Vorlesungsskript: Martingale
|
|
- Walter Linden
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale Einführung Stoppzeiten und Stoppsätze Der Martingalkonvergenzsatz Gleichgradige Integrierbarkeit und die Konvergenz in L p Reguläre Martingale Beweis des Stoppsatzes für reguläre Martingale (Satz 4.20) Doobs Maximalungleichungen Bei dem Vorlesungsskript handelt es sich um eine leicht überarbeitete Version der Ausarbeitung zu Martingalen von Michael Scheutzow. 1
2 4 Martingale 4.1 Einführung Definition 4.1. Sei (Ω, F) ein messbarer Raum. (i) Eine aufsteigende Folge von Teil-σ-Algebren (F n ) n N heißt Filtration. (ii) Ein Tupel (Ω, F, (F n ) n N, P) bestehend aus einem Wahrscheinlichkeitsraum (Ω, F, P) und einer Filtration (F) n N heißt filtrierter Wahrscheinlichkeitsraum. (iii) Ein stochastischer Prozess X = (X n ) n N mit Werten in einem beliebigen messbaren Raum (E, E) heißt adaptiert bzgl. einer Fltration (F n ) n N (kurz (F n )-adaptiert), wenn für jedes n N die Zufallsvariale X n F n -E-messbar ist. (iv) Ist für einen stochastischen Prozess X die Zufallsvariable X 1 konstant und jedes X n (n 2) F n 1 -E-messbar so heißt X (F n )-prävisibel. Bemerkung 4.2. Wenn wir im folgenden über Filtrationen (F n ) n N reden, so nehmen wir stillschweigend an, dass diese auf einem messbaren Raum (Ω, F) definiert sind. Führen wir einen Prozess als (F n )-adaptierten (bzw. prävisiblen) Prozess ein, so nehmen wir insbesondere an, dass (Ω, F, (F n ) n N, P) ein filtrieter Wahrscheinlichkeitsraum ist, auf dem der Prozess definiert ist. Weiterhin nutzen wir (E, E) als Standardbezeichnung für den Zustandsraum eines stochastischen Prozesses. Beispiel 4.3. (i) Für einen stochastischen Prozess X = (X n ) n N ist (F X n ) n N gegeben durch F n = σ(x 1,..., X n ) eine Filtration. Wir nennen (F X n ) die von X erzeugte Filtration. (ii) Sei X = (X n ) n N ein (F n )-adaptierter Prozess. Sind F n : E n E E n -E -messbare Funktionen, so ist Y = (Y n ) n N gegeben durch Y n = F n (X 1,..., X n ) ein (F n )-adaptierter Prozess mit Werten in (E, E ). Definition 4.4. Sei X = (X n ) n N ein integrierbarer (F n )-adaptierter Prozess. (i) X heißt (F n )-Martingal, wenn für alle n, m N mit n m E[X m F n ] = X n fast sicher gilt. (ii) X heißt (F n )-Submartingal, wenn für alle n, m N mit n < m E[X m F n ] X n fast sicher gilt. (iii) X heißt (F n )-Supermartingal, wenn X ein Submartingal ist. 2
3 Bemerkung 4.5. (i) Die Definition lässt sich direkt auf Prozesse mit allgemeiner Indexmenge I R verallgemeinern. (ii) Um zu zeigen, dass ein integrierbarer adaptierter Prozess (X n ) n N ein (Sub-)Martinal ist, reicht es zu überprüfen, dass E[X n+1 F n ] ( ) = X n für alle n N. (iii) Jedes (F n )-(Sub-)Martingal ist auch ein (F X n )-(Sub-)Martingal, da E[X m F X n ] = E[E[X m F n ] F X n ] ( ) = E[X n F X n ] = X n. Beispiel 4.6. (i) Sei (ξ n ) n N eine Folge unabhängiger integrierbarer Zufallsvariablen mit E[ξ n ] = 0 für n N. Dann ist X = (X n ) n N gegeben durch X n = n k=1 ein (F ξ n)-martingal, da (X n ) (F ξ n)-adaptiert ist und und E[ X n ] = E[ ξ ξ n ] E[ ξ 1 ] + + E[ ξ n ] < (Integrierbarkeit) E[X n+1 F n ] = E[X n + ξ n+1 F n ] = X n + E[ξ n+1 ] = X n, wegen der Unabhängigkeit von ξ n+1 und (ξ 1,..., ξ n ), gelten. Gilt E[ξ n ] 0 statt der obigen Gleichheit, so ist (X n ) ein (F ξ n)-submartingal. (ii) Ist X eine beliebige integrierbare Zufallsvariable und (F n ) eine beliebige Filtration, so wird durch X n = E[X F n ] ein (F n )-Martingal definiert. (iii) Sei (Ω, F, (F n ) n N, P ) ein filtrierter Wahrscheinlichkeitsraum und sei Q ein endliches Maß auf F, welches absolutstetig bzgl. P ist. Dann ist (Z n ) n N gegeben mittels der Radon- Nikodym Dichte Z n := dq := dq Fn dp Fn dp Fn ein (F n )-Martingl bzgl. P. Definition 4.7. Ein (F n )-(Sub-)Martingal (X n ) n N heißt L 2 -(F n )-(Sub-)Martingal (oder kurz L 2 -(Sub-)Martingal), wenn für alle n N die Zufallsvariable X n quadratintegrierbar ist. Lemma 4.8. Sei (X n ) n N ein L 2 -Martingal und definiere ξ k n 1 X n = E[(X k+1 X k ) 2 F k ] k=1 (n N). X = ( X n ) n N ist ein (F n )-prävisibler Prozess und der Prozess (X 2 n X n ) ist ein (F n )- Martingal. Der Prozess X heißt quadratische Variation von (X n ). 3
