Satz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
|
|
- Thomas Esser
- vor 7 Jahren
- Abrufe
Transkript
1 Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz der großen Zahlen 1
2 Limes inferior von Mengen Sei (A n ) n N eine Folge von Mengen. Wir bilden die Menge aller Elemente, die in fast allen A i enthalten sind, d.h. diese Elemente sind (höchstens) in nur endlich vielen A i nicht enthalten. A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10 A 11 A 12 A 13 A 14 A 15 A 16 a / a / a /... Diese Menge wird mit liminf A n bezeichnet. Da ein Element a dieser Menge in nur endlich vielen A i nicht enthalten ist, gibt es eine Stelle n (hier 8), so dass für alle k n gilt: a A k. Damit liegt a im Durchschnitt a A k. Werden alle Stellen berücksichtigt, so erhalten wir lim inf A n = A k. Die Umkehrung ist noch zu zeigen. Sei also a A k. Dann gibt es ein n mit a A k. Ab der Stelle n gilt daher a A k. Für 1 k < n (endl. viele) wissen wir nichts. Jedenfalls ist a in fast allen A i enthalten. 2
3 Limes superior von Mengen Sei (A n ) n N eine Folge von Mengen. Wir bilden die Menge aller Elemente, die in unendlich vielen A i enthalten sind. Zwei Beispiele: A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10 A 11 A 12 A 13 A 14 A 15 A 16 a / a / a /... A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10 A 11 A 12 A 13 A 14 A 15 A 16 a a a a a a a a... Diese Menge wird mit limsupa n bezeichnet. Offensichtlich gilt: lim inf A n limsupx n, denn wenn a in nur endlich vielen A i nicht enthalten ist, dann ist es in unendlich vielen A i enthalten. Sei das Element a in unendlich vielen A i enthalten. Wie kann das ohne unendlich formuliert werden? Zu jeder Stelle n gibt es ein k n mit a A k. Zu jeder Stelle n ist a A k und damit a Die Umkehrung liegt auf der Hand. A k. Zusammengefasst: lim inf A n = lim supa n = A k A k Die Elemente sind in nur endlich vielen A i nicht enthalten. Die Elemente sind in unendlich vielen A i enthalten. 3
4 Stetigkeit Für beliebige endliche oder unendliche Folgen A 1,A 2,A 3,... folgt aus den Kolmogoroff-Axiomen: P( n A n ) n P(A n ) Falls A 1 A 2 A 3..., so gilt: P( A n )= lim P(A n) Stetigkeit von unten Falls A 1 A 2 A 3..., so gilt: P( A n )= lim P(A n) Stetigkeit von oben 4
5 Borel-Cantelli Sei (A n ) n N eine Folge von Ereignissen. lim supa n = A k B n ist das Ereignis, dass unendlich viele der A n s eintreten. B 1 B 2 B 3 B 4... Dann gilt: P(A n ) < = P(limsupA n ) = 0 P(limsupA n ) = P( B n )= lim P(B n) P(B n ) Stetigkeit von oben P(A n ) 0 Wenn die Summe der Wahrscheinlichkeiten einer Folge von Ereignissen endlich ist, dann treten fast sicher nur endlich viele Ereignisse ein. 5
6 Borel-Cantelli Sei (A n ) n N eine Folge von unabhängigen Ereignissen. lim supa n = A k ist das Ereignis, dass unendlich viele der A n s eintreten. Dann gilt: P(A n ) = = P(limsupA n ) = 1 Wir betrachten das Gegenereignis. P(limsupA n ) = P( A k ) P( A k ) (1 P(A k )) exp( P(A k )) = 0 1 x e x Summe divergiert Wenn die Summe der Wahrscheinlichkeiten einer Folge von unabhängigen Ereignissen unendlich ist, dann treten fast sicher auch unendlich viele Ereignisse ein. Das Resultat überrascht nicht. 6
