 4 2 O Da der Bruch gegen t s 2 konvergiert, gibt es also eine Konstante C, so dass die rechte Seite für alle s, t [0, 1] und alle n N durch C s t 2 beschränkt ist. n 2 2. Einige Funktionenräume Wir führen nun die für uns wichtigsten drei Funktionenräume ein Der Raum l (I). Die Menge aller beschränkten Funktionen auf I sei mit bezeichnet, wobei l (I) = {f : I R : f < } f = sup f(x) x I die Supremumsnorm ist. Ist I = [, + ], so ist f l (I), wenn lim f(x) <, lim x f(x). x + Die Supnorm induziert die Metrik d(f, g) = f g, f, g l. Eine Menge heißt separabel, wenn sie eine abzählbar dichte Teilmenge enthält. l ist separabel, wenn I abzählbar ist. Ansonsten ist l nicht separabel. 109
6 2.2. Der Raum C(I). Sei C(I) = {f : I R : f ist stetig} die Menge aller stetigen Funktionen auf I, die wir ebenfalls durch die Supremumsnorm zu einem normierten und damit auch metrischen Raum machen. C(I) ist vollständig, d.h. jede Cauchyfolge konvergiert in C(I). Die Borel sche σ-algebra wird von den offenen Mengen in C(I) erzeugt. C(I) ist separabel, wenn I R n kompakt ist: Man nimmt die Funktionswerte von f C(I) auf einem Gitter εz n mit Maschenweite ε > 0 und interpoliert dann linear. Da f auf I gleichmäßig stetig ist, ist der Fehler glm. beschränkt durch sup{ f(x 1 ) f(x 2 ) : x 1 x 2 ε} 0, ε 0. Approximiert man nun die endlich (!) vielen Funktionswerte an den Gitterpunkten, die in I liegen, durch rationale Zahlen, erhält man eine abzählbar dichte Teilmenge Der Skorokhod-Raum D(I). Sowohl die empirische Verteilungsfunktion als auch der Partialsummenprozess sind nicht Elemente von C(R) bzw. C[0, 1], da sie Sprünge aufweisen. Definition 7.1. Eine Funktion f : [a, b] R heißt cadlag (continue à droite avec limite à gauche), wenn für alle t [a, b) der rechtsseitige Limes, f(t+) = lim s t f(s), existiert, für alle t (a, b] der linksseitige Limes f(t ) = lim s t f(s), und wenn f den rechtsseitigen Grenzwert annimmt, f(t) = f(t+). Kurz: f ist rechtsstetig und besitzt linksseitige Grenzwerte. Wir setzen D(I) = {f : I R : f ist cadlag}. Offensichtlich gilt: C[a, b] D[a, b] l. 110
7 Da Funktionen aus D[a, b] Sprünge haben dürfen, benötigen wir einen hierauf zugeschnittenen Konvergenzbegriff. Das heißt, wir müssen geeignet den Abstand zwischen Funktionen messen. Denken wir an die empirische Verteilungsfunktion F n (x) einer Stichprobe X 1,..., X n, die an den Ordnungsstatistiken X (i) springt, so sollte gewährleistet sein, dass Treppenfunktionen mit gleichen Sprunghöhen, aber geringfügig verschiedenen Sprungstellen, einen kleinen Abstand haben sollten. Dies ist nicht gewährleistet, wenn man die Supnorm verwendet: Betrachten wir exemplarisch die Funktionenfolge und die Funktion f n (x) = 1(x 1/2 + 1/n), x I := [0, 1], f(x) = 1(x 1/2), x I. Da f n erst ab 1/2 + 1/n auf 1 springt und f(x) auf dem Invervall [1/2, 1/2 + 1/n) konstant 1 ist gilt für alle n f n f = 1. Somit konvergiert f n nicht in der Supnorm gegen f. Die Supnorm ist für Sprungfunktionen also nicht besonders geeignet. Das Problem kann man umschiffen, indem man vor der Abstandsmessung zweier Funktionen f, g mit der Supnorm bei einer der Funktionen