Side 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik
|
|
- Mathias Lauritzen
- 8 år siden
- Visninger:
Transkript
1 Side 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik Advarsel: I denne artikel gives udtryk for holdninger til sandsynlighedsregningens grundlag. Disse er forfatterens egne sære meninger, og repræsenterer f.eks. ikke et generelt dansk eller københavnsk fænomen. Kolmogorov s konsistenssætning er uanset hvad Peter Thejlls figurer mener om den sag det grundlæggende redskab til konstruktion af sandsynlighedsfordelinger på uendeligt dimensionale rum. Eksempel. Alle kender vel den påstand, at hvis man kaster en mønt mange gange vil den relative hyppighed af plat ligge nær ved 1 2. Spekulerer man lidt nøjere over den, vil man se at den kan tillægges i hvert fald tre fortolkninger: (1) Som en ren naturlov, dvs. en egenskab ved mønter og møntkastere der hverken kan bevises eller modbevises matematisk, men som (måske) kan eftervises eksperimentelt. Det vil vi ikke diskutere yderligere her. (2) Som en egenskab ved den matematiske model til beskrivelse af et antal kast med en mønt: Lad X 1, X 2,..., X n være uafhængige stokastiske variable som antager værdierne 0 og 1 med sandsynlighed 1 2. For ethvert ɛ > 0 gælder da ( X X n P 1 ) n 2 < ɛ 1 for n. Dette er et velkendt specialtilfælde af de store tals lov. (3) Som en egenskab ved en matematisk model, der beskriver en uendelig serie af møntkast: Lad X 1, X 2,... være uafhængige stokastiske variable, som antager værdierne 0 og 1 med sandsynlighed 1 2. Da gælder ( X1 + + X n P 1 ) = 1. n 2 Dette følger af den såkaldte stærke form af de store tals lov. Man skal holde hovedet koldt for at fatte forskellen mellem (2) og (3). Men gør man det, vil man se at der er stor forskel. (2) er et resultat, som kan formuleres og bevises indenfor rammerne af elementær sandsynlighedsregning. (3) er derimod et udsagn om en sandsynlighedsfordeling på rummet {0, 1} N af 0 1 følger, og det er her Kolmogorov s konsistenssætning kommer ind i billedet. I dette simple tilfælde kan man ganske vist snyde sig fra brugen af denne sætning, ved at tænke på X 1, X 2,... som følgen af cifre i dualbrøkfremstillingen af et ligefordelt tal i enhedsintervallet. Men det resultat, som i almindelighed må anvendes til konstruktion af stokastiske processer med endeligt tilstandsrum og 9
2 diskret (d.v.s. numerabel) tidsskala er følgende variant af Kolmogorov s konsistenssætning: Sætning 1. Lad E være en endelig, T en numerabel mængde (tænk på E = {0, 1}, T = N). Lad der for hver endelig delmængde T 0 af T være givet en sandsynlighedsfordeling P T0 på den endelige mængde E T 0, og antag at disse sandsynlighedsfordelinger udgør en konsistent familie, i den forstand at de optræder som marginalfordelinger for hinanden på naturlig måde; d.v.s. for T 0 T 0 er P T 0 netop den fordeling, der fås ved transformation af P T0 med den naturlige projektion E T0 E T 0. Da findes et entydigt sandsynlighedsmål P på E T, der som sine endeligt dimensionale marginalfordelinger netop har de givne fordelinger P T0. Sætningen forudsætter naturligvis en række definitioner og præciseringer, af hvilke den vigtigste er definitionen af, hvad vi forstår ved en sandsynlighedsfordeling på følgerummet E T. Der findes flere fornuftige bud på en sådan definition, og da de i dette tilfælde er stort set ækvivalente, kan vi passende vælge den, som er i overensstemmelse med Kolmogorov s aksiomatisering af sandsynlighedsregningen og den overvejende del af litteraturen: En sandsynlighedsfordeling på E T er en