DIE SPRACHE DER WAHRSCHEINLICHKEITEN
|
|
- Liane Krüger
- vor 7 Jahren
- Abrufe
Transkript
1 KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage von allen Wahrscheinlichkeitstheoretikern als erste Annäherung an den Begriff der Wahrscheinlichkeit akzeptiert wird. Zunächst gilt es, die Ereignisse zu beschreiben, die mit Erscheinungen verknüpft werden, bei denen der Zufall eine Rolle spielt. Dies ist das Thema des ersten Kapitels. Diese Ereignisse begegnen uns als Teilmengen der ersten Komponente Ω dieses Tripels. Um eine praktische Handhabung der Ereignisse zu erreichen, werden wir im folgenden Kapitel eine ausgezeichnete Familie A von Ereignissen einführen, die präzisen algebraischen Regeln genügt. Im dritten Kapitel schliesslich werden wir die dritte Komponente P (das Wahrscheinlichkeitsmass) studieren, das uns erlaubt, eine Gewichtung der zur Familie A gehörigen Ereignisse vorzunehmen. 1. Ein Beispiel. Wir stellen uns eine Erdölgesellschaft vor, die über eine gewisse Anzahl von Schiffen verfügt und die bestrebt ist, eine genaue Studie über die Ankunftszeiten ihrer Tanker an deren Bestimmungshäfen zu machen. Wegen der Zufälligkeiten der Seefahrt können die Ankunftszeiten dieser Tanker nicht auf die Stunde genau vorhergesagt werden. Um diese Ankunftszeiten untersuchen zu können, muss die Gesellschaft apriorieine Klasse von Ereignissen in Betracht ziehen, die diesen Ankunftszeiten zugeordnet ist, wie zum Beispiel: keine Ankunft am Freitag zwischen 8 Uhr und 10 Uhr oder die Tanker n o 1 und n o 2 kommen am 8. Januar an oder Tanker n o 2 hat einen Schaden auf hoher See. Sie wird auch eine Familie von noch präziser beschriebenen Ereignissen auch Stichproben genannt betrachten müssen, wie etwa: Tanker n o 2 kommt am Freitag, den 8. Januar, um 9 Uhr an. Bezeichnet ω diese Stichprobe, so tritt das Ereignis A: keine Ankunft am Freitag zwischen 8 Uhr und 10 Uhr bei der Stichprobe ω nicht ein, wogegen das Ereignis B: mindestens einer der Tanker n o 1 und n o 2 kommt am 8. Januar an bei ω eintritt. Um dieses Phänomen der Ankunftszeiten studieren zu können, wird man also eine Basismenge Ωeinführen und sie mit der Menge der Paare (n, t) identifizieren, wobei n die Nummer eines Tankers der Gesellschaft und t den
2 2 KAPITEL 1: DIE SPRACHE DER WAHRSCHEINLICHKEITEN Ankunftszeitpunkt des Tankers im Hafen bezeichnet. Die obige Stichprobe ω ist also durch das Element (2, (8, 9)) gegeben, wobei (8, 9) den 8. Januar, 9 Uhr bezeichnet. Das Ereignis B ist also mit der Menge aller Elemente (n, t) zu identifizieren, bei denen n = 1 oder 2 ist, sowie (8, 0) t (8, 24). Man sieht an diesem Beispiel, dass die Zugehörigkeit ω B äquivalent ist mit der Aussage B tritt bei der Stichprobe ω ein. Die Sprache der Zugehörigkeit ist die Sprache der Mengenlehre, die Sprache des Eintretens von Ereignissen gehört zur Sprache der Wahrscheinlichkeitstheorie. Die hier eben beschriebene Äquivalenz erlaubt es, jederzeit zwischen beiden Ausdrucksformen zu wechseln. Dies wird in den folgenden Paragraphen noch näher ausgeführt werden. 