4 Beweis. Es gilt E[ X n ] = n 1 k=1 E[(X k+1 X k ) 2 ] < und E[X 2 n+1 X n+1 F n ] = X 2 n X n + E[X 2 n+1 X 2 n (X n+1 X n ) 2 F n ] }{{} =2(E[X n+1 F n ] X n X 2 n ) = 0 Proposition 4.9. a) Sei X ein (F n )-Martingal, ϕ : R R konvex und E[ ϕ(x n ) ] < für alle n N. Dann ist ϕ(x) := (ϕ(x n )) n N ein (F n )-Submartingal. b) Sei X ein (F n )-Submartingal, ϕ : R R konvex und nichtfallend und E[ ϕ(x n ) ] < für alle n N. Dann ist ϕ(x) ein (F n )-Submartingal. Beweis. Mit der Jensenschen Ungleichung für bedingte Erwartungen folgt in beiden Fällen für n N E[ϕ(X n+1 ) F n ] ϕ(e[x n+1 F n ]). Im Fall a) ist der letzte Ausdruck gleich ϕ(x n ), im Fall b) ϕ(x n ) (da ϕ nichtfallend ist). 4.2 Stoppzeiten und Stoppsätze Notation Wir bezeichnen N := N { } und verwenden als Standard-σ-Algebra auf N die Potenzmenge P( N). Weiterhin definieren wir für eine gegebene Filtration (F n ) F = n N F n. Definition Sei (F n ) n N eine Filtration. Eine Abbildung T : Ω N heißt (F n )-Stoppzeit, wenn für alle n N {T n} F n gilt. Bemerkung Es ist ( ) c {T = } = {T k} F }{{} k N F k F und somit ist T F -messbar. Beispiel 4.13 (Eintrittszeiten). Sei X = (X n ) n N ein (E, E)-wertiger (F n )-adaptierter stochastischer Prozess. (i) Für A E ist T := T A := inf{n N : X n A} (mit der Konvention inf = ) eine (F n )-Stoppzeit, da n {T n} = {X k A} F }{{} n. k=1 F k 4
5 (ii) Für eine weitere Stoppzeit S und A E ist T := inf{n > S : X n A} eine Stoppzeit, da {T n} = {S k} {X l A} F n. 1 k<l n Insbesondere sind also Zweiteintrittszeiten Stoppzeiten. Lemma Für eine Folge (T m ) m N von (F n )-Stoppzeiten sind wieder (F n )-Stoppzeiten. Beweis. sup m N T m und inf m N T m {sup T m n} = m {inf m T m n} = {T m n} F n m=1 {T m n} F n. Wir benötigen ein Konzept zur mathematischen Modellierung der Information, die man bis zu einer Stoppzeit erlangt hat: m=1 Definition Für eine (F n )-Stopzeit T, bezeichne F T = {A F : A {T n} F n n N} die von T erzeugte σ-algebra. (Es handelt sich hierbei in der Tat um eine Teil-σ-Algebra von F wie man leicht überprüfen kann.) Bemerkung 4.16 (Konstante Stoppzeiten). Ist T (ω) = m N ( ω Ω) so gilt {, n < m {T n} = Ω, n m und somit ist T eine Stoppzeit bzgl. einer beliebigen Filtration. Weiterhin gilt für eine gegebene Filtration (F n ) F T = {A F : A {T n} F n n N} = F m. Eine Besonderheit von Filtrationen mit Indexmenge N offenbart das folgende Lemma. Lemma (i) Sei T : Ω N eine Abbildung. T ist eine (F n )-Stoppzeit genau dann wenn {T = n} F n n N. (ii) Für eine (F n )-Stoppzeit T liegt A F genau dann in F T, wenn {T = n} A F n n N. 5
6 Beweis. (i) I) Sei T eine Stoppzeit. Dann folgt {T = n} = {T n} {T n 1} c F n II) Umkehrung: {T n} = n k=1 {T = k} F n. (ii) analog. Lemma Für zwei Stoppzeiten S, T gilt: a) {S T }, {S = T } F S F T. b) Gilt S T, so folgt F S F T c) F S T = F S F T. d) Ist X = (X n ) n N adaptiert und X eine F -messbare Zufallsvariable, bzw. T N-wertig, dann ist X T F T -messbar. Beweis. a) S, T sind F -messbar und somit sind {S T } und {S = T } in F. Da für alle n N {S T } {S = n} = {S = n} {T n} F n und {S T } {T = n} = {S n} {T = n} F n gelten, erhalten wir mit Lemma 4.17, dass {S T } F S F T. Weiterhin ist {S = T } = {S T } {T S} F S F T. b) A F S A F und A {T n} = A {S n} {T n} F }{{}}{{} n n N. F n F n c) und d) Übungsaufgabe. Beispiel Seien T A und T C die ersten Eintrittszeiten in messbare Mengen A und C. Dann ist zum Beispiel nach dem obigen Lemma D := {T C < T A } F TA T B. Ein wichtiges Resultat für Stoppzeiten ist der sogenannte Stoppsatz. Satz 4.20 (Stoppsatz). Es seien S, T Stoppzeiten und (X n ) ein Submartingal. In allen der unten angegebenen Fällen gilt E[X T F S ] X S T mit Gleichheit, falls (X n ) ein Martingal ist. (a) T is uniform beschränkt, d.h. m N mit T (ω) m für alle ω Ω. 6
