Das Limesverhalten des rechtesten Teilchens in der inhomogenen verzweigenden Brownschen Bewegung
|
|
- Johann Burgstaller
- vor 7 Jahren
- Abrufe
Transkript
1 Diplomarbeit Das Limesverhalten des rechtesten Teilchens in der inhomogenen verzweigenden Brownschen Bewegung Sebastian Dartmann Juli 007 Fachbereich Mathematik der Westfälischen Wilhelms-Universität Münster Betreuer: Prof. Dr. Gerold Alsmeyer
2
3 Inhaltsverzeichnis Einleitung 1 1 Stochastische Grundlagen und die Brownsche Bewegung Stochastische Grundlagen Die Brownsche Bewegung Punktprozesse 9.1 Darstellung von Punktprozessen Definition und Charakterisierung von Punktprozessen Der Poissonsche Punktprozess Punktprozesse auf R d Die verzweigende Brownsche Bewegung Modellbildung Modellbeschreibung Modellbeschreibung Die homogene verzweigende Brownsche Bewegung Die inhomogene verzweigende Brownsche Bewegung Die Poissonsche Flutwelle Ein Spezialfall Die Verzweigungsfunktion mit kompaktem Träger Der allgemeine Fall Literaturverzeichnis 57 i
4
5 Einleitung In ihrem Artikel Traveling Waves in Inhomogeneous Branching Brownian Motions. I vgl. [Lal]) beschäftigen sich S. Lalley und T. Sellke mit der folgenden Problemstellung. Sie betrachten ein System von Teilchen, welches sich zum Beispiel auf die folgende Weise ergibt: Ein Ursprungsteilchen startet zur Zeit 0 im Punkt 0 und führt eine Brownsche Bewegung aus. Dieses Teilchen teilt sich nach einer - durch eine Reproduktionsregel festgelegten - Zeit in zwei Teilchen. Beide Teilchen führen nun unabhängig voneinander eine Brownsche Bewegung aus und teilen sich wieder nach der durch die Reproduktionsregel bestimmten Reproduktionszeit in jeweils zwei Teilchen. Dieser Vorgang wird nun von allen entstehenden Teilchen immer weiter wiederholt und so entstehen unendlich viele Teilchen, die alle unabhängig voneinander eine Brownsche Bewegung ausführen. Der so definierte Prozess heißt verzweigende Brownsche Bewegung. S. Lalley und T. Sellke befassen sich in ihrem Artikel speziell mit der sogenannten inhomogenen verzweigenden Brownschen Bewegung, die durch eine bestimmte Reproduktionsregel definiert wird. Dabei widmen sie sich vor allem der Frage, wie sich die Position des zum Zeitpunkt t rechtesten Teilchens - bezeichnet mit R t - für t verhält. In dieser Arbeit wollen wir nun Antworten auf diese Frage finden. Dazu führen wir im ersten Kapitel den Begriff der Brownschen Bewegung ein und zeigen einige Eigenschaften dieses Prozesses. Zum Beispiel beweisen wir, dass eine Brownsche Bewegung ein homogener Markov-Prozess ist. Im zweiten Kapitel beschäftigen wir uns dann mit der Theorie der Punktprozesse und betrachten verschiedene Sichtweisen von Punktprozessen. Nachdem wir gezeigt haben, dass diese unterschiedlichen Sichtweisen äquivalent sind, betrachten wir danach speziell den Poissonschen Punktprozess und Punktprozesse auf R d. Im letzten Kapitel gehen wir dann auf die eigentliche Frage ein und werden diese auch zufriedenstellend beantworten können, indem wir Hilfsprozesse sogenannte Poissonsche Flutwellen definieren. Mit deren Hilfe lässt sich das Verhalten von R t für t bestimmen und es ergibt sich, dass für alle x R lim t P R t ) t + x = E exp W γe λ 0 x 1
6 für geeignete positive Konstanten λ 0, γ und eine Zufallsgröße Z gilt. Für die Betreuung während der Entstehungsphase möchte ich Herrn Prof. Dr. G. Alsmeyer danken. Außerdem gilt mein Dank Frau Mareike Assink, die mir beim Korrekturlesen meiner Arbeit behilflich war. Münster, 31. Juli 07
7 Kapitel 1 Stochastische Grundlagen und die Brownsche Bewegung Im ersten Abschnitt dieses Kapitels werden wir an einige Grundbegriffe aus der Prozesstheorie erinnern. Im zweiten Abschnitt werden wir dann die Brownsche Bewegung einführen und uns dabei vornehmlich an [Bor],[Fah] und [Par] halten. Im Folgenden seien stets ein W-Raum Ω, A, P ) und eine Menge T R gegeben. 1.1 Stochastische Grundlagen Wir erinnern zuerst daran, dass eine Filtration von Ω, A, P ) eine aufsteigende Folge F t ) t T von Unter-σ-Algebren von A ist. Weiter nennt man gegeben einen stochastischen Prozess X t ) t T die Folge F X t, definiert durch F X t := σx s, s T, s t). die kanonische Filtration von X t ) t T. Außerdem sagt man, dass X t ) t T einer Filtration G t ) t T adaptiert ist, wenn für alle t T bzgl. F X t G t gilt. Nun wollen wir noch an den Begriff eines Martingals erinnern: Definition Sei X = X t ) t T ein bzgl. einer Filtration G = G t ) t T adaptierter stochastischer Prozess mit E X t < für alle t T. Dann heißt X i) Submartingal bzgl. G, falls EX t G s ) X s fast sicher für alle s, t T mit s t gilt, 3
8 ii) Supermartingal bzgl. G, falls EX t G s ) X s fast sicher für alle s, t T mit s t gilt, iii) Martingal bzgl. G, falls X sowohl Submartingal als auch Supermartingal bzgl. G ist. Falls G die kanonische Filtration von X ist, so wird auf den Zusatz bzgl. G verzichtet. Zum Schluss dieses Abschnitts geben wir die Doobsche Maximalungleichung an, die wir benötigen werden, um das starke Gesetz der großen Zahlen für Brownsche Bewegungen zu beweisen. Lemma vgl. [Kar], Theorem 3.8 in Chapter 1) Sei X = X t ) t 0 ein rechtsseitig stetiges Submartingal. Weiter seien [σ, τ] ein Teilintervall von [0, ) und p > 1. Dann gilt E ) p sup X t σ t τ p p 1 1. Die Brownsche Bewegung ) p E X p τ ). In diesem Abschnitt wollen wir nun die Definition und einige Eigenschaften der Brownschen Bewegung die in der Literatur häufig auch als Wiener Prozess bezeichnet wird) angeben. Wir beginnen mit der Definition: Definition Seien k, x R. Ein stochastischer Prozess B t ) t k mit Zustandsraum R heißt in x startende Brownsche Bewegung auf Ω, A, P ) mit Startzeit k, wenn folgende Eigenschaften gelten: i) B k = x fast sicher ii) Die Abbildung [k, ) s B s R ist fast sicher stetig. iii) Für alle n N und k = t 0 < t 1 <... < t n sind B tn B tn 1,..., B t1 B t0 unabhängige und normalverteilte Zuwächse mit E B ti B ti 1 ) = 0 und V ar B ti B ti 1 ) = ti t i 1 1 i n). Man erhält leicht folgendes Ergebnis: 1..1) Korollar 1... vgl. [Bor], Chapter IV,) Seien B t ) t k eine in 0 startende Brownsche Bewegung mit Startzeit k und x R. Dann ist B t + x) t k eine in x startende Brownsche Bewegung mit Startzeit k. 4
9 Wir betrachten im Folgenden in 0 startende Brownsche Bewegungen auf Ω, A, P ) mit Startzeit 0 und bezeichnen diese einfach als standard) Brownsche Bewegungen. Die Ergebnisse, die wir für diese erhalten, lassen sich dann leicht verallgemeinern. Zuerst erinnern wir daran, dass ein stochastischer Prozess X t ) t T Prozess mit stationären Zuwächsen heißt, wenn für alle h > 0 und für alle s, t T mit s < t P X t+h X s+h = P Xt Xs gilt. Wir erhalten dann: Lemma hphantoma Eine Brownsche Bewegung B = B t ) t 0 ist ein Prozess mit stationären Zuwächsen. Beweis. Die Behauptung folgt direkt aus der Tatsache, dass P B t+h B s+h für alle h > 0 und 0 s < t < eine N0, t s)-verteilung ist. Es gilt weiter Lemma Sei B = B t ) t 0 eine Brownsche Bewegung. Dann ist B ein Martingal. Beweis. Seien 0 s < t <, n N und 0 < s 1 <... < s n = s beliebig gewählt. Da B 0, B s1 B 0,..., B sn B sn 1 nach Definition stochastisch unabhängig sind, ist die σ-algebra σ B 0, B s1,..., B sn ) = σ ) B 0, B s1 B 0,..., B sn B sn 1 unabhängig von B t B s. Die Vereinigung aller σ-algebren dieser Art bei festen 0 s < t < ) bezeichnen wir mit E. E ist -stabil und es gilt außerdem σ E) = F B s. Weiter bezeichne D die Menge aller Elemente von FB s, die unabhängig von B t B s sind. Dann ist D ein Dynkin-System, welches E enthält. Also folgt mit dem Dynkin-System-Argument D = F B s. Insgesamt erhalten wir nun für alle 0 s t < E ) B t B s F B s = E Bt B s ) = 0. Aus diesem Lemma folgt nun das starke Gesetz der großen Zahlen für die Brownsche Bewegung. 5