7 Borel-Cantelli Beispiel Wir betrachten ein unendlich oft wiederholtes Bernoulli-Experiment mit Erfolgswahrscheinlichkeit p (0,1). Betrachte die Ereignisse A n = Erfolg bei Experiment n. Es ist P(A n ) =. Da die Ereignisse A 1,A 2,... unabhängig sind, folgt P(limsupA n ) = 1. In Worten: Die Wahrscheinlichkeit, dass man in einem unendlich oft wiederholten Bernoulli- Experiment unendlich viele Erfolge (analog unendlich viele Misserfolge) erzielt, ist 1. P(liminf A n) = P( Ab einer Stelle nur noch Erfolge ) = P( Nur endlich viele Misserfolge ) = 1 P( Unendlich viele Misserfolge ) = 0 7
8 Konvergenz von Zufallsvariablen Jakob Bernoulli fand um 1685 das Gesetz der großen Zahlen. P( X n p < ε) 1 p q n ε 2 Die Wahrscheinlichkeit, dass die relative Häufigkeit nur um einen beliebig kleinen Wert ε von der tatsächlichen Wahrscheinlichkeit p abweicht, strebt mit wachsendem Stichprobenumfang n gegen 1 (siehe Tschebyscheff sche Ungleichung). Dies führt zur 1. Definition X n P X Eine Folge von Zufallsvariablen X 1,X 2,... : Ω R konvergiert stochastisch gegen eine Zufallsvariable X, wenn für alle ε > 0 gilt: lim P({ω Ω: X n(ω) X(ω) ε})= 1 Daneben wird die punktweise Konvergenz auf Ω, von einer Nullmenge abgesehen, untersucht. 2. Definition X n f.s. X Eine Folge von Zufallsvariablen X 1,X 2,... : Ω R konvergiert fast sicher gegen eine Zufallsvariable X, wenn gilt: P({ω Ω: lim X n(ω) = X(ω)})= 1 In der 1. Definition wird ein Grenzwert einer Folge von Wahrscheinlichkeiten betrachtet, in der 2. die Wahrscheinlichkeit eines Ereignisses. Aus der fast sicheren Konvergenz folgt die stochastische Konvergenz. Die Umkehrung gilt nicht. Man betrachte hierzu eine unabhängige Folge: X n = { 1 mit Wahrscheinlichkeit n 1 0 mit Wahrscheinlichkeit 1 n 1 Dann ist P( X n 0 ε)= 1 n 1 P, daher X n 0. f.s. Nach dem Satz von Borel-Cantelli ( P(A n ) =, harmonische Reihe) kann nicht X n 0 gelten, da die 1 in fast jeder Folge unendlich mal auftritt. In der Literatur sind die Gegenbeispiele nicht so einfach. Ich bin mir nicht sicher, ob ich nicht etwas übersehen habe. 8
9 Aus der fast sicheren Konvergenz folgt die stochastische Konvergenz. Für alle ε > 0 gilt: 1 = P({ω Ω: lim X n(ω) = X(ω)}) = P( m N n m {ω Ω: X n (ω) X(ω) ε} ) siehe liminf in nur endlich vielen nicht enthalten A n = lim P( n ) Stetigkeit von unten m n ma n 1A n n 2A n A n... n 3 lim m P(A m) 1 9
10 Kolmogorow-Ungleichung Für eine Folge (X n ) n unabhängiger Zufallsvariablen mit E[X n ]= 0 gilt für jedes ε > 0: P( max 1 k n S k ε) 1 ε 2 Var[X k ] S k bezeichnet dabei die k-te Partialsumme k X i. i=1 Setze A 1 = { S 1 ε} A 2 = { S 1 ε, S 2 ε} A 3 = { S 1 ε, S 2 ε, S 3 ε}... A n = { S 1 ε, S 2 ε,..., S n 1 ε, S n ε} Diese Ereignisse sind paarweise disjunkt und es gilt: n A k = { max S k ε} 1 k n Beachte nun, dass für jedes k die Zufallsgrößen 1 Ak S k und S n S k = n i=k+1 X i unabhängig sind, denn 1 Ak S k hängt nur von X 1,X 2,...,X k ab und S n S k nur von X k+1,...,x n. Damit gilt für alle k: E[1 Ak S k (S n S k )]= E[1 Ak S k ] E[(S n S k )] = 0 = 0 Folglich gilt: Var[X k ] = Var[ E[ X k ] = Var[S n ] = E[Sn] 2 E[S n ] 2 = 0 1 Ak Sn] 2 = E[1 Ak Sn] 2 beachte n A k Ω = E[1 Ak (S k +(S n S k )) 2 ] (E[1 Ak Sk]+2E[1 2 Ak S k (S n S k )]) = 0 = ε 2 P(A k ) = ε 2 P( n 10 E[1 Ak ε 2 ] A k ) = ε 2 P( max 1 k n S k ε)
