Skript zur Vorlesung: Numerik stochastischer Differentialgleichungen
|
|
- Lars Franz Schmitz
- vor 6 Jahren
- Abrufe
Transkript
1 Skript zur Vorlesung: Numerik stochastischer Differentialgleichungen Prof. Dr. P.E. Kloeden Fachbereich Mathematik Johann Wolfgang Goethe Universität Zimmer 11, Robert-Mayer-Straße 1 Telefon: 69) Sekretariat 69) kloeden@math.uni-frankfurt.de 31. März 211
2 c P.E. Kloeden 27 1
3 Inhaltsverzeichnis 1 Überblick Gewöhnliche Differentialgleichungen Stochastische Differentialgleichungen Wahrscheinlichkeitstheorie Unabhängigkeit Konvergenz Pseudo-Zufallsvariablen-Erzeuger Stochastische Prozesse Der Wiener Prozess Stochastische Integrale Das Ito sche stochastische Integral Das Stratonovich sche stochastische Integral Stochastische Differentialgleichungen Der Existenz- und Eindeutigkeitssatz Das stochastische Euler-Verfahren 3 7 Starke und schwache Konvergenz Starke Approximationen Schwache Approximationen Das vereinfachte Euler-Verfahren Funktionalschätzung Konsistenz Die stochastische Kettenregel Die Ito-Formel Die Stratonovich-Kettenregel Die Feynman Kac-Formel
4 3 9 Konvergenzbeweise Starke Konvergenz Beweis-Skizze für starke Konvergenz Schwache Konvergenz Beweis-Skizze für schwache Konvergenz Stochastische Taylor-Entwicklungen Taylor-Bäume Die Notation von Wagner und Platen Multi-Indizes Iterierte Differential-Operatoren Iterierte Integrale Hierarchische Menge Beispiele stochastischer Taylor-Verfahren Schwache Taylor-Verfahren Starke Taylor-Verfahren Vektorwertige SDGLen Die Ito-Formel Die stochastische Taylor-Entwicklung Approximation stochastischer Multi-Integrale Stochastische Multi-Integrale mit bekannten Verteilungen Pfadweisekonvergenz Restrictiveness of the standard assumptions Counterexamples for the Euler-Maruyama scheme
5 Kapitel 1 Überblick Hier geben wir einen kurzen Überblick zu der zweiwochenstündigen Vorlesung Numerik für stochastische Differentialgleichungen Meine andere Vorlesung in diesem Semester vier Wochenstunden) Numerical Methods for Differential Equations betrachtet zwei Arten deterministischer Differentialgleichungen gewöhnliche Differentialgleichungen und partielle Differentialgleichungen. In der Vorlesung Numerik für stochastische Differentialgleichungen betrachten wir hauptsächlich Ito stochastische Differentialgleichungen, aber wir werden auch Stratonovich stochastische Differentialgleichungen verwenden. Die beiden Vorlesungen sind im Prinzip unabhängig, obwohl sie ähnliche Themen untersuchen. Am besten sollte man beide gleichzeitig hören 1.1 Gewöhnliche Differentialgleichungen Betrachte eine Anfangswertaufgabe für eine gewöhnliche Differentialgleichung: dx dt = ft, x), xt ) = x, x R d, t [t, T ]. 1.1) Eine Lösung ist eine stetig differenzierbare Funktion x : [t, T ] R d mit xt ) = x, die der Differentialgleichung für jedes t [t, T ] genügt, d.h. d dt xt) = ft, xt)), t [t, T ]. Voraussetzung: Es existiere eine eindeutige Lösung xt) = xt; t, x ) für t [t, T ] T < hier). 4
6 KAPITEL 1. ÜBERBLICK 5 Im Allgemeinen kann man die Lösung nicht explizit finden und muß eine numerische Approximation berechnen. Betrachte eine Zerlegung des Intervalls [t, T ] t < t 1 <... < < +1 <... < t N = T mit Schrittweite h n = +1 >. Es gibt zwei Arten von rekursiven numerischen Vefahren, die für Berechnungen mit einem digitalen Rechner geeignet sind. 1-Schrittverfahren z.b., die Euler, Taylor und Runge-Kutta Verfahren x n+1 = x n + h n F h n ;, x n ) Mehrschrittverfahren z.b., die Adams-Bashford und Adams-Moulton Verfahren k-schritt mit k 2) x n+1 = Gh n,..., h n k+1,,..., k+1, x n,..., x n k+1 ) Das einfachste numerische Verfahren ist das Euler-Verfahren: x n+1 = x n + h n f, x n ) 1.2) mit dem Anfangswert xt ) = x von der Anfangswertaufgabe. Hier soll x n x ) sein. Der Fehler max n=,1,...,n x n x ) heißt globaler Diskretisierungsfehler. Für das Euler-Verfahren kann man zeigen, dass max n=,1,...,n x n x ) K T h, wobei K T eine Konstante ist, die von T abhängt, aber nicht von der maximalen Schrittweite h := max n=,1,...,n h n, d.h., das Euler-Verfahren ist ein numerisches Verfahren erster Ordnung. 1.2 Stochastische Differentialgleichungen Stochastische Differentialgleichungen sind Differentialgleichungen mit Rauschen, zum Beispiel dx dt = ft, x) + ξ t, wobei ξ t weißes Rauschen ist, oder allgemeiner dx dt = ft, x) + gt, x) ξ t. Sei {W t, t } ein Wiener Prozeß, d.h. eine mathematische Formulierung einer physikalischen Brown schen-bewegung. Dann gilt ξ t = dw t dt!
7 KAPITEL 1. ÜBERBLICK 6 und die obige geräuschte DGL lautet jetzt dx dt = ft, x) + gt, x) dw t dt Wir schreiben! hier, weil ein Wiener Prozeß nicht differenzierbar entweder pfadweise oder in Quadratmittel ist. Schlimmer noch, die Pfade eines Wiener Prozesses sind nicht von beschränkter Variation auf jedem beschränkten Intervall. Deswegen schreiben wir die obige DGL! dx t = ft, X t ) dt + gt, X t ) dw t Wir nennen eine solche DGL stochastische Differentialgleichung SDGL) und interpretieren diese SDGL als eine Integralgleichung: X t = X t + fs, X s )ds + gs, X s )dw s t }{{} pfadweise ein Riemansches Integral t }{{} stochastisches Integral Ein stochastisches Integral kann pfadweise kein Riemann-Stieltjes sches Integral sein weil die Pfade eines Wiener Prozesses ohne beschränkte Variation sind. Wir brauchen eine neue Art Integral, das Ito sche stochastische Integral nach dem japanischen Mathematiker K. Ito). Stochastisches Kalkül oder Ito sches Kalkül hat komische Eigenschaften. z.b. die Kettenregel oder Ito-Formel enthält einen zusätzlichen Term. Sei X t eine Lösung der SDGL und definiere Die Ito-Formel lautet Y t = Ut, X t ) wobei dy t = L Ut, X t ) dt + L 1 Ut, X t ) dw t L Ut, x) = U t U t, x) + ft, x) x t, x) g2 t, x) 2 U t, x) x2 }{{} zusätzlicher Term L 1 Ut, x) = gt, x) U x t, x)
8 KAPITEL 1. ÜBERBLICK 7 viele angepasste deterministische numerische Verfahren sind ungeeignet für SDGLen, d.h. inkonsistent und nicht konvergent. Wir können konsistente numerische Verfahren durch stochastische Taylor- Entwicklungen herleiten. Es gibt verschiedene Möglichkeiten: starke und schwache Verfahren, die von der Art der Approximation abhängen stark schwach L 1 -Approximation eine Approximation der Pfade Approximation der Wahrscheinlichkeitsmaße. Wir werden beide Arten von Verfahren untersuchen und auch Implementierungsfragestellungen erörten.
9 Kapitel 2 Wahrscheinlichkeitstheorie Betrachte eine verauschte DGL dx dt = ft, x) + Rauschen, wobei Rauschen eine zeitabhängige zufällige Störung ist z.b. weißes Gauß sches Rauschen. Der deterministische Term ft, x) heißt Drift. Im Allgemeinen hat das Rauschen ξ t einen x-abhängigen Intensitätskoeffizienten gt, x). Die geräuschte DGL lautet jetzt dx dt = ft, x) + gt, x)ξ t Aber dies isoch sehr vage. Um weiter zu gehen, brauchen wir ein paar Tatsachen aus der Stochastik, z.b. Begriffe wie Zufallsvariablen und stochastische Prozesse. Im Hintergrund steht immer ein Wahrscheinlichkeitsraum dabei sind: Ω, A, P ), 1) Ω der Stichprobenraum = eine beliebige nichtleere Menge) 2) A eine σ-algebra von Ereignissen d.h. Teilmengen von Ω mit Eigenschaften i) A ii) A c = Ω \ A A, falls A A iii) i=1 A i A, falls A 1, A 2, A 3) P ein Wahrscheinlichkeitsmaß auf A), d.h. P : A [, 1] mit i) P ) =, P Ω) = 1 8
10 KAPITEL 2. WAHRSCHEINLICHKEITSTHEORIE 9 ii) P i=1 A i) = i=1 P A i), falls A i A j = i j Der Wahrscheinlichkeitsraum ist meistens nicht explizit bekannt. Statt dessen haben wir nur Daten oder Messungen Xω) R, ω Ω. Eine Zufallsvariable oder Zufallsgröße X ist eine A-messbare Funktion X : Ω R, d.h mit X 1 a) := {ω Ω : Xω) a} A a R A-messbar = konsistent mit der Information der σ-algebra A.) Sei X eine Zufallsvariable und definiere die Funktion F X : R [, 1] durch F X a) := P {ω Ω : Xω) a}), a R. Die Funktion F X heißt Verteilung der ZV X. Sie besitzt die Eigenschaften i) F X a) F X b) 1, a b ii) iii) lim F Xa) = a lim F Xa) = 1. a + Die Funktion F X ist manchmal absolut stetig mit einer Ableitung f X x) = x) für fast alle x R. Es gelten F X und F X b) F X a) = F X a) = b a a f X x) dx, f X x) dx a b Die Funktion f X heißt Dichte der Verteilung F X oder der ZV X). Beispiele 1) Sei X auf [, 1] gleichmäßig verteilt { 1, falls x [, 1] f X x) =, sonst.