10 Satz vgl. [Kar], Problem 9.3 in Chapter ) Sei B = B t ) t 0 eine Brownsche Bewegung. Dann gilt lim t B t t = 0 fast sicher 1..) Beweis. Wir erhalten unter Benutzung der Doobschen Maximalungleichung Lemma 1.1.) und Korollar 19.4a) aus [Als], dass für alle 0 < σ < τ < ) ) ) E sup σ t τ Bt t 1 σ E sup σ t τ = 1 σ E sup σ t τ B t = 1 σ E sup σ t τ 4 σ E B τ ) = 4 σ E B τ B t ) ) = 4τ σ ) ) B t 1..3) gilt. Wählt man nun τ = n+1 = σ für ein festes n N für alle ɛ > 0, so ergibt sich mit der Ungleichung von Markov mit gt) = t ) ) B t B t P sup > ɛ P sup ɛ n t n+1 t n t n+1 t 1 ɛ 1 ɛ E B sup t >ɛ n t n+1 t sup n t n+1 Bt t B t sup n t n+1 t ) ) 8 n ɛ. Daher folgt mit dem Lemma von Borel-Cantelli die Behauptung. ) dp 1..4) Als nächstes wollen wir den Begriff des Markov-Prozesses einführen und zeigen, dass jede Brownsche Bewegung ein Markov-Prozess ist. Definition Ein stochastischer Prozess X = X t ) t T mit Zustandsraum R heißt Markov- Prozess, wenn für alle n N, s 0,..., s n, s, t T mit s 0 <... < s n < s < t und alle x 0,..., x n, x, y R P X t y X s = x, X sn = x n,..., X s0 = x 0 ) = P X t y X s = x) 1..5) 6
11 gilt. Die bedingte Verteilungsfunktion F s, x, t, y) mit F s, x, t, y) := F Xt y X s = x) = P X t y X s = x) 1..6) nennt man Übergangsfunktion. Falls sie eine Dichte fs, x, t, y) besitzt, so bezeichnet man diese als Übergangsdichte. X heißt homogen, wenn für alle u 0, s, t T mit s < t, s + u, t + u T und alle x, y R F s + u, x, t + u, y) = F s, x, t, y) 1..7) gilt. F ist in diesem Fall eine Funktion, die nur von x, y und der Differenz t s abhängt. Wir schreiben deshalb F t, x, y) für F u, x, t + u, y). Satz vgl. [Fah], Satz.4 in Kapitel 6) Sei B = B t ) t 0 eine Brownsche Bewegung. Dann ist B ein homogener Markov- Prozess mit der Übergangsdichte ft, x, y) = 1 πt e y x) t. 1..8) Beweis. Seien nun n N, s 0,..., s n, s, t R mit 0 s 0 <... < s n < s < t und x 0,..., x n, x, y R beliebig. Dann gilt P B t y B s = x, B sn = x n,..., B s0 = x 0 ) = P B t B s y x B s B sn = x x n,..., B s1 B s0 = x 1 x 0 ) = P B t B s y x) = P B t y B s = x). 1..9) Damit haben wir gezeigt, dass B ein Markov-Prozess ist. Dass dieser sogar homogen ist, folgt aus P B t+u y B s+u = x) = P B t+u B s+u y x) = P B t B s y x) = P B t y B s = x) 1..10) für allle s, t, t + u, s + u 0 mit s t und alle x, y R. Dabei ergibt sich der zweite Schritt in der obigen Gleichung aus Lemma Nun schauen wir uns noch die Gestalt der Übergangsfunktion an: Wegen F t, x, y) = P B t+s y B s = x) = P B t+s B s y x) = 1 y x πt für alle t 0 und x, y R gilt Gleichung 1..8). e u t du 1..11) 7
12
13 Kapitel Punktprozesse In diesem Kapitel geben wir eine kurze Einführung in die Theorie der Punktprozesse. Wir halten uns dabei vor allem an die Vorgehensweise in [Koe] und entnehmen diesem Buch auch fast alle Sätze und Definitionen. An einigen Stellen ergänzen wir diese allerdings durch Aussagen aus [Rei]. Da es hier vor allem darum geht die für das dritte Kapitel benötigte Theorie kurz vorzustellen, verzichten wir weitgehend auf Beweise. Der interessierte Leser kann diese in den beiden angegeben Quellen nachschlagen. Für Punktprozesse gibt es nicht nur eine, sondern verschiedene Darstellungsmöglichkeiten. Drei dieser Darstellungsmöglichkeiten eines Punktprozesses auf R führen wir im ersten Abschnitt kurz ein, und zwar die Darstellungen als zufällige Punktfolge, zufälligen Zählprozess bzw. zufälliges Zählmaß. Diese drei Darstellungsmöglichkeiten werden wir dann im zweiten Abschnitt formal definieren und miteinander in Verbindung bringen. Im dritten Abschnitt setzen wir uns mit dem Poissonschen Punktprozess auseinandersetzen, der für die spätere Theorie wichtig ist. Im letzen Abschnitt dieses Kapitels werden wir schließlich den Begriff des Punktprozesses auf den R d erweitern..1 Darstellung von Punktprozessen Die einfachste Vorstellung, die man sich von einem zufälligen) Punktprozess auf R machen kann, ist die einer Folge zufällig im Raum R verteilter Punkte. In diesem Sinn ist also ein zufälliger Punktprozess nichts anderes als eine Folge X = X n ) n Z von reellwertigen Zufallsvariablen d.h. messbaren Abbildungen) X n : Ω R := R ± über einem gemeinsamen Wahrscheinlichkeitsraum Ω, A, P ), wobei die X n derart gewählt werden, dass für jede Realisierung Xω), ω Ω, der Folge X die Werte X n ω) i) der Größe nach numeriert sind und das kleinste nichtnegative Folgenglied den Index Eins erhält, man also... X 1 ω) X 0 ω) < 0 X 1 ω) ) 9
14 hat, ii) sich nirgendwo im Endlichen häufen, für jedes c > 0 also ein n w,c N existiert, so dass X n ω) > c für n > n ω,c gilt. Ein Punktprozess heißt einfach, wenn sogar... < X 1 ω) < X 0 ω) < 0 X 1 ω) <....1.) für P-fast alle ω Ω gilt, das heißt wenn für P-fast alle ω Ω sämtliche Punkte der Folge Xω) voneinander verschieden sind. Seien die X n nun alle als nichtnegativ vorausgesetzt. Oft interessiert man sich nicht für die Positionen X n der einzelnen zufälligen Punkte eines Punktprozesses, sondern für die zufällige Anzahl von Punkten des Punktprozesses X in gegebenen Teilmengen von R, zum Beispiel in Intervallen. In diesem Fall ist es besser, einen Punktprozess nicht als Folge X n ) n Z von zufälligen Punkten, sondern als zufälligen Zählprozess N t ) t 0 aufzufassen. N t zählt dann die zufällige Anzahl der Punkte X n, die in [0, t) liegen, wobei man im allgemeinen N 0 = 0 setzt. X 1, X,... sind offensichtlich die zufälligen Sprungpunkte der Höhe 1, wobei Mehrfachpunkte auftreten können, wenn der Prozess nicht einfach ist. Wegen der vorausgesetzten Nichtnegativität der X n ist ein bijektiver Zusammenhang zwischen der Folge X und dem Zählprozess N t ) t 0 gegeben, denn: Aus jeder Realisierung Xω) der Folge X lässt sich der Pfad N t ω)) t 0 des Prozesses N t ) t 0 bestimmen und umgekehrt. Dabei sind die X n ω) gerade die Unstetigkeitsstellen von N t ω)) t 0. Da man oft auch die Anzahl von Punkten X n in allgemeineren Borel-Mengen B kennen möchte, ist es naheliegend, einen zufälligen Punktprozess als eine zufällige Mengenfunktion Φ aufzufassen, die jeder Menge B aus einer bestimmten Familie J von Teilmengen von R die zufällige Anzahl ΦB) von Punkten der Folge X, die in der Menge B liegen, zuordnet. Es gilt dann Φ[0, t)) = N t. Aus diesem Ansatz wird im nächsten Abschnitt die Definition eines Punktprozesses gewonnen.. Definition und Charakterisierung von Punktprozessen Bevor wir Punktprozesse nun auf formaler Ebene einführen, wollen wir zunächst an den Begriff des Zählmaßes erinnern, bei dem es sich um ein Maß auf einem beliebigem Wahrscheinlichkeitsraum mit Werten in N handelt. Ein Zählmaß φ auf B heißt lokalendlich, wenn es jeder beschränkten Borelmenge B aus B einen endlichen Wert φb) zuordnet. Die Menge aller lokalendlichen Zählmaße auf B bezeichnen wir mit N. Sei nun φ ein nicht notwendig lokalendliches) Zählmaß auf B. Diejenigen Punkte t R, für die φt) > 0 gilt, werden Atome von φ genannt, ihre Gesamtheit S φ = t R : φt) > 0 10
