Der zentrale Grenzwertsatz
|
|
- Sofie Kirchner
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel VIII Der zentrale Grenzwertsatz Reinhard Höpfner Vorlesung Stochastik I Wintersemester 2003/2004, Sommer/Winter 2006/2007, Sommersemester 2010 Institut für Mathematik, Johannes Gutenberg Universität Mainz , ,
2 2 Zentraler Grenzwertsatz Übersicht zu Kapitel VIII : Dreiecksschemata aus zeilenweise unabhängigen L 2 -Variablen Asymptotische Vernachlässigbarkeit; Bedingungen von Lindeberg, Feller, Lyapunov Dreiecksschemata aus iid Zufallsvariablen 8.5 Zentraler Grenzwertsatz in Dimension d = 1, allgemeine Formulierung 8.6 Eine Interpretation der Lindeberg-Bedingung 8.6 Zwei spezielle Formulierungen des Satzes hinreichende und notwendige Bedingungen: Satz von Lindeberg-Feller 8.8 Bemerkungen 8.9 Zentraler Grenzwertsatz in IR d 8.10
3 Kapitel VIII Definition : Ein Dreiecksschema X n,j,...,kn ; n=1,2,... von zeilenweise unabhängigen L 2 - Variablen ist ein System X 1,1... X 1,k1 X 2, X 2,k2.... X n, X n,kn.... von Zufallsvariablen auf Ω, A,P, mit Werten in IR, BIR, mit den folgenden Eigenschaften: i für die Folge n der Zeilenlängen gilt, ii in jeder Zeile n IN sind die Zufallsvariablen X n,1,...,x n,kn unabhängig unter P, iii es gilt X n,j L 2 P für alle 1 j, alle n IN. In einem Dreiecksschema zeilenweise unabhängiger L 2 -Variablen bezeichne µ n,j := EX n,j, σn,j 2 := VarX n,j, 1 j, n 1, := VarX n, X n,kn = σn, σ2 n,, n 1. Ein Dreiecksschema mit µ n,j = 0, 1 j, n 1 nennt man zentriert; es heißt standardisiert falls s 2 n = 1 für alle n Beispiel: Sei Y j j 1 eine Folge von iid Zufallsvariablen mit EY1 2 <, reellwertig, definiert auf irgendeinem Ω, A,P. a Y j j 1 liefert via Y 1 Y 1 Y Y 1 Y 2... Y n.... ein Dreiecksschema zeilenweise unabhängiger L 2 -Variabler.
4 4 Zentraler Grenzwertsatz b Wende mit µ := EY 1 und σ 2 := V ary 1 auf die n-te Zeile des Dreiecksschemas die lineare Transformation y 1 n y µ σ an und definiere X n,j := 1 Y j µ, 1 j n, n 1. n σ Das so entstandene Dreiecksschema X n,j,...,n; n=1,2,... mit = n ist zentriert und standardisiert. c In der Einführung in die Stochastik lernt man den Satz von de Moivre-Laplace entstanden um 1733 kennen, der im Spezialfall binomialverteilter ZV Y j j 1 iid B1,p zeigt P 1 n Y j p b Φb, n n p1 p für jedes b IR; dabei bezeichnet Φt = N0,1,t] die Verteilungsfunktion der eindimensionalen Standardnormalverteilung. Wegen 6.12 ist dies im Spezialfall binomialverteilter iid ZV eine Aussage über Verteilungskonvergenz von Zeilensummen in einem zentrierten und standardisierten Dreiecksschema. Ziel dieses Kapitels ist es, hinreichende und notwendige Bedingungen anzugeben, unter denen Zeilensummen in zentrierten und standardisierten Dreiecksschemata aus zeilenweise unabhängigen L 2 -Variablen für n schwach in IR gegen die Standardnormalverteilung konvergieren. Sätze dieser Bauart wie sie auch in viel allgemeineren Situationen, etwa in stochastischen Prozessen, formuliert werden können bezeichnet man mit dem Namen zentraler Grenzwertsatz. 8.3 Definition: Betrachte ein Dreiecksschema X n,j,...,kn ; n=1,2,... aus zeilenweise unabhängigen L 2 -Variablen, und mögliche Eigenschaften dieses Schemas. i Die asymptotische Vernachlässigbarkeitsbedingung AV verlangt X n,j µ n,j ε > 0 : max P 1 j > ε 0, n. ii Die Feller-Bedingung FE verlangt σn,j 2 max 1 j s 2 n 0, n. iii Die Lindeberg-Bedingung LIN verlangt Xn,j µ 2 n,j ε > 0 fest: L n ε := E 1 { Xn,j µn,j sn >ε} 0.