11 KAPITEL 2. WAHRSCHEINLICHKEITSTHEORIE 1 2) Sei X N, 1)-verteilt, d.h. standard normal verteilt oder Standard- Gauß-verteilt mit der Dichte f X x) = 1 2π e 1 2 x2. Zufallsvariablen haben nützliche numerische Merkmale, z.b. Erwartungswert p-ter Moment EX) := xf Xx)dx EX p ) := xp f X x)dx Varianz Var X) := EX EX)) 2 ) Die Varianz charakterisiert die Streuung um den Erwartungswert. Es gilt auch VarX) = EX 2 ) EX)) 2 2.1) Beispiele 1) X ist auf [, 1] gleichmäßig verteilt: 2) X ist N, 1) verteilt: auch EX) = 1 2, VarX) = 1 12 EX) =, VarX) = 1 EX 2p+1 ) =, EX 2p ) = 2p 1)!! = 2p 1)2p 3) 3.1. Eine Gauß-verteilte Zufallsvariable X Nµ, σ 2 ) bedeutet: X ist eine Gaußverteilte Zufallsvariable mit Erwartungswert EX) = µ Varianz VarX) = σ 2. Die entsprechende Verteilungsdichte lautet 1 /2σ f X x) = 2 2πσ 2 e x µ)2 Die zentralisierten Momente sind E X µ) 2p+1) =, E X µ) 2p) = 2p 1)!! σ p für p = 1, 2,. Hier: 2p 1)!! = 2p 1) 3.1 d.h. alle zentralisierten) Momente einer Gauß-verteilten Zufallsvariable sind durch die zwei Parameter µ und σ bestimmt sehr ungewöhnlich!
12 KAPITEL 2. WAHRSCHEINLICHKEITSTHEORIE Unabhängigkeit Zwei Zufallsvariable X und Y auf demselben Wahrscheinlichkeitsraum) heißen unabhängig, falls P {ω Ω : Xω) a} {ω Ω : Y ω) b}) = P {ω Ω : Xω) a}) P {ω Ω : Y ω) b}) für alle a, b R oder bezüglich Verteilungen und Dichten F X,Y ) a, b) = F X a) F Y b) f X,Y ) a, b) = f X a) f Y b) für alle a, b R Dann gelten i) EXY ) = EX) EY ) ii) Var X + Y ) = Var X)+ Var Y ) aber diese Bedingungen i) und ii) sind nur notwendige Bedingungen sie sind nicht hinreichend für die Unabhängigkeit von X und Y. 2.2 Konvergenz Betrachte jetzt eine ZV X) und eine Folge von ZVen {X n } n auf demselben Wahrscheinlichkeitsraum. Was bedeutet Konvergenz X n X für n? Es gibt mehrere nützliche Definitionen. 1) Konvergenz mit Wahrscheinlichkeit 1 oder fast sicher) d.h. P { }) ω Ω : lim X nω) = Xω) = 1 n Ω A mit P Ω) = 1 und X n ω) Xω) für n für jedes ω Ω. Wir schreiben: X n X m.w. 1 oder f.s.
13 KAPITEL 2. WAHRSCHEINLICHKEITSTHEORIE 12 2) Quadratmittel-Konvergenz Wir schreiben: X n X q.m. E X n X 2 ) für n Bemerkung EX n ) EX) E X n X ) E X n X 2 ) Cauchy-Schwarz-Ungleichung! EX n ) EX), Var X n X) und Var X n ) Var X) Daher wegen 2.1) gilt ingesamt qm-konvergenz Konvergenz der Erwartungswerte und der Varianzen 3) Konvergenz in Wahrscheinlichkeit lim P { ω Ω : X n ω) Xω) ɛ }) = für alle ɛ > n auch genannt: stochastische Konvergenz Bemerkungen 1) qm-konvergenz Konvergenz in Wahrscheinlichkeit wegen der Tschebyscheff-Ungleichung, d.h. P {ω Ω : Xω) ɛ}) 1 ɛ 2 E X 2 ) 2) Konvergenz m.w.1 qm-konvergenz nur unter gewissen Bedingungen, z.b. X und die X n sind gleichmäßig beschränkt f.s.) wo P Ω) = 1. Xω) L, X n ω) L ω Ω, n N 2.3 Pseudo-Zufallsvariablen-Erzeuger Pseudo-Zufallsvariablen-Erzeuger heißen pseudo, weil sie rein deterministisch sind, d.h durch deterministische Diffenzengleichungen definiert sind.
14 KAPITEL 2. WAHRSCHEINLICHKEITSTHEORIE 13 z.b. die Linearkongruent-PZVE sind der Form X n+1 = ax n + b mod c für geeignete Parameter a, b, c X n [, c] U n = X n /c [, 1] Die Paare sukzessiver U n, U n+1 ) liegen auf Geraden mit Neigung a/c in dem Einheitsrechteck [, 1] [, 1] Ein Anfangswert X heißt Samen Engl. seed) Beispiel RANDU von IBM in den 196s a = , b =, c = 2 31 Potenzen von 2 sind bevorzugt wegen binärer Computer-Arithmetik.
15 Kapitel 3 Stochastische Prozesse Sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Sei T eine nichtleere Teilmenge von R, die wir als einen Zeitraum betrachten werden, z.b. T = {, 1, 2, } T = [, T ] zeitdiskreter Fall zeitkontinuierlicher Fall Eine Funktion X : T Ω R, wobei Xt, ) eine Zufallsvariable für jedes t T ist, heißt stochastischer Prozess SP). Bemerkungen 1 Wir können X betrachten entweder als eine Familie von Zufallsvariablen {Xt, )} t T oder als eine Familie von Pfaden {X, ω) ω Ω. Jeder Pfad ist eine Realisierung des SPs. 2 In der Stochastik schreibt man X t ω) für Xt, ω) Beispiel Wir können eine Folge von Zufallsvariablen {X n } n= als einen zeitdiskreten stochastischen Prozess interpretieren. Es gibt viele Möglichkeiten für die Beziehung zwischen den verschiedenen Zufallsvariablen eines stochastischen Prozesses, d.h. zwischen X t1 und X t2 für alle t 1, t 2 T. Zwei Extreme in dem zeitdiskreten Fall) sind 1) Differenzengleichungen X n+1 ω) = gx n ω)) n =, 1, 2, und alle ω Ω wobei g : R R eine gegebene deterministische) Funktion ist. 2) i.i.d. -Zufallsvariable: die X n sind unabhängig independent) und haben dieselbe Verteilung identically distributed). 14
16 KAPITEL 3. STOCHASTISCHE PROZESSE 15 Im Allgemeinen betrachtet man eine ganze Familie von Verteilungen der Art F t 1, x 1 ; t 2, x 2 ; ; t j, x j ) = P { ω : X t1 ω) x 1 } {ω : X t2 ω) x 2 } {ω : X tj ω) x j }) für alle t 1, t 2,, t j, T und x 1, x 2,, x j, R Beispiel Im i.i.d -Fall gilt F t 1, x 1 ; t 2, x 2 ; ; t j, x j ) = F X x 1 ) F X x 2 ) F X x j ), wobei F X die gemeinsame Verteilung aller Zufallsvariablen X t, t T, ist. 3.1 Der Wiener Prozess Der Wiener-Prozess, oft Brown sche Bewegung genannt, ist einer der Grundprozesse der Stochastik. Ein Wiener-Prozess {W t, t } ist durch die folgenden Eigenschaften definiert 1) W t ist Gauß-verteilt mit i) W = m.w. 1 ii) EW t ) = für jedes t iii) EW 2 t ) = t für jedes t, W t N, t) für jedes t 2) die nichtüberlappenden Zuwächse von W t sind unabhängig, d.h. W t2 W t1 und W t4 W t3 sind unabhängige Zufallsvariablen für alle t 1 < t 2 t 3 < t 4. Sätzchen EW t W s ) 2 ) = t s für alle s t Beweis: EW t W s ) 2 ) = EWt 2 2W t W s + Ws 2 ) = EWt 2 Ws 2 2W t W s + 2Ws 2 ) = EWt 2 ) EWs 2 ) 2EW t W s )W s ) = t s 2EW t W s )W s W ))
17 KAPITEL 3. STOCHASTISCHE PROZESSE 16 Offensichtlich gilt auch nicht überlappende Zuwächse sind unabhängig = t s 2EW t W s ) EW s W )) = t s 2EW t ) EW s )) EW s ) EW )) = t s 2 ) ) = t s EW t W s ) = EW t ) EW s ) = und W t W s ist auch Gauß-verteilt, weil lineare Kombinationen Gauß-verteilter Zufallsvariablen Gauß-verteilt sind W t W s N, t s) Insbesondere gilt EW t W s ) 4 ) = 3t s) 2 Ein Kriterium von Kolmogoroff sagt dann, die Pfade eines Wiener-Prozesses sind stetig Aber von dem obigen Sätzchen folgt auch, dass Wt+h ) ) 2 W t E = E W t+h W t ) 2) h h 2 = h h 2 = 1 h für alle t und h > ein Wiener-Prozess isirgendwo quadratmittel-differenzierbar Schlimmer noch und der Beweis ist viel komplizierter) ist SATZ d.h. Die Pfade eines Wiener Prozesses sind nirgendwo differenzierbar, d dt W tω) existiert für kein t. und noch schlimmer
18 KAPITEL 3. STOCHASTISCHE PROZESSE 17 SATZ Die Pfade eines Wiener-Prozesses haben unbeschränkte Variation auf jedem endlichen Intervall, d.h. N T 1 sup W tj+1 ω) W tj ω) = + j= wobei das Supremum über alle Unterteilungen t t 1 t NT eines Intervalls [t, T ] ist. T Trotzdem definieren Physiker und Ingenieure weißes Gauß sches Rauschen ξ t durch ξ t ω) = d dt W tω) Sie meinen einen stochastischen Prozess, wobei die ξ t unabhängig und alle N; 1)-verteilt sind ein i.i.d.-prozess! ξ t existierur im Sinne verallgemeinerter Funktionen oder Distributionen). Dann schreiben unsere Kollegen die geräuschte DGL um: oder als dx dt = ft, x) + gt, x)ξ t dx dt = ft, x) + gt, x)dw t dt dx t = ft, X t )dt + gt, X t )dw t Eine solche DGL heißt stochastische Differentialgleichung SDGL). Sie existiert nur symbolisch als eine Differentialgleichung und ist tatsächlich nur eine Integralgleichung X t = X t + t fs, X s )ds + t gs, X s )dw s Aber wir müssen sagen, wie die Integrale hier sind. Das erste Integral ist pfadweise ein deterministisches Riemann-Integral t fs, X s ω))ds ω fest) Das zweite Integral sieht aus wie ein pfadweises deterministisches Riemann- Stieltjes-Integral.
