Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint

Größe: px
Ab Seite anzeigen:

Download "Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint"

Transkript

1 Vsualserung der Volatltät be der Interpolaton von Zetrehen: Excel-Makro Saffnt Norman Fckel Fredrch-Alexander-Unverstät Erlangen-Nürnberg Wrtschafts- und Sozalwssenschaftlche Fakultät Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Lange Gasse 20 D Nürnberg Abstract Häufg werden n grafschen Darstellungen Werte ener Zetrehe lnear nterpolert, um enen groben Endruck hres Verlaufs zu geben. Das Ergebns st en Streckenzug, n dem enzelne Geradenstücke anenandergehängt snd, wobe de Ausgangsdaten des Streckenzugs de Knckpunkte blden. Allerdngs wrd durch ene solche lneare Interpolaton der vsuelle Endruck ener Zetrehe mt großer Volatltät, we etwa enes Börsenkurses, nur sehr unzurechend wedergegeben, da auch zwschen den verfügbaren Kurswerten starke Schwankungen vorlegen. Es wäre daher en Verfahren wünschenswert, das statt Geradenstücken Kurvenabschntte verwendet, de rauh wrken. Dabe sollte der Grad der Rauhet parametrserbar sen, so daß sowohl der Endruck ener sehr starken Volatltät als auch ener schwachen erzeugbar st. In desem Betrag wrd dafür Barnsleys selbstaffne (oder fraktale ) Interpolaton vorgeschlagen, de Ergebns enes Iteratonsprozesses st: Gestartet wrd mt dem Streckenzug der lnearen Interpolaton. Be enem Iteratonsschrtt wrd dann jeder Kurvenabschntt durch en affn gestauchtes Bld der gesamten Kurve des vorgen Schrtts ersetzt. De Iteraton brcht ab, wenn sch n der Auflösung des Bldschrms nchts mehr ändert. Der Grad der vertkalen Stauchung st dabe n Grenzen fre wählbar und lefert den gewünschten Volatltätsparameter. Ist deser m Extremfall glech null, so wrd der Strekkenzug vertkal exakt auf en Geradenstück gestaucht, womt de selbstaffne Interpolaton mt der lnearen Interpolaton überenstmmt. Größere Werte des Parameters lefern ene rauh wrkende Interpolaton und vsualseren damt enen bestmmten Grad von Volatltät. Für de praktsche Durchführung der selbstaffnen Interpolaton exstert en Algorthmus, der sch n wengen Zelen n BASIC als Excel-Makro programmeren leß und der de drekte Berechnung enzelner Interpolatonswerte erlaubt. 1

2 Inhalt 1. Enletung Beschrebung des Iteratonsprozesses Mathematk der selbstaffnen Funktonen En teratver Interpolatonsalgorthmus En rekursver Interpolatonsalgorthmus Volatltätsmessung Schlußbemerkung Lteratur Anhang A: Beschrebung des Excel-Makros Saffnt Anhang B: BASIC-Quellcode des Excel-Makros Saffnt Inhalt der Begletdskette DEMO.XLS SAFFINT.TXT Excel 5.0-Arbetsmappe mt dem Bespel aus Anhang A BASIC-Quellcode des Excel-Makros Saffnt aus Anhang B 2

3 1. Enletung Manche Zetrehen, etwa vele Aktenkurse, wesen enen rauhen Graphen auf, d. h. de Kurven wrken gezackt. Deser Endruck blebt auch bestehen, wenn man enen kürzeren Zetraum betrachtet. In der Praxs kennt man häufg nur wenge, wet ausenanderlegende Werte der Zetrehe. Deshalb stellt sch be der grafschen Darstellung das Problem, aus en paar wengen Stützwerten Zwschenwerte so zu nterpoleren, daß de Interpolatonsfunkton m geegneten Snne rauh oder eben volatl ausseht. Sowohl mt lnearen Interpolatonsverfahren als auch mt Splnenterpolatonen kann man dese Aufgabe ncht lösen, da se nur wetgehend glatte Verläufe lefern, de für sehr kurze Zeträume sogar lnear oder annähernd lnear snd. Der vsuelle Endruck der Volatltät geht m wesentlchen verloren, de rekonstruerte Zetrehe seht ganz anders als de ursprünglche Rehe aus. Insbesondere läßt sch ene zusätzlch vorhandene Informaton über de vermutete Volatltät gar ncht grafsch darstellen. In enem stochastschen Modell würde her das Hnzufügen ener rauhen Komponente Abhlfe schaffen, de etwa aus enem weßen Rauschen bestehen kann. Dazu müßte zu der glatten Interpolatonsfunkton an jeder Stelle der Zetachse ene zentrerte, normalvertelte Zufallsvarable addert werden. Ene Volatltätsnformaton leße sch dann durch geegnete Wahl der Varanz berückschtgen. Für praktsche Zwecke haben solche stochastschen Vorgehenswesen jedoch enge Nachtele: Zum enen hängt de Qualtät der Darstellung vom verwendeten Zufallszahlengenerator ab, wobe verschedene Startwerte des Zufallszahlengenerators jewels andere Rekonstruktonen lefern. Zum anderen st das durch den Zufallszahlengenerator festgelegte Konstruktonsschema an der Grafk kaum nachzuvollzehen. En alternatves, ren determnstsches Vorgehen besteht darn, de geraden Verbndungsstücke ener lnearen Interpolaton durch rauhe Kurvenabschntte zu ersetzen. De Struktur der Rauhet wrd dabe aus den gegebenen Interpolatonsdaten n enem Iteratonsprozeß erzeugt. 3

