Stabilität von Warteschlangen-Netzwerken: Fluid Approximationen und Lyapunov Funktionen
|
|
- Franz Kramer
- vor 5 Jahren
- Abrufe
Transkript
1 Stabilität von Warteschlangen-Netzwerken: Fluid Approximationen und Lyapunov Funktionen Michael Schönlein, Fabian Wirth Im Rahmen des Forschungsprojekts: Stabilität, Robustheit und Approximation großskaliger dynamischer Netzwerke - Theorie und Anwendungen in logistischen Netzwerken. 6. Elgersburger Arbeitstagung, 1. März / 19
2 Überblick Was ist ein Warteschlangen-Netzwerk? Übergang von Warteschlangen-Netzwerken zu Fluid-Grenzmodellen Abstrakte Fluid-Modelle und Lyapunov Funktionen Hauptaussage: Fluid-Modell stabil Lyapunov Funktion Beispiel: Fluid-Netzwerk mit Prioritätendisziplin 2 / 19
3 Was ist eine Warteschlange? Ankünfte Station Abgänge E 1(t) E (t) 2 Bedienzeiten S (n) 1 S (n) 2 E (t) K S (n) K Aufträge werden klassifiziert in Klassen {1,..., K }. E k (t) der äußeren Ankünfte der Klasse k bis zur Zeit t. S k (n) Gesamtbedienzeit, die für die ersten n Aufträge der Klasse k benötigt wird. Warteschlangendisziplin regelt, wie die Aufträge warten, z.b. FIFO, Priorität,... Annahme Die Disziplin sei arbeitserhaltend, d.h. eine Station ist genau dann untätig, wenn kein Auftrag in der Schlange steht. 3 / 19
4 Was ist ein Warteschlangen-Netzwerk? 1 Φ l k σ(l) σ(k) J Abbildung σ : {1,..., K } {1,..., J}: Aufträge der Klasse k werden ausschließlich an Station j = σ(k) bearbeitet. Belegungsmatrix C mit { 1 falls j = σ(k) c jk = 0 sonst. Φ l k (n) unter den ersten n bearbeiteten Aufträgen der Klasse l, die anschließend Auträge der Klasse k werden. 4 / 19
5 Länge der Warteschlange in einem Netzwerk Zählprozesse E, S, Φ (zu den endlichen Mittelwerten α, µ, P) T k (t): Gesamtzeit, die Station σ(k) Aufträge der Klasse k bedient hat, mit T k (0) = 0. 1 Φ l k σ(k) σ(l) J Dynamik K Q k (t) = Q k (0) + E k (t) + Φ l k(s l (T l (t))) S k (T k (t)) 0 l=1 T k (t) monoton wachsend mit T k (0) = 0 weitere disziplinabhängige Bedingungen an (Q, T ). 5 / 19
6 Stabilität und Übergang zu Fluid-Netzwerk Heuristische Definition: Ein Warteschlangen-Netzwerk ist stabil, wenn die Länge der Warteschlange für alle Zeiten beschränkt bleibt. Approximation: Reskalierung der Prozesse E(t), S(t) und Φ(t). Für festes t R + betrachte für r. E k (r t) r S k (r t) r Φ k (r t) r 6 / 19
7 Grenzübergang für r Lemma (Dai 95) Für r gilt für alle Klassen k = 1,..., K fast sicher 1 r E k( r t ) α k t 1 r S k( r t ) µ k t 1 r Φ k( r t ) P k t. Routing Matrix P = (P lk ) enthält die Wahrscheinlichkeit, dass ein Klasse l Auftrag, nach der Bearbeitung ein Auftrag der Klasse k wird. P habe Spektralradius kleiner 1, d.h. (I + P + P ) T = (I P T ) 1. 7 / 19
8 Theorem (Dai 95) Fluid-Grenzmodelle Gegeben eine arbeitserhaltende Disziplin, so gilt 1 lim r r (Q k(rt), T k (rt) ) = (Q k (t), T k (t)) lokal gleichmäßig für alle k = 1,..., K. Zudem erfüllen (Q, T ): K Q k (t) = Q k (0) + α k t + P lk µ l T l (t) µ k T k (t) 0 l=1 T k ( ) ist monoton wachsend mit T k (0) = 0 weitere disziplinabhängige Bedingungen an (Q, T ). ( ) Ein Fluid-Grenzmodell ist die Menge Φ L = {Q : T so dass (Q, T ) die Bedingungen ( ) erfüllen} 8 / 19