15 bezeichnet man als Träger von φ. Für jedes Atom t von φ nennt man außerdem φt) die Vielfachheit von t. φ heißt genau dann einfach, wenn φt) = 1 für alle Atome t von φ gilt. Als nächstes folgt ein Satz, der für ein Zählmaße φ N die Standarddarstellung von φb) für alle B B angibt. Satz..1. Für jedes Zählmaß φ N ist der Träger S φ abzählbar unendlich, und es gilt für jedes B B φb) = t S φ φt)δ t B),..1) wobei δ t das Dirac-Maß in t mit δ t B) = 1 B t) bezeichnet. Im Folgenden soll eine σ-algebra N auf dem Raum N der lokalendlichen Zählmaße eingeführt werden, die N, N) zu einem meßbaren Raum macht: Definition... Für N e := φ N : φ[a, b)) = j ; < a b <, j N sei N = σn e ). R 0 sei der δ-ring der beschränkten Borel-Mengen in R. Dann gilt: Satz..3. Die σ-algebra N umfasst alle Teilmengen von N der Gestalt für j N 0 und B R 0. φ N : φb) = j Wir kommen jetzt zur Definition eines Punktprozesses. Definition..4. Ein zufälliger) Punktprozess Φ auf R ist eine meßbare Abbildung Φ : Ω N eines W-Raums Ω, A, P) in den meßbaren Raum N, N), das heißt Φ ist eine Zufallsvariable mit Werten in N. Man nennt Φ deshalb auch zufälliges Zählmaß. Mit P bezeichnen wir die Verteilung der Zufallsvariablen Φ auf N, die durch definiert wird. P A) = P ω Ω : Φω) A), A N, 11
16 Im Folgenden soll für einen Punktprozess Φ auf R und ein B B eine Zufallsgröße definiert werden, die jedem ω Ω die Anzahl der Atome des Zählmaßes Φω) zuordnet, wobei Atome mit Vielfachheit k k-mal gezählt werden: Definition..5. Sei Φ ein Punktprozess auf R. Für alle B B wird die Zufallsgröße ΦB) : Ω N definiert durch ΦB)ω) := Φω)B)...) Mit π B : N N bezeichnen wir die durch definierte Abbildung. Es gilt offensichtlich π B φ) := φb)..3) ΦB) = π B Φ...4) Definition..6. Sei Φ ein Punktprozess auf R. Die Funktion ν : B R mit heißt Intensitätsmaß von Φ. νb) = EΦB) für alle B B..5) νb) gibt also die erwartete Anzahl von Atomen in B an und es gilt für alle B B νb) = EΦB) = ΦB)ω) Pdω)..4) = π B Φω)) Pdω) Ω Ω = π B φ) P Φ dφ) = φb) P dφ). N Lemma..7. Das Intensitätsmaß ν eines Punktprozesses Φ ist ein Maß auf R, B). Beweis. Da ΦB) 0 für alle B B gilt, folgt direkt νb) 0 für alle B B. Außerdem liefert Φ ) 0 sofort ν ) = 0. Seien im Folgenden paarweise disjunkte Mengen B i B, i N, gegeben. Für alle ω Ω gilt ) Φ B i ω) = ΦB i )ω), i 0 i 0 daher folgt mit dem Satz von Fubini ) [ )] ν B i = E Φ B i i 0 i 0 N 1 = i 0 EΦB i ) = i 0 νb i ),
17 also die σ-additivität von ν. Wir setzen im Folgenden voraus, dass die Intensitätsmaße ν der betrachteten Prozesse Φ lokalendlich sind, dass also νb) für alle beschränkten Mengen B B endlich ist. Nun wollen wir die ursprüngliche Auffassung von Punktprozessen auf R als Folge zufällig im Raum R verteilter Punkte formalisieren und mit Definition..4 in Verbindung bringen. Dafür zeigen wir im Folgenden, dass die Atome der Zählmaße φ N, geeignet numeriert, als die Realisierungen einer Folge von reellwertigen Zufallsvariablen über dem Wahrscheinlichkeitsraum Ω, A, P) aufgefasst werden können. Solche Zufallsvariable werden wir jetzt definieren. Definition..8. Für alle n Z wird durch min t 0 : φt) > 0 für n = 1, Xn φ) = min t > Xn 1 φ) : φt) > 0 für n > 1, max t < Xn+1φ) : φt) > 0 für n < 1,..6) eine Abbildung Xn : N R definiert. Wir setzen dabei außerdem X n φ) = für n 1, falls φ im Intervall [0, ) weniger als n Atome hat, und entsprechend Xn φ) = für n 0, falls φ im Intervall, 0) höchstens n Atome hat. Eine Realisierung Xnφ)) n Z der Folge X = Xn) n Z ist also die Folge der der Größe nach geordneten Atome von φ. Das kleinste nichtnegative Atom erhält dabei den Index 1. Als nächstes definieren wir die Funktion Φ, die jedem Zählmaß φ N das ihm entsprechende Zählmaß zuordnet, falls die Vielfachheiten aller Atome gleich Eins wären: Definition..9. Die Funktion Φ : N N ordnet einem φ N mit φb) = t S φ φt)δ t B), B R 0, das Zählmaß φ B) = t S φ δ t B), B R 0, zu. Man erhält nun zwei Hilfsaussagen: 13
18 Lemma..10. Die Abbildung Φ ist meßbar. Lemma..11. Die Menge N = φ N : φt) 1 für alle t R aller einfachen Zählmaße gehört zu N. Diese beiden Lemmata lassen sich folgendermaßen zusammenfassen: Lemma..1. Die Abbildung Φ ist eine meßbare Abbildung von N, N) nach N, N ), wobei N die durch N = A N : A N gegebene σ-algebra von Teilmengen von N ist. Mittels dieses Lemmas kann man nun folgenden Satz beweisen: Satz..13. Für jedes n Z ist X n eine meßbare Abbildung von N, N) nach R, B). Die Abbildungen Xn sind also für jedes n Z Zufallsgrößen auf N, N, P ). Die Folge Xn) n Z nennt man auch zufällige Punktfolge. Als nächstes wollen wir den Begriff eines einfachen Punktprozesses klären: Definition..14. Ein Punktprozess Φ heißt einfach, wenn P N ) = 1 gilt, das heißt wenn mit Wahrscheinlichkeit 1 als Realisierungen von Φ nur einfache Zählmaße auftreten. J sei die Menge derjenigen Folgen a n ) n Z aus dem Folgenraum R Z, für die die folgenden beiden Bedingungen erfüllt sind: i) Es gilt... < a 1 < a 0 < 0 a 1 <.... ii) Für jedes c > 0 gibt es eine natürliche Zahl j, mit a n > c für alle n > j. Lemma..15. Die Folge X = X n ) n Z von Zufallsgrößen vermittelt eine bijektive Abbildung von N nach J. Beweis. Die Bijektivität ergibt sich daraus, dass X : N J eine Umkehrabbildung besitzt. Diese wird folgendermaßen definiert: Für a n ) n Z J setzt man X ) 1 a n ) n Z ) := φ an) n Z, 14
19 wobei φ an) n Z B) := n Z δ an B) für alle B R 0. Nach Definition ist φ an) n Z φ = φ X n φ)) n Z. ein Element von N und für alle φ N erhält man Leider vermittelt X keine Bijektion zwischen N und einer geeigneten Teilmenge des Folgenraumes R Z, da die Vielfachheiten der Atome der Zählmaße in N von den Abbildungen X n nicht berücksichtigt werden. Die Abbildungen X n lassen sich aber so modifizieren, dass sie eine Bijektion zwischen N und einer geeigneten Teilmenge des Folgenraumes R Z liefern. Dies wird im Anschluss geschehen: Definition..16. Für jedes n Z wird durch t 0, falls φ[0, t)) < n φ[0, t]) und φ[0, )) n für n N,, falls φ[0, )) < n für n N, X n φ) = t < 0, falls φt, 0)) n < φ[t, 0)) und φ, 0)) n für n Z und n 0,, falls φ, 0)) n für n Z und n 0...7) eine Abbildung X n : N R definiert. Eine Realisierung Xφ) = X n φ)) n Z der Folge X = X n ) n Z ist also die Folge der der Größe nach geordneten Atome von φ, wobei Atome mit Vielfachheit k k-mal nacheinander auftreten. Den Zusammenhang zwischen X und X für einfache Zählmaße liefert das folgende Lemma: Lemma..17. Es gilt für alle φ N und n Z. X n φ) = Xn φ)..8) Beweis. Die Atome einfacher Zählmaße besitzen alle die Vielfachheit 1. Daher folgt die Behauptung. J sei nun die Menge derjenigen Folgen a n ) n Z aus dem Folgenraum R Z, für die die folgenden Bedingungen erfüllt sind: i) Es gilt... a 1 a 0 < 0 a ii) Für jedes c > 0 gibt es eine natürliche Zahl j mit a n > c für alle n > j. Dann erhalten wir entsprechend zu Satz..13 und Lemma..15: 15