7 (b) Die Folge der Inkremente (X n+1 X n ) ist uniform beschränkt und E[T ] < (zur Wohldefiniertheit von X T kann man z.b. X = 0 definieren). (c) (X n ) konvergiert in L 1 gegen eine Zufallsvariable X. Korollar Für zwei Stoppzeiten S, T mit S < T gilt in jedem der drei obigen Fälle E[X S ] E[X T ], wenn (X n ) ein Submartingal ist und mit Gleichheit, wenn (X n ) ein Martingal ist. Beweis. E[X T ] = E[E[X T F S ]] E[X S ]. Wir beweisen zunächst den Stoppsatz unter der Annahme (a). Bemerke, dass wir nur den Fall des Submartingals behandeln müssen, da wir für den Martingalfall das Resultat einfach auf X und X anwenden können um Gleichheit zu erhalten. Wir werden an dieser Stelle den Stoppsatz nur für die Fälle (a) und (b) beweisen. Fall (c) werden wir später beweisen (und im folgenden auch noch nicht nutzen), wenn wir uns L 1 -konvergente Submartingale genauer anschauen. Beweis des Stoppsatzes, Fall (a). (i) Nach Lemma 4.18 ist X S T F S T -messbar und damit insbesondere F S -messbar. Ebenso folgt, dass X T F T -messbar ist. Wegen [ ] E X T E max X i E 1 i N gilt X T L 1 (Ω, F, P) und ebenso X S T L 1 (Ω, F, P). [ N i=1 ] X i < (ii) Zu zeigen bleibt (nach Definition der bedingten Erwartung) X T dp X S T dp (1) B für alle B F S. Es genügt dabei, die Behauptung für Mengen der Form A = {S = k} B (k N) zu zeigen, da sie wegen der Linearität des Integrals dann auch für B F S folgt (indem man B = k N (B {S = k}) disjunkt zerlegt). Wir beweisen die Aussage mittels Induktion über m := max ω Ω T (ω). Ind. Anf. (m = 1): Dann ist T = 1 und (1) ist trivialerweise erfüllt. Ind. Schritt (m 1 m): Als Induktionsvoraussetzung nehmen wir an, dass (1) für alle T mit max ω Ω T (ω) m 1 gilt. Wir zeigen, dass dann (1) auch im Fall max ω Ω T (ω) = m folgt. Wir fixieren nun k N und unterscheiden zwei Fälle: 1. Fall: m k. Dann gilt A X T dp = E[X T 1l B 1l {S=k} ] = E[X T k 1l B 1l {S=k} ] = E[X S T 1l B 1l {S=k} ] = X S T dp. A B 7
8 2. Fall: m > k. Dann gilt zunächst A {T = m} = B {S = k} {T m 1} c F m 1 und E[X T 1l A ] = E[X T 1l B 1l {S=k} 1l {T m 1} ] + E[X m 1l B 1l {S=k} 1l {T =m} ] E[X T 1l B 1l {S=k} 1l {T m 1} ] + E[X m 1 1l B 1l {S=k} 1l {T =m} ] = E[X T (m 1) 1l B 1l {S=k} ] E[X T (m 1) S 1l B 1l {S=k} ] = E[X T S 1l A ], wobei beim ersten die Submartingaleigenschaft und beim letzten die Induktionsvoraussetzung verwendet wurde. Damit ist (1) gezeigt. Beweis des Stoppsatzes, Fall (b). Sei β > 0 eine Konstante sodass für alle ω Ω und k N Dann gilt X k+1 (ω) X k (ω) β. T n X T n = X 0 + (X k X k 1 ) X 1 + k=2 T n X k X k 1 k=2 } {{ } βt und somit ist X 1 +βt nach Voraussetzung eine integrierbare Majorante für die Zufallsvariablen (X T n ). Wir wenden nun den Stoppsatz in der Version (a) an und erhalten mit dem majorisierten Konvergenzsatz: E[X T F S ] E[X T n F S ] X T S n X T S, wobei die Konvergenz im fast sicheren Sinne gilt. Korollar Sei (X n ) n N ein (F n )-(Sub-)Martingal, T eine Stoppzeit und Y n := X n T. Dann ist (Y n ) n N ein (F n )-(Sub-)Martingal. Beweis. Für n N folgt E[Y n+1 F n ] = E[X (n+1) T F n ] ( ) = Y n aus dem Stoppsatz, indem man dort S = n und T = (n + 1) T wählt. Korollar 4.23 (Charakterisierung von Martingalen mittels Stoppzeiten). Sei (X n ) ein integrierbarer (F n )-adaptierter Prozess. Dann sind äquivalent: (i) (X n ) ist ein (F n )-Martingal. (ii) E[X T ] = E[X 1 ] für jede uniform beschränkte (F n )-Stoppzeit T, d.h. mit sup ω Ω T (ω) <. Beweis. (i) (ii): folgt direkt aus Korollar 4.21 mit S = 1. (ii) (i): Sei n N, A F n und T (ω) := n1l A c(ω) + (n + 1)1l A (ω). T ist eine Stoppzeit, da {T n} = A c F n. Weiter gilt: E[X n 1l A c] + E[X n+1 1l A ] = E[X T ] = E[X 1 ] = E[X n ] = E[X n 1l A c] + E[X n 1l A ]. 8
9 Also folgt E[X n+1 1l A ] = E[X n 1l A ] für alle A F n und somit E[X n+1 F n ] = X n fast sicher. Anwendung Sei (S n ) n N die in 0 gestartete symmetrische Irrfahrt. Diese kann zum Beispiel mithilfe von unabängigen Zufallsvariablen X 2,... mit P(X k = ±1) = 1 2 mittels S n = n k=2 definiert werden. Wir setzen T = T {1} = inf{n N : S n = 1}. Nach dem Gesetz des iterierten Logarithmus ist T fast sicher endlich und es gilt X k E[ S }{{} T F 1 ] = 1 0 = S 1 =1 Es muss also E[T ] = gelten, da sonst der Stoppsatz (Version (b)) Gleicheit in der letzten Formel liefern würde. 