9 Stabilität von Fluid-Grenzmodellen Definition (Dai 95, Chen 95) Φ L heißt stabil, wenn eine endliche Zeit τ > 0 existiert, so dass Q(τ + ) 0 für alle Fluid-Grenzwerte mit Anfangsniveau Q(0) = 1. Theorem (Dai 95) Gegeben eine arbeitserhaltende Disziplin. Ist das Fluid-Grenzmodell zu dieser Disziplin stabil, so ist das Warteschlangen-Netzwerk stabil. 9 / 19
10 Bemerkungen Stabilität des Fluid-Grenzmodells ist hinreichend für die Stabilität eines Warteschlangen-Netzwerkes. Stabilität von Fluid-Netzwerken ist disziplinabhängig. Fluid-Netzwerke teilen diverse Eigenschaften. Ye und Chen definieren abstrakt Fluid-Netzwerke als eine Menge von Funktionen mit genau diesen Eigenschaften. 10 / 19
11 Abstrakte Fluid Modelle Definition (Ye, Chen 2001) Eine Menge Φ von Funktionen Q( ) : R + R K + heißt ein abgeschlossenes generisches Fluid Netzwerk (AGFN) Modell, wenn (a) Lipschitz Stetigkeit: L > 0, so dass alle Q Φ global Lipschitz stetig mit Konstante L sind. (b) Skalierungsinvarianz: Für alle r > 0 und Q( ) Φ gilt Q(r ) Φ. 1 r (c) Verschiebungsinvarianz: Für alle s 0 und Q( ) Φ gilt Q(s + ) Φ. (d) Abgeschlossenheit: Konvergiert (Q n ) n Φ lokal gleichmäßig gegen Q, so gilt Q Φ. Bezeichnung: Die Elemente des AGFN Modells heißen Wege. 11 / 19
12 Lyapunov Methode für AGFN Modelle L - Bedingung Φ erfüllt die L-Bedingung, falls für jeden Weg Q Φ eine propere absolutstetige nichtnegative Funktion v(t) und ein w K existiert, so dass für fast alle t 0. Theorem (Ye, Chen 2001) v(t) w( Q(t) ) Ein AGFN Modell Φ ist genau dann stabil, wenn es L-Bedingung erfüllt. Insbesondere ist v von der Form v(t) = t Q(s) ds. Die Funktion v hängt von der Zeit ab. Jeder Weg hat seine eigene Lyapunov Funktion. 12 / 19
13 Kandidat Konstruktion einer Lyapunov Funktion V (x) = sup Q Φ,Q(0) = x 0 Q(s) ds Im Allgemeinen ist V nicht stetig. Lemma (S.,Wirth) Ist Φ stabil, so ist V halbstetig nach oben. Im Allgemeinen gilt für stabile AGFN Modelle nicht, dass für alle s t R +. t V (Q(t)) V (Q(s)) Q(u) du s Fazit: Für AGFN Modelle gibt es keine vernünftige Lyapunov Theorie. 13 / 19
14 Modifikation des AGFN Modells Definition Die Menge Φ s von Funktionen Q( ) : R + R K + heißt striktes AGFN Modell, falls (a) Lipschitz Stetigkeit gilt (b) Skalierungsinvarianz gilt (c) Verschiebungsinvarianz gilt (d) sie abgeschlossen ist (e) für alle Q Φ s gilt, dass wenn q n Q (0), so existiert eine Folge Q n (, q n ) Φ s die lokal gleichmäßig gegen Q ( ) konvergiert (Perfektheit). (f) für zwei Wege Q 1 ( ), Q 2 ( ) Φ s, mit Q 1 (t ) = Q 2 (t ) für ein t R +, die Verkettung zur Zeit t wieder ein Weg von Φ s ist. 14 / 19
15 Lyapunov Funktionen für strikte AGFN Modelle Definition Gegeben ein striktes AGFN Modell Φ s, so heißt eine propere stetige Funktion V : R K + R + Lyapunov Funktion, wenn eine Funktion w K existiert, so dass t V (Q(t)) V (Q(s)) w( Q(u) ) du s für alle 0 s t R + und alle Wege Q( ) Φ s. Kandidat V (x) = sup Q Φ s x wobei Φ s x = {Q Φ s : Q(0) = x}. 0 Q(s) ds, 15 / 19