die Sprungstellen durch eine Deformation des Argumentbereichs leicht verschiebt. Ist λ : I I eine stetige Bijektion (also ein Homöomorphismus), so können wir sup f(t) g(λ(t)) t I betrachten. Für λ(t) = t erhält man die gewöhnliche Supnorm. Es ist naheliegend, die supremale Abweichung von λ von der Identität noch in die Abstandsmessung einfließen zu lassen. Wir definieren daher für ein festes λ d λ (f, g) = sup t I und minimieren dieses Maß über alle λ Λ, wobei f(t) g(λ(t)) + sup t λ(t) t I Λ = {λ : I I : λ ist stetige Bijektion} 111
8 die Menge aller Homöomorphismen des Einheitsintervalls ist. Wir definieren also d(f, g) = inf λ d λ(f, g). Man kann zeigen, dass hierdurch eine Metrik auf D(I) definiert wird. d heißt Skorokhod- Metrik. Der metrische Raum (D(I), d) heißt auch Skorokhod-Raum. Die von d induzierte Topologie heißt Skorokhod-Topologie. Als topologischer Raum ist D(I) dann separabel, aber nicht vollständig. Man kann die Metrik jedoch abändern, so dass sich die Topologie nicht ändert und der zugehörige metrische Raum vollständig ist. Konvergenz einer Folge f n gegen ein f D(I) in der Skorokhod-Metrik heißt: Es gibt eine Folge λ n Λ, so dass (16) lim und sup n t I (17) lim sup n t I f n (x) f(λ n (t)) = 0 λ n (t) t = 0 Ist das Grenzelement f stetig, d.h. f C(I), so hat man sogar Konvergenz bzgl. der Supnorm. Lemma 7.2. Aus f n f, n, bzgl. der Skorokhod-Metrik d und f C(I) folgt Konvergenz in der Supnorm, d.h. sup f n (t) f(t) 0, n. t I Beweis. Nach Voraussetzung existiert eine Folge {λ n }, so dass (15) und (16) gelten. Da f als stetige Funktion auf I gleichmäßig stetig ist, folgt aus (16), also dass f λ n f id, n, d.h. Die Dreiecksungleichung liefert nun λ id, n, sup f(λ n (t)) f(t) 0, n. t I f n (t) f(t) f n (t) f(λ n (t)) + f(λ n (t)) f(t), woraus die Behauptung folgt. 112
9 Der Raum D(I), I = [a, b], ist separabel. Eine abzählbare dichte Teilmenge ist durch alle Treppenfunktionen f mit rationalen Funktionswerten auf den Intervallen [ i 1 k, i ), 1 i k, k und rationalem Funktionswert f(b) gegeben. Allerdings ist D(I) versehen mit der Metrik d nicht vollständig. Man kann allerdings eine äquivalente Metrik d 0 betrachten, die also dieselbe Topologie erzeugt, so dass D(I) vollständig wird Wahrscheinlichkeitsmaße auf C[a, b] und D[a, b]. Nach dem Konsistenztheorem von Kolmogorov existiert zu einer Familie von endlich-dimensionalen Verteilungen, ein stochastischer Prozess X(t), t T, T R, welcher die vorgegebenen endlichdimensionalen Verteilungen als Marginalverteilungen besitzt, wenn die Konsistenzbedingung erfüllt ist. Darüber hinaus gilt: Jedes Wahrscheinlichkeitsmaß P X auf C[a, b] bzw. D[a, b] eindeutig durch seine endlich-dimensionalen Marginalien t 1 < < t k, k N, festgelegt. P (X(t 1 ) A 1,..., X(t k ) A k ), Kennt man also die Verteilung aller Zufallsvektoren der Form (X(t 1 ),..., X(t k )), so ist die Verteilung des ganzen Prozesses schon klar. Insbesondere existieren Gaußsche Prozesse (normale Prozesse), das sind Prozesse, deren Randverteilungen stets (multivariat) normalverteilt sind. Ist für alle t 1 < < t k Σ(t 1,..., t k ) R k k eine k-dimensionale Kovarianzmatrix und µ(t 1,..., t k ) R k, dann gibt es eine stochastischen Prozess N(t), t I, dessen k-dimensionale Marginalien multivariat normalverteilt und durch {µ(t 1,..., t k ), Σ(t 1,..., t k ) : t 1 < < t k, k N} beschrieben sind: (N(t 1 ),..., N(t k )) N(µ(t 1,..., t k ), Σ(t 1,..., t k )) 113