additiv (P (A B) = P (A) + P (B) for A B = ), σ kontinuert (P (A n ) 0 for A n aftagende mod ) og normeret (P (E T ) = 1) mængdefunktion på cylinder σ algebraen ( = det mindste system af mængder som er lukket overfor numerable mængdeoperationer og indeholder de mængder, som er bestemt ved betingelser på endeligt mange koordinater). Indenfor σ algebraerne og de σ additive mængdefunktioners univers ligger det nu lige for at formulere følgende generalisering: Sætning 2. Lad (E t, A t ), t T, være en familie af målelige rum, d.v.s. mængder E t forsynet med σ algebraer A t. Lad der for hver endelig delmængde T 0 af T være givet en sandsynlighedsfordeling P T0 på rummet t T 0 E t, defineret på den σ algebra (produkt σ algebraen) der naturligt frembringes af de givne σ algebraer A t. Antag at disse sandsynlighedsfordelinger udgør en konsistent familie, jvf. sætning 1. Da findes et entydigt sandsynlighedsmål P på t T E t, defineret på cylinder σ algebraen, der som sine endeligt dimensionale marginalfordelinger netop har de oprindelige fordelinger P T0. Denne sætning, som man mere højtidelig kunne kalde sætningen om eksistens af projektive grænser i kategorien af abstrakte sandsynlighedsfelter har frem for alt den egenskab, at den er forkert. Den gælder ikke engang når T er numerabel. Man kan, med lidt god vilje, sige at den kun gælder under passende regularitetsbetingelser (f.eks. når rummene E t er endelige, jvf. sætning 1, eller for E t = R). Med lidt ond vilje kan man sige, at når denne fundamentale sætning ikke gælder, så er der noget helt galt med definitionen af en sandsynlighedsfordeling som et abstrakt mål ( d.v.s. en σ additiv mængdefunktion på en σ algebra). 10
3 Det sidste synspunkt er jo lidt ukonstruktivt, med mindre man kan komme med en bedre idé. Det kan man faktisk. Betragt følgende smukke (og rigtige) resultat: Sætning 3. Lad E t, t T, være kompakte topologiske rum (T en vilkårlig mængde). Lad C betegne vektorrummet af kontinuerte reelle funktioner på produktrummet t T E t (som ifølge Tychonov s sætning igen er et kompakt topologisk rum). Lad C 0 betegne underrummet af C bestående af de funktioner, der kun afhænger af endeligt mange variable, og lad µ 0 : C 0 R være en lineær afbildning som er ikke negativ (f 0 = µ 0 (f) 0) og normeret (µ 0 (1) = 1). Da kan µ 0 på entydig måde udvides til en ikke negativ, normeret lineær afbildning µ: C R. Dette er min yndlingssætning, først og fremmest fordi den kan opfattes som resultatet bag samtlige eksisterende versioner af Kolmogorov s konsistenssætning. Ligheden med sætning 1 og 2 er måske ikke slående, men sammenhængen er nu ikke svær at forstå. Definer et Radon mål på et kompakt topologisk rum E som en lineær, ikke negativ funktional på rummet C af kontinuerte funktioner f : E R. En sådan funktional kan på naturlig måde (ved anvendelse af en passende integrationsteori) udvides til en funktional på et betydeligt større rum af reelle funktioner på E. Dette funktionsrum indeholder bl.a. indikatorfunktioner for en stor klasse af delmængder af E, og herved får man til Radon målet knyttet en additiv mængdefunktion A µ(a) (= µ(1 A )) på et system af delmængder, som bl.a. omfatter Borel mængderne (d.v.s. mængderne i Borel σ algebraen, den mindste σ algebra som indeholder alle åbne mængder). Denne mængdefunktion viser sig at have den særlige egenskab, at den er regulær, d.v.s. µ(a) = sup K µ(k), hvor supremum tages over de kompakte delmængder K af A. Omvendt gælder (i store træk), at en additiv, regulær mængdefunktion svarer til et Radon mål på denne