5 Kapitel VIII 5 iv Die Lyapunov-Bedingung LY verlangt δ > 0 so daß X n,j L 2+δ P für alle j,n, und es gilt X E n,j µ n,j 2+δ 0 für n. Beachte: alle diese Bedingungen sind invariant unter linearen Transformationen, die auf alle Variablen einer ganzen Zeile des Dreiecksschemas angewandt werden. 8.4 Hilfssatz: In einem Dreiecksschema X n,j,...,kn ; n=1,2,... aus zeilenweise unabhängigen L 2 -Variablen gilt für die in 8.3 definierten Eigenschaften: a LIN = FE = AV; b falls sogar X n,j L 2+δ P für alle j,n: LY = LIN. Beweis: Da X n,j L 2 P für alle j,n, gilt für jedes feste ε > 0 und damit σ 2 n,j Xn,j = VarX n,j = s 2 n E µ 2 n,j [ Xn,j ε 2 µ 2 n,j + E 1 { Xn,j µn,j s 2 n sn >ε} ] σn,j 2 max 1 j s 2 n ε 2 + L n ε. Dies zeigt LIN = FE. Die elementare Chebychev-Ungleichung P X n,j µ n,j > ε σ2 n,j ε 2 s 2 n liefert FE = AV. Unter der Zusatzvoraussetzung X n,j L 2+δ P für alle j,n folgt aus y 2 1 { y >ε} cstδ,ε y 2+δ, y IR die Implikation LY = LIN. 8.5 Beispiel: Betrachte eine Folge Y j j 1 von iid ZV mit EY1 2 < wie in 8.2 als Dreiecksschema zeilenweise unabhängiger L 2 -Variablen, entweder in der Form aus 8.2 a oder in der
6 6 Zentraler Grenzwertsatz zentrierten und standardisierten Form aus 8.2 b: Y 1 X 1,1 Y 1 Y 2 X 2,1 X 2, Y 1 Y 2... Y n X n,1 X n,2... X n,n mit X n,j := 1 Y j µ, µ := EY 1, σ 2 := VarY 1. n σ a Dann gilt die Lindeberg-Bedingung LIN und damit nach 8.4 auch FE und AV: Mit den Bezeichnungen aus 8.1 für X n,j,2,...; n=1,2,... hat man = 1 für alle n,,µ n,j = 0 für alle n, j, also schreibt sich der in der Lindeberg-Bedingung zu betrachtende Ausdruck in jeder der Formen n Xn,j µ 2 n,j n L n ε = E 1 { Xn,j µn,j >εsn} = E X n,j 2 1 { Xn,j >ε} = n E Yj µ n σ 2 1 { Y j µ n σ >ε} = 1 σ 2 E Y 1 µ 2 1 { Y1 µ >εσ n } Da Y 1 L 2 P, strebt der letzte Ausdruck gegen 0 für n : damit ist LIN nachgewiesen.. b Gilt sogar Y 1 L 2+δ P für ein δ > 0, gilt auch die Lyapunov-Bedingung LY wegen n X n,j µ n,j 2+δ E Y 1 µ 2+δ = n E = n δ/2 cst 0 n σ für n. Nun geben wir die erste Formulierung des zentralen Grenzwertsatzes : 8.6 Hauptsatz: Sei X n,j,...,kn ; n=1,2,... ein Dreiecksschema aus zeilenweise unabhängigen L 2 -Variablen. Erfüllt dieses Dreiecksschema die Lindeberg-Bedingung LIN, so gilt L X n,j µ n,j P w s N0,1 n mit µ n,j = EX n,j und s 2 n = kn VarX n,j.