10 3. Schwache Konvergenz in metrischen Räumen Es ist üblich, den Begriff der Verteilungskonvergenz (schwachen Konvergenz) gleich für metrische Räume (M, d) zu definieren. In dieser Allgemeinheit bezieht er sich auf die Wahrscheinlichkeitsmaße auf M. Sei X : (Ω, A, P ) (M, d) ein Zufallselement und h : M R eine messbare Funktion, z.b. h(x) = sup t I x(t). Man kann h(x) als Kennzahl interpretieren, die x M zugeordnet wird, und demzufolge Eh(X) als Kennzahl zur Charakterisierung des Prozesses X. Definition 7.2. Sei {P, P n } eine Folge von Wahrscheinlichkeitsmaßen auf M. {P n } konvergiert schwach gegen P, wenn h(x) dp n (x) h(x) dp (x), für alle stetigen und beschränkten h : M R, d.h. h C b (M). n Ist {X n } eine Folge von Zufallselementen auf M, so konvergiert X n schwach gegen X, wenn die Folge der Verteilungen P n = P Xn definiert durch P n (A) = P (X n A) schwach gegen P konvergiert, P (A) = P (X A). Wir schreiben dann X n w X, n, oder auch - wenn keine Verwechslungsgefahr mit der Implikation besteht - X n X, n, X n konvergiert also schwach (in Verteilung) gegen X, wenn alle reellwertigen Charakteristika Eh(X n ), h C b (M), gegen diejenigen von X konvergieren - als reelle Folge. Da eine reelle Folge {x n } genau dann gegen x konvergiert, wenn jede Teilfolge eine weitere Teilfolge enthält, die gegen x konvergiert, gilt: Satz 7.2. (Folgenkriterium) Es gilt P n P genau dann, wenn jede Teilfolge {P n } eine weitere Teilfolge {P n } enthält, so dass P n P. 114
11 Satz 7.3. (Billingsley, Th. 1.3) Zwei Wahrscheinlichkeitsmaße auf M stimmen überein, wenn h(x) dp (x) = h(x) dq(x) für alle h C(M). Somit legen die Werte f dp, f C(M), schon ein Wahrscheinlichkeitsmaß fest. Eine Menge A heißt P -stetig, wenn P ( A) = 0. Hierbei ist A der Rand von A. Satz 7.4. (Portmanteau) Äquivalent sind: (i) P n P (ii) h(x) dp n (x) h(x) dp (x), n, für alle gleichmäßig stetigen und beschränkten Funktionen h : M R. (iii) lim n P n (A) = P (A) für alle P -stetigen Mengen A. Per definitionem bleibt schwache Konvergenz unter stetigen Abbildungen erhalten. Man kann dies Ergebnis ein wenig verfeinern. Satz 7.5. (Stetigkeitssatz) Schwache Konvergenz bleibt unter stetigen Abbildungen erhalten: Sei f : M M eine Abbildung zwischen metrischen Räumen, jeweils versehen mit der Borel-σ-Algebra. Gilt P (X {x : f unstetig in x}) = 0, dann gilt: X n w X, f(x n ) w f(x) Ist speziell M ein metrischer Raum von Funktionen f : I R, so betrachte zu k Zeitpunkten t 1 < < t k die sog. k-dimensionale Projektionsabbildung π t1,...,t k (f) = (f(t 1 ),..., f(t k )), f M, die jeder Funktion den Vektor ihrer Funktionswerte f(t i ) zuordnet. Man kann dies als Approximation der Funktion f verstehen, z.b. indem man die zugehörige Treppenfunktion oder den zugehörigen Streckenzug betrachtet. Offensichtlich ist π t1,...,t k stetig. Gilt nun X n X, n, 115