20 Satz..18. Für jedes n Z ist X n eine meßbare Abbildung von N, N) nach R, B), und die Folge X = X n ) n Z von Zufallsgrößen vermittelt eine bijektive Abbildung von N nach J. Beweis. Wir wollen hier nur die Bijektivität der Abbildung X : N J zeigen. Dies funktioniert auf die gleiche Weise wie im Beweis von Lemma..15. Die Umkehrabbildung von X erhält man also, indem man für a n ) n Z J X 1 a n ) n Z ) := φ an) n Z..9) mit φ an) n Z B) := n Z δ an B) für jedes B R 0,..10) setzt. φ an) n Z ist nach Definition ein Element von N und für alle φ N gilt φ = φ Xnφ)) n Z...11) Falls Φ einfach ist, so stimmen also wegen..8) fast alle Realisierungen von X und X überein. Sei nun noch die folgende Definition gegeben, die es uns schließlich ermöglicht, einen Punktprozess formal als Folge zufällig im Raum R verteilter Punkte zu beschreiben: Definition..19. Gegeben einen Punktprozess Φ, sei für alle n Z die Funktion Y Φ n : Ω R Y Φ n ω) := X n Φω))..1) gegeben. Y Φ = Y Φ n ) n Z ist dann eine Funktion von Ω nach J. Aus Satz..18 und speziell den Gleichungen..9) bis..11) folgt dann, dass Y Φ eine äquivalente Darstellungsmöglichkeit des Punktprozesses Φ ist, da man Φ aus Y Φ gewinnen kann und andersherum. Kommen wir jetzt noch zu der schon im ersten Abschnitt angesprochenen Darstellung eines Punktprozesses auf R als Zählprozess. Dafür geben wir zuerst die folgenden Definitionen an: Definition..0. Ein Zählprozess auf einem W-Raum Ω, A, P) ist ein Prozess N t ) t R derart, dass N t : Ω Z für alle t R gilt. 16
21 Definition..1. J sei die Menge derjenigen linksseitig stetigen, stückweise konstanten, nichtfallenden Funktionen f auf R, die ganzzahlige Werte haben, und für die f0) = 0 gilt. Außerdem bezeichnen wir mit Jf) die Menge der Unstetigkeitsstellen von f für f J, das heißt: Jf) = t R : ft + ) ft) > 0. Dabei ist ft + ) := lim s t fs) für alle t R. Definition... Wir definieren nun für ein festes φ N die stückweise konstante,linksseitig stetige, nichtfallende Funktion Nφ) : R Z durch φ[0, t)) für t > 0, Nφ)) t) = N t φ) = 0 für t = 0,..13) φ[t, 0)) für t < 0. Für festes t R ist N t : φ N t φ) dann eine Abbildung von N auf Z. Wir erhalten nun folgenden Satz: Satz..3. Die durch..13) gegebene Familie N t ) t R ist ein Prozess auf N, N, P ) mit Zustandsraum Z und vermittelt eine bijektive Abbildung von N nach J. Beweis. Wir wollen auch dieses Mal nur die Bijektivität der Abbildung zeigen. Diese beweisen wir wieder durch Angabe der Umkehrfunktion von N t ) t R : Für f J sei N t ) 1 t R f) := φ f,..14) wobei φ f B) = a Jf) δ a B)fa + ) fa))...15) φ f ist nach Definition ein Element von N und es gilt für alle φ N Damit ist die Bijektivität gezeigt. φ Nt) t R φ) = φ...16) Nun geben wir folgende Definition an, die es uns schließlich ermöglicht, einen Punktprozess formal als Zählprozess aufzufassen: 17
22 Definition..4. Für einen Punktprozess Φ und ein t R definiert man die Abbildung Mt Φ : Ω R durch Mt Φ ω) := N tφω))...17) M Φ = M Φ t ) t R ist dann eine Funktion von Ω nach J. Aus Satz..3 und den Gleichungen..14) bis..15) folgt, dass auch M Φ eine äquivalente Darstellungsmöglichkeit des Punktprozesses Φ ist. Definition..5. Die Verteilungen P B1,...,B k der Zufallsvektoren ΦB 1 ),..., ΦB k )), wobei k N beliebig ist und B 1,..., B k B gilt, heißen die endlichdimensionalen Verteilungen von Φ. Es gilt also für jedes k-tupel j 1,..., j k ) N k 0 P B1,...,B k j 1,..., j k )) = P φ N : φb 1 ) = j 1,..., φb k ) = j k ) = P ΦB 1 ) = j 1,..., ΦB n ) = j n ). Am Ende dieses Abschnittes wollen wir nun noch eine Eindeutigkeitsaussage für Punktprozesse angeben: Satz..6. vgl. [Rei], Satz.1.3) Seien Φ i : Ω N, i = 0, 1, zwei Punktprozesse. Dann sind die beiden folgenden Aussagen äquivalent: i) Φ 0 d = Φ 1. ii) Für jedes m N und alle B 1,..., B m R 0 gilt Φ 0 B 1 ),..., Φ 0 B m )) d = Φ 1 B 1 ),..., Φ 1 B m )). Dieser Satz sagt also aus, dass zwei Punktprozesse genau dann gleich verteilt sind, wenn ihre endlichdimensionalen Randverteilungen bzgl. beschränkter Borel- Mengen übereinstimmen..3 Der Poissonsche Punktprozess In diesem Abschnitt wollen wir nun den Begriff des Poissonschen Punktprozesses einführen, der in der späteren Theorie benötigt wird. Wir beginnen mit seiner Definition: Definition.3.1. Sei ν ein σ-endliches Maß auf B. Ein Punktprozess Φ : Ω N heißt Poissonscher 18
23 Punktprozess mit Intensitätsmaß ν, wenn er die beiden folgenden Bedingungen erfüllt: und PΦB) = k) = νb)k e νb), k! für alle k N und B B mit νb) < ΦB 1 ),..., ΦB m ) sind unabhängig für alle m und alle paarweise disjunkten Mengen B 1,..., B m B mit νb j ) < für j = 1,..., m. Es gilt die folgende Existenzaussage:.3.1).3.) Satz.3.. Für jedes σ-endliche Maß ν auf B existiert ein Punktprozess Φ, der die Bedingungen.3.1) und.3.) erfüllt und somit ein Poissonscher Punktprozess mit Intensitätsmaß ν ist..4 Punktprozesse auf R d In diesem Abschnitt wollen wir nun Punktprozesse auf R d einführen. Wir wählen dafür entsprechend zu dem Fall d = 1 wieder den Ansatz der zufälligen Zählmaße und beginnen mit der folgenden Definition: Definition.4.1. Die Menge aller lokalendlichen Zählmaße auf B d bezeichnen wir mit N d. Weiter sei N d = σn d e ) die σ-algebra von Teilmengen von N d, die durch die Mengenfamilie ) d N d e = φ N d : φ [a k, b k ) = j < a k < b k < erzeugt wird. k=1 für alle 1 k d ; j N 0 Als Analogon zu Satz..3 erhalten wir nun das folgende Ergebnis: Satz.4.. N d enthält alle Teilmengen von N d der Gestalt φ N d : φb) = j für j N und B B d. betrachtet wer- Im Folgenden sollen nur lokalendliche Zählmaße auf B d den. 19
24 Definition.4.3. Ein zufälliger) Punktprozess auf R d ist eine Abbildung Φ : Ω, A) N d, N d ) eines W-Raums Ω, A, P) in den meßbaren Raum N d, N d ). Die Verteilung von Φ wird wieder mit P bezeichnet, das heißt für alle A N d ist P A) := P ω Ω : Φω) A). Ebenso wie im Fall d = 1 kann man einen einfachen Punktprozess auf R d als zufällige Punktfolge darstellen. Um dies zu veranschaulichen, werden wir im Folgenden eine Folge von Abbildungen X n : N d R d einführen. Dazu definieren wir auf R d zunächst eine lineare Ordnung: Definition.4.4. Für jedes k N sei B kj ) j N eine Zerlegung von R d in paarweise disjunkte Mengen B kj B d, deren Durchmesser den Wert 1 nicht übersteigt, und weiter sei für jedes k k N die Funktion f k : R d N durch f k x) = j falls x B kj definiert. Für x 1, x R schreiben wir x 1 < x genau dann, wenn die Folge f k x 1 )) k 1 in N N, bezogen auf die lexikographische Ordnung in N N, kleiner ist als die Folge f k x )) k 1. Im Folgenden seien alle auftretenden Zählmaße einfach. Lemma.4.5. Seien φ N d und S φ der Träger von φ. Zu jedem x S φ gibt es nur endlich viele Elemente x i S φ mit x i < x. Beweis. Für beliebig gewähltes x S φ liegen die x i S φ mit x i < x in der beschränkten f 1 x) Menge B 1j. Da φ aber lokalendlich ist, können dies nur endlich viele sein. j=0 Aufgrund dieses Lemmas können wir nun die Atome eines Zählmaßes φ durchnumerieren, indem wir für jedes n 1 x, falls es genau n 1 Atome von φ gibt, Xnφ) := die kleiner als x S φ sind, und φr d ) n ist,, falls φr d ) < n ist, meßbar sind, und dann folgende Defi- setzen. Man kann nun zeigen, dass die Xn nition treffen: 0
