Ljapunov Exponenten. Reiner Lauterbach
|
|
- Eleonora Hofmann
- vor 7 Jahren
- Abrufe
Transkript
1 Ljapunov Exponenten Reiner Lauterbach 28. Februar 2003
2 2 Zusammenfassung n diesem Teil betrachten wir ein wichtiges Thema: sensitive Abhängigkeit. Zunächst hat man ja stetige Abhängigkeit, wie man sie aus der Theorie gewöhnlicher Differentialgleichungen kennt. Dies schienen im Widerspruch zur neuen Theorie chaotischer Dynamik zu sein. Doch beide stehen im Einklang, nur ist im Fall chaotischer Dynamik, die stetige Abhängigkeit nicht die wesentlichste Erkenntnis.
3 Kapitel Ergodische Maße. Absolute Stetigkeit Wir betrachten die Situation in R oder für ein ntervall in R. Wohlbekannt ist uns die σ-algebra B der Borelmengen und der Begriff des Maßes. st µ : B R + ein Maß mit µ() =, so nennen wir µ ein Wahrscheinlichkeitsmaß. Zu einem Maß µ gibt es einen ntegralbegriff f f dµ, und einen Begriff der ntegrierbarkeit, Ausgangspunkt sind Treppenfunktionen. Hat man zwei Maße µ, ν, so stellt sich die Frage des Vergleichs, ein möglicher Vergleich, ist die Existenz einer Funktion ρ : R, die µ-integrierbar ist, und für die gilt ν(a) = ρχ A dµ. Gilt diese dentität für alle A B, so schreiben wir ν = ρµ und nennen ρ eine Dichte. Besitzt ein Wahrscheinlichkeitsmaß µ eine Dichte bezüglich des Lebesgue- Maßes, so nennen wir µ absolut stetig. Beispiel... Es sei ein ntervall, x und { falls x A µ x (A) = 0 sonst 3
4 4 KAPTEL. ERGODZTÄT Dann ist µ nicht absolut stetig. 2. st f 0 und f L (), so ist ν(a) = f dλ A absolut stetig (trivialerweise). 3. st B eine meßbare Menge, so ist ν(a) = λ(a B) absolut stetig und genau dann ein Wahrscheinlichkeitsmaß, wenn λ(b) =. Wir kommen zum Zusammenhang mit diskreten dynamischen Systemen, gegeben sei also f : stetig. Definition..2. Ein Wahrscheinlichkeitsmaß µ heißt invariant (oder besser f-invariant), falls = µ(f (A)) für alle A B ist. 2. Ein invariantes Wahrscheinlichkeitsmaß heißt ergodisch, wenn aus f (A) = A folgt = 0 oder =. Lemma..3 Ein f-invariantes Wahrscheinlichkeitsmaß µ ist genau dann ergodisch, wenn aus µ = αν + ( α)ν 2 mit invarianten Maßen ν i, i =, 2 folgt α = 0 oder α =. Beweis. Wir zeigen nur eine Richtung: ist µ nicht als Konvexkombination invarianter Maße darstellbar, so ist µ ergodisch. Angenommen µ ist invariant, A = f (A) und 0 < <. Setze für B B µ(a B) ν (B) = ν 2 (B) = µ(( \ A) B). µ( \ (A))
5 .. ABSOLUTE STETGKET 5 Dann gilt offensichtlich ν i ist invariant, denn z.b. für i = ist ν (f (B)) = µ(a f (B)) = µ(f (A) f (B)) = µ(f (A B)) = ν (B). Außerdem ist µ = ν + µ( \ A)ν 2. (.) Also ist µ in diesem Fall nicht ergodisch. Für die Rückrichtung benötigt man mehr Werkzeug. Ohne Beweis geben wir den berühmten Birkhoffschen Ergodensatz an. Satz..4 (Birkhoff) Gegeben sei ein Maßraum (X, A, µ) und eine Abbildung T : X X, welche maßerhaltend sei, f sei in L (X, µ). Dann existiert für fast alle x X der Grenzwert n lim f(t k x). n n k=0 Beweis. Katok, Hasselblatt S. 36. Benötigt den Satz von Radon-Nykodym. Aus diesem Satz folgt sofort die Existenz der Grenzwerte im folgenden Satz. Satz..5 Es sei f : von der Klasse C und µ sei ein f invariantes Wahrscheinlichkeitsmaß. Dann gilt. existiert µ fast überall. n lim ln df n n dx (f k (x)) 2. st µ ergodisch, dann ist der angegebene Grenzwert µ-fast überall ln df dx (x) dµ. k=0 Beispiel..6 Zeltabbildung: { 2x, für 0 x T x(= 2 2 2x, für < x 2 und das Lebesgue-Maß ist ein invariantes Maß.
