Meßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
|
|
- Mathilde Schäfer
- vor 6 Jahren
- Abrufe
Transkript
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 ist für alle offenen Ω Y. Bemerkungen : ) Sei ϑ := {A Y : f (A) ist λ-messbar }. Rechenregeln für Urbilder = ϑ P(Y ) ist eine σ-algebra, die per Definition die offenen Mengen in Y umfaßt. Also : Borel-Mengen in Y ϑ 2) λ Borel-Maß auf X (metr. Raum), f : X Y stetig = f ist λ-messbar, denn f-urbilder offener Mengen in Y sind offen in X. (Analyse der Stetigkeitseigenschaften messbarer f = vgl. Satz 24.3) 3) Sei M X. Dann gilt: ( Übung!) χ M : X R λ-messbar M λ-messbar χ M (x) := { 0, x / M, x M 4) Kriterium für reellwertige Abbildungen : Sei λ ein Maß auf einer beliebigen Menge X und f : X R. Dann gilt : { f ((, t]) oder f ( ) ([s, t]), s, t Q analog mit f λ-messbar λ-messbar für alle t Q, offenen Intervallen
2 24. MESSBARE FUNKTIONEN 2 denn aus dem System (, t], t Q, kann man alle offenen Mengen R durch abzählbare Schritte, Vereinigungen und Differenzen erzeugen. Entsprechendes gilt für das System [s, + ), s Q. 5) Es ist zweckmäßig, auch Funktionen f : X R = [, ] = R {± } zu betrachten, d.h. f(x) {± } ist möglich. Dabei wird R mit seiner natürlichen Ordnung < x <, x R, versehen und wir sagen : f : X R ist λ-messbar : { f ({ }), f ({+ }), f (I) (I offen R) λ-messbar. Funktionen mit Werten in R treten z.b. als Limiten von Folgen f n : X R auf. Satz 24. : (Rechenregeln für messbare Funktionen) Sei λ Maß auf X. (i) Sind f, g : X R λ-messbar, so auch f + g, f g, f, min{f, g}, max{f, g}. Für g 0 hat man λ-meßbarkeit von f/g. (ii) Sei f k : X R eine Folge λ-messbarer Funktionen. Dann sind inf f k, sup f k, lim inf f k, lim sup f k λ-messbar. k k k k (iii) Seien Y, X topologische Räume, g : Y Z stetig und f : X Y Dann ist g f : X Z λ-messbar. (iv) f : X R n λ- messbar jede Komponente λ-messbar λ-messbar. Bemerkung : In (i) darf man R als Bild nur dann zulassen, wenn keine Ausdrücke vom Typ, 0 auftreten. f : X R und g : X R ist für f + g möglich. (i) Es ist für a R ( ) (f + g) (, a) = r,s Q r+s<a woraus λ-meßbarkeit von f + g folgt. ( f (, r) g (, s) ),
3 24. MESSBARE FUNKTIONEN 3 Beweis von ( ) :,, : x (f + g) (, a) f(x) + g(x) < a Setze ε := a (f(x) + g(x)) > 0 und wähle r, s Q mit f(x) < r < f(x) + ε 3, g(x) < s < g(x) + ε 3 = x f (, r) g (, x) und r + s < f(x) + g(x) ε = 2 3 (a (f(x) + g(x))) + f(x) + g(x) = 2 3 a + 3 (f(x) + g(x)) < a.,, : Sei f(x) < r, g(x) < s für r, s Q, r + s < a. Dann : f(x) + g(x) < r + s < a = x (f + g) (, a). Wir zeigen λ-meßbarkeit von f 2 : a 0 = (f 2 ) (, a) = f (, a) f ( a, ) λ-messbar a < 0 = (f 2 ) (, a) = Daraus folgt λ-meßbarkeit von f g, denn f g = [ (f + g) 2 f 2 g 2], 2 d.h. f g ist Summe von Quadraten und damit messbar. Rest von (i) : Übung! Bemerkung : f + := f χ f ([0, )), ist λ-messbar f := f χ f ((,0]) - für λ-messbare f, da f (...) λ-messbar. Daraus folgt λ-meßbarkeit von f = f + + f, max{f, g} = (f g) + + g, min{f, g} = (f g) + g.
