Extremwertverteilungen

Größe: px
Ab Seite anzeigen:

Download "Extremwertverteilungen"

Transkript

1 Seminar Statistik Institut für Stochastik 12. Februar 2009

2 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

3 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

4 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

5 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

6 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

7 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel Darstellung von multivariaten, max-stabilen Verteilungsfunktionen Darstellung mit Exponentenmaß De Haan-Resnick Darstellung

8 Sei X 1, X 2, X 3,... eine Folge von iid ZVen mit gemeinsamer Verteilungsfunktion F. Definition Stichprobenmaximum M 1 := X 1 und M n := max(x 1,..., X n ), n 2 Definition Rechter Endpunkt x F := sup{x IR : F(x) < 1} Definition: Tail F := 1 F

9 Wir erhalten damit sofort für alle x < x F, P(M n x) = F n (x) 0, n und in dem Fall x F < erhalten wir für x x F, daß P(M n x) = F n (x) = 1. P Daher M n xf für n, falls x F ist. Weil die Folge (M n ) nicht absteigend ist in n, konvergiert sie fast sicher und daher schließen wir, daß M n f.s. x F, n.

10 Zentraler Grenzwertsatz Sei (X k ) k IN eine Folge von reellen unabhängig identisch verteilten (iid) Zufallsvariablen mit IEX 2 k < und Var(X i) > 0, dann gilt n k=1 X k niex 1 nvarx1 d N(0, 1).

11 In der Extremwertheorie stellt man sich die Frage, ob für das Maximum von unabhängig identisch verteilten ZV (X n ) n IN mit Verteilungsfunktion F eine Art ZGWS existiert, d.h. existieren Folgen c n > 0, d n IR, so dass c 1 n (M n d n ) d G, wobei G eine Verteilungsfunktion ist.

12 Definition Maxstabile Verteilung Eine ZV X (und ihre dazugehörige Verteilungsfunktion) nennen wir Maxstabil, wenn sie die Gleichung max(x 1,..., X n ) d = c n X + d n, n > 0, d n IR n 2. für iid X, X 1,...,X n und geeignete Konstanten c n und d n erfüllt.

13 Grenzwerteigenschaften Grenzwerteigenschaften von Maxstabilen Gesetzen Die Klasse der max-stabilen Verteilungen stimmt mit der Klasse aller möglichen Grenzverteilungen für Maxima von iid ZVen überein.

14 Für zwei ZV X und Y schreiben wir X d = Y wenn X, Y die gleiche Verteilung haben. Zwei ZV gehören zum selben Typ, falls Konstanten existieren a IR und b > 0 so dass. X d = by + a

15 Konvergenztypen-Theorem Seien A, B, A 1, A 2,... ZVen und b n > 0, β n > 0 und a n, α n IR sind Konstanten. Wenn dann gilt die Relation genau dann wenn b 1 n (A n a n ) d A, β 1 n (A n α n ) d B, (1) b n a n α n lim = b [0, ), lim = a IR, (2) n β n n β n

16 Konvergenztypen-Theorem Falls (1) gilt, dann ist B d = ba + a und a,b sind die einzigen Konstanten für welche dies gilt. Wenn (1) gilt, dann ist A nicht-entartet genau dann wenn b > 0, und dann gehören A und B zum selben Typ.

17 Fisher-Tippett Theorem, Grenzwertsatz von Maxima Sei (X n ) eine Folge von iid ZVen. Falls Normierungskonstanten c n > 0, d n IR existieren und eine Verteilungsfunktion H, so dass c 1 n (M n d n ) d H, dann gehört H zu einem der drei folgenden Typen von Verteilungsfunktionen:

18 Fisher-Tippett Theorem, Grenzwertsatz von Maxima { 0, x 0 Fréchet: Φ α (x) = exp ( x α α > 0. { ), x > 0 exp { ( x α )}, x 0 Weibull: Ψ α (x) = α > 0. 1, x > 0 Gumbel: Λ(x) = exp{ e x } x IR

19 Beweis impliziert für t > 0, c 1 n (M n d n ) d H, F [nt] (c [nt] x + d [nt] ) H(x), x IR wobei[*] die Gaußklammer bezeichnet. Jedoch, F [nt] (c n x + d n ) = (F n (c n x + d n )) [nt] n H t (x), mit dem Konvergenztypen Theorem folgt dann: Es existieren Funktionen γ(t) > 0, δ(t) IR die lim n c n c [nt] = γ(t), d n d [nt] lim = δ(t), t > 0 n c [nt]

20 Beweis-Fortsetzung: H t (x) = H(γ(t)x + δ(t)) Es ist nicht schwierig daraus zu folgern, daß für s, t > 0 γ(st) = γ(s)γ(t), δ(st) = γ(t)δ(s) + δ(t).