19 KAPITEL 3. STOCHASTISCHE PROZESSE 18 Riemann-Integral b a N 1 ft)dt = lim fτ l )t l+1 t l ) N Riemann-Stieltjes-Integral b a l= N 1 ft)dgt) = lim fτ l ) {gt l+1 ) gt l )} N l= in beiden Fällen) für beliebige Auswertungsstellen τ l [t l, t l+1 ] aber das isicht möglich, weil die Pfade von W t unbeschränkte Variationen haben. Wir brauchen ein stochastisches Integral für das zweite Integral.
20 Kapitel 4 Stochastische Integrale Wir wollen ein stochastisches Integral T fs, ω)dw s ω) für geeignete auch zufällige!) Funktionen f definieren. Wie? Das pfadweise definierte Riemann-Stieltjes-Integral existiericht!, d.h. die Summen S N ω) = N 1 j= fτ j, ω) {W tj+1 ω) W tj ω)} beliebiges τ j [t j, t j+1 ] konvergieren nicht fast sicher). Könnten wir Quadratmittelkonvergenz benutzen? NEIN! Betrachte ft, ω) W t ω) SATZ Beweis: qm lim N Definiere N 1 j= W τ j ω) {W tj+1 ω) W tj ω)} 1 2 W T 2ω) 1 2 T, falls τ j t j 1 = 2 W T 2ω), falls τ j t j t j+1 t j ) 1 2 W T 2ω) T, falls τ j t j+1 S N ω) = N 1 j= W tj ω) {W tj+1 ω) W tj ω)} Jetzt werden wir das ω nicht schreiben). 19
21 KAPITEL 4. STOCHASTISCHE INTEGRALE 2 Wir müssen beweisen, dass E S N 1 2 W T ) 2 2 T für N. Definiere Dann gilt weil d.h. j = t j+1 t j = T N, W j = W tj+1 W ti N, j ) S N = 1 N 1 Wt 2 2 j+1 Wt 2 j ) 1 N 1 W j ) 2, 2 j= j= W 2 t j+1 = W tj + W j ) 2 = W 2 t j + 2W tj W j + W j ) 2 weil t N = T und t =. S N = 1 2 W T W 2 1 N 1 W j ) 2 2 j= S N 1 2 W T T 2 = 1 N 1 4 T W j ) 2 j= 2 = 1 N 1 { 4 j W j ) 2} j= Definiere Z j = j W j ) 2. Dann gelten EZ j ) = j E W j ) 2 ) = j j = VarZ j ) = EZj 2) weil EZ j) = hier = E 2 j 2 j W j ) 2 + W j ) 4) = 2 j 2 je W j ) 2) + E W j ) 4) = 2 j 2 j j j = 2 2 j weil W j N, j ) ist Wichtig: die W i und W j Zuwächse!) sind unabhängig für i j nicht überlappende
22 KAPITEL 4. STOCHASTISCHE INTEGRALE 21 Z i und Z j sind unabhängig für i j Var N 1 j= Z j = N 1 j= N 1 ) Aber E j= Z j = hier Var Z j ) = E S N 1 2 W T 2 1 ) 2 2 T N 1 j= = 1 4 Var N 1 2 j ) 2 = 2 N 1 j= j= Z j = T 2 2N für N T 2 N 2 = 2T 2 N Die dritte Behauptung t j t j+1 ) folgt durch Wtj+1W tj+1 W tj ) = W tj+1 W tj ) 2 + W tj W tj+1 W tj ). }{{}}{{} qm T qm 1 2 W T T Ähnlicherweise beweist man die zweite Behauptung für τ j = t j t j+1 t j ). Die Details sind etwas komplizierter und werden hier nicht augeschrieben). Diese Ergebnisse zeigen: ein durch qm-konvergenz definiertes Riemann-Stieltjes stochastisches Integral existiert auch nicht, weil die Grenzwerte von der Wahl der Auswertungsstellen τ j abhängen. Was ist zu tun? Stochastische Konvergenz? nein! qm-konvergenz immer mit derselben Auswertungsstelle τ j t i für das Ito-Integral τ j t j t j+1 t j ) für das Stratonovich-Integral 4.1 Das Ito sche stochastische Integral Sei {W t, t } ein Wiener-Prozess. Um das stochastische Integral T fs, ω)dw s ω) zu definieren, brauchen wir eine Klasse geeigneter Integrand-Funktionen f : [, T ] Ω R. Wir setzen voraus, dass f die folgenden Eigenschaften besitzt:
23 KAPITEL 4. STOCHASTISCHE INTEGRALE 22 1 f t ) ft, ) ist eine Zufallsvariable d.h. A-messbar) mit für jedes t [, T ] Ef 2 t ) < 2 die Pfade t f t ω) sind stetig auf [, T ] fast sicher 3 die {f t, t [, T ]} sind nichtantizipativ bezüglich des Wiener-Prozesses {W t, t }, d.h. f t und W t+h W t sind unabhängig für jedes h >, t [, T ). Bemerkung Im Allgemeinen sind die Pfade t f t ω) nur Lebesgue-messbar. Aber dieser Begriff braucht eine Kenntnis von Maß-Theorie. Auch hier brauchen wir nur stetige Pfade. Wir definieren das Ito-Integral einer Funktion f von obiger Klasse durch T N 1 ft, ω)dw t ω) = qm lim ft j, ω) {W tj+1 ω) W tj ω)} N j= Der Grenzwert hier hängicht von der Folge der Unterteilungen des Intervalls [, T ] ab - wir brauchen nur, dass N) = max j=,,n 1 t j+1 t j ) für N. Das Ito-Integral T f tdw t besitzt die folgenden wichtigen Eigenschaften SATZ 1. Linearität T αf t + βg t ) dw t = α T f t dw t + β T g t dw t für alle f, g von der Klasse und α, β R ) T 2. Erwartungswert E f t dw t = ) ) T 2 3. Varianz E f t dw t = T E ) ft 2 dt Die dritte Eigenschaft 4.1) heißt die Ito-Isometrie. Beweis Skizze): Wir zeigen hier nur, dass jede Summe N 1 j= f tj {W tj+1 W tj }
24 KAPITEL 4. STOCHASTISCHE INTEGRALE 23 der behaupteten Eigenschaft genügt dann benutzt man qm-konvergenz, um die Aussage zu erhalten. Schreibe f j = f tj, g j = g tj, W j = W tj+1 W tj. 1) αf + βg gehört zu der obigen Klasse. Dann N 1 αf + βg) j W j = j= N 1 αf j + βg j ) W j j= N 1 N 1 = α f j W j + β g j W j 2) f j und W j sind unabhängig wegen der Nichtantizipativität von f. Dann N 1 N 1 E f j W j = Ef j W j ) j= = = j= N 1 j= N 1 j= j= j= Ef j ) E W j ) [unabhängig!] Ef j ) = 3) f j W j und f i W i sind unabhängig für i j wegen der Nichtantizipativität von f und der Unabhängigkeit der nichtüberlappenden Zuwächse von W t. Dann 2 N 1 N 1 E f j W j = Var f j W j, j= j= N 1 weil E f j W j = ist j= = = N 1 j= N 1 j= Varf j W j ) E f j W j ) 2) [unabhängige Zufallsvariablen] wobei j = t j+1 t j. = = N 1 j= N 1 j= E f 2 j ) E Wj ) 2 ) [Nichtantizipativität] Ef 2 j ) j
25 KAPITEL 4. STOCHASTISCHE INTEGRALE Das Stratonovich sche stochastische Integral Das Ito-Integral genügt auch der komischen Eigenschaft T W t dw t = 1 2 W 2 T 1 2 T verglichen mit dem deterministischen Kalkül, wo W = hier) ut ) u) udu = T ut)u t) dt, u Ableitung = 1 2 ut )2 1 2 u)2 = 1 2 ut )2 falls u) =. Dasselbe Ergebnis gilt auch in dem stochastischen Fall bezüglich der Auswertungsstellen τ j = t j t j+1 t j ) 1 2 t j + t j+1 ). Definition: Sei f von der obigen Klasse. Das Stratonovich-Integral von f ist definiert durch T f N 1 t dw t = qm lim N j= f t j t j+1 t j ) ) {W tj+1 W tj } Die Limeszufallsvariable T f t dw t hängicht von der Folge der Unterteilungen des Intervalls [, T ] ab. Wir haben T W t dw t = 1 2 W 2 T. Das Stratonovich-Integral genügt auch der Linearitätseigenschaft T T T αf t + βg t ) dw t = α f t dw t + β g t W t Aber die anderen günstigen Eigenschaften des Ito-Integrals gelten im Allgemeinen nicht, d.h. im Allgemeinen ) T E f t dw t ) 2 T E f t dw t T E ft 2 ) dt,
26 KAPITEL 4. STOCHASTISCHE INTEGRALE 25 z.b. speziell für f t = W t ) ) T ) 1 E W t dw t = E 2 W T 2 = 1 2 T ) 2 T ) E W t dw t 1 = E 4 W T 4 = 3 4 T T 2 = T tdt = T EW 2 t )dt. Im Gegensatz dazu, genügt das Ito-Integral ) T 1 E W t dw t = E 2 W T 2 1 ) ) 1 2 T = E 2 W T = 1 2 T 1 2 T = ) 2 T 1 E W t dw t = E 2 W T 2 1 ) ) 2 2 T = 1 ) ) E W 4 4 T 2T E W 2 T + T 2 ) = 1 3T 2 2T T + T 2) 4 = 1 2 T 2 = T tdt = T EW 2 t )dt.