4 24. MESSBARE FUNKTIONEN 4 Weiter im Beweis von 24. : (ii) Seien f k : X R λ-messbar ( ) = inf f k ([, a)) = k N ( ) sup f k ([, a]) = k N k= f k k= f k = inf f k, sup f k sind λ-messbar k N k N ([, a)) ([, a]) (Diese Funktionen können durchaus bzw. + sein!) Gemäß lim inf k f k = sup m lim sup f k = inf k m { inf k m f k}, { sup f k } k m folgend daraus die anderen Behauptungen von (ii). Spezialfall : f(x) = lim k f k(x) existiert für x X = f : X R ist λ-messbar. (iii) (iv) Übung! Satz 24.2 : Zerlegung messbarer Funktionen 0 Sei λ ein Maß auf der Menge X, f : X [0, ] sei λ-messbar. Zu jeder Folge {r k } k N mit r k > 0, r k 0, r k = k= gibt es eine Folge {A k } k N λ-messbarer Teilmengen von X mit f = r k χ Ak. (punktweise Konvergenz!) k= Spezialfall : r k = /k. Sei r k = /k, die allgemeine Aussage folge genauso. Setze induktiv A := {x X : f(x) }, A k := {x X : f(x) k + k (x)}, k 2.
5 24. MESSBARE FUNKTIONEN 5.) Es gilt: f k= Fall : x / k χ A k k= A k = f(x) 0 = Fall 2 : x A k für nur endlich viele k. k= k χ A k (x) Sei k := max{k N : x A k }. Dann ist x A k Def. = f(x) k + k Fall 3 : x A km (x) = k für eine Folge k m m. Zu jedem N N gibt es ein k m N, also (x) = (x). f(x) x A km k m + km N (x) j χ A j (x) = km (x) Mit N folgt die Behauptung aus.). 2.) Ist f(x) =, so folgt x A k für alle k, also k= k χ A k (x) = k= k = f(x) Im Fall f(x) <, gilt x / A n für unendlich viele n (sonst Widerspruch zu.) und der Divergenz der harm. Reihe). Für jedes solche n ist per Def. von A n n f(x) (x) n Nach.) ist die linke Seite 0, n ergibt die Behauptung Wir wissen : λ Borel Maß auf R n, f : R n R k stetig = f λ-messbar. Was kann man über die Stetigkeitseigenschaften messbarer Funktionen aussagen? Meßbare Funktionen lassen sich dem Maße nach durch stetige Funktionen approximieren bzw. sind bereits größtenteils stetig.
