Teilsummen

Eindimensionale Analysis aus ersten Prinzipien

Nimm eine Folge und beginne, die Glieder nach und nach aufzusummieren. Nach einem Glied hast du a₁. Nach zwei a₁ + a₂. Nach drei a₁ + a₂ + a₃. Jede dieser laufenden Summen heißt Teilsumme und wird als Sₙ geschrieben – die Summe der ersten n Glieder.

Die Teilsummen bilden ihrerseits eine neue Folge (S₁, S₂, S₃, …), und wir können dieselbe Frage stellen wie in der letzten Lektion: Pendelt sich diese laufende Summe auf einen Grenzwert ein? Wenn ja, nennen wir diesen Grenzwert die Summe der Reihe.

Stelle dir ein Trinkgeldglas vor, das du immer weiter auffüllst: Jede laufende Summe ist eine Partialsumme, das Geld im Glas nach dem neuesten Beitrag. Wenn jeder Beitrag halb so groß ist wie der vorherige — wie das Hinzufügen von 1/2 + 1/4 + 1/8 + … eines Dollars — füllt sich das Glas anfangs schnell, steigt dann kaum noch und schmiegt sich an eine Obergrenze. Diese Obergrenze, die es nie ganz überschreitet, ist die Summe der Reihe, hier genau 1 Dollar.

Wo das im ML vorkommtTeilsummen kommen im maschinellen Lernen überall vor. Der kumulierte Trainingsverlust ist eine laufende Summe über die Schritte. Im Reinforcement Learning ist ein diskontierter Ertrag buchstäblich eine geometrische Reihe – künftige Belohnungen, multipliziert mit einem Verhältnis γ < 1 pro Schritt – und die Formel 1/(1 − γ) liefert dir den größtmöglichen Gesamtwert.
▶ Teilsummen
← FolgenBrücke zur Integration →