5 Brownsche Bewegung (Version )

Größe: px
Ab Seite anzeigen:

Download "5 Brownsche Bewegung (Version )"

Transkript

1 5 Browsche Bewegug (Versio 3..08) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess existiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug, wie das Gesetz vom iterierte Logarithmus ud die Nichtdifferezierbarkeit der Pfade der Browsche Bewegug. 5. Defiitio ud grudlegede Eigeschafte Wir erier zuächst dara, dass ei reellwertiger Prozess (X i ) i I auf eiem Wahrscheilichkeitsraum (Ω, F, P) Gaußprozess heisst, we für jedes m N ud i,..., i m I der Vektor (X i,..., X im ) ormalverteilt ist. Defiitio 5.. Ei reellwertiger stochastischer Prozess (W t ) t 0 auf eiem Wahrscheilichkeitsraum (Ω, F, P) heißt Wieerprozess oder Browsche Bewegug, we die beide folgede Eigeschafte gelte: (i) W ist ei Gaußprozess mit EW t = 0 ud cov(w s, W t ) = s t für alle s, t 0, (ii) t W t (ω) ist stetig für fast alle ω Ω (d.h. W hat stetige Pfade). Bemerkug 5.. Aus de Tatsache, dass EW 0 = 0 ud cov(w 0, W 0 ) = 0 folgt W 0 = 0 fast sicher. Wir zeige die Existez eies solche Prozesses mit dem Satz vo Dosker (wir werde später eie alterative Möglichkeit diskutiere). Sei wie im letzte Kapitel (C, B(C), µ) der Wieerraum, das heißt, B(C) ist die Borelσ-Algebra auf C = C[0, ] ud µ das Wieermaß auf (C, B(C)). Seie W (), W (),... uabhägige (C, B(C))-wertige Zufallsvariable mit Verteilug µ auf eiem Wahrscheilichkeitsraum (Ω, F, P). Wir defiiere W t (ω) := W (k) (ω) + W () t ( ) (ω), falls t <, N. k= Propositio 5.3. Der soebe defiierte Prozess W ist ei Wieerprozess. Beweis. W hat ach Kostruktio stetige Pfade ud ist ei Gaußprozess. Offebar gilt EW t = 0 für alle t 0. Weiter gilt für 0 s t mit m s < m, t < : (( m )( cov(w s, W t ) = E k= W (k) + W (m) )) s (m ) j= W (j) + W () t ( ) = m + (s (m )) = s = s t.

2 Bemerkug 5.4. Ma ka sich frage, ob Eigeschaft (ii) i Defiitio 5. icht automatisch aus (i) folgt. Dass dem icht so ist, zeigt das folgede Argumet. We (W t ) t 0 ei Wieerprozess auf dem Raum (Ω, F, P) ist (also isbesodere stetige Pfade hat), ud X eie vo W uabhägige auf [0, ] gleichverteilte Zufallsgröße, da erfüllt W t (ω) := W t (ω) + X(ω)+Q (t) Eigeschaft (i) vo Defiitio 5., aber W hat icht ur keie stetige Pfade, soder mit Wahrscheilichkeit sid sogar alle Pfade i jedem Pukt ustetig. Propositio 5.5. Ei Wieerprozess (W t ) t 0 hat uabhägige Zuwächse, das heißt für jedes m N ud 0 t 0 < t <... < t m sid die Zufallsgröße W t W t0,..., W tm W tm uabhägig. Beweis. Der Vektor W t W t0,..., W tm W tm ist ormalverteilt mit Erwartugswert 0 ud cov(w ti W ti, W tj W tj ) = δ ij (t i t i ). Da bei eiem ormalverteilte Vektor die Kompoete uabhägig sid geau da we sie ukorreliert sid, folgt die Behauptug. Bemerkug 5.6. Es gilt auch eie Art (eifach zu zeigede) Umkehrug vo Propositio 5.5: Ist (W t ) t 0 ei reeller Prozess mit stetige Pfade ud uabhägige Zuwächse ud ist für jedes 0 s < t < W t W s ormalverteilt mit Erwartugswert Null ud Variaz t s, da ist W ei Wieerprozess. Wir formuliere u wichtige Ivariazeigeschafte des Wieerprozesses. Propositio 5.7. Sei (W t ) t 0 ei Wieerprozess ud seie c, s > 0. Da sid die Prozesse (i) W () t (ω) := W t (ω), t 0, (ii) W () t (ω) := c W c t(ω), t 0, { (iii) W (3) t W/t (ω), t > 0 t (ω) := 0, t = 0 (iv) W (4) t (ω) := W t+s (ω) W s (ω), t 0 ebefalls Wieerprozesse. Beweis. Offesichtlich sid alle W (i) Gaußprozesse. Ma rechet leicht ach, dass sie zetriert sid ud dieselbe Kovariazfuktio wie ei Wieerprozess habe. Weiter habe W (), W () ud W (4) offesichtlich fast sicher stetige Pfade. Ma überzeugt sich sehr leicht davo, dass dies auch für W (3) so ist (da W (3) auf (0, ) stetig ist ud W (3) (0) = 0 ist).