4.3 Der Martingalkonvergenzsatz Im folgenden wollen wir ein Kriterium für die Konvergenz eines Submartingals (X n ) herleiten. Hierzu betrachten wir die Zahl der Upcrossings eines Intervalls [a, b]. Für gegebene reelle Zahlen a, b mit a < b setzen wir τ 1 = inf{t N : X t a} und für k = 1, 2,... sei σ k = inf{t > τ k : X t b} und τ k+1 = inf{t > σ k : X t a}, wobei das Infimum über eine leere Menge als definiert wird. Dann heißt U(a, b, N) = U X (a, b, N) = max{k : σ k N} Zahl der Upcrossings des Intervalls [a, b] von X bis zur Zeit N. Wie die folgende Abschätzing zeigt können wir die Zahl der Upcrossings mithilfe des ersten Moments nach oben abschätzen. Satz 4.25 (Doob sche Upcrossingungleichung). Sei X ein (F n )-Submartingal und N N. Dann gilt für a < b E[U X (a, b, N)] E[(X N a) + ]. b a 9
10 Beweis. Wir bemerken, dass U X (a, b, N) der Zahl der Upcrossings des Submartingals X = ((X n a) + ) n N des Intervalls [0, b a] entspricht. Wir definieren die Stoppzeiten (τ k ) und (σ k ) wie oben und erhalten mithilfe der Nichtnegativität von X und des Stoppsatzes (a): E[X N X τ 1 N] }{{} E[X N ]=E[(X N a) + ] N = E[ (X σ k N X τ k N) ] + k=1 } {{ } (b a) U(a,b,N) N E[(X τ k+1 N X σ k N)]. }{{} 0 (Stoppsatz) k=1 Division durch b a liefert nun die gewünschte Ungleichung. Satz 4.26 (Martingalkonvergenzsatz). Sei (X n ) n N ein (F n )-Submartingal mit sup n N E[X + n ] <. Dann existiert eine F -messbare integrierbare Zufallsgröße X, sodass Weiter gilt Bemerkung X = lim X n fast sicher. E[ X ] lim inf E[ X n ]. (a) Für ein (F n )-Submartingal ist n EX n nichtfallend. Daher gilt Außerdem gilt E X n = 2EX + n EX n 2EX + n EX 1. E X n EX + n. Daher ist die Bedingung sup n N E[X + n ] < äquivalent zu sup n N E[ X n ] <. (b) Die Bedingung sup n N E[X + n ] < ist automatisch für nichtpositive Submartingale erfüllt. Daher konvergiert jedes nichtpositive Submartingal (und somit jedes nichtnegative Supermartingal) fast sicher. Beweis des Martingalkonvergenzsatzes. Sei a < b. Aus der Doob schen Upcrossingungleichung folgt mittels monotoner Konvergenz für die Gesamtzahl der Upcrossings U X (a, b) über [a, b] E[U X (a, b)] = lim E[U X(a, b, N)] sup N N N E[(X N a) + ] < b a und damit ist N := {ω Ω : U X(ω) (q 1, q 2 ) < für alle q 1 < q 2, q 1, q 2 Q} c eine P-Nullmenge. Für jedes ω / N gilt offenbar, dass X (ω) = lim X n(ω) existiert, eventuell aber oder ist. (Dies gilt da R = R {± } versehen mit der Standardtopologie kompakt ist und die Nichtkonvergenz in R gleichbedeutend ist mit der Existenz mehrerer Häufungspunkte. Würde die Folge nicht konvergieren so gäbe es mindestens zwei Häufungspunkte a < b und jedes abgeschlossene Intervall in (a, b ) hätte -viele Upcrossings.) 10
11 Aus dem Lemma von Fatou folgt zusammen mit obiger Bemerkung E X lim inf E X n <. Insbesondere ist also X integrierbar und damit fast sicher endlich. Die F -Messbarkeit lässt sich gegebenenfalls nach Abänderung auf einer Nullmenge sicherstellen. Konkret ist { lim X (ω) := X n(ω) wenn der Grenzwert in R existiert. 0 sonst F -messbar. Mithilfe des Martingalkonvergenzsatzes beweisen wir nun ein starkes Gesetz der großen Zahlen. Satz 4.28 (Starkes Gesetz der großen Zahlen). Seien X 1, X 2... unabhängige reellwertige Zufallsvariablen mit endlichen zweiten Momenten und (a n ) eine monoton wachsende unbeschränkte Folge positiver Zahlen. Falls var(x i )/a 2 i <, so folgt lim 1 a n i=1 n (X i EX i ) = 0 fast sicher. i=1 Zum Beweis nutzen wir das Kronecker Lemma: Lemma 4.29 (Kronecker Lemma). Sei (a n ) n N eine monoton wachsende Folge positiver Zahlen mit lim a n = und sei (b n ) n N eine Folge reeller Zahlen. Konvergiert n=1 b n/a n in R, so folgt 1 n b i = 0. lim a n i=1 Der Beweis dieses Lemmas sei als Übungsaufgabe dem Leser überlassen. Beweis. Für n N setzen wir Y n = n i=1 (X i EX i )/a i und F n = σ(x 1,..., X n ). Dann ist (Y n ) ein (F n )-Martingal mit sup n N E[Y n 2 ] = sup n N n var(x i )/a 2 i <. i=1 Da sup n N E Y n 1+sup n N E[Y 2 n ] endlich ist, folgt mit dem Martingalkonvergenzsatz (Satz 4.26), dass (Y n ) fast sicher konvergiert. Nun folgt die Aussage mit dem Kronecker Lemma. Bemerkung Offenbar kann man bei dem starken Gesetz die Unabhängigkeit der X i durch die schwächere Bedingung E[X n+1 E[X n+1 X 1,..., X n ]] = 0 (n N) ersetzen, ohne dass der Beweis zu ändern ist. Man sagt, dass (X n E[X n ]) n N eine Martingaldifferenzfolge ist, da dann S n := n i=1 (X i EX i ) ein Martingal ist. 11