7 Kapitel VIII 7 Beweis: 1 Wir betrachten o.e. ein zentriertes und standardisiertes Dreiecksschema X n,j n,j. Die Lindeberg-Bedingung und die anderen in 8.4 betrachteten Bedingungen sind invariant unter dieser Umformung. Im Fall µ n,j = 0 n,j, s 2 n = σn, σn,k 2 n = 1 n 1 beweisen wir dann asymptotische Normalität der Zeilensummen X n,j L ξ, ξ N0,1 unter der Voraussetzung LIN: L n ε := E Xn,j1 2 { Xn,j >ε} 0, ε > 0. Schreibe Q n,j = LX n,j P, sei ϕ n,j die zugehörige charakteristische Funktion. 2 Wegen X n,j L 2 P ist ϕ n,j zweimal stetig differenzierbar an der Stelle 0: ϕ r n,j t = ix r e itx Q n,j dx, ϕ r n,j 0 = ir EXn,j r, r = 1,2, siehe Wegen der Standardisierung ϕ n,j 0 = 0, ϕ n,j 0 = σ2 nj liefert das eine Entwicklung der charakteristischen Funktion ϕ n,j an der Stelle 0 ϕ n,j t = 1 σ 2 n,j t2 2 + r n,jt t2 2, mit Resttermen siehe 7.16 r n,j t sup ϕ n,jηt ϕ n,j0 sup η [0,1] η [0,1] t IR x 2 e iηtx 1 Q n,j dx. Für festes t IR gibt es zu ε > 0 ein δ = δt,ε > 0, so daß x δ = sup e iηtx 1 < ε, η [0,1] damit gilt r n,j t εσn,j und damit wegen Standardisierung r n,j t ε { x >δ} x 2 Q n,j dx σn,j x 2 1 { x >δ} Q n,j dx = ε + 2L n δ, δ = δt,ε.
8 8 Zentraler Grenzwertsatz Hierbei ist ε > 0 beliebig. Wegen LIN gilt lim L n δ = 0 für jedes δ > 0. Also ist gezeigt + r n,j t 0, t IR. 3 Wir assoziieren zu dem gegebenen Dreiecksschema X n,j,...,kn ; n=1,2,... ein neues Dreiecksschema Y n,j,...,kn ; n=1,2,... auormalverteilten zeilenweise unabhängigen ZV, so daß jeweils die ersten beiden Momente übereinstimmen: Y n,1,...,y n,kn sind unabhängig für jede Y n,j = N0,σn,j 2, 1 j, n = 1,2,... mit zugehörigen charakteristischen Funktionen ψ n,j t := e itx N0,σn,j 2 dx. Wie in 2 gilt ψ n,j t = 1 σn,j 2 t r n,jt t2 2, t IR r n,j t εσn,j x 2 N0,σn,j 2 dx, { x >δ} wobei die übliche Skalierungseigenschaft für Normalverteilungen zeigt { x >δ} x 2 N0,σ 2 n,jdx = 1 σn,j 2 { x >δ/σ nj } { x >δ/ max,...,kn x 2 N0,1dx x 2 N0,1dx. σ n,j } Nach 8.4 gilt aber LIN = FE, und die Feller-Bedingung mit Normierung zeigt max σ n,j 0 für n.,..., Also verschwindet das letzte Integral für n. Zusammen erhält man also ++ r n,j t 0, t IR. 4 Der Vergleich beider Dreiecksschemata schließt nun den Beweis ab. Sei t IR fest. Wegen und wegen der Faltungseigenschaft von Normalverteilungen gilt e 1 2 t2 = ϕ N0,1 t = ϕ N0, P kn σ 2 n,j t = ϕ knp Y n,j t = ψ n,j t. Wegen zeilenweise Unabhängigkeit im Dreiecksschema X n,j,...,kn ; n=1,2,... hat man ϕ knp X n,j t = ϕ n,j t.