27 Kapitel 5 Stochastische Differentialgleichungen Stochastische Differentialgleichungen SDGLen) sind eigentlich Integralgleichungen die Differentialdarstellung isur symbolisch. Es gibt zwei Arten von SDGLen 1) Ito sche SDGLen mit dem Ito-Integral dx t = ft, X t )dt + gt, X t )dw t X t = X t + t fs, X s )ds + t gs, X s )dw s 2) Stratonovich sche SDGLen mit dem Stratonovich-Integral = Stratonovich) dx t = ft, X t )dt + gt, X t ) dw t X t = X t + t fs, X s )ds + t gs, X s ) dw s Eine Lösung X t ist ein stochastischer Prozess, welcher der stochastischen Integralgleichung der SDGL genügt, mit folgenden Eigenschaften i) X t ist eine Zufallsvariable mit EX 2 t ) < für jedes t [t, T ] ii) X t isichtantizipativ bzgl. des Wiener Prozesses W t iii) Die Pfade t X t ω) sind stetig f.s.) Bemerkungen Die Lösungen einer Ito schen SDGL und der Stratonovich schen SDGL mit denselben Koeffizienten sind nicht immer identisch, z.b. 26
28 KAPITEL 5. STOCHASTISCHE DIFFERENTIALGLEICHUNGEN 27 I) die Ito-SDGL dx t = ax t dt + bx t dw t besitzt die Lösung X t = X e a 1 2 b2 )t+bw t II) Die Stratonovich-SDGL dx t = ax t dt + bx t dw t besitzt die Lösung X t = X e at+bw t das Verhalten der Lösungen kann ganz anders sein! Frage Sollen wir die Ito sche oder Stratonovich sche Version einer SDGL benutzen? Die Antwort hat mehr mit Modellierung als mit Mathematik zu tun im Allgemeinen gibt s nur Daumenregeln. Aber die Lösungen der Ito-SDGL dx t = ft, X t ) dt + gt, X t ) dw t und der modifizierten Stratonovich-SDGL wobei dx t = ft, X t ) dt + gt, X t ) dw t sind identisch! ft, x) ft, x) 1 2 g gt, x) t, x) x Beispiel dx t = ax t dt + bx t dw t dx t = a 1 2 b2) X t dt + bx t dw t Ito Stratonovich haben dieselbe Lösung X t = X e a 1 2 b2 )t+b W t. Beispiel Wir sagen, dass das Rauschen additiv ist, falls g t, x). x In diesem Fall gilt ft, x) ft, x). Dann haben die Ito-SDGL und die Stratonovich- SDGL mit denselben Koeffizienten dieselben Lösungen.
29 KAPITEL 5. STOCHASTISCHE DIFFERENTIALGLEICHUNGEN 28 Das Rauschen heißt multiplikativ, wenn g t, x) ist. x Bemerkungen Die beiden Versionen der stochastischen Integralrechnung haben ihre Vorteile und Nachteile aber wir können immer von einer in die andere wechseln, um die Vorteile auszubeuten. z.b. die Ito-Version ist günstiger für Abschätzungen und Beweise wegen der Sondereigenschaften des Ito-Integrals. die Stratonovich-Version ist günstiger, wenn wir explizite Lösungen finden wollen die Stratonovich-Kettenregel aber nicht die Ito sche) ist genau wie in der deterministischen Integral-/Differentialrechnung. 5.1 Der Existenz- und Eindeutigkeitssatz 1. Die Koeffizienten f, g : [t, T ] R R genügen den folgenden Eigenschaften i) stetig in t, x) ii) Linearwachstum ft, x) K1 + x ) gt, x) K1 + x ) iii) Lipschitz-Bedingung ft, x) ft, y) L x y gleichmäßig in t [t, T ] gt, x) gt, y) L x y 2. Die Anfangszufallsvariable X t sei nichtantizipativ bzgl. des Wiener Prozesses W t mit EX 2 t ) < Unter diesen beiden Voraussetzungen besitzt die Ito-SDGL dx t = ft, X t ) dt + gt, X t ) dw t eine eindeutige Lösung auf [t, T ] mit Anfangswert X t.
30 KAPITEL 5. STOCHASTISCHE DIFFERENTIALGLEICHUNGEN 29 Idee des Beweises Man zeigt, dass die sukzessiven Approximationen X n+1) t = X t + fs, X s n) ) ds + t gs, X s n) ) dw s, t n =, 1, 2,..., mit X ) t X t einen eindeutigen qm-grenzwert X t besitzen und dann schwieriger!), dass X t die behaupteten Eigenschaften besitzt. Fixpunktsatz! Ein großer Unterschied zum deterministischen Fall ist die Benutzung der Lipschitz-Bedingung in dem Ito-Integral. Statt fs, X s ) ds fs, Y s ) ds fs, X s ) fs, Y s ) ds für t t) t t t t L X s Y s ds Lipschitz-Bedingung für den Drift-Term, müssen wir die folgende Abschätzung benutzen: E gs, X s ) dw s gs, Y s ) dw s t t = E 2 ) 2) gs, X s ) gs, Y s )) dw s Linearität t = t E t L 2 E gs, X s ) gs, Y s ) 2) ds X s Y s 2) ds Lipschitz-Bedingung Varianz/Isometrie des Ito-Integrals Bemerkungen Die Voraussetzungen des Satzes sind ziemlich streng, z.b. die Linearwachstumsbedingungen. Schwächere Voraussetzungen sind auch möglich!
31 Kapitel 6 Das stochastische Euler-Verfahren Die Lösung xt) = xt, t, x ) der deterministischen Anfangswertaufgabe genügt der Integralgleichung dx dt = ft, x), xt ) = x xt) = x + fs, xs)) ds t auf dem Intervall [t, T ], sowie der Integralgleichung n+1 x+1 ) = x ) + fs, xs)) ds auf jedem Teilintervall [, +1 ] von [t, T ]. Daraus erhalten wir die Approximation n+1 x+1 ) x ) + f, x )) }{{} Auswertungsstelle s = ds n+1 d.h. x+1 ) x ) + f, x )) 1 ds = x ) + f, x )) n, n =, 1,, N 1 wobei n = +1 = 1 1 ds. Dies ist die Motivierung für das Euler-Verfahren 3
32 KAPITEL 6. DAS STOCHASTISCHE EULER-VERFAHREN 31 x n+1 = x n + f, x n ) n n =, 1,, N 1 bezüglich einer Unterteilung t < t 1 < < < < t N = T des Intervalls [t, T ]. Hier soll x n x ) sein. Der globale Diskretisierungsfehler genügt der Abschätzung x ) x n K T, wobei = max n n > ist, für die Klasse von stetig differenzierbaren Vektorfeldfunktionen f. Deshalb besitzt das deterministische Euler-Verfahren die Ordnung p = 1. Betrachte jetzt eine Ito-SDGL dx t = ft, X t ) dt + gt, X t ) dw t auf dem Intervall [t, T ] mit Anfangswert X t. Die Lösung X t genügt der stochastischen Ito-Integralgleichung X t = X t + t fs, X s ) ds + auf dem Intervall [t, T ], sowie der Integralgleichung X tn+1 = X tn + n+1 fs, X s ) ds + auf jedem Teilintervall [, +1 ] von [t, T ]. t gs, X s ) dw s n+1 gs, X s ) dw s Wie im deterministischen Fall einfrieren wir die Integrandenfunktionen f und g zu der Auswertungsstelle s =. Wir erhalten die Approximation wobei X tn+1 X tn + n+1 f, X tn ) ds + n+1 g, X tn ) dw s n+1 n+1 = X tn + f, X tn ) 1 ds + g, X tn ) 1 dw s = X tn + f, X tn ) n + g, X tn ) W n, n = +1 = n+1 W n = W tn+1 W tn = 1 ds n+1 1 dw s Diese Approximation scheint konsistent mit der Definition des Ito-Integrals zu sein!