6 24. MESSBARE FUNKTIONEN 6 Satz 24.3 : (von Lusin) Sei λ ein Borel-reguläres Maß auf R n und f : R n R N λ-messbar. Es sei A R n λ-messbar mit λ(a) <. Dann gibt es zu jedem ε > 0 eine kompakte Menge K = K ε mit K A und λ(a K) < ε, so dass f k : K R N stetig ist. (Das bedeutet nicht, dass f an jeder Stelle x K stetig ist, lediglich f K hat diese Eigenschaft.) Bemerkung : Allgemeine Versionen finden sich bei Federer, Für jedes i N zerlege den Bildraum in der Form R N = B ij mit disjunkten Borel-Mengen B ij (d.h. B il B ik = für l k), wobei diam B ij < i (konkret: Würfelzerlegung von RN ). [Gemeinsame Seiten werden jeweils nur einem Würfel zugeschlagen!] Die Mengen A ij := f (B ij ) A sind λ-messbar und A = A ij für jedes i. Nach 23.4 (beachte λ(a) < ) ist ν := λ A ein Rodon-Maß, der Zusatz zu 23.5 liefert kompakte Mengen K ij A ij mit ν(a ij K ij ) ε 2 (i+j). Es folgt : λ (A ) K ij = ν (A ) K ij ( ) = ν (A ii K ii ) ε 2 i. ν(a ii K ii )
7 24. MESSBARE FUNKTIONEN 7 Aus λ(a) < und folgt : N(i) N mit ( N(i) (+) λ A ( lim λ A N ) K ij = λ (A ) K ij N K ij }{{} =:D i ) 2ε 2 i. Die Mengen D i sind kompakt. Für i, j N wähle b ij B ij beliebig und setze g i : D i R N, g i (x) := b ij, falls x K ij. Da K ij,..., K in(i) paarweise disjunkt sind und somit (als kompakte Mengen) Abstand > 0 haben, ist g i stetig. Außerdem : ( ) f(x) g i (x) i für alle x D i, da diam B ij < i. Sei schließlich K := D i, dann gilt : K A ist kompakt, g i f nach ( ) und daher ist f K stetig. i= Außerdem : ( λ(a K) = λ A ) D i i= i= λ(a D i ) (+) 2ε. Korollar : Sei λ ein Borel-reguläres Maß auf R n, A R n sei λ-messbar mit λ(a) <. f : R n R N sei λ-messbar. Dann gibt es zu jedem ε > 0 eine stetige Funktion f = f ε : R n R N mit λ ( {x A : f(x) f(x)} ) < ε. Wähle nach dem Satz K A kompakt mit λ(a K) < ε und f K : K R N stetig. f K läßt sich zu einer stetigen Funktion f : R n R N fortsetzen. (nicht trivial, benutzt das,,lemma von der Zerlegung der Eins Übung!) genauer : Ist K R n kompakt und g : K R N stetig, so gibt es eine stetige Fortsetzung g : R n R N. Gemäß {x A : f(x) f(x)} A K folgt die Behauptung.
8 24. MESSBARE FUNKTIONEN 8 Definition 24.2 : Sei λ ein Maß auf der Menge X, A X. Eine Eigenschaft gilt λ-fast überall auf A (λ-f.ü.), wenn sie bis auf eine λ-nullmenge A A richtig ist. Beispiele :.) f = χ R Q ist L -f.ü. =, denn f(x) = x Q und Q ist L -Nullmenge. 2.) Sei λ ein Maß auf X, Y ein topologischer Raum und f : X Y sei λ-messbar. Ist g : X Y λ-f.ü. gleich f, also λ({x X : f(x) g(x)}) = 0, so ist g λ-messbar. Übung! Der folgende Satz zeigt : punktweise Konvergenz liefert glm. Konvergenz abgesehen von,,kleinen Restmengen. Satz 24.4 : (von Egoroff) Sei λ ein Maß auf der Menge X, die f k : X R N seien λ-messbar. A X sei λ-messbar mit λ(a) <, und es gelte f k g λ-f.ü. auf A. Dann gibt es zu jedem ε > 0 eine λ-messbare Menge B A mit λ(a B) < ε und f k g (gleichmäßig!) auf B. Sei C i,j := {x : f k (x) g(x) > 2 i }. k=j Dann gilt C i,j+ C i,j und somit (wegen λ(a) < ) ( lim λ(a C i,j) = λ A j für jedes i N. Sei x A ) C i,j C i,j. Dann heißt x A C i,j : k mit f k (x) g(x) > 2 i. Außerdem gehört x auch zu A C i,k +, d.h. k 2 k + mit f k2 (x) g(x) > 2 i, usw.