12 so folgt die Konvergenz der endlich-dimensionalen Marginalien, π t1,...,t k (X n ) = (X n (t 1 ),..., X n (t k )) d (X(t 1 ),..., X(t k )), im Sinne der gewöhnlichen Verteilungskonvergenz einer Folge von Zufallsvektoren, und zwar für beliebige Zeitpunkte t 1 < < t k und beliebiges k N. Diese Konvergenz der endlich-dimensionalen Marginalien nennt man auch fidi-konvergenz (engl.: finitedimensional marginals) und schreibt X n fidis X, n, bzw. P n fidis P, n. Es stellt sich die Frage, ob auch die Umkehrung gilt, also ob aus der Konvergenz der endlichdimensionalen Marginalien schon die schwache Konvergenz (Verteilungskonvergenz) der ganzen zufälligen Funktion folgt. Das folgende Beispiel zeigt, dass fidi-konvergenz nicht hinreichend ist. Beispiel 7.1. Der Prozess X n C[0, 1] sei auf eine Funktion konzentriert, d.h. P (X n = x n ) = 1, n N. x n steige im Intervall [0, 1/n] linear von 0 nach 1 an, falle dann im Intervall (1/n, 2/m] linear wieder auf 0 und verharre dort, d.h. x n (t) = 0, für t [2/n, 1]. Es gilt daher X n = 1 f.s. und für jede fest Wahl von Punkten 0 < t 1 < < t k < 1 gilt (x n (t 1 ),..., x n (t k )) 0, n. Daher konvergieren die fidis gegen die Einheitsmasse in der Nullfunktion 0 C[0, 1]. Betrachte die Menge A = {f C[0, 1] : f < 1/2}. Weil X n = 1 für alle n, gilt Aber P (X n A) = 0. P (X A) = 1, 116
13 da 0 A. A ist eine P X -stetige Menge, da A = {f C[0, 1] : f = 1/2} und somit P (X A) = 0. Aber P n (A) = P (X n A) = 0 1 = P (X A) = P X (A) Dazu muss gesichert sein, dass das stochastische Verhalten von X n (t) durch das Verhalten an endlich vielen Zeitpunkten beliebig genau für n beschrieben ist. Angenommen, die Menge {P n } der Verteilungen P n = P Xn sei folgenkompakt (relativ kompakt), d.h. jede Teilfolge {P n } enthalte eine weitere Teilfolge {P n }, die schwach gegen ein Wahrscheinlichkeitsmaß Q konvergiert: P n Q. Gilt zudem fidi-konvergenz, P n fidis P, so müssen die fidis von Q und P übereinstimmen. Somit gilt P n dem Folgenkriterium P n P. P und damit nach fidi-konvergenz zusammen mit Folgenkompaktheit ist also eine Lösung. Wir benötigen nun praktikable Charakterisierungen der Folgenkompaktheit für die Räume C(I) und D(I), um die Verteilungskonvergenz auf diesen Räumen zu beschreiben. Vorher erwähnen wir noch den Zusammenhang zur Straffheit. Eine Menge P von Wahrscheinlichkeitsmaßen heißt straff, wenn es zu jedem ε > 0 eine kompakte Menge K = K(ε) gibt, so dass P (K) > 1 ε, P P. Ein Prozess {X n } heißt straff, wenn die zugehorige Menge der Verteilung {P Xn } straff ist, also wenn es zu jedem ε > 0 eine kompakte Menge K gibt, so dass P (X n K) > 1 ε, n 1. Dies bedeutet, dass sich die Pfade gleichmäßig in n mit beliebig großer Wahrscheinlichkeit in einer kompakten Menge einfangen lassen. Satz 7.6. (Prohorov) Es gelten die folgenden Aussagen: 117