16 Konverses Lyapunov Theorem Theorem (S.,Wirth) Ein striktes AGFN Modell Φ s ist genau dann stabil, wenn eine stetige Lyapunov Funktion existiert. Insbesondere kann V wie folgt gewählt werden V (x) = sup Q Φ s x 0 Q(s) ds. Die Verkettungseigenschaft (f) garantiert, dass V als Funktion des Zustands definiert werden kann. Die Perfektheit (e) liefert die Stetigkeit von V. 16 / 19
17 Fluid-Netzwerk mit Prioritäten Disziplin Dynamik Q(t) = Q(0) + α t (I P T )MT (t) 0, T (0) = 0 und T (t) ist monoton wachsend, Y k (t) = t l H k T l (t) ist monoton wachsend, k {1,..., K } 0 = Q k (t) dy k (t), t 0, k {1,..., K }. M = diag(µ). H k : Menge aller Klassen höherer Priorität, die an Station σ(k) bearbeitet werden. Y k (t): Verbleibende Bedienzeit der Station σ(k) für die Bearbeitung der Fluide mit strikt niedriger Priorität. 17 / 19
18 Beispiel: 3 Klassen, 2 Stationen An Station 2 haben Klasse 3 Fluide höhere Priorität als Klasse 2. Fluid-Netzwerk Warteschlangen-Netzwerk Zeit t Zeit t 18 / 19
19 Vielen Dank für die Aufmerksamkeit 19 / 19
Hawkes 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
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrRelative Kontrollierbarkeit und Invarianz-Entropie
Relative Kontrollierbarkeit und Invarianz-Entropie Ralph Lettau in Zusammenarbeit mit Fritz Colonius und Christoph Kawan Institut für Mathematik Universität Augsburg 9. Elgersburg Workshop 5. März 2014
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrÜbungen zu Differentialgleichungen (WiSe 12/13)
Übungen zu Differentialgleichungen WiSe 2/) Blatt 6 22 November 202 Gruppenübung Aufgabe G Sei f t, p) := p 5, t, p) R 2 Gegeben sei das Anfangswertproblem ẋ = f t,x), x0) = ) Bestimmen sie das maximale
MehrAnalysis 4. Lösungsvorschlag zum 12. Übungsblatt
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Andreas Geyer-Schulz SS 208. Juli 208 Analysis 4 Lösungsvorschlag zum 2. Übungsblatt Aufgabe 42 Wir untersuchen
MehrMathematik III. Vorlesung 74. Folgerungen aus dem Satz von Fubini. (( 1 3 x3 1 2 x2 y +2y 3 x) 1 2)dy. ( y +2y y +4y3 )dy
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 74 Folgerungen aus dem Satz von Fubini Beispiel 74.1. Wir wollen das Integral der Funktion f :R 2 R, (x,y) x 2 xy +2y 3, über dem Rechteck
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
Mehr7 Das Eulersche Polygonzugverfahren
35 7 Das Eulersche Polygonzugverfahren Lösungen von Differentialgleichungen sind nur in speziellen Fällen explizit angebbar; oft können nur Approximationen an Lösungen numerisch berechnet werden. In diesem
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
Mehrz k Anwendung des Quotientenkriteriums ergibt z k+1 (k + 1)! z k+1 k! = z k (k + 1)! = z k + 1
Beispiel: Wir untersuchen die Konvergenz der Reihe k=1 z k k! (z C) Anwendung des Quotientenkriteriums ergibt z k+1 (k + 1)! z k z k+1 k! = z k (k + 1)! = z k + 1 k! Damit konvergiert die Reihe (absolut)
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
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
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.
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrBeispiele zur Konvergenzuntersuchung bei Reihen.