6 6 KAPTEL. ERGODZTÄT f(x) = 4x( x). Ein invariantes Maß ist µ = h dλ, h = π x( x). Die Existenz invarianter Maße ist der Hintergrund von Untersuchungen mittels Histogrammen, zählen von Besuchswahrscheinlichkeiten für typische Punkte. Beispiele kann man leicht sehen. Anzahl der terationen ist wichtig für die Approximation an die Dichtefunktion. Definition..7 st f : von der Klasse C, und existiert ein ergodisches Maß, so heißt λ f = ϕ f (x) dµ Ljapunov-Exponent. Es gilt µ fast überall λ f = lim n n ln df n dx (x). Ansonsten spricht man auch von x abhängigen Ljapunov-Exponenten..2 Konjugation und Ljapunov-Exponenten Wie verhalten sich Ljapunov-Exponenten unter Konjugation?.3 Sensitive Abhängigkeit Die sensitive Abhängigkeit ist das was als Chaos bezeichnet wird. Allerdings gibt es keine einheitliche Definition von Chaos: mögliche Ansätze exponentielles Auseinanderlaufen benachbarter Trajektorien (im kleinen) auseinanderlaufen bis zu einem gewissen ε > 0. Definition.3.. f besitzt sensitive Abhängigkeit im Sinne von Li und Yorke, falls eine überabzählbare Menge X existiert mit: für alle x, y inx, x y ist lim inf n f ( x) f n (y) = 0 und lim sup f n (x) f n (y) > 0. n
7 .3. SENSTVE ABHÄNGGKET 7 2. (Guckenheimer) existiert S mit λ(s) > 0 und ein ε > 0, so dass für jedes x S und jede Umgebung U von x ein y U S und ein n N existiert, mit f n (x) f n (y) > ε. 3. (Ruelle) Falls ein ergodisches Maß existiert, so dass der zugehörige Ljapunov Exponent positiv ist.
Aufgaben 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.
MehrA. Maß- und Integrationstheorie
A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei
MehrBlockseminar Ergodentheorie und Dynamische Systeme
Blockseminar Ergodentheorie und Dynamische Systeme Partielle Hyperbolizität und 8.09.-12.09.08 1 Partielle Hyperbolizität 2 von Anosov-Diffeomorphismen Klassifikation dynamischer Systeme Wie verhält sich
MehrLösung 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,
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
Mehr1 falls x 2. falls x = 1 und. 0 falls x > 1. eine Lebesgue-integrierbare Majorante. Somit können wir den Satz von Lebesgue anwenden:
Lösungsvorschläge zur Klausur 045 Maß- und Integrationstheorie WS 205/6 Lösungsvorschlag zu Aufgabe Sei f n der Integrant 0 falls x > 2 und f n x) falls x 2. 3+sin 2n)+x x 4n Sein punktweiser Grenzwert
MehrSerie 2 Lösungsvorschläge
D-Math Mass und Integral FS 214 Prof. Dr. D. A. Salamon Serie 2 Lösungsvorschläge 1. Seien folgende Mengen gegeben: und für a, b R R := [, ] := R {, }, (a, ] := (a, ) { }, [, b) := (, b) { }. Wir nennen
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
Mehr2 Allgemeine Integrationstheorie
2 Allgemeine Integrationstheorie In diesem Abschnitt ist (,S,µ) ein Maßraum, und wir betrachten R immer mit der σ Algebra B(R). Ziel ist es, messbare Funktionen f : R zu integrieren. Das Maß µ wird uns
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
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:
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
MehrLehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 10.10.14 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß
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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiano Dr. M. Prähofer Zentralübung 38. Einschränkung eines Maßes TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 4 (Analysis 3) http://www.ma.tum.de/hm/ma9204
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
Mehr9. Übung zur Maß- und Integrationstheorie, Lösungsskizze Aufgaben
9. Übung zur aß- und Integrationstheorie, Lösungsskizze Aufgaben A 50 (Eine Flächenberechnung mit dem Cavalierischen Prinzip). Es seien a, b > 0 und : { (x, y) R 2 : (x/a) 2 + (y/b) 2 1 }. (a) Skizzieren
