T 1 Th T 1. 1 T 1 h Th

Größe: px
Ab Seite anzeigen:

Download "T 1 Th T 1. 1 T 1 h Th"

Transkript

1

2

3

4

5 T H c c > 0 Tx c x x H H K T : H K T T K T h H T 1 > 0 h = T 1 Th T 1 Th 1 T 1 h Th h H T : T h H,h 0 Th = 0 T c > 0 c h Th = 0. c h > 0 T : (Th n ) n T (h n ) n H T h n h m 1 c Th n Th m c > 0 (h n ) n n h 0 H

6 (Th n ) n n Th 0 Im(T ) T T Im(T ) = Im(T ) = K T T T H Λ(T ) := {λ T λ } T Π(T ) := {λ T λ } T Γ(T ) := {λ T λ } T Λ(T ) = Π(T ) Γ(T ) T H λ Π(T ) (x n ) n H lim (T λ)x n = 0. λ Π(T ) T λ c > 0 x H (T λ)x < c x n x n H (T λ)x n < 1 n x n lim 1 n x n x n = 0 lim (T λ) 1 x n x n = 0, ( 1 x n x ) n n (x n ) n H lim (T λ)x n = 0 c > 0 n (T λ)x n < c x n c > 0 x (x n ) n H (T λ)x < c x. T λ

7 T H Π 0 (T ) := {λ x H, x = 1 : Tx = λx} T T H Π 0 (T ) Π(T ) λ Π 0 (T ) x H Tx = λx (x n ) n x n = x n (T λ)(x n ) = 0 n λ T H λ : ρ(λ) := (T λ) 1. ρ ρ T H ρ ρ = ρ T U f : U x 0 U P(x) = a n (x x 0 ) n, n=0 (a n ) n x 0 f (x) f U f U = f U H ϕ : U L (H ) x U f,д H λ ϕ(λ)f д ϕ x U

8 ψ (λ) = ϕ(1/λ) ϕ ϕ ψ T H T < 1 (1 T ) (1 T ) 1 = T n. T < 1 n=0 T n (1 T ) ( 1 + T + T T ) k = 1 + T + T T k ( T + T T k + T k+1) = 1 T k+1, n=0 T < 1 (1 T ) k n=0 T n k+1 k = 1 T 1. (1 T ) T n = 1. n=0 n=0 T n T H λ 0 T T λ 0 λ λ 0 (T λ) (T λ 0 ) T λ = (T λ 0 ) (λ λ 0 ) = (T λ 0 ) 1 (T λ 0 ) 1 (λ λ 0 ). λ λ 0 1 λ λ 0 < (T λ 0 ) 1, (T λ 0) 1 (λ λ 0 ) < 1

9 1 (T λ 0 ) 1 (λ λ 0 ) (1 (T λ 0 ) 1 (λ λ 0 )) 1 = ((T λ 0 ) 1 (λ λ 0 )) n. λ λ 0 T λ (T λ) 1 = (T λ 0 ) 1 ((T λ 0 ) 1 (λ λ 0 )) n. n=0 λ λ 0 ρ(λ) f,д H ρ(λ)f д = (T λ0 ) n 1 f д (λ λ 0 ) n. n=0 ρ λ 0 λ 0 ρ : λ λ 0 n=0 T 1 λ = 1 (1 λt ), λ T 1 λ (1 λt ) 1 0 < λ < T ( 1 ) τ (λ) := ρ = λ (1 λt ) 1 = (λt ) n. n=0 ( T 1 λ ) 1 = λ (1 λt ) 1, 0 < λ < 1 T τ (λ) = λ (λt ) n. λ τ (0) = 0 ρ n=0

10 H T H λ 0 \ Π(T ) T λ 0 c > 0 Tx λ 0 x c x c H λx λx Tx λx + λx λ 0 x Tx λ 0 x c x λ x H Tx λx c x λ λ 0 x = (c λ λ 0 ) x λ x H λ λ 0 λ B c 2 (λ 0 ) T λ \ Π(T ) Π(T ) H T H λ T λ Π(T ) T λ T λ (λ n ) n \ Λ(T ) lim λ n = λ x H x 0 T λ (x n ) n x n = 1 x n := (T λ n) 1 x (T λ n ) 1 x. lim ((T λ) (T λ n))x n = lim (λ n λ)x n = 0. (T λ)x n T λ (T λ n )x n = x (T λ n ) 1 x

11 T λ : (T λ)x n (T λ n )x n 2 = (T λ)x n 2 + (T λ n )x n 2 (T λ)x n 2. lim (T λ)x n = 0 λ Π(T ) T H Λ(T ) {λ λ T }. λ λ 0 \ Λ(T ) ρ T T λ = (λ 0 λ) + (T λ 0 ) = (T λ 0 )(1 (T λ 0 ) 1 (λ λ 0 )) = (T λ 0 )(1 ρ(λ 0 )(λ λ 0 )). λ λ 0 < 1/ ρ(λ 0 ) (1 ρ(λ 0 )(λ λ 0 )) 1/ ρ(λ 0 ) λ 0 λ 0 \Λ(T ) \ Λ(T ) \ Λ(T ) Λ(T ) λ > T T λ = λ T 1 λ 1 T 1 λ < 1 T λ λ Λ(T ) Λ(T ) {λ λ T }. f : f (z) = n=0 a n z n z f f f 0 f (z) < M M z B r (0) 0 r a n = f (n) (0) n! = 1 f (ζ ) 2πi B r (0) ζ n+1dζ

12 a n < M r n. a n = 0 f T H ρ T T ρ T f д λ (T λ) 1 f д f,д H ρ T ( ) = 0 ρ T f д ρ T f д ρ T ( ) = 0 (T λ) 1 f д = 0 f,д H λ (T λ) 1 (T λ)f f = f f = 0 f H, f 0 f 0

13 T H : Π 0 (T ) = Γ(T ) Π 0 (T ) = Γ(T ). Λ(T ) = Π(T ) Π(T ). λ Π 0 (T ) x H x 0 (T λ)x = 0 T λ Im(T λ) ker(a) = Im(A ) A H Im(T λ) = Im(T λ) H T λ λ Γ(T ) Π 0 (T ) = Γ(T ) T T Π 0 (T ) = Γ(T ) Λ(T ) = Π(T ) Γ(T ). Γ(T ) = Π 0 (T ) Λ(T ) = Π(T ) Π 0 (T ). Π 0 (T ) Π(T ) Λ(T ) Π(T ) Π(T ). Π(T ) Λ(T ) λ Π(T ) T λ (T λ) = T λ λ Λ(T ) T Π(T ) Π(T ) Λ(T )