25 Definition.4.6. Sei Φ ein einfacher Punktprozess auf R d. Für jedes n 1 wird die Abbildung Yn Φ : Ω Rd durch Yn Φ ω) := XnΦω)) definiert. Die Folge Y = Y Φ n ) n 1 ist eine äquivalente Darstellungsmöglichkeit des Punktprozesses Φ, womit gezeigt ist, dass man einen einfachen Punktprozess tatsächlich auch als zufällige Punktfolge auffassen kann. Sowohl das Intensitätsmaß eines Punktprozesses Φ auf R d als auch ein Poissonscher Punktprozess auf R d werden auf die gleiche Weise definiert wie im Fall d = 1: Definition.4.7. Sei Φ ein Punktprozess auf R d. Für jedes B B d wird durch ΦB)ω) := Φω)B) die Zufallsgröße ΦB) : Ω N definiert. Für festes B B d ordnet ΦB) jedem ω Ω die Anzahl der Atome entsprechend Vielfachheit) des Zählmaßes Φω) in B zu. Definition.4.8. Für einen Punktprozess Φ auf R d heißt die Funktion ν : B d R mit Intensitätsmaß von Φ. νb) = EΦB) für alle B B d.4.1) Definition.4.9. Sei ν ein σ-endliches Maß auf B d. Ein Punktprozess Φ : Ω N d heißt Poissonscher Punktprozess mit Intensitätsmaß ν, wenn er die beiden folgenden Bedingungen erfüllt: und P ΦB) = k) = νb)k e νb), k! für alle k N und B B d mit νb) < ΦB 1 ),..., ΦB m ) sind unabhängig für alle m N und paarweise disjunkten Mengen B 1,..., B m B d mit νb j ) < für j = 1,..., m..4.).4.3) 1
26 Am Ende dieses Kapitels geben wir noch zwei wichtige Ergebnisse für Punktprozesse an. Satz vgl. [Rei], Theorem 1..1) Seien ν ein endliches Maß auf R d, B d), d 1, mit ν R d) > 0 und Φ := τ i=1 δ Xi ein Punktprozess derart, dass τ, X 1, X,... unabhängig sind und die beiden folgenden Bedingungen erfüllen: i) τ d = P ν R d)), ii) X i d = ν νr d ), i N. Dann ist Φ ein Poissonscher Punktprozess mit Intensitätsmaß ν. Sei nun g : R d, B d) R d, B d ) eine meßbare Funktion. Die Abbildung g : N d N d wird durch die Gleichung definiert und es gilt: g ρ) := ρ g, ρ N d, Lemma vgl. [Rei], Lemma 1.1.3) Ist Φ ein Punktprozess auf R d mit Intensitätsmaß ν, so ist ν g das Intensitätsmaß des Punktprozesses g Φ) auf R d.
27 Kapitel 3 Die verzweigende Brownsche Bewegung In diesem Kapitel wollen wir uns nun mit der verzweigenden Brownschen Bewegung VBB) auseinandersetzen. Wir halten uns dabei vor allem an [Lal]. Besondere Beachtung schenken wir der inhomogenen verzweigenden Brownschen Bewegung IVBB), mit deren Modellbildung wir uns im ersten Abschnitt beschäftigen werden. Im zweiten Abschnitt stellen wir kurz ein interessantes Ergebnis für die homogene verzweigende Brownschen Bewegung HVBB) vor. Im letzten und größten Abschnitt werden wir uns dann genauer mit der IVBB auseinandersetzen und mittels mehrerer Hilfsprozesse auch hier ein interessantes Ergebnis erhalten. 3.1 Modellbildung In diesem Paragraphen wollen wir das Modell für die VBB angeben. Wir werden feststellen, dass man das Modell der VBB sogar auf zwei unterschiedliche Arten beschreiben kann. Dafür sei ein Wahrscheinlichkeitsraum Ω, A, P ) gegeben, auf dem die im Folgenden eingeführten Zufallsgrößen definiert sind Modellbeschreibung 1 Wir betrachten im Folgenden den binären Baum T = 1, n n 1 und schreiben die Elemente von T\ in der Form v = v 1... v n, v i 1, für 1 i n. Das Element bildet die Wurzel des Baums. Es besitzt die Nachfolger 1 und, welche ihrerseits die Nachfolger 11,1 bzw. 1, haben, usw. Jedes 3
28 Element v T entspricht nun einem Teilchen, welches unabhängig von allen anderen Teilchen eine standard Brownsche Bewegung SBB) durchführt. Dabei startet das Urmutterteilchen zum Zeitpunkt 0, während alle anderen Teilchen v ihre Bewegung zu einem zufälligen Zeitpunkt beginnen, dessen Verteilung von der Bewegung des Mutterteilchens abhängen kann. Außerdem startet jedes Tochterteilchen seine Bewegung im Sterbeort des Mutterteilchens. Uns interessiert nun vor allem das Verhalten des zur Zeit t am weitesten rechts befindlichen Teilchens, dessen Position wir mit R t bezeichnen. Diese Modellbeschreibung wollen wir nun noch etwas präzisieren: Für jedes v T sei X v = X v t ) t 0 eine SBB, welche die Bewegung des Teilchens v relativ zur Anfangsposition seiner Bewegung dem Sterbeort der Mutter) beschreibt. Weiter sei τv) eine nichtnegative Zufallsgröße, die die zufällige Zeit angibt, zu der sich das Teilchen v bezogen auf seine Startzeit) in die zwei neuen Teilchen v1 und v teilt. Dann nennt man τv) auch die Lebensdauer von v. Wir setzen im Folgenden voraus, dass die Paare X v, τv)), v T, stochastisch unabhängig und identisch verteilt sind, und dass t P τv) > t X v ) = exp β Xs v ds, t > 0, für eine nichtnegative, stetige und beschränkte Funktion β gilt. Wir nennen ein solches Modell dann verzweigende Brownsche Bewegung VBB). Falls die Funktion β : R [0, ) konstant ist, also β ) α für ein positives α gilt, die τv) also jeweils Expα)-verteilt sind, nennen wir die VBB homogen HVBB), und ansonsten inhomogen IVBB). Die Funktion β : R [0, ) nennt man Verzweigungsfunktion der VBB. Nun definieren wir T ):=0 und für v = v 1... v n T\ T v) := τ ) τ v 1... v n 1 ). T v) gibt also den Geburtszeitpunkt des Teilchens v an. Im Folgenden wollen wir noch die Positionen der Teilchen im Zeitablauf beschreiben. Dafür definieren wir den Punktprozess Z t ) t 0 durch Z t := v T v=v 1...v n j=1 0 1 T v)+τv) t<t v)+τv)+τvj) δ X vj t T v)+τv)) +Xv τv) +...+X τ ) 3.1.1) für alle t 0. Für jedes t 0 ist also Z t das Punktmaß der Positionen aller zum Zeitpunkt t lebenden Teilchen. Für die Position des zum Zeitpunkt t am weitesten rechts befindlichen Teilchens ergibt sich dann R t := max X vj t T v)+τv)) + Xv τv) X τ ) : v T, v = v 1,..., v n, j 1,, T v) + τv) t < T v) + τv) + τvj). 4