måde. Hvis man, under anvendelse af denne sammenhæng, oversætter sætning 3 til et resultat om mængdefunktioner, får man en version af Kolmogorov s konsistenssætning, hvor rummene E t er kompakte topologiske rum og de givne sandsynlighedsmål P T0 og det resulterende P er additive, regulære mængdefunktioner. Som grundlag for teorien for stokastiske processer er dette resultat langt mere effektivt end de forskellige varianter af sætning 2. Det hænger bl.a. sammen med, at Borel σ algebraen i tilfælde af kontinuert tid (f.eks. T = R) er meget større end cylinder σ algebraen. Hændelser som X t = 0 for alle t eller udfaldsfunktionen t X t er kontinuert vil f.eks. ikke være indeholdt i cylinder σ algebraen, hvilket har givet anledning til mange snørklede og helt unødvendige konstruktioner i teorien for stokastiske processer. Det er naturligvis en begrænsning, at sætning 3 kun handler om kompakte tilstandsrum E t, men det viser sig at være et mindre problem (som kan løses ved kompaktificering). Historiske bemærkninger. Man kan undre sig over, at sandsynligheds- 11
4 regningens hovedstrøm den dag idag hovedsageligt baseres på abstrakt målteori. Kun i grænseområdet mellem sandsynlighedsregning og funktionalanalyse ser man en effektiv udnyttelse af teorien for Radon mål. Forklaringen er ikke kun den enkle, at sandsynlighedsteoretikere er nogle klamphuggere, som bliver svimle hvis de ser noget som er mere abstrakt end et metrisk rum. Indenfor sandsynlighedsregningen finder man ret skrappe matematikere, som arbejder med ting der er betydeligt mere indviklede end den forholdsvis kanoniske teori for Radon mål. Historisk kan målteorien siges at begynde med H. Lebesgues præcisering og generalisering af det klassiske integralbegreb (1902 og 1904). Da Lebesgues teori af blandt andre M. Frechét (1915) blev generaliseret til en teori for mål på abstrakte mængder faldt det naturligt at basere måleligheds og integrationsbegreberne på σ kontinuiteten, som Lebesgue lagde stor vægt på. Ganske vist kan vi nu med den bagklogskab det giver at være 80 år for sent ude let se, at Lebesgue s bevis for σ kontinuiteten blot var et specialtilfælde af det argument, som viser at en regulær, additiv mængdefunktion er σ kontinuert. Regularitet kommer altså i virkeligheden før σ kontinuitet, og er derfor måske et mere naturligt udgangspunkt for en generalisering. Men de centrale kompakthedsargumenter er ikke lette at få øje på i Lebesgues originale arbejder, hvor alting formuleres ved hjælp af følger. Den generelle topologi var ikke formuleret endnu, og behovet for en mere dybtgående analyse af problemet har vel heller ikke været til stede, eftersom begreberne σ algebra og σ kontinuitet syntes at give en fuldstændig generalisering af Lebesgues resultater. Det er først når man begynder at danne projektive grænser, det går galt. Det måtte A. N. Kolmogorov erkende, da han i sin berømte monografi (1933) om sandsynlighedsregningens grundlag måtte indskrænke sig til at bevise konsistenssætningen (som her blev klart formuleret for første gang) i tilfældet E t = R. Det har uden tvivl generet ham, for hans bestræbelser gik jo netop ud på at samle diskrete, kontinuerte og uendeligt dimensionale sandsynlighedsmodeller under den fælles hat abstrakt målteori. Men hans bevis for konsistenssætningen indeholder et helt nødvendigt topologisk argument, som ikke kan overføres til det abstrakte tilfælde. Her kommer vi til et væsentligt dansk bidrag. Det var Erik Sparre Andersen og Børge Jessen, der i 1948 ved et modeksempel beviste, at sætning 2 ikke er generelt gyldig. Det kom desværre lidt for sent til at få konsekvenser for sandsynlighedsteoretikeres holdning til grundlaget. Et meget vægtigt bidrag til udviklingen er J. L. Doob s bog fra 1953, der helt igennem (d.v.s. så vidt muligt) er baseret på abstrakt målteori. Processer med kontinuert tid er her, ifølge sagens natur, behandlet med lodder og trisser samt et usædvanligt rædselsfuldt begreb separabilitet, hvis eneste eksistensberettigelse er valget af den abstrakte målteori som 12