33 KAPITEL 6. DAS STOCHASTISCHE EULER-VERFAHREN 32 Daraus erhalten wir das stochastische Euler-Verfahren X n+1 = X n + f, X n ) n + g, X n ) W n n =, 1,, N 1 Dieses Verfahren heißt auch Euler-Maruyama-Verfahren. Hier soll X n X tn in einem geeigneten Sinne sein aber welcher Sinn? Die Vorschrift des Euler-Maruyama-Verfahrens ist eine stochastische Differenzengleichung, die eine Zufallsvariable X n in eine neue Zufallsvariable X n+1 abbildet. Aber in einem Computer können wir nur einzelne Realisierungen einer Zufallsvariablen bzw. einzelne Pfade eines zeitdiskreten) stochastischen Prozesses berechnen, d.h X n ω) X n+1 ω) für festes ω. Dafür brauchen wir die entsprechenden Zuwächse W n ω) des Pfades W t ω) des Wiener Prozesses W t. Die Berechnungen laufen rekursiv. W ω) W 1 ω) W 2 ω)... X ω) X 1 ω) X 2 ω) X 3 ω) Bemerkung W tn+1 = W t + n j= W j Wir simulieren die Zuwachsrealisierungen W n ω) durch einen Pseudo-Zufallsvariablen Erzeuger PZVE) und die Box-Muller-Methode. 1) PZVE Jeder Computer besitzt einen eingebauten PZVE, z.b. namens RAN, RAND, usw random= zufällig auf Englisch) Betrachte 2 sukzessive Verwendungen von RAN RAN U 1, RAN U 2 U 1 und U 2 sind sollen sein!) Realisierungen von 2 unabhängigen gleichmäßig auf [, 1] verteilten Zufallsvariablen. 2) Box-Muller-Methode Berechne G 1 = 2 lnu 1 ) cos2πu 2 ) G 2 = 2 lnu 1 ) sin2πu 2 ) G 1 und G 2 sind sollen sein!) Realisierungen von 2 unabhängigen N, 1) verteilten Zufallsvariablen.
34 KAPITEL 6. DAS STOCHASTISCHE EULER-VERFAHREN 33 3) Zuwächse Berechne W 2n ω) = G 1 2n, W 2n+1 ω) = G 2 2n+1 d.h. Realisierungen der unabhängigen Zuwächse W 2n N, 2n ) und W 2n+1 N, 2n+1 ) auf den Teilintervallen [t 2n, t 2n+1 ] und [t 2n+1, t 2n+2 ] für dasselbe ω für denselben Pfad W t ω) des Wiener Prozesses)., ln, cos, sin Polar-Marsaglia bes- N.B. Box-Muller aufwendig wegen ser?) Wir können den numerischen Pfad X j ω), j =, 1,..., N, besser durch einen Polygonzugprozess -Pfad veranschaulichen. Definiere X ) t, t [t, T ], = max n n pfadweise durch X ) t ω) = X n ω) + t [X n+1 ω) X n ω)] für t [, +1 ]. n Für das Euler-Maruyama-Verfahren gilt X ) t ω) = X n ω) + t [f, X n ω)) n + g, X n ω))] W n ω)) n = X n ω) + f, X n ω)) t ) + g, X n ω)) t n W n ω) Bemerkung Dieser stochastische Prozess isichichtantizipativ d.h. er ist antizipativ bzgl. W t ) wegen W n = W tn+1 W tn. Frage: Wie können wir denselben Pfad d.h. mit demselben ω) für eine feinere Unterteilung von [t, T ] berechnen? z.b mit halbierter Schrittweite: alte Unterteilung: t < t 1 < < < +1 < < t N = T neue Unterteilung: t = t < t 1 < t 2 < < t 2N = T t 2n = mit t 2n+1 = ) Dann können wir die Lévy-Konstruktion verwenden, um einen geeigneten Wert von W t 2n+1 ω) zu berechnen, wenn W tn ω) und W tn+1 ω) bekannt sind. Definiere
35 KAPITEL 6. DAS STOCHASTISCHE EULER-VERFAHREN 34 W t 2n+1 ω) = 1 2 { Wtn ω) + W tn+1 ω) } + n 2 ɛ nω) wobei ɛ n N, 1) ist und natürlich sind die verschiedenen ɛ n unabhängig. Beweis-Hinweis Die neuen Zuwächse W 2n = n W t 2n+1 W t 2n = W t 2n+1 W tn = 2 ɛ n W n W 2n+1 = n W t 2n+2 W t 2n+1 = W tn+1 W t 2n+1 = 2 ɛ n W n sind unabhängig und N, n /2) verteilt mit NB W 2n + W 2n+1 = W n Var W 2n + W 2n+1 ) = Var W 2n ) + Var W 2n+1 ) unabhängig! = n /2 + n /2 = n = Var W n ).
36 Kapitel 7 Starke und schwache Konvergenz Betrachte eine Ito-SDG dx t = ft, X t )dt + gt, X t ) dw t auf einem Intervall [t, T ] mit Lösung X t. Betrachte auch eine Unterteilung t < t 1 < < < < t N = T des Intervalls [t, T ] mit Schrittweiten n = +1 >, n =, 1,, N 1 und maximaler Schrittweite = max n n Das Euler-Maruyama-Verfahren hier lautet X n+1 = X n + f, X n ) n + g, X n ) W n, wobei die Zuwächse W n N, n ) und unabhängig sind. Die Vorschrift hier ist eine Differenzengleichung für Zufallsvariablen. In der Praxis können wir nur einzelne Realisierungen von Zufallsvariablen berechnen, d.h. X n+1 ω) = X n ω) + f, X n ω)) n + g, X n ω)) W n ω), n =, 1,, für ein festes ω. Dann können/müsssen wir die Berechnungen für ein neues ω wiederholen). Dafür simulieren wir die W n ω) durch PZVE und die Box-Muller-Methode. Wir hoffen, dass die X n ω) irgendwie die X tn ω) approximieren. Aber, in welchem Sinn? Beispiel: Sei X eine 2-Punkt-Zufallsvariable mit P {ω Ω : Xω) = 1}) = 1/2, P {ω Ω : Xω) = +1}) = 1/2 35
37 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 36 und definiere Y ω) Xω) für alle ω Ω. Dann sind die Zufallsvariablen X und Y identisch verteilt, aber Was wollen wir approximieren? Xω) Y ω) = 2, ω Ω. Für einige Anwendungen sollen die Realisierungen nah sein. Für andere reicht es, dass nur die Wahrscheinlichkeiten verschiedener Ereignisse oder die Verteilungen) nah sind. Wir werden 2 Arten stochastischer Approximationen unterscheiden: starke Approximationen und schwache Approximationen. 7.1 Starke Approximationen Im Prinzip können wir den Fehler X n ω) X tn ω) für jedes ω Ω betrachten. Aber dann sind die Fehlerabschätzungen technisch sehr kompliziert vielleicht unmöglich!) und viele Fälle passieren fasie oder nur mit geringer Wahrscheinlichkeit. In der Praxis ist der qm-fehler qm = quadrat-mittel) E X n X tn 2) günstiger, z.b Abschätzungen sind technisch leichter durchzuführen. Aber: wir werden der erste Moment E X n X tn ) benutzen, weil es die natürliche Verallgemeinerung des deterministischen Diskretisierungsfehlers ist. Wir können ihn auch durch den qm-fehler abschätzen: E X n X tn ) E X n X tn 2) Schreibe X n ). für eine numerische Approximation mit maximaler Schrittweite Wir definieren die starke Konvergenz solcher numerischen Approximationen durch ) X max E ) n X tn für. n