11 Tschebyschow-Ungleichung Die Kolmogorow-Ungleichung ist natürlich eine Erweiterung der Tschebyschow-Ungleichung. Sei X eine Zufallsvariable mit E[X]= 0. Sei A = { X ε} Folglich gilt: Var[X] = E[X 2 ] E[X] 2 = 0 E[1 A X 2 ] beachte A Ω E[1 A ε 2 ] = ε 2 E[1 A ] = P(A) und damit P( X ε) 1 ε 2 Var[X] 11
12 Konvergenzkriterium Das folgende Konvergenzkriterium ist ein nützliches Hilfsmittel beim Beweis tieferliegender Grenzwertsätze. Sei Y n = sup X k X. k n f.s. Es gilt X n X genau dann, wenn Y P n 0. = Sei A ε = limsup{ X n X ε}. Für diese Elemente ω gilt unendlich oft X n (ω) X(ω) ε, X n (ω) konvergiert also nicht gegen X. P(A ε ) = lim { X k X ε})= lim P(sup X k X ε)= 0 siehe Seite 5 k n Y n Für jedes ε ist also P(A ε ) = 0. P( P({ω Ω: X n (ω) X(ω)})= P( m=1 A 1/m ) P(A 1/m ) = 0 m=1 = Aus der Konvergenz von X n (ω) gegen X(ω) folgt (direkt) die Konvergenz von Y n (ω) gegen 0. Es wurde schon gezeigt (Seite 9), dass die fast sichere Konvergenz die stochastische impliziert. Alternativ kann mit P(A ε ) = 0 und argumentiert werden. 12
13 Konvergenzkriterium Sei (X n ) n eine Folge unabhängiger Zufallsvariablen mit E[X n ]= 0. Es gelte Dann konvergiert S n = X i fast sicher. i=1 Var[X n ]<. (S n ) n konvergiert fast sicher genau dann, wenn (S n ) n mit Wahrscheinlichkeit 1 eine Cauchy-Folge ist. Dies gilt genau dann, wenn für jedes ε 0 P(sup S n+k S n ε) 0. k 1 Siehe vorige Seite. P(sup S n+k S n ε) = lim P( max S n+k S n ε) k 1 m 1 k m Kolmogorow-Ungleichung n+m 1 lim m ε 2 +1 Var[X k ] = 1 ε 2 Var[X k ] +1 Die Konvergenz beider Seiten gegen 0 für n ist nun zu erkennen. 13
14 Konvergenzkriterium Kolmogorow Sei (X n ) n eine Folge unabhängiger Zufallsvariablen. Es gelte lim 1 n (X i E[X i ]) = 0 fast sicher i=1 Var[X n] n 2 <. Dann gilt: Ohne Einschränkung sei E[X i ]= 0 für i N. Setze Y i = X i i, dann gilt: Var[Y n ] = Var[X n] n 2 < Setze weiter S n = Y i. i=1 Mit obigem Konvergenzkriterium konvergiert S n fast sicher und mit dem Satz von Kronecker folgt: lim 1 n X i = 0 fast sicher i=1 Starkes Gesetz der großen Zahlen Sei (X n ) n eine Folge unabhängiger Zufallsvariablen mit E[X n ]= µ. Dann gilt: X i = µ fast sicher lim 1 n i=1 Das arithmetische Mittel der Zufallsvariablen konvergiert fast sicher gegen den Erwartungswert. Beachte: 1 n 2 < Quotientenkriterium 14
15 Startseite 15
13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
MehrGesetz der großen Zahlen
Gesetz der großen Zahlen Marie Reichstein Technische Universität Wien 19. Jänner 2012 Übersicht Geschichte Fragestellung schwaches Gesetz der großen Zahlen starkes Gesetz der großen Zahlen Null-Eins-Gesetze
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
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
MehrKap. 10: Folgen und Reihen. Eine Funktion a : N Ñ R
Definition: Zahlenfolge Kap. 10: Folgen und Reihen 10.1 Definition: Zahlenfolge Eine Funktion a : N Ñ R poder Cq heißt reelle (oder komplexe) Zahlenfolge. Man nennt a n apnq das n-te Folgenglied und schreibt
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........................
MehrFolgen und Reihen. 1 Konvergenz
Folgen und Reihen Man betrachte viele Zahlen hintereinander geschrieben. Solche Folgen von Zahlen können durch nummeriert werden. Es entsteht eine Zuordnung der natürlichen Zahlen zu den Gliedern der Folge.