3 5. Das Gesetz vom iterierte Logarithmus Wir formuliere ud beweise u das Gesetz vom iterierte Logarithmus für die Browsche Bewegug. Dazu beötige wir och ei Lemma, welches auch sost sehr ützlich ist. Lemma 5.8. Es gelte folgede Abschätzuge: a) x b) x c) x Beweis. a) x y exp{ dy x y exp{ dy x y exp{ dy π y exp{ dy x x exp{ für x > 0, x exp{ für x, x exp{ für x 0. y y exp{ dy x exp{. x x b) ( Für x > ) 0 gilt e x x x 3 = ( ) 3 exp{ y dy y exp{ dy, x y 4 x woraus mit Teil a) die Behauptug folgt. c) Es gilt für x > 0 d ( e x dx x exp{ y dy ) ( = e x e x + x x exp{ y dy ) 0, wobei das letzte aus Teil a) folgt. Da die Ugleichug i c) offesichtlich für x = 0 gilt, folgt die Behauptug. Satz 5.9. (Gesetz vom iterierte Logarithmus) Sei (W t ) t 0 ei Wieerprozess. Da gilt t W t t log log t = f.s.. Beweis. (ach Durrett: Probability: Theory ad Examples) Wir zeige zuerst, dass die like Seite kleier oder gleich der rechte ist. Sei zuächst g : [0, ) (0, ) mooto ichtfalled ud 0 t 0 t... mit lim t =. We P { W s g(t ) <, (5.) t s t + =0 3

4 da impliziert das erste Borel-Catelli Lemma t W t /g(t) fast sicher. Setze u für α > t = α ud g(t) := α t log log t für hireiched große t. Da gilt für hireiched groß P { W s g(t ) P { t s t + 0 s t + W s g(t ) t+ t+ = P { W s g(t ) = e x 0 s t+ g(t dx )/ t + π t+ { π g(t ) exp g(t ) = α + { t + π α + log(log α ) exp α+ log(log α ) α + = πα log(log α ) exp{ α(log + log log α) c α α, wobei wir Teil a) des obige Lemmas beutzte. Wege α > kovergiert also die Reihe (5.). Da α > beliebig war, folgt somit t W t t log log t f.s.. Nu zeige wir die adere Richtug. Wir wähle wieder t = α mit α >, lasse später aber α gehe. Wähle ( α ) g(t) := t log(log t), α wobei t hireiched groß ist (damit g strikt positiv ist). Es folgt uter Beutzug vo Teil b) vo Lemma 5.8 ud mit β := α α P{W t+ W t g(t + ) = P{ W t + W t t+ t g(t +) t+ t α (α ) π g(α + ) = { exp α + β log(log α + ) α (α ) πβ log( + ) + log log α ( + ) β e β log log α. Die Summe über divergiert ud daher folgt aus dem zweite Borel-Catelli Lemma wege der Uabhägigkeit der Zuwächse vo W, dass fast sicher für uedlich viele gilt: W t+ W t t + β log log t +. Aus dem erste Teil des Beweises wisse wir (wege der Symmetrie der Verteilug vo W ), dass W t t log log t 4

5 fast sicher. Also existiert für fast alle ω zu jedem ε > 0 ei 0 (ε, ω), so dass W t t log log t ( + ε) t + α log log t +( + ε) für alle 0 (ε, ω) gilt, also - mit der Abkürzug γ := t log log t : W t+ γ + = W t + W t γ + + W t γ + β + ε α für uedlich viele. Da α > beliebig war, folgt (mit α ) t W t t log log t fast sicher, womit der Beweis vollstädig ist. Ohe Beweis formuliere wir och das bemerkeswerte allgemeiere Strasse sche Gesetz vom iterierte Logarithmus Satz 5.0. Sei (W t ), t 0 ei Wieerprozess ud für t 3 Y t die durch Y t (s) := W st t log log t, s [0, ] defiierte C-wertige Zufallsgröße. Da ist fast sicher die Mege aller Häufugspukte i C vo Y t gleich H := {f C : f(0) = 0, f abs. stetig ud 0 (f (t)) dt. 5.3 Nichtdifferezierbarkeit der Pfade der Browsche Bewegug Wir zeige u die Nichtdifferezierbarkeit der Pfade der Browsche Bewegug. Satz 5.. Für fast alle ω Ω ist die Abbildug t W t (ω) i keiem Pukt t 0 differezierbar. Beweis. Wir folge dem Beweis i Breima: Probability, der sich wiederum auf eie Arbeit vo Dvoretski, Erdös ud Kakutai stützt. Offesichtlich geügt es, die Aussage für alle t [0, ] zu zeige. Wir fixiere β > 0. Ist f C[0, ] a der Stelle s [0, ] differezierbar mit Ableitug f (s), die f (s) < β erfüllt, da existiert ei 0, so dass für alle 0 ud alle t [0, ] mit t s 3/ folgt, dass f(t) f(s) β t s. Für N sei A = {f C[0, ] : s mit f(t) f(s) β t s für alle t mit t s 3. 5