38 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 37 Wir sagen, dass ein numerisches Verfahren starke Ordnung γ > besitzt, falls für eine Konstante, die von T abhängt. ) X max E ) n X tn K T γ, n Das Euler-Maruyama-Verfahren besitzt starke Ordnung γ = 1/2 bezüglich der Klasse von Ito-SDGLen mit Koeffizienten f und g wie in dem Existenz/Eindeutigkeitssatz. Verglichen mit dem deterministischen Fall, ist der Beweis schwieriger, weil die Lösungen nicht pfadweise gleichmäßig beschränkt sind, d.h wir können keine gemeinsame kompakte Menge für z.b. lokale Lipschitz-Bedingungen benutzen. Hinweis: E W n ) 2) = n E W n ) n 7.2 Schwache Approximationen Jetzt wollen wir die Verteilungen von X ) n und X tn vergleichen, oder die entsprechenden Wahrscheinlichkeiten für verschiedene Ereignisse. Diese sind meistens expliziicht bekannt aber die Momente sind oft bekannt. X ) n Wir definieren die schwache Konvergenz einer numerischen Approximation durch max n E P X ) n )) E P X tn )) für, für alle Polynome P oder von einer anderen geeigneten Klasse von Testfunktionen). Wir sagen, dass ein numerisches Verfahren die schwache Ordnung β > besitzt, falls )) max E P X n ) E P X tn )) K P,T β n wobei hier die Konstante auch von P abhängt. Das Euler-Maruyama-Verfahren besitzt schwache Ordnung β = 1
39 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 38 bzgl. der obigen Klasse von Ito-SDGLen. Bemerkung: Schwache Konvergenz ist tatsächlich schwächer als starke Konvergenz. Dies ist leicht zu sehen, wenn P einer globalen Lipschitz-Bedingungen genügt, z.b. P x) = x. Dann gilt E P X n )) E P X tn )) = E P X n ) P X tn )) E P X n ) P X tn ) ) E L P X n X tn ) = L P E X n X tn ) ein Verfahren konvergiert schwach, wenn es stark konvergiert. Umgekehrt meistens falsch! z.b. Sei X n X tn mit EX n ) = and E X n ). Dann haben wir E X n ) E X tn ) = = aber E X n X tn ) = 2E X n ) Das vereinfachte Euler-Verfahren Für schwache Konvergenz können wir die 2-Punkt-Zufallsvariablen W n mit P {ω Ω : W n ω) = }) n = 1/2 P {ω Ω : W n ω) = + }) n = 1/2 statt Gauß-verteilten W n N, n ) in dem Euler-Verfahren benutzen. Dann heißt das Euler-Verfahren das vereinfachte Euler-Verfahren und lautet X n+1 = X n + f, X n ) n + g, X n ) W n Dieses Verfahren besitzt auch die schwache Ordnung β = 1, aber konvergiert nicht in dem starken Sinne. Bemerkung Die ersten 3 Momente von W n und W n sind identisch diese Tatsache reicht für eine schwache Approximation erster Ordnung. ) E W n = E W n ) =
40 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 39 ) ) 2 E W n ) ) 3 E W n = E W n ) 2) = n = E W n ) 3) = aber ) ) 4 E W n = 2 n E W n ) 4) = 3 2 n. Bemerkung Die 2-Punkt-Zufallsvariablen W n sind sehr leicht und billig!) zu simulieren. 1) PZVE U auf [, 1] gleichmäßig verteilt 2) U, 1/2) W n ω) = n U [1/2, 1] W n ω) = + n d.h wir müssen keine aufwendigen Funktionen, ln, cos, sin wie in der Box- Muller-Methode auswerten Funktionalschätzung Oft wollen wir ein Funktional einer Lösung X t einer Ito-SDG schätzen, z.b. E qx T )), wobei q : R R eine gegebene Funktion ist und X t die Lösung einer Ito-SDGL auf einem Intervall [t, T ]. Wir können ein schwach konvergierendes numerisches Verfahren benutzen, um X ) N ω) für ω = ω 1,, ω K zu berechnen. Dann ist das arithmetische Mittel eine Schätzung für E q ˆq = 1 K X ) N )). K j=1 ) q X ) N ω j) Das arithmetische Mittel ˆq ist selbst zufällig, aber wir können ein Konfidenz- Intervall der Form [ˆq r,k,α, ˆq + r,k,α ] )) finden. Der genaue Wert E q X N liegt in diesem Intervall mit Wahrscheinlichkeit 1 α und der erwünschte Wert )) E q X T )) = E q + O β ), X ) N
41 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 4 wobei β die schwache Ordnung des numerischen Verfahrens ist. Aber K muss sehr groß sein, wenn α und r,k,α klein sein sollen. 7.3 Konsistenz Die starke Ordnung γ = 1/2 und schwache Ordnung β = 1 des stochastischen Euler-Verfahrens sind nicht sehr günstig, weil wir viele verschiedene Pfade berechnen müssen. Daher brauchen wir stochastische numerische Verfahren höherer Ordnung. Aber wie können wir solche Verfahren herleiten? Angepasste Versionen deterministischer Verfahren z.b. des Heun-Verfahrens) konvergieren entweder nicht oder nur miiedriger Ordnung. Beispiel Das Heun-Verfahren für die Ito-SDGL dx t = fx t ) dt + gx t ) dw t lautet X n+1 = X n [fx n) + fx n + fx n ) n + gx n ) W n )] n [gx n) + gx n + fx n ) n + gx n ) W n )] W n Für multiplikatives Rauschen, d.h. gx), konvergiert das Heun-Verfahren weder stark noch schwach. Dies ist keine Überraschung, weil der stochastische Term des Heun-Verfahrens offensichtlich nicht konsistent mit den Definitionen des Ito-Integrals ist, z.b dx t = 2X t dw t fx), gx) 2x X = 1 mit der Lösung X t = 1 + 2X s dw s, für welche gilt ) EX t ) = 1 + E 2X s dw s = 1 + = 1 t, Ito-Integral! Das Heun-Verfahren hier lautet X n+1 = X n [2X n + 2 X n + 2X n W n )] W n = X n [ Wn + 2 W n ) 2 ) ] X n = n 1 j= Wj + 2 W j ) 2) unabhängige ZVen X 1)
42 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 41 EX n ) = = = n 1 j= n 1 j= n 1 j= E W j + 2 W j ) 2) 1 + 2E Wj ) + 2E W j ) 2 ) ) ) = ) n = e 2n + O ) = e 2 + O ), = n, Betrachte den globalen Diskretisierungsfehler des Euler-Verfahrens für die deterministische DGL x = 2x.) aber E X tn ) = 1 e 2 Das Heun-Verfahren konvergiericht schwach und deshalb auch nicht stark) in diesem Beispiel. Für additives Rauschen, d.h. g x), konvergiert das Heun-Verfahren mit Ordnungen γ = β = 1. Es gehicht besser mit anderen Runge-Kutta-Verfahren: entweder keine Konvergenz oder Konvergenz nur mit Ordnungen γ, β < 2. Ein stochastisches numerisches Verfahren höherer Ordnung soll mindestens die entsprechenden statistischen Eigenschaften des Euler-Verfahrens besitzen. Diese Beobachtung motiviert die folgenden Definitionen starker und schwacher Konsistenz. Betrachte eine Ito-SDGL dx t = ft, X t ) dt + gt, X t ) dw t Schreibe X,t,X) 1 für den ersten Schritt eines numerischen Verfahrens mit Anfangsbedingungen t, X) und Schrittweite. Sei c : R R + eine stetige Funktion mit lim c ) = Ein numerisches Verfahren heißt stark konsistent, falls ) 1) 1 E X,t,X) 1 X ft, X) 2 c ) ) 1 2) E X,t,X) 1 X E X,t,X) 1 X gt, X) W 2) c ),
43 KAPITEL 7. STARKE UND SCHWACHE KONVERGENZ 42 und schwach konsistent, falls 1) und X 2 ) 1 E,t,X) 1 X 2) gt, X) 2 c ) SATZ 1) starke Konsistenz starke Konvergenz 2) schwache Konsistenz schwache Konvergenz Beispiele 1) Das Euler-Maruyama-Verfahren mit W N, ) ist stark und schwach konsistent. 2) Das vereinfachte Euler-Verfahren ist schwach konsistent. 3) Das Heun-Verfahren ist stark/schwach konsistent genau dann, wenn das Rauschen additiv ist.