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
MehrSkript zur Vorlesung. Mass und Integral. Urs Lang. Sommersemester 2005 ETH Zürich
Skript zur Vorlesung Mass und Integral Urs Lang Sommersemester 2005 ETH Zürich Version vom 12. September 2006 Literatur [Rudin] W. Rudin, Real and Complex Analysis, Third Edition. McGraw-Hill Book Co.,
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
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
MehrAnalysis II - 1. Klausur
Analysis II -. Klausur Sommersemester 25 Vorname: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Analysis II -. Klausur 2.5.25 Aufgabe 2 Punkte Berechnen
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
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
MehrAnalysis 2. Vorlesungsausarbeitung zum SS von Prof. Dr. Klaus Fritzsche. Inhaltsverzeichnis
Bergische Universität Gesamthochschule Wuppertal Fachbereich Mathematik Analysis 2 Kapitel 3 Integrationstheorie Vorlesungsausarbeitung zum SS 2001 von Prof Dr Klaus Fritzsche Inhaltsverzeichnis 1 Maßtheorie
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
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
MehrKapitel 1. Holomorphe Funktionen
Kapitel 1 Holomorphe Funktionen Zur Erinnerung: I IR sei ein offenes Intervall, und sei z 0 I. Eine Funktion f : I IR heißt differenzierbar in z 0, falls der Limes fz fz 0 lim =: f z 0 z z 0 z z 0 existiert.
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:
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrMeßbare Funktionen. Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen.
Meßbare Funktionen Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen. Definition. Seien (X, Ω 1 ) und (Y, Ω 2 ) Meßräume. Eine Abbildung f : X Y heißt Ω 1 -Ω 2 -meßbar oder kurz
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
MehrEine Einführung in Young-Maße
Seminararbeit Eine Einführung in Young-Maße Im Rahmen des Seminars: Evolutionsgleichungen Universität Bielefeld Fakultät für Mathematik Betreut durch: Prof. Dr. Etienne Emmrich Vorgelegt von: Andrea Nickel
MehrMaßtheorie. Wie interpretiert man Volumenmessung? Ziel :
23 Maßtheorie Ziel : Entwicklung allgemeiner Konzepte, die es gestatten, z.b. Volumina und Oberflächen von Körpern R 3 sinnvoll zu definieren und zu berechnen; sinnvoll soll heißen : für den Einheitswürfel
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
MehrMaß- und Wahrscheinlichkeitstheorie
Skript zur Vorlesung Maß- und Wahrscheinlichkeitstheorie Robert Hable Christina Schneider Paul Fink * Wintersemester 2014/15 LMU München Institut für Statistik * Originalfassung Kapitel 1-10: Robert Hable
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
MehrUniversität Ulm Abgabe: Mittwoch,
Universität Ulm Abgabe: Mittwoch, 8.5.23 Prof. Dr. W. Arendt Jochen Glück Sommersemester 23 Punktzahl: 36+4* Lösungen Halbgruppen und Evolutionsgleichungen: Blatt 2. Sei X ein Banachraum und (T (t)) t
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrDynamische Risikomaße
Dynamische Risikomaße in der Unternehmenssteuerung Jochen Wolf FH Koblenz Ulm, 24.01.2012 Wolf FH Koblenz Dynamische Risikomaße Ulm, 24.01.2012 1 / 31 statische Risikomaße Agenda 1 statische Risikomaße
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrMaßtheorie. Skript zur Vorlesung von Prof. Dr. Michael Kohler. Sommersemester 2005 und Wintersemester 2005/2006
Maßtheorie Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2005 und Wintersemester 2005/2006 1 1 Grundbegriffe der Maßtheorie Ziel: Konstruktion von Maßzahlen (wie z. B. Länge / Fläche
MehrLösungsvorschläge 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),