6 Da gilt A A {f C[0, ] : s mit f diff.bar i s ud f (s) < β. Für f C[0, ] ud k {,..., sei { ( f k + ) ( k + ) (, f k + ) ( k ) (, f k y k (f) := f f f ) Für f A gilt y k (f) 5β für midestes ei k {,...,. Also folgt für ( k ). B := { f : k {,..., so dass y k (f) 5β, dass A B. Es geügt daher, für de Wieerprozess lim P{W [0,] B = 0 zu zeige (für jedes β > 0). Nu gilt P{W [0,] B = P ( k= { y k (W ) 5β ) { { ( W k + ) ( k + ) (, W k + ) ( k ) (, W k ( k ) P W W W ) 5β k= { { ( W 3 ( ) (, W ( ) (, W P W W ) ) ) 5β ( { W ( ) = P 5β ) 3 ( { = P W () 5β ) 3 ( 0β ) 3 0. π Damit ist die Aussage gezeigt. 5.4 Stetigkeitssatz vo Kolmogorov ud Hölderstetigkeit der Pfade Wir formuliere ud beweise zuächst de Stetigkeitssatz vo Kolmogorov, der i der Wahrscheilichkeitstheorie vielfache Awedug fidet. Mit diesem Satz ka ma icht ur die Existez eier stetige Modifikatio der Browsche Bewegug zeige, soder sogar die Hölderstetigkeit der Pfade. Im folgede sei für x R x := x i ud x := { x i : i =,...,. i= Defiitio 5.. Seie I eie Idexmege, (E, E) ei Messraum ud (Z i ) i I ud (Ẑi) i I E- wertige Prozesse auf eiem Wahrscheilichkeitsraum (Ω, F, P). We für jedes i I gilt, dass P{Z i = Ẑi =, da heisst Ẑ eie Modifikatio vo Z. Sid zusätzlich auf I ud E Metrike gegebe (ud ist E die zugehörige Borel-σ-Algebra auf E) ud ist die Abbildug i Ẑi(ω) stetig für (fast) alle ω Ω, da heisst Ẑ stetige Modifikatio vo Z. 6

7 Satz 5.3. (Stetigkeitssatz vo Kolmogorov) Sei (S, d) ei polischer Raum mit vollstädiger Metrik d ud Z t, t [0, ] ei S-wertiger Prozess. We a, b, c > 0 existiere, so dass für alle x, y [0, ] E ( (d(z x, Z y )) a) c x y +b gilt, da hat Z eie stetige Modifikatio Ẑ. Weiter existiert für jedes κ (0, b/a) eie reelle Zufallsvariable Y mit E(Y a ) caκ b ud aκ b { sup d(ẑx(ω), Ẑy(ω)) : x, y [0, ], x y r für jedes r [0, ]. Isbesodere gilt für alle u > 0 { P sup d(ẑx, Ẑy) u x,y [0,] κ Y (ω)rκ (5.) ( ) a c aκ b κ aκ b u a. (5.3) Beweis. Die Aussage (5.3) folgt mit der Markovugleichug sofort aus (5.) mit r = ud der Mometeabschätzug für Y. Für m N sei D m := {(k,..., k ) m ; k,... k {,..., m ξ m (ω) := {d(z x (ω), Z y (ω)) : x, y D m, x y = m. Die ξ m, m N sid messbar, da (S, d) separabel ist. Weiter gilt Daher gilt für κ (0, b a ), ( ) E ( κm ξ m ) a = m= { {x, y D m : x y = m m. κma E(ξm) a m= ( κma E m= {x,y D m, x y = m κma m c m(+b) = c m= ( d(zx (ω), Z y (ω)) ) a ) m= Daher existiert eie Mege Ω 0 F, P(Ω 0 ) = so dass m(b aκ) = caκ b <. aκ b Y (ω) := sup{ κm ξ m (ω) < für alle ω Ω 0. m Weiter gilt ( ) E(Y a ) E ( κm ξ m ) a m= caκ b aκ b. 7

8 Seie x, y D := D so gewählt dass x y r < k, wobei k N 0. Da gibt es eie Folge = x = x, x..., x l = y i D so dass für alle i =,..., l ei (i) k + existiert, so dass x i, x i+ D (i), x i x i+ = (i) ud {i {,..., l : (i) = M für alle M k +. gilt. Für ω Ω 0 ud 0 < r < mit k r < k gilt mit der Dreiecksugleichug für d sup{d(z x (ω), Z y (ω)); x, y D, x y r ξ m (ω) Y (ω) m=k+ m=k+ κm = κ(k+) Y (ω) κ Y κ (ω)rκ. Also ist für jedes ω Ω 0 die Abbildug x Z x (ω) vo D ach S gleichmäßig stetig. Da D dicht i [0, ] liegt ud (S, d) vollstädig ist, lässt sich für jedes ω Ω 0 die Abbildug eideutig zu eier stetige Abbildug Ẑ auf [0, ] fortsetze. Auf Ω c 0 wähle wir eifach Ẑ als eie beliebige Kostate. Es bleibt zu zeige, dass Ẑ eie Modifikatio vo Z ist. Sei x [0, ]. Da existiert eie Folge x, x,... i D, die gege x kovergiert. Da Ẑx i = Z xi fast sicher ud lim i Ẑ xi = Ẑx gaz sicher (wege Stetigkeit) ud lim i Z xi = Z x i Wahrscheilichkeit (ach Voraussetzug), folgt Ẑx = Z x fast sicher, das heißt, Ẑ ist eie Modifikatio vo Z. Korollar 5.4. Für jedes α (0, ) sid fast alle Pfade des Wieerprozesses Hölderstetig zum Expoet α, das heißt, für jedes T > 0 existiert eie reelle Zufallsgröße V T, so dass W t W s V T t s α für alle 0 s, t T gilt. Beweis. Wege der Skalierugseigeschaft des Wieerprozesses köe wir T = aehme. Wir überprüfe die Voraussetzuge des Kolmogorovsche Stetigkeitssatzes 5.3 mit E = R, = ud Z = W : es gilt für beliebiges a > 0 ud 0 s t E( W t W s a ) = t s a/ E( W a ). Da für eie ormalverteilte Zufallsgröße alle Momete edlich sid, sid für jedes a > die Voraussetzuge des Stetigkeitssatzes mit b := a ud c := E( W a ) erfüllt. Dabei ist b/a =, das heißt, für jedes κ (0, /) fide wir ei hireiched großes a, so dass a κ < b/a ist. Somit folgt die Aussage des Korollars aus (5.). 8