2. Das fundamentale Tripel. Im obigen Beispiel war es einfach, die Basismenge Ω explizit anzugeben. In den meisten Fällen wird man sich allerdings damit begnügen, die Existenz einer solchen Menge zu unterstellen. Diese ist Teil des Tripels (Ω, A, P), das die folgenden Eigenschaften hat: a) Ω ist eine nichtleere Menge, genannt Basismenge; ihre Elemente ω werden als Stichproben bezeichnet. Die Menge Ω enthält alle möglichen Resultate eines Zufallsexperiments. b) A ist eine Familie von Teilmengen von Ω, genannt Ereignisse; ein Ereignis ist eine Aussage über ein Zufallsexperiment, die zutreffen kann oder auch nicht. Ist ω eine Stichprobe und A ein Ereignis, so sagt man genau dann, dass das Ereignis A bei der Stichprobe ω eintritt, wennω zu A gehört. In den einfacheren Fällen kann man als Familie A die Menge P(Ω) aller Teilmengen, die Potenzmenge von Ω, wählen (diese Notation wird im folgenden ständig benutzt werden). In dieser Situation kann also jede Teilmenge von Ω als Ereignis angesehen werden. Speziell ist also jede ein-elementige Menge, also jede Menge der Form {ω}, wobeiω einelementvonωist,ein Ereignis, genannt Elementarereignis. Beim weiteren Ausbau der Theorie wird man dafür sorgen, dass die Menge A der Ereignisse geeignete algebraische Eigenschaften hat, genauer, dass sie eine σ-algebra über Ω ist. Dann kann es vorkommen, dass nicht für alle Elemente ω Ω die ein-elementige Menge {ω} zu A gehört, also ein Ereignis ist. Der Begriff Elementarereignis sollte deshalb vermieden werden. c) P ist eine Gewichtsfunktion auf der Familie A der Ereignisse. In dem Rahmen, in dem wir uns bewegen, wird P ein Wahrscheinlichkeitmass auf A sein. Der Wert P(A) heisst dann die Wahrscheinlichkeit von A. Das eben vorgeschlagene Modell erlaubt es, die meisten Begriffe der (elementaren) Mengenlehre in wahrscheinlichkeitstheoretischer Sprache zu formulieren. Speziell erscheinen die logischen Operationen auf Ereignissen als
3 3. UNENDLICHE FOLGEN VON EREIGNISSEN 3 mengentheoretische Operationen auf den Teilmengen einer Menge. Gelegentlich werden die Sprache der Mengenlehre und die der Wahrscheinlichkeiten nebeneinander benützt, wobei die folgenden Begriffe häufig verwendet werden: 1) Die leere Menge wird, als Ereignis betrachtet, als unmögliches Ereignis angesprochen; es tritt bei keiner Stichprobe ein. 2) Die volle Menge Ω ist ebenfalls ein Ereignis und wird als sicheres Ereignis bezeichnet; es tritt bei jeder Stichprobe ein. 3) Seien A und B zwei Ereignisse. Man sagt, dass das Ereignis A das Ereignis B impliziert, wenn B bei jeder Stichprobe eintritt, bei der auch A eintritt; anders gesagt, wenn A B ist. 4) Zwei Ereignisse A und B sind äquivalent, wennb durch A impliziert wird und ebenso A durch B impliziert wird; anders gesagt, wenn A = B gilt. 5) Die Konjunktion zweier Ereignisse A und B ist das Ereignis, das bei genau denjenigen Stichproben eintritt, bei denen sowohl A als auch B gleichzeitig eintreten; dies ist also der Durchschnitt A B. 6) Die Vereinigung zweier Ereignisse A und B ist das Ereignis, das bei genau denjenigen Stichproben eintritt, bei denen mindestens eines der Ereignisse A, B eintritt; dies ist also A B. 7) Das entgegengesetzte Ereignis zu einem Ereignis A ist dasjenige Ereignis, das bei genau denjenigen Stichproben eintritt, bei denen A nicht eintritt. Dies ist also das Komplement von A, bezeichnet durch A c (= Ω \ A). 