9 24. MESSBARE FUNKTIONEN 9 Man gewinnt eine Teilfolge {f kl (x)}, k l l, mit der Eigenschaft f kl (x) g(x) > 2 i l, d.h. f m (x) g(x) bei m. Die Menge der Punkte x aus A, bei denen keine Konvergenz gegen g(x) vorliegt, haben nach Vor. λ-maß 0, also lim λ(a C i,j) = 0 i. j Sei ε > 0 gegeben. Zu jedem i N wähle man N(i) mit λ(a C i,n(i) ) < ε 2 i und setze B := A C i,n(i) = λ(a B) i= λ(a C i,n(i) ) < ε. i= Es gilt ( ) f m (x) g(x) 2 i für alle x B und alle m N(i), also f m g auf B. Wäre nämlich für ein x B und ein m N(i) f m (x) g(x) > 2 i, so hätte man x C i,n(i), was B C i,n(i) = widerspricht. Definition 24.3 : Konvergenz dem Maße nach Sei λ ein Maß auf X, f k, f : X R n seien λ-messbar. Sei A X λ-messbar. {f k } konvergiert dem Maße nach auf A gegen f, wenn : lim λ ({x A : f k(x) f(x) ε}) = 0 für alle ε > 0. k Korollar: (zu Egoroff) Sei λ ein Maß auf X, A X messbar mit λ(a) <, und des gelte f k f f.ü. auf A für die λ-messbaren Funktionen f k, f. Dann gilt : f k f auf A dem Maße nach. Hierbei sind f k, f R n -wertig.
10 24. MESSBARE FUNKTIONEN 0 Sei für gegebenes ε > 0 E k (ε) := {x A : f k (x) f(x) ε}. Zu zeigen : lim λ(e k(ε)) = 0. k Sei δ < ε. Nach Egoroff gibt es E A messbar mit λ(e) < δ und f k f auf A E. Es gibt also k(δ) mit f k (x) f(x) < δ für alle x A E, k k(δ). Daraus folgt E k (ε) E gemäß δ < ε. Also : λ(e k (ε)) < δ k k(δ), d.h. lim λ(e k(ε)) = 0. k Man kann das Korollar teilweise umkehren, d.h. punktweise Konvergenz λ-f.ü. auf A ist nur etwas stärker als nur Konvergenz dem Maße nach. Satz 24.5 : (von Riesz) Sei λ ein Maß auf X, A X sei λ-messbar. f k, f : A R n seien λ-messbar mit f k f dem Maße nach auf A. Dann gibt es eine Teilfolge, die λ-f.ü. auf A gegen f konvergiert. Bemerkung : Die Folge selbst muß nicht λ-f.ü. auf A gegen f konvergieren. vgl. H.Bauer, Wahrscheinlichkeitstheorie und Grundzüge der Maßtheorie.
11 24. MESSBARE FUNKTIONEN Definition 24.4 : (noch eine Aussage über die Struktur messbarer Funktionen) Sei X eine Menge. f : X R n heißt eine einfache Funktion, wenn f nur endlich viele verschiedene Werte annimmt. Mit Bildf = {α,..., α N } und A k := {x : f(x) = α k } gilt : f = N α k χ Ak. k= Satz 24.6 : Sei λ ein Maß auf der Menge X und f : X [, ] sei λ-messbar. Dann gibt es eine Folge {f k } von reellwertigen λ-messbaren Funktionen f k : X R mit folgenden Eigenschaften : f k ist einfach f k f k+ lim k f k(x) = f(x) für alle x X. Ist f beschränkt, so gilt : f f auf X. Ist f 0, so gilt : 0 f f 2... f k f. Beweisskizze : Sei f 0. Für n N und k 2 n n sei A n,k := { x X : k 2 n f(x) < k 2 n }, B n := {x X : f(x) n}. Die Mengen A n,k, B n sind λ-messbar = f n (x) := n 2 n k= ist λ-messbare, einfache Funktion 0. Es gilt: () f n (x) n x X, k 2 n χ An,k(x) + n χ Bn (x) denn ist f(x) n, so folgt x / A n,k für k =,..., n2 n, so dass f n (x) = n χ Bn (x) = n. Ist hingegen f(x) < n, so folgt f n (x) = n 2 n k= k 2 n χ An,k (x) = j 2 n, wenn j 2 n f(x) < j 2 n für ein j {,..., n 2 n }. Offenbar ist aber j 2 n < n.