14 (a) Ist P straff, dann ist P folgenkompakt. (b) Ist M separabel und vollständig, dann gilt: Ist P folgenkompakt, dann ist P straff Verteilungskonvergenz im Raum C[a, b]. Die Charakterisierung der relativ kompakten Mengen liefert der Satz von Arzelà-Ascoli. Hierzu definieren wir den Stetigkeitsmodul w f (δ; I) = sup f(s) f(t) s t <δ, s,t I als supremale Schwankung von f für s, t I mit s t < δ. Satz 7.7. Eine Teilmenge K C[a, b] hat kompakten Abschluss genau dann, wenn und sup f(0) < f K lim sup δ 0 f K w f (δ) = 0. Dies liefert: Satz 7.8. {X n } ist straff, wenn {X n (0)} straff ist und für jedes ε > 0 ein δ (0, 1) und ein n 0 N existiert, so dass ( (18) P für alle n n 0 und 0 t 1. sup X n (s) X n (t) ε t s min(1,t+δ) Hinreichend für (17) ist die Existenz von γ 0 und α > 1, so dass für eine nichtfallende stetige Funktion F : I R gilt: ) η. (19) P ( X n (t 1 ) X n (t 2 ) ε) F (t 2) F (t 1 ) α für alle t 1, t 2, n 1, sowie ε > 0. Hinreichend für (19) ist die Momentebedingung (20) E X n (t 2 ) X n (t 1 ) γ F (t 2 ) F (t 1 ) α, die wiederum mit F (t) = t, γ = 4, α = 2 erfüllt ist, wenn (21) E(X n (t 2 ) X n (t 1 )) 4 = O( t 2 t 1 2 ). 118 ε γ
15 3.2. Verteilungskonvergenz im Raum D[a, b]. Die Kompaktheit einer Menge K D(I), I = [a, b], wird beschrieben durch den Modul w f(δ; I) = inf max w f(δ, [t i 1, t i ]) 0<i r {t i } wobei das Infimum über alle endlichen Mengen {t i } mit a = t 0 < < t r = b und t i t i 1 > δ sowie r N genommen wird. Eine Funktion f : I R ist genau dann ein Element von D[a, b], wenn lim δ 0 w f (δ; I) = 0. Satz 7.9. Eine Menge K D[a, b] hat kompakten Abschluss in der Skorokhod-Topologie genau dann, wenn K gleichgradig beschränkt ist, und sup f K sup f(t) <, t lim δ 0 w f(δ) = 0. Sei T X = {t [a, b] : P (X(t) X(t )) = 0} die Menge aller Punkte, in denen X f.s. stetig ist. Es gilt stets 0, 1 T X. Satz Es gilt genau dann, wenn X n X, in (D[a, b], d) (X n (t 1 ),..., X n (t k )) d (X(t 1 ),..., X(t k )) für alle t 1,..., t k T X (Stetigkeitsstellen des Grenzprozesses), und wenn für alle ε > 0 P (X(1) X(1 )) = 0, (22) P ( X n (t 1 ) X n (t) ε, X n (t 2 ) X n (t) ε) [F (t 2) F (t 1 )] 2α ε 2γ für alle t 1 t t 2, n 1, mit Konstanten γ 0 und α > 1/2 und einer nicht-fallenden Funktion F (t). Hinreichend für (21) ist (23) E X n (t) X n (t 1 ) γ X n (t 2 ) X n (t) γ [F (t 2 ) F (t 1 )] 2α 119
16 Oftmals ist jedoch das im folgenden Abschnitt zitierte einfache und elegante hinreichende Kriterium für Prozesse mit beschränkten Pfaden anwendbar Verteilungskonvergenz in l. Für den Raum l beschränken wir uns auf ein einfaches hinreichendes Momenten-Kriterium für die schwache Konvergenz, welches zusätzlich die Stetigkeit des Grenzprozesses liefert. Satz (van der Vaart und Wellner, 1996) Sei {X n (t) : t [a, b]} ein stochastischer Prozess mit Pfaden in l. Für die Inkremente gelte die Momente-Bedingung E X n (s) X n (t) p K s t r+1 für Konstanten p, K, r > 0, unabhängig von n. Gilt zusätzlich X n fidis X, dann existiert eine Version von X mit stetigen Pfaden und X n konvergiert schwach gegen X: X n X, n Der Satz von Skorokhod/Dudley/Wichura, Skorokhod-Konstruktion. I.F. sei der metrische Raum (M, d) versehen mit der σ-algebra, die von den offenen Bällen erzeugt wird. (Für den Skorokhod-Raum (D(I), d) ist diese σ-algebra identisch mit der Borel-σ-Algebra.) Satz Es gelte in (M, d) und X n X, n, P (X M 0 ) = 1, für eine messbare und separable Teilmenge M 0 M. Dann existiert ein Wahrscheinlichkeitsraum (Ω, A, P ) und X, X n : Ω M mit Verteilungen P X n = P X n und P X = P X, also äquivalente Prozesse X n X n, X X, so dass d(x n, X) f.s. messbar ist und d(x n, X) f.s. 0, n. 120