9 Kapitel VIII 9 Für Punkte z 1,...,z k, z 1,..., z k in der abgeschlossenen Einheitsscheibe in IC gilt die Ungleichung z j z j z j z j, woraus man sofort schließt e 1 2 t2 ϕ knp t X n,j ϕ n,j t ψ n,j t t2 2 r n,j t + r n,j t. Die rechte Seite dieser Ungleichung verschwindet aber für n nach + und ++. Man hat also punktweise Konvergenz auf IR der charakteristischen Funktionen ϕ knp gegen die X n,j charakteristische Funktion der Standardnormalverteilung. Nach Stetigkeitssatz 7.10 ist damit die in Schritt 1 behauptete asymptotische Normalität nachgewiesen. 8.6 Bemerkung: Zu einer anschaulichen Interpretation der Lindeberg-Bedingung kommt man, wenn man die Variablen der n-ten Zeile eines zentrierten und standardisierten Dreiecksschemas 8.1 als Sprunghöhen in einem zeitskalierten Random Walk t t k S n n t := X n,j, 0 t 1 auffaßt: nach Voraussetzung sind alle Sprunghöhen L 2 -Variablen, und LIN garantiert, daß in der Asymptoti der Einfluß großer Sprünge im Pfad von S n X n,k 1 { Xn,k >ε}, 1 k Sprünge mit Sprunghöhe > ε für ε > 0 beliebig aber fest in einem L 2 -Sinn verschwindet. Die einfachste Art, Satz 8.6 unter Benutzung von 8.5 a anzuwenden, ist die folgende: 8.7 Korollar: Für reellwertige iid ZV Y j j mit endlichen zweiten Momenten gilt L 1 n n wobei µ = EY 1 und σ 2 = VarY 1. Y j µ σ P L N0,1
10 10 Zentraler Grenzwertsatz Der Satz von demoivre und Laplace war ein Vorläufer dieser Aussage, vgl. 8.2 c und Eine weitere nützliche Anwendung von 8.6 unter einer zusätzlichen Voraussetzung ist: 8.7 Korollar: Sei X n,j,...,kn ; n=1,2,... ein Dreiecksschema aus zeilenweise unabhängigen L 2 - Variablen. Dieses erfülle die Lindeberg-Bedingung LIN, und es existiere + µ := lim µ n,j in IR, σ2 := lim σ 2 n,j in 0,. Dann gilt schwache Konvergenz in IR L X n,j P N µ, σ 2, n. Beweis: Bezeichne Z eine nach N0, 1 verteilte Zufallsvariable auf Ω, A, P o.e. kann stets angenommen werden, daß eine solche auf demselben Wahrscheinlichkeitsraum existiert, auf dem die X n,j leben: gegebenenfalls erweitert man dazu den Wahrscheinlichkeitsraum, indem man ein Produkt aus dem ursprünglichen Ω, A, P mit IR, BIR, N0, 1 bildet und alle Zufallsvariablen in natürlicher Weise auf dem Produktraum redefiniert. Nach 8.6 gilt dank LIN Z n := X n,j µ n,j L Z, n. Die Konvergenzvoraussetzung + erlaubt, hieraus auf Straffheit der Folge ++ L X n,j P, n 1 in IR zu schließen. Aufgrund der Straffheit von ++ sind die Folgen Z n n und Z n n Z n := 1 σ X n,j µ, n 1 stochastisch äquivalent für n, siehe 6.5 c. Mit 6.6 konvergiert dann auch die Folge Z n n schwach in IR gegen Z, für n. Skalieren dies ist eine stetige Abbildung liefert mit 6.3 oder 6.4 dann die Behauptung des Korollars. Man beachte, daß die Zusatzvoraussetzung + in Korollar 8.7 keineswegs eine Lindeberg- Bedingung impliziert dies darf nicht mit 8.5 a verwechselt werden, wie das Beispiel X n,1 Γa,p, X n,2 =... = X n,kn = 0, n 1