12 24. MESSBARE FUNKTIONEN 2 Außerdem gilt : (2) f n f n+ < f (Monotonie) und (3) f(x) f n (x) < 2 n x / B n zu (2) : f n f wurde unter () schon erledigt, die Ungleichung f n (x) f n+ (x) rechnet man mit Fallunterscheidung nach. Ist x / B n also f(x) < n, so gilt : und somit f(x) [ k 2 n, k 2 n ) für genau ein k {,..., n 2n } f n (x) = k 2 n. Das bedeutet 0 f(x) f n (x) < 2 n x / B n. Ist also f(x) =, so folgt f n (x) = n für alle n, mithin f n (x) f(x). Für f(x) < ist x / B n für n n > f(x), also gilt nach (3) ebenfalls f n (x) f(x). Sei f beschränkt, also f(x) c. Gemäß (3) gilt wieder Daher : 0 f(x) f n (x) < 2 n n n > c. f n f. Hat f beliebiges Vorzeichen, so zerlegt man f = f + f und benutzt den ersten Beweisteil für f ±.
Kapitel 19. Das Lebesgue Maß σ Algebren und Maße
Kapitel 19 Das Lebesgue Maß 19.1 σ Algebren und Maße 19.2 Das äußere Lebesgue Maß 19.3 Das Lebesgue Maß 19.4 Charakterisierungen des Lebesgue Maßes 19.5 Messbare Funktionen 19.1 σ Algebren und Maße Wir
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
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
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
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
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,
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
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
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
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
Mehri=1 i=1,...,n x K f(x).
2. Normierte Räume und Banachräume Ein normierter Raum ist ein Vektorraum, auf dem wir Längen messen können. Genauer definieren wir: Definition 2.1. Sei X ein Vektorraum über C. Eine Abbildung : X [0,
MehrSkript zur Vorlesung. Mass und Integral. Urs Lang. Sommersemester 2005 ETH Zürich
Skript zur Vorlesung Mass und Integral Urs Lang Sommersemester 2005 ETH Zürich Version vom 12. September 2006 Literatur [Rudin] W. Rudin, Real and Complex Analysis, Third Edition. McGraw-Hill Book Co.,
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
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
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
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
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
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
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 11. Oktober 2013 3 Fortsetzung von Prämassen zu Massen Der Begriff des Prämasses ist nicht ausreichend, um eine geschmeidige Integrationstheorie
MehrTopologische Aspekte: Eine kurze Zusammenfassung
Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
Mehrα + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus
4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F
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
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
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
MehrMaß- und Integrationstheorie
Maß- und Integrationstheorie Manuskript zur Vorlesung in SS26 Bálint Farkas farkas@mathematik.tu-darmstadt.de Inhaltsverzeichnis Einführung...................................................................
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
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
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,
Mehr9 Konvergenz und absolute Konvergenz von Reihen
9 Konvergenz und absolute Konvergenz von Reihen 9.2 Konvergenz von Reihen 9.5 Monotoniekriterium für Reihen 9.6 Konvergenzkriterium von Cauchy für Reihen 9.9 Rechenregeln für konvergente Reihen 9.10 Absolute
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
MehrKonvergenz von Folgen
6 Konvergenz von Folgen Definition 6.1 Eine Folge in C (oder R) ist eine Abbildung f : N C (oder R). Schreibweise: (a n ) n N, (a n ), a 1, a 2... wobei a n = f(n). Beispiele: 1) (1 + 2 n ) n N, 3 2, 5
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 ]
MehrFolgen, Reihen, Grenzwerte u. Stetigkeit
Folgen, Reihen, Grenzwerte u. Stetigkeit Josef F. Bürgler Abt. Informatik HTA Luzern, FH Zentralschweiz HTA.MA+INF Josef F. Bürgler (HTA Luzern) Einf. Infinitesimalrechnung HTA.MA+INF 1 / 33 Inhalt 1 Folgen
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
MehrFraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:
Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,
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
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehrn 1, n N \ {1}, 0 falls x = 0,
IV.1. Stetige Funktionen 77 IV. Stetigkeit IV.1. Stetige Funktionen Stetige Funktionen R R sind vielen sicher schon aus der Schule bekannt. Dort erwirbt man sich die naive Vorstellung, dass eine stetige
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
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
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
MehrSpickzettel Mathe C1
Spickzettel Mathe C1 1 Mengenlehre 1.1 Potenzmenge Die Potenzmenge P (Ω) einer Menge Ω ist die Menge aller Teilmengen von Ω. Dabei gilt: P (Ω) := {A A Ω} card P (Ω) = 2 card Ω P (Ω) 1.2 Mengenalgebra Eine
MehrSchwache Konvergenz. Kapitel 8
Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
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
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
Mehrn=1 a n mit reellen Zahlen a n einen
4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die
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,...