9 5.5 Alterative Kostruktio der Browsche Bewegug I diesem Abschitt zeige wir eie adere Möglichkeit der Kostruktio der Browsche Bewegug, die de Satz vo Dosker icht voraussetzt. Wir kostruiere eie reellwertige Prozess W t, t [0, ] mit Verteilug µ (Wieermaß) auf (C, B(C)) (die Erweiterug auf das Itervall [0, ) ka ma da wie am Afag des Kapitels durchführe). Gegebe sei eie Orthoormalbasis (ONB) φ i, i N vo L [0, ] versehe mit dem übliche Skalarprodukt f, g := f(x)g(x) dx. Weiter sei X 0, X,... eie Folge vo uabhägige stadardormalverteilte Zufallsgröße auf (Ω, F, P). Wir defiiere für N W t := t X i φ i (s) ds, t [0, ]. i= 0 Satz 5.5. Für jedes t [0, ] ist die Folge W t, N eie Cauchyfolge i L (Ω, F, P). Sei W t der Grezwert der Folge. Da ist W t, t [0, ] ei Gaußprozess mit EW t = 0 ud cov(w s, W t ) = s t für 0 s, t, das heißt, W erfüllt Eigeschaft (i) vo Defiitio 5. auf dem Itervall [0, ]. Beweis. Für 0 s, t sei Da folgt I t (s) := t Da φ i, i N eie ONB vo L [0, ] ist, folgt 0 {, s < t 0, s t φ i (s) ds = I t, φ i. I t = I t, φ i φ i ud t = I t = i= I t, φ i. i= Für > m folgt u E(W t ( Wt m ) = E = i=m+ i=m+ X i t 0 ) φ i (s) ds I t, φ i 0 mit m,. Also ist Wt, N eie Cauchyfolge i L (Ω, F, P). Da L (Ω, F, P) vollstädig ist, existiert der Grezwert W t = i= X t i φ 0 i(s) ds. Für jedes m N ud 0 t < t <... < t m ist der Vektor (W t,..., W tm ) ormalverteilt ud daher W t, t [0, ] ei Gaußprozess. Weiter gilt EW t = 0 für alle t [0, ]. Schließlich gilt für 0 s, t EW s W t = ( s φ i (u) du t i= 0 0 φ i (v) dv ) = 9 ( Is, φ i I t, φ i ) = I s, I t = s t, i=

10 womit die Aussage gezeigt ist. Damit ist och icht garatiert, dass der im letzte Satz kostruierte Prozess ei Wieerprozess ist. Dazu muss ma zeige, dass die Pfade t W t (ω) fast sicher stetig sid. Das muss aber keieswegs so sei. Mit dem Stetigkeitssatz vo Kolmogorov (Satz 5.3) sehe wir aber, dass der Prozess t W t (ω) eie stetige Modifikatio W t, t [0, ] besitzt ud diese ist ach Kostruktio ei Wieerprozess auf [0, ]. Alterativ gibt es aber auch eie explizite Kostruktio, welche ohe Referez auf de Stetigkeitssatz vo Kolmogorov auskommt. Wir versuche dabei, die Kostruktio im letzte Satz so zu gestalte, dass die Folge Wt icht ur für jedes t i L (Ω, F, P) kovergiert, soder sogar fast sicher gleichmäßig i t [0, ]. Da folgt die fast sichere Stetigkeit vo t W t ud wir sid fertig. Um diese Weg zu gehe, wähle wir eie spezielle ONB vo L ([0, ]), ämlich die sogeate Haarfuktioe {f 0, f,j, j =,...,, N. Diese sid defiiert als f 0 (t) ud, mit k = j, ( )/ k, < t k f,j (t) = ( )/ k, < t k+ 0, sost. Ma überprüft sehr leicht, dass dies ei Orthoormalsystem i L ([0, ]) ist. Nicht gaz so klar ist, dass es sich sogar um eie ONB hadelt. Dies folgt aus der folgede Propositio. Propositio 5.6. Sei f L [0, ] mit der Eigeschaft, dass f, f 0 = 0 ud f, f,j = 0 für alle j,. Da folgt f = 0. Beweis. Für ei solches f gilt, wie ma leicht sieht, für jedes N ud 0 k l l/ k/ f(t) dt = 0. Sei u D = {A B[0, ] : A f(t) dt = 0. Da ist D ei Dykisystem, welches ei durchschittsstabiles Erzeugedesystem vo B[0, ] ethält ud daher gilt D = B[0, ] ach dem Hauptsatz über Dykisysteme. Daraus folgt leicht f = 0 fast sicher (wie beim Beweis der Eideutigkeit der bedigte Erwartug). Nu defiiere wir die Schauderfuktioe {F 0, F,j als Itegrale der Haarfuktioe, also F 0 (t) = t ud ( )/ (t (k )/ k ), t k F,j (t) = ( )/ ((k + )/ k t), t k+ 0, sost. Seie X 0, X,j, N, j =,..., uiv N (0, )-verteilt ud für t [0, ], N N sei W N t (ω) = X 0 F 0 (t) + 0 N V (t, ω), =