14 H AB A B AB A B AB A B x H x 0 ABx = 0 ker(b) = {0} ker(a) {0} (x n ) n H lim AB(x n ) = 0 lim B(x n ) 0 lim A(Bx n ) = 0 Im(AB) H Im(A) H Im(B) H T H p : Π 0 (p(t )) = p (Π 0 (T )). Π (p(t )) = p (Π(T )). Γ (p(t )) = p (Γ(T )). deg(p) > 0 1 λ 0 Π 0 (T ) p(z) p(λ 0 ) z λ 0 p(λ 0 ) Π 0 (p(t )) p (Π 0 (T )) Π 0 (p(t )) α Π 0 (p(t )) p(z) α z λ α = p(λ ) λ Π 0 (T ) α p (Π 0 (T )) Π 0 (p(t )) p (Π 0 (T )) Π 0 (p(t )) = p (Π 0 (T )) Γ (p(t )) = p (Γ(T ) )

15 H f f (z) = 1/z : Π 0 (f (T )) = f (Π 0 (T )). Π(f (T )) = f (Π(T )). Γ(f (T )) = f (Γ(T )). λ Π 0 (T ) λ 0 Tx = λx x H x 0 : Tx = λx T 1 Tx = λt 1 x T 1 x = 1 λ x, 1 Π 0 (T ) Π 0(T 1 ) T 1 1 x = λx Π 0 (T 1 ) Π 0(T ) Π 0 (T 1 ) 1 Π 0 (T ) Π 0(T 1 ) = 1 Π 0 (T ) f (Π 0 (T )) = 1 Π 0 (T ) = Π 0(T 1 ) = Π 0 (f (T )). λ Π(T ) λ 0 lim Tx n λx n = 0 (x n ) n H T 1 lim Tx n λx n = 0 lim x n λt 1 1 x n = 0 lim λ x n T 1 x n = 0 1 Π(T ) Π(T 1 ) T 1 f (Π(T )) = 1 Π(T ) = Π(T 1 ) = Π(f (T )). : f (Γ(T )) = f (Γ(T ) ) = f (Π 0 (T )) = Π 0 (f (T )) = Γ(f (T )). A B P P 1 AP = B

16 H : Λ(A) = Λ(B). Π 0 (A) = Π 0 (B). Π(A) = Π(B). Γ(A) = Γ(B). A λ P 1 (A λ) P = P 1 AP λ = B λ λ Π 0 (A) f H f 0 Af = λf λ B P 1 f = P 1 AP P 1 f = λ P 1 f. λ Π(A) lim Af n λf n = 0 (f n ) n H lim B P 1 f n λ P 1 f n = lim P 1 AP P 1 f n λ P 1 f n = lim P 1 (Af n λf n ) = 0. 1 = 1 = f n = PP 1 f n P P 1 f n 1 P P 1 f n, P 1 f n 1 P P 1 f n ( P lim P 1 1 ) ( f n P 1 ) f n AP P 1 f n λ P 1 f n = 0. B λ = P 1 AP λ = P 1 (A λ)p P 1 (Im(A λ)) A λ P 1 (A λ)p H A B = P 1 AP P 1 AP P 1 A P

17 T H Γ(T ) = Π 0 (T ) Λ(T ) = Π(T ). λ T (T λ) (T λ)x = (T λ )x x H λ Π 0 (T ) Tx λx = 0 x H x 0 T x λ x = 0 Π 0 (T ) = (Π 0 (T ) ) H (α n ) n (e n ) n H A H Ae n = α n e n n (α n ) n (α n ) n A A H (α n ) n A = sup α n. n (e n ) n H A Ae n = α n e n (α n ) n α n = α n e n = Ae n A e n = A.

18 (α n ) n sup α n A n 2 2 A ξ j e j = α j ξ j e j = j=0 j=0 ( 2 αj ξ j j=0 sup n α n ) 2 ( 2 ξj = j=0 sup n 2 2 α n ) ξ j e j j=0 ξ j j A sup α n n H (α n ) n Π 0 (A) = Γ(A) = {α n n }. : A λ λ = α j j α j e j (e n ) n H (e n ) n H f = j ξ je j ξ j j λ α j j (A λ)f = j (α j λ)ξ j e j = 0 ξ j = 0 j f = 0 λ Π 0 (A) = Γ(A) = {α n n }. H (α n ) n Π(A) = Λ(A) = {α n n }. Π 0 (A) Λ(A) λ Π 0 (A) λ (e n ) n H B H Be j = (α j λ) 1 e j (α n ) n (α n λ) 1 n B B (A λ) λ Π 0 (A) = Λ(A)

19 M µ ϕ ϕ T L 2 (µ) (Af ) (x) = ϕ(x)f (x) x M f L 2 (µ) ϕ T L 2 (µ). ϕ Im ess (ϕ) : {λ λ : ϕ 1 (U ) }. M σ µ T ϕ : M : Π 0 (T ) = Γ(T ) = {λ µ ϕ 1 ({λ}) > 0}. Π(T ) = Λ(T ) = Im ess (ϕ). f L 2 (M, µ) λ Π 0 (T ) ϕ(x)f (x) = λf (x) x \ ker(f ) ϕ(x) = λ x µ ϕ 1 ({λ}) > 0 λ {λ µ ϕ 1 ({λ}) > 0} M σ B ϕ(x) = λ x B f B ϕ f = λf λ T Π o (T ) = Γ(T ) T λ λ ϕ λ δ > 0 ϕ λ δ δ > 0 ϕ λ < δ (ϕ λ) 1 (U δ (0)) δu δ (0) 0 Im ess (ϕ λ) λ Im ess (ϕ) Λ(T ) = Im ess (ϕ)

20 l 2 () U l 2 () U (ξ 0, ξ 1, ξ 2,... ) = (0, ξ 0, ξ 1, ξ 2,... ) (ξ n ) n l 2 () U l 2 () U (ξ 0, ξ 1, ξ 2,... ) 2 = (0, ξ 0, ξ 1, ξ 2,... ) 2 = (ξ 0, ξ 1, ξ 2,... ) 2, U = 1 e n (ξ 0, ξ 1, ξ 2,... ) ξ n = 1 ξ i = 0 i n n = 0, 1, 2,... e n l 2 () Ue n = e n+1 (n = 0, 1, 2,... ). U (e n ) n U U U e i = e i 1 (i = 1, 2, 3,... ), i, j = 0, 1, 2,... U e i ej = ei U ej = ei ej+1 = δi, j+1 U e 0 = 0. i > 0 δ i, j+1 = δ i 1, j = e i 1 ej