4 2. Beschrebung des Iteratonsprozesses Ausgegangen wrd von der Größe nach angeordneten Stützstellen t 0 < t 1 <...< t n, belebgen Interpolatonswerten x 0, x 1,..., x n und enem Parameter α, welcher den Grad der Volatltät anzegt. Der Iteratonsprozeß startet mt dem Streckenzug der lnearen Interpolaton s, der an jeder Stützstelle t de Bedngung s( t ) = x erfüllt und auf allen Telntervallen [ t 1, t] lnear st. Im ersten Iteratonsschrtt wrd ene Funkton f 1 auf dem Intervall [ t 0, t n ] dadurch gebldet, daß jeder Abschntt des Streckenzug s durch en passend horzontal und mt dem Faktor α vertkal gestauchtes Abbld von s ersetzt wrd. Des läßt sch n der Form f1( t) = α sbt ( + c) + dt + e für t t < 1 t (1) schreben. Dabe snd b und c so gewählt, daß b t + 1 c = t 0 und bt + c = t n glt. De Abbldung t = bt + c streckt also das Telntervall [ t 1, t] auf das Bassntervall [ t 0, t n ]. De Werte der Hlfsgrößen d und e ergeben sch für jeden Index endeutg daraus, daß auch de Funkton f 1 de gegebenen Werte nterpoleren soll: f 1 ( t ) = x. Man erhält nämlch für jedes Paar d, e gerade de zwe Bestmmungsglechungen x 1 = α x0 + dt 1 + e und x = α xn + dt + e. 1,0 1,0 1,0 0,5 0,5 0,5 0,0 0,0 0,5 1,0 0,0 0,0 0,5 1,0 0,0 0,0 0,5 1,0 Abb. 1: En Bespel für de ersten Iteratonsschrtte be enem Volatltätsparameter 0,5 Nun kann ene Folge von Funktonen f 2, f 3, f 4,... rekursv defnert werden durch das Glechungssystem f k ( t) = α f ( k bt + c ) 1 + dt + e für t t t 1. 4

5 De Funkton wrd also abschnttswese für alle Telntervalle [ t0, t1 ], [ t, t ] 1 2,..., [ tn 1, tn] und damt auf dem ganzen Bassntervall [ t 0, t n ] endeutg defnert. Dabe gewährlestet de obge Festlegung der Hlfsgrößen gerade, daß auch an den Berührungspunkten zweer aufenanderfolgender Telntervalle de jewelgen Bedngungen wderspruchsfre snd. In Abb. 1 snd als Bespel für Stützstellen t 0 = 0 ; t 1 = 0, 3 ; t 2 = 0, 6 ; t 3 = 1 und Interpolatonswerte x 0 = 0,2 ; x 1 = 0, 6 ; x 2 = 0, 3 ; x 3 = 0, 7 be enem Vertkalfaktor α =0, 5 de Folgengleder f = 0 s, f und f dargestellt. 1 2 Vorausgesetzt der Vertkalfaktor st betragsmäßg klener als Ens, d. h. α<1, so ändert sch nach engen Iteratonsschrtten de Interpolatonsfunkton ncht mehr wahrnehmbar. Man erhält also en stables Endergebns. Ist der Vertkalfaktor dagegen m Absolutbetrag glech oder sogar größer als Ens, dann werden außerhalb der Interpolatonsstellen enge Werte mmer größer, der Iteratonsprozeß führt also zu kener brauchbaren Grenzfunkton. Außerdem st de Volatltät, also der Grad der Rauhet, um so größer, je näher der Volatltätsparamter α an 1 bzw. -1 legt. Ist er null, so wrd durch den Iteratonsprozeß der ursprünglche Streckenzug der lnearen Interpolaton mmer nur weder n sch selbst überführt, es ändert sch also nchts. Für de Daten aus dem Bespel von Abb. 1 snd de Interpolatonsfunktonen für Parameterwerte von α = 0,2; 0,5 und 0,8 n Abb. 2 zu sehen. Dabe wurden, um de Stabltät des Prozesses zu errechen, jewels zehn Iteratonsschrtte durchgeführt. 1,0 1,0 1,0 0,5 0,5 0,5 0,0 0,0 0,5 1,0 0,0 0,0 0,5 1,0 0,0 0,0 0,5 1,0 Abb. 2: Bespele des Iteratonsergebnsses für verschedene Werte des Volatltätsparameters 5