8) Zwei Ereignisse A und B sind unverträglich (oder disjunkt), wenn ihre Konjunktion das unmögliche Ereignis ist; anders gesagt, wenn A B =. Bezeichnungen. Wenn Ereignisse A und B unverträglich sind, so bezeichne A + B (anstelle von A B) ihrevereinigung. Entsprechend schreibt man i A i für die Vereinigung von Ereignissen A i, die paarweise unverträglich sind. Anstelle von A B wird oft auch die Schreibweise AB verwendet. Die Differenz zwischen zwei Ereignissen A und B (in dieser Reihenfolge), geschrieben A \ B, ist das Ereignis A B c. Falls A B, so spricht man auch von der echten Differenz A \ B. Eine Folge von Ereignissen A n wird mit (A n ) (n 1) oder einfach mit (A n ) bezeichnet. Falls es sich um eine endliche Folge handelt, schreibt man beispielsweise auch (A i )(i =1, 2,...,n). 3. Unendliche Folgen von Ereignissen 3.1. Grenzwerte von Ereignisfolgen. Es sei (A n ) eine Folge von Ereignissen. In der Mengenlehre ist die Vereinigung n A n (auch n=1 A n
4 4 KAPITEL 1: DIE SPRACHE DER WAHRSCHEINLICHKEITEN geschrieben) der Folge (A n ) die Menge aller ω Ω, die die Eigenschaft haben es gibt (mindestens) ein n mit ω A n. In der Sprache der Wahrscheinlichkeitstheorie wird, gemäss obiger Übersetzung, das Ereignis n A n beschrieben durch mindestens eines der Ereignisse A n tritt ein. Analog bezeichnet n A n das Ereignis alle Ereignisse A n treten ein. Wenn die Folge (A n ) aufsteigend ist, d.h. wenn A n A n+1 für alle n gilt, dann wird die Vereinigung n A n der Folge (A n )auchalslimes der Folge bezeichnet. Man schreibt dann n A n = lim n A n, oder auch A n lim n A n. Wenn entsprechend die Folge (A n ) absteigend ist, wenn also A n A n+1 für alle n gilt, dann wird der Durchschnitt n A n der Folge ebenfalls als Limes der Folge bezeichnet. Man schreibt n A n = lim n A n und A n lim n A n. Wenn eine Folge (A n ) entweder aufsteigend oder absteigend ist, so wird sie auch als monoton bezeichnet Limes inferior und Limes superior. Ist eine Folge (A n ) von Ereignissen gegeben, so kann man immer den Limes inferior und den Limes superior dieser Folge definieren. Der Limes inferior der Folge (A n ) wird notiert als lim inf n A n und ist definiert als die Menge derjenigen Elemente ω von Ω, die zu fast allen A n gehören,d.h.diebisaufendlich viele Indices n zu all diesen Mengen gehören. Analog ist der Limes superior, notiert als lim sup n A n, die Menge derjenigen Elemente ω von Ω, die für unendlich viele Indices n zu A n gehören. Limes inferior und Limes superior lassen sich folgendermassen durch Vereinigung und Durchschnitt ausdrücken: Satz Sei (A n ) eine Folge von Teilmengen einer Menge Ω. Dann gilt lim inf n A n = n=1 m=n A m ; lim sup n A n = lim inf n A n lim sup n A n. n=1 m=n A m ; Beweis. Die Aussage, dass ein Element ω zu allen A n,mithöchstens endlich vielen Ausnahmen, gehört, bedeutet nichts anderes, als dass es von einem bestimmten Index n an zum Durchschnitt B n = m n A m gehört. Es existiert also eine ganze Zahl n derart, dass ω B n gilt, und damit ist die erste Gleichheit bewiesen. Die Aussage, dass ein Element ω zu unendlich vielen der Mengen A n gehört, bedeutet nichts anderes als dass dieses Element, wie weit man auch in der Folge der Indices geht, also bis zum Index n etwa, immer zur Vereinigung C n = m n A m gehört. Folglich gehört ω zum Durchschnitt der Folge (C n ), und damit ist auch die zweite Gleichheit gezeigt.