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrFraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:
Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
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
MehrAnalysis III. Vorlesung 72. Korollar Es sei (M,A,µ) ein σ-endlicher Maßraum und v: M R n eine messbare Abbildung. Dann ist die Abbildung
Prof. Dr. H. Brenner Osnabrück WS 15/16 Analysis III Vorlesung 7 Korollar 7.1. Es sei (,A,µ) ein σ-endlicher aßraum und v: R n eine messbare Abbildung. Dann ist die Abbildung bijektiv und maßtreu. ϕ v
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrMaßtheorie für Partielle Differentialgleichungen
Maßtheorie für Partielle Differentialgleichungen Ben Schweizer TU Dortmund Material für das Sommersemester 2016 Version vom 9.8.2016 Inhaltsverzeichnis I. Allgemeine Maßtheorie 7 1. Maßräume 8 1.1. Definitionen
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
Mehr3 Messbare Funktionen
3. Messbare Funktionen 1 3 Messbare Funktionen Sei (, A, µ) ein beliebiger Maßraum. Definition. ine Funktion f : R = [, + ] heißt messbar (bezüglich A), falls die Menge {f < c} = {x : f(x) < c} = f 1 ([,
MehrPrimzahlen Primzahlsatz Satz von Szemerédi Verallg. von Green/Tao Anwendung. Arithmetische Progressionen von Primzahlen
Arithmetische Progressionen von Primzahlen Sei N := {1, 2, 3,... } die Menge der natürlichen Zahlen. Definition Eine Primzahl ist eine natürliche Zahl > 1, die nur durch 1 und durch sich selbst teilbar
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
MehrMaß- und Integrationstheorie
Maß- und Integrationstheorie Klaus Ritter Kaiserslautern, SS 2014 Literatur Insbesondere J. Elstrodt, Maß- und Integrationstheorie, Springer, Berlin, 1. Auflage 1996, 7. Auflage 2011. Vorkenntnisse Grundlagen
MehrFolgen, Reihen, Grenzwerte u. Stetigkeit
Folgen, Reihen, Grenzwerte u. Stetigkeit Josef F. Bürgler Abt. Informatik HTA Luzern, FH Zentralschweiz HTA.MA+INF Josef F. Bürgler (HTA Luzern) Einf. Infinitesimalrechnung HTA.MA+INF 1 / 33 Inhalt 1 Folgen
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 11. Oktober 2013 3 Fortsetzung von Prämassen zu Massen Der Begriff des Prämasses ist nicht ausreichend, um eine geschmeidige Integrationstheorie
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrKurzskript zur Maßtheorie (Teil der Vorlesung Analysis III, Wintersemester 2010/11, gehalten von D. Grieser)
Kurzskript zur Maßtheorie (Teil der Vorlesung Analysis III, Wintersemester 2010/11, gehalten von D. Grieser) 13. Januar 2011 Inhaltsverzeichnis Vorwort..................................................
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
MehrSkript zur Vorlesung Stochastik
Skript zur Vorlesung Stochastik Frühlingsemester 205 Prof. Benjamin Schlein Inhaltsverzeichnis Einführung 2. Zufallsexperimente und Glückspiele..................... 2.2 Wahrscheinlichkeitsräume und Wahrscheinlichkeitsmasse.........
MehrDas Lebesgue-Maß im R p
Das Lebesgue-Maß im R p Wir werden nun im R p ein metrisches äußeres Maß definieren, welches schließlich zum Lebesgue-Maß führen wird. Als erstes definieren wir das Volumen von Intervallen des R p. Seien
MehrKlausur Analysis II
WS 28/9 Prof. Dr. John M. Sullivan Kerstin Günther Technische Universität Berlin Fakultät II Institut für Mathematik Klausur Analysis II 6.2.28 Name: Vorname: Matr.-Nr.: Studiengang: Mit der Veröffentlichung
MehrPartielle Differentialgleichungen Kapitel 11
Partielle Differentialgleichungen Kapitel Die Laplace- und Poisson- Gleichungen Die Struktur bei elliptischen Gleichungen zweiter Ordnung ist nicht wesentlich verschieden bei Operatoren mit konstanten
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,
MehrFourierreihen. Die erste dieser Aussagen folgt direkt aus der Definition. Für die zweite bemerken