6 Obge Beschrebung des Iteratonsprozesses läßt sch zwar drekt als Computerprogramm mplementeren, doch st des zemlch umständlch, da n jedem Iteratonsschrtt de gesamte Funkton als Streckenzug m Hauptspecher zu halten st. Besonders unvortelhaft st des, wenn gezelt en Wert der Interpolatonsfunkton bestmmt werden soll, da dazu zunächst de Berechnung für den gesamten Defntonsberech erforderlch st, aus dem dann erst der gesuchte Wert abgegrffen werden kann. De Grundlage für effzentere und enfacher zu programmerende Algorthmen wrd durch ene mathematsche Analyse der Egenschaften des Iteratonsergebnsses geschaffen, den sogenannten selbstaffnen Funktonen. 3. Mathematk der selbstaffnen Funktonen Wenn sch der Iteratonsprozeß stablsert hat, also f () t f 1 () t glt, so heßt das nach der rekursven Festlegung der Folgengleder gerade, daß sch für hnrechend große Indzes k de Näherung f k ( t) α f ( bt + c ) + dt + e k machen läßt. Dese Funktonalglechung besagt, daß sch der Verlauf von f k auf jedem Telntervall [ t 1, t] von dem auf dem Bassntervall [ t 0, t n ] nur durch ene lneare Komponente unterschedet. Oder anders gesagt: De Funkton geht durch ene affne Transformaton n sch selbst über. Des se her der Anlaß, Funktonen, für de solch ene Egenschaft exakt glt, besonders zu benennen: Defnton: Se n IN und t 0, t 1,..., t n IR mt t 0 < t 1 <...< t n, sowe α IR. Für jedes = 1,..., n seen b und c so gewählt, daß b t + 1 c = t 0 und bt + c = t n gelten. Dann heßt ene Funkton f: [t 0, t n ] IR selbstaffn mt Stützstellen t 0, t 1,..., t n und Vertkalfaktor α, wenn auf jedem Telntervall [ t 1, t] de Abbldung t = f() t α f( bt + c ) (2) lnear st. Das heßt, falls es Zahlen d und e gbt mt f() t α f( bt + c ) = d t + e für t t t k k 1. Offenschtlch snd nsbesondere alle lnearen Funktonen selbstaffn, da n der Zuordnung (2) rechts ene Verkettung lnearer Abbldungen steht, de ja stets weder ene lneare Abbldung lefert. Außerdem st jede Summe und jedes skalare Velfache selbstaffner Funktonen zu festen Stützstellen und enem festen Vertkalfaktor we- 6

7 der selbstaffn. De selbstaffnen Funktonen blden also enen Vektorraum, was hre funktonalanalytsche Betrachtung verenfacht (vgl. Fckel 1988). Ene selbstaffne Funkton st nach hrer Defnton de Lösung enes Funktonalglechungssystems, für das Barnsley (1986) enen Exstenz- und Endeutgketssatz gefunden hat: Satz 1: Seen t 0 < t 1 <...< t n reelle Zahlen, seen weter x 0, x 1,..., x n IR und α<1. Dann exstert genau ene beschränkte Funkton f: [t 0, t n ] IR mt 1. f st selbstaffn mt Stützstellen t 0, t 1,..., t n und Vertkalfaktor α, 2. f(t ) = x für = 0,..., n. Zusätzlch st dese Funkton f stetg. Bewesskzze: Der Bewes st ene drekte Anwendung des Fxpunktsatzes von Banach (vgl. auch Hutchnson 1981: 730 f.). Als zugrundelegender Funktonenraum wrd dazu de Menge aller beschränkten Funktonen auf dem Intervall [ t 0, t n ] gewählt. Darauf st en Operator T defnert, der ene Funkton g deses Raumes weder n ene beschränkte Funkton Tg abbldet. De Zuordungsvorschrft g = Tg des Operators besteht dabe gerade aus der abschnttswesen Defnton Tg( t) = α gbt ( + c) + dt+ e für t t t 1. De Parameter b, c, d und e snd herbe we be Glechung (1) gewählt. Da α<1, st der Operator T bezüglch der Supremumsmetrk ene kontraherende Abbldung, weshalb nach Banachs Satz der Operator genau enen Fxpunkt f bestzt. Aus der Egenschaft Tf = f folgt nun unmttelbar de erste Bedngung des Satzes, und aus der spezellen Wahl der Parameter d und e kann sene zwete Bedngung abgeletet werden. Da mt g auch stets Tg stetg st, läßt sch der Operator auf den Raum aller stetgen Funktonen enschränken, weshalb de Fxpunktfunkton f automatsch stetg st. Q. e. d. Aus dem Bewes folgt nsbesondere, daß der Iteratonsprozeß aus Abschntt 2 bezüglch der Supremumsmetrk, also glechmäßg, gegen de selbstaffne Grenzfunkton konvergert. De Konvergenzgeschwndgket ergbt sch dabe aus der Abschätzung mt ener Konstanten C. max fk ( t) f( t) Cα k für k = 1,2, 3,... t 7