21 Beispiel: Sei (X i ) eine Folge von iid Standard-Cauchy-ZV. Die Standard-Cauchy-Verteilung ist absolut stetig mit der Dichte: Mit l Hospital erhalten wir lim n f (x) = (π(1 + x 2 )) 1, x IR F (x) = lim (πx) 1 n f (x) π 1 = lim x 2 n Damit erhalten wir F (πx) 1. Dies impliziert: ( P M n nx π ) = ( 1 F exp{ x 1 } = Φ 1 (x), x > 0 πx 2 π(1 + x 2 ) = 1, ( )) nx n ( = 1 1 ( )) 1 n π n x + o(1)

22 MDA Fréchet MDA Weibull MDA Gumbel Defintion Wir sagen daß die ZV X (die Verteilungsfunktion F von X, Die Verteilung von X) zu dem gleichem Maximum Domain of Attraction der Extremwertverteilung H gehört, falls Konstanten c n > 0, d n IR existieren, so dass cn 1 (M n d n ) d H gilt. Wir schreiben X MDA(H)

23 MDA Fréchet MDA Weibull MDA Gumbel Poisson-Approximation Für gegebenes τ [0, ] und eine Folge (u n ) von reellen Zahlen sind folgende Aussagen Äquivalent. nf(u n ) τ, P(M n u n ) exp ( τ),

24 MDA Fréchet MDA Weibull MDA Gumbel Zur Erinnerung: Die sind stetig auf IR, daher ist cn 1 (M n d n ) d H äquivalent zu lim P(M n c n x + d n ) = lim F n (c n x + d n ) = H(x), n n x IR

25 MDA Fréchet MDA Weibull MDA Gumbel Charakterisierung der MDA(H) Die Verteilungsfunktion F gehört zum MDA von der Extremwertverteilung H mit den Normierungskonstanten c n > 0, d n IR genau dann wenn lim nf(c nx + d n ) = ln H(x), x IR n. Falls H(x) = 0 interpretieren wir den Grenzwert als.

26 MDA Fréchet MDA Weibull MDA Gumbel Definition Regulär Variierend Ein Verteilungs-Tail F heißt regulär variierend, mit Index α für ein α > 0, falls F(xt) lim x F(x) = t α, t > 0 Schreibweise: F R α Falls α = 0 heißt der Verteilungs-Tail langsam variierend.

27 MDA Fréchet MDA Weibull MDA Gumbel Definition Tail-äquivalent Zwei Verteilungsfunktionen F und G werden Tail-äquivalent, falls sie den selben rechten Endpunkt besitzen, z.b. x F = x G, und für Konstanten 0 < c < gilt. lim x x F F(x) G(x) = c

28 MDA Fréchet MDA Weibull MDA Gumbel Mit der Taylorentwicklung erhalten wir 1 φ(x) = 1 exp{( x α )} x α, x Für F MDA(φ α ) kann die Konstante d n = 0 gewählt werden und c n mit Hilfe der Quantilfunktion. Genauer: c n = F (1 n 1 ) = inf {x IR : F(x) 1 n 1 } = inf {x IR : ( 1 F )(x) n} = ( 1 F ) (n)

29 MDA Fréchet MDA Weibull MDA Gumbel MDA der Fréchet-Verteilung Die Verteilungsfunktion F gehört zum MDA(Φ α ), α > 0, genau dann wenn F (x) = x α L(x) für eine langsam variierende Funktion L gilt. Falls F MDA(Φ α ), dann ist cn 1 d M n Φα wobei die Normierungskonstante c n entsprechend dem obigem gewählt werden kann. F MDA(Φ α ) F R α