Fachbereich Mathematik SS 0 J. Latschev Analysis II Fourierreihen In diesem Kapitel der Vorlesung widmen wir uns der Frage, inwieweit man jede periodische Funktion als Reihe in gewissen Standardfunktionen
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
MehrFAKULTÄT FÜR MATHEMATIK UND INFORMATIK DIPLOMARBEIT. Titel der Diplomarbeit. Rundum das Benfordsche Gesetz. Verfasser. Nico Uhlig
FAKULTÄT FÜR MATHEMATIK UND INFORMATIK DIPLOMARBEIT Titel der Diplomarbeit Rundum das Benfordsche Gesetz Verfasser Nico Uhlig angestrebter akademischer Grad Diplom Mathematiker Leipzig, Januar 25 Studiengang:
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
MehrKapitel 19. Das Lebesgue Maß σ Algebren und Maße
Kapitel 19 Das Lebesgue Maß 19.1 σ Algebren und Maße 19.2 Das äußere Lebesgue Maß 19.3 Das Lebesgue Maß 19.4 Charakterisierungen des Lebesgue Maßes 19.5 Messbare Funktionen 19.1 σ Algebren und Maße Wir
MehrINTEGRATIONSTHEORIE. Wolfgang Hackenbroch
INTEGRATIONSTHEORIE Wolfgang Hackenbroch VORWORT Dies ist die Ausarbeitung einer zweistündigen Begleitvorlesung zur Einführung in die Wahrscheinlichkeitstheorie, wie ich sie in den letzten Jahren wiederholt
MehrKapitel 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
Mehr1 Relevante Beispiele für Verteilungen auf R
Prof. Dr. H. Zähle Vorlesung Sachversicherungsmathemati, Anlage 1 Universität des Saarlandes, SS 2010 1 Relevante Beispiele Verteilungen auf R Wir bezeichnen die Menge aller W-Maße auf (R, B(R)) mit M
MehrHäufungspunkte und Satz von Bolzano und Weierstraß.
Häufungspunkte und Satz von Bolzano und Weierstraß. Definition: Sei (a nk ) k N eine konvergente Teilfolge der Folge (a n ) n N.Dannwirdder Grenzwert der Teilfolge (a nk ) k N als Häufungspunkt der Folge
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrMaßtheoretische Konzepte der Stochastik
Maßtheoretische Konzepte der Stochastik Sommersemester 2016 Mathias Trabs Universität Hamburg 17. November 2016 Inhaltsverzeichnis 1 Wozu brauchen wir Maßtheorie? in Beispiel. 2 2 σ-algebren und Maße 4
MehrDie Veech-Alternative
Die Veech-Alternative Christian Weiß Freiburg, den 3. Mai 2011 Zusammenfassung Es wird eine kurze Einführung in die Dynamik von Billardtischen gegeben und gezeigt wie man dadurch auf den Begriff der Translationsfläche
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrLösung zu Kapitel 5 und 6
Lösung zu Kapitel 5 und 6 (1) Sei f eine total differenzierbare Funktion. Welche Aussagen sind richtig? f ist partiell differenzierbar f kann stetig partiell differenzierbar sein f ist dann immer stetig
MehrAnalysis 3. Vorlesungsskript Wintersemester 2011/12. Bernd Schmidt. Version vom 16. Februar 2012
Analysis 3 Vorlesungsskript Wintersemester 2011/12 Bernd Schmidt Version vom 16. Februar 2012 Institut für Mathematik, Universität Augsburg, Universitätsstr. 14, 86135 Augsburg, bschmidt@math.uni-augsburg.de
MehrMaß & Integral de Gruyter Lehrbuch, Berlin 2015 ISBN:
Maß & Integral de Gruyter Lehrbuch, Berlin 205 ISBN: 978 3 03484 9 Lösungshandbuch René L. Schilling & Franziska Kühn Dresden, Januar 205 Diese Version: Februar 206 R.L. Schilling: Maß & Integral Dank.
MehrÜbersicht Wahrscheinlichkeitsheorie
Übersicht Wahrscheinlichkeitsheorie Gunther Leobacher und Friedrich Pillichshammer Universität Linz, Institut für Finanzmathematik, Altenbergerstrasse 69, 4040 Linz, Austria E-mail: gunther.leobacher@jku.at,
MehrAnalysis III. Inhaltsverzeichnis. Martin Brokate. 1 Maße 1. 2 Das Lebesgue-Integral Normierte und metrische Räume 38
Analysis III Martin Brokate Inhaltsverzeichnis 1 Maße 1 2 Das Lebesgue-Integral 26 3 Normierte und metrische Räume 38 4 Konvergenzsätze und L p -Räume 48 5 Mehrfachintegrale, Satz von Fubini 63 6 Metrische
Mehr