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 2. Folgen Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies Grundlagen Mathematik
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrFerienkurs Analysis 1, SoSe Unendliche Reihen. Florian Beye August 15, 2008
Ferienkurs Analysis 1, SoSe 2008 Unendliche Reihen Florian Beye August 15, 2008 1 Reihen und deren Konvergenz Definition 1.1. Eine reelle bzw. komplexe Reihe ist eine unendliche Summe über die Glieder
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
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
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
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
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
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
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
MehrINGENIEURMATHEMATIK. 8. Reihen. Sommersemester Prof. Dr. Gunar Matthies
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 8. Reihen Prof. Dr. Gunar Matthies Sommersemester 2016 G. Matthies Ingenieurmathematik
MehrGESETZ VOM ITERIERTEN LOGARITHMUS
KAPITEL 19 GESETZ VOM ITERIERTEN LOGARITHMUS Eines der Hauptanliegen der Wahrscheinlichkeitstheoretiker war seit jeher das Studium der Fluktuationen von geeignet normierten) Summen S n = X 1 + + X n, deren
MehrD-INFK Analysis I FS 2017 Prof. Dr. Özlem Imamoglu. MC-Fragen Serie 1. Einsendeschluss: Freitag, der :00 Uhr
D-INFK Analysis I FS 2017 Prof. Dr. Özlem Imamoglu MC-Fragen Serie 1 Einsendeschluss: Freitag, der 26.09.2014 12:00 Uhr 1. Welche der folgenden Aussagen sind richtig? (a) Eine divergente Folge ist nicht
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrVorlesung: Analysis I für Ingenieure
Vorlesung: Analysis I für Ingenieure Dozent: Dr. Michael Karow Thema: unendliche Reihen Definition. Eine unendliche Reihe ist der Grenzwert einer Folge von Summen: a k = lim k a k, wobei a k C. Falls der
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
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
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
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
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
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr3.3 Konvergenzkriterien für reelle Folgen
3.3 Konvergenzkriterien für reelle Folgen Satz: Eine monoton wachsende, nach oben beschränkte reelle Folge a n ) n N ist konvergent mit Grenzwert lim a n = sup{a n n N} Beweis: Sei a n ) n N nach oben
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
Mehr10 Kriterien für absolute Konvergenz von Reihen
10 Kriterien für absolute Konvergenz von Reihen 10.1 Majoranten- und Minorantenkriterium 10.3 Wurzelkriterium 10.4 Quotientenkriterium 10.9 Riemannscher Umordnungssatz 10.10 Äquivalenzen zur absoluten
Mehrheißt Exponentialreihe. Die durch = exp(1) = e (Eulersche Zahl). n! + R m+1(x) R m+1 (x) = n! m m + 2
9 DIE EXPONENTIALREIHE 48 absolut konvergent. Beweis. Wegen x n+ n! n + )!x n = x n + < 2 für n 2 x folgt dies aus dem Quotientenkriterium 8.9). Definition. Die Reihe x n heißt Exponentialreihe. Die durch
MehrSatz 61 (Chebyshev-Ungleichung)
Die folgende Abschätzung ist nach Pavnuty Lvovich Chebyshev (1821 1894) benannt, der ebenfalls an der Staatl. Universität in St. Petersburg wirkte. Satz 61 (Chebyshev-Ungleichung) Sei X eine Zufallsvariable,
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.
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 5 n (Konvergenz, LLN) 5.1 Konvergenzarten In der WT gibt es viele Konvergenzarten für Folgen von Zufallsgrössen. Sie haben alle ihre Berechtigung. In der
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
MehrErwartungswert. j=1. Beweis. Wegen der Voraussetzung nimmt die Zufallsvariable X nur endlich
Erwartungswert Naiv stellt man sich unter dem Erwartungswert einer Zufallsvariablen X Folgendes vor. Man führt das Experiment n-mal durch und bestimmt den Mittelwert (arithmetisches Mittel) der dabei für
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
VARIOUS KINDS OF CONVERGENCES OF SEQUENCES OF RANDOM VARIABLES 10 Dezember, 2012 1 Bekannte Konvergenzarten 2 3 1 Bekannte Konvergenzarten 2 3 Wahrscheinlichkeitsraum Im Folgenden betrachten wir immer
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
Mehr1 Reihen von Zahlen. Inhalt:
5 Kapitel 3 Reihen Reihen von Zahlen Inhalt: Konvergenz und Divergenz von Reihen reeller oder komplexer Zahlen, geometrische Reihe, harmonische Reihe, alternierende Reihen. Cauchy-Kriterium, absolute Konvergenz,
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrDIE SPRACHE DER WAHRSCHEINLICHKEITEN
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
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
MehrMusterlösung Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist
MehrFolgen, Reihen, Potenzreihen, Exponentialfunktion
Ferienkurs Seite 1 Technische Universität München Ferienkurs Analysis 1 Hannah Schamoni Wintersemester 2011/12 Folgen, Reihen, Potenzreihen, Exponentialfunktion 20.03.2012 Inhaltsverzeichnis 1 Folgen 2
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 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
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
MehrDenition 57 Eine geometrisch verteilte Zufallsvariable X mit Parameter (Erfolgswahrscheinlichkeit) p 2 (0; 1] und q := 1 p hat die Dichte
5.3 Geometrische Verteilung Man betrachte ein Experiment, das so lange wiederholt wird, bis Erfolg eintritt. Gelingt ein einzelner Versuch mit Wahrscheinlichkeit p, so ist die Anzahl der Versuche bis zum
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
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. 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).