30 MDA Fréchet MDA Weibull MDA Gumbel Von vorher wissen wir das die Standard-Cauchy-Verteilung mit l Hospital zu folgender Relation führt: F (πx) 1 F R 1 MDA(Φ 1 ) und als Normierungskonstante wählen wir c n = (πn). Damit folgt: (πn) 1 M n d Φ1 (x)

31 MDA Fréchet MDA Weibull MDA Gumbel MDA der Weibull-Verteilung Die Verteilungsfunktion F gehört zum MDA(Ψ α ), α > 0, genau dann wenn x F < und F(x F x 1 ) = x α L(x) für eine langsam variiernde Funktion L. Falls F MDA(Ψ α ), dann ist cn 1 (M n x F ) d Ψ α wobei die Normierungskonstanten c n = x F F (1 n 1 ) und d n = x F gewählt werden können.

32 MDA Fréchet MDA Weibull MDA Gumbel Die Verteilungsfunktion mit rechtem Endpunkt x F gehört zu dem MDA(Λ) genau dann wenn ein x x F existiert, so daß F folgende Darstellung besitzt x g(t) F(x) = c(x) exp z a(t) dt, z < x x F wobei c und g meßbare Funktionen sind die c(x) c > 0, g(x) 1 genügen, wenn x x F und a(x) eine positive absolut setige Funktion (in Bezug auf das Lebesguemaß) ist mit der Dichte a (x) für die gilt lim x xf a (x) = 0. Für ein F mit der obigen Darstellung können wir d n = F (1 n 1 ) und c n = a(d n ) als Normierungskonstanten wählen.

33 Verallgemeinerte Extremewertverteilung Führen wir noch einen Parameter ξ ein, so können wir die drei Standardfälle in einer Familie von Verteilungsfunktionen darstellen. ξ = α 1 > 0 entspricht Fréchetverteilung Φ α ξ = 0 entspricht Gumbel Λ ξ = α 1 < 0 entspricht Weibull Ψ α

34 Verallgemeinerte Extremewertverteilung (GEV) Verallgemeinerte Extremwertverteilung Definiere { die Verteilungsfunktion H ξ so: exp{ (1 + ξx) 1 ξ }, f ür ξ 0 H ξ (x) = wobei 1 + ξx > 0. exp{ exp{ x}}, f ür ξ = 0 Der Fall ξ = 0 folgt aus ξ 0 für ξ 0, (1 + ξx) 1 ξ 0 ξ e x da Wir nennen H ξ die verallgemeinerte Extremwertverteilung (GEV).

35 Charakterisierung der MDA(H ξ ) Für ein ξ IR sind folgende Aussagen äquivalent: 1 F MDA(H ξ ). 2 Es existiert eine positiv messbare Funktion a( ) so daß für 1 + ξx > 0 gilt: lim u xf F (u+xa( )) F (u) = { (1 + ξx) 1 ξ, f ür ξ 0 exp{ x}, f ür ξ = 0

36 Sei X eine ZV mit Verteilungsfunktion F MDA(H ξ ), dann kann man Punkt 2 folgendermaßen umschreiben: ( ) { X u lim P u x F a(u) > x X > u (1 + ξx) 1 ξ, f ür ξ 0 = exp{ x}, f ür ξ = 0

37 Definition Verallgemeinerte Paretoverteilung (GPD) Definiere die Verteilungsfunktion G ξ mit G ξ = { 1 (1 + ξx) 1 ξ, f ür ξ 0 1 exp{ x}, f ür ξ = 0 wobei { x 0, f ür ξ 0 0 x 1 ξ f ür ξ < 0 Wir nennen G ξ die verallgemeinerte Paretoverteilung (GPD).

38 Zusammenfassung Die GEV H ξ, ξ IR beschreibt die Grenzwertverteilung der Maxima. Die GPD G ξ, ξ IR beschreibt die Grenzwertverteilung der Überschreitungen von hohen Schwellwerten.