21 U e i = e i 1 (i = 1, 2, 3,... ), (ξ n ) n l 2 () U (ξ 0, ξ 1, ξ 2,... ) = (ξ 1, ξ 2, ξ 3,... ). U l 2 () Λ(U ) = {λ λ 1}, Π 0 (U ) =, Π(U ) = {λ λ = 1} Γ(U ) = {λ λ < 1}. Λ(U ) = Π(U ) = {λ λ 1}, Π 0 (U ) = {λ λ < 1} Γ(U ) =. U f = λf f l 2 () f = (ξ 0, ξ 1, ξ 2,... ) λ (0, ξ 0, ξ 1, ξ 2,... ) = (λξ 0, λξ 1, λξ 2,... ), 0 = λξ 0 ξ n = λξ n+1 n ξ n = 0 n λ = 0 λ 0 Π 0 (U ) = Γ(U ) = U f = λf f l 2 () f = (ξ 0, ξ 1, ξ 2,... ) λ (ξ 1, ξ 2, ξ 3,... ) = (λξ 0, λξ 1, λξ 2,... ), ξ n+1 = λξ n ξ n+1 = λ n ξ 0 n ξ 0 = 0 f = 0 ξ 0 0 λ < 1 Π 0 (U ) Γ(U ) U U = 1 U U Λ(U ) Λ(U )

22 Π(U ) Π(U ) λ < 1 U f λf 2 U f 2 λf 2 = 1 λ f 2 f l 2 () U λ λ < 1 Π(U ) Π 0 Π Π 0 (U ) Π(U ) l 2 () l 2 () (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ), W l 2 () W (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ) = (..., ξ 3, ξ 2, (ξ 1 ), ξ 0, ξ 1,... ) (ξ n ) n l 2 () W l 2 () W l 2 () = l 2 () W = 1 e n (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ) ξ n = 1 ξ i = 0 i n (n = 0, ±1, ±2,... ) e n l 2 () W W e n = e n+1 (n = 0, ±1, ±2,... ). W

23 W W W 1 W W 1 (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ) = (..., ξ 1, ξ 0, (ξ 1 ), ξ 2, ξ 3,... ) (ξ n ) n l 2 () (e n ) n l 2 () W 1 e n = e n 1 (n = 0, ±1, ±2, ±3,... ). W W 1 P Pe n = e n (n = 0, ±1, ±2, ±3,... ), W W 1 P 1 W P = W 1 : P 1 W P(..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ) = P 1 W (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ) = P 1 (..., ξ 2, (ξ 1 ), ξ 0, ξ 1, ξ 2,... ) = (..., ξ 2, ξ 1, ξ 0, (ξ 1 ), ξ 2,... ) = W 1 (..., ξ 2, ξ 1, (ξ 0 ), ξ 1, ξ 2,... ). W l 2 () Λ(W ) = Π(W ) = {λ λ = 1} Π 0 (W ) = Γ(W ) =. W W W f = λf f l 2 () f = (..., ξ 1, (ξ 0 ), ξ 1,... ) λ λ 0 (..., ξ 3, ξ 2, (ξ 1 ), ξ 0, ξ 1,... ) = (..., λξ 2, λξ 1, (λξ 0 ), λξ 1, λξ 2,... ), ξ n = λξ n+1 n ξ n = λ j ξ n+j n, j λ = 1 ξ n = c c n (ξ n ) n l 2 () λ < 1 ξ n = 1 λ j ξ n j 1 λ j > 1 j = 1, 2, 3,... (ξ n ) n l 2 ()

24 Π 0 (W ) = Γ(W ) = W W Γ(W ) = Π 0 (W ) = Π(W ) = Λ(W ) λ < 1 W f λf 2 W f 2 λf 2 = 1 λ f 2 f l 2 () W λ Λ(W ) {λ λ 1} \ {λ λ < 1} = {λ λ = 1}. λ = 1 f n f n := 1 (..., 0, 0, 1, ( λ ) ), λ 2,..., λ n 2, λ n 1, 0, 0,... n n f n 2 = 1 f n l 2 () f n n 1/ n (W λ)f n 2 2 = 1 ( ) n..., 0, 0, λ, 0, 0,..., 0, λ n 1 2, 0, 0,... 2 = 1 ( λ 2 + n λ n 1 ) 2 = 2 n 0. λ Π(W ) {λ λ = 1} Λ(W ), Π(W ) = Π(W ) = Λ(W ) = Λ(W ) = {λ λ = 1}.

25 T r(t ) = sup{ λ : λ Λ(T )}. 0 r(t ) T Λ(T ) 0 T r(t n ) = (r(t )) n n T r(t ) = lim T n 1 n. T H (r(t )) n r(t ) T n 1 n n = r(t n ) T n r(t ) lim inf T n 1 n. ( 1 ) τ (λ) := ρ = λ ( T 1 λ ) 1, τ (λ) = λ(1 λt ) 1 λ 0 1 λ 1 λ > r(t ) τ (T ) = λ λ n T n. λ < 1 r (T ) n=0 τ f д f,д H

26 λ λ n T n f д. n=0 ( (λt ) n f д ) n λ λ < 1 r (T ) ( λ n T n ) n λ n T n α α > 0 n λ T n 1 n α 1 n, λ lim sup T n 1 n lim sup α n 1, λ lim sup T n 1 n 1. λ λ < 1 r (T ) lim sup T n 1 n r(t ). lim sup T n 1 n r(t ) lim inf T n 1 n, r(t ) = lim T n 1 n. A B r(ab) = lim (AB) n 1 n r(ab) r(a)r(b). ( lim (A) n 1 n (B) n 1 n = ) ( ) lim (A) n 1 n lim (B) n 1 n = r(a)r(b).