44 Kapitel 8 Die stochastische Kettenregel Wir brauchen stochastische Taylor-Entwicklungen, um konsistente stochastische Approximationen höherer Ordnung systematisch herzuleiten. Diese sind durch die stochastische Kettenregel oder Ito-Formel konstruiert. Die Ito-Formel hat viele andere wichtige Anwendungen, z.b. die Herleitung der Feynman-Kac- Formel, die wir auch in diesem Kapitel betrachten werden. 8.1 Die Ito-Formel Betrachte eine Ito-SDGL mit Lösung X t und definiere dx t = ft, X t ) dt + gt, X t ) dw t Y t = Ut, X t ), wobei U : [, T ] R R eine 2-mal stetig differenzierbare Funktion ist. Dann gilt: oder in Integralform dy t = L Ut, X t ) dt + L 1 Ut, X t ) dw t Y t = Ut, X t ) + t L Us, X s )ds + t L 1 Us, X s )dw s 43
45 KAPITEL 8. DIE STOCHASTISCHE KETTENREGEL 44 mit den Differential-Operatoren L U = U t + f U x g2 2 U x 2, L1 U = g U x Dieser Ausdruck ist die stochastische Kettenregel und heißt Ito-Formel. Beispiel Y t = W 2 t Nimm X t W t, d.h. dx t = dt + 1 dw t ft, X), gt, X) 1 Wir haben Y t = W 2 t X 2 t = Ut, X t ) mit Ut, x) = x 2 U t =, U x = 2x, 2 U x 2 = 2 L U = + 2x , L 1 U = 1 2x = 2x Die Ito-Formel lautet dy t = 1 dt + 2X t dw t hier dw 2 t ) = 1 dt + 2W t dw t W 2 t = W ds + 2 W s dw s = + t + 2 W s dw s W s dw s = 1 2 W 2 t 1 2 t Bemerkung Bei einem Vergleich mit der totalen Ableitung d dt Ut, x) = U t U t, x) + f t, x) x der deterministischen Kettenregel, enthält der Operator L einen zusätzlichen Term g2. Der Ursprung dieses Terms liegt in der die Tatsache, dass x2 E W ) 2) = t Beweis Skizze) Schreibe X = X t+ t X t. Dann gilt Y = Y t+ t Y t = Ut + t, X t+ t ) Ut, X t ) = Ut + t, X t + X) Ut, X t ) = U U t + t x X U 2 t 2 t)2 + 2 U t x t X U 2 x 2 X)2 +
46 KAPITEL 8. DIE STOCHASTISCHE KETTENREGEL 45 Aber X = ft, X t ) t+gt, X t ) W t +. Schreibe X = f t+g W t + Y = U t t + U x f t + g W t) U 2 t 2 t)2 + 2 U t x t f t + g W t) = U f 2 2 x 2 t 2 + 2f t g W t + g 2 W t ) 2) + U t + f U x g2 2 U x 2 ) t + g U x W t g2 2 U x 2 Wt ) 2 t ) + Y = L U t + L 1 U W t g2 2 U x 2 { Wt ) 2 t } + Terme höherer Ordnungen Nur die ersten 2 Terme bleiben nach qm-konvergenz übrigs. 8.2 Die Stratonovich-Kettenregel Die Kettenregel für Stratonovich SDGLen ist eine direkte Verallgemeinerung der deterministischen Kettenregel. Betrachte eine Stratonovich SDGL dx t = ft, X t ) dt + gt, X t ) dw t und eine Abbildung Y t = Ut, X t ) Dann lautet die Stratonovich-Kettenregel oder in Itegralform dy t = L Ut, X t )dt + L 1 Ut, X t ) dw t Y t = Ut, X t ) + t L Us, X s ) ds + t L 1 Us, X s ) dw s
47 KAPITEL 8. DIE STOCHASTISCHE KETTENREGEL 46 mit den Differential-Operatoren L U = U t + f U x, L1 U = g U x Dies bedeutet, dass wir Stratonovich-SDGLen mit Integrationstricks des deterministischen Kalküls lösen können. Beispiel Stratonovich-SDGL: dx t = ax t dt + bx t dw t dx t X t = a dt + b dw t integriere lnx t /X ) = a t + b W t X t = X e at+bwt Wir können eine Ito-SDGL über die entsprechende Stratonovich-SDGL integrieren. Beispiel Ito-SDGL: dx t = ax t dt + bx t dw t mit modifiziertem Drift ft, x) = ft, x) 1 g gt, x) t, x) 2 x = ax 1 2 bx x bx) = a 12 b2 ) x Entsprechende Stratonovich-SDGL: dx t = a 1 2 b2) X t dt + bx t dw t dx t X t = integriere lnx t /X ) = = a 12 ) b2 dt + b dw t a 12 ) b2 t ) + bw t W ) a 12 b2 ) t + b W t X t = X exp a 12 ) ) b2 t + b W t Umgekehrt: Beweise für Stratonovich-SDGLen sind im Allgemeinen über die entsprechenden Ito-SDGLen durchgeführt.
48 KAPITEL 8. DIE STOCHASTISCHE KETTENREGEL Die Feynman Kac-Formel Die Feynman Kac-Formel ist eine einfache, aber sehr nützliche Formel, welche einen Zusammenhang zwischen der Lösung einer deterministischen partiellen DGL und einem Erwartungswert E[ΦX T )] eines Funktionals der Lösung einer stochastischen DGL herstellt. Wir werden diese Formel in dem Beweis der schwachen Konvergenz des Euler-Maruyama-Verfahrens verwenden. Hier wollen wir zeigen, wie wir diesen Erwartungswert durch die Lösung einer zugehörigen partiellen DGL deterministisch!) darstellen können. Wir betrachten eine Anfangswertaufgabe für eine skalare SDGL dx t = fx t ) dt + gx t ) dw t, X τ = x. 8.1) auf einem Zeitintervall [τ, T ], wobei τ, T und x fest sind. Sei ut, x) eine Lösung der deterministischen PDGL u t t, x) + fx) u x t, x) gx)2 u xx t, x) =, t [, T ], x R, 8.2) mit der Endzeitbedingung, d.h. zu der Endzeit T, ut, x) = Φx). 8.3) Die Ito-Formel für ut, X t ) ergibt dut, X t ) = u t t, X t ) + fx t ) u x t, X t ) + 1 ) 2 gx t) 2 u xx t, X t ) dt +gt, X t )u x t, X t ) dw t Wegen 8.2) ist der erste Term gleich Null und wir haben oder das stochastiche Integral dut, X t ) = gt, X t ) u x t, X t ) dw t, ut, X T ) uτ, x) = T τ gs, X s ) u x s, X s ) dw s. Aber der Erwartungswert eines Ito-Integrals ist gleich Null, d.h. Wegen 8.3) gilt somit welche Feynman Kac-Formel heißt. E [ut, X T )] = uτ, x). E [ΦX T )] = uτ, x) 8.4) Die PDGL 8.2) mit Endzeitbedingung 8.3) heißt Feynman Kac-PDGL. Wenn wir diese PDGL rückwärts in der Zeit von der Endzeit T lösen, erhalten wir durch die Feynman Kac-Formel 8.4) den Erwartungswert E[ΦX T )], wobei X t die Lösung der SDGL 8.1) mit dem Anfangswert X τ = x ist.
49 Kapitel 9 Konvergenzbeweise für das Euler-Maruyama-Verfahren Der Einfachheit wegen betrachten wir eine skalare SDGL dx t = fx t ) dt + gx t ) dw t 9.1) und das entsprechende Euler-Maruyama-Verfahren X n+1 = X n + fx n ) + gx n ) W n. 9.2) mit konstanter Schrittweite. Wir werden oft X ) n statt X n schreiben Wir setzen voraus, dass die Koeffizientenfunktionen f und g globalen Lipschitz- Bedingungen genügen, d.h. fx) fy) L x y, gx) gy) L x y, x, y R. Daher genügen f und g auch den linearen Wachstumsbedingungen fx) 2 L 1 + x 2), gx) 2 L 1 + x 2), x R, 9.3) für eine geeignete Konstante L. 9.1 Starke Konvergenz Wir wollen zeigen, dass der starke Diskretisierungsfehler des Euler-Maruyama- Verfahrens der folgenden Abschätzung genügt ) sup E X n ) X tn K T 1 2, 9.4) n N falls klein genug ist, wobei die Konstante K T nicht von abhängt. 48
50 KAPITEL 9. KONVERGENZBEWEISE 49 Dafür ist es günstig eine zeitkontinuierliche Erweiterung der Lösung des Euler-Maruyama-Verfahrens einzuführen, nämlich den stückweise konstanten Prozess definiert durch X ) t X ) t = X ) n, für t < ) Von den obigen Voraussetzungen über die Koeffizientenfunktionen kann man zeigen, dass die zweiten Momente EXt 2 ) ) und E X t ) 2 ) für t [, T ] beschränkt sind. Insbesondere werden wir beweisen, dass Zt) K 2 T, t [, T ], 9.6) falls genügend klein ist, wobei ) Zt) := sup E X ) 2 s X s. s t Mit einer Anwendung der Ljapunov-Ungleichung, d.h. EX) EX 2 ), erhalten wir dann die Fehlerabschätzung ) ) sup E X s X s K T 1 2. s T Es folgt dann die gewünschte Fehlerabschätzung 9.4), weil X ) t = X ) n t < +1 T. Ein wichtiges Werkzeug in dem Beweis ist die Ungleichung von Gronwall. Lemma 1 Sei α : [, T ] R eine integrierbare Funktion mit αt) A + B wobei A, B > Konstanten sind. Dann ist Wir werden eine Ungleichung der Form Zt) A + B αr) dr, t T, αt) Ae Bt, t T. für Zr) dr, t T, 9.7) herleiten und dann die Gronwall-Ungleichung verwenden, um die Ungleichung 9.6) mit K 2 T = AeBT zu erhalten.