39 Der Multivariate Fall Im folgenden sind alle Operationen Komponentenweise zu verstehen. z.b. x < y x (i) < y (i), 1 i d (a, b] = {x IR d : a < x b} = {(x 1,..., x d ) : a i < x i b i } Definition d-variater Maxima Sei X i = (X i,1,..., X i,d ), i n eine Folge von iid d-variaten Vektoren mit gemeinsamer Verteilungsfunktion F. Das d-variate Maximum is definiert als: ( ) M n = max i n (X i ) := max i n (X i,1 ),..., max i n (X i,d )

40 Multivariate Definition MDA und Extremwertverteilung Die Verteilungsfunktion F gehört zum MDA einer Funktion G, genau dann wenn, x IR d, n gilt: F n (c n,1 x 1 + d n,1,..., c n,d x d + d n,d ) G(x) für geeignete Vektoren c n > 0 und d n. G heißt multivariate Extremwertverteilung. Für die j-ten Randverteilungen F j und G j gilt: F n j (c n,j x j + b n,j ) G j (x j )

41 Max Stabil Definition Max-stabile Verteilung Eine Verteilung F heißt max-stabil, falls n IN gilt: F n (d n + c n x) = F(x) für geeignete Vektoren c n > 0 und d n. Satz Die Familie der stimmt exakt mit der Familie der max-stabilen Funktionen überein.

42 Definition Einfach Eine max-stabile Verteilungsfunktion F heißt einfach, falls alle ihre Randverteilungen Fréchet verteilt sind. d.h. F 1.α (x) = exp( x α ), x > 0, α > 0 Definition max-id Eine Verteilungsfunktion F(x) IR d heißt max-id falls es n IN F n (x) IR d gibt, so daß: F(x) = F n n (x) d.h. falls F 1/n (x) eine Verteilungsfunktion ist.

43 Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Definition unterer Endpunkt Der untere Endpunkt einer max-id d-variaten Verteilungsfunktion F ist definiert durch: α = (α 1,..., α d ) wobei α j den linken Endpunkt der j-ten Randverteilung F j (x) bezeichnet, für 0 < F j (x) < 1.

44 Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Definition Exponenten Maß Das Exponentenmaß ν von einer max-id VF F ist definiert, mit x (α, ] durch: ν([α, ) \ [α, x]) := ln F(x) wobei α der untere Endpunkt von F ist.

45 Darstellung mit ν Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Darstellung mit Exponentenmaß Eine max-id VF F kann dargestellt werden durch: { exp( ν([, x] c )), x α; F(x) = 0, sonst mit α [, ) := [, ) d und ν der zu F gehörige Exponentenmaß. Aus F(x) > 0 für x > α folgt das α der untere Endpunkt ist.

46 Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Eigenschaften von ν Das Maß ν hat folgende Eigenschaften: (a) ν ist konzentriert auf [α, ) \ {α} (b) ν([, t] c ) < t > α

47 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Betrachte eine einfache, d-variate max-stabile VF F. Dann gilt, für n IN und x IR d : Daraus folgt: F n (n 1/α x) = F (x) F n/m ((n/m) 1/α x) = F(x), n, m IN, x IR d Wähle n,m so daß n/m t α > 0. Dann folgt, mit der Stetigkeit von F: F tα (tx) = F(x), t > 0, x IR d Da F auch max-id ist, folgt aus der vorherigen Darstellung: F(x) = exp( ν([0, x] c ))

48 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung mit ν der zu F gehörige Exponentenmaß, der konzentriert ist auf E := [0, ) \ {0} Es gilt: ν([0, x] c ) = t α ν([0, tx] c ) = t α ν(t[0, x] c ) Nun können wir diese Gleichung erweitern zu: ν(b) = t α ν(tb) wobei B eine Borelmenge ist und tb := {tx : x B} Für t > 0 und eine beliebige Borel Untermenge A von S E := {z E : z = 1} in E folgt: ν( { x E : x t, x }) x A

49 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung = t α ν( { y E : y 1, φ ist das Winkelmaß. y y A } ) := t α φ(a). x Definiere T : E (0, ) S E durch T (x) := ( x, x ) Das Maß (T ν)(b) := ν(t 1 (B)) erfüllt: { } (T ν)([t, ) A) = ν( ) x x E : x t, x A = 1 t α φ(a) = [t, ) A α 1 r (α+1) dr dφ(a)

50 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Es gilt: ν([o, x] c ) = ν([o, x] c E) = (T ν)(t [o, x] c E) Und T ([o, x] c E) = T ({y E : y i > x i für manche i d}) = {(r, a) (o, ) S E : (ra) i > x i für manche i d} = {(r, a) (o, ) S E : ra i > x i für manche i d} = {(r, a) (o, ) S E : r > min i d (x i /a i )}

51 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Insgesamt erhalten wir: ν([o, x] c ) = (T ν) ( {(r, a) (0, ) S E : r > min i d (x i /a i )} ) = S E (min i d (x i /a i, )) α 1 r (α+1) dr dφ(a) = S E 1 min i d (x i /a i ) α dφ(a) = S E max i d ( ai x i ) α dφ(a)

52 De Haan-Resnick Darstellung Darstellung mit Exponentenmaß De Haan-Resnick Darstellung Somit haben wir die De Haan-Resnick Darstellung hergeleitet: ( ) (a F(x) = exp max i ) αdφ(a) i d, x [0, ) S E x i für eine einfache, max-stabile Verteilungsfunktion F.

Analyse von Extremwerten

Analyse von Extremwerten Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität

Mehr

Technische Universität München. Zentrum Mathematik. Multivariate Value at Risk. von Zins Swap Sätzen

Technische Universität München. Zentrum Mathematik. Multivariate Value at Risk. von Zins Swap Sätzen Technische Universität München Zentrum Mathematik Multivariate Value at Risk Schätzung von Zins Swap Sätzen Diplomarbeit von Gabriel Kuhn Themenstellung: Prof. Dr. Claudia Klüppelberg Betreuung: Prof.

Mehr

Eine Anwendung der Block Maxima Methode im Risikomanagement. Diplomarbeit. vorgelegt von Birgit Woeste

Eine Anwendung der Block Maxima Methode im Risikomanagement. Diplomarbeit. vorgelegt von Birgit Woeste Eine Anwendung der Block Maxima Methode im Risikomanagement Diplomarbeit vorgelegt von Birgit Woeste Betreuer: Privatdozent Dr Volkert Paulsen Mathematisches Institut für Statistik Fachbereich Mathematik

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Quantitative Risk Management

Quantitative Risk Management Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Quantitatives Risikomanagement

Quantitatives Risikomanagement Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 1 für Wirtschaftsinformatik Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Solvency II und die Standardformel

Solvency II und die Standardformel Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:

+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X

Mehr

Mathematik für Wirtschaftswissenschaftler Beispiele, Graken, Beweise. c Uwe Jensen

Mathematik für Wirtschaftswissenschaftler Beispiele, Graken, Beweise. c Uwe Jensen Mathematik für Wirtschaftswisseschaftler Beispiele, Grake, Beweise c Uwe Jese 8. Oktober 2007 Ihaltsverzeichis 4 Folge, Reihe, Grezwerte, Stetigkeit 47 4. Folge ud Reihe............................ 47

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem

Mehr

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1 Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Abhängigkeiten zwischen Großschäden

Abhängigkeiten zwischen Großschäden Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung I. Typen von Abhängigkeiten

Mehr

a n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n

a n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Schwach ergodische Prozesse

Schwach ergodische Prozesse Schwach ergodische Prozesse Von der Fakultät für Naturwissenschaften der Universität Duisburg-Essen (Standort Duisburg) zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften genehmigte

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

Mehr

Exkurs: Polnische Räume

Exkurs: Polnische Räume Ein normaler Hausdorff-Raum mit abzählbarer Basis kann auf viele Weisen metrisiert werden; man kann insbesondere eine einmal gewonnene Metrik in vielerlei Weise abändern, ohne die von ihr erzeugte Topologie

Mehr

3. Grundlagen der Linearen Programmierung

3. Grundlagen der Linearen Programmierung 3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations

Mehr

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei

Mehr

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011 Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit

Mehr

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder

Mehr

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Frohe Weihnachten und ein gutes neues Jahr!