Beispiele zur Konvergenzuntersuchung bei Reihen Beispiel: Wir untersuchen die Konvergenz der Exponentialreihe z k k! für z C Anwendung des Quotientenkriteriums ergibt z k+1 (k + 1! z k = z k+1 k! z k (k
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
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
MehrGewöhnliche Differentialgleichungen Woche 7. Globale Existenz einer Lösung
Gewöhnliche Differentialgleichungen Woche 7 Globale Existenz einer Lösung 7.1 Von lokal zu global Wir betrachten wiederum das Anfangswertproblem { y (x = f (x, y(x, y( = y 0. (7.1 Eine erste Erweiterung
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
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.
MehrStabilität von geschalteten DAEs
Elgersburg Workshop 2011, 16.02.2011, 17:30-18:00 Einleitung Klassische DAEs Distributionelle Lösungen für geschaltetet DAEs Inhalt 1 Einleitung Systemklasse: Definition und Motivation Beispiele 2 Klassische
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrAnalysis I. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching April 26, 207 Erinnerung Satz. (Zwischenwertsatz) Sei f : [a, b] R stetig mit f(a) f(b). Dann gibt es zu jedem
Mehr10 Der Satz von Radon-Nikodym
uch im Sinne einer Vorabinformation vor der Stochastik-Vorlesung wollen wir abschließend kurz absolut stetige Maße und den Satz von Radon-Nikodym streifen. Definition 10.1. Seien (, M) ein messbarer Raum
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
Mehrh n = (t t 0 )/n Bevor wir diesen Satz beweisen, geben wir noch einen Hilfssatz an, der eine wichtige Abschätzung liefert.
Kapitel 4 Berechnung von Lösungen 41 Die Euler sche Polygonzugmethode Die Grundlage dieser Methode ist die einfache Beobachtung, dass f(u, t) in der Nähe eines Punktes als nahezu konstant angesehen werden
Mehr2 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
MehrAnalysis I. Guofang Wang , Universität Freiburg
Universität Freiburg 10.1.2017, 11.1.2017 Definition 1.1 (Ableitung) Die Funktion f : I R n hat in x 0 I die Ableitung a R n (Notation: f (x 0 ) = a), falls gilt: f(x) f(x 0 ) lim = a. (1.1) x x 0 x x
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
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
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 +
MehrAblauf. 1 Imitationsdynamik. 2 Monotone Auszahlung. 3 Entscheidung gegen iterativ dominierte Strategien. 4 Beste-Antwort-Dynamik 2 / 26
Spieldynamik Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Kap. 8 Simon Maurer Saarbrücken, den 13.12.2011 1 / 26 Ablauf 1 Imitationsdynamik 2 Monotone Auszahlung
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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
MehrSeminar Gewöhnliche Dierentialgleichungen
Seminar Gewöhnliche Dierentialgleichungen Dynamische Systeme II Valentin Jonas 8. 6. 215 1 Einleitung In dem letzten Kapitel "Dynamische Systeme I" ging es vor allem um in t glatte, autonome, dynamische
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
Mehreine reelle oder komplexe Folge ist, kann man daraus eine neue Folge {s n } n=0 konstruieren durch s n = a 0 + a a n, a k.
Analysis, Woche 7 Reihen I 7. Folgen aus Folgen Wenn a n eine reelle oder komplexe Folge ist, kann man daraus eine neue Folge s n konstruieren durch s n = a 0 + a + + a n, oder netter geschrieben s n =
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
MehrListe wichtiger Stammfunktionen
Liste wichtiger Stammfunktionen Funktion Stammfunktion x n, x ln(x) n R \ { } n + xn+ ln( x ) x ln(x) x a x, a > sin(x) cos(x) sin 2 (x) cos 2 (x) x 2 x 2 a x ln(a) cos(x) sin(x) (x sin(x) cos(x)) 2 (x
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.
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
MehrCompressed Sensing für Signale aus Vereinigungen von Unterräumen
Compressed Sensing für Signale aus Vereinigungen von Unterräumen Nadine Pawlitta 21. Januar 2011 Nadine Pawlitta () CS auf Vereinigungen von Unterräumen 21. Januar 2011 1 / 28 Übersicht 1 Grundprinzip
MehrD-MATH Funktionalanalysis II FS 2014 Prof. M. Struwe. Lösung 2
D-MATH Funktionalanalysis FS 214 Prof. M. Struwe Lösung 2 1. a) Wir unterscheiden zwei Fälle. Fall 1: 1 < p < : Seien u L p () und (u k ) W 1,p () eine beschränkte Folge, so dass u k u in L p () für k.
MehrPartielle Differentialgleichungen Kapitel 7
Partielle Differentialgleichungen Kapitel 7 Intermezzo zu Distributionen Die Physik hat der Mathematik die Dirac-δ-Funktion gebracht. Diese δ-funktion soll folgende Eigenschaften haben: n δ (x ϕ (x dx
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
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
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
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
MehrFloquet 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
MehrKlausur: Nichtlineare Regelungssysteme 1 Sommer 2018
4 6 Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger Humboldt-Hörsaal Dienstag, den 24. 07. 2018 Beginn: 08.00 Uhr Bearbeitungszeit: 120 Min Modalitäten Als Hilfsmittel sind nur handschriftliche
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrKlausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Institut für Technologie (KIT Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning WS /3 4.3.3 Klausur Höhere Mathematik I für die Fachrichtung Physik Aufgabe ((4+3+3 Punkte a Welche
Mehr(b) Man nennt die Menge M beschränkt, wenn sie nach oben und unten beschränkt ist.
8 Punktmengen Für die Menge M = { 1 n ; n N } ist 1 = max(m), denn 1 M und 1 n 1 für alle n N. Die Menge M besitzt aber kein Minimum, denn zu jeder Zahl x = 1 n M existiert ein y M mit y < x, etwa y =
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
MehrNun zeigen wir: wie kann man durch eine Liftung eine neue Unterlösung konstruieren.
56 SS2016 Definition 6.17 (Unterlösung,Oberlösung). Ω R n seieingebietleinelliptischeroperator wie in Bedingung 6.1. Seien a i j, b i c stetig mit c 0 in Ω. Sei f stetig in Ω. Eine Funktion u C(Ω) heißt
MehrAnalysis I. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching March 5, 07 Erinnerung (Euler Formel). e iϕ = cos ϕ + i sin ϕ. Die Polarform von z = x + iy C sei Euler Formel z
MehrKapitel 5 Reihen 196
Kapitel 5 Reihen 96 Kapitel 5. Definition und Beispiele 97 Das Material dieses Kapitels können Sie nachlesen in: MICHAEL SPIVAK, Calculus, Kapitel 22 DIRK HACHENBERGER, Mathematik für Informatiker, Kapitel
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrGewöhnliche Dierentialgleichungen
Prof. Dr. Guido Sweers WS 28/29 Jan Gerdung, M.Sc. Gewöhnliche Dierentialgleichungen Übungsblatt 6 Die Lösungen müssen in den Übungsbriefkasten Gewöhnliche Dierentialgleichungen Raum 3 im MI) geworfen
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
MehrLösungen zum Übungsblatt 7
Lösungen zum Übungsblatt 7 Mirko Getzin Universität Bielefeld Fakultät für Mathematik 5. Dezember 203 Ich gebe keine Gewähr auf eine vollständige Richtigkeit der Lösungen zu den Übungsaufgaben. Das Dokument
MehrDie alternierende harmonische Reihe.
Die alternierende harmonische Reihe Beispiel: Die alternierende harmonische Reihe k k + = 2 + 3 4 + konvergiert nach dem Leibnizschen Konvergenzkriterium, und es gilt k k + = ln2 = 06934 für den Grenzwert
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
MehrDas heißt, Γ ist der Graph einer Funktion von d 1 Veränderlichen.
Kapitel 2 Der Gaußsche Satz Partielle Differentialgleichung sind typischerweise auf beschränkten Gebieten des R d, d 1, zu lösen. Dabei sind die Eigenschaften dieser Gebiete von Bedeutung, insbesondere
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
Mehr2. Integration. {x : f(x) <a+ 1 n }
9 2.1. Definition. 2. Integration in Maß ist eine nichtnegative, abzählbar additive Mengenfunktion. in Maßraum ist ein Tripel (X,,µ) bestehend aus einem messbaren Raum X mit der -lgebra und einem auf definierten
Mehr10. Periodische Funktionen, Fourier Reihen
H.J. Oberle Analysis II SoSe 212 1. Periodische Funktionen, Fourier Reihen Jean Baptiste Joseph Fourier: Joseph Fourier wurde am 21.3.1768 bei Auxerre (Burgund) geboren und starb am 16.5.183 in Paris.
Mehr19.2 Mittelwertsatz der Differentialrechnung
19 Mittelwertsätze der Differentialrechnung mit Anwendungen 19.1 Satz von Rolle 19.2 Mittelwertsatz der Differentialrechnung 19.4 Globaler Wachstumssatz 19.6 Verallgemeinerter Mittelwertsatz der Differentialrechnung
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
MehrDie 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
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrZiel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0.
6.4 Fixpunkt-Iteration Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. Möglichkeiten: Bisektionsverfahren (Intervallhalbierung) Newton-Verfahren, x k+1 = x k f(x k) f (x k ) für k = 0, 1,
Mehr3 Satz von Fisher Tippett
Theorem 3.1 (Satz von Fisher Tippett; extremal types theorem). Eine Verteilung G ist eine Extremwertverteilung genau dann, wenn es c > 0, d R und γ R gibt mit G(t) = G γ (ct + d). { } Dabei ist G γ eine
Mehr3 Das n-dimensionale Integral
3 Das n-dimensionale Integral Ziel: Wir wollen die Integrationstheorie für f : D R n R entwickeln. Wir wollen den Inhalt (beziehungsweise das Maß ) M einer Punktmenge des R n definieren für eine möglichst
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr1 Topologie in metrischen Räumen
1 Topologie in metrischen Räumen 1 1.1 Metrische und normierte Räume Das Ziel dieses Abschnitts ist es, die Erkenntnisse über Folgen (und Reihen) reeller Zahlen aus dem vergangenen Semester zu verallgemeinern.
Mehr3 Grenzwert und Stetigkeit 1
3 Grenzwert und Stetigkeit 3. Grenzwerte bei Funktionen In diesem Abschnitt gilt: I ist immer ein beliebiges Intervall, 0 I oder einer der Endpunkte. 3.. Definition Sei I Intervall, 0 IR und 0 I oder Endpunkt
Mehrµ( k= U j,k \K j,k ) µ(u j,k \K j,k ) < 2 j ε. µ(u\k j ) < ε.
3.5. LUSIN, TITZE-URYSOHN UND RIESZ 7 3.5. Lusin, Titze-Urysohn und Riesz. Theorem 3.5. (Lusin). Sei f : X R messbar. Zu U X offen mit µ(u) < und ε > 0 gibt es ein kompaktes K U, so dass gilt: () f K stetig,
MehrKAPITEL 2. Folgen und Reihen
KAPITEL 2 Folgen und Reihen 1. Konvergenz und Divergenz Definition 2.1 (Folgen). Eine Abbildung a : N R (bzw. a : N 0 R) nennt man Folge. Statt a : N R schreibt man meist (a n ) n N und a n statt a(n).
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
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
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrInvarianz-Entropie für Kontrollsysteme
Invarianz-Entropie für Kontrollsysteme Christoph Kawan Institut für Mathematik, Universität Augsburg in Zusammenarbeit mit Fritz Colonius, Institut für Mathematik, Universität Augsburg im Rahmen des DFG-Schwerpunktprogramms
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 4. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 0/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
MehrMetrische äußere Maße, Borel-Maße
Metrische äußere Maße, Borel-Maße Zum einen haben wir mit dem Fortsetzungssatz gesehen, dass man mit einem äußeren Maß (auf P(X) ) stets eine σ-algebra und ein Maß auf dieser bekommt. Liegt nun ein metrischer
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrQuiz Analysis 1. Lösungen zu den Aufgaben M1 bis M7 der Probeklausur. Mathematisches Institut, WWU Münster. Karin Halupczok.
Quiz Analysis 1 Mathematisches Institut, WWU Münster Karin Halupczok WiSe 2011/2012 Lösungen zu den Aufgaben M1 bis M7 der Probeklausur 1 Aufgabe M1: Fragen zu Folgen, Reihen und ihre Konvergenz 2 Aufgabe
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrGewöhnliche Differentialgleichungen Woche 10. Spezielles für zweite Ordnung
d Gewöhnliche Differentialgleichungen Woche 0 Spezielles für zweite Ordnung 0. Phasenebene Wenn wir die autonome Differentialgleichung zweiter Ordnung u (t = f (u(t, u (t (0. studieren wollen, ist ein
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
Mehr