11 wobei V (t, ω) := j= Für jedes ω Ω ud N N ist t Wt N (ω) stetig. X,j (ω)f,j (t). Satz 5.7. Die Folge W N kovergiert für N fast sicher gleichmäßig gege eie C-wertige Zufallsvariable W. W t, t [0, ] ist ei (auf [0, ] eigeschräkter) Wieerprozess. Beweis. Die letzte Aussage folgt aus der erste ud Satz 5.5. Um die erste Aussage zu zeige, defiiere wir H (ω) := t [0,] V (t, ω)). Da für jedes die Fuktioe F,,..., F, disjukte Träger habe, gilt H (ω) = (+)/ j X,j. We eie Folge positiver Zahle b, N mit b < existiert mit P(H b ) <, (5.4) = da folgt aus dem erste Borel-Catelli Lemma die fast sichere Kovergez vo H (ω) ud damit die erste Behauptug. Wir versuche de Asatz b = exp{ γ mit eiem geeigete γ > 0. Es gilt P(H exp{ γ) = P ( X,j (+)/ e γ) j P ( X, (+)/ e γ) π π exp { + e γ = exp{( ) log e γ, wobei die letzte Ugleichug aus Lemma 5.8c) folgt. Daher gilt (5.4), we γ < log ud die Behauptug ist bewiese. 5.6 Stetigkeitsmodul der Browsche Bewegug Wir sahe bereits, dass die Pfade der Browsche Bewegug Hölderstetig mit Expoet α für jedes α (0, /) sid. Die folgede Sätze verschärfe diese Aussage och. Zuerst formuliere wir aber das lokale Gesetz vom iterierte Logarithmus für de Wieerprozess. Satz 5.8. Für de Wieerprozess W t, t 0 gilt h 0 W h h log log /h = f.s.

12 Beweis. Sei Wt := tw /t, t > 0 ud W 0 := 0. Da ist W ach Propositio 5.7(iii) ei Wieerprozess. Aus Satz 5.9 folgt daher mit t = /h h 0 W h h log log /h = t = t W t t log log t t W t t log log t = f.s. Aus dieser Aussage folgt zusamme mit Propositio 5.7(iv) sofort die folgede Aussage. Korollar 5.9. Für jedes s 0 gilt h 0 W s+h W s h log log /h = f.s. (5.5) Wir betoe, dass dies icht bedeutet, dass fast sicher (5.5) für jedes s [0, ] gilt. Es ist sogar so, dass dies icht ur icht aus dem letzte Korollar folgt, soder sogar falsch ist. Ist zum Beispiel s (0, ) eie lokale Maximalstelle vo t W t (ω), da ist s zufällig ud es gilt für dieses s h 0 W s+h W s h log log /h 0. Wir utersuche u de Stetigkeitsmodul der Browsche Bewegug auf [0, ]. Defiitio 5.0. Sei f C. Da heißt die Fuktio Stetigkeitsmodul vo f. w δ (f) := 0<h δ 0 t h f(t + h) f(t), δ (0, ] Die Fuktio δ w δ (f) ist offesichtlich icht-falled ud es gilt lim δ 0 w δ (f) = 0, da jede stetige Fuktio auf eiem kompakte Itervall gleichmäßig stetig ist. Weiter gilt offesichtlich w δ+ε (f) w δ (f) + w ε (f), δ, ε > 0, δ + ε. (5.6) Setzt ma für f die Browsche Bewegug W auf dem Itervall [0, ] ei, so ist w δ (W ) zufällig, aber ma ka immerhi darauf hoffe, dass die Asymptotik vo w δ (W ) für δ 0 determiistisch ist, das heißt, dass es eie determiistische Fuktio ϕ : (0, ] (0, ) gibt, so dass lim δ 0 w δ (W )/ϕ(δ) = fast sicher gilt. We dies so ist, da muss wege Satz 5.8 δ 0 ϕ(δ)/ δ log log gelte. δ Wir werde weiter ute sehe, dass dieser sogar uedlich ist, die Fuktio ϕ(t) also mit t 0 (viel) lagsamer gege Null geht als t t log log. t

13 Wir werde gleich eie Fuktio ϕ ud Zahle 0 < c c < agebe, für die gilt: c lim if δ 0 Wir zeige die Ugleichuge für ϕ(δ) := mit c = zeige. Propositio 5.. Es gilt fast sicher w δ (W )/ϕ(δ) w δ (W )/ϕ(δ) c, f.s. δ 0 δ log, wobei wir zuerst die like Ugleichug δ lim if δ 0 w δ (W ) δ log δ. Beweis. Sei Y eie N (0, )-verteilte Zufallsgröße, N ud c > 0. Da gilt P ( W ( k + k {0,..., ) (k ) ) ( ( )) W c = P Y c ( α exp { ), π c c wobei wir beim letzte Ugleichheitszeiche Lemma 5.8 b) mit eier geeigete Kostate α (0, ) verwedete ud die Ugleichug da ur für hireiched große c gilt. Wir wolle u c so wähle, dass der letzte Ausdruck (hireiched schell) mit gege Null geht. Dazu bietet sich die Wahl c = β log mit β (0, ) a. Wir setze diese Wert i die letzte Formel ei, verwede die Ugleichug x exp{ x ud erhalte = ( α π c β) exp{ α π c β. Dieser Ausdruck kovergiert mit so schell gege Null, dass sogar die etsprechede Reihe über kovergiert. Nach dem erste Borel-Catelli Lemma folgt daher, dass fast sicher ei 0 = 0 (ω) N existiert, so dass k {0,..., W ( k + für alle 0 gilt, woraus sofort die Behauptug folgt. ) (k ) W > β log Bemerkug 5.. Ma beachte, dass die letzte Propositio isbesodere besagt, dass die Pfade des Wieerprozesses auf [0, ] fast sicher icht Hölderstetig mit Expoet / (ud damit erst recht icht Hölderstetig mit Expoet α für irgedei α > / sid). Nu zeige wir eie umgekehrte Ugleichug. Propositio 5.3. Es gilt fast sicher δ 0 w δ (W ) δ log δ 6. 3