12 4.4 Gleichgradige Integrierbarkeit und die Konvergenz in L p Bevor wir uns wieder den Martingalen zuwenden, wollen wir in diesem Abschnitt nochmals näher auf den Zusammenhang zwischen der Konvergenz in Wahrscheinlichkeit und der L p Konvergenz eingehen. Wir haben bereits festgestellt, dass die L p -Konvergenz die Konvergenz in Wahrscheinlichkeit impliziert und dass der Umkehrschluss jedoch im allgemeinen nicht stimmt. Wir benötigen eine Zusatzannahme. Definition Eine Familie reeller Zufallsgrößen {X t : t I} (I beliebige Indexmenge) heißt gleichgradig (oder gleichmäßig oder gleichförmig) integrierbar, wenn lim sup X t dp = 0. t I { X t n} Bemerkung a) Ist X eine integrierbare ZV, dann ist {X} gleichgradig integrierbar. b) Jede endliche Menge integrierbarer ZV auf einem Wahrscheinlichkeitsraum ist gleichgradig integrierbar. c) Sind M 1 und M 2 Mengen gleichgradig integrierbarer ZV auf einem Wahrscheinlichkeitsraum, dann gilt dies auch für die Vereinigung M 1 M 2. d) Existiert zu einer Familie M von ZV eine integrierbare Majorante, dann ist M gleichgradig integrierbar. e) Ist X integrierbar, dann ist {Y L 1 (Ω, F, P) : L(Y ) = L(X)} gleichgradig integrierbar. f) Die gleichgradige Integrierbarkeit ist ausschließlich eine Annahme an die Verteilungen der Zufallsvariablen. Proposition Sei {X t : t I} eine Familie reeller Zufallsvariablen auf (Ω, F, P). Dann sind äquivalent: (i) {X t : t I} ist gleichgradig integrierbar. (ii) sup t I E X t < und für alle ε > 0 existiert ein δ > 0, so dass für alle A F mit P(A) < δ und alle t I gilt: E X t 1l A < ε. (iii) Es existiert eine nichtnegative nichtfallende konvexe Funktion G : [0, ) [0, ) mit G(x) lim x x = und sup E[G( X t )] <. t (iv) Es existiert eine nichtnegative messbare Funktion G : [0, ) [0, ) mit G(x) lim x x = und sup E[G( X t )] <. t 12
13 Beweis. (i) (ii): Sei n N so gewählt, dass sup { X X t n} t dp <. Dann folgt sup E X t t sup E(1l { Xt n} X t )+n <. Sei weiter ε > 0. Wähle n = n(ε) N, so dass sup E(1l { Xt n} X t ) < ε 2 t ε und δ = δ(ε) = 2n. Dann folgt für A F mit P(A) < δ : E X t 1l A = E[ X t 1l A { Xt n}] + E[ X t 1l A { Xt <n}] < ε 2 + np(a) < ε 2 + ε 2 = ε. (i) (iii): Sei (N k ) k N eine wachsende Folge positiver Zahlen, so dass N 1 = 0, N k und C := sup t k E[ X t 1l { Xt Nk }] <. k=1 Definiere die stetige Funktion G durch G(0) = 0 und G (x) = ( k N k+1 x t N k+1 N k ) t für k N und x [N k, N k+1 ]. Dann ist G konvex, nichtfallend und erfüllt lim x G(x)/x =. Weiter folgt E[G( X t )] = G (y)1l { Xt y} dy dp = Ω Ω Ω 0 k=1 k=1 Nk+1 N k G (y) 1l }{{} { Xt y} dy dp k k( X t N k ) 1l { Xt N k } dp k E[ X t 1l { Xt N k }] C <. k=1 (iii) (iv): klar. G(x) (iv) (i): Sei n N und M n := inf x n x. Dann folgt sup t { X t n} X t dp 1 M n sup t Ω G( X t ) dp. (ii) (i): Sei ε > 0 und n = n(ε) > 1 δ sup t I E X t, n <. Wegen E X t n P{ X t n} folgt P{ X t n} < δ, also folgt aus (ii) E[1l { Xt n} X t ] < ε. Bemerkung a) Ein wichtiger Spezialfall ist G(x) = x p für p > 1. b) Aus sup t I E X t < folgt nicht die gleichgradige Integrierbarkeit der Familie {X t : t I}! Ein Beispiel dafür ist I = N, (Ω, F, P) = ([0, 1], B [0,1], λ) und X n = n1l [0,1/n]. Für den Beweis des folgenden Satzes wird sich das folgende Lemma als nützlich erweisen, dessen Beweis dem Leser überlassen ist. Lemma Eine Folge reeller Zufallsvariablen (X n ) n N ist gleichgradig integrierbar genau dann wenn alle X n integrierbar sind und lim c lim sup E[ X n 1l { Xn c}] = 0. 13