27 A B H A AB f H ABf f r(b) Af f f H n = 0 n n + 1: ABf f 2n AB 2n f f Af f 2n 1. ABf f 2n+1 = ( ABf f 2n ) 2 I.V. ( AB 2n f f Af f ) 2n 1 2 AB 2 n f 2 Af Af f 2 n+1 2 = AB 2 n f AB 2 n f Af Af Af f 2 n+1 2 = AB 2n f B 2n f Af f Af f 2n+1 2 = B 2n AB 2n f f Af f 2n+1 1. : B k A = AB k k k = 0 k k + 1: B k+1 A = B B k A = B AB k = (AB) B k = ABBk = AB k+1. ABf f 2n+1 AB 2n+1 f f Af f 2n+1 1 ABf f 2n AB 2n f f Af f 2n 1 A B 2n f 2 Af f 2n 1, ( ABf f 2 n ) 1 2 n ( A B 2n f 2 Af f 2n 1 ) 1 2 n

28 ABf f A 1 2 n B 2n 1 2 n ( f 2) 1 2 n ( Af f 2n 1 ) 1 2 n. lim ABf f lim ( A 1 2 n 1 B 2n 2 n ( f 2) 1 2 n ( Af f ) ) 2n n ABf f r(b) Af f. B r(b) (e n ) n l 2 () l 2 () n = 0, 1, 2,... n = 0, ±1, ±2,... (α n ) n n = 0, 1, 2,... n = 0, ±1, ±2,... SP S Se n = e n+1 (α n ) n Pe n = α n e n n α n A l 2 () l 2 () α n A = sup α n r(a) = lim n sup k n k 1 i=0 α n+i 1 k. A A A = sup α n n Ae n = α n e n+1 A 2 e n = α n α n+1 e n+2 A 3 e n = α n α n+1 α n+2 e n+3 A k α

29 α n Ak k 1 = sup α n+i (k = 0, 1, 2, 3,... ). n i=0

30

31

κ Κα π Κ α α Κ Α

κ Κα π Κ α α Κ Α κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ

Mehr

m d2 x dt 2 = K( x), d 2 x j dt 2 = K i.

m d2 x dt 2 = K( x), d 2 x j dt 2 = K i. P m d2 x dt 2 = K( x), m δ ij d 2 x j dt 2 = K i. C W C = C K i dx i δ ij δ ij λδ ij, m m λ d v dt K BA = K AB R 4 E 3 R Σ Σ x = R x a, R T R = I, R... E 3 T 1, 3 + 3 + 1 = 7 E 3 = O 3 T 3,... E 3 O 3

Mehr

2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse

2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse 2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten

Mehr

2. Dirichlet-Reihen. Arithmetische Funktionen

2. Dirichlet-Reihen. Arithmetische Funktionen 2. Dirichlet-Reihen. Arithmetische Funktionen 2.. Eine Dirichlet-Reihe ist eine Reihe der Gestalt a n f(s = n, s wobei (a n n eine Folge komplexer Zahlen und s eine komplexe Variable ist. 2.2. σ a (f :=

Mehr

39 Differenzierbare Funktionen und Kettenregel

39 Differenzierbare Funktionen und Kettenregel 192 VI. Differentialrechnung in mehreren Veränderlichen 39 Differenzierbare Funktionen und Kettenregel Lernziele: Konzepte: totale Ableitungen, Gradienten, Richtungsableitungen, Tangentenvektoren Resultate:

Mehr

4.2 Grenzwerte und Stetigkeit reeller Funktionen

4.2 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

Mehr

m d2 x dt 2 = K( x), d 2 x j dt 2 = K i.

m d2 x dt 2 = K( x), d 2 x j dt 2 = K i. P m d2 x dt 2 = K( x), m δ ij d 2 x j dt 2 = K i. C W C = K i dx i C δ ij δ ij λδ ij, m m λ d v dt K BA = K AB R 4 E 3 R Σ Σ x = R x a, R T R = I, R... E 3 T 1, 3 + 3 + 1 = 7 E 3 = O 3 T 3,... E 3 O

Mehr

12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.

12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. 12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X

Mehr

Infoblatt für den Kometen C/2007 N3 Lulin

Infoblatt für den Kometen C/2007 N3 Lulin Infoblatt für den Kometen C/200 3 Lulin Komet C/200 3 Lulin erscheint zum Jahreswechsel am Morgenhimmel und wird Anfang Februar 200, als mag helles Fernglasobjekt, immer größere Deklinationen erreichen.

Mehr

4 Autonome Systeme und Erste Integrale

4 Autonome Systeme und Erste Integrale 4 Autonome Systeme und Erste Integrale 17 4 Autonome Systeme und Erste Integrale 4.1 Autonome Systeme haben die Form ẋ = v(x) (1) mit lokal Lipschitz-stetigen Vektorfeldern v C(D, K n ). a) Man kann v

Mehr

Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n

Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion F. Für n 1 definiere S n := n i=1 X i, M n := max{x i :1 i n} Frage: Welche sind die möglichen (nicht

Mehr

UBER EINIGE BEISPIELE DER QUASINORMAL TEILER EINER p GRUPPE

UBER EINIGE BEISPIELE DER QUASINORMAL TEILER EINER p GRUPPE UBER EINIGE BEISPIELE DER QUASINORMAL TEILER EINER p GRUPPE KIRIO NAKAMURA In dieser Note soil die Struktur des Quasinormalteilers vom Exponenten p der endlichen p-gruppe untersucht werden. Ferner sollen

Mehr

PROTOKOLLE ZU DEN ÜBUNGEN DER FUNKTIONALANALYSIS II

PROTOKOLLE ZU DEN ÜBUNGEN DER FUNKTIONALANALYSIS II Fachbereich Mathematik und Informatik Philipps-Universität Marburg PROTOKOLLE U DEN ÜBUNGEN DER FUNKTIONALANALYSIS II Claude Portenier Marburg Sommersemester 004 Fassung vom 4. August 004 Fachbereich Mathematik

Mehr

Die von Neumannsche Ungleichung

Die von Neumannsche Ungleichung Die von Neumannsche Ungleichung Dominik Schillo 12. November 2012 Satz (Die von Neumannsche Ungleichung) Seien p C[z] ein Polynom in einer Variablen und T L(H) eine Kontraktion (d.h. T 1). Dann gilt: p(t

Mehr

u = 1 in Ω, v = 1 in BR (0), v = 0 auf B R (0). w = v + u = 1 1 = 0 in Ω,

u = 1 in Ω, v = 1 in BR (0), v = 0 auf B R (0). w = v + u = 1 1 = 0 in Ω, Aufgabe Es sei Ω R n ein beschränktes Gebiet mit Ω B R (0 für ein R > 0. Zeigen Sie: Ist u C (Ω C(Ω eine Lösung von u = in Ω, u = 0 auf Ω, so gilt die Abschätzung 0 u(x R x n für alle x Ω. Hinweis: Berechnen

Mehr

Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte

Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung

Mehr

Technische Universität München Zentrum Mathematik. Optimierung 3, SS 2009 Übungsblatt 12

Technische Universität München Zentrum Mathematik. Optimierung 3, SS 2009 Übungsblatt 12 Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt Optimierung 3, SS 009 Übungsblatt Aufgabe. Sei ϕ : R n R stetig dierenzierbar und nach unten

Mehr

Lösungen der Übungen. zur Vorlesung HILBERTRAUM-METHODEN UND ANWENDUNGEN

Lösungen der Übungen. zur Vorlesung HILBERTRAUM-METHODEN UND ANWENDUNGEN Fachbereich Mathemati und Informati Philipps-Universität Marburg Lösungen der Übungen zur Vorlesung HILBERTRAUM-METHODEN UND ANWENDUNGEN Prof. Dr. C. Portenier Wintersemester 24/25 Fassung vom 6. Januar

Mehr

Ana-2 1. Ss n + 1 < t 1 n, 1. eine Treppenfunktion, eine Regelfunktion, oder keins von beidem?