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
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.
MehrFolgen und Reihen. 1 Konvergenz
Folgen und Reihen Man betrachte viele Zahlen hintereinander geschrieben. Solche Folgen von Zahlen können durch nummeriert werden. Es entsteht eine Zuordnung der natürlichen Zahlen zu den Gliedern der Folge.
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)
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
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
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
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
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
Mehrf(x nk ) = lim y nk ) = lim Bemerkung 2.14 Der Satz stimmt nicht mehr, wenn D nicht abgeschlossen oder nicht beschränkt ist, wie man z.b.
Proposition.13 Sei f : D R stetig und D = [a, b] R. Dann ist f(d) beschränkt. Außerdem nimmt f sein Maximum und Minimum auf D an, d.h. es gibt x max D und ein x min D, so dass f(x max ) = sup f(d) und
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
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,
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
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 8 10. November 2009 Kapitel 2. Konvergenz von Folgen und Reihen Definition 27. Eine (reelle bzw. komplexe) Zahlenfolge ist eine R- bzw. C-wertige
MehrKonvergenz, Filter und der Satz von Tychonoff
Abschnitt 4 Konvergenz, Filter und der Satz von Tychonoff In metrischen Räumen kann man topologische Begriffe wie Stetigkeit, Abschluss, Kompaktheit auch mit Hilfe von Konvergenz von Folgen charakterisieren.
MehrWir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).
Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6
Mehr1 Reihen von Zahlen. Inhalt:
5 Kapitel 3 Reihen Reihen von Zahlen Inhalt: Konvergenz und Divergenz von Reihen reeller oder komplexer Zahlen, geometrische Reihe, harmonische Reihe, alternierende Reihen. Cauchy-Kriterium, absolute Konvergenz,
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
MehrUntersuchen Sie die angegebenen Funktionenfolgen auf gleichmäßige Konvergenz. = 1 n, (1 Punkt ) x 2. x 1 = 1. x n + (1 Punkt )
Aufgabe (glm. Konvergenz) (6+6 Punkte) Untersuchen Sie die angegebenen Funktionenfolgen auf gleichmäßige Konvergenz. a) g n : R R, mit g n (x) = x + n (6 Punkte) b) f n : R R, mit f n (x) = arctan(nx)
Mehr11. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 200/ 2.0.-28.0. Aufgabe G (Grenzwertberechnung)
MehrSkript zur Vorlesung Topologie I
Skript zur Vorlesung Topologie I Carsten Lange, Heike Siebert Richard-Sebastian Kroll Faszikel 1 Fehler und Kommentare bitte an clange@math.fu-berlin.de Stand: 15. Juni 2010 Fachbereich Mathematik und
MehrDifferenzierbare Funktionen
47 Kapitel 6 Differenzierbare Funktionen 1 Topologische Strukturen Inhalt: Umgebungen, innere Punkte, offene Mengen, abgeschlossene Mengen, Häufungspunkte, offener Kern und abgeschlossene Hülle, Rand einer
MehrKap. 10: Folgen und Reihen. Eine Funktion a : N Ñ R