5 basis for sandsynlighedsregningen. Senere har udviklingen bevæget sig i retning af en mere topologisk indfaldsvinkel, idet Yu. V. Prohorov (1956) og senere P. Billingsley (1968) redegjorde for, hvorledes man i en lang række situationer kan begrænse sig til abstrakte mål på Borel σ algebraer i fuldstændigt metriserbare funktionsrum med numerabel basis for topologien. På sådanne rum er alle abstrakte mål regulære, så man får mulighed for at udnytte fordelene ved Radon mål; uden dog at sige det eksplicit, og uden direkte reference til den generelle konsistenssætning (sætning 3). Man kan således sige, at Radon målenes teori kom for sent. En systematisk fremstilling af mål og integrationsteorien baseret på Radon mål blev givet af franske matematikere under pseudonymet Bourbaki i Før da er bidragene spredte. Grundlaget er F. Riesz s repræsentationssætning (1909), der i tilfældet E = [0, 1] gav fremstillingen af en lineær funktional på C ved et Stieltjes integral (d.v.s. et integral m.h.t. en fordelingsfunktion). Dette resultat for funktioner på enhedsintervallet blev af J. Radon (1913) generaliseret til tilfældet hvor E er en vilkårlig kompakt delmængde af R n. Herfra stammer begrebet regularitet, og betegnelsen Radon mål skyldes naturligvis denne artikel. Den fundamentale sætning 3 blev vist af P. J. Daniell i 1920 (for E t = [0, 1] og T = N, men beviset dækker i alt væsentligt også det generelle tilfælde). Men hverken Daniell eller Kolmogorov synes at have sat dette resultat i forbindelse med sandsynlighedsregningen. I 1957 altså nogle år efter Doob s systematisering af teorien for stokastiske processer og Bourbaki s fremstilling af integrationsteorien baseret på Radon mål redegjorde E. Nelson for, hvorledes teorien for stokastiske processer med kontinuert tid kan simplificeres betydeligt ved brug af Radon mål. Senere bind af Bourbaki har gjort opmærksom på det samme. Men disse arbejder har indtil videre ikke sat sig synlige spor i den egentlige sandsynlighedsregningslitteratur, og det samme gælder mit eget beskedne bidrag fra Selv franske sandsynlighedsteoretikere, som ellers ikke går af vejen for at introducere lidt matematik, når der er brug for det, er utilbøjlige til at tage skridtet fuldt ud og afskrive den abstrakte målteori. Man kan undertiden få det indtryk, at det skyldes ærbødighed for gamle kæmper som Kolmogorov og Doob. Som om deres autoritet var af den slags, man kan komme til at ødelægge ved en fejltagelse! Litteratur. I stedet for den meget lange litteraturliste, som egentlig burde følge her, vil jeg beskedent nøjes med at give en reference til mig selv. Heri kan man finde præcise henvisninger til alle de bøger og artikler, som er omtalt: Tjur, T. (1980). Probability Based on Radon Measures. Wiley. 13
Punktmængdetopologi. Mikkel Stouby Petersen. 1. marts 2013
Punktmængdetopologi Mikkel Stouby Petersen 1. marts 2013 I kurset Matematisk Analyse 1 er et metrisk rum et af de mest grundlæggende begreber. Et metrisk rum (X, d) er en mængde X sammen med en metrik
Læs mereTue Tjur: Hvad er tilfældighed?
Tue Tjur: Hvad er tilfældighed? 16. 19. september 1999 afholdtes i netværkets regi en konference på RUC om sandsynlighedsregningens filosofi og historie. Som ikke specielt historisk interesseret, men nok
Læs mereLad os som eksempel se på samtidigt kast med en terning og en mønt:
SANDSYNLIGHEDSREGNING Stokastisk eksperiment Et stokastisk eksperiment er et eksperiment, hvor vi fornuftigvis ikke på forhånd kan have en formodning om resultatet af eksperimentet Til gengæld kan vi prøve
Læs mereSandsynlighedsbaserede metoder
Metodeartikel 29 Sandsynlighedsbaserede metoder Monte Carlo-metoden Daniel Kjær I sidste udgave af Famøs kunne læseren finde første halvdel af en todelt artikelserie om sandsynlighedsbaserede metoder under
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereAppendiks 6: Universet som en matematisk struktur
Appendiks 6: Universet som en matematisk struktur En matematisk struktur er et meget abstrakt dyr, der kan defineres på følgende måde: En mængde, S, af elementer {s 1, s 2,,s n }, mellem hvilke der findes
Læs mereHilbert rum. Chapter 3. 3.1 Indre produkt rum
Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E
Læs mere13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Læs mereGult Foredrag Om Net
Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereDette materiale er ophavsretligt beskyttet og må ikke videregives
Grundlæggende mål- og integralteori Grundlæggende mål- og integralteori Steen Thorbjørnsen Aarhus Universitetsforlag Grundlæggende mål- og integralteori Steen Thorbjørnsen og Aarhus Universitetsforlag
Læs mereANALYSE 1, 2014, Uge 6
ANALYSE 1, 2014, Uge 6 Forelæsninger Tirsdag Topologiske begreber i generelle metriske rum, dvs. begreber som åbne og afsluttede delmængder og rand af en mængde. For talrummene R k er disse begreber indført
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereAffine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2
Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket
Læs mereANALYSE 1, 2014, Uge 5
ANALYSE, 204, Uge 5 Afleveringsfrist for Prøve 2 er Tirsdag den 20/5 kl 0:5. Forelæsninger Tirsdag Vi går videre med Afsnit 4 om uniform konvergens af Fourierrækker, hvor hovedsætningen er Sætning 4.3.
Læs mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
Læs mere{ } { } {( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )}
Stokastisk eksperiment Et stokastisk eksperiment er et eksperiment, hvor vi fornuftigvis ikke på forhånd kan have en formodning om resultatet af eksperimentet. Til gengæld kan vi prøve at sige noget om,
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereAarhus Universitet 5. februar Meddelelse 2
fdeling for Teoretisk Statistik IOSTTISTIK Institut for Matematiske Fag Preben læsild arhus Universitet 5. februar 2003 Meddelelse 2 Forelæsningerne i uge 6 (3-7.2) Ved forelæsningen den 4.2 gav Frank
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs mereSkriftlig eksamen - med besvarelse Topologi I (MM508)
INSTITUT FOR MATEMATIK OG DATALOGI SYDDANSK UNIVERSITET, ODENSE Skriftlig eksamen - med besvarelse Topologi I (MM508) Mandag d. 14. januar 2007 2 timer med alle sædvanlige hjælpemidler tilladt. Opgavesættet
Læs mere1 Palm teori. Palm teori 1
Palm teori 1 1 Palm teori Lad X = {X(t)} t 0 være en stokastisk proces defineret på et måleligt rum (Ω, F), og lad T = {T n } n N0 være en voksende følge af ikke-negative stokastiske variable herpå. Vi
Læs mereProjekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet
Projekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet Mens den 1. hovedsætning om kontinuerte funktioner kom forholdsvis smertefrit ud af intervalrusebetragtninger, så er 2. hovedsætning betydeligt
Læs mereNoter til Perspektiver i Matematikken
Noter til Perspektiver i Matematikken Henrik Stetkær 25. august 2003 1 Indledning I dette kursus (Perspektiver i Matematikken) skal vi studere de hele tal og deres egenskaber. Vi lader Z betegne mængden
Læs mereMat H /05 Note 2 10/11-04 Gerd Grubb
Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med
Læs mereUENDELIG, MERE UENDELIG, ENDNU MERE UENDELIG, Indledning
UENDELIG, MERE UENDELIG, ENDNU MERE UENDELIG, ESBEN BISTRUP HALVORSEN 1 Indledning De fleste kan nok blive enige om, at mængden {a, b, c} er større end mængden {d} Den ene indeholder jo tre elementer,
Læs mereGEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f
GEOMETRI-TØ, UGE 6 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imfaudk Opvarmningsopgave 1 Lad f : R 2 R være tre gange kontinuert differentierbar
Læs mereEn statistikstuderendes bekendelser Søren Wengel Mogensen
Oplysning 23 En statistikstuderendes bekendelser Søren Wengel Mogensen Om at skrive BSc-opgave i anvendt statistik. Der findes matematikere (i hvert fald matematikstuderende), der mener, at den rene matematik
Læs mereFunktionsterminologi
Funktionsterminologi Frank Villa 17. januar 2014 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereNogle grundlæggende begreber
BE2-kursus 2010 Jørgen Larsen 5. februar 2010 Nogle grundlæggende begreber Lidt simpel mængdelære Mængder består af elementer; mængden bestående af ingen elementer er, den tomme mængde. At x er element
Læs mereØlopgaver i lineær algebra
Ølopgaver i lineær algebra 30. maj, 2010 En stor del af de fænomener, vi observerer, er af lineær natur. De naturlige matematiske objekter i beskrivelsen heraf bliver vektorrum rum hvor man kan lægge elementer
Læs mereSandsynlighedsteori 1.1 Uge 44.
Institut for Matematiske Fag Aarhus Universitet Den 18. oktober 2004. Sandsynlighedsteori 1.1 Uge 44. Forelæsninger: Vi afslutter foreløbigt den rene mål- og integralteori med at gennemgå afsnittet Produktmål,
Læs mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
Læs mereSimulering af stokastiske fænomener med Excel
Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen
Læs mereGEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )
GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder
Læs mereSvag konvergens. Kapitel Historisk indledning
Kapitel 4 Svag konvergens 4.1 Historisk indledning I første halvdel af 1700-tallet var stort set al sandsynlighedsregning af kombinatorisk natur. Hovedværker fra perioden er Abraham de Moivres The Doctrine
Læs mereTidligere Eksamensopgaver MM505 Lineær Algebra
Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................
Læs mereBinomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Læs mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
Læs mereANALYSE 1. Uge 7, 4. juni juni, 2007
ANALYSE 1 Uge 7, 4. juni - 10. juni, 2007 Forelæsninger Mandag 4. juni Formålet med denne dags forelæsninger er at etablere en overgang til emnet metriske rum, hvis hovedformål er at udvide begreber som
Læs mereElementær Matematik. Mængder og udsagn
Elementær Matematik Mængder og udsagn Ole Witt-Hansen 2011 Indhold 1. Mængder...1 1.1 Intervaller...4 2. Matematisk Logik. Udsagnslogik...5 3. Åbne udsagn...9 Mængder og Udsagn 1 1. Mængder En mængde er
Læs mereMatematik. Matematiske kompetencer
Matematiske kompetencer stille spørgsmål, som er karakteristiske for matematik og have blik for hvilke typer af svar, som kan forventes(tankegangskompetence) erkende, formulere, afgrænse og løse matematiske
Læs mereAnalyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser
Analyse 2 Øvelser Rasmus Sylvester Bryder 24. og 27. september 203 Bevis af Fatous lemma (Theorem 9.) Hvis (u j ) j er en følge af positive, målelige, numeriske funktioner (dvs. med værdier i [, ]) over
Læs mereFunktionsterminologi
Funktionsterminologi Frank Nasser 12. april 2011 c 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette
Læs mereTal og algebra. I kapitlet arbejdes med følgende centrale matematiske begreber: algebra variable. Huskeliste: Tændstikker (til side 146) FRA FAGHÆFTET
I kapitlet skal eleverne arbejde med fire forskellige vinkler på algebra de præsenteres på kapitlets første mundtlige opslag. De fire vinkler er algebra som et redskab til at løse matematiske problemer.
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereEn differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby
24 En differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby Det er velkendt for de fleste, at differentiabilitet af en reel funktion f medfører kontinuitet af f, mens det modsatte ikke gælder
Læs mereHvad er formel logik?
Kapitel 1 Hvad er formel logik? Hvad er logik? I daglig tale betyder logisk tænkning den rationelt overbevisende tænkning. Og logik kan tilsvarende defineres som den rationelle tænknings videnskab. Betragt
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R Helle Sørensen Uge 6, mandag SaSt2 (Uge 6, mandag) Tætheder og kont. fordelinger 1 / 19 Program Velkommen I dag:
Læs mereOversigt [LA] 11, 12, 13
Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar
Læs mereNøgleord og begreber Ortogonalt komplement Tømrerprincippet. [LA] 13 Ortogonal projektion
Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mereNoget om en symmetrisk random walks tilbagevenden til udgangspunktet
Random Walk-kursus 2014 Jørgen Larsen 14. oktober 2014 Noget om en symmetrisk random walks tilbagevenden til udgangspunktet Dette notat giver et bevis for at en symmetrisk random walk på Z eller Z 2 og
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereTØ-opgaver til uge 46
TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4)
Læs mereSkriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM58) Institut for Matematik & Datalogi Syddansk Universitet Torsdag den 7 Januar 010, kl. 9 13 Alle sædvanlige hjælpemidler (lærebøger,
Læs mereNormale tal. Outline. Hvad er tilfældighed? Uafhængighed. Matematiklærerdag Simon Kristensen. Aarhus Universitet, 24/03/2017
Matematiklærerdag 2017 Institut for Matematik Aarhus Universitet Aarhus Universitet, 24/03/2017 Outline 1 2 3 Hvad er tilfældighed? I statistik, sandsynlighedsteori og ikke mindst i programmering er det
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereArchimedes Princip. Frank Nasser. 12. april 2011
Archimedes Princip Frank Nasser 12. april 2011 c 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereSupplerende note om Hilbertrum og Banachrum
Supplerende note om Hilbertrum og Banachrum Jimi Lee Truelsen Om Noten Vi vil i denne note uddybe nogle af emnerne fra de første 3 apitler af [Ve] og komme med nogle eksempler. Det drejer sig især om begreberne
Læs mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereÅrsplan for 7. klasse, matematik
Årsplan for 7. klasse, matematik I matematik bruger vi bogsystemet Sigma som grundmateriale. I systemet er der, ud over grundbogen, også kopiark og tests tilknyttet de enkelte kapitler. Systemet er udarbejdet
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs merePythagoras Sætning. Frank Nasser. 20. april 2011
Pythagoras Sætning Frank Nasser 20. april 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er
Læs mereNanostatistik: sandsynligheder Kursushjemmeside: http://www.imf.au.dk/ kurser/nanostatistik/
Nanostatistik: sandsynligheder Kursushjemmeside: http://www.imf.au.dk/ kurser/nanostatistik/ JLJ Nanostatistik: sandsynlighederkursushjemmeside:http://www.imf.au.dk/kurser/nanostatistik/ p. 1/16 Højder
Læs mereSandsynlighedsteori. Sandsynlighedsteori. Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et. Et Bayesiansk argument
Sandsynlighedsteori Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (, E, ν). Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål,
Læs mereDesignMat Uge 11 Lineære afbildninger
DesignMat Uge Lineære afbildninger Preben Alsholm Forår 008 Lineære afbildninger. Definition Definition Lad V og W være vektorrum over samme skalarlegeme L (altså enten R eller C for begge). Afbildningen
Læs mereBroer, skak og netværk Carsten Thomassen: Naturens Verden 10, 1992, s. 388-393.
Broer, skak og netværk Side 1 af 6 Broer, skak og netværk Carsten Thomassen: Naturens Verden 10, 1992, s. 388-393. Eksempler på praktiske anvendelser af matematik og nogle uløste problemer Indledning Figur
Læs mereSandsynlighedsbaserede metoder
48 Metodeartikel Sandsynlighedsbaserede metoder Et førstehåndsindtryk med pseudotilfældige tal Daniel Kjær For nogle uger siden pålagde jeg mig selv den opgave at aflevere to artikler til Famøs om Monte
Læs mereTal. Vi mener, vi kender og kan bruge følgende talmængder: N : de positive hele tal, Z : de hele tal, Q: de rationale tal.
1 Tal Tal kan forekomme os nærmest at være selvfølgelige, umiddelbare og naturgivne. Men det er kun, fordi vi har vænnet os til dem. Som det vil fremgå af vores timer, har de mange overraskende egenskaber
Læs merez 1 = z 1z 1z 1 z 1 2 = z z2z 1 z 2 2
M å l e p u n k t R i e m a n n s k G e o m e t r i E 8 J a ko b L i n d b l a d B l a ava n d 2 5 3 6 7 5 27 oktober 28 I n s t i t u t fo r M at e m at i s k e Fag A a r h u s U n i v e r s i t e t indledning
Læs mereMatroider Majbritt Felleki
18 Rejselegatsformidlingsaktivitet Matroider Majbritt Felleki Den amerikanske matematiker Hassler Whitney fandt i 1935 sammenhænge mellem sætninger i grafteori og sætninger i lineær algebra. Dette førte
Læs mereImplikationer og Negationer
Implikationer og Negationer Frank Villa 5. april 2014 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereHvad er et tal? Dan Saattrup Nielsen
12 Det filosofiske hjørne Hvad er et tal? Dan Saattrup Nielsen Det virker måske som et spøjst spørgsmål, men ved nærmere eftertanke virker det som om, at alle vores definitioner af tal refererer til andre
Læs mereMeddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5.
Institut for Matematiske Fag arhus Universitet STTISTIK(2003-ordning) Jens Ledet Jensen Jørgen Granfeldt 2. februar 2006 Meddelelse 2 Forelæsningerne i uge 5 (30.1 5.2) Ved forelæsningen mandag den 30.
Læs mereTØ-opgaver til uge 45
TØ-opgaver til uge 45 Først laver vi en liste over de ligninger med mere i [IPT], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Ligning (2.6) på side 5. [3]: Sætning 3.1, ligning (3.3) på side 7.
Læs mereMatematik. Matematiske kompetencer
Matematiske kompetencer skelne mellem definitioner og sætninger, mellem enkelttilfælde og generaliseringer og anvende denne indsigt til at udforske og indgå i dialog om forskellige matematiske begrebers
Læs mereTrekanter. Frank Villa. 8. november 2012
Trekanter Frank Villa 8. november 2012 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion 1 1.1
Læs mereCMU PROJEKT HYPOTESETEST OG SIMULERING MICHAEL AGERMOSE JENSEN CHRISTIANSHAVNS GYMNASIUM
CMU PROJEKT HYPOTESETEST OG SIMULERING MICHAEL AGERMOSE JENSEN CHRISTIANSHAVNS GYMNASIUM FORMÅL - BEKENDTGØRELSEN STX MATEMATIK A Kompetencer anvende simple statistiske eller sandsynlighedsteoretiske modeller
Læs mereKalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Læs mereFag- og indholdsplan 9. kl.:
Fag- og indholdsplan 9. kl.: Indholdsområder: Tal og algebra: Tal - regneregler og formler Størrelser måling, beregning og sammenligning. Matematiske udtryk Algebra - teoretiske sammenhænge absolut og
Læs mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereAnalyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
Læs mereLineær Algebra, TØ, hold MA3
Lineær Algebra, TØ, hold MA3 Lad mig allerførst (igen) bemærke at et vi siger: En matrix, matricen, matricer, matricerne. Og i sammensætninger: matrix- fx matrixmultiplikation. Injektivitet og surjektivitet
Læs mereVektorfelter langs kurver
enote 25 1 enote 25 Vektorfelter langs kurver I enote 24 dyrkes de indledende overvejelser om vektorfelter. I denne enote vil vi se på vektorfelternes værdier langs kurver og benytte metoder fra enote
Læs mereMatematik. Læseplan og formål:
Matematik Læseplan og formål: Formålet med undervisningen i matematik er, at eleverne bliver i stand til at forstå og anvende matematik i sammenhænge, der vedrører dagligliv, samfundsliv og naturforhold.
Læs mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereStatistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Læs merePointen med Funktioner
Pointen med Funktioner Frank Nasser 0. april 0 c 0080. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er en
Læs mere3. klasse 6. klasse 9. klasse
Børne- og Undervisningsudvalget 2012-13 BUU Alm.del Bilag 326 Offentligt Elevplan 3. klasse 6. klasse 9. klasse Matematiske kompetencer Status tal og algebra sikker i, er usikker i de naturlige tals opbygning
Læs mereEvaluering af matematik undervisning
Evaluering af matematik undervisning Udarbejdet af Khaled Zaher, matematiklærer 6-9 klasse og Boushra Chami, matematiklærer 2-5 klasse Matematiske kompetencer. Fællesmål efter 3.klasse indgå i dialog om
Læs mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs mere