29 3.1. Modellbeschreibung Geht man nun statt von der obigen Anschauung davon aus, dass ein Teilchen zum Splittingzeitpunkt nicht stirbt, sondern lediglich ein weiteres Teilchen erzeugt und gleichzeitig seine eigene Bewegung fortsetzt, so ändert diese Auffassung nichts am Modell, denn die Tatsache, dass die Bewegungen der Teilchen unabhängig sind und stationäre und unabhängige Zuwächse besitzen, sichert, dass die Zusammensetzung der Bewegung eines Mutterteilchen bis zum Splittingzeitpunkt mit der anschließenden Bewegung eines Tochterteilchens eine Brownsche Bewegung bleibt. Also spielt es keine Rolle, ob man davon ausgeht, dass sich jedes Teilchen nach einer zufälligen Zeit in zwei neue Teilchen derselben Art teilt und bis zu diesem Zeitpunkt eine Brownsche Bewegung ausführt, oder ob jedes Teilchen ad infinitum gemäß einer SBB wandert und in unabhängig identisch verteilten Abständen Tochterteilchen gebärt, die sich in derselben Weise verhalten. Nimmt man den zweiten Standpunkt ein, so kann man die Teilchen auch mit 1,,... in der Folge ihrer Geburtszeiten, die wir mit T 0 i) bezeichnen, durchnummerieren und jedem Teilchen i eine SBB X i = Xt i) t 0, die entsprechend zur ersten Modellbeschreibung die Bewegung des Teilchens relativ zum Geburtsort beschreibt, zuordnen. Außerdem kann man jedem Teilchen i eine Folge T n i) T 0 i)) n 1 von Splittingzeiten zuweisen, so dass die X i, T n i) T 0 i)) n 1 ) i 1 unabhängig identisch verteilt sind und P T n i) T n 1 i) > t X i, T 1 i),..., T n 1 i) ) = exp t 0 β Xsds i für alle n 1, alle i 1 und alle t > 0 gilt. Bezeichnen nun T 1, T,... die geordnete, aufsteigende Folge aller Geburtszeiten also T 1 = T 0 0) = 0) und S i t die Position des i-ten Teilchens zum Zeitpunkt t, so hat Z t die Form Z t = N t i=1 1 Ti tδ S i t, t 0, wobei N t := i 1 1 Ti t = i 1 δ Ti [0, t]) den Teilchenzählprozess N t ) t 0 definiert. Das zur Zeit t am weitesten rechts befindliche Teilchen hat dann die Position R t = max S 1 t,..., S Nt t. Im Anschluss wird der Begriff der wandernden Welle eingeführt. Definition Sei u : R R, t, x) ut, x) eine beliebige Funktion. Man sagt, dass u für 5
30 t eine wandernde Welle mit Geschwindigkeit k ist, wenn es eine Funktion ω : R R, x ωx) und für alle t ein m t gibt, so dass die folgenden drei Bedingungen erfüllt sind: [WW1] Es gibt ein t 0 R mit ut, m t ) = 1 für alle t t 0. [WW] Es gilt mt t t k. [WW3] Für alle x R gibt es ein t 1 x) mit ut, m t + x) = ωx) für alle t t 1 x). In diesem Fall nennt man m t für alle t t 0 den Median von vt, ). Wir sagen u approximiert für t eine wandernde Welle mit Geschwindigkeitk, wenn es eine wandernde Welle v mit Geschwindigkeit k und Mediane m t von vt, ) für hinreichend große t gibt, so dass [WW] und die folgenden beiden Bedingungen gelten: [WW4] Es gibt ein t 0 R mit ut, m t ) vt, m t ) = 1 für alle t t 0. [WW5] Für alle x R gibt es ein t 1 x) mit ut, m t + x) vt, m t + x) für alle t t 1 x). Für alle t t 0 nennt man m t dann auch Median von ut, ). 3. Die homogene verzweigende Brownsche Bewegung Für die HVBB gilt das folgende Ergebnis: Satz vgl. [Lal]) Gegeben sei eine homogene verzweigende Brownsche Bewegung X und es sei weiter u : [0, ) R [0, 1] definiert durch die Gleichung t, x) ut, x) := P R t x). Dann besitzt ut, ) für alle t einen Median m t und für t approximiert u eine wandernde Welle mit Geschwindigkeit. Wir wollen dieses Ergebnis hier nicht beweisen, sondern erwähnen nur, dass diese Aussage aus der Tatsache folgt, dass ut, x) die K-P-P/Fisher-Gleichung löst. du dt = 1 d u dx + u u 6
31 3.3 Die inhomogene verzweigende Brownsche Bewegung In diesem Abschnitt schauen wir uns nun die IVBB genauer an. Wir werden hier ein interessantes Endergebnis erhalten: Satz Es sei vorausgesetzt, dass sowohl als auch lim x βx) = ) βx) dx < 3.3.) gelten. Dann existieren eine Zufallsvariable W : Ω, A, P ) 0, ) und Konstanten λ 0 > 0, γ > 0, so dass für alle x R ) lim P R t t t + x = E exp W γe λ 0 x 3.3.3) gilt. Dieses Ergebnis ist nicht für die HVBB anwendbar, da diese die Voraussetzung 3.3.1) nicht erfüllt. Um Satz herzuleiten, betrachten wir im ersten Teil dieses Abschnittes Hilfsprozesse, und zwar sogenannte Poissonsche Flutwellen, für die wir einige interessante Ergebnisse beweisen werden. Mit Hilfe dieser Prozesse werden wir dann im zweiten Teil den Satz für den Spezialfall einer IVBB, deren Verzweigungsfunktion einen kompakten Träger besitz, beweisen. Im letzten Teil skizzieren wir schließlich den Beweis dieses Satzes für den allgemeinen Fall Die Poissonsche Flutwelle Um die Poissonsche Flutwelle mit Parametern C, λ, µ einzuführen, seien im Folgenden ein W-Raum Ω, A, P ), Konstanten C, λ > 0 und ein W-Maß µ auf R, B) gegeben. Außerdem seien N n ) n Z unabhängige Zufallsgrößen mit n+1 ) = d P Ce λt. N n Für jedes n Z gebe N n die Anzahl der Punkte der Flutwelle an, die im Zeitintervall [n, n + 1) starten. Außerdem seien für jedes n Z T nk, X nk ) k 1 unabhängige Zufallsvariable, die gemäß EN n ) 1 Ce λt 1 [n,n+1) t) λ µdt, dx) n 7
32 verteilt sind. Weiter seien T nk, X nk ) n Z,k 1 und N n ) n Z stochastisch unabhängig. Das Maß ν auf B sei definiert durch νdt, dx) := Ce λt λ µdt, dx). Da und ν [n, n + 1) R)) ν[n, n + 1) R) ν[n, n + 1) R) = n+1 n Ce λt dt = EN n ) 1 Ce λt 1 [n,n+1) t) λ µdt, dx) gelten, definiert Φ n := N n δ Tnk,X nk ) k=1 für alle n Z nach Satz.4.10 einen Poissonschen Punktprozess mit Intensitätsmaß ν [n, n + 1) R)) und seine Projektion Ψ n := ΦR ) = N n ist nach Lemma.4.11, wobei π die meßbare Funktion ist, ein Poissonscher Punktprozess mit Intensitätsmaß µ. Dabei ist π die Projektion auf die zweite Komponente. Man kann erkennen vgl.[rei], Beweis von Theorem.1.1), dass k=1 δ Xnk Φ := n Z Φ n ein Poissonscher Punktprozess mit Intensitätsmaß ν = n Z ν [n, n + 1) R)). Der Punktprozess Φ beschreibt für alle Teilchen der Flutwelle die Startzeiten und Startpunkte. Mit Nt bezeichnen wir die Anzahl der Teilchen bis zum Zeitpunkt t, das heißt Nt := Φ, t) R). Um nun noch die Bewegung aller Teilchen zu modellieren, sei ) B nk eine n Z,k 1 von allen bisherigen Variablen unabhängige Familie unabhängiger SBB. Definieren wir für t R St nk := X nk + Bt nk, 8
33 so gibt für t T nk S nk t T nk = X nk + B nk t T nk die Position des Teilchens nk zur Zeit t an. Für festes n sind die ) T nk, Xt T nk nk, k 1 unabhängig und identisch verteilt. Außerdem definiert für alle n Z und alle t R N n Ψ t n := k=1 δ T nk,s nk t T nk ) 1 Tnk t einen ausgedünnten) Poissonschen Punktprozess mit Intensitätsmaß νn t A, x]) = EΨt n A, x]) = Ce λs P X nk + Bt s nk x ) λds) A [n,n+1) = Ce λs P Bt s nk x y) µdy) A [n,n+1) R x y = Ce λs 1 exp πt s) = R A [n,n+1) x A [n,n+1) R z C z y) exp πt s) t s) + λs für alle A B,t] und x R. Definieren wir nun Ψ t := n Z Ψ t n, dz λds) µdy) t s) µdy) dz λds) so ist dies wieder ein Poissonscher Punktprozess und besitzt vgl.[rei], Beweis von Theorem.1.1) das Intensitätsmaß ν t mit ν t ds, dz) := νnds, t dz) n Z C = 1,t] s) πt s) R exp z y) t s) + λs µdy) λ ds, dz). Weiter definieren wir für alle t R den Poissonschen Punktprozess der Positionen der existierenden Teilchen zum Zeitpunkt t durch Ψ t := Ψ t, t] ). Dieser besitzt das Intensitätsmaß ν t, wobei ν t dx) = i t x) dx und i t x) := t e x y) t s) Ce λs µdy) ds 3.3.4) πt s) 9
34 gilt. Schließlich definieren wir für alle t R die Position des zur Zeit t rechtesten Teilchens durch R t := max S nk t T nk : T nk t, n Z, k ) die Funktion v : R [0, 1] durch Es gilt zunächst: Lemma Für die Funktion i t gilt t, x) vt, x) := P R t x) ) i t x) : = t = Ceλt λ e x y) t s) Ce λs µdy) ds πt s) e λ y x µdy) ) Beweis. Mit dem Satz von Fubini und einer Substitution folgt Also bleibt t = C π e x y) t s) Ce λs µdy) ds πt s) = C π = Ceλt π 0 t 0 0 e x y) t s) e λs t s e x y) α e λt α) α e x y) λα α α e x y) λα α dα = α ds µdy) dα µdy) dα µdy). zu zeigen. Nach Gleichung auf Seite 384 in [Gra] gilt 0 x y) dα = α λ x y = λ) 1 4 e x y) λα α 30 π λ y x λ e 3.3.8) ) 1 4 K 1 x y) λ) K 1 x y) λ),