Ana-2 1. Ss n + 1 < t 1 n, 1. eine Treppenfunktion, eine Regelfunktion, oder keins von beidem? Ana-2 1 Ss 218 11.4.18 Votieraufgaben 1 Ist f : [a,b] R eine Regelfunktion und φ : R R stetig, so ist auch φ f eine Regelfunktion. 2 Sei f : [a,b] R stetig. Dann existiert zu jedem ε > ein δ >, so dass

Mehr

6 Der Fixpunktsatz von Banach

6 Der Fixpunktsatz von Banach 6 Der Fixpunktsatz von Banach Es sei (V, ) ein vollständiger NLR Satz 24 (Fixpunktsatz von Banach) Ist A V abg und nicht leer, und g : A A eine Abbildung mit g(x) g(y) q x y (x, y V ) für ein 0 q < 1 Dann

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)

Mehr

III. Prinzipien der Funktionalanalysis

III. Prinzipien der Funktionalanalysis III. Prinzipien der Funktionalanalysis 9 Der Satz von Hahn-Banach 9.1 Momentenproblem. a) Es seien X ein normierter Raum, (x n ) n=0 eine Folge in X und (α n ) n=0 eine Folge in K. Gibt es eine stetige

Mehr

Übungen für Partielle Differentialgleichungen Wintersemester 2007/08

Übungen für Partielle Differentialgleichungen Wintersemester 2007/08 Übungen für Partielle Differentialgleichungen Wintersemester 27/8 1. Leite eine bekannte partielle Differentialgleichung von physikalischen Prinzipien her. 2. Berechne die variationelle Ableitung des folgenden

Mehr

Stochastische Prozesse Stoffzusammenfassung

Stochastische Prozesse Stoffzusammenfassung Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt

Mehr

Numerik III trifft inverse Probleme

Numerik III trifft inverse Probleme Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache Beispiel:

Mehr

Übungen zu Wahrscheinlichkeitstheorie und Statistik

Übungen zu Wahrscheinlichkeitstheorie und Statistik Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze,

Mehr

Wärmeleitungsgleichung mit anderen Randbedingungen (nicht Dirichlet), symmetrische Differentialoperatoren

Wärmeleitungsgleichung mit anderen Randbedingungen (nicht Dirichlet), symmetrische Differentialoperatoren Fachbereich Mathematik der Universität Hamburg SoSe 2 Dr. Hanna Peywand Kiani Wärmeleitungsgleichung mit anderen Randbedingungen nicht Dirichlet, symmetrische Differentialoperatoren 8.7.2 Die ins Netz

Mehr

2017 Hans Gsottbauer

2017 Hans Gsottbauer Gruppe 1 Groß Klein Name Schreibschrift Α α Alfa Β β Vita Γ γ Gama Δ δ Delta Ε ε Epsilon Ζ ζ Zita Wir üben schriftlich sowohl Groß- als auch Kleinbuchstaben der Schreibschrift. Die Großbuchstaben zu schreiben,

Mehr

Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried

Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,

Mehr

Vektorräume und lineare Abbildungen

Vektorräume und lineare Abbildungen Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten

Mehr

Einführung in die Funktionalanalysis

Einführung in die Funktionalanalysis Einführung in die Funktionalanalysis Kapitel III Reinhold Meise und Dietmar Vogt ii Inhaltsverzeichnis Inhaltsverzeichnis Vorwort.......................................................................

Mehr

Re Ñ Ñ p T T 1 ( 1 ) T 2 ( 2 ) T = T( ) T = T(, t) t p(, t)v(, t) = k B T(, t) p(, t) V(, t) (, t) (, t) = ρ(, t) (, t) Ñ V (, t) p(, t) ρ(, t) S = ρ V 0 m = ş ρ V V 0 BV 0 Φ = ρ, Φ ą 0 V Φ ă 0 V

Mehr

02. Vektorräume und Untervektorräume

02. Vektorräume und Untervektorräume 02. Vektorräume und Untervektorräume Wir kommen nun zur eigentlichen Definition eines K-Vektorraums. Dabei ist K ein Körper (bei uns meist R oder C). Informell ist ein K-Vektorraum eine Menge V, auf der

Mehr

2 Stationarität. Strikte Stationarität

2 Stationarität. Strikte Stationarität 2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele

Mehr

8. Die Nullstellen der Zeta-Funktion

8. Die Nullstellen der Zeta-Funktion 8.. Wie vorher sei ( s ξ(s = π s/ Γ ζ(s. ξ ist meromorph in ganz C, hat Pole (erster Ordnung nur bei s = und s = und genügt der Funktionalgleichung ξ(s = ξ( s. Daraus folgt: Für Re s < hat die Zeta-Funktion

Mehr

2 Klassische statistische Verfahren unter Normalverteilungs-Annahme

2 Klassische statistische Verfahren unter Normalverteilungs-Annahme 7 Klassische statistische Verfahren unter Normalverteilungs-Annahme. χ s, t s, F r,s -Verteilung a) N,..., N s uiv N (0, ) Verteilung von Y := N +... + N s heißt Chi-Quadrat-Verteilung mit s Freiheitsgraden

Mehr

Musterlösung der Ferienserie 13

Musterlösung der Ferienserie 13 D-MAVT, D-MAT Analysis I HS Prof. Dr. Paul Biran Nicolas Herzog Musterlösung der Ferienserie 3. Durch partielle Integration erhält man die Rekursionsformel A n x n e x x n e x x x + n x n e x e + na n

Mehr

68 3 Folgen und Reihen

68 3 Folgen und Reihen 68 3 Folgen und Reihen dh S 2m m1 monoton wachsend, nach oben beschränkt Satz 3115i S 2m m1 konvergent, s : s lim S 2m; andererseits ist S 2m+1 S 2m + a m 2m+1 lim S 2m+1 lim S 2m s, m m s 0 m m also ist