Definition: Zahlenfolge Kap. 10: Folgen und Reihen 10.1 Definition: Zahlenfolge Eine Funktion a : N Ñ R poder Cq heißt reelle (oder komplexe) Zahlenfolge. Man nennt a n apnq das n-te Folgenglied und schreibt
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 11 Einleitung Es wird eine 15-minütige Mikroklausur geschrieben. i) Sei D R oderd C. Wann heißt
MehrEinführung in die Analysis
Ergänzungen zur Vorlesung Einführung in die Analysis Christian Schmeiser 1 Vorwort In dieser Vorlesung werden Grundbegriffe der Analysis wie Folgen und Reihen, Konvergenz und Vollständigkeit am Beispiel
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrDer Abschluss D ist die Menge, die durch Hinzunahme der Intervallränder entsteht, in den obigen Beispielen also
Festlegung Definitionsbereich 11.1 Festlegung Definitionsbereich Festlegung: Wir betrachten Funktionen f : D Ñ R, deren Definitionsbereich eine endliche Vereinigung von Intervallen ist, also z.b. D ra,
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
Mehr8 Konvergenzkriterien und Häufungswerte von Folgen in R
8 Konvergenzkriterien und Häufungswerte von Folgen in R 8.1 Konvergenz monotoner Folgen 8.2 Die Zahl e 8.3 Existenz monotoner Teilfolgen 8.4 Auswahlprinzip von Bolzano-Weierstraß 8.5 Konvergenzkriterium
MehrVorlesung: Analysis I für Ingenieure
Vorlesung: Analysis I für Ingenieure Dozent: Dr. Michael Karow Thema: unendliche Reihen Definition. Eine unendliche Reihe ist der Grenzwert einer Folge von Summen: a k = lim k a k, wobei a k C. Falls der
MehrPotenzreihen. Potenzreihen sind Funktionenreihen mit einer besonderen Gestalt.
Potenzreihen Potenzreihen sind Funtionenreihen mit einer besonderen Gestalt. Definition. Ist (a ) eine Folge reeller (bzw. omplexer) Zahlen und x 0 R (bzw. z 0 C), dann heißt die Reihe a (x x 0 ) (bzw.
MehrFerienkurs Analysis 1 - Wintersemester 2014/15. 1 Aussage, Mengen, Induktion, Quantoren
Ferienkurs Analysis 1 - Wintersemester 2014/15 Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis
MehrKapitel 3. Folgen und Reihen. 3.1 Folgen
Kapitel 3 Folgen und Reihen 3. Folgen 3.2 Cauchy Folgen 3.3 Unendliche Reihen 3.4 Absolut konvergente Reihen 3.5 Multiplikation von Reihen 3.6 Potenzreihen 3. Folgen In diesem gesamten Abschnitt bezeichnen
MehrBernd Dreseler. Integration im IR d. aus der Vorlesung Analysis III. Wintersemester 1990 / 91. Vorlesungsmitschrift von J.Breitenbach.
Bernd Dreseler Integration im IR d aus der Vorlesung Analysis III Wintersemester 1990 / 91 Vorlesungsmitschrift von JBreitenbach Siegen 2001 Inhaltsverzeichnis Vorbemerkung iv 1 Das Lebesgue Integral im
MehrIV. Stetige Funktionen. Grenzwerte von Funktionen
IV. Stetige Funktionen. Grenzwerte von Funktionen Definition. Seien X und Y metrische Räume und E X sowie f : X Y eine Abbildung und p ein Häufungspunkt von E. Wir schreiben lim f(x) = q, x p falls es
MehrKapitel 5. Die trigonometrischen Funktionen Die komplexen Zahlen Folgen und Reihen in C
Kapitel 5. Die trigonometrischen Funktionen 5.1. Die komplexen Zahlen 5.. Folgen und Reihen in C 5.10. Definition. Eine Folge (c n n N komplexer Zahlen heißt konvergent gegen c C, falls zu jedem ε > 0
Mehr