14 Beweis. Sei N ud c > 0. Da gilt P ( k {0,..., t [k/,(k+)/] (k W (t) W ) ) ( c P W (t) c ) 0 t P ( W (t) c ) π 4 0 t π exp { c. Hier bietet sich der Asatz c := γ log mit γ > a. Setzt ma diese i de letzte Ausdruck ei, so ergibt sich exp{ γ log = γ, was gege Null geht, allerdigs kovergiert die zugehörige Reihe ur da, we γ > ist. Da wir bei dieser Beweisrichtug icht de Ehrgeiz habe, die optimale Kostate herauszufide, gebe wir us mit γ > zufriede ud erhalte für jedes feste γ > mit dem erste Borel- Catelli Lemma die fast sichere Existez eies 0 = 0 (ω, γ) N mit k {0,..., t [k/,(k+)/] W (t) W ( k ) < γ log für alle 0. Hieraus sieht ma sofort (am beste mit eiem Bild), dass für jedes solche gilt w / (W ) 3 γ log, woraus sofort die Behauptug folgt. Bemerkug 5.4. Die bisherige Aussage lasse sich zu folgeder verschärfe (siehe Mörters ud Peres: Browia Motio, Cambridge Uiv. Press, 00). Es gilt fast sicher lim h 0 sup 0 t h W (t + h) W (t) h log(/h) =. Dies bedeutet, dass usere utere Abschätzug i Propositio 5. optimal war, die i Propositio 5.3 aber (wie zu erwarte war) icht. Ma ka die Kostate 6 auf der rechte Seite der Ugleichug i Propositio 5.3 zum Beispiel dadurch verbesser, dass ma zu geeigete Teilfolge vo übergeht ud damit auch γ < wähle darf. 4

7 Brownsche Bewegung (Version Januar 2012)

7 Brownsche Bewegung (Version Januar 2012) 7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,

Mehr

Empirische Verteilungsfunktion

Empirische Verteilungsfunktion KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,

Mehr

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ). KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio

Mehr

5 Stationäre Prozesse (Version Januar 2012)

5 Stationäre Prozesse (Version Januar 2012) 5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie

Mehr

4 Konvergenz von Folgen

4 Konvergenz von Folgen 4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

2 Konvergenz von Folgen

2 Konvergenz von Folgen Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert

Mehr

Stochastisches Integral

Stochastisches Integral Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug

Mehr

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung... KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4

Mehr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8 1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,

Mehr

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2 D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c

Mehr

Normierte Vektorräume

Normierte Vektorräume Normierte Vektorräume Wir betrachte im Folgede ur Vektorräume über R 1. Sei also V ei Vektorraum. Wir möchte Metrike auf V betrachte, die im folgede Sie mit der Vektorraumstruktur verträglich sid:, y,

Mehr

Konvergenz von Folgen von Zufallsvariablen

Konvergenz von Folgen von Zufallsvariablen Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe

Mehr

Tests statistischer Hypothesen

Tests statistischer Hypothesen KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir

Mehr

KAPITEL 2. Zahlenfolgen

KAPITEL 2. Zahlenfolgen KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................

Mehr

Zahlenfolgen und Konvergenzkriterien

Zahlenfolgen und Konvergenzkriterien www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit

Mehr

Konvergenz von Folgen reeller Zufallsvariablen

Konvergenz von Folgen reeller Zufallsvariablen Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio

Mehr

n gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)

n gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n) Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem

Mehr

1 Lösungen zu Analysis 1/ 12.Übung

1 Lösungen zu Analysis 1/ 12.Übung Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt

Mehr

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man: Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes

Mehr

4. Der Weierstraßsche Approximationssatz

4. Der Weierstraßsche Approximationssatz H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix

Mehr

74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,

74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit, 74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die

Mehr

Übungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx

Übungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per

Mehr

Aufgaben zur Analysis I

Aufgaben zur Analysis I Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.

Mehr

Nachklausur - Analysis 1 - Lösungen

Nachklausur - Analysis 1 - Lösungen Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:

Mehr

1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch

1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,

Mehr

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre

Mehr

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37 Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.