Mehr

Zusammenfassung. 2.7 Eigenwerte und Eigenvektoren 53. in 2.1: Lösung eines linearen Gleichungssystems

Zusammenfassung. 2.7 Eigenwerte und Eigenvektoren 53. in 2.1: Lösung eines linearen Gleichungssystems 7 Eigenwerte und Eigenvektoren 53 Zusammenfassung in : Lösung eines linearen Gleichungssystems Formalisierung: a x + a x + + a n x n b a x + a x + + a n x n b a m x + a m x + + a mn x n b m A x b Lösungsmethode:

Mehr

Seminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose

Seminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,

Mehr

0 + #! % ( ) % )1, !,

0 + #! % ( ) % )1, !, ! #! % ( ) % +!,../ 0 + #! % ( ) % )1,233 3 4!, 5 2 6 7 2 6 ( (% 6 2 58.9../ : 2../ ! # % & # ( ) + +, % ( ( + +., / (! & 0 + 1 2 3 4! 5! 6! ( 7 ) + 8 9! + : +, 5 & ; + 9 0 < 5 3 & 9 ; + 9 0 < 5 3 %!

Mehr

Unendlich teilbare Wahrscheinlichkeitsmaße und symmetrisch stabile Verteilungen, ein Einblick

Unendlich teilbare Wahrscheinlichkeitsmaße und symmetrisch stabile Verteilungen, ein Einblick Kapitel IX Unendlich teilbare Wahrscheinlichkeitsmaße und symmetrisch stabile Verteilungen, ein Einblick Reinhard Höpfner Vorlesung Stochastik II Wintersemester 2010/11 Institut für Mathematik, Johannes

Mehr

Gleichmäßige Berry-Esseen Schranken. Seminar zur Methode von Stein

Gleichmäßige Berry-Esseen Schranken. Seminar zur Methode von Stein Gleichmäßige Berry-Esseen Schranken Seminar zur Methode von Stein Stefan Roth Institut für Stochastik 18. April, 2016 Universität Ulm Inhalt Wiederholung Gleichmäßige Berry-Essen Schranken Berry-Esseen

Mehr

55 Integralsätze in der Ebene

55 Integralsätze in der Ebene 262 IX. Integralsätze 55 Integralsätze in der Ebene 55.1 Wegintegrale skalarer Funktionen. a) Für einen Weg γ C 1 st ([a,b],rn ) und eine stetige Funktion f C((γ)) wird durch γ f ds := γ f(x)ds(x) := b

Mehr

Lineare Algebra. 6. Übungsstunde. Steven Battilana.

Lineare Algebra. 6. Übungsstunde. Steven Battilana. Lineare Algebra 6. Übungsstunde Steven attilana stevenb@student.ethz.ch November, 6 Lineare Abbildungen Eine Abbildung f : X Y heisst injektiv, falls x, x X : x x fx fx. In Worten: erschiedene Elemente

Mehr

3 Windungszahlen und Cauchysche Integralformeln

3 Windungszahlen und Cauchysche Integralformeln 3 3 Windungszahlen und Cauchysche Integralformeln 3. Definition: Sei geschlossener Integrationsweg oder Zyklus mit z 0 C \ Sp. Dann heißt n(, z 0 ) := dz z z 0 Windungszahl (oder: Index, Umlaufszahl) von

Mehr

8 Mehrdimensionale Differentialrechnung 1

8 Mehrdimensionale Differentialrechnung 1 8 Mehrdimensionale Differentialrechnung 1 81 Matrizen und quadratische Formen 811 Definition: Matrizen a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A := a m,1 a m,2 a m,n ist eine m n-matrix mit a µ,ν IR m ist

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt

Mehr

Analysis der Navier-Stokes-Gleichungen

Analysis der Navier-Stokes-Gleichungen Analysis der Navier-Stokes-Gleichungen Wintersemester 2007 / 08 H.-Ch. Grunau 1 08.10.2007 1.1 Aufgabe (2 Punkte) Ergänzen Sie u(x 1, x 2, x 3 ) = (0, 0, 1 x 2 1 x 2 2) bzw. u(x 1, x 2, x 3 ) = (x 3, 0,

Mehr

Musterlösung Klausur zu Analysis II. Verständnisteil

Musterlösung Klausur zu Analysis II. Verständnisteil Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex

Mehr

Übungen zur Linearen Algebra I

Übungen zur Linearen Algebra I Blatt 1 Aufgabe 1. Wie lautet die Definition der Diskriminante für quadratische Polynome? Aufgabe 2. Sei X 2 + bx + c ein quadratisches Polynom, dessen Diskriminante ein Quadrat ist, und seien λ = ( b

Mehr

1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable

1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable 1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we

Mehr

Ritz-Galerkin-Verfahren Courant Element

Ritz-Galerkin-Verfahren Courant Element Ritz-alerkin-Verfahren Courant Element Moritz Scherrmann LMU München Zillertal am 09.01.2015 Moritz Scherrmann Ritz-alerkin-Verfahren Courant Element 1/15 Erinnerung Sei R n beschränktes ebiet, f C 0 ()

Mehr

INGENIEURMATHEMATIK. 11. Differentialgeometrie. Sommersemester Prof. Dr. Gunar Matthies

INGENIEURMATHEMATIK. 11. Differentialgeometrie. Sommersemester Prof. Dr. Gunar Matthies Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 11. Differentialgeometrie Prof. Dr. Gunar Matthies Sommersemester 2016 G. Matthies Ingenieurmathematik

Mehr

Katalog. September 2012

Katalog. September 2012 WINZERWEINE AUS FRANKREICH Katalog September 2012 Winzerweine aus Frankreich c/o B-Konzept Beratung GmbH Stieglitzweg 10/1 D - 72793 Pfullingen Tel : 07121 / 311 592 Fax : 07121 / 33 94 60 Email : mail@tour-du-vin.de

Mehr

Maß- und Integrationstheorie

Maß- und Integrationstheorie Prof. H.C. Grunau E. Sassone 1 15.10.2002 1.1 Aufgabe Maß- und Integrationstheorie WS 2002/03 Gegeben seien diese 4 Operationen über Mengen:,, \ und (symmetrische ifferenz) [A B = (A \ B) (B \ A)] 1 Wenn

Mehr

3 Kurven und Kurvenintegrale

3 Kurven und Kurvenintegrale HM III = MATH III FT 2013 35 3 urven und urvenintegrale 3.1 urven 3.1.1 Definition von Wegen und urven; Jordankurven Definition: Eine stetige Abbildung γ : [a, b] IR n heißt ein Weg im IR n. Den zugehörigen

Mehr

Lösungsvorschläge zum 7. Übungsblatt.