35 wobei vgl. [Gra], S.961) mit H 1) 1 K 1 x y) λ) i ) x y) λ := J 1 := πi e πi 4 H 1) 1 i ) x y) λ i ) x y) λ + in 1 i ) x y) λ. Dabei sind J ν und N ν wie folgt definiert vgl. [Gra], S.960) : J ν z) := zν ν 1) k z k, argz) < π, k k!γν + k + 1) k=0 N ν z) := 1 sinνπ) [cosνπ)j νz) J ν z)], argz) < π, ν / Z. Also erhalten wir wegen sin π ) = 1 und cos π ) = 0 H 1) 1 + i = i ) x y) λ 1 sin π ) = i x y) λ ) 1 k=0 [ π ) cos J 1 i ) x y) λ J 1 i x y ) 1 λ k=0 1) k 1)k [ + i J 1 i )] λ x y i x y ) 1 λ ) k λ x y = k ) k!γ k + 3 i i x y λ k=0 ) 1 k=0 λ x y ) k k k!γ k + 3 λ x y ) k k ) = : K. k!γ k + 1 ) k i x y) λ 1) k k k!γ ) k + 3 i )] ) x y) λ ) 31
36 Weiter folgt wegen Γn + 1 ) = π n n 1)!!vgl. [Gra], S.947) dass K = i = i x y ) 1 λ k=0 ) 1 λ x y ) k k k! π k + 1)!! k λ ) k x y i x y k λ k=0 k! π k 1)!! k ) 1 λ ) k i π x y x y x y λ λ k!k + 1)!! gilt. Insgesamt ergibt sich also 0 k=0 λ ) k x y k!k 1)!! k=0 =:L e x y) λα α x y dα = α λ) 1 4 Es bleibt daher zu zeigen, dass x y = λ) 1 4 x y = λ) 1 4 π = λ L. K 1 πi e πi πi e πi 4 L = e λ y x x y) λ) 1) 4 H 1 i ) x y) λ i π x y λ ) 1 L gilt. Wegen k)!! = k k! und k 1)!! = k)! k k! 3
37 erhält man λ ) k λ ) k L = x y x y x y λ k+)! k=0 k! k+1 k+1)! k=0 k! k)! k k! λ ) k λ ) k = x y x y x y λ k+)! k)! k=0 k+1 k=0 λ ) k+1 λ ) k x y x y = k + 1)! k)! k=0 k=0 ) ) = sinh λ x y cosh λ x y = e λ y x, und damit ist der Beweis abgeschlossen. Bei den nachfolgende Betrachtungen unterscheiden wir zwei Fälle: 1.Fall: Nehmen wir zuerst an, dass der Träger des Maßes µ vollständig in, x ] für ein x < enthalten ist. Dann erhalten wir folgendes Lemma, welches die Gestalt von i t x) für alle x x und alle t R angibt: Lemma Für alle x x und alle t R gilt i t x) = Ce λ x λ λ t ) x e λy µdy) ) Beweis. Mit Hilfe von 3.3.7) erhalten wir für beliebiges x x und beliebiges t R i t x) = Ceλt λ x e λ y x µdy) = Ceλt λ x λx = Ceλt x e λy µdy) = Ce λ λ x λ e λx y) µdy) ) λ t x e λy µdy). Als nächstes folgt: Lemma Für t ist i t x) in der Region x x eine wandernde Welle mit Geschwin- 33
38 λ digkeit, das heißt es existieren eine Funktion ω : R R und für alle t ein m t, so dass für alle x x die folgenden Aussagen gelten: m i) lim t λ =. t t ii) Es gibt ein t 0 R, so dass i t m t ) = 1 für alle t t 0 gilt. iii) Es gibt ein t 1 x) R, so dass für alle t t 1 x) i t m t + x) = ωx). Beweis. Für t R sei wobei Es folgt direkt m t := λt log k λ λ k := λ = t λ C x e λy µdy) > 0. m t λ. log k λ, ) t t Weiter ergibt sich wegen Lemma 3.3.3, dass für hinreichend großes t i t m t ) = Ce = Ce = = Celog k λ C λ m t λ ) λ t x e λy µdy) λ λt ) log k λ λ λ t x λ x λ C x eλy µdy) λ e λy µdy) x e λy µdy) e λy µdy) = 1 gilt. Außerdem folgt für beliebiges x x und hinreichend großes t i t m t + x) = C e λ λ ) log k x t +x λ λ t e λy µdy) λ λx+log k = Ce x λ λx = e =: wx). e λy µdy) Als nächstes geben wir ein Lemma zur Gestalt von vt, x) aus 3.3.6) für alle t R und alle x x an: 34
39 Lemma Für alle t R und alle x x gilt vt, x) = exp Ke λt λx, ) wobei K := C λ x e λz µdz) ) Beweis. Wegen 3.3.9) erhalten wir für alle x x und alle t R Ψt vt, x) = P x, )) = 0) = νt x, ))) 0 0! = exp i t y) dy = exp = exp e νtx, )) x Ceλt x e λz λ x λx Ceλt x λ = exp Ke λt λx e λy dy µdz) e λz µdz) ) mit K aus Gleichung 3.3.1). Es folgt die Behauptung. Die genaue Gestalt von vt, x) kann man nun nutzen, um das folgende Ergebnis zu beweisen: Lemma Die Funktion vt, x) ist für t eine wandernde Welle mit Geschwindigkeit λ. Beweis. Wir definieren zuerst für alle t R m t log k := + t λ λ, ) wobei k λ log 1 := C x > 0). e λy µdy) 35
40 Es ergibt sich m t t = log k λ λ + λt t. Außerdem erhält man wegen Lemma für hinreichend großes t vt, m t ) = exp = exp Ceλt λmt x λ Ceλt ) λ log k λ +t λ e λy µdy) λ = exp Ck x e λy µdy) λ x = 1. e λy µdy) Schließlich sieht man, dass für belibiges x R ein t 1 x) existiert, so dass für alle t t 1 x) vt, m t + x) = exp = exp = exp λmt+x) Ceλt x λ Ceλt ) λ log k +t λ λ +x x Ce λ λx+log k x λ gilt. Damit ist der Beweis abgeschlossen. e λy µdy) e λy µdy) e λy µdy) =: ωx) Zusätzlich erhalten wir ein Lemma zum Grenzverhalten von R t t. Lemma Es gilt R t t P λ. Beweis. 36
41 Wegen ) gilt für jedes ɛ > 0 und t > 0 ) Rt λ P t > ɛ ) ) Rt λ λ = P t > ɛ + P R t > ɛ t ) ) )) λ λ = P Rt > ɛ + t + P Rt < t ɛ )) )) λ λ = 1 P Rt t ɛ + + P Rt t ɛ ) = 1 exp = 1 exp Ke λt λt Ke λɛt ɛ+ λ + exp + exp Ke λɛt Ke λt λt λ ɛ ) ) Wegen und folgt die Behauptung. exp Ke λɛt exp Ke λɛt 1 t t 0.Fall: Gehen wir nun davon aus, dass es kein x gibt, so dass der Träger des Maßes µ vollständig in, x ] enthalten ist. Dann folgt durch Aufteilung des Integrals an der Stelle x aus 3.3.7), dass λx i t x) = Ceλt λ gilt. Daher erhalten wir: x e λ y x µdy) e λx λy µdy) + Ceλt+ λ Lemma Falls e λy µdy) < gilt, so folgt gleichmäßig in t. λx i t x) Ceλt λ 37 x e λy µdy) ) e λy µdy) x ) )
42 Beweis. Für beliebiges x R gilt Ce λt sup λ e λx x e λy µdy) + e ) λx x e λy µdy) Ce t R λt λ e λx e λy µdy) x = e λy µdy) e λy µdy) + e λx x e λy µdy) e λx e λy µdy) 1 x = e λy µdy) λx e λy µdy) + e x e λy µdy) 1 e λy µdy). Da nach Voraussetzung 0 < e λy µdy) < ist, erhalten wir lim x Es bleibt also noch zu zeigen, dass x e λy µdy) e λy µdy) = 1. lim λx x e e λy µdy) = 0 x gilt. Dies folgt aber aufgrund der folgenden Überlegung: 1 e λx x e λy µdy) = = x x e x y) λ µdy) e λy µdy) x 0, x e y y) λ µdy) wobei der letzte Schritt wegen 0 < e λy µdy) < folgt. Mit Hilfe dieses Lemmas kann man schließlich das folgende Pendant zu Lemma beweisen: Lemma Falls e λy µdy) < gilt, so approximiert i t x) für t eine wandernde λ Welle mit Geschwindigkeit. Beweis. Zuerst definieren wir für t R m t := λt k λ 38
43 mit λ k := log C e λy µdy). Dann erhalten wir m t λ lim = t t. Außerdem gilt wegen Lemma für hinreichend großes t i t m t ) Ceλt λmt λ = Ceλt λ λt k λ λ = Ce k λ e λy µdy) e λy µdy) e λy µdy) = 1 und für beliebiges x R und hinreichend großes t λmt+x) i t m t + x) Ceλt λ = Ceλt λ λt k λ +x λ = Ce λx+ k λ ) e λy µdy) e λy µdy) e λy µdy) =: ωx) ) Also folgt die Behauptung mit als wandernder Welle. Weiter ergibt sich: Lemma Für alle t R und x R gilt λx W t, x) := Ceλt e λy µdy) λ vt, x) = exp x i t y) dy ) 39
44 Beweis. Genau wie in Lemma ergibt sich Ψt vt, x) = P x, )) = 0) = e νt x, )) = exp x i t y) dy Die nächsten drei Lemmata geben wir ohne Beweis an: Lemma Falls e λy µdy) < gilt, so folgt gleichmäßig in t, wobei log vt, x) K e λt λx x ) 3.3.0) K := C λ e λy µdy). Lemma Falls e λy µdy) < gilt, so approximiert vt, x) für t eine wandernde Welle mit Geschwindigkeit. λ Lemma Für alle s < gilt lim t = 0. P rechtestes Teilchen zur Zeit t ist vor der Zeit s geboren ) 3.3.1) 3.3. Ein Spezialfall Die Verzweigungsfunktion mit kompaktem Träger Wir betrachten in diesem Abschnitt nur solche IVBB, deren Verzweigungsfunktionen β kompakten Träger besitzen. Zuerst geben wir zwei Definitionen an: Definition Seien J R und t 0. Mit N t J) bezeichnen wir die Anzahl der IVBB-Teilchen in J zur Zeit t, das heißt N t J) := N t 40 i=1 δ S i t J). 3.3.)