8 Satz 1 zegt auch, daß ene selbstaffne Funkton allene durch de zugehörge Funktonalglechung endeutg bestmmt wrd, und es daher gar ncht nötg st, de Iteraton mt dem Streckenzug der lnearen Interpolaton zu begnnen. Jede beschränkte Startfunkton führt zum selben Ergebns, wobe sch bem Konvergenzverhalten nur de Konstante C ändert. Des ermöglcht de Entwcklung sehr unterschedlcher Interpolatonsalgorthmen, de ganz anders als der ursprünglche Iteratonsprozeß arbeten können. 4. En teratver Interpolatonsalgorthmus Se für ene bestmmte Stelle t der Interpolatonswert f ( t) zu berechnen. Dafür st es zunächst nötg, de Poston der Stelle m Bassntervall [ t 0, t n ] bezüglch den Ausgangsstellen t 0, t 1,..., t n zu bestmmen. Für den ersten Iteratonsschrtt genügt es zu wssen, n welchem Telntervall [ t 1, t] se legt. Se der zugehörge Index mt 1 bezechnet. Im zweten Iteratonsschrtt benötgt man de Poston von t n [ t, t ] bezüglch den transformerten Stellen ( t c )/ b, ( t c )/ b,..., ( t c 1 )/ b 1. Se n der Index des zugehörgen Tel-Telntervalls dann mt 2 benannt. Deses Vorgehen läßt sch wederholen, bs alle nötgen Indzes 1, 2,..., k gefunden snd. Da de Telntervalle für hnrechend vele Iteratonschrtte k belebg kurz werden, konvergert also de rechte (und auch de lnke) Telntervallgrenze gegen de Stelle t. Bezechnet man de Intervallgrenzentransformaton mt L ( s ) = ( s c )/ b, so glt also mt wählbarer Genaugket t L ( L (... L ( t ))). 1 2 k n De Indzes 1, 2,..., k snd so de Adresse von t bezüglch der Stützstellen t 1,..., t n. De Idee der Adressen st ene Verallgemenerung der Dezmalbruchentwcklung ener reellen Zahl: Für de spezellen Stützstellen t = /10 mt = 0, 1,..., 10 entsprcht de Folge der Indzes gerade den Zffern hnter dem Komma von t m Intervall [ 0; 1 ]. Bespelswese erhält man für t = 0,583 de Indzes 1 = 5, 2 = 8 und 3 = 3. Ist nun de Folge der Indzes berets bestmmt, so kann man den gesuchten Funktonswert als wederholte Hnterenanderausführung von Hlfsabbldungen unmttelbar angeben. De Indexwerte steuern dabe de Auswahl der jewels anzuwendenden Varante: f ( t) W ( W (... W ( t, x ))). 1 2 k n n 2 De Hlfsfunktonen W, de Paare reeller Zahlen auf Paare abblden, snd dazu durch W (, s y ) = ( s c b, y d s c α + e b ) +

9 festgelegt (de tefgestellte 2 bezechnet de zwete Komponente des resulterenden Paares). Des folgt wegen der Stetgket selbstaffner Interpolatonsfunktonen aus folgendem Lemma, welches mttels Indukton drekt herletbar st: Lemma: Se f:[ t0, tn ] IR ene selbstaffne Interpolatonsfunkton mt Stützstellen t 0 < t 1 <...< t n und Vertkalfaktor α<1. Für x = f( t) seen de Parameter b, c, d, e und damt de Hlfsabbldungen W we oben defnert. Dann lefert jede Folge von Indzes 1, 2,..., k durch ( t, x ) = W ( W (... W ( t, x ))) 1 2 k n n stets enen Punkt auf dem Graphen von f, d. h. der Interpolatonswert an der Stelle t st x = f ( t). Ene möglche Implementerung könnte also aus zwe Schrtten bestehen: Im ersten Schrtt wrd de Adresse der Interpolatonsstellen mttels ener Intervallschachtelung bestmmt und n enem Vektor ( 1, 2,..., k ) abgespechert. Anschleßend steuert der Vektor de Berechnung des Interpolatonswertes. De verwendete Programmersprache muß dazu nur de Verwaltung von Vektoren unterstützen, ncht jedoch rekursve Funktonsaufrufe. 5. En rekursver Interpolatonsalgorthmus Der her vorgestellte Algorthmus erfordert ene Programmersprache, de rekursve Funktonsaufrufe unterstützt, we etwa PASCAL, C oder neuere Dalekte von BASIC. Denn dann kann de selbstaffne Funktonalglechung drekt verwendet werden. Des läßt sch nämlch mt folgender rekursv defnerten Hlfsfunkton f rec (, t k) bewerkstellgen: f rec (, t k) = rec α f ( bt + c, k 1) + dt + e falls k > 0 xn falls k = 0, wobe der Index so gewählt wrd, daß t t 1 t glt. In Abb. 3 st de Funktonsdefnton konkret als Struktogramm dargestellt. Der Parameter k gbt dabe de Anzahl der noch durchzuführenden Rekursonsschrtte an. Ist er null, so st der Funktonswert unabhängg vom Argument t stets de Konstante x n. Daß se auch tatsächlch selbstaffn nterpolert, zegt folgender Satz 2: Se f:[ t0, tn ] IR de selbstaffne Interpolatonsfunkton zu den Stützstellen t 0 < t 1 <...< t n und Werten x = f( t) be enem Vertkalfaktor α<1. Se damt de rekursve Hlfsfunkton f rec we oben defnert. Dann konvergeren mt wachsender Re- 9