14 Der folgende Satz zeigt (auch außerhalb der Martingaltheorie) die Nützlichkeit des Begriffs der gleichgradigen Integrierbarkeit. Satz 4.36 (Charakterisierung der L p -Konvergenz). Seien p [1, ), (X n ) n N eine Folge in L p (Ω, F, P) und X eine Zufallsvariable auf (Ω, F, P). Dann sind äquivalent: (i) X n X in L p (Ω, F, P) (ii) α) X n X in Wahrscheinlichkeit und β) { X n p : n N} ist gleichgradig integrierbar. (iii) α) X n X in Wahrscheinlichkeit, β) lim E X n p = E X p und γ) X L p (Ω, F, P). Beweis. (i) (iii): α) und γ) sind klar. β) Aus der Dreiecksungleichung für die L p -norm folgt (iii) (ii): Für k > 0 folgt: (E[ X n p ]) 1/p (E[ X p ]) 1/p X n X p 0. E[ X n p 1l { Xn p k}] E[ X n p ] E[ X }{{} n p (k X n p ) + ] }{{} E[ X p ] beschränkt E[ X p X p (k X p ) + ] k 0, wobei wir für den 1. Term die Annahme und für den zweiten den majorisierten Konvergenzsatz verwandt haben. Mit Lemma 4.35 folgt nun die Behauptung. (ii) (i): Wegen E( X p ) lim inf E( X n p ) (Fatou!) ist M = { X p } { X n p : n N} gleichgradig integrierbar. Also existiert zu ε > 0 ein δ > 0, so dass E(1l A Y ) < ( ε p 3) für alle Y M und P(A) < δ. Weiter existiert ein N N, so dass P{ X n X > ε 3 } < δ für alle n N. Damit gilt für n N X n X p 1l { Xn X >ε/3}( X n + X ) p + 1l { Xn X ε/3} X n X p 3 ε 3 = ε. Proposition Sei p 1 und X L p (Ω, F, P). Dann ist { E(X G) p : G F Teil-σ- Algebra} gleichgradig integrierbar. Beweis. { X p } ist gleichgradig integrierbar, also existiert eine konvexe Funktion G, wie in (iii) von Proposition 4.33 mit E[G( X p )] <. Da x H(x) := G( x p ) konvex ist, folgt mittels Jensen für jede Teil-σ-Algebra G F E[G( E[X G] p )] = E[H(E[X G])] E[G( X p )]. Die Aussage folgt mit Proposition
15 4.5 Reguläre Martingale Eine Frage, die oft interessiert, ist die folgende: Unter welchen Bedingungen konvergiert (X n ) in L 1 gegen X? Wir haben bereits gesehen, dass dies nicht immer gilt. Definition Ein (F n )-Submartingal (Supermartingal, Martingal), das in L 1 konvergiert, heißt regulär. Satz Sei (X n ) ein reguläres (F n )-(Sub-)Martingal. Dann konvergiert (X n ) auch fast sicher, und für den Grenzwert X gilt für alle n N X n ( ) = E[X F n ] fast sicher. Beweis. Aus der L 1 -Konvergenz von (X n ), folgt sup n N E X n <. Somit konvergiert nach dem Martingalkonvergenzsatz (X n ) fast sicher gegen eine Zufallsvariable X. Diese ist auch der L 1 -Limes der Folge, da beide Konvergenzarten die Konvergenz in Wahrscheinlichkeit implizieren und der Limes (in Wahrscheinlichkeit) bis auf P-Nullmengen eindeutig ist. Sei δ > 0. Dann gilt für m > n P(E[X F n ] X n < δ) P(E[X F n ] E[X m F n ] < δ) P( E[X F n ] E[X m F n ] > δ) E E[X X m F n ] δ = E X X m δ m 0. E(E[ X X m F n ]) δ Also folgt E[X F n ] X n fast sicher. Ist (X n ) ein (F n )-Martingal, dann sind (X n ) und ( X n ) (F n )-Submartingale, und somit gilt X n = E[X F n ] fast sicher. Als notwendiges und hinreichendes Kriterium für die Regularität eines Martingals wird sich die gleichgradige Integrierbarkeit von X = (X n ) herausstellen. Satz 4.40 (Charakterisierung regulärer Martingale). Sei (X n ) ein (F n )-Martingal. Die folgenden Aussagen sind äquivalent. a) (X n ) ist regulär. b) sup n N E X n < und für den fast sicheren Limes X gilt X L 1 und X n = E[X F n ] fast sicher für alle n N. c) Es existiert X L 1 (Ω, F, P) mit X n = E[X F n ] fast sicher für alle n N. d) {X n : n N} ist gleichgradig integrierbar. 15
16 Beweis. a) b): gilt nach Satz 4.39 b) c): klar. c) d): dies wurde bereits in Proposition 4.37 gezeigt. d) a): Die gleichgradige Integrierbarkeit impliziert sup n N E X n <, also konvergiert X n fast sicher gegen eine Zufallsgröße X (nach dem Martingalkonvergenzsatz). Aus dem Charakterisierungssatz der L p -Konvergenz (Satz 4.36) folgt, dass (X n ) regulär ist. Bemerkung Ist (X n ) ein (F n )-Submartingal, und ersetzt man im vorhergehenden Satz alle = durch, dann gilt a) d) b) c). Satz Sei p > 1 und (X n ) ein (F n )-Martingal. Gilt sup n N E[ X n p ] <, so ist (X n ) regulär und (X n ) konvergiert in L p. Beweis. Wählt man G(x) = x p so folgt die gleichgradige Integrierbarkeit mittels Proposition Sei X der (fast sichere und L 1 ) Grenzwert von (X n ). Dann gilt X n = E[X F n ]. Nach Fatou folgt E[ X p ] lim inf n N E[ X n p ] < und mit Jensen (angewandt auf x x p ) E[ X n p ] = E[ E[X F n ] p ] E[E[ X p F n ]] = E[ X p ]. Somit folgt lim E[ X n p ] = E[ X ] und aus dem Chaharakterisierungssatz der L p -Konvergenz (Satz 4.36) folgt die L p -Konvergenz. Bemerkung Die vorhergehende Aussage ist falsch für p = 1 bzw. für den Fall, dass (X n ) nur ein (F n )-Submartingal ist. Als Beispiel mit p = 2 wähle X 1 2 1/2 und P(X n+1 = 2 (n+1)/2 X n < 0) = P(X n+1 = 0 X n < 0) = 1/2 und P(X n+1 = 0 X n = 0) = 1. Es folgt E[X 2 n] = 2 für alle n N und E[X n+1 X n = 2 n/2 ] = 2 (n+1)/2 1/2 > 2 n/2 und somit ist (X n ) ein Submartingal. (X n ) konvergiert fast sicher gegen X 0, aber nicht in L 2! Proposition Sei (Ω, F, (F n ), P) ein filtrierter Wahrscheinlichkeitsraum, X L 1 (Ω, F, P) und X n := E[X F n ]. Dann gilt lim X n = E[X F ] fast sicher und in L 1. Beweis. (X n ) n N ist nach Proposition 4.37 ein gleichgradig integrierbares (und damit reguläres) Martingal. Damit konvergiert (X n ) fast sicher und in L 1 gegen eine F -messbare integrierbare Zufallsvariable X. Es verbleibt zu zeigen, dass X = E[X F ], d.h. dass für alle A F X dp = X dp A ist. Sei A die Menge aller A F, für die dies gilt. A ist ein Dynkinsystem. Weiterhin folgt aus X n = E[X F n ] = E[X F n ], dass für A F n X dp = X n dp = X dp gilt und somit A den -stabilen Erzeuger M := A A A n=1 A F n von F enthält. Es folgt A = F. 16
17 4.6 Beweis des Stoppsatzes für reguläre Martingale (Satz 4.20) Zum Beweis nutzen wir das folgende Lemma. Lemma Sei (X n ) n N ein reguläres (F n )-Submartingal und T eine Stoppzeit, dann ist {X T n, n N} gleichgradig integrierbar. Beweis. Sei X der (fast sichere und L 1 ) Limes von (X n ). Wir zeigen zunächst, dass X T eine integrierbare Zufallsvariable ist. Nach Fatou gilt E[ X T ] lim inf E[ X n T ]. (2) Nach Proposition 4.9 ist (X + n ) n N ein (F n )-Submartingal und wegen des Stoppsatzes für beschränkte Stoppzeiten gilt E[X + n T ] E[X+ n ] E[ X n ] C < für eine von n unabhängige Konstante C (da (X n ) regulär ist). Weiterhin ist wegen des Stoppsatzes (X n T ) (Korollar 4.22) wieder ein Submartingal, sodass Wegen (2) ist nun X T in L 1. E[ X n T ] = 2E[X n T ] E[X n T ] 2C E[X 1 ]. Somit ist {X T } {X n : n N} gleichgradig integrierbar und für eine Funktion G wie in Proposition 4.33 folgt sup n N E[G( X T n )] E[G( X T )] + sup n N E[G( X n )] <. Beweis des Stoppsatzes, Teil (c). Sei (X n ) ein reguläres (F n )-Submartingal und S und T Stoppzeiten. Für n N wenden wir den Stoppsatz für T = T n und S an: E[X T n F S ] X S T n fast sicher. (3) Nach dem vorhergehenden Lemma ist (X T n ) n N gleichgradig und konvergiert damit in L 1 gegen X T. Da die bedingte Erwartung eine Kontraktion auf L 1 ist, folgt dass lim E[X T n F S ] = E[X T F S ] in L 1. Andererseits konvergiert (X S T n ) n N fast sicher gegen X S T. Beide Konvergenzarten implizieren Konvergenz in Wahrscheinlichkeit und damit gilt (3) auch für die Limiten, d.h. E[X T F S ] X S T fast sicher. 17
18 4.7 Doobs Maximalungleichungen Wir werden in diesem Abschnitt noch zwei sehr hilfreiche Abschätzungen herleiten, die Maximalungleichungen von Doob. Satz Sei (X n ) ein (F n )-Submartingal und N N. Dann gilt für alle x > 0 ( ) [ ] (i) P max X n x 1x E X N 1l {max n N X n x}(ω) 1 x EX+ N, n N ( ) (ii) P min X n x 1 ( n N x EX + N EX 1). Beweis. (i) Sei S := inf{n N : X n x} mit der Konvention inf = N. S ist eine Stoppzeit mit S(ω) N für alle ω Ω und A := {max X n x} F S. Anwenden des Stoppsatzes mit n N Stoppzeiten S und T := N liefert: ({ }) x P max X n x X S dp X T dp E[X + n N N ]. A A (ii) Sei T := inf{n N : X n x} mit der Konvention inf = N und sei A := {min n N X n x} F T. Wenden wir nun den Stoppsatz für die Stoppzeiten S := 1 und T an so folgt ({ }) x P min X n x X T dp = EX T + X T dp n N A A c EX T + X N dp EX 1 + EX + N. A c Satz 4.47 (Doobs L p -Ungleichung). Sei (X n ) ein (F n )-Martingal oder nichtnegatives (F n )- Submartingal, N N und 1 < p <. Es gelte E[ X k p ] < für alle k N. Dann gilt [ E max X n p] 1 n N ( ) p p E[ X N p ]. p 1 Beweis. In jedem Fall ist ( X n ) n N ein (F n )-Submartingal. Sei V := max 1 n N X n und U := X N. Es gilt [ N ] E[V p ] E X n p < n=1 18
19 und 1 p V p p = E [ ] V p = p y p 2 0 = E [U V p 1 p 1 Ω 0 {V y} ] Hölder y p 1 1l {V y} (ω) dy dp(ω) Fubini = U(ω) dp(ω) dy Fubini = Ω U(ω) 0 V (ω) 0 y p 1 P(V y) dy y p 2 dy dp(ω) 1 p 1 U p V p 1 p/p 1 = 1 1 p U p V p 1 p, woraus V p p p 1 U p und somit die Behauptung folgt. 19
1.3 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
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.