45 Definition Für beliebiges t R wird die Zufallsgröße W t auf Ω, A, P ) durch W t ω) := e λ 0t φ 0 x) N t ω, dx), ω Ω, 3.3.3) R definiert, wobei λ 0 bzw. φ 0 Eigenwert bzw. Eigenfunktion des Differentialoperators g 1 g + βg sind. Weiter seien die Zufallsgröße W auf Ω, A, P ) definiert durch W ω) := lim W t ω), ω Ω, 3.3.4) t und das Maß ν auf R, B) durch die Gleichung νj) := φ 0 x) dx, J B, 3.3.5) gegeben. Wir erinnern hier noch an ein Ergebnis von Watanabe: Satz Für jedes beschränkte Intervall J R gilt lim t N t J) e λ 0t J = W νj) fast sicher ) Weiter hat man für jede nichtnegative, stetige Funktion f auf R mit kompaktem Träger fx) Nt dx) = W f dν ) lim t e λ 0t Nun wollen wir ein starkes Gesetz der großen Zahlen aus [Lal] zitieren, welches zum Beweis des nachfolgenden Satzes benötigt wird. Lemma Es sei N t ) t 0 der zu einem Punktprozess auf 0, ) gehörende Zählprozess. Ferner seien F t ) t 0 eine Filtration, bzgl. der N t ) t 0 adaptiert ist, und λ t für jedes t 0 eine F t -messbare Intensität des Punktprozesses. Gibt es dann eine stetige Funktion f : [0, ) [0, ) derart, dass für eine positive Zufallsvariable Y sowohl 0 ft) dt = 41
Stochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
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
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
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
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
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
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
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
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
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
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
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
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,
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
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
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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
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........................
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
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
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
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrA. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109
A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte
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........................
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
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
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
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
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
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
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
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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
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
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.
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
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
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 =
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrStochastik. Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2007
Stochastik Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2007 1 1. Grundbegriffe der Maßtheorie Ziel: Konstruktion von Maßzahlen (wie z. B. Wahrscheinlichkeit / Länge / Fläche / Volumen
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.
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
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
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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,
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
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,
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........................
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
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
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
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
MehrIntervallaustauschtransformationen, Flüsse und das Lemma von Masur
Intervallaustauschtransformationen, Flüsse und das Lemma von Masur Gregor Bethlen 1 Intervallaustauschtransformationen Stets sei in diesem Abschnitt I := [a, b] ein Intervall und a = a 0 < a 1
MehrDIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE
DIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE Zusammenfassung. Ergänzend zur Übung vom 06.06.203 soll hier die Leibnizregel für die Differentiation parameterabhängiger Integrale formuliert und bewiesen
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
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
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
Mehr2 Brownsche Bewegung. Wahrscheinlichkeitstheorie III Teil Der Wienerraum
8 Wahrscheinlichkeitstheorie III Teil 3 Brownsche Bewegung Wir haben die Brownsche Bewegung bereits als Grenzwert reskalierter Irrfahrten in der VL WTH II kennengelernt siehe dazu Abschnitt 5.. In diesem
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
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
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrDas mehrdimensionale Riemann-Integral. 1. Volumenintegrale
Das mehrdimensionale Riemann-Integral. Volumenintegrale Es sei ein uader im R n gegeben durch := [a, b ] [a 2, b 2 ] [a n, b n ] = {(x,... x n ) a j x j b j } mit rellen Zahlen a j, b j, j =,... n. Offenbar
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
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
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
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
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrHausdorff-Maß und Hausdorff-Dimension. Jens Krüger
Hausdorff-Maß und Hausdorff-Dimension Jens Krüger Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen aus der Maßtheorie 3 3 Die Konstruktion des Hausdorff-Maßes 4 4 Eigenschaften des Hausdorff-Maßes und Hausdorff-Dimension
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
Mehr12.1 Kurven und Parametertransformationen. Wir untersuchen in diesem Abschnitt so genannte Kurven, die in der nachstehenden Definition
Kapitel 1 Kurven im R n 1.1 Kurven und Parametertransformationen 1. Funktionen von beschränkter Schwankung 1.3 Die Bogenlänge von Kurven 1.4 Parametrisierung nach der Bogenlänge 1.1 Kurven und Parametertransformationen
Mehr