10 kursonstefe de Hlfsfunktonswerte gegen de Interpolatonswerte, d. h. es glt für t 0 t t n stets rec f ( t) = lm f ( t, k). k Bewes: Mt dem Operator T aus dem Bewes von Satz 1 läßt sch de Defnton der rekursven Hlfsfunkton enfach als Anwendung deses Operators auf de Hlfsfunkton mt ener um Ens verrngerten Rekursonstefe schreben. Denn es glt, wenn man f rec ( k t ) = f rec rec (, t k) setzt, de Glechhet Tf k 1 = f rec k. Wählt man dann für k = 0 de konstante Startfunkton f rec 0 ( t) = x n, so st f rec k k = T f rec 0. Da T wegen α<1 kontraherend st, konvergert de Funktonenfolge f rec 1, f rec 2, f rec 3,... glechmäßg gegen de Interpolatonsfunkton f. Daraus folgt de behauptete punktwese Konvergenz. Q. e. d. := 1 Solange t < t := + 1 Ja s := b t + c k > 0 Nen f rec (, t k) := α f rec (, s k 1 ) + d t + e f rec (, t k) := x n Abb. 3: Struktogramm des rekursven Prozedurtels Be der Programmerung deses Algorthmus st es, um ene hohe Effzenz zu erzelen, snnvoll, de Berechnung der Parameter b, c, d, e ganz zu Begnn enmal durchzuführen und anschleßend de Hlfsfunkton auf alle gewünschten Interpolatonsstellen n enem Durchgang anzuwenden. De über de Schnttstelle des Programmersystems beretgestellte Prozedur hat dann folgende Parameter (vgl. Anhang A): 1. de Interpolatonsstellen als enen Vektor ( t 0, t 1,..., t n ) reeller Zahlen, 2. de Interpolatonswerte als enen Vektor ( x 0, x 1,..., x n ) reeller Zahlen, 3. de zu nterpolerenden Stellen als enen Vektor ( s 1, s 2,..., s m ) reeller Zahlen (für m = 1 st nur en Funktonswert gewünscht), 10

11 4. der Vertkalfaktor als reelle Zahl α, 5. de Rekursonstefe als ganze Zahl k. Von der Prozedur werden dann de nterpolerten Werte ( y 1, y 2,..., y m ) berechnet, we n Abb. 4 als Struktogramm dargestellt st. Für := 1 bs n b := t t t t n 0 1, c := t b t n d := x x x x 1 α( n 0), e := x α x dt t t Für j := 1 bs m y j := f rec ( sj, k) 1 n Abb. 4: Struktogramm der Rahmenprozedur Abb. 5 zegt en Anwendungsbespel für de selbstaffne Interpolaton. Lnks st der tagesgenaue Kurs der Bayerakte m Zetraum vom bs zum dargestellt. Rechts snd aus den Informatonen über de Kurswerte am , , , , , , und (mt den Randtagen also n + 1 = 10 Stützstellen) und enem Volatltätsparameter von α =0, 3 de tagesgenauen fehlenden Werte nterpolert. Der Volatltätsparameter wurde dabe durch Ausproberen manuell so gewählt, daß de ursprünglche Volatltät möglchst gut rekonstruert wrd. Falls be der Anwendung kene numersche Volatltätsnformaton vorlegt, so kann als Standardwert α =0, 5 verwendet werden. Es geht ja her darum, den vsuellen Endruck zu optmeren. Grundsätzlch st allerdngs enschränkend zu bemerken: Wrd de Approxmatonsgüte durch en formales Maß, we etwa de Fehlerquadratsumme beurtelt, so betet de selbstaffne Interpolaton wohl kenen Vortel. Dann dürfte sogar ene lneare Interpolaton mndestens glech gute Ergebnsse lefern. Alle Grafken n desem Aufsatz wurden mt Vsual-BASIC für Mcrosoft Excel der Verson 5 erstellt. Das zugehörge Excel-Makro Saffnt st n Anhang A beschreben und sen Quellcode n Anhang B aufgelstet. 11

12 450 DM 450 DM 350 DM 350 DM 250 DM 250 DM 150 DM DM Abb. 5: Tagesgenauer Aktenkurs der Bayer AG (lnks) und sene selbstaffne Interpolaton mt Volatltätsparameter 0,3 (rechts) 6. Volatltätsmessung En Vertkalfaktor α kann als Volatltätsparameter nach dem vsuellen Endruck manuell gefunden werden. Sen konkret gewählter Zahlenwert st dabe allerdngs von den Interpolatonsdaten abhängg und daher ncht ohne weteres auf ähnlche Probleme, we etwa ener anderen Wahl der Stützstellen, übertragbar. Möchte man des jedoch errechen, so muß der Volatltätsparameter geegnet standardsert werden. Von verschedenen möglchen Meßkonzepten für de Volatltät ener Zetrehe wrd her der Höldersche Exponent verwendet. Er beschrebt n gewsser Wese, we stark de Zetrehe von enem glatten m mathematschen Snne dfferenzerbaren Verlauf abwecht. Der Höldersche Exponent ener Funkton g st das Supremum aller postven Zahlen δ 1, für de der Dfferenzenquotent gs () gt () s t δ dem Betrag nach für alle s, t beschränkt blebt. Es glt dann stets de Abschätzung gs () gt () Ds t mt ener Konstanten D. Man beachte, daß jede dfferenzerbare Funkton auf hrem Defntonsntervall [ t 0, t n ] enen Hölderschen Exponenten von δ =1 hat. Der Exponent läßt sch auf verschedene Arten schätzen, unter der Annahme enes Gaußschen Prozesses bespelswese durch das Abzählen von Nveau-Überquerungen (vgl. Feuerverger u. a. 1994). δ 12