MehrStochastische Analysis
Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand
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
MehrWahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015
Wahrscheinlichkeitstheorie 2 & 3 Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 3. Januar 215 Inhaltsverzeichnis. Bedingte Erwartungswerte 4 1. Martingale, Stoppzeiten und Filtrierungen 9 1.1.
MehrStochastische Prozesse
Stochastische Prozesse Prof. Dr. H.R. Lerche Abteilung für Mathematische Stochastik Universität Freiburg März 2014 Inhaltsverzeichnis 1 Martingale 1 1.1 Definitionen und Eigenschaften..........................
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
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
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
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........................
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.
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
Mehr8 Martingale und Stoppzeiten
8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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,
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
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
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
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
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,
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
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
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:
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
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
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
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
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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Oliver Matte Max Lein Zentralübung Mathematik für Physiker 2 Analysis ) Wintersemester 200/20 Lösungsblatt 5 2..200) 32. Häufungspunkte Sei a
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
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
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
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
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
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
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
Mehreine reelle oder komplexe Folge ist, kann man daraus eine neue Folge {s n } n=0 konstruieren durch s n = a 0 + a a n, a k.
Analysis, Woche 7 Reihen I 7. Folgen aus Folgen Wenn a n eine reelle oder komplexe Folge ist, kann man daraus eine neue Folge s n konstruieren durch s n = a 0 + a + + a n, oder netter geschrieben s n =
MehrLösungsvorschläge für das 5. Übungsblatt
Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),
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
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrWAHRSCHEINLICHKEITS- THEORIE II
Skript zur Vorlesung WAHRSCHEINLICHKEITS- THEORIE II Jürgen Gärtner unter Mitwirkung von S. Ribbecke, N. Paetsch und S. Sturm Version Juli 2006 Inhaltsverzeichnis 1. Maßtheoretische Grundlagen 5 1.1.
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
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
MehrDefinition Eine Metrik d auf der Menge X ist eine Abbildung d : X X IR
0 Inhaltsverzeichnis 1 Metrik 1 1.1 Definition einer Metrik............................. 1 1.2 Abstand eines Punktes von einer Menge................... 1 1.3 Einbettung eines metrischen Raumes in einen
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,
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.............................
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
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
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,
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
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
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
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
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
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
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
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
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
MehrRegulär variierende Funktionen
KAPITEL 4 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Wir haben bereits gesehen,
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
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
Mehreine Folge in R, für die man auch hätte schreiben können, wenn wir alle richtig raten, was auf dem Pünktchen stehen sollte.
Analysis, Woche 5 Folgen und Konvergenz A 5. Cauchy-Folgen und Konvergenz Eine Folge in R ist eine Abbildung von N nach R und wird meistens dargestellt durch {x n } n=0, {x n} n N oder {x 0, x, x 2,...
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
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
Mehr3 Satz von Fisher Tippett
Theorem 3.1 (Satz von Fisher Tippett; extremal types theorem). Eine Verteilung G ist eine Extremwertverteilung genau dann, wenn es c > 0, d R und γ R gibt mit G(t) = G γ (ct + d). { } Dabei ist G γ eine
MehrVollständigkeit. Andreas Schmitt. Ausarbeitung zum Proseminar zur Topologie im WS 2012/13
Vollständigkeit Andreas Schmitt Ausarbeitung zum Proseminar zur Topologie im WS 2012/13 1 Einleitung Bei der Konvergenz von Folgen im Raum der reellen Zahlen R trifft man schnell auf den Begriff der Cauchy-Folge.
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
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
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrVorlesungsskript,,Integrationstheorie
Vorlesungsskript,,Integrationstheorie Christoph Kühn aktuelle Version: 15. Februar 2013 Das Skript wird parallel zur Vorlesung im Wintersemester 2012/13 aufgebaut, Hinweise auf Fehler sind sehr willkommen.
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
Mehr3. MARTINGALE 47. 1I Ai = IIE[X1I Ai ] = i=1. i=1
3. MARTINGALE 47 3. Martingale 3.1. Bedingte Erwartungswerte Definition 3.1. (Kolmogorov, 1933) Sei X 0 eine Zufallsvariable auf einem Wahrscheinlichkeitsraum (Ω, F, IIP) und G F eine σ-algebra. Eine Zufallsvariable
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
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
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 =
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
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
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.
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
Mehr2 Allgemeine Integrationstheorie
2 Allgemeine Integrationstheorie In diesem Abschnitt ist (,S,µ) ein Maßraum, und wir betrachten R immer mit der σ Algebra B(R). Ziel ist es, messbare Funktionen f : R zu integrieren. Das Maß µ wird uns
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
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
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
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
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
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
MehrMisterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, (Version C)
Misterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, 14..009 (Version C Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen aus der Vorlesung
MehrAnalysis I. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching March 5, 07 Erinnerung (Euler Formel). e iϕ = cos ϕ + i sin ϕ. Die Polarform von z = x + iy C sei Euler Formel z
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
Mehr