Lösungsvorschläge zum 7. Übungsblatt. Übung zur Analysis II SS Lösungsvorschläge zum 7 Übungsblatt Aufgabe 5 a) f : R R definiert durch fx, y) : x, y) und D : U, ) und D : U 4, ) \ U, ) b) f : R R definiert durch fx, y) : x ) cost) c) γ :

Mehr

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte

Mehr

1. Aufgabe Es sei A ein Atlas auf dem Hausdorffraum M. Dann gibt es genau einen maximalen Atlas A max mit A A max.

1. Aufgabe Es sei A ein Atlas auf dem Hausdorffraum M. Dann gibt es genau einen maximalen Atlas A max mit A A max. Keine Abgabe und Bewertung. Das Übungsblatt wird in der Übung am 10.4. besprochen. Präsenzübungen 1. Aufgabe Es sei A ein Atlas auf dem Hausdorffraum M. Dann gibt es genau einen maximalen Atlas A max mit

Mehr

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S Begriffe Faser: Es sei f : M N eine Abbildung von Mengen. Es sei n N. Die Menge f 1 ({n}) M nennt man die Faser in n. (Skript Seite 119). Parallel: Zwei Vektoren v und w heißen parallel, wenn für einen

Mehr

Universität Leipzig, SoSo 2013

Universität Leipzig, SoSo 2013 Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann

Mehr

Institut für Produktion und Industrielles Informationsmanagement. Vorgehensmodell zur Auswahl einer Variante der Data Envelopment Analysis

Institut für Produktion und Industrielles Informationsmanagement. Vorgehensmodell zur Auswahl einer Variante der Data Envelopment Analysis Institut für Produktion und Industrielles Informationsmanagement Universität Duisburg-Essen / Campus Essen Fachbereich 5: Wirtschaftswissenschaften Universitätsstraße 9, 45141 Essen Tel.: ++ 49 (0) 201

Mehr

Floquet Theorie (III) 1 Verhalten von Lösungen und Der Ljapunov-Exponent

Floquet Theorie (III) 1 Verhalten von Lösungen und Der Ljapunov-Exponent Floquet heorie (III Vortrag zum Seminar zu gewöhnlichen Differentialgleichungen, 25..2 Andreas Schmitz Nachdem Gabriela Ansteeg uns in die heorie eingeführt hat und Sebastian Monschang weitere Vorarbeit

Mehr

fakultät für physik bernhard emmer mathematik vorkurs für physiker Übungsblatt 1 für beliebiges k N und x 0. a 2 x 1 x 3 y 2 ) 2

fakultät für physik bernhard emmer mathematik vorkurs für physiker Übungsblatt 1 für beliebiges k N und x 0. a 2 x 1 x 3 y 2 ) 2 fakultät für physik bernhard emmer mathematik vorkurs für physiker Übungsblatt Aufgabe Induktion). a) Beweisen Sie, dass + 3 + 5 +... + n )) ein perfektes Quadrat genauer n ) ist. b) Zeigen Sie: + + +...

Mehr

Kapitel IV - Stichprobenfunktionen (Statistiken)

Kapitel IV - Stichprobenfunktionen (Statistiken) Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh

Mehr

Eindeutigkeit der Normtopologie auf halbeinfachen Banachalgebren

Eindeutigkeit der Normtopologie auf halbeinfachen Banachalgebren Eindeutigkeit der Normtopologie auf halbeinfachen Banachalgebren Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science im Studiengang Mathematik der Fakultät Mathematik und Informatik

Mehr

Lineare Algebra. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching

Lineare Algebra. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching Lineare Algebra 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching November 9, 27 Erinnerung 2 Vektoräume Sei V ein Vektorraum, U V, U {}. U hiesst Untervektorraum, Unterraum,

Mehr

Induktive Statistik Kapitel IV - Stichprobenfunktionen (Statistiken)

Induktive Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Induktive Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de 11. Januar 2007 Aufgabe der schließenden

Mehr

Lineare Gleichungsen + Lineare Funktionen

Lineare Gleichungsen + Lineare Funktionen 29. Mai 2006 Gliederung 1 2 Anmerkungen Bitte nummeriert die Zeilen! Bitte benutzt eine Büroklammer! Bitte nicht abschreiben! Anmerkungen Bitte nummeriert die Zeilen! Bitte benutzt eine Büroklammer! Bitte

Mehr

Zusammenfassung zu Analysis I

Zusammenfassung zu Analysis I Sara Adams Zusammenfassung zu Analysis I - WS 00/03 Inhaltsverzeichnis Zusammenfassung zu Analysis I Sara Adams 9. August 004 1 Die reellen Zahlen 3 Die komplexen Zahlen 3 Folgen 5 4 Reihen 7 5 Stetige

Mehr

Korrespondenzen der FOURIER - Transformation I

Korrespondenzen der FOURIER - Transformation I Korresodee der FOURIER - rsormio I A: HEOREME s() S() F-rsormio s () jπ S( ) = s e d Iverse F- jπ rsormio s () = S e d S( ) 3 Zerlegug reeller Zeiukioe mi s () = s() + s() S( ) = Re{ S( )} + jim{ S( )}

Mehr

B Tastatur, Schriftzeichen, Beschleuniger

B Tastatur, Schriftzeichen, Beschleuniger 1 Copyright 1994, 1996 by Axel T. Schreiner. All Rights Reserved. B Tastatur, Schriftzeichen, Beschleuniger Je nach Plattform verwendet OPENSTEP verschiedene Tastaturen. Trotzdem sind überall alle Zeichen

Mehr

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =

Mehr

Wahrscheinlichkeit & Statistik Musterlösung Serie 7

Wahrscheinlichkeit & Statistik Musterlösung Serie 7 ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T

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

1.3 Zufallsvariablen

1.3 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

Mehr

Angewandte Geometrie Semestralprüfung am 5. Juli 2005, Uhr

Angewandte Geometrie Semestralprüfung am 5. Juli 2005, Uhr Technische Universität München SS 2005 Zentrum Mathematik Blatt 7 apl. Prof. Dr. J. Hartl Angewandte Geometrie Semestralprüfung am 5. Juli 2005, 12.00-1.0 Uhr 1. In einem dreidimensionalen euklidischen

Mehr

Infoblatt für den Kometen C/2011 L4 PANSTARRS

Infoblatt für den Kometen C/2011 L4 PANSTARRS Infoblatt für den Kometen C/2011 L4 PASTARRS Der Komet C/2011 L4 PASTARRS wurde in der acht vom 5. auf den 6. Juni 2011 mit Hilfe des 1,8 Meter großen Panoramic Survey Telescope And Rapid Response System

Mehr

Kapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).