13 Für ene selbstaffne Interpolatonsfunkton kann der Höldersche Exponent drekt angegeben werden: Setzt man b = max b und glt α>1 / b, so beträgt er δ = log( 1 α ), (3) log b sofern ncht alle Interpolatonspunkte auf ener Geraden legen. In allen anderen Fällen st der Exponent glech 1 (vgl. Bedford 1989, Fckel 1988). Für betragsmäßg klene Volatltätsparameter α<<1 / b st de Interpolatonsfunkton also glatt. Je größer über dese Schranke hnaus der Parameter wrd, desto gernger st dann der Höldersche Exponent. Ist also für ene Zetrehe der Höldersche Exponent δ als Volatltätsmaß dentfzert, so kann de Wahl des Vertkalfaktors α automatsert werden: Man muß nur Glechung (3) nach dem Vertkalfaktor auflösen und erhält dann als Wahlmöglchket α = ± e δ log b. (4) Wurde für ene Zetrehe we m Bespel von Abb. 5 der Vertkalfaktor durch Proberen vsuell bestmmt, sollen jedoch andere Stützstellen verwendet werden, so kann man we folgt verfahren: Zunächst wrd zu den alten Stützstellen mt Glechung (3) der Höldersche Exponent berechnet (her glt b = 89,7 und damt δ = 0,27), dann wrd für de neuen Stützstellen der Vertkalfaktor gemäß Formel (4) festgelegt. Be desem Vorgehen st der Höldersche Exponent nur ene Hlfsgröße, er dent her nur mttelbar als konkretes Volatltätsmaß. Weterführend wäre es dazu nteressant, mttels Versuchspersonen n Befragungen emprsch zu überprüfen, welche formalen Maße besonders hoch mt ener vsuell empfundenen Volatltät korreleren. 7. Schlußbemerkung De Vsualserung der Volatltät be der Interpolaton ermöglcht zu veranschaulchen, we ene Zetrehe ausgesehen haben dürfte, wenn m zetlchen Verlauf Beobachtungen kontnuerlch gemacht worden wären. (Chatterjee/Ylmaz 1992: 135, übers. N.F.). Dazu hat de Anwendung der selbstaffnen Interpolaton be Verwendung des her dargestellten Algorthmus folgende Vortele: Der Grad der Volatltät kann entweder manuell durch Ausproberen oder durch en formales Volatltätsmaß festgelegt werden. Dabe wrd der Graph determnstsch konstruert, d. h. en Zufallszahlengenerator wrd ncht benötgt. So st de grafsche Darstellung unabhängg von der Hardwarekonfguraton, da nur enge Parameter und kene Pxels zu spechern snd. Zudem st das Konstruktonsschema anschaulch an der Grafk als selbstaffne Struktur nachvollzehbar und es 13

14 hängt nur von den vorgegebenen Interpolatonspunkten und dem vorgegebenen Volatltätsgrad ab. Offen st allerdngs noch de Frage, welche Bezehung zu ARCH- und GARCH- Ansätzen oder ähnlchen Modellerungen der Volatltät besteht (vgl. Lütkepohl 1996). Abschleßend se nochmals bemerkt, daß de selbstaffne Interpolaton wenger en Hlfsmttel st, um bestmmte fehlende Ausprägungen ener Zetrehe zu schätzen. De Gesamthet aller nterpolerten Werte vsualsert jedoch auf anschaulche Art ene vorhandene Volatltätsnformaton. Damt läßt sch bem Betrachten ener so rekonstruerten Kurve m Untersched zur lnearen Interpolaton wahrnehmen, we volatl hr tatsächlcher Verlauf gewesen sen könnte. An deser Stelle möchte ch mch be den Professoren Gerd Hansen und Jürgen Wolters bedanken, de mr de Möglchket gegeben haben, obge Ideen auf dem Workshop für Angewandte Ökonometre n Berln zu dskuteren. Außerdem danke ch Gunnar Bönte, der mr de Daten für Abb. 5 beretgestellt hat, und Prof. Segfred Maaß für wertvolle Hnwese. Lteratur Barnsley, Mchael F. "Fractal functons and nterpolaton". Constructve Approxmaton 2 (1986): Barnsley, Mchael F. Fraktale: Theore und Praxs der Determnstschen Geometre. Hedelberg: Spektrum, Bedford, Tm. "Hölder exponents and box dmenson for self-affne fractal functons". Constructve Approxmaton 5 (1989): Chatterjee, Sangt, u. Mustafa R. Ylmaz. "Use of estmated fractal dmenson n model dentfcaton for tme seres". Journal of Statstcal Computaton and Smulaton 41 (1992): Feuerverger, Andrey, Peter Hall u. Andrew T. A. Wood. "Estmaton of fractal ndex and fractal dmenson of a Gaussan process by countng the number of level crossngs". Journal of Tme Seres Analyss 15 (1994): Fckel, Norman. Selbstaffne Interpolaton. Dplomarbet. Erlangen: Unverstät Erlangen-Nürnberg, Hutchnson, John E. "Fractals and self smlarty". Indana Unversty Mathematcs Journal 30.5 (1981): Lütkepohl, Helmut. Statstsche Modellerung von Volatltäten. Dskussonspaper zur Quantfkaton und Smulaton ökonomscher Prozesse 70/1996. Berln: Humboldt- Unverstät,