11 Kapitel VIII 11 sofort deutlich macht. Im nächsten Satz betrachten wir die Bedingungen für asymptotische Normalität der Zeilensummen in Satz 8.6 genauer. Ohne Zweifel kann asymptotische Normalität der Zeilensummen auch ohne Lindeberg-Bedingung gelten, wie das triviale Beipiel n 1 : X n,1 N0,1, X n,2 =... = X n,kn = 0 P-fs zeigt. In Dreiecksschemata aus gleichmäßig kleinen zeilenweise unabhängigen L 2 -Variablen ist LIN jedoch notwendig und hinreichend für asymptotische Normalität der Zeilensummen. 8.8 Satz von Lindeberg-Feller: Sei X n,j,...,kn ; n=1,2,... ein Dreiecksschema aus zeilenweise unabhängigen L 2 -Variablen. Betrachte die Eigenschaft ZSK ZSK es gilt für n : L X n,j µ n,j P w N0,1 mit µ n,j und wie in 8.1. Dann sind folgende Aussagen gleichwertig: i es gilt LIN, ii es gilt ZSK und FE, iii es gilt ZSK und AV. Beweis: Nach Satz 8.6 und Hilfssatz 8.4 ist nur noch die Implikation iii = i zu zeigen. Die ZV X n,j habe Verteilung Q n,j = LX n,j P und charakteristische Funktion ϕ n,j, für alle n,j; wir arbeiten wie im Beweis von 8.6 mit der Standardisierung µ n,j = 0 n,j, s 2 n = σ2 n,1 +...σ2 n, = 1 n 1. 1 Schreibe ϕ n,j t = costxq n,j dx + i sintxq n,j dx und betrachte für t > 0 L n t := 1 2 t 2 1 cos txq n,j dx = 1 2 t 2 Re1 ϕ n,j t. Der Beweisplan ist der folgende. In Schritt 3 unten werden wir zeigen, daß AV und ZSK zusammen die Aussage + lim L n N = 0 für jedes feste N IN
12 12 Zentraler Grenzwertsatz implizieren. Zugleich wird aber gelten siehe Schritt 2 unten ++ für beliebiges ε > 0, N IN : L n ε L n N ε 2 N 2. Zusammen ergeben + und ++ die gewünschte Aussage AV + ZSK = LIN. 2 Der Beweis von ++ ist elementar. Man hat wegen der Standardisierung L n ε = = = 1 E X n,j 2 1 { Xn,j >ε} σ 2 n,j 1 2 N 2 { x ε} = L n N + 2 N 2 { x ε} = x 2 Q n,j dx x 2 Q n,j dx { x ε} { x >ε} 1 cos NxQ n,j dx { x >ε} 1 cos NxQ n,j dx wobei in der vorletzten Abschätzung Hilfssatz 7.3 a benutzt wurde: x 2 Q n,j dx 1 cos tx = Re e itx 1 itx e itx 1 itx tx 2 2, t,x IR. Mit Hilfe der trivialen Ungleichung 1 cos Nx 1 { x >ε} 2 1 { x >ε} 2 ε 2x2, x IR schätzt man in der Ungleichungskette oben weiter ab 2 N 2 { x >ε} 1 cos NxQ n,j dx 4 N 2 ε 2 σ 2 n,j = 4 N 2 ε 2 und erhält Als Vorbereitung auf den Beweis von + zeigen wir zuerst, daß unter AV und gilt ϕ n,j t gleichmäßig auf kompakten t-intervallen. Mit Hilfssatz 7.3 a startet man dabei von der Abschätzung ϕ n,j t 1 e itx 1 Q n,j dx 2 Q n,j { x > δ} + δ t
13 Kapitel VIII 13 für beliebig kleines δ > 0, in der unter AV und X n,j µ n,j max Q n,j { x > δ} = max E 1 j 1 j > δ 0 für n. Also hat man unter AV max ϕ n,j t 1 1 j 0 gleichmäßig auf kompakten t-intervallen. Alächstes gilt wegen Standardisierung insbesondere xq n,j dx = 0, daher ϕ n,j t 1 = e itx 1 itxq n,j dx woraus wieder mit Hilfssatz 7.3 a folgt ϕ n,j t 1 t2 2 x 2 Q n,j dx = t2 2 σ 2 n,j = t2 2. Das bedeutet ϕ n,j t 1 ist beschränkt für n, gleichmäßig auf kompakten t-intervallen. Mit Hilfe der trivialen Abschätzung ϕ nj t 1 2 kn max ϕ nj t 1 ϕ nj t 1 1 j ergibt sich aus und. 4 Wir zeigen +. Starte von der Reihenentwicklung für den Hauptast des Logarithmus 1 r 1 log1 + z = z + z r, z IC mit z < 1 r 2 in IC, woraus mit Hilfe der geometrischen Reihe die Abschätzung r=2 log1 + z z z 2, z IC, z < 1 2 folgt. Auf jedem kompakten t-intervall gilt ϕ n,j 1 < 1 2, 1 j, für schließlich alle n, wegen in Schritt 3. Also hat man eine Entwicklung log ϕ n,j t = log 1 + ϕ n,j t 1 = ϕ n,j t 1 + R n,j t zusammen mit einer Abschätzung der Restterme für hinreichend große R n,j t ϕ n,j t 1 2 0