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:
Mehr3. Folgen und Reihen. 3.1 Folgen und Grenzwerte. Denition 3.1 (Folge) Kapitelgliederung
Kapitelgliederung 3. Folgen und Reihen 3.1 Folgen und Grenzwerte 3.2 Rechenregeln für konvergente Folgen 3.3 Monotone Folgen und Teilfolgen 3.4 Ein Algorithmus zur Wurzelberechnung 3.5 Reihen 3.6 Absolut
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrFolgen und Reihen. Beschränkte Folge: Es gibt eine Zahl c = const.
Folgen und Reihen Folgen: Def.: Eine Abbildung a N K, n a(n) := a n (K = R C) wird Zahlenfolge genannt. Sie heißt reelle (komplexe) Zahlenfolge, falls K = R(C) ist. Symbole: a n K: Elemente der Folge,
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
Mehrn=1 a n mit reellen Zahlen a n einen
4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die
3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die eindeutig den natürlichen Zahlen zugeordnet sind ( n N, auch
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
Mehrx k = s k=1 y k = y konvergent. Dann folgt (cx k ) = cx für c K. Partialsummenfolge konvergiert
4 Reihen Im Folgenden sei K R oder K C. 4. Definition. Es sei (x k ) Folge in K. Wir schreiben x k s und sagen, die Reihe x k konvergiere, falls die sogenannte Partialsummen-Folge s n x k n, 2,... in K
Mehr5. Reihen. k=1 x k = s. Oft startet man die Folge/Reihe auch bei k =0oder einem anderen Wert. Für Konvergenzfragen macht das keinen Unterschied.
5 5. Reihen Im Folgenden sei X K n oder ein beliebiger K-Vektorraum mit Norm. 5.. Definition. Es sei (x k ) Folge in X. DieFolge n s n x k n,,... der Partialsummen heißt (unendliche) Reihe und wird mit
MehrKonvergenz und Divergenz einer unendlichen Reihe. 5-E Ma 2 Lubov Vassilevskaya
Konvergenz und Divergenz einer unendlichen Reihe 5-E Ma 2 Lubov Vassilevskaya Folgen und Reihen: Beispiele Unter dem Bildungsgesetz einer unendlichen Reihe n i= versteht man einen funktionalen Zusammenhang
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.
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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........................
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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,
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehra 0, a 1, a 2, a 3,... Dabei stehen die drei Pünktchen für unendlich oft so weiter.
7 Folgen 30 7 Folgen Wir betrachten nun (unendliche) Folgen von Zahlen a 0, a, a 2, a 3,.... Dabei stehen die drei Pünktchen für unendlich oft so weiter. Bezeichnung Wir bezeichnen mit N die Menge der
Mehr3.3. KONVERGENZKRITERIEN 67. n+1. a p und a n. beide nicht konvergent, so gilt die Aussage des Satzes 3.2.6
3.3. KONVERGENZKRITERIEN 67 und l n+1 wiederum als kleinsten Wert, so dass A 2n+2 = A 2n+1 + l n+1 k=l n < A. Alle diese Indizes existieren und damit ist eine Folge {A k } k N definiert. Diese Folge konvergiert
MehrHM I Tutorium 5. Lucas Kunz. 24. November 2016
HM I Tutorium 5 Lucas Kunz 24. November 206 Inhaltsverzeichnis Theorie 2. Definition einer Reihe.............................. 2.2 Wichtige Reihen................................. 2.3 Limites inferior
Mehr