5 3. UNENDLICHE FOLGEN VON EREIGNISSEN 5 Die behauptete Inklusion ist banal, denn wenn ω zu lim inf n A n gehört, so gehört es zu allen A n von einem bestimmten Index n an, also zu unendlich vielen Ereignissen A m mit m n. Wir schreiben A = lim inf n A n und A = lim sup n A n. Folgende Beziehungen sind ohne weiteres zu verifizieren: (3.2.1) (A ) c = lim sup n A n c und (A ) c = lim inf n A n c. Definition. Falls lim inf n A n = lim sup n A n gilt, so sagt man, dass die Folge (A n )einenlimes besitzt und man schreibt (3.2.2) lim n A n = lim inf n A n = lim sup n A n. Man sagt in dieser Situation auch, dass die Folge (A n ) gegen A = lim n A n strebt oder gegen A konvergiert. Satz Falls die Folge (A n ) monoton ist, sind die Bedingungen (3.2.2) erfüllt. Beweis. Ist (A n ) aufsteigend, gilt also m=n A m = A n, so ist lim inf n A n = n=1 A n = lim n A n. Die Gleichheit m=n A m = m=1 A m gilt andererseits für jedes n 1 und daher ist lim sup n A n = n=1 m=1 A m = m=n A m = lim n A n. Aus der Gültigkeit der Aussage für aufsteigende Folgen folgt mittels der Beziehungen (3.2.1) auch die Gültigkeit für absteigende Folgen. In der Sprache der Wahrscheinlichkeitsrechnung, wenn man also die Mengen der Folge A n als Ereignisse anspricht, ist lim inf n A n dasjenige Ereignis, bei dem alle Ereignisse A n von einer bestimmten Stelle n an eintreten. Analog ist lim sup n A n dasjenige Ereignis, bei dem unendlich viele der Ereignisse A n eintreten. Besonders dieses letzte Ereignis wird in der Wahrscheinlichkeitsrechnung häufig betrachtet, speziell in der Theorie der sogenannten rekurrenten Ereignisse. In englischsprachigen Texten wird oft {A n, i.o.} geschrieben ( i.o. bedeutet infinitely often, d.h. unendlich oft) Indikatorfunktion eines Ereignisses. Eine sehr häufig gebrauchte Funktion ist die Indikatorfunktion I A eines Ereignisses A. Diese Abbildung von Ω in die zwei-elementige Menge {0, 1} wird definiert durch { 1, falls ω A; I A (ω) = 0, falls ω/ A.
6 6 KAPITEL 1: DIE SPRACHE DER WAHRSCHEINLICHKEITEN ERGÄNZUNGEN UND ÜBUNGEN 1. Es seien A, B, C drei Ereignisse. In Abhängigkeit von A, B, C sind die folgenden Ereignisse mittels mengentheoretischer Operationen auszudrücken: a) Nur A tritt ein; b) A und C treten ein, nicht aber B; c) alle drei Ereignisse treten ein; d) mindestens eines der Ereignisse tritt ein; e) mindestens zwei der Ereignisse treten ein; f) höchstens eines der Ereignisse tritt ein; g) keines der Ereignisse tritt ein; h) genau zwei der Ereignisse treten ein; i) nicht mehr als zwei der Ereignisse treten ein. 2. Es bezeichne Ω die Menge aller verheirateten Paare einer gewissen Stadt. Man betrachte folgende Ereignisse: A: der Mann ist älter als vierzig Jahre ; B: die Frau ist jünger als der Mann ; C: die Frau ist älter als vierzig Jahre. a) Man interpretiere in Abhängigkeit von A, B, C das Ereignis der Mann ist älter als vierzig Jahre, nicht aber seine Frau. b) Man beschreibe umgangssprachlich die Ereignisse A B C c, A\(A B), A B c C, A B. c) Man verifiziere A C c B. 3. Für eine Folge (A i )(i =1, 2,...) von Ereignissen zeige man A i = i=1 ( A n \ n=1 n 1 i=0 A i ), wobei A 0 = gesetzt wird. Dies bedeutet, dass sich jede Vereinigung auch als Vereinigung disjunkter Mengen schreiben lässt. 4. Es seien A und B zwei Ereignisse sowie (A n ) eine Folge von Ereignissen, wobei A n = A oder B, je nachdem, ob n gerade oder ungerade ist. Man zeige lim inf n A n = A B und lim sup n A n = A B. 5. Im Folgenden bezeichnen A, B (mit oder ohne Indices) jeweils Ereignisse. Man verifiziere folgende Aussagen über die Indikatorfunktionen:
7 ERGÄNZUNGEN UND ÜBUNGEN 7 a) I Ω 1; I 0; b) I A (ω) I B (ω) für alle ω in Ω gilt genau dann, wenn A B; c) I A B = I A I B ; I A B = I A + I B I A B ; d) I A c =1 I A ; I A\B = I A (1 I B ). e) Es seien A = lim inf n A n und A = lim sup n A n. Dann gilt I A = lim inf n I An und I A = lim sup n I An. 6. Es seien E, F, G drei Ereignisse, aus denen man zwei weitere Ereignisse A und B konstruiert mittels A = ( E F ) G, B = E ( F G ). a) Eines der beiden Ereignisse A, B, impliziert das andere; welches? b) Man finde eine notwendige und hinreichende Bedingung für E und G derart, dass A = B gilt. 7. Sind zwei Ereignisse A, B gegeben, so bezeichne A B dasjenige Ereignis, bei dem genau eines der Ereignisse A, B realisiert wird; dieses Ereignis wird als symmetrische Differenz der Ereignisse A und B bezeichnet. Gegeben seien drei Ereignisse A, B, C in Ω. a) Man zeige: (A B) (A B c )=Ω. b) Man finde eine notwendige und hinreichende Bedingung dafür, dass gilt. (A B) (A C) =A (B C).
8 8 KAPITEL 1: DIE SPRACHE DER WAHRSCHEINLICHKEITEN
Wahrscheinlichkeitsrechnung
Grundstudium Mathematik Wahrscheinlichkeitsrechnung Bearbeitet von Dominique Foata, Aime Fuchs 1. Auflage 1999. Taschenbuch. xv, 383 S. Paperback ISBN 978 3 7643 6169 3 Format (B x L): 17 x 24,4 cm Gewicht:
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
MehrWahrscheinlichkeitsrechnung und Statistik
1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrKapitel 2. Zufällige Versuche und zufällige Ereignisse. 2.1 Zufällige Versuche
Kapitel 2 Zufällige Versuche und zufällige Ereignisse In diesem Kapitel führen wir zunächst anschaulich die grundlegenden Begriffe des zufälligen Versuchs und des zufälligen Ereignisses ein und stellen
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 15. Oktober 2015 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage veröffentlicht
MehrMengenlehre. Begriff der Mengenzugehörigkeit x M, x Ê M >x : x { a 1. e e x = a n. } 2 x = a 1. >x : x { y P(y) } 2 P(x) Begriff der leeren Menge
Mengenlehre Grundbegriff ist die Menge Definition (Naive Mengenlehre). Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
MehrKAPITEL 5 ZUFALLSVARIABLE
KAPITEL 5 ZUFALLSVARIABLE Das in den vorangegangenen Kapiteln beschriebene Modell reicht nicht mehr aus, wenn es darum geht, solche vom Zufall abhängige Grössen oder Zustände zufälliger Systeme zu beschreiben,
MehrKapitel II - Wahrscheinlichkeitsraum
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel II - Wahrscheinlichkeitsraum Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrLösungsskizzen zur Präsenzübung 04
Lösungsskizzen zur Präsenzübung 04 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 23. November 2015 von:
MehrMengenlehre und vollständige Induktion
Fachschaft MathPhys Heidelberg Mengenlehre und vollständige Induktion Vladislav Olkhovskiy Vorkurs 018 Inhaltsverzeichnis 1 Motivation 1 Mengen.1 Grundbegriffe.................................. Kostruktionen