14 14 Zentraler Grenzwertsatz gleichmäßig auf kompakten t-intervallen, nach in Schritt 3. Die Voraussetzung ZSK bedeutet nach Stetigkeitssatz von P. Lévy 7.10 ϕ n,j t = ϕ knp t X n,j ϕ N0,1 t = e 1 2 t2 für jedes t IR. Die logarithmische Entwicklung oben erlaubt, hieraus auf Konvergenz in IC e knp ϕ n,j t 1 e 1 2 t2 für n zu schließen. Damit konvergieren aber auch die Beträge e knp ϕ n,j t 1 = e Re knp ϕ nj t 1 e 1 2 t2 und man erhält Nach Definition von L n bedeutet das aber Re1 ϕ nj t t2 für n. lim L n t = 0 für jedes t 0, und die Aussage + ist bewiesen. Damit ist der Beweis von Satz 8.8 abgeschlossen. 8.9 Bemerkung: a Die in diesem Kapitel durchgängig gemachte Voraussetzung endlicher zweiter Momente kann im iid Fall noch einmal minimal abgeschwächt werden, siehe Bingham, Goldie und Teugels 1987, S b Ohne Lindeberg-Bedingung können in Dreiecksschemata aus zeilenweise unabhängigen asymptotisch vernachlässigbaren L 2 -Variablen andere Typen von Grenzverteilungen entstehen. Dies wird in Kapitel IX genauer betrachtet werden. Ein einfaches Beispiel: sei p n n eine Folge in 0,1 mit der Eigenschaft lim n p n =: λ, 0 < λ <. Der aus der Einführung in die Stochastik bekannte Poissonsche Grenzwertsatz zeigt schwache Konvergenz in IR Bn,p n w Pλ, n für diskrete Verteilungen reicht each 6.12, die Konvergenz der Massen dieser Verteilungen auf den Einpunktmengen {k}, k IN 0, nachzurechnen. Betrachtet man nun das Dreiecksschema für feste 1 : X n,1,...,x n,n sind iid B1,p n
15 Kapitel VIII 15 aus zeilenweise unabhängigen L 2 -Variablen, die nur die Werte 0 oder 1 annehmen, so sieht man leicht, daß AV und FE erfüllt sind, LIN aber verletzt ist. Der schwache Limes für zentrierte und standardisierte Zeilensummen in diesem Dreiecksschema ist eine um λ verschobene und um den Faktor 1 λ gestreckte Poissonvariable mit Parameter λ. Aus dem eindimensionalen zentralen Grenzwertsatz 8.6 bzw. aus Korollar 8.7 und Cramér- Wold 7.12 erhält man abschließend einen zentralen Grenzwertsatz für Zufallsvariable mit Werten in IR d, BIR d ohne große zusätzliche Arbeit: 8.10 Zentraler Grenzwertsatz in IR d : Betrachte ein Dreiecksschema aus zeilenweise unabhängigen L 2 -Variablen mit Werten in IR d, BIR d Y n,j,...,kn, n=1,2,... dies bedeutet, daß alle Komponenten Y r n,j, 1 r d, Zufallsvariable in L2 P sind. Schreibe ν n,j := EY n,j, Λ n,j := CovY n,j = E Y n,j ν n,j Y n,j ν n,j und setze voraus: es gelte Konvergenz der ersten beiden Momente es gebe ν = ν r 1 r d in IR d und Λ = Λ r,s 1 r,s d in IR d d so daß lim kn ν r n,j = ν r, lim kn Λ r,s n,j = Λ r,s, 1 r,s d, notwendig ist dann Λ symmetrisch und nichtnegativ definit, und das Dreiecksschema erfülle eine Lindeberg-Bedingung in der folgenden Form lim E Y n,j ν n,j 2 1 { Yn,j ν n,j >ε } = 0 für jedes ε > 0. Dann sind die Zeilensummen im Dreiecksschema asymptotisch normalverteilt: man hat Y n,j schwache Konvergenz in IR d für n. L N ν, Λ Beweis: Nach Cramér-Wold 7.12 reicht es, die Schar schwacher Konvergenzen in IR für jedes feste α IR d : α Y n,j L N α ν, α Λα