Kapitel 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

Mehr

Formel- und Tabellensammlung zum Aktuariellen Grundwissen

Formel- und Tabellensammlung zum Aktuariellen Grundwissen Formel- ud Tellesmmlug zum Aturielle Grudwisse Schdeversicherugsmthemti A. Zufllsvrile X, Y seie (disrete oder stetige Zufllsvrile. Verteilugsfutio: F( = P( X (Verteilugs-Dichte: f ( F ( = ei differezierrer

Mehr

Inhalt. Lineare Algebra 1. Dr. Donat Adams. Fachhochschule Nordwest-Schweiz Technik, Brugg. 10. Oktober 2017

Inhalt. Lineare Algebra 1. Dr. Donat Adams. Fachhochschule Nordwest-Schweiz Technik, Brugg. 10. Oktober 2017 Inhalt Lineare Algebra 1 Dr. Donat Adams Fachhochschule Nordwest-Schweiz Technik, Brugg 10. Oktober 2017 1 / 20 Inhalt Teil 2 / 20 Inhalt Inhaltsverzeichnis I 3 / 20 Inhalt Bibliographie I F. Bachmann,

Mehr

Kapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS

Kapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[X ]

Mehr

Formelsammlung zum Starterstudium Mathematik

Formelsammlung zum Starterstudium Mathematik Formelsammlung zum Starterstudium Mathematik Universität des Saarlandes ¼ Version.3 Inhaltsverzeichnis. Potenzgesetze. Vollständige Induktion 3. Betragsgleichungen, Betragsungleichungen 4 4. Folgen und

Mehr

Teil 9. Differentialgleichungen

Teil 9. Differentialgleichungen Teil 9 Differentialgleichungen 129 130 9.1 Spezielle Differentialgleichungen erster Ordnung Differentialgleichung erster Ordnung y = f(x, y), y = y(x) Anfangsbedingung y(x 0 ) = y 0 Festlegung der Integrationskonstante

Mehr

Infoblatt für den Kometen. C/2009 R1 McNaught

Infoblatt für den Kometen. C/2009 R1 McNaught Infoblatt für den Kometen Mcaught Der am 9. September 2009 von R. H. Mcaught am Siding Spring Observatorium in Australien entdeckte Komet (Mcaught) erreicht am 2. Juli 2010 sein Perihel und wird wahrscheinlich

Mehr

Funktionalanalysis. Delio Mugnolo. Wintersemester 2011/12. Institut für Analysis, Universität Ulm. Funktionalanalysis.

Funktionalanalysis. Delio Mugnolo. Wintersemester 2011/12. Institut für Analysis, Universität Ulm. Funktionalanalysis. Institut für Analysis, Universität Ulm Wintersemester 2011/12 1 / 379 Metrische Räume Immer: K = R oder K = C X, Y,... Vektorräume über K Definition. Ein Abstand d auf X ist s.d. (1) d(x, y) = 0 x = y,

Mehr

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient

Mehr

22 Charakteristische Funktionen und Verteilungskonvergenz

22 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

Mehr

Seminar stabile Zufallsprozesse

Seminar stabile Zufallsprozesse Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation

Mehr

Vorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung

Vorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4

Mehr

3 Der Körper der komplexen Zahlen

3 Der Körper der komplexen Zahlen 3 Der Körper der kompleen Zahlen Nicht jede quadratische Gleichung hat eine reelle Lösung + p + q = (p, q R) Beispiel: Für alle R ist und daher + 1 Abhilfe: Man erweitert R zu einem größerem Körper C,

Mehr

Lösung 7: Bilinearformen

Lösung 7: Bilinearformen D-MATH Lineare Algebra II FS 207 Dr. Meike Akveld Lösung 7: Bilinearformen. a). Seien u, u 2 V, λ K, dann gelten nach Voraussetzung: L v (u + λu 2 ) =β(v, u + λu 2 ) = β(v, u ) + β(v, λu 2 ) =β(v, u )

Mehr

4 Funktionenfolgen und normierte Räume

4 Funktionenfolgen und normierte Räume $Id: norm.tex,v 1.48 2017/06/14 15:16:10 hk Exp $ $Id: jordan.tex,v 1.26 2017/06/16 10:59:58 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Zum Abschluss dieses Kapitels behandeln

Mehr

Infoblatt für den Kometen. 103P/Hartley

Infoblatt für den Kometen. 103P/Hartley Infoblatt für den Kometen /Hartley Der mit einer Umlaufzeit von 6,46 Jahren kurzperiodische Komet /Hartley wurde am 15. März 1986 von Malcom Hartley am Siding-Spring-bservatorium in Australien entdeckt.

Mehr

Konvexe Analysis. Inhaltsverzeichnis. Martin Brokate. 1 Affine Mengen 1. 2 Konvexe Mengen 5. 3 Algebraische Trennung 9

Konvexe Analysis. Inhaltsverzeichnis. Martin Brokate. 1 Affine Mengen 1. 2 Konvexe Mengen 5. 3 Algebraische Trennung 9 Konvexe Analysis Martin Brokate Inhaltsverzeichnis 1 Affine Mengen 1 2 Konvexe Mengen 5 3 Algebraische Trennung 9 4 Lokalkonvexe Räume, Trennungssatz 13 5 Konvexe Funktionen 16 6 Konjugierte Funktionen

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige

Mehr

Lösungsvorschläge für das 5. Übungsblatt

Lösungsvorschläge für das 5. Übungsblatt Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),

Mehr

Konvexe Analysis. Inhaltsverzeichnis. Martin Brokate. 1 Affine Mengen 2. 2 Konvexe Mengen 6. 3 Algebraische Trennung 9

Konvexe Analysis. Inhaltsverzeichnis. Martin Brokate. 1 Affine Mengen 2. 2 Konvexe Mengen 6. 3 Algebraische Trennung 9 Konvexe Analysis Martin Brokate Inhaltsverzeichnis 1 Affine Mengen 2 2 Konvexe Mengen 6 3 Algebraische Trennung 9 4 Lokalkonvexe Räume, Trennungssatz 13 5 Konvexe Funktionen 16 6 Konjugierte Funktionen

Mehr