15 Anhang A: Beschrebung des Excel-Makros Saffnt Nachfolgend st das Excel-Makro Saffnt als benutzerdefnerte Tabellenfunkton für Mcrosoft Excel 5.0 m Stle der zugehörgen Hlfefunkton beschreben. SAFFINT Lefert Werte, de sch durch ene selbstaffne Interpolaton ergeben. Dese Funkton nterpolert de n den Vektoren Y_Werte und X_Werte übergebenen Werte und gbt als Ergebns de y-werte, de zu den n Neue_x_Werte angegebenen x-werten gehören, zurück. Syntax SAFFINT(Y_Werte; X_Werte; Neue_x_Werte; Vertkalfaktor; Rekursonstefe) Y_Werte snd de y-werte, de Se zur Interpolaton vorgeben. Der Berech Y_Werte darf nur aus ener Spalte bestehen. De maxmale Zelenanzahl beträgt 20. X_Werte snd de x-werte, de Se zur Interpolaton vorgeben. Der Berech X_Werte darf nur aus ener Spalte bestehen und muß ebenso vele Zelen we Y_Werte bestzen. Neue_x_Werte snd de neuen x-werte, für welche de Funkton SAFFINT de zugehörgen y-werte lefern soll. Der Berech Neue_x_Werte darf nur aus ener Spalte bestehen und kann 1 bs Zelen bestzen. Vertkalfaktor st der Streckungsfaktor, mt dem de Interpolatonsdaten vertkal gestaucht werden. Der Vertkalfaktor muß en Wert zwschen -1,0 und 1,0 sen (vom Betrag echt klener als 1,0). Ist Vertkalfaktor ncht angegeben, so wrd mt dem Wert 0,5 gerechnet. Statt enem enzgen Wert kann Vertkalfaktor auch en Vektor (Berech mt ener Spalte) sen, der genau en Element wenger als der Vektor X_Werte bzw. Y_Werte enthält. Be enem Vertkalfaktor glech 0,0 berechnet SAFFINT ene lneare Interpolaton. Rekursonstefe st de Anzahl der Rekursonsschrtte, de be der Berechnung ausgeführt werden. Wrd de selbstaffne Interpolaton grafsch dargestellt, so muß de Rekursonstefe desto größer sen, je höher de Auflösung des Dagramms st. Ist Rekursonstefe ncht angegeben, so wrd der Wert 5 verwendet. Hnwes Formeln, de als Ergebns ene Matrx lefern, müssen als Matrxformel engegeben werden. Des trfft be SAFFINT zu, falls der Berech Neue_x_Werte mehr als ene Zele umfaßt. Bespel Angenommen, für ene grafsche Präsentaton soll der Aktenkurs des letzten Halbjahres enes Unternehmens dargestellt werden. Zur Verfügung stehen aber als y-werte nur de Kurswerte an den Monatsanfängen, de m Berech B1:B7 abgelegt snd. Der Berech C1:C182 enthält de Datumszahlen vom 1. Januar bs zum 30. Jun: 15

16 A B C D DM DM DM DM DM DM DM Wrd de folgende Anwesung als enspaltge Matrx n den Berech D1:D182 engegeben, lefert se de selbstaffne Interpolaton des Aktenkurses für das erste Halbjahr 1996 mt Vertkalfaktor 0,4: SAFFINT(B1:B7;A1:A7;C1:C182;0,4) ergbt {304,0; 294,2;...; 276,7} Markeren Se nun den Berech C1:D182 und starten Se den Dagramm-Assstenten, so können Se de erzeugte Zetrehe grafsch darstellen: 330,0 320,0 310,0 300,0 290,0 280,0 270,0 260,0 250,0 240, Verwandte Funktonen (n Excel 5.0) TREND VARIATION Berechnet ene Regressonsgerade nach der Methode der klensten Quadrate. Ist mt TREND verglechbar, paßt den jewelgen Daten aber ene Exponentalkurve an. 16

17 Anhang B: BASIC-Quellcode des Excel-Makros Saffnt Der nachfolgende Quellcode st n Abschntt 5 mttels Struktogrammen dokumentert. ' Selbstaffne Interpolaton Opton Explzt ' Vorenstellungen Konst vor_vertkalfaktor = 0,5 Konst vor_rekursonstefe = 5 Konst NMAX = 20 Konst MMAX = 1000 ' Obergrenze für n ' Obergrenze für m ' Zu berechnende Hlfsgrößen Dm n Als Ganz ' Anzahl der Stützstellen ' (um Ens verrngert) Dm m Als Ganz ' Anzahl der neuen x-werte ' (um Ens verrngert) Dm x(nmax) Als Doppelt ' Stützstellen Dm y(nmax) Als Doppelt ' Werte Dm alpha(nmax) Als Doppelt ' Vertkalfaktor(en) Dm b(nmax) Als Doppelt Dm c(nmax) Als Doppelt Dm d(nmax) Als Doppelt Dm e(nmax) Als Doppelt ' *** Subprozedur zum Berechnen der Hlfsgrößen *** Prvat Sub Berhlf() Dm Als Ganz ' Schlefenndex Dm dx Als Doppelt Dm dy Als Doppelt dx = x(n) - x(0) dy = y(n) - y(0) Für = 1 Bs n b() = dx / (x() - x( - 1)) c() = x(n) - b() * x() d() = (y() - y( - 1) - alpha() * dy) _ / (x() - x( - 1)) e() = y() - alpha() * y(n) - d() * x() Nächste Ende Sub 17