16 16 Zentraler Grenzwertsatz für n nachzuweisen. Weiter reicht es, hierbei den zentrierten Fall zu betrachten: ν n,j = 0, ν = 0, Λ n,j = EY n,j Y n,j. Wir schreiben bezüglich eines festen α IR d X n.j := α Y n,j, µ n,j := EX n,j = 0, σ 2 n,j := EX2 n,j = α Λ n,j α und betrachten das Dreiecksschema aus zentrierten IR-wertigen L 2 -Variablen X n,j,...,kn, n 1. Fall 1: Gilt α Λα = 0, so verschwindet X n,j für n in L 2 P aufgrund der Konvergenzbedingung an die ersten beiden Momente, damit auch P-stochastisch, also auch in Verteilung. Gleichzeitig ist in diesem Fall aber die Normalverteilung auf der rechten Seite von aber ein Diracmass in 0. Also gilt. Fall 2: Sei α Λα > 0. Dann ist mit µ = 0 und σ 2 = α Λα > 0 die Momentenbedingung + aus Korollar 8.7 erfüllt. Zum Beweis von bleibt alur nachzuweisen, daß das Schema die Lindebergbedingung LIN gemäß 8.3 ε > 0 fest: L n ε = 1 s 2 n E Xn,j 2 1 { X n,j >ε } 0 mit s 2 n = kn σn,j 2 erfüllt. Aufgrund der vorausgesetzten Konvergenz s2 n σ 2 0, ist diese aber äquivalent zur einfacheren Bedingung lim E Xn,j 2 1 { Xn,j >ε} = 0 für jedes ε > 0 die wir jetzt nachzuprüfen: man hat notwendig gilt α 0,, wegen Fall 2 X n,j = α Y n,j α Y n,j und { } X n,j = α Y n,j > ε } { Y n,j > ε α so daß sofort aus der in der Formulierung des Satzes gemachten Voraussetzung lim E Y n,j 2 1 { Yn,j >ε } = 0 für jedes ε > 0 folgt. Damit ist Satz 8.10 bewiesen.
1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
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,
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
Mehr30 Metriken und Normen
31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
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.
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrVorlesung Mathematische Statistik. Inhalt in Stichworten. Reinhard Höpfner. Vorlesung 2004/2005 und 2007/2008
1 Vorlesung Mathematische Statistik Inhalt in Stichworten Reinhard Höpfner Vorlesung 2004/2005 und 2007/2008 Institut für Mathematik, Johannes Gutenberg Universität Mainz 27.02.08 2 Inhalt in Stichworten
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrUniversität Ulm Abgabe: Mittwoch,
Universität Ulm Abgabe: Mittwoch, 8.5.23 Prof. Dr. W. Arendt Jochen Glück Sommersemester 23 Punktzahl: 36+4* Lösungen Halbgruppen und Evolutionsgleichungen: Blatt 2. Sei X ein Banachraum und (T (t)) t
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
Mehr1. Zeta-Funktion und Euler-Produkt
. Zeta-Funktion und Euler-Produkt. Zeta-Funktion und Euler-Produkt.. Die Riemannsche Zeta-Funktion ist für s C mit Re s > definiert durch ζ(s) := n= n s. Traditionell schreibt man s = σ + it mit σ, t R.
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
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
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrSchwache Konvergenz von W-Verteilungen
Kapitel 6 Schache Konvergenz von W-Verteilungen 6. Schache Konvergenz bz. Verteilungskonvergenz Bezeichne ieer W(B k ) ie Menge aller W-Verteilungen auf er Borel schen Sigma-Algebra B k in R k soie C b
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
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
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,
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
Mehreine reelle oder komplexe Folge ist, kann man daraus eine neue Folge {s n } n=0 konstruieren durch s n = a 0 + a a n, a k.
Analysis, Woche 7 Reihen I 7. Folgen aus Folgen Wenn a n eine reelle oder komplexe Folge ist, kann man daraus eine neue Folge s n konstruieren durch s n = a 0 + a + + a n, oder netter geschrieben s n =
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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,
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
Mehr