51 KAPITEL 9. KONVERGENZBEWEISE Beweis-Skizze für starke Konvergenz Sei s [, T ] und definiere n s als die ganze Zahl, so dass s [s, s+1), wobei := n. Dann gilt X s = X ns und wir haben = X s X s = X ns X s = X ns X + n s 1 i= = n s 1 s X i+1 X i ) i= n s 1 fx i ) + i= Die Definition von X t ergibt gx i ) W i fx r ) dr + s s s fx r ) dr fx r ) dr gx r ) dw r ) s s gx r ) dw r gx r ) dw r. 9.8) i+1 i+1 i+1 f ) Xt dt = f X i ) dt = f X i ) dt = f X i ), 9.9) und ähnlicherweise i+1 die wir in 9.8) einfügen und erhalten t i g Xt ) dwt = g X i ) W i, 9.1) X s X s = = ns n s f X tns r ) dr + g X r ) dw r f Xr ) fx r ) ) n s dr + s fx r ) dr s gx r ) dw r g Xr ) gx r ) ) dw r 9.11) s s fx r ) dr gx r ) dw r. 9.12) s s Die Integrale in der Zeile 9.11) enthalten den Fehler des Euler-Maruyama- Verfahrens in dem Zeitintervall [, s ] und die Integrale in der Zeile 9.12) enthalten den Fehler der Approximation von X s durch X ns = X s. Wie brauchen die folgende Ungleichung: a + b + c + d) 2 4a 2 + b 2 + c 2 + d 2 ), a, b, c, d R 9.13) Wir quadrieren die beiden Seiten von 9.11)-9.12) und nehmen die Erwartungswerte. Dann erhalten wir { ) ) ns 2 E Xs X s 4 E f Xr ) fx r ) ) ) 2 ) dr n s +E g Xr ) gx r ) ) ) 2 ) dw r
52 KAPITEL 9. KONVERGENZBEWEISE 51 ) 2 s +E fx r ) dr s ) 2 } s +E gx r ) dw r. 9.14) s Wir werden jetzt die vier Integrale an der rechten Seite abschätzen. Für das erste Integral benutzen wir die Cauchy-Schwarz-Ungleichung und die Lipschitz- Bedingung, um zu erhalten n s E f Xr ) fx r ) ) ) 2 ) n s f, dr s E Xr ) fx r ) ) ) 2 dr T L 2 n s ) ) 2 E Xr X r dr s T L 2 Zr) dr. 9.15) Analog erhalten wir durch die Cauchy-Schwarz-Ungleichung und die lineare Wachstumsbedingung 9.3) ) 2 s s E fx r ) dr s s ) E fx r ) 2) dr s s s L )) 1 + E X 2 r dr s C 1 2, 9.16) für eine Konstante C 1. Hier brauchen wir die Beschränktheit des Erwartungwertes EXr 2 ). Für die stochastischen Integrale benutzen wir die Ito-Isometrie 4.1). Dann erhalten wir mit der Lipschitz-Bedingung n s E g Xr ) gx r ) ) ) 2 ) n s g dw r = E Xr ) gx r ) ) ) 2 dr L 2 ns ) ) 2 E Xr X r dr s L 2 Zr) dr. 9.17) Mit der linearen Wachstumsbedingung 9.3) folgun ) 2 s s E gx r ) dw r = E gx r ) 2) dr s s s L s 1 + E X 2 r )) dr C 2, 9.18)
Musterlösung. 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,
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrDiffusionsprozesse und lineare stochastische DGL
Diffusionsprozesse und lineare stochastische DGL Michele Bieber TU Dortmund - Fakultät Statistik 15. Mai 2012 Inhaltsverzeichnis 1 Einleitung 2 Diffusionsprozesse Stochastische DGL eines Diffusionsprozesses
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
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;
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
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
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
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
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
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
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
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
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
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
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)
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,
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
MehrMusterlösungen zu Blatt 15, Analysis I
Musterlösungen zu Blatt 5, Analysis I WS 3/4 Inhaltsverzeichnis Aufgabe 85: Konvergenzradien Aufgabe 86: Approimation von ep() durch Polynome Aufgabe 87: Taylorreihen von cos 3 und sin Aufgabe 88: Differenzenquotienten
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
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
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
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
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr1 Einführung, Terminologie und Einteilung
Zusammenfassung Kapitel V: Differentialgleichungen 1 Einführung, Terminologie und Einteilung Eine gewöhnliche Differentialgleichungen ist eine Bestimmungsgleichung um eine Funktion u(t) einer unabhängigen
MehrDem Anschein nach werden diese Zahlen kleiner und kleiner und streben gegen Null. Was sollen sie sonst auch tun? Aber der Begriff
47 5 Irrationales 5.1 Folgen, Konvergenz und Vollständigkeit Eine Abbildung a : N R definiert eine Folge von reellen Werten a 1 = a(1), a 2 = a(2), a 3 = a(3),... Solche Zahlenfolgen werden uns dazu dienen,
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrMATHEMATISCHE METHODEN DER PHYSIK 1
MATHEMATISCHE METHODEN DER PHYSIK 1 Helmuth Hüffel Fakultät für Physik der Universität Wien Vorlesungsskriptum Sommersemester 2012 Version vom 08-03-2012 Inhaltsverzeichnis 1 Lineare gewöhnliche Differentialgleichungen
Mehrkonvergent falls Sei eine allgemeine ("gutmütige") Funktion. Frage: kann man sie in der Nähe des Punktes darstellen mittels einer Potenzreihe in
C5 Funktionen: Reihenentwicklungen C5.1 Taylorreihen Brook Taylor (1685-1731) (Analysis-Vorlesung: Konvergenz von Reihen und Folgen) Grundlegende Frage: Wann / unter welchen Voraussetzungen lässt sich
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,
Mehr5. Vorlesung Wintersemester
5. Vorlesung Wintersemester 1 Bewegung mit Stokes scher Reibung Ein dritter Weg, die Bewegungsgleichung bei Stokes scher Reibung zu lösen, ist die 1.1 Separation der Variablen m v = αv (1) Diese Methode
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.
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
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
MehrFolgen und Reihen. Folgen. Inhalt. Mathematik für Chemiker Teil 1: Analysis. Folgen und Reihen. Reelle Funktionen. Vorlesung im Wintersemester 2014
Inhalt Mathematik für Chemiker Teil 1: Analysis Vorlesung im Wintersemester 2014 Kurt Frischmuth Institut für Mathematik, Universität Rostock Rostock, Oktober 2014... Folgen und Reihen Reelle Funktionen
MehrLösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik II für biw/ciw/mach/mage/vt
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. F. Hettlich Dr. S. Schmitt Dipl.-Math. J. Kusch Karlsruhe, den 09.06.20 Lösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
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,
MehrKlausurenkurs zum Staatsexamen (WS 2014/15): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 204/5): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
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
MehrLösungsvorschläge zu Blatt 1 1) ZV X := Produkt der Augenzahlen bei einem Wurf mit 2 Würfeln. des Produktes Wurfergebnis P (X = k) 1 (1, 1) 1/36
Lösungsvorschläge zu Blatt ) ZV X := Produkt der Augenzahlen bei einem Wurf mit Würfeln Mögl. Werte k des Produktes Wurfergebnis P X = k), ) /6, ),, ) /6, ),, ) /6, ),, ),, ) /6 5, 5), 5, ) /6 6, 6),,
MehrDas heißt, Γ ist der Graph einer Funktion von d 1 Veränderlichen.
Kapitel 2 Der Gaußsche Satz Partielle Differentialgleichung sind typischerweise auf beschränkten Gebieten des R d, d 1, zu lösen. Dabei sind die Eigenschaften dieser Gebiete von Bedeutung, insbesondere
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 + )
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehralso ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges
11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrFaltung und Approximation von Funktionen
Faltung und Approximation von Funktionen Lisa Bauer und Anja Moldenhauer 9. Juni 2008 1 Die Faltung von Funktionen 1.1 Die Faltung Eine kleine Widerholung mit einem Zusatz: Vergleiche den Vortrag von Benjamin
Mehr4.5 Schranken an die Dichte von Kugelpackungen
Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen
MehrMitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester
Mitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester Christian Nawroth, Erstellt mit L A TEX 23. Mai 2002 Inhaltsverzeichnis 1 Vollständige Induktion 2 1.1 Das Prinzip der Vollstandigen Induktion................
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
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
MehrFolgen und Reihen von Funktionen
Folgen und Reihen von Funktionen Sehr häufig treten in der Mathematik Folgen bzw. Reihen von Funktionen auf. Ist etwa (f n ) eine Folge von Funktionen, dann können wir uns für ein festes x fragen, ob die
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrAnalysis II (FS 2015): Vektorfelder und Flüsse
Analysis II (FS 215): Vektorfelder und Flüsse Dietmar A. Salamon ETH-Zürich 7. April 215 1 Der Fluss eines Vektorfeldes Sei U R n eine offene Menge und sei f : U R n eine lokal Lipschitz-stetige Abbildung.
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)
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,
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrLebesgue-Integral und L p -Räume
Lebesgue-Integral und L p -Räume Seminar Integraltransformationen, WS 2012/13 1 Treppenfunktionen Grundlage jedes Integralbegriffs ist das geometrisch definierte Integral von Treppenfunktionen. Für A R
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
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.............................
MehrLeitfaden a tx t
Leitfaden -0.7. Potenz-Reihen. Definition: Es sei (a 0, a, a 2,...) eine Folge reeller Zahlen (wir beginnen hier mit dem Index t 0). Ist x R, so kann man die Folge (a 0, a x, a 2 x 2, a 3 x 3,...) und
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
MehrIntegral- und Differentialrechnungen für USW Lösungen der Beispiele des 10. Übungsblatts
Integral- und Differentialrechnungen für USW Lösungen der Beispiele des. Übungsblatts. Flächeninhalt unter einer Kurve: (a) Das bestimmte Integral von y(x) x zwischen x und x ist x dx x + + x ( ) x / (b)
MehrStochastische FEM mit elementaren Zufallselementen
Stochastische FEM mit elementaren Zufallselementen Hans-Jörg Starkloff Westsächsische Hochschule Zwickau 13. Südostdeutsches Kolloquium zur Numerischen Mathematik 2007 Freiberg, 27. April 2007 Einführung
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
Mehr