17 Wir werden diesen Satz in der folgenden Situation anwenden: Gilt im Skorokhod-Raum X n X, n, und ist X f.s. stetig, d.h. X C(I) mit Wahrscheinlichkeit 1, dann gilt für verteilungsgleiche Prozesse X n, X fast sichere Konvergenz in der Skorokhod-Metrik, Da X C f.s., gilt sogar d(x n, X ) 0, n. X n X f.s. 0, n. Angenommen, man kann hieraus für eine interessierende Funktion f folgern f(x n) f(x ) 0, n, zumindest in Wahrscheinlichkeit. Folgt dann schon f(x n) f(x ), n, und damit - wegen der Verteilungsgleichheit der -Versionen zu den Originalprozessen, f(x n ) f(x), n? Die Antwort ist positiv. Corollary 3.1. X sei auf eine separable Teilmenge M 0 M konzentriert, d.h. Dann sind äquivalent: P (X M 0 ) = 1. (i) X n X, n. (ii) d(x n, X ) f.s. 0, n, für äquivalente Prozesse X n X n und X X. (iii) d(x n, X ) P 0, n, für äquivalente Prozesse X n X n, X X. 121
18 Ergänzungen Maße auf metrischen Räumen. Sei (M, d) ein metrischer Raum versehen mit der Borel-σ-Algebra B = B(M). Satz Jedes Wahrscheinlichkeitsmaß auf M ist regulär, d.h. zu jeder messbaren Menge A und jedem ε > 0 gibt es eine abgeschlossene Menge F und eine offene Menge G, so dass ( ) F A G und ( ) P (G F ) ε. Beweis. Sei G = {A B : A regulär }. Natürlich sind alle abgeschlossenen Mengen A in G, da man in diesem Fall F = A und für G eine offene δ-erweiterung G = {x M : d(x, A) < δ} wählen kann. Wenn G eine σ-algebra ist, folgt G = B. Wir verifizieren: (i) G ist abgeschlossen bzgl. der Komplementbildung. (ii) G ist abgeschlossen bzgl. abzählbarer Vereinigungen. (i) ist klar. (ii) sieht man wie folgt: Sei A n eine Folge aus G und F n abgeschlossen und G n offen mit F n A n G n und P (G n F n )leε/2 n+1. Setze F = n n0 F n, G = n G n Dann ist F abgeschlossen und G offen. Wegen F n A n gilt F = n n0 F n n n0 A n n A n und wegen A n G n n A n n G n = G. 122
19 Da G n = F n + (G n F n ) folgt P (G F ) = P ( n G n F ) P ( n F n F ) + P ( n (G n F n ) F ) ε/2 + P ( n (G n F n )) ε/2(1 + n 1/2 n ) = 3/2 ε. 123
20
Schwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrSchwache Konvergenz. Kapitel 8
Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr4 Schwache Konvergenz (Version )
4 Schwache Konvergenz (Version 16.1.2018) 4.1 Grundlagen In diesem Kapitel sei (E, d) ein metrischer Raum. Die Borel-σ-Algebra auf E bezeichnen wir mit B(E), die Menge aller Wahrscheinlichkeitsmaße auf
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStetigkeit, Konvergenz, Topologie
Ferienkurs Seite 1 Technische Universität München Ferienkurs Analysis 1 Hannah Schamoni Wintersemester 2011/12 Stetigkeit, Konvergenz, Topologie 21.03.2012 Inhaltsverzeichnis 1 Stetigkeit und Konvergenz
Mehrmehrdimensionale Random Walks in stetiger Zeit
Diplomarbeit Grenzwertsätze für mehrdimensionale Random Walks in stetiger Zeit Mareike Assink Juni 2007 Fachbereich Mathematik der Westfälischen Wilhelms-Universität Münster Betreuer: Prof. Dr. Gerold