18 ' *** rekursve Hlfsfunkton *** Prvat Funkton SaffRekursv(x_ Als Doppelt; _ r Als Ganz) Als Doppelt Dm Als Ganz Dm x_nv Als Doppelt Wenn x_ > x(n) Dann = n Sonst = 1 Solange x() < x_ = + 1 EndeSolange Ende Wenn Wenn r > 0 Dann x_nv = b() * x_ + c() SaffRekursv = alpha() * SaffRekursv(x_nv; r - 1) _ + d() * x_ + e() Sonst SaffRekursv = y(0) Ende Wenn Ende Funkton ' *** Rahmenprozedur *** Funkton SaffInt(Y_Werte Als Varant; _ X_Werte Als Varant; _ Neue_x_Werte Als Varant; _ Optonal Vertkalfaktor Als Varant; _ Optonal Rekursonstefe Als Varant) Als Varant Dm Als Ganz Dm j Als Ganz Dm Neue_y_Werte(MMAX; 0) Als Doppelt Dm r Als Ganz Dm Anzahl_Alphas Als Ganz n = Anwendung.Anzahl(Y_Werte) - 1 m = Anwendung.Anzahl(Neue_x_Werte) - 1 Wenn IstFehlend(Vertkalfaktor) Dann Anzahl_Alphas = 1 alpha(1) = vor_vertkalfaktor SonstWenn IstZahl(Vertkalfaktor) Dann Anzahl_Alphas = 1 alpha(1) = Vertkalfaktor Sonst Anzahl_Alphas = n alpha(1) = Vertkalfaktor(1) Ende Wenn 18

19 Wenn IstFehlend(Rekursonstefe) Dann r = vor_rekursonstefe Sonst r = Rekursonstefe Ende Wenn x(0) = X_Werte(1) y(0) = Y_Werte(1) Für = 1 Bs n x() = X_Werte( + 1) y() = Y_Werte( + 1) Wenn Anzahl_Alphas = 1 Dann alpha() = alpha(1) Sonst alpha() = Vertkalfaktor() Ende Wenn Nächste Rufe Berhlf Für j = 0 Bs m Neue_y_Werte(j; 0) = _ SaffRekursv(Neue_x_Werte(j + 1); r) Nächste j SaffInt = Neue_y_Werte Ende Funkton 19

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Einführung in die Finanzmathematik

Einführung in die Finanzmathematik 1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg

Mehr

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen. IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik) Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:

Mehr

Netzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008

Netzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008 Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Datenträger löschen und einrichten

Datenträger löschen und einrichten Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe

Mehr

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog 60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren

Mehr

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften

Mehr

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Zinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung

Zinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14 E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

MULTIVAC Kundenportal Ihr Zugang zur MULTIVAC Welt

MULTIVAC Kundenportal Ihr Zugang zur MULTIVAC Welt MULTIVAC Kundenportal Ihr Zugang zur MULTIVAC Welt Inhalt MULTIVAC Kundenportal Enletung Errechbarket rund um de Uhr Ihre ndvduellen Informatonen Enfach und ntutv Hlfrech und aktuell Ihre Vortele m Überblck

Mehr

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung Software Oberkategore Unterkategore Kompetenzstufe Voraussetzung Kompetenzerwerb / Zele: InDesgn CS4 Layoutgestaltung Erste Schrtte - Anlegen enes Dokumentes I a (Enfache Nutzung) kene N o 1a Umgang mt

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

Bildverarbeitung Herbstsemester 2012. Bildspeicherung

Bildverarbeitung Herbstsemester 2012. Bildspeicherung Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Einführung in die numerische Mathematik

Einführung in die numerische Mathematik Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft

Zukunft der Arbeit Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft "Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012

Mehr

Leitliniengerechte psychosoziale Versorgung aus der Sicht des Krankenhausmanagements

Leitliniengerechte psychosoziale Versorgung aus der Sicht des Krankenhausmanagements Unser Auftrag st de aktve Umsetzung der frohen Botschaft Jesu m Denst am Menschen. Ene Herausforderung, der wr täglch neu begegnen. Mt modernster Technk und Kompetenz. Und vor allem mt Menschlchket. Letlnengerechte

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene

Mehr

n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ).

n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ). 5 Interpolaton 5.1 De Lagrangesche Interpolatonsaufgabe Mt È n bezechnen wr den Raum der reellen Polynome vom Grad n. Gegeben seen n+1 verschedene Stützstellen x j Ê, j = 0,...,n, und n + 1 ncht notwendg

Mehr

d da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb

d da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

16. Vorlesung Sommersemester

16. Vorlesung Sommersemester 16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

Numerische Methoden II

Numerische Methoden II umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n. Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle

Mehr

=, grad Z(s) = m n = grad N(s).

=, grad Z(s) = m n = grad N(s). 4 7... Stabltätsprüfung anhand der Übertragungsfunkton (.9) leferte den Zusammenhang zwschen der Gewchtsfunkton g(t) und der Übertragungsfunkton G(s) enes lnearen zetnvaranten Systems G (s) { g ( t)}.

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

1 - Prüfungsvorbereitungsseminar

1 - Prüfungsvorbereitungsseminar 1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten

Mehr

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen

Mehr

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr