DIPLOMARBEIT. Erneuerungsprozesse - Theorie und Anwendungen. Magister der Naturwissenschaften (Mag.rer.nat.) Titel der Diplomarbeit
|
|
- Willi Becker
- vor 6 Jahren
- Abrufe
Transkript
1 DIPLOMARBEIT Titel der Diplomarbeit Erneuerungsprozesse - Theorie und Anwendungen angestrebter akademischer Grad Magister der Naturwissenschaften (Mag.rer.nat.) Verfasser: Pierre Frères Matrikelnummer: Studienkennzahl lt. Studienblatt: A 45 Studienrichtung lt. Studienblatt: Mathematik Betreuer: Ao. Univ.-Prof. Dr. Franz Hofbauer Wien, im April 21
2
3
4
5 Danksagung Ich möchte folgenden Personen für ihre Unterstützung bei dieser Diplomarbeit danken: Herrn Ao. Univ.-Prof. Dr. Franz Hofbauer für die Betreuung dieser Diplomarbeit und die Unterstützung bei den verschiedenen Problemstellungen. Meiner Familie, die mich während meines gesamten Studiums nicht nur nanziell, sondern auch moralisch unterstützte. Elisabeth Bourkel, die mir immer wieder neue Kraft gab und mir in allen Lebenslagen den Rücken stärkte. David Hirschmann, der mir während meiner Diplomarbeit immer mit Rat und Tat zur Seite stand, unabhängig davon, wie viel er selbst zu tun hatte. Laurence Bourkel, die mir mit ihrer fachlichen Kompetenz an vielen Stellen der Diplomarbeit eine groÿe Hilfe war. Magdalena Vass und Gudrun Weisz für ihre wertvolle moralische Unterstützung.
6
7 Inhaltsverzeichnis Abbildungsverzeichnis Einleitung 1 Teil 1. Theorie 3 Kapitel 1. Die Erneuerungsfunktion 5 Kapitel 2. Der Erneuerungssatz Beweis des Erneuerungssatzes Methode Methode Folgerungen aus dem Erneuerungssatz Ein zentraler Grenzwertsatz 42 Kapitel 3. Verallgemeinerungen und Variationen des Erneuerungsprozesses Zeitverzögerter Erneuerungsprozess Stationärer Erneuerungsprozess Zusammenhängender Prozess Kumulierter Prozess Endender Erneuerungsprozess 51 Teil 2. Anwendungen 55 Kapitel 4. Versicherungsmathematik Das Modell Kleine Forderungen Integralgleichung 62 Kapitel 5. Der Geigerzähler Geigerzähler vom Typ I Geigerzähler vom Typ II 72 Kapitel 6. Wachstum 75 Kapitel 7. Genetisches Modell mit Mutation 79 Zusammenfassung 83 Literaturverzeichnis 85 Lebenslauf 87
8
9 Abbildungsverzeichnis 1.1 Zusammenhang zwischen S n und N(t) Alter, Restlebensdauer und Gesamtlebensdauer Darstellung von t (x) Darstellung eines zusammenhängenden Erneuerungsprozesses Darstellung eines endenden Erneuerungsprozesses Darstellung des Gewinnprozesses X t Darstellungen von m G (t) Geigerzähler vom Typ I Geigerzähler vom Typ II Darstellung von u k als Projektion von w k auf dem Simplex N 81
10
11 Einleitung Die Funktionsweise eines Geigerzählers, Mutation, Wachstum und Versicherungsmathematik enthalten Elemente, denen ein Prinzip zu Grunde liegt: die Erneuerung. Die vorliegende Diplomarbeit beschäftigt sich mit diesen Erneuerungsprozessen, einem Spezialgebiet der Stochastik. Die Erneuerungstheorie befasst sich mit stochastischen Systemen, deren Entwicklung über die Zeit Erneuerungen enthält, Zeiten bei denen, im statistischen Sinn, der Prozess von Neuem beginnt. Diese werden mit Hilfe von unabhängigen, identischverteilten, nichtnegativen Zufallsvariablen beschrieben, welche man sich als aufeinanderfolgende Lebensdauern vorstellen kann, die aber je nach Anwendung auch eine andere Bedeutung haben können. Die Erneuerungstheorie wird in der vorliegenden Arbeit im ersten Teil unter einem theoretischen Aspekt und im zweiten Teil unter einem praktischen Gesichtspunkt mit verschiedenen konkreten Anwendungen behandelt. Der erste Teil befasst sich mit der Theorie der Erneuerungsprozesse und dem Erneuerungssatz, welcher Aussagen über das asymptotische Verhalten der Lösungen sogenannter Erneuerungsgleichungen trit. Aufgrund seiner Wichtigkeit in der Erneuerungstheorie, wird der Erneuerungssatz ausführlich dargestellt und anhand von zwei Methoden hergeleitet. Schlieÿlich werden Verallgemeinerungen und Variationen des Erneuerungsprozesses behandelt. Im zweiten Teil werden Anwendungen aus verschiedenen Bereichen der Natur- und Wirtschaftswissenschaften, in welchen Erneuerungsprozesse vorhanden sind, dargestellt. 1
12
13 Teil 1 Theorie
14
15 KAPITEL 1 Die Erneuerungsfunktion Kapitel 1 widmet sich dem Begri der Erneuerungsfunktion, welche unabdingbar in der Erneuerungstheorie ist. Die Darstellungen in dem vorliegenden Kapitel halten sich, in weiten Zügen, an [7], [3] und [5]. Ein Erneuerungsprozess wird durch eine Folge unabhängiger Zufallsvariablen (X j ) j 1 bestimmt, die alle dieselbe Wahrscheinlichkeitsverteilung F haben. Die Zufallsvariablen werden als Lebensdauern interpretiert und F heiÿt Lebensdauerverteilung. Sie hat folgende Eigenschaften: Definition 1.1. Eine Wahrscheinlichkeitsverteilung F nennt man Lebensdauerverteilung, wenn F (t) = für t < und F () < 1 gilt. Folgende Denition dient dem besseren Verständnis: Definition 1.2. Eine Funktion K : R R nennt man Verteilung, wenn sie monoton wachsend und rechtsseitig stetig ist. Gilt zusätzlich lim t K(t) = 1 und lim t K(t) =, dann ist K eine Wahrscheinlichkeitsverteilung. Man deniert die Partialsummen S = S n = X 1 + X X n, für n 1 (1.1) und nennt S n den n-ten Erneuerungszeitpunkt. Der stochastische Prozess (S n ) n heiÿt dann Erneuerungsprozess mit Lebensdauerverteilung F. Weiters deniert man N t = {Anzahl der Indizes n für die < S n < t gilt} = max{n : S n t}. (1.2) Da bei der Untersuchung eines Erneuerungsprozesses die Anzahl N t der Erneuerungen im Zeitintervall [, t] eine wesentliche Rolle spielt, wird der Zusammenhang von N t und S n noch genauer betrachtet. Dabei lässt sich (1.2) wie folgt schreiben. Satz 1.3. Für k N und t gilt N t k S k t. Beweis. Es gilt N t k genau dann, wenn im Zeitintervall [, t] mindestens k Erneuerungen stattnden. Das ist genau dann der Fall, wenn die k-te Erneuerung vor oder zum Zeitpunkt t stattndet, also S k t gilt. 5
16 6 1. DIE ERNEUERUNGSFUNKTION Abbildung 1.1. Zusammenhang zwischen S n und N(t). Für n 1 sei F n (x) = P (S n x) die Verteilungsfunktion von S n. Später wird F n mit Hilfe der Faltungsformel berechnet werden. Aus Satz 1.3 folgt sowie P (N t k) = P (S k t) (1.3) = F k (t), für t, k = 1, 2,..., P (N t = k) = P (N t k) P (N t k + 1) (1.4) = F k (t) F k+1 (t), für t, k = 1, 2,... Beispiel. Das wohl bekannteste Beispiel für einen Erneuerungsprozess ist der kontinuierliche Austausch von Glühbirnen. Eine Glühbirne wird, sobald sie durchbrennt, sofort durch eine neue Glühbirne ersetzt. Diesen Vorgang der fortlaufenden Erneuerungen beschreibt man durch einen Erneuerungsprozess. Zum Zeitpunkt t = wird eine Glühbirne eingesetzt, welche zum Zeitpunkt X 1 ausfällt und durch eine neue Glühbirne mit derselben Lebensdauerverteilung F ersetzt wird. Diese zweite Glühbirne fällt zum Zeitpunkt X 1 + X 2 aus und wird durch eine dritte Glühbirne ausgetauscht. Somit brennt die n-te Glühbirne zum Zeitpunkt S n = n i=1 X i durch und wird unverzüglich ersetzt, usw. Es versteht sich von selbst, dass die nacheinanderfolgenden Lebenszeiten stochastisch unabhängig sind und alle dieselbe Lebensdauerverteilung F besitzen, sodass P (X k x) = F (x) gilt. Dabei erfasst N t in diesem Erneuerungsprozess die Anzahl der Erneuerungen (Auswechslungen der Glühbirnen) bis zum Zeitpunkt t. Damit Erneuerungsprozesse noch besser beschrieben werden können, werden noch zusätzlich die folgenden Zufallsvariablen eingeführt.
17 1. DIE ERNEUERUNGSFUNKTION 7 Abbildung 1.2. Alter, Restlebensdauer und Gesamtlebensdauer. Definition 1.4. Sei t >. Dann bezeichnen δ t das Alter, γ t die Restlebensdauer und β t die Gesamtlebensdauer der zum Zeitpunkt t in Betrieb stehenden Glühbirne, welche wie folgt deniert werden: δ t = t S Nt γ t = S Nt+1 t β t = δ t + γ t (Alter) (Restlebensdauer) (Gesamtlebensdauer) Beispiel. Ein weiteres Beispiel für einen Erneuerungsprozess können die Abfahrtszeiten einer Straÿenbahn an einer Haltestelle bilden. In dem Fall wäre γ t die Wartezeit auf die nächste Straÿenbahn, wenn man zum Zeitpunkt t zur Haltestelle kommt. Da es bei der Erneuerungstheorie von erheblicher Wichtigkeit ist, die erwartete Anzahl von Erneuerungen auf einem Zeitintervall zu berechnen, wird der Begri der Erneuerungsfunktion eingeführt. Definition 1.5. Sei R(t) = E(N t ) die durchschnittliche Anzahl von Erneuerungen im Zeitintervall [, t]. Die Funktion R : R + R + heiÿt Erneuerungsfunktion des Erneuerungsprozesses. Mit Hilfe der Denition der Erneuerungsfunktion und den Erkenntnissen aus (1.3) und (1.4), erhält man schlieÿlich Satz 1.6. Ist F k die Wahrscheinlichkeitsverteilung von S k, dann gilt R(t) = F k (t) für alle t. k=1
18 8 1. DIE ERNEUERUNGSFUNKTION Beweis. Die Zufallsvariable N t nimmt Werte in N an. Es folgt R(t) = E(N t ) = kp (N t = k) = k=1 P (N t k) = k=1 P (S k t) = k=1 F k (t), wobei sich die dritte Gleichheit durch Umgruppieren herbeiführen lässt. Um die Erneuerungsfunktion R weiter untersuchen zu können, muss ein Weg gefunden werden, um die Wahrscheinlichkeitsverteilungen F n von S n zu berechnen. Aus diesem Grund wird das Riemann-Stiltjes-Integral eingeführt. Das Riemann-Stiltjes-Integral einer Funktion f : (a, b] R bezüglich einer Verteilung K deniert man genauso wie das Riemann-Integral, jedoch miÿt man in diesem Fall die Länge des Intervalls (u, v] durch K(v) K(u). Sei a = t < t 1 < < t m = b eine Zerlegung des Intervalls (a, b]. Dann deniert man m (K(t j ) K(t j 1 )) sup f als die Obersumme und j=1 (t j 1,t j ] m (K(t j ) K(t j 1 )) inf f als die Untersumme. j=1 (t j 1,t j ] Sind das Inmum der Obersummen und das Supremum der Untersummen gleich, dann heiÿt die Funktion f integrierbar. Diesen gemeinsamen Wert bezeichnet man mit b f(x) dk(x). Integrale über unbeschränkte Intervalle kann man man durch Grenzübergänge a und b denieren. Gibt es für K eine Dichtefunktion k, a mit K(t) = k(x) dx, dann gilt b f(x) dk(x) = b f(x)k(x) dx. Es wird eine geeignete Menge von integrierbaren Funktionen gesucht. Für eine Linkstreppenfunktion a a h = r j=1 c j1 (sj 1,s j ] auf (a, b], wobei a = s < s 1 < < s r = b und c j R gilt, erhält man b h(x) dk(x) = r a j=1 c j(k(s j ) K(s j 1 )). Bemerkung. Bei Rechtstreppenfunktionen sind Schwierigkeiten vorhanden, wenn eine Sprungstelle von K mit einer Sprungstelle der Treppenfunktion zusammenfällt. Definition 1.7. Eine Funktion f heiÿt regulär, wenn lim x y f(x) und lim x y f(x) für alle y existieren. Gilt zusätzlich lim x y f(x) = f(y) für alle y, so nennt man f linksregulär. Gilt zusätzlich lim x y f(x) = f(y) für alle y, so nennt man f rechtsregulär. Hilfssatz 1. Für eine Funktion f : (a, b] R gilt: (a) Die Funnktion f ist linksregulär genau dann, wenn für jedes ɛ > eine Linkstreppenfunktion h auf (a, b] existiert mit sup x (a,b] f(x) h(x) < ɛ. (b) Wenn für jedes ɛ > eine linksreguläre Funktion g : (a, b] R existiert, sodass sup x (a,b] f(x) g(x) < ɛ gilt, dann ist f ebenfalls linksregulär. Analoge Aussagen gelten natürlich auch für rechtsreguläre Funktionen f : [a, b) R. Für einen Beweis sei auf die Analysis verwiesen. Aus Hilfssatz 1(a) ergibt sich, dass b f(x) dk(x) für jede linksreguläre Funktion f : (a, b] R existiert. Durch a Anwendung dieses Integral ergibt sich k=1
19 1. DIE ERNEUERUNGSFUNKTION 9 Definition 1.8. Sei g : [, ) R rechtsregulär. Sei K : R R + eine Verteilung mit K(x) = für x <. Die Funktion g K : [, ) R bezeichnet man als die Faltung von g mit K und wird deniert durch g K(t) = g(t x) dk(x). Aufgrund der Linksregularität von x g(t x), existiert dieses Integral. Aus diesen Eigenschaften ergeben sich ebenfalls einige einfache Eigenschaften der Faltung. Satz 1.9. Seien g und h rechtsreguläre Funktionen auf [, ) und K und L Verteilungen, die auf R gleich sind. Dann gilt: (a) g K(t) = g(t x) dk(x) für jedes a >. a (b) (g + h) K = g K + h K und g (K + L) = g K + g L. (c) g K(t) sup s [,t] g(s) K(t). Beweis. (a) Sei b > a. Da K(x) = für x < gilt, ist a g(t x) dk(x) =, b da jede Riemannsumme für dieses Integral gleich ist. Somit gilt b g(t x) dk(x) = a g(t x) dk(x). Lässt man b gegen gehen, so folgt (a). (b) Es gilt u(x) + v(x) dk(x) = u(x) dk(x) + a a a v(x) dk(x) für linksreguläre Funktionen u und v. Setzt man nun u(x) = g(t x) und v(x) = h(t x), so folgt die erste Aussage von (b). Für M = K + L gilt a u(x) dm(x) = a u(x) dk(x) + a u(x) dl(x), da diese Gleichung für die Ober- und Untersumme zu jeder Zerlegung erfüllt ist. Die zweite Aussage von (b) folgt, indem man u(x) = g(t x) setzt. (c) Weiters gilt a u(x) dk(x) sup u(s) (K(t) K( a)) s ( a,t] für linksreguläre Funktionen u : ( a, t] R, da diese Abschätzung für jede Ober- und Untersumme des Integrals gültig ist. Setzt man u(x) = g(t x), so folgt g K(t) sup s [,t+a) g(s) K(t), da K( a) = gilt und t s das Intervall [, t + a) durchläuft, wenn s das Intervall ( a, t] durchläuft. Da man a > beliebig nahe bei wählen kann und g rechtsregulär ist, folgt (c). Die Menge aller rechtsregulären Funktionen auf [, ) bildet einen Vektorraum V. Dieser enthält alle Verteilungen, die auf R gleich sind, wenn man sie auf [, )
20 1 1. DIE ERNEUERUNGSFUNKTION einschränkt. Es wird gezeigt, dass die Faltung nicht aus V hinausführt, das heiÿt, wenn g rechtsregulär ist, dann auch g K. Um dies zu zeigen, wird u > beliebig gewählt. Wegen Hilfssatz 1 existiert auf dem Intervall [, u) eine Rechtstreppenfunktion h = mit sup x [,u) g(x) h(x) < ɛ. Dann ist sodass man h(t x) = h K(t) = n c j 1 [sj 1,s j ) j=1 n c j 1 (t sj,t s j 1 ](x), j=1 n c j (K(t s j 1 ) K(t s j )) j=1 für t [, u) erhält. Aufgrund der Rechtsregularität von K, ist h K(t) als Linearkombination von rechtsregulären Funktionen ebenfalls rechtsregulär. Für t [, u) folgt wegen Satz 1.9(c) g K(t) h K(t) sup g(s) h(s) K(t) ɛk(t) ɛk(u). s [,t] Es wurde somit sup t [,u) g K(t) h K(t) ɛk(u) gezeigt. Wegen Hilfssatz 1 folgt, dass g K auf [, u) für alle u > rechtsregulär ist und somit auch auf [, ). Satz 1.1. Seien X 1 und X 2 unabhängige Zufallsvariablen mit Wahrscheinlichkeitsverteilungen H 1 und H 2, die beide auf R gleich null sind. Sei H die Wahrscheinlichkeitsverteilung von X 1 + X 2. Dann gilt H(t) = H 1 (t) H 2 (t) für t. Beweis. Sei a > und t > und sei B = {(x, y) : x > a, y, x + y t}. Dann gilt P (X 1 + X 2 t) = P ((X 2, X 1 ) B), da X 1 und X 2 nur Werte annehmen. Für eine Zerlegung a = t < t 1 < < t n = t sei n B n = (t j 1, t j ] [, t t j 1 ]. j=1 Es wird eine Folge von immer feiner werdenden Zerlegungen, deren Maschenweite mit n gegen geht, gewählt, sodass die Obersummen n j=1 H 1(t t j 1 )(H 2 (t j 1 ) H 2 (t j )) gegen das entsprechende Integral H a 1(t x) dh 2 (x) gehen. Das ist möglich, da x H 1 (t x) eine linksreguläre Funktion und daher integrierbar ist. Da die Mengen B n monoton fallend gegen die Menge B gehen, gehen auch die Ereignisse (X 2, X 1 ) B n monoton fallend gegen das Ereignis (X 2, X 1 ) B, sodass P ((X 2, X 1 ) B) = lim n P ((X 2, X 1 ) B n )
21 1. DIE ERNEUERUNGSFUNKTION 11 aus dem Stetigkeitssatz folgt. Wegen der Unabhängigkeit von X 1 und X 2 erhält man n P ((X 2, X 1 ) B n ) = P (X 1 t t j 1, t j 1 X 2 t j ) = j=1 n H 1 (t t j 1 )(H 2 (t j 1 ) H 2 (t j )). j=1 Lässt man n gegen gehen, dann erhält man P (X 1 + X 2 t) = P ((X 2, X 1 ) B) = Wegen Satz 1.9(a) steht rechts die Faltung von H 1 mit H 2. a H 1 (t x) dh 2 (x). Seien X 1, X 2 und X 3 unabhängige Zufallsvariablen welche die Wahrscheinlichkeitsverteilungen H 1, H 2 und H 3 haben, die auf R gleich null sind. Dann gilt H 1 H 2 = H 2 H 1 wegen X 1 + X 2 = X 2 + X 1 und H 1 (H 2 H 3 ) = (H 1 H 2 ) H 3 wegen X 1 + (X 2 + X 3 ) = (X 1 + X 2 ) + X 3. Für Wahrscheinlichkeitsverteilungen, welche auf R gleich null sind, ist die Faltung eine kommutative und assoziative Verknüpfung. Sei F eine Lebensdauerverteilung. Die Wahrscheinlichkeitsverteilungen F n von S n können dann mit Hilfe der Faltung rekursiv berechnet werden. Wegen S n = S n 1 + X n, der Unabhängigkeit von S n 1 und X n und der Tatsache, dass F die Wahrscheinlichkeitsverteilung von X n ist, gilt die Rekursion für n 2. F n = F n 1 F = F F n 1 Definition Man schreibt F G, wenn F (t) G(t) für alle t R gilt. Satz Seien F und G Lebensdauerverteilungen. Wenn F G gilt, dann auch F n G n für alle n 1. Beweis. Wegen F 1 = F und G 1 = G ist dies für n = 1 klar. Der Beweis wird durch Induktion geführt. Wenn F n G n gezeigt ist, dann folgt F n+1 (t) = F n (t x) df (x) und weiters wegen G n F (t) = F G n (t) F n+1 (t) F G n (t) = womit der Satz bewiesen ist. F (t x) dg n (x) G n (t x) df (x) = G n F (t) G(t x) dg n (x) = G n+1 (t) Satz Sei R die Erneuerungsfunktion eines Erneuerungsprozesses mit Lebensdauerverteilung F. Dann gilt: (a) es existieren positive Konstanten c und d mit R(t) c + dt für alle t R +. (b) R ist monoton wachsend und rechtsregulär. (c) R(t) = F (t) + R(t x) df (x), das heiÿt R = F + R F.
22 12 1. DIE ERNEUERUNGSFUNKTION Beweis. (a) Da F () < 1 und F rechtsseitig stetig ist, gibt es ein a > mit F (a) < 1. Sei, für x <, G(x) = F (a), für x < a, 1, für x a. Dann gilt F G. Sei R die Erneuerungsfunktion zur Lebensdauerverteilung G. Aus Satz 1.6 und Satz 1.12 folgt R R. Durch Berechnen von R(t) ergibt sich R(t) = 1 ([ t ] + 1) 1 und man erhält durch Einsetzen 1 F (a) a ([ ] ) 1 t 1 R(t) t 1 F (a) a a(1 F (a)) F (a) womit (a) gezeigt ist. (b) Da jedes F k monoton wachsend ist, ist auch R = k=1 F k monoton wachsend. Um zu zeigen, dass R rechtsregulär ist, sei R n = n k=1 F k. Dann gilt für t > sup R(s) R n (s) = sup F k (s) = F k (t) s [,t] s [,t] k=n+1 k=n+1 da jedes F k positiv und monoton wachsend ist. Wegen (a) ist k=1 F k(t) konvergent und daher lim F k (t) =. n k=n+1 Für jedes t > konvergiert daher R n gleichmäÿig auf [, t) gegen R. Als endliche Summe von rechtsregulären Funktionen ist R n ebenfalls rechtsregulär. Als gleichmäÿiger Grenzwert der Funktionen R n ist dann auch R rechtsregulär auf [, t) für jedes t und daher auf R. Damit ist (b) gezeigt. (c) Die Gleichung aus (c) wird zuerst für R n mit Hilfe des Distributivgesetzes für die Faltung, das in Satz 1.9(b) gezeigt wurde, nachgerechnet n+1 n+1 R n+1 (t) = F k (t) = F 1 (t) + F k 1 F (t) k=1 Mit Hilfe von Satz 1.9(c) folgt k=2 = F (t) + R n F (t). R F (t) R n F (t) sup R(s) R n (s) F (t). s [,t] Im letzten Absatz wurde sup s [,t] R(s) R n (s) für n gezeigt. Mit n folgt daher R(t) = F (t) + R F (t) aus obiger Gleichung. Ab jetzt wird der Erwartungswert der zugrundeliegenden Lebensdauerverteilung F mit µ bezeichnet, sodass µ = E(X 1 ) = x df (x) = 1 F (x) dx gilt. Bevor die Restlebensdauer einer in Betrieb stehenden Glühbirne bestimmt werden kann, wird der folgende wichtige Hilfssatz bewiesen.
23 1. DIE ERNEUERUNGSFUNKTION 13 Hilfssatz 2. Seien X 1, X 2,... Zufallsvariablen mit Werten in R +, die alle Erwartungswert µ haben. Weiters sei N eine Zufallsvariable mit Werten in N, sodass die Ereignisse ( N k 1 und X k s für alle k N und s unabhängig sind. Dann gilt N ) E = µe(n). j=1 X j Beweis. Die Zufallsvariable U j für j 1 wird durch U j =, wenn N j 1, und U j = 1, wenn N j deniert. Dann gilt N j=1 X j = j=1 U jx j. Sei t. Aus der Unabhängigkeit der Ereignisse N j 1 und X j > t folgt Daraus erhält man E(U j X j ) = P (U j X j > t) = P (U j = 1, X j > t) = P (X j > t) P (U j =, X j > t) = P (X j > t) P (N j 1, X j > t) = P (X j > t) P (N j 1)P (X j > t) = P (X j > t)p (N j). P (U j X j > t) dt = P (N j) P (X j > t) dt = P (N j)µ. Aufgrund der Tatsache, dass für Zufallsvariablen X j mit j 1 und mit Werten in R + ( ) E X j = E (X j ) j=1 gilt, folgt nun ( N ) ( ) E X j = E U j X j = j=1 j=1 j=1 j=1 E(U j X j ) = µ P (N j) = µe(n). Mit Hilfe von Hilfssatz 2 lässt sich nun die durchschnittliche Restlebensdauer einer zum Zeitpunkt t in Betrieb stehenden Glühbirne berechnen. Satz Für t > gilt E(S Nt+1) = µ(r(t)+1) und daher E(γ t ) = µ(r(t)+1) t. Beweis. Hilfssatz 2 wird auf S Nt+1 = N t+1 j=1 X j angewendet. Zuerst müssen die Voraussetzungen dieses Satzes, nämlich die Unabhängigkeit der Ereignisse N t + 1 k und X k+1 s für alle k 1 und s überprüft werden. Aus Satz 1.3 folgt j=1 N t + 1 k N t < k S k > t. Aus der Unabhängigkeit der Zufallsvariablen S k und X k+1 folgt dann P (N t + 1 k, X k+1 s) = P (S k > t, X k+1 s) = P (S k > t)p (X k+1 s) = P (N t + 1 k)p (X k+1 s). Hilfssatz 2 besagt jetzt, dass E(S Nt+1) = µe(n t +1) = µ(r(t)+1) gilt. Durch Einsetzen von S Nt+1 = γ t + t folgt sofort E(γ t ) = µ(r(t) + 1) t.
24 14 1. DIE ERNEUERUNGSFUNKTION Mit Hilfe von Satz 1.14 kann jetzt das asymptotische Verhalten der Erneuerungsfunktion bestimmt werden. Satz 1.15 bezeichnet man auch noch als den elementaren Erneuerungssatz. Satz Für einen Erneuerungsprozess mit µ = E(X 1 ) < gilt R(t) lim t t = 1 µ. Beweis. Aus der Denition von N t folgt S Nt+1 > t und daher µ(r(t) + 1) t aus Satz Man erhält R(t) 1 t µ 1 t woraus folgt. Um jetzt noch zu zeigen, sei c > beliebig und G(t) = lim inf t lim sup t R(t) t R(t) t 1 µ 1 µ { F (t), für t < c, 1, für t c, sodass F G gilt. Sei R die Erneuerungsfunktion zur Lebensdauerverteilung G. Aus Satz 1.6 und Satz 1.12 folgt R R. Sei ( S k ) k 1 ein Erneuerungsprozess mit Lebensdauerverteilung G und Ñt die Anzahl der Erneuerungen im Zeitintervall [, t] für diesen Prozess. Die Zufallsvariablen X k = S k S k 1 können keine Werte > c annehmen, da P ( X k c) = G(c) = 1 gilt. Insbesondere folgt SÑt+1 SÑt c und SÑt+1 t + c, wegen SÑt t. Sei µ der Erwartungswert von G. Aus Satz 1.14 folgt sodass man erhält. Es folgt Wegen R(t) R(t) wurde gezeigt. Schlieÿlich gilt µ R(t) E( SÑt+1 ), R(t) t lim sup t lim sup t 1 µ + c t µ R(t) t R(t) t lim µ = µ, c 1 µ. 1 µ
25 1. DIE ERNEUERUNGSFUNKTION 15 aufgrund von So erhält man µ = µ = womit der Satz bewiesen ist. 1 F (x) dx und 1 G(x) dx = lim sup t R(t) t c 1 µ, 1 F (x) dx.
26
27 KAPITEL 2 Der Erneuerungssatz Als erstes wird in dem vorliegenden Kapitel der Begri der Erneuerungsgleichung eingeführt, welche eine wichtige Rolle für den Erneuerungssatz spielt. Die folgenden Darstellungen wurden, in weiten Teilen, aus [5] und [7] entnommen. Als Erneuerungsgleichungen werden Gleichungen der Form A(t) = a(t) + A(t x) df (x) bezeichnet, wobei F eine Lebensdauerverteilung ist und A, a auf R + deniert sind. Es wurde bereits in Satz 1.13(c) gezeigt, dass R eine Erneuerungsgleichung mit a = F erfüllt. Der Erneuerungssatz gibt das asymptotische Verhalten einer Lösung A einer Erneuerungsgleichung an. Für dessen Formulierung benötigt man noch folgende Denition. Definition 2.1. Eine Wahrscheinlichkeitsverteilung F heiÿt Gitterverteilung, wenn ein d > und c n für n Z existieren, sodass F = n Z c n1 [nd, ) gilt. Man nennt d die Gitterweite und c n die Sprunghöhe im Punkt nd. Satz 2.2 (Erneuerungssatz). Sei F eine Lebensdauerverteilung mit Erwartungswert µ = x df (x) <. Sei a : [, ) R eine endliche Linearkombination von positiven monoton fallenden rechtsregulären Funktionen a j mit a j (x) dx <. Sei A : [, ) R eine Lösung der Erneuerungsgleichung A(t) = a(t) + die auf kompakten Intervallen beschränkt ist. Ist F keine Gitterverteilung, dann gilt lim A(t) = t { 1 µ A(t x) df (x), (2.1) a(x) dx, falls µ <,, falls µ =. Ist F eine Gitterverteilung mit Gitterweite d, dann gilt (2.2) lim A(nd) = n { d µ n= a(nd), falls µ <,, falls µ =. (2.3) Bevor mit dem Beweis des Erneuerungssatzes begonnen wird, wird ein Zusammenhang zur Erneuerungsgleichung hergestellt. 17
28 18 2. DER ERNEUERUNGSSATZ Mit Hilfe der Erneuerungsfunktion R zur Lebensdauerverteilung F kann man eine Formel für die Lösung der Erneuerungsgleichung angeben. Sei R(t) = für t <, sodass R(t) = k=1 F k(t) für alle t R gilt. Wegen Satz 1.13(b) ist R eine Verteilung. Satz 2.3. Sei a eine beschränkte, rechtsreguläre Funktion auf R +. Die einzige Lösung der Erneuerungsgleichung A(t) = a(t) + die auf kompakten Intervallen beschränkt ist, ist dann durch gegeben. A(t) = a(t) + A(t x) df (x), (2.4) a(t y) dr(y) (2.5) Beweis. Für diesen Beweis werden Satz 1.9 und das Assoziativgesetz (g G) H = g (G H) aus Kapitel 1 verwendet. Man zeigt zuerst, dass A = a + a R eine auf kompakten Intervallen beschränkte Lösung ist. Wegen sup A(x) sup a(x) + sup a(x) R(t) < x [,t] x R + x R + ist A auf [, t] beschränkt für jedes t >. Mit Satz 1.13(c) folgt A = a + a R = a + a (F + R F ) = a + a F + a (R F ) = a + a F + (a R) F = a + (a + a R) F = a + A F, womit gezeigt ist, dass A die Erneuerungsgleichung löst. Sei jetzt A eine Lösung von A = a+a F, die auf kompakten Intervallen beschränkt ist. Setzt man diese Gleichung in sich selbst ein, so folgt A = a + (a + A F ) F = a + a F + A F 2. Wiederholt man dies immer wieder und setzt R n = n k=1 F k, so erhält man A = a + a R n + A F n+1 für alle n. Man lässt n gegen gehen. Wegen Satz 1.13(a) gilt j=1 F j(t) = R(t) <. Ist G n (t) = j=n+1 F j(t), dann folgt lim n F n+1 (t) = und lim n G n (t) = für t. Wegen A F n+1 (t) sup x [,t] A(x) F n+1 (t) erhält man lim n A F n+1 (t) = für t. Wegen a R(t) a R n (t) = a G n (t) sup x R + a(x) G n (t) folgt lim n a R n (t) = a R(t) für t. Für n folgt also A = a + a R, womit gezeigt ist, dass das die einzige Lösung von A = a + A F ist, die auf kompakten Intervallen beschränkt ist.
29 Beispiel. Sei 2. DER ERNEUERUNGSSATZ 19 a(y) = { 1, für y < h,, für h y. Die zugehörige Lösung der Erneuerungsgleichung ist A(t) = a(t) + = R(t) R(t h), für t > h. Aus dem Erneuerungssatz folgt wenn F keine Gitterverteilung ist. a(t x) dr(x) lim t (R(t) R(t h)) = h µ, Satz 2.4. Für jedes y > existiert ein γ(y), sodass R(t + y) R(t) γ(y) für alle t gilt. Beweis. Für a(t) = 1 F (t) ist A(t) = 1 eine beschränkte Lösung der Erneuerungsgleichung. Nach Satz 2.3 folgt 1 = a(t) + a(t y) dr(y) für t. Für x (, t] erhält man daraus 1 x t x a(t y) dr(y) a(x)(r(t) R(t x)). Ist δ > so, dass F (δ) < 1 gilt und x (, δ], dann folgt R(t) R(t x) 1 ([ 1 F (δ) für alle t. Sei γ(y) = 1 y ] ) [ 1 F (δ) δ + 1. Da sich jedes Intervall (t, t + y] in y ] δ + 1 Intervalle der Länge δ zerlegen lässt, folgt für alle t R und y >. R(t + y) R(t) γ(y)
30 2 2. DER ERNEUERUNGSSATZ 2.1. Beweis des Erneuerungssatzes In diesem Kapitel werden zwei Methoden für den Beweis des Erneuerungssatzes dargestellt Methode 1. Dieser Beweis hält sich, in weiten Zügen, an [5] und [2]. Der Beweis des Erneuerungssatzes wird zuerst für den leichteren Fall geführt, wo eine Gitterverteilung F mit Gitterweite d auftritt. Für den Beweis benötigt man folgenden Hilfssatz und Satz 2.5, welcher auch noch als diskreter Erneuerungssatz bezeichnet wird. Hilfssatz 3. Sei a n (t) R, sodass a n = lim t c a n (t) für alle n existiert. Wenn es ein d n R + mit n= d n < und a n (t) d n für alle t und alle n gibt, dann gilt a n = lim a n (t). t c n= Beweis. Sei ɛ > beliebig. Man wähle n so, dass n=n d n < ɛ ist. Daraus 3 folgt dann, dass m n=n a n (t) m n=n d n < ɛ für alle t und alle m n 3 gilt. Durch Grenzübergang t c erhält man m n=n a n ɛ für alle m n 3. Insbesondere sind die Reihen n= a n(t) und n= a n absolut konvergent. Dann kann eine Umgebung U von c so gewählt werden, dass a n (t) a n < ɛ 3n für t U und n n 1 gilt. Für t U und m n erhält man m m n 1 m m ɛ a n (t) a n a n (t) a n + a n (t) + a n < n + ɛ 3n n=n n=n 3 + ɛ 3 = ɛ. n= n= n= Lässt man jetzt m gegen gehen, so folgt daraus n= a n(t) n= a n < ɛ für alle t U, womit n= a n = lim t c n= a n(t) gezeigt ist. Satz 2.5 (Diskreter Erneuerungssatz). Sei (a n ) n 1 eine Folge in R +, sodass n=1 a n = 1 und ggt{n 1 : a n > } = 1. Sei u n = a 1 u n 1 + a 2 u n a n u o für n 1 und u = 1. Dann gilt lim n u n = 1 α mit α = n=1 na n, wobei α auch sein darf. n= Beweis. Der Beweis wird in sechs Schritte unterteilt: (i) Es gilt u n für n und u = 1. Ist u n 1 für alle n < m gezeigt, dann folgt u m m n=1 a n 1. Dieser Induktionsbeweis zeigt, dass u n 1 für alle n gilt. (ii) Sei r n = k=n+1 a k, sodass α = n= r n. Wegen a n = r n 1 r n und r = 1 folgt n k= r ku n k = n 1 k= r ku n k 1 für alle n und daher n k= r ku n k = r u = 1 für alle n. (iii) Sei λ = lim sup n u n [, 1]. Also gilt lim k u nk = λ für eine Teilfolge (n k ) k 1 und zu jedem ɛ > gibt es ein n ɛ mit u n λ + ɛ für alle n n ɛ. Es wird gezeigt, dass lim k u nk j = λ für alle j mit a j > gilt. Angenommen, das gilt nicht. Dann existiert ein λ < λ, sodass für ɛ = 1a 4 j(λ λ) und unendlich viele m sowohl u m j < λ als auch u m > λ ɛ gilt. Sei N > j so groÿ, dass
31 2.1. BEWEIS DES ERNEUERUNGSSATZES 21 r N < ɛ. Ist m wie oben und zusätzlich noch m N + n ɛ dann erhält man unter Benutzung von u n 1 u m a 1 u m 1 + a 2 u m a N u m N + ɛ < (a a j 1 + a j a N )(λ + ɛ) + a j λ + ɛ (1 a j )(λ + ɛ) + a j λ + ɛ λ + 2ɛ a j (λ λ) = λ 2ɛ. Das ist ein Widerspruch zu u m > λ ɛ. Somit ist lim k u nk j = λ gezeigt. (iv) Wenn a j > gilt, kann der Beweis in (iii) auch auf die Teilfolge (n k j) k 1 anwendet werden und man erhält lim k n nk 2j = λ. Wiederholt man das, so erhält man lim k u nk lj = λ für alle l N und alle j mit a j >. Ebenso folgt lim k u nk l 1 j 1 l 2 j 2 = λ, wenn a j1 > und a j2 > gelten. Nun gibt es j 1, j 2,..., j p mit a ji >, deren gröÿter gemeinsamer Teiler 1 ist. Es gibt ein M, sodass für jedes m M natürliche Zahlen l 1, l 2,..., l p existieren mit m = l 1 j 1 + l 2 j l p j p. Deshalb folgt wie oben, dass lim k u nk m = λ, wenn m M gilt. Sei jetzt K beliebig. Wenn n k K + M, dann folgt aus (ii), dass K i= r iu nk M i 1 gilt. Für k folgt daraus, dass λ K i= r i 1. Da K beliebig war, erhält man λα 1, also λ 1. Das heiÿt lim sup α n u n 1. α (v) Sei jetzt λ = lim inf n u n [, 1]. Es wird wie in (iii) vorgegangen. Für eine Teilfolge (n k ) k 1 gilt lim k u nk = λ und zu jedem ɛ > gibt es ein n ɛ mit u n λ ɛ für alle n n ɛ. Es wird lim k u nk j = λ für alle j mit a j > gezeigt. Angenommen, das gilt nicht. Dann existiert ein λ > λ, sodass für ɛ = a j( λ λ) und unendlich viele m sowohl u 3+λ m j > λ als auch u m < λ + ɛ gilt. Sei N > j so gewählt, dass r N < ɛ gilt. Ist m wie oben und zusätzlich noch m N + n ɛ dann erhält man unter Benutzung von u n u m a 1 u m 1 + a 2 u m a N u m N > (a a j 1 + a j a N )(λ ɛ) + a j λ > (1 a j ɛ)(λ ɛ) + a j λ > λ ɛ λɛ + a j ( λ λ) = λ + 2ɛ. Das ist ein Widerspruch zu u m < λ + ɛ. Also ist lim k u nk j = λ gezeigt. (vi) Genauso wie in (iv) mit Hilfe von (iii) wird jetzt mit Hilfe von (v) gezeigt, dass ein M existiert mit lim k u nk m = λ für m M. Sei jetzt K so groÿ, dass r K < ɛ gilt. Wenn n k K +M, dann folgt aus (ii), dass K i= r iu nk M i +ɛ 1 gilt. Für k folgt daraus, dass λ K i= r i + ɛ 1, also λα + ɛ 1 gilt. Da ɛ > beliebig war, erhält man λ 1. Das heiÿt lim inf α n u n 1. α Der Beweis des Erneuerungssatzes für eine Gitterverteilung F mit Gitterweite d lässt sich wie bereits erwähnt auf Satz 2.5 zurückführen. Für n sei v n = A(nd) und c n = a(nd). Nach Voraussetzung gilt n= c n <. Weiters sei b n die Sprunghöhe
32 22 2. DER ERNEUERUNGSSATZ von F im Punkt nd. Da F eine Lebensdauerverteilung ist, gilt n= b n = 1 und b < 1. Aus der vorausgesetzen Erneuerungsgleichung folgt dann n v n = c n + v n k b k (2.6) für n. Es kann ggt{n : b n > } = 1 angenommen werden. Sonst wäre ein Vielfaches von d ebenfalls Gitterweite. Sei u n durch u = 1 und u n = b 1 1 b u n bn 1 b u für n 1 deniert. Wegen = 1 folgt aus Satz 2.5, dass j=1 b j 1 b lim u n = 1 b n k=1 kb k gilt. Daraus ist lim n v n zu bestimmen. Folgende erzeugende Funktionen werden eingeführt: B(x) = b n x n, C(x) = c n x n, U(x) = n= k= u n x n, V (x) = n= Aus der Denition der u n folgt U(x) = B(x)U(x) + 1 b. n= v n x n. Aus (2.6) erhält man V (x) = B(x)V (x) + C(x). Eliminiert man B(x) aus diesen beiden Gleichungen, so erhält man Durch Koezientenvergleich ergibt sich (1 b )V (x) = C(x)U(x). (1 b )v n = n c j u n j für n. Mit Hilfe von Hilfssatz 3 folgt nun für n, dass lim v k= n = c k n k=1 kb k gilt. Da k=1 dkb k der Erwartungswert µ von F ist, ist das bereits die Behauptung des Erneuerungssatzes. j= n= Wenn F keine Gitterverteilung ist, dann ist der Beweis wesentlich aufwändiger. Es wird mit einigen Sätzen aus der Analysis begonnen, die zum Beweis notwendig sind. Hilfssatz 4. Sei K n eine Folge von Verteilungen mit K n () =, sodass für jedes x R ein c x existiert mit K n (x) c x für alle n. Dann existiert eine Teilfolge n k und eine Verteilung K, sodass lim k K nk (t) = K(t) für alle t R gilt, in denen K stetig ist. Für diese Teilfolge gilt lim k f(x) dk n k (x) = f(x) dk(x) für alle
33 2.1. BEWEIS DES ERNEUERUNGSSATZES 23 linksregulären Funktionen f mit kompaktem Träger, die in den Sprungstellen von K stetig sind. Beweis. Die Menge Q der rationalen Zahlen ist abzählbar, das heiÿt Q kann durchnummeriert als {r 1, r 2,...} geschrieben werden. Die Folge K n (r 1 ) für n N ist beschränkt und hat daher eine konvergente Teilfolge. Es gibt eine unendliche Teilmenge N 1 von N, sodass lim n N1 K n (r 1 ) existiert. Nun ist K n (r 2 ) für n N 1 eine beschränkte Folge, sodass eine unendliche Teilmenge N 2 von N 1 existiert, für die lim n N2 K n (r 2 ) existiert. Da jetzt K n (r 3 ) für n N 2 eine beschränkte Folge ist, ndet man eine unendliche Teilmenge N 3 von N 2, sodass lim n N3 K n (r 3 ) existiert. Dies kann man immer weiter tun. Man ndet N 1 N 2 N 3... sodass lim n Nj K n (r j ) für alle j existiert. Jetzt sei n 1 = min N 1 und für j 2 sei n j = min{n N j : n > n j 1 }. Für jedes k 1 gilt dann {n k, n k+1, n k+2,...} N k, sodass lim m K nm (r k ) für alle k existiert. Für jedes r Q existiert also eine Zahl g r mit lim m K nm (r) = g r. Da jede der Funktionen K nm monoton wachsend ist, folgt g r g s für r < s. Für x R sei K(x) = inf{g r : r Q, r > x}. Aus dieser Denition folgt, dass K : R R monoton wachsend und rechtsseitig stetig ist. Es wird lim j K nj (x) = K(x) für alle x R, in denen K stetig ist, gezeigt. Sei r Q und r > x. Dann gilt K nj (x) K nj (r) für alle j und daher lim sup j K nj (x) lim sup j K nj (r) = g r. Da das für alle r Q mit r > x gilt, erhält man lim sup j K nj (x) inf{g r : r Q, r > x} = K(x). Sei r Q und r < x. Dann gilt K nj (x) K nj (r) für alle j und daher lim inf j K nj (x) lim inf j K nj (r) = g r. Da das für alle r Q mit r < x gilt, erhält man lim inf j K nj (x) sup{g r : r Q, r < x}. Ist y R und y < x, dann gilt K(y) sup{g r : r Q, r < x}, da Q (y, x) ist. Daher folgt lim inf j K nj (x) K(x ) = sup{k(y) : y R, y < x}. Somit ist K(x ) lim inf j K nj (x) lim sup j K nj (x) K(x) für x R bewiesen. Ist K im Punkt x stetig, dann gilt K(x ) = K(x) und daher lim j K nj (x) = K(x). Es bleibt noch die zweite Aussage des Satzes zu zeigen. Seien a und b in R so gewählt, dass f auÿerhalb von (a, b] gleich Null ist, und a und b Stetigkeitspunkte von K sind. Dann gilt f(x) dk n(x) = b a f(x) dk n(x) für alle n und f(x) dk(x) = b f(x) dk(x). a Sei c so gewählt, dass K n (a) c und K n (b) c für alle n gilt, woraus auch K(a) c und K(b) c folgt. Sei ɛ > gegeben. Da f linksregulär ist und in den Sprungstellen von K stetig ist, gibt es eine Zerlegung a = u < u 1 <... < u m = b des Intervalls (a, b] durch Punkte u j, in denen K stetig ist, und eine Treppenfunktion g = k j=1 v j1 (uj 1,u j ] mit sup f g < ɛ 4c+1. Es folgt für alle n 1 b a b a f(x) dk(x) f(x) dk n (x) b a b a g(x) dk(x) < g(x) dk n (x) < 2cɛ 4c + 1 2cɛ 4c + 1. Die Integrale von g sind dann b g(x) dk a n(x) = m j=1 v j(k n (u j ) K n (u j 1 )) und b g(x) dk(x) = m a j=1 v j(k(u j ) K(u j 1 )). Da K in den Punkten u j stetig ist, wurde b lim k g(x) dk a n k (x) = b g(x) dk(x) im ersten Teil des Beweises gezeigt. Daher a und
34 24 2. DER ERNEUERUNGSSATZ existiert ein n mit b a g(x) dk nk (x) b a g(x) dk(x) < ɛ 4c + 1 für alle n n. Zu vorgegebenem ɛ > wurde ein n gefunden, sodass f(x) dk nk (x) f(x) dk(x) < ɛ für alle n n gilt. Damit ist alles gezeigt. Definition 2.6. Eine Folge von Funktionen g n : R R heiÿt gleichgradig stetig, wenn für jedes x R und jedes ɛ > ein δ > existiert, sodass g n (x) g n (y) < ɛ für alle y (x δ, x + δ) und alle n gilt. Hilfssatz 5. Sei g n : R [ c, c] eine Folge von gleichgradig stetigen Funktionen. Dann existiert eine Teilfolge n k und eine stetige Funktion g : R [ c, c] mit lim k g nk (x) = g(x) für alle x R. Die Konvergenz ist gleichmäÿig auf kompakten Intervallen. Beweis. Da die Folge g n (r) für jedes r Q beschränkt ist, ndet man genauso wie zu Beginn des Beweises von Hilfssatz 4 eine Teilfolge n k, sodass die Folge g nk (r) für jedes r Q konvergiert. Insbesondere ist jede dieser Folgen eine Cauchyfolge. Es wird gezeigt, dass g nk (x) eine Cauchyfolge für jedes x R ist. Sei also x R und ɛ > vorgegeben. Da die Folge g n gleichgradig stetig ist, existiert ein δ >, sodass g n (x) g n (y) < ɛ 3 für alle y (x δ, x + δ) und für alle n gilt. Man wählt ein r Q (x δ, x + δ) und ndet ein k, sodass g nk (r) g nm (r) < ɛ 3 für alle k, m k gilt. Für k, m k folgt dann g nk (x) g nm (x) < ɛ. Damit ist gezeigt, dass g nk (x) eine Cauchyfolge ist. Es existiert ein g(x) R mit lim k g nk (x) = g(x). Es wird gezeigt, dass die Konvergenz gleichmäÿig auf kompakten Teilmengen ist. Sei M R kompakt und ɛ > vorgegeben. Für jedes x M existiert eine Umgebung U(x), sodass g n (x) g n (y) < ɛ 3 für alle y U(x) und alle n gilt und daher auch g(x) g(y) < ɛ 3. Es gibt endlich viele x 1, x 2,..., x m mit M m j=1 U(x j). Es gibt ein k, sodass g nk (x j ) g(x j ) < ɛ 3 für 1 j m und für k k gilt. Sei jetzt y M beliebig. Es gibt ein x j mit y U(x j ). Dann gilt g nk (y) g(y) g nk (y) g nk (x j ) + g }{{} nk (x j ) g(x j ) + g(x }{{} j ) g(y) < ɛ, }{{} < ɛ 3 wenn k k ist. Damit ist die gleichmäÿige Konvergenz auf M gezeigt. Als gleichmäÿiger Grenzwert von stetigen Funktionen ist g stetig auf allen kompakten Teilmengen von R, also auf ganz R. Da g n (x) [ c, c] für alle n gilt, folgt g(x) [ c, c]. < ɛ 3 < ɛ 3
35 2.1. BEWEIS DES ERNEUERUNGSSATZES 25 Die zwei folgenden Sätze stammen aus der Maÿtheorie. Der erste folgt aus der Tatsache, dass die einzigen translationsinvarianten Maÿe auf R die Vielfachen des Lebesguemaÿes sind. Beim zweiten handelt es sich um den Satz über die dominierte Konvergenz. Hilfssatz 6. Sei K eine Verteilung, sodass f(x t) dk(x) für jedes stetige f mit kompaktem Träger unabhängig von t ist. Dann gilt K(t) = αt + β für ein α und ein β R. Hilfssatz 7. Sei f n : R R eine Folge integrierbarer Funktionen, die gegen eine integrierbare Funktion f : R R konvergiert, und sei F eine Verteilung. Wenn eine integrierbare Funktion h : R R + existiert mit h(x) df (x) < und f n h für alle n gilt, dann gilt lim n f n df = f df. Nun wird die Voraussetzung, dass F keine Gitterverteilung besitzt, ausgenutzt. Definition 2.7. Sei H eine Verteilung. Man nennt x einen Dichtepunkt der Verteilung H, wenn H(x) H(x ɛ) > für alle ɛ > gilt. Weiters sei D H die Menge aller Dichtepunkte von H. Hilfssatz 8. Für zwei Wahrscheinlichkeitsverteilungen G, H gilt D G H D G +D H. Insbesondere enthält die Menge k=1 D F k mit zwei Punkten auch deren Summe. Beweis. Um die erste Aussage zu zeigen, sei s D G, t D H und ɛ >. Seien X und Y unabhängige Zufallsvariablen, sodass X die Verteilung G und Y die Verteilung H hat. Dann gilt und Daraus erhält man dann P (s ɛ 2 < X s) = G(s) G(s ɛ 2 ) > P (t ɛ 2 < Y t) = H(t) H(t ɛ 2 ) >. G H(s + t) G H(s + t ɛ) = P (s + t ɛ < X + Y s + t) P (s ɛ 2 < X s, t ɛ 2 < Y t) = P (s ɛ 2 < X s)p (t ɛ 2 < Y t) >, womit gezeigt ist, dass s + t D G H gilt. Sind s, t k=1 D F k, dann muss s D Fl und t D Fm für ein l und ein m gelten. Aus dem ersten Teil des Satzes folgt dann s + t D Fl F m = D Fl+m D Fk. Hilfssatz 9. Wenn F keine Gitterverteilung ist, dann existiert für jedes δ > ein t, sodass I k=1 D F k für jedes Intervall I der Länge δ, das in [t, ) enthalten ist, gilt. k=1
36 26 2. DER ERNEUERUNGSSATZ Beweis. Man ndet Punkte a und b in k=1 D F k mit a < b < a + δ. Solche Punkte ndet man bereits in D F, auÿer D F = {c, c 1,...} mit c < c 1 <... und c j+1 c j + δ. Gibt es Punkte u und v in D F mit u Q, dann ndet man Zahlen v l und m in Z mit < lu + mv < δ. Wegen Hilfssatz 8 sind dann a = l u + m v und b = ( l + l)u + ( m + m)v in k=1 D F k und es gilt a < b < a + δ. Es kann angenommen werden, dass u Q für alle u,v D v F gilt. Sei d 1 = ggt(c, c 1 ) > und d j = ggt(d j 1, c j ) > für j 2. Wenn D F = {c, c 1,...c α } gilt, dann ist F eine Gitterverteilung mit Gitterweite d α. Also ist D F unendlich. Ist d = d j für alle j j, dann ist F eine Gitterverteilung mit Gitterweite d. Da jedes d j 1 ein Vielfaches von d j ist, folgt lim j d j =. Man nehme ein j mit d j < δ. Es existieren Zahlen m j Z mit j j= m jc j = d j (, δ). Wegen Hilfssatz 8 sind dann a = j j= m j c j und b = j j= ( m j + m j )c j in k=1 D F k und es gilt a < b < a + δ. Sei w D F beliebig mit w >. Sei d = b a (, δ) und n N so, dass nd > w gilt. Die Punkte jw + (n m)a + mb = jw + na + md mit j 1 und m n liegen in [w + na, ), sodass zwei aufeinanderfolgende Punkte höchstens Abstand d haben. Wegen Hilfssatz 8 liegen alle diese Punkte in k=1 D F k. Mit t = w + na erreicht man das gewünschte Resultat. Hilfssatz 1. Seien F und G Verteilungen, die auf R gleich null sind. Für eine beschränkte linksreguläre Funktion h : R R gilt h(y + z) df (y)dg(z) = h(y) df G(y), wenn entweder h kompakten Träger hat oder F und G Wahrscheinlichkeitsverteilungen sind. Für eine rechtsreguläre Funktion g : [, ) R gilt g (F G) = (g F ) G. Beweis. Die erste Gleichung gilt für die Funktion u = 1 (a,b] mit a < b. Man sieht das, weil und u(y + z) df (y)dg(z) = F (b z) F (a z) dg(z) = F G(b) F G(a) u(y) df G(y) = F G(b) F G(a) gilt. Da Integrale linear sind, gilt diese Gleichung auch für alle Linkstreppenfunktionen. Sei h n = h1 ( n,n]. Da h n wegen Hilfssatz 1 gleichmäÿiger Grenzwert einer Folge von Linkstreppenfunktionen ist und bei diesem Grenzübergang die in der Gleichung vorkommenden Integrale konvergieren, gilt die Gleichung auch für h n. Wenn h kompakten Träger hat, dann gilt h = h n für ein n und man ist fertig. Ansonsten sei c eine obere Schranke für h. Dann gilt h n c für alle n und lim n h n = h. Die Gleichung für die Funktion h folgt nun aus Hilfssatz 7, da die Integrale der konstanten Funktion c den Wert c haben, wenn F und G Wahrscheinlichkeitsverteilungen sind.
37 2.1. BEWEIS DES ERNEUERUNGSSATZES 27 Die Funktion f = g1 [,t+1) von R nach R ist rechtsregulär mit kompaktem Träger. Es gilt g (F G)(t) = Aus der soeben bewiesenen Gleichung erhält man g (F G)(t) = f(t y) df G(y). f(t z y) df (y)dg(z). Das innere Integral ist g F (t z) für z t und = für z > t. Es folgt g (F G)(t) = g F (t z) dg(z) = (g F ) G(t). Hilfssatz 11. Sei F eine Lebensdauerverteilung, die keine Gitterverteilung ist. Sei g : R R beschränkt und gleichmäÿig stetig und g() = max x R g(x). Wenn g(x) = g(x y) df (y) für alle x R gilt, dann ist g konstant. Beweis. Es wird mit Induktion gezeigt, dass g(x) = g(x y) df k(y) für alle k 1 gilt. Für k = 1 ist diese Gleichung in den Voraussetzungen enthalten. Wenn sie für k = m schon bewiesen ist, dann folgt g(x) = g(x y z) df (y)df m(z) unter nochmaliger Verwendung der Voraussetzung. Setzt man h(t) = g(x t) in Hilfssatz 1 ein, dann erhält man g(x) = = g(x y) df F m (y) g(x y) df m+1 (y), die Gleichung für k = m + 1. Es wird gezeigt, dass lim x g(x) = g() sein muss. Sonst gibt es ein ɛ > und eine Folge x j mit x j und g( x j ) g() 2ɛ. Da g gleichmäÿig stetig ist, gibt es ein δ > und oene Intervalle I j mit Mittelpunkt x j und Länge δ, sodass g( x) g() ɛ für alle x j=1 I j gilt. Nach Hilfssatz 9 gibt es ein j und ein k, sodass I j D Fk ist. Es gibt also Punkte a und b mit < a < b, sodass F k (b) F k (a) > und g( x) g() ɛ für alle x (a, b] gilt. Jetzt folgt g( y) df k (y) (g() ɛ)(f k (b) F k (a)) + g()(1 F k (b) + F k (a)) = g() ɛ(f k (b) F k (a)) < g(), ein Widerspruch zu g() = g( y) df k(y). Somit gilt lim x g(x) = g(). Sei c = sup g. Angenommen, es gibt ein u mit g(u) < g(). Man wählt ɛ = g() g(u) 2c+2 und ndet ein t, sodass g(x) > g() ɛ für alle x < u t. Wegen Satz 1.6 und Satz 1.13(a) gilt lim k F k (t) = für alle t. Daher gibt es ein k mit F k (t ) < ɛ. Aus der
38 28 2. DER ERNEUERUNGSSATZ Gleichung g(u) = g(u y) df k(y) folgt nun g(u) c df k (y) + (g() ɛ) cf k (t ) + (g() ɛ)(1 F k (t )) g() ɛ(2c + 1). t df k (y) Das ergibt einen Widerspruch zur Wahl von ɛ. Somit ist g(u) = g() für alle u R gezeigt. Satz 2.8. Sei a : R + R eine beschränkte, rechtsreguläre Funktion mit kompaktem Träger, der in [m, m+l) enthalten ist. Sei F keine Gitterverteilung, R die Erneuerungsfunktion zur Lebensdauerverteilung F und A(t) = a(t) + a(t y) dr(y). Dann gilt: (a) A ist auf R + durch sup a (1 + γ(l)) beschränkt. (b) Wenn a stetig ist, dann ist A gleichmäÿig stetig. (c) Wenn a stetig ist, dann ist lim t A(t + u) A(t) = für alle u >. Beweis. (a) Da der Träger von y a(t y) im Intervall (t m l, t m] enthalten ist, folgt A(t) sup a + sup a (R(t m) R(t m l)) sup a (1 + γ(l)) für alle t, womit (a) bereits gezeigt ist. (b) Wenn a stetig ist mit kompaktem Träger, dann ist a gleichmäÿig stetig. Sei ɛ ɛ > gegeben und δ < 1 so, dass a(x) a(y) < gilt, wenn x y < δ 1+γ(l+1) ist. Für s (, δ) gilt dann A(t + s) A(t) a(t + s) a(t) + a(t + s y) a(t y) dr(y) ɛ 1 + γ(l + 1) + ɛ 1 + γ(l + 1) 1 (t m l,t m+1](y) dr(y) ɛ 1 + γ(l + 1) + ɛ γ(l + 1) 1 + γ(l + 1) = ɛ. Damit ist (b) gezeigt. (c) Um (c) zu zeigen, wird zuerst angenommen, dass a stetig dierenzierbar ist. Dann ist a stetig, beschränkt und hat Träger in [m, m + l). Sei b h (x) = a(x+h) a(x). Wegen b h h (x) = a (ξ x ) für ein ξ x zwischen x und x + h ist b h ebenfalls beschränkt und hat Träger in I = [m 1, m + l + 1), wenn h < 1 ist. Es existiert ein c > mit b h c1 I. Aus A(t) = a(t) + a(t y) dr(y) folgt A(t + h) A(t) h = b h (t) + b h (t y) dr(y). Da aber lim h b h (t) = a (t) gilt und c1 I(t y) dr(y) < ist, folgt die Gleichung A (t) = a (t) + a (t y) dr(y) mit Hilfe von Hilfssatz 7. Aus (a) und (b) erhält man, dass A beschränkt und gleichmäÿig stetig ist. Um (c)
39 2.1. BEWEIS DES ERNEUERUNGSSATZES 29 zu zeigen, beweist man, dass lim t A (t) = gilt. Sei η = lim sup t A (t). Es existiert eine Folge t n mit t n und A (t n ) η. Sei g n (t) = A (t n + t) für t t n und = A () für t < t n. Die Folge g n ist gleichgradig stetig, da A gleichmäÿig stetig ist, und die Werte der Funktionen g n liegen in [ c, c] mit c = sup A. Aus Hilfssatz 5 folgt die Existenz einer Teilfolge n k und einer stetigen Funktion g : R [ c, c] mit g nk (t) g(t) für alle t R. Die Konvergenz ist gleichmäÿig auf kompakten Teilmengen. Nach Satz 2.3 gilt A (t) = a (t) + A (t y) df (y) für t, das heiÿt g n (t) = a (t n + t) + n+t g n (t y) df (y) für t t n. Setzt man n k für n ein und lässt k gegen gehen, dann folgt g(t) = g(t y) df (y) für ein t R mit Hilfe von Hilfssatz 7, da g n c für alle n gilt. Wegen lim k A (t nk ) = η und lim k A (t nk + t) η für alle t R folgt g(t) g() = η. Da A gleichmäÿig stetig ist, gibt es zu jedem ɛ > ein δ >, sodass aus s t < δ die Ungleichung A (t nk + s) A (t nk + t) < ɛ folgt, woraus durch Grenzübergang auch g(s) g(t) < ɛ erhalten wird. Damit ist die gleichmäÿige Stetigkeit von g gezeigt. Jetzt folgt aus Hilfssatz 11, dass g(t) = g() = η für alle t gilt. Für jedes u > gilt A(t nk + u) A(t nk ) = ua (t nk + ξ k ) = ug nk (ξ k ) für ein ξ k (, u). Da g nk gleichmäÿig auf kompakten Mengen konvergiert, folgt lim A(t n k + u) A(t nk ) = uη. k Da A beschränkt ist und dieser Grenzwert für alle u > gilt, muss η = sein. Somit ist lim sup t A (t) = gezeigt. Analog kann man lim inf t A (t) = zeigen. Somit gilt lim t A (t) =. Es folgt lim A(t + u) A(t) = lim t t ua (t + ξ t ) = für alle u >. Sei jetzt a stetig mit Träger in [m, m + l). Sei ɛ >. Es gibt ein stetig dierenzierbares b mit Träger in [m, m + l), für das sup a b < ɛ 3+3γ(l) gilt. Sei B(t) = b(t) + b(t y) dr(y). Es wurde lim t B(t + u) B(t) = gezeigt. Es gibt also ein t mit B(t + u) B(t) < ɛ 3 für t > t. Wie im Beweis von (b) erhält man A(s) B(s) ɛ 3 für alle s. Für t t folgt nun A(t + u) A(t) A(t + u) B(t + u) + B(t + u) B(t) + B(t) A(t) < ɛ. Damit ist auch lim t A(t + u) A(t) = gezeigt. Mit diesen Sätzen kann der Erneuerungssatz bewiesen werden. Für y, deniere man die Verteilungen K y durch K y (t) = R(t + y) R(y). Es gilt g(x) dk y (x) = g(x y) dr(y)
40 3 2. DER ERNEUERUNGSSATZ für linksreguläre Funktionen g mit kompaktem Träger, wie man mit Hilfe von Riemannsummen leicht sieht. Sei Q eine unbeschränkte Folge in R +. Wegen K y (t) γ(t) für alle y folgt aus Hilfssatz 4 die Existenz einer Verteilung K und einer Teilfolge y k in Q, sodass lim k f(x) dk yk (x) = f(x) dk(x) für alle linksregulären Funktionen f mit kompaktem Träger, die in den Sprungstellen von K stetig sind, gilt. Man beachte, dass K auf R nicht sein muss. Sei a : R R eine stetige Funktion mit kompakten Träger, die auf R gleich ist. Sei A(t) = a(t) + a(t x) dr(x) = a(t) + a(t x) dr(x) für alle t R. Aus den im letzten Absatz gezeigten Resultaten erhält man A(y k + t) = a(y k + t) + a(t x) dk yk (x) und lim A(y k + t) = a(t x) dk(x) k für t R. Wegen Satz 2.8(c) hängt dieser Grenzwert nicht von t ab. Aus Hilfssatz 6 folgt, dass K(t) = αt + β für ein α und ein β R gilt. Sei a : R R eine beschränkte, rechtsreguläre Funktion mit kompaktem Träger, die auf R gleich ist. Sei A(t) = a(t) + a(t x) dr(x) für t R. Da man jetzt weiÿ, dass K keine Sprungstellen hat, folgt wie im letzten Absatz lim A(y k + t) = k a(t x) dk(x) für t R. Wegen a(y) = für y < und K(t) = αt + β folgt lim A(y k + t) = α k a(x) dx für t R, insbesondere lim k A(y k ) = α a(x) dx. Sei a : R + R + monoton fallend, rechtsregulär und a(x) dx <. Sei a j = a1 [j,j+1) für j. Sei A j (t) = a j (t)+ a j(t x) dr(x) für t. Wegen Satz 2.3 erfüllt A j die Erneuerungsgleichung zu a j. Aus Satz 2.8(a) erhält man sup t A j (t) d j mit d j = a(j)(1 + γ(1)). Wegen a(x) dx < folgt j=1 d j <. Mit Hilfe von Hilfssatz 7 folgt, dass A(t) = j=1 A j(t) die Erneuerungsgleichung zu a erfüllt und daher die eindeutige auf kompakten Intervallen beschränkte Lösung nach Satz 2.3 ist. Im letzten Absatz wurde lim k A j (y k ) = α a j (x) dx gezeigt. Wegen Hilfssatz 3 folgt lim A(y k) = lim A j (y k ) = α a j (x) dx = α a(x) dx. k k j=1 j=1 Für a = 1 F ist A = 1 die auf kompakten Intervallen beschränkte Lösung der Erneuerungsgleichung. Aus dem soeben gezeigten Grenzübergang ergibt sich 1 = α 1 F (x) dx.
41 2.1. BEWEIS DES ERNEUERUNGSSATZES 31 Da 1 F (x) dx der Erwartungswert µ von F ist, folgt α = 1. µ Würde lim t A(t) = α a(x) dx nicht gelten, dann fände man eine unbeschränkte Folge Q in R + und ein ɛ > mit A(t) α a(x) dx > ɛ für alle t Q. Beginnt man oben mit dieser Folge Q, dann sind alle y k in Q und man hat einen Widerspruch. Damit ist lim A(t) = 1 a(x) dx < t µ gezeigt. Sind jetzt a 1, a 2,..., a k solche Funktionen und a = k j=1 c ja j, dann ist A = k j=1 c ja j die auf kompakten Intervallen beschränkte Lösung der Erneuerungsgleichung für a, wenn A j diese Lösung der Erneuerungsgleichung für a j ist. Da für alle j gezeigt wurde, folgt auch lim t A j(t) = 1 µ lim t A(t) = 1 µ womit der Erneuerungssatz vollständig bewiesen ist. a j (x) dx a(x) dx, Methode 2. Die zweite Methode anhand welcher der Erneuerungssatz gezeigt wird, geschieht mit Hilfe von Fouriertransformierten. Dieser Beweis hält sich, in weiten Zügen, an [4] und [2]. Definition 2.9. Sei f : R R integrierbar. Dann heiÿt ˆf(t) = e itx dx die Fouriertransformierte von f. Beispiel. Es gilt e ixy 1 [ t,t] (y) dy = R t R e ixy dy = eixy ix t t = 2 sin(xt). x Sei X t = 1 1 2t [ t,t]. Dann folgt ˆX t (x) = sin(tx). Sei tx t = X t X t. Aus der Faltungsformel für die Fouriertransformation folgt ˆ ) 2. ) 2. t (x) = Sei Ψt (x) = Aus ( sin(tx) tx ( sin(tx) tx der Umkehrformel für die Fouriertransformation erhält man ˆΨ t (x) = 2π t (x). Man berechnet, dass gilt:, für x 2t 1 x + 1, für 2t x t (x) = 4t 2 2t 1 x + 1, für x 2t 4t 2 2t, für x 2t
Kapitel 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
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
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
MehrDie Euler-Mascheroni-Konstante
Die Euler-Mascheroni-Konstante Niloufar Rahi Ausarbeitung zum Vortrag in Überraschungen und Gegenbeispiele in der Analysis (Sommersemester 009, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: Wenn von der
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
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
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
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
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
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,
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
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,
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
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
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
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
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
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
MehrDie komplexe Exponentialfunktion und die Winkelfunktionen
Die komplexe Exponentialfunktion und die Winkelfunktionen In dieser Zusammenfassung werden die für uns wichtigsten Eigenschaften der komplexen und reellen Exponentialfunktion sowie der Winkelfunktionen
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,
MehrLösungen. 1. Klausur zur MIA: Analysis I für Mathematiker
MATHEMATISCHES INSTITUT WS 006/07 DER UNIVERSITÄT MÜNCHEN Prof. Dr. M. Schottenloher Dr. S. Tappe Version 5.. Lösungen zur. Klausur zur MIA: Analysis I für Mathematiker vom 6..06 Aufgabe. ( + Punkte) a)
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
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
MehrAufgaben zur Analysis I aus dem Wiederholungskurs
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 Hilfskräfte: A. Weiß, W. Thumann 6.3.29 NWF I - Mathematik Universität Regensburg Aufgaben zur Analysis I aus dem Wiederholungskurs Die folgenden
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
Mehr6 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.7 200//29 :58:57 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Konvergenz einer reellen oder komplexen Folge gegen
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
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
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
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
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
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
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,
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,
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)
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
MehrWeitere Interessante Funktionen
Weitere Interessante Funktionen Pascal Wagner Ausarbeitung zum Vortrag im PS Überraschungen und Gegenbeispiele in der Analysis (Sommersemester 009, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In dieser
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
MehrMathematik 1 für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler) Musterprüfung mit Lösungen
Mathematik für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler Musterprüfung mit Lösungen. Sei T N. (a Unter welchen beiden Voraussetzungen an T garantiert das Induktionsaxiom (nach
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
Mehr6 Reelle und komplexe Zahlenfolgen
Mathematik für Physiker I, WS 200/20 Freitag 0.2 $Id: folgen.tex,v. 200/2/06 :2:5 hk Exp $ $Id: reihen.tex,v. 200/2/0 4:4:40 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Cauchyfolgen Wir kommen nun
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
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
MehrZusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
Mehr13. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 3. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 00/ 07.0.-.0. Aufgabe G Stetigkeit) a) Gegeben
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
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrKonstruktion der reellen Zahlen 1 von Philipp Bischo
Konstruktion der reellen Zahlen 1 von Philipp Bischo 1.Motivation 3 1.1. Konstruktion von R im allgemeine 3 2.Voraussetzung 3 2.1Die Menge Q zusammen mit den beiden Verknüpfungen 3 2.2Die Rationalen Zahlen
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
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
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
MehrKapitel 4 Folgen und Reihen
Kapitel 4 Folgen und Reihen Inhalt 4.1 4.1 Konvergenzkriterien für für Folgen 4.2 4.2 Reihen 4.3 4.3 Achilles und und die die Schildkröte Seite 2 4.1 Konvergenzkriterien für Folgen Wiederholung (vgl. (vgl.
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
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
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
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
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,
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
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
MehrMathematik I Herbstsemester 2014
Mathematik I Herbstsemester 2014 www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 32 1 Stetigkeit Grenzwert einer
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,
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
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
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
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.
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
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
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
MehrDas Singularitätentheorem von Hawking Teil 2
Das Singularitätentheorem von Hawking Teil Jakob Hedicke 0.06.06 In diesem Vortrag werden wir den Beweis des Singularitätentheorems von Stephen Hawking vervollständigen. Im letzten Vortrag wurde bereits
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
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
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
MehrVollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit.
Kapitel 4 Reelle Zahlen 4.1 Die reellen Zahlen (Schranken von Mengen; Axiomatik; Anordnung; Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die
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
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.
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
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
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.
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
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
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
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
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
MehrKapitel III. Aufbau des Zahlensystems
Kapitel III. Aufbau des Zahlensystems 1 Addition und Multiplikation natürlicher Zahlen Wir wollen erklären, wie man natürliche Zahlen addiert und multipliziert und dabei nur den Begriff das Zählens verwenden.
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
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
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,
MehrFolgen und Reihen. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen Dr. Thomas Zehrt Folgen und Reihen Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band, 7. Auflage,
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
MehrMusterlösung zu Blatt 6, Aufgabe 2
Musterlösung zu Blatt 6, Aufgabe 2 I Aufgabenstellung Es sei F = R N der Raum aller reellen, mit N induzierten Folgen. Weiter bezeichne N alle Nullfolgen, K alle konvergenten Folgen und B alle beschränkten
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
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
MehrMusterlösung zu Blatt 11, Aufgabe 1
Musterlösung zu Blatt 11, Aufgabe 1 I Aufgabenstellung Es sei I =[a, b] ein kompaktes Intervall. (a) Zeigen Sie, daß eine stetige Funktion f : I R genau dann injektiv ist, wenn sie strikt monoton ist.
MehrHumboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T.
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T. Streubel Lösungsalternativen für die Übungsaufgaben zur Vorlesung
Mehrx k = s k=1 y k = y konvergent. Dann folgt (cx k ) = cx für c K. Partialsummenfolge konvergiert
4 Reihen Im Folgenden sei K R oder K C. 4. Definition. Es sei (x k ) Folge in K. Wir schreiben x k s und sagen, die Reihe x k konvergiere, falls die sogenannte Partialsummen-Folge s n x k n, 2,... in K
MehrOrlicz-Räume. Toni Scharle. Zillertal / LMU München. Motivation N-Funktionen Orlicz-Räume Ausblick
Orlicz-Räume Toni Scharle LMU München Zillertal / 12.12.2013 15.12.2013 Toni Scharle Orlicz-Räume 1/14 Motivation Erinnerung: u L p () = u(x) p dx A ( u(x) ) dx < mit A : R + 0 R+ 0 t t p Mögliche Verallgemeinerung:
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.
Mehr