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 11. d(x, y) := n 0. 2 n d n (x n, y n ),
D-MATH Topologie FS 15 Theo Bühler Musterlösung 11 1. a) Da (C n, d n ) kompakt ist, nimmt die stetige Funktion d n : C n C n [0, ), (x, y) d(x, y) ihr Maximum diam C n an. Ersetzen wir d n durch d n =
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrÜbungen zur Funktionalanalysis Lösungshinweise Blatt 2
Übungen zur Funktionalanalysis Lösungshinweise Blatt 2 Aufgabe 5. Beweisen Sie: Ein kompakter Hausdorffraum, welcher dem ersten Abzählbarkeitsaxiom genügt, ist folgenkompakt. Lösung. Es sei X ein kompakter
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
Mehr12 Biholomorphe Abbildungen
12 Biholomorphe Abbildungen 2 Funktionenräume Wir erinnern zunächst an den Weierstraßschen Konvergenzsatz : 2.1 Satz. Sei G C ein Gebiet, (f n ) eine Folge holomorpher Funktionen auf G, die auf G kompakt
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrElemente der mengentheoretischen Topologie
Elemente der mengentheoretischen Topologie Es hat sich herausgestellt, dass das Konzept des topologischen Raumes die geeignete Struktur darstellt für die in der Analysis fundamentalen Begriffe wie konvergente
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober/November 2017
MehrDefinition 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
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrWie in der reellen Analysis üblich notiert man Folgen f in der Form
2.1.3 Folgen und Konvergenz Viele aus der Analysisvorlesung bekannte Begriffe lassen sich in den Bereich der metrischen Räume verallgemeinern. Diese Verallgemeinerung hat sich als sehr nützliches mathematisches
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrKapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse
Kapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse 2.1 Definitionen stochastische Prozesse 2.1 Definitionen stochastische Prozesse 2.1.1 Klassische Definition: als Familien von Zufallsvariablen
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen
34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen R-Vektorräumen 34.1 Äquivalenz von Normen 34.3 Stetigkeit und Normen linearer Abbildungen 34.4 Äquivalente Normen sind gegeneinander
Mehrsign: R R, sign(x) := 0 falls x = 0 1 falls x < 0 Diese ist im Punkt x 0 = 0 nicht stetig, denn etwa zu ε = 1 finden wir kein δ > 0
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 81 3. Stetigkeit 3.1. Stetigkeit. Im Folgenden sei D R eine beliebige nichtleere Teilmenge. Typischerweise wird D ein allgemeines Intervall sein, siehe Abschnitt
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrWiederholung. Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen.
Wiederholung Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen. Definition. Sei X eine Menge und d : X X R eine Abbildung mit den Eigenschaften 1.
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrKapitel VI: Schwache Konvergenz
Reinhard Höpfner Vorlesung Stochastik I Kapitel VI: Schwache Konvergenz Sommersemester 2016 Institut für Mathematik, Johannes Gutenberg Universität Mainz October 5, 2016 1 Übersicht zu Kapitel VI : A.