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrMathematische Grundlagen der Computerlinguistik I. Mengen und Mengenoperationen (Teil 1)
Mathematische Grundlagen der Computerlinguistik I Mengen und Mengenoperationen (Teil 1) Exzerpt aus dem Skript von Prof. Dr. Klaus U. Schulz Michaela Geierhos M.A. Centrum für Informations- und Sprachverarbeitung
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
MehrMengen und Relationen
KAPITEL 1 Mengen und Relationen 1.1. Mengenlehre Georg Cantor (3.3.1845 6.1.1918: Cantor ist der Vater der modernen Mengenlehre, er definierte 1895: DEFINITION 1.1.1. Unter einer Menge verstehen wir jede
MehrB Grundbegriffe zu Mengen und Abbildungen
B Grundbegriffe zu Mengen und Abbildungen Die Sprache der Mengen und Abbildungen hat sich als Basissprache in der modernen Mathematik durchgesetzt. Da sie sehr praktisch ist, wird sie auch in diesem Buch
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 1: Mengenlehre 1 Mengen Einleitung Beschreibung und Beispiele Operationen Verhältnisse Kartesisches Produkt 2 Relationen
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
MehrÜbungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie
Dr. Christoph Luchsinger Übungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie Allgemeine Masse Herausgabe des Übungsblattes: Woche 13, Abgabe der Lösungen: Woche 14 (bis Freitag, 16.15 Uhr), Besprechung:
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
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
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 =
Mehr3 Werkzeuge der Mathematik
3.1 Mengen (18.11.2011) Definition 3.1 Die Menge heißt leere Menge. :=»x M x x Definition 3.2 Es seien N und M Mengen. Wir definieren: und analog M N : (x M x N). N M : (x N x M). Wir sagen M ist Teilmenge
MehrVor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen
Vor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen 09.10.2014 Herzlich Willkommen zum 2. Teil des Vorschaukurses für Mathematik! Organisatorisches Der Vorkurs besteht aus sechs Blöcken
MehrKapitel 2 MENGENLEHRE
Kapitel 2 MENGENLEHRE In diesem Kapitel geben wir eine kurze Einführung in die Mengenlehre, mit der man die ganze Mathematik begründen kann. Wir werden sehen, daßjedes mathematische Objekt eine Menge ist.
MehrGrundlagen. Kapitel Mengen
Kapitel 1 Grundlagen 1.1 Mengen Grundobjekte mathematischer Theorien sind Mengen. Zwar stellt man sich darunter Gesamtheiten von gewissen Dingen (den Elementen der Menge) vor, doch führt die uneingeschränkte
MehrGrundbegriffe der Informatik Kapitel 3: Mengen, Alphabete, Abbildungen
Grundbegriffe der Informatik Kapitel 3: Mengen, Alphabete, Abbildungen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für
MehrKapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
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
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
MehrFolgen. Definition. Sei M eine beliebige Menge. Eine Abbildung a : N M oder a : N 0 M heißt eine Folge.
Folgen Eine Folge stellt man sich am einfachsten als eine Aneinanderreihung von Zahlen (oder Elementen irgendeiner anderen Menge) vor, die immer weiter geht Etwa,,,,,, oder,,, 8,,,, oder 0,,,,,,,, In vielen
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
MehrMengen. Welche dieser Mengen sind paarweise gleich, ungleich? Begründung!
Hinweis: Auf den Übungsblättern in diesem Semester wird es grundsätzlich die drei Aufgabentypen Vorbereitungsaufgabe, Tutoraufgabe und Hausaufgabe geben. Die als Vorbereitung bezeichneten Aufgaben dienen
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
MehrLineare Algebra I. - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Monday 12 September 16
Lineare Algebra I - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß 1. Mengen und Abbildungen: Mengen gehören zu den Grundlegendsten Objekten in der Mathematik Kurze Einführung in die (naive) Mengelehre
Mehr2 Ereignisse. Für Ereignisse A und B kann durch Bildung des Durchschnitts (engl.: intersection) A B := {ω Ω : ω A oder ω B}
5 2 Ereignisse ei einem stochastischen Vorgang interessiert oft nur, ob dessen Ergebnis zu einer gewissen Menge von Ergebnissen gehört. So kommt es zu eginn des Spiels Mensch-ärgere- Dich-nicht! nicht
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Vorbereitung der Bonusklausur am 24.11.2016 (Teil 2) 23. November 2016 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler 23. November 2016
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18 19. Oktober 2017 1/27 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrIm allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen.
Kapitel 1 - Mathematische Grundlagen Seite 1 1 - Mengen Im allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen. Definition 1.1 (G. Cantor.
MehrGrundlagen der Mengenlehre
mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener
Mehr1 Häufungswerte von Folgen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 0/..0 Höhere Mathemati I für die Fachrichtung Informati. Saalübung (..0) Häufungswerte von Folgen Oft
MehrVorkurs Mathematik. Prof. Udo Hebisch WS 2017/18
Vorkurs Mathematik Prof. Udo Hebisch WS 2017/18 1 1 Logik 2 1 Logik Unter einer Aussage versteht man in der Mathematik einen in einer natürlichen oder formalen Sprache formulierten Satz, für den eindeutig
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrAufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
MehrDieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
MehrKapitel 1. Mengen und Abbildungen. 1.1 Mengen
Kapitel 1 Mengen und Abbildungen 1.1 Mengen Die Objekte der modernen Mathematik sind die Mengen. Obwohl die Logik einen axiomatischen Zugang zur Mengenlehre bietet, wollen wir uns in dieser Vorlesung auf
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker Grundlagen der Mathematik für Informatiker Mengen, Relationen, Funktionen. Mengen Definition. [Georg Cantor 895] Eine Menge ist eine Zusammenfassung bestimmter,
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
MehrGrundbegriffe aus Logik und Mengenlehre
Prof. Dr. B. Niethammer Dr. C. Seis, R. Schubert Institut fr Angewandte Mathematik Universitt Bonn Grundbegriffe aus Logik und Mengenlehre Wir wollen im Folgenden eine kurze Einführung in die Grundbegriffe
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr13 Auswahlaxiom und Zornsches Lemma
13 Auswahlaxiom und Zornsches Lemma Handout zur Funktionalanalysis I von H. Glöckner, 25.11.2008 Wichtige Teile der modernen Mathematik beruhen auf dem sogenannten Auswahlaxiom der Mengenlehre. Dieses
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrD-MATH Mass und Integral FS 2018 Prof. Dr. Urs Lang. Lösung - Serie 2. + A k = A c k Ac k 0
D-MATH Mass und Integral FS 2018 Prof. Dr. Urs Lang Lösung - Serie 2 Abgabetermin: Mittwoch, 07.03.2018 in die Fächli im HG F 28. Homepage der Vorlesung: https://metaphor.ethz.ch/x/2018/fs/401-2284-00l/
MehrStochastik Grundlagen
Grundlegende Begriffe: Zufallsexperiment: Ein Experiment, das beliebig oft wiederholt werden kann. Die möglichen Ergebnisse sind bekannt, nicht jedoch nicht, welches Ergebnis ein einzelnes Experiment hat.
Mehr1.3 Aussagen. Beispiel: Das Bruttosozialprodukt der Bundesrepublik Deutschland ist höher als das der USA ist eine offenbar falsche Aussage.