Mehr

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa 20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle

Mehr

D-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1

D-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1 D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)

Mehr

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 = Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes

Mehr

3. Taylorformel und Taylorreihen

3. Taylorformel und Taylorreihen Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt

Mehr

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $ Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5 TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge

Mehr

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10. 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8 Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir

Mehr

1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A

1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A 1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es

Mehr

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen 26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo

Mehr

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $ Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,

Mehr

Gesetz der großen Zahlen

Gesetz der großen Zahlen KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,

Mehr

Konvergenz von Fourier-Reihen

Konvergenz von Fourier-Reihen Kovergez vo Fourier-Reihe Ausarbeitug zum Semiar zur Fourieraalysis, 3..27 obias Reimes Diese Ausarbeitug beschäftigt sich mit der Kovergez vo Fourier-Reihe. Hierzu werde im erste Abschitt eiige Vorbemerkuge

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug

Mehr

Der Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist

Der Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter

Mehr

6 Grenzwerte von Zahlenfolgen

6 Grenzwerte von Zahlenfolgen 6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z

Mehr

Analysis I für M, LaG/M, Ph 8.Übungsblatt

Analysis I für M, LaG/M, Ph 8.Übungsblatt Aalysis I für M, LaG/M, Ph 8Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr Robert Haller-Ditelma 0206200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergezkriterie/Kovergezradie) (a)

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004 Lösuge zu Aufgabeblatt 7

Mehr

5-1 Elementare Zahlentheorie

5-1 Elementare Zahlentheorie 5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie

Mehr

Kapitel 6 : Punkt und Intervallschätzer

Kapitel 6 : Punkt und Intervallschätzer 7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte

Mehr

Dirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen

Dirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen Vortrag zum Semiar zur Fuktioetheorie, 7.2.2007 Holger Witermayr I diesem Vortrag werde wir Kovergezeigeschafte vo Dirichlet-Reihe erarbeite ud eie Vergleich zu Potezreihe ziehe. Ei weiteres Ziel dieses

Mehr

Gesetze der großen Zahlen

Gesetze der großen Zahlen Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere

Mehr

5. Übungsblatt Aufgaben mit Lösungen

5. Übungsblatt Aufgaben mit Lösungen 5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge

Mehr

KAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen

KAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele

Mehr

24 Konvergente Teilfolgen und Cauchy-Kriterium

24 Konvergente Teilfolgen und Cauchy-Kriterium 120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,

Mehr

Die erste Zeile ("Nummerierung") denkt man sich also dazu. Häufig wird eine Indexschreibweise benutzt um ein Folgenglied zu kennzeichnen.

Die erste Zeile (Nummerierung) denkt man sich also dazu. Häufig wird eine Indexschreibweise benutzt um ein Folgenglied zu kennzeichnen. Folge ud Reihe (Izwische Stoff der Hochschule. ) Stad: 30.03.205. Folge Was sid Zahlefolge? Z.B. oder Das ist die vereifachte Wertetabelle eier Fuktio geschriebe wie üblich bei Fuktioe i eier Wertetabelle.

Mehr

Analysis I für M, LaG/M, Ph 4.Übungsblatt

Analysis I für M, LaG/M, Ph 4.Übungsblatt Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:

Mehr

Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,

Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id, Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits

Mehr

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n, f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug

Mehr

Zusammenfassung: Folgen und Konvergenz

Zusammenfassung: Folgen und Konvergenz LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele

Mehr

Inhaltsverzeichnis. 2 Grenzwerte, Folgen und Reihen. 2.1 Intervalle in R. 2.2 Umgebungen (in R und C)

Inhaltsverzeichnis. 2 Grenzwerte, Folgen und Reihen. 2.1 Intervalle in R. 2.2 Umgebungen (in R und C) Ihaltsverzeichis 2 Grezwerte, Folge ud Reihe I diesem Kapitel führe wir de zetrale Begriff der Kovergez eier Folge vo Zahle (x ) N gege eie Grezwert x ei. Aschaulich bedeutet dies, dass i jeder och so

Mehr

α : { n Z n l } n a n IR

α : { n Z n l } n a n IR 1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)

Mehr

26 Der Raum C([0, 1]) und Donskers Theorem

26 Der Raum C([0, 1]) und Donskers Theorem 26 Der Raum C[0, ] ud Doskers Theorem Ausarbeitug ud Formulieruge: Heig Sulzbach. 26. Motivatio Sei X, X 2,... eie Folge u.i.v. Zufallsvariable mit E[X ] 0 ud σ 2 : V[X ] < sowie S : X i die zugehörige

Mehr

Grundbegriffe der Differentialrechnung

Grundbegriffe der Differentialrechnung Wirtschaftswisseschaftliches Zetrum Uiversität Basel Mathematik für Ökoome 1 Dr. Thomas Zehrt Grudbegriffe der Differetialrechug Referez: Gauglhofer, M. ud Müller, H.: Mathematik für Ökoome, Bad 1, 17.

Mehr

Gaußsches Integral und Stirling-Formel

Gaußsches Integral und Stirling-Formel Gaußsches Itegral ud Stirlig-Formel Lemma. Gaußsches Itegral Es gilt für alle a > : e ax dx π a Beweis: Wir reche: e dx ax e ax dx e ay dy e ax e ay dx dy mit dem Satz vo Fubii e ax +y dx dy. Nu verwede

Mehr

Lösungen zur Klausur Maß- und Integrationstheorie WS 2012/13

Lösungen zur Klausur Maß- und Integrationstheorie WS 2012/13 Lösuge zur Klausur 45 Maß- ud Itegratiostheorie S 22/3 Lösug zu Aufgabe I der Aufgabestellug ist kei Tippfehler. Es steht dort fx, y, x dλ 3 x, y, z. z fx, y, x ist kostat i z. Falls jemad fx, y, z dλ

Mehr

Reihen. Folgen besonderer Art sind unendliche Summen. a k = a 1 + a

Reihen. Folgen besonderer Art sind unendliche Summen. a k = a 1 + a 6 Reihe Folge besoderer Art sid uedliche Summe a k = a + a 2 +... reeller oder komplexer Zahle, dee wir bereits i eiige Beispiele des Abschitts 5-d begeget sid. Da ma icht sämtliche Glieder eier Folge

Mehr

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung 6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez

Mehr

ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS

ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS vo Rolf Waldi 1 Kapitel I. Elemetare Zahletheorie 1 Grudlegede Regel ud Prizipie Es wird vorausgesetzt, daß der Leser mit gaze Zahle reche ka ud

Mehr

10 Aussagen mit Quantoren und

10 Aussagen mit Quantoren und 0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits

Mehr

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen . Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.

Mehr

4-1 Elementare Zahlentheorie

4-1 Elementare Zahlentheorie 4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle

Mehr

Mathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.

Mathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes. Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,

Mehr

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag

Mehr

Übungsaufgaben zu Analysis 1 Lösungen von Blatt XII vom sin(nx) n sin(x). sin(ax) a sin(x) z = re iϕ = r(cos(ϕ) + i sin(ϕ)) z n = w

Übungsaufgaben zu Analysis 1 Lösungen von Blatt XII vom sin(nx) n sin(x). sin(ax) a sin(x) z = re iϕ = r(cos(ϕ) + i sin(ϕ)) z n = w Prof. Dr. Moritz Kaßma Fakultät für Mathematik Witersemester 04/05 Uiversität Bielefeld Übugsaufgabe zu Aalysis Lösuge vo Blatt XII vom 5.0.5 Aufgabe XII. 3 Pukte) Beweise Sie, dass für alle R ud N die

Mehr

Bernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz

Bernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz Bersteipolyome Vortrag zum Prosemiar zur Aalysis, 6. 10. 2010 Malte Milatz I diesem Vortrag wird der bereits im Sript zur Aalysis ii zitierte Approximatiossatz vo Weierstraß mithilfe der Bersteipolyome

Mehr

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln 6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel

Mehr

Das kollektive Risikomodell. 12. Mai 2009

Das kollektive Risikomodell. 12. Mai 2009 Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer

Mehr

Kapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte

Kapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte Kapitel 2 Differetialrechug i eier Variable 2. Folge ud Grezwerte 2.. Defiitio Eie Folge ist eie Zuordug N R, a, geschriebe als Liste (a,a 2,...) oder i der Form (a ) N. Hier sid ei paar Beispiele: 2,4,6,8,...

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

Tutorial zum Grenzwert reeller Zahlenfolgen

Tutorial zum Grenzwert reeller Zahlenfolgen MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des

Mehr

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09 Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht

Mehr

Höhere Mathematik I für die Fachrichtung Physik

Höhere Mathematik I für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz SS 5 7.9.5 Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zur Bachelor-Modulprüfug

Mehr

GESETZE DER GROSSEN ZAHLEN

GESETZE DER GROSSEN ZAHLEN KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich

Mehr

GESETZE DER GROSSEN ZAHLEN

GESETZE DER GROSSEN ZAHLEN KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich

Mehr

III. Die Brownsche Bewegung

III. Die Brownsche Bewegung 9. Defiitio ud erste Eigeschafte Es sei (Ω, F, P ) ei Wahrscheilichkeitsraum ud T R, T eie Zeitidexmege. Wir betrachte jetzt eie stochastische Prozess X = (X t ) t T mit Zustadsraum R, das heißt dass (X

Mehr

Über die Verteilung der Primzahlen

Über die Verteilung der Primzahlen Über die Verteilug der Primzahle Scho dem juge Carl Friedrich Gauss drägte sich die Vermutug auf, dass die Azahl π( aller Primzahle p uterhalb der positive Schrae dem Gesetz π( log lim = 1 gehorcht. (Mit

Mehr

Zahlenfolgen, Grenzwerte und Zahlenreihen

Zahlenfolgen, Grenzwerte und Zahlenreihen KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:

Mehr

Stochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014

Stochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014 Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik

Mehr

Ein Steilkurs über Martingale in diskreter Zeit

Ein Steilkurs über Martingale in diskreter Zeit Ei Steilkurs über Martigale i diskreter Zeit Matthias Birker WS 211/212 Dieser Text ist eie Eiladug, sich (i sehr kapper Form) mit der Theorie der (zeitdiskrete) Martigale zu beschäftige. Eie wesetlich

Mehr

1 Randomisierte Bestimmung des Medians

1 Randomisierte Bestimmung des Medians Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser

Mehr

5.3 Wachstum von Folgen

5.3 Wachstum von Folgen 53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische

Mehr

Ganze Funktionen endlicher Ordnung und Anwendungen auf die Riemannsche Zeta-Funktion

Ganze Funktionen endlicher Ordnung und Anwendungen auf die Riemannsche Zeta-Funktion edlicher Ordug ud Aweduge auf die Riemasche Zeta-Fuktio Vortrag zum Semiar zur Fuktioetheorie 8.06.0 Floria Goy Gaze Fuktioe edlicher Ordug Wir utersuche zuächst gaze Fuktioe edlicher Ordug, um damit die

Mehr