MehrSerie 2 Lösungsvorschläge
D-Math Mass und Integral FS 214 Prof. Dr. D. A. Salamon Serie 2 Lösungsvorschläge 1. Seien folgende Mengen gegeben: und für a, b R R := [, ] := R {, }, (a, ] := (a, ) { }, [, b) := (, b) { }. Wir nennen
MehrEtwas 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
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
MehrInhaltsverzeichnis. 6 Topologische Grundlagen. 6.1 Normierte Räume
Inhaltsverzeichnis 6 Topologische Grundlagen 1 6.1 Normierte Räume................................ 1 6.2 Skalarprodukte................................. 2 6.3 Metrische Räume................................
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
Mehr(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)
27 15. Metrische Räume Mit Hilfe einer Norm können wir den Abstand x y zweier Punkte x, y messen. Eine Metrik ist eine Verallgemeinerung dieses Konzepts: 15.1. Metriken. Es sei M eine beliebige Menge.
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
Mehr1 Topologische und metrische Räume
1 Topologische und metrische Räume 1.1 Topologische Räume und stetige Abbildungen Eine Topologie τ auf einer Menge X ist ein System von Teilmengen von X, die offene Mengen genannt werden, mit: (a) und
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrKapitel 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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
Mehr30 Metriken und Normen
31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
MehrJ.M. Sullivan, TU Berlin B: Metrische Räume Analysis II, WS 2008/09
B. METRISCHE RÄUME B1. Definition Definition B1.1. Sei X eine Menge. Eine Funktion oder Abbildung d : X X R heißt dann eine Metrik auf X, falls für alle x, y, z X die folgenden (axiomatischen) Bedingungen
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrDefinition Eine Metrik d auf der Menge X ist eine Abbildung d : X X IR
0 Inhaltsverzeichnis 1 Metrik 1 1.1 Definition einer Metrik............................. 1 1.2 Abstand eines Punktes von einer Menge................... 1 1.3 Einbettung eines metrischen Raumes in einen
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
Mehralso 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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
Mehr3 Folgen, Reihen und stetige Funktionen
Höhere Mathematik 101 3 Folgen, Reihen und stetige Funktionen 3.1 Folgen und Reihen: Definitionen und Beispiele Eine reelle oder komplexe Zahlenfolge ist eine Abbildung, die jeder natürlichen Zahl n eine
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrVollständigkeit. Andreas Schmitt. Ausarbeitung zum Proseminar zur Topologie im WS 2012/13
Vollständigkeit Andreas Schmitt Ausarbeitung zum Proseminar zur Topologie im WS 2012/13 1 Einleitung Bei der Konvergenz von Folgen im Raum der reellen Zahlen R trifft man schnell auf den Begriff der Cauchy-Folge.
Mehrmit 0 <b<1 und einer ungeraden natürlichen Zahl a mit ab > π.was die Bairesche Methode aber zeigt, ist, dass solche
I.9 Aufgaben 47 mit 0
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2018 Lineare Algebra und analytische Geometrie II Vorlesung 52 Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die
MehrHöhere Funktionalanalysis WS2016/17 Übungsblatt
Höhere Funktionalanalysis WS2016/17 Übungsblatt 1 11.10.2016 Aufgabe 1. Berechne die Normen der Operatoren (a) f L [0, 1], M f : L 2 [0, 1] L 2 [0, 1], (M f g)(x) = f(x)g(x). (b) g C[0, 1], T g : C[0,
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrAnalysis 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
MehrNormierte, metrische und topologische Räume Stetige und gleichmäßig stetige Abbildungen
Kapitel VIII Normierte, metrische und topologische Räume Stetige und gleichmäßig stetige Abbildungen 33 Normierte und metrische Räume 34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlichdimensionalen
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrTopologische Grundbegriffe in metrischen und topologischen
KAPITEL 1 Topologische Grundbegriffe in metrischen und topologischen Räumen Die topologischen Grundbegriffe offene Mengen, abgeschlossene Mengen, Inneres einer Menge und Abschließung einer Menge, Stetigkeit
MehrLösung zu Kapitel 5 und 6
Lösung zu Kapitel 5 und 6 (1) Sei f eine total differenzierbare Funktion. Welche Aussagen sind richtig? f ist partiell differenzierbar f kann stetig partiell differenzierbar sein f ist dann immer stetig
Mehr