1.3 Aussagen In der Mathematik geht es um Aussagen. Eine Aussage ist ein statement, das entweder wahr oder falsch sein kann. Beides geht nicht! Äußerungen, die nicht die Eigenschaft haben, wahr oder falsch
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrGrundbegriffe Mengenlehre und Logik
Grundbegriffe Mengenlehre und Logik Analysis für Informatiker und Lehramt Mathematik MS/GS/FS WS 2016/2017 Agnes Radl Mengen Georg Cantor (1895) Unter einer Menge verstehen wir jede Zusammenfassung M von
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker 1 2 Mengen, Relationen, Funktionen 2.1 Mengen Definition 2.1 [Georg Cantor 1895] Eine Menge ist eine Zusammenfassung bestimmter, wohlunterschiedener Dinge unserer
MehrFür unseren Gebrauch ist eine Menge bestimmt durch die in ihr enthaltenen Elemente. Ist M eine Menge, so ist ein beliebiges Objekt m wieder so ein
Mengen 1.2 9 1.2 Mengen 7 Der Begriff der Menge wurde am Ende des 19. Jahrhunderts von Georg Cantor wie folgt eingeführt. Definition (Cantor 1895) Eine Menge ist eine Zusammenfassung M von bestimmten,
Mehr2. Grundlagen. A) Mengen
Chr.Nelius: Zahlentheorie (SoSe 2019) 5 A) Mengen 2. Grundlagen Eine Menge ist durch Angabe ihrer Elemente bestimmt. Man kann eine Menge aufzählend oder beschreibend definieren. Im ersten Falle werden
Mehraus der Bedingung/Annahme A folgt ein Widerspruch ), so ist A falsch!
Bemerkungen: 1 Die Bedeutung von (und damit ) ist klar. wird oft, vor allem in Beweisen, auch als geschrieben (im Englischen: iff, if and only if). 2 Für zwei boolesche Aussagen A und B ist A B falsch
MehrKapitel 1. Grundlagen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrGrundlegendes der Mathematik
Kapitel 2 Grundlegendes der Mathematik (Prof. Udo Hebisch) 2.1 Logik Unter einer Aussage versteht man in der Mathematik einen in einer natürlichen oder formalen Sprache formulierten Satz, für den eindeutig
Mehr(alternierendes Vorzeichen) a n := ( 1)n n + 1 a n := 3n 2 7n a n := n(n 1)(n 2), n 3
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 43 2. Folgen und Reihen Folgen und Reihen werden in jedem Analysislehrbuch besprochen, siehe etwa [H, Kapitel III], [K, Kapitel 5], [J2, Kapitel 23] oder [M,
MehrVorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
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
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
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)
MehrLemma (Eigenschaften elementarer Mengen) 1. Jede elementare Menge lässt sich als disjunkte Vereinigung halboffener Intervalle schreiben.
12.3. DIE LEBESGUE ALGEBRA 19 Bemerkung 12.3.2 (Bezeichnungen) Im Buch von Bauer [2] werden elementare Mengen als Figuren bezeichnet. Wir folgen mit unserer Nomenklatur Rudin [15]. Natürlich kann man auf
MehrTopologische Grundbegriffe II. Inhaltsverzeichnis
Vortrag zum Seminar zur Analysis, 03.05.2010 Dennis Joswig, Florian Goy Aufbauend auf den Resultaten des Vortrages Topologische Grundbegriffe I untersuchen wir weitere topologische Eigenschaften von metrischen
Mehr,...) ist eine Folge, deren Glieder der Null beliebig nahe kommen. (iii) Die Folge a n = ( 1) n + 1 n oder (a n) = (0, 3 2, 2 3, 5 4, 4 5
3 Folgen 3.1 Definition und Beispiele Eine Abbildung a : Æ Ê heißt (reelle) Zahlenfolge. Statt a(n) schreiben wir kürzer a n und bezeichnen die ganze Folge mit (a n ) n Æ oder einfach (a n ), was aber
Mehr