Frohe Weihnachten und ein gutes neues Jahr! Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschftsmthemtik für Interntionl Mngement (BA) und Betriebswirtschft (BA) Wintersemester 2013/14 Stefn Etschberger Hochschule Augsburg Mthemtik: Gliederung 1 Aussgenlogik 2 Linere Algebr 3 Linere

Mehr

Planungsblatt Mathematik für die 4E

Planungsblatt Mathematik für die 4E Planungsblatt Mathematik für die 4E Woche 26 (von 09.03 bis 13.03) Hausaufgaben 1 Bis Mittwoch 11.03: Auf dem Planungsblatt stehen einige Aufgaben als Übung für die SA. Bereite diese Aufgaben vor! Vor

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

2 Stetigkeit und Differenzierbarkeit

2 Stetigkeit und Differenzierbarkeit 2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,

Mehr

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen

Mehr

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f. Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen

Mehr

Mathematische Ökologie

Mathematische Ökologie Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen

Mehr

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

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten

Mehr

Mathematikaufgaben zur Vorbereitung auf das Studium

Mathematikaufgaben zur Vorbereitung auf das Studium Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Schranken für zulässige Lösungen

Schranken für zulässige Lösungen Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung

Mehr

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0. 1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Exponentialfunktion, Logarithmus

Exponentialfunktion, Logarithmus Exponentialfunktion, Logarithmus. Die Exponentialfunktion zu einer Basis > 0 Bei Exponentialfunktionen ist die Basis konstant und der Exponent variabel... Die Exponentialfunktion zu einer Basis > 0. Sei

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

1.44 1.46 1.48 1.50 1.52 1.54 1.56-0.015-0.010-0.005 0.0 0.005 0.010 0.015

1.44 1.46 1.48 1.50 1.52 1.54 1.56-0.015-0.010-0.005 0.0 0.005 0.010 0.015 einunverzichtbareswerkzeugimrisikomanagement ExtremwerttheoriefurFinanzzeitreihen{ MilanBorkovec Zusammenfassung ClaudiaKluppelberg habendastaglichegeschaftderfinanzindustrie,insbesonderevonbankenund Versicherungen,grundlegendverandert.DieshatzuneuenMethodengefuhrt,Risikenabzusichernoderzureduzieren.DieKehrseitederMedaillezeigtallerdingsauch

Mehr

8. Quadratische Reste. Reziprozitätsgesetz

8. Quadratische Reste. Reziprozitätsgesetz O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

Formelsammlung. Folgen und Reihen

Formelsammlung. Folgen und Reihen Lehrstuhl für BWL, insb. Mthemtik und Sttistik Dipl.-Mth. Mrie Hielscher Mthemtik für Betriebswirte II Formelsmmlung Folgen und Reihen en Folge n ) n N0 : D R, n n := n) mit D N 0 n-te Prtilsumme von n

Mehr

MATHEMATIK. Fachabiturprüfung 2009 zum Erwerb der Fachhochschulreife an. Fachoberschulen und Berufsoberschulen. Ausbildungsrichtung Technik

MATHEMATIK. Fachabiturprüfung 2009 zum Erwerb der Fachhochschulreife an. Fachoberschulen und Berufsoberschulen. Ausbildungsrichtung Technik Fachabiturprüfung 2009 zum Erwerb der Fachhochschulreife an Fachoberschulen und Berufsoberschulen MATHEMATIK Ausbildungsrichtung Technik Freitag, 29. Mai 2009, 9.00-12.00 Uhr Die Schülerinnen und Schüler

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Definition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.

Definition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat. Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften

Mehr

Serie 13: Online Test

Serie 13: Online Test D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.

Mehr

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft: Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein

Mehr

Musterlösung zum Projekt 3: Splice Sites

Musterlösung zum Projekt 3: Splice Sites Statistik für Bioinformatiker SoSe 2003 Rainer Spang Musterlösung zum Projekt 3: Splice Sites Aufgabe 1. In Vorlesung 5 wurde die Donor Frequency Matrix behandelt. Konstruiere eine solche mit Hilfe der

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr

ABITURPRÜFUNG 2012 ZUM ERWERB DER FACHGEBUNDENEN HOCHSCHULREIFE AN FACHOBERSCHULEN UND BERUFSOBERSCHULEN MATHEMATIK

ABITURPRÜFUNG 2012 ZUM ERWERB DER FACHGEBUNDENEN HOCHSCHULREIFE AN FACHOBERSCHULEN UND BERUFSOBERSCHULEN MATHEMATIK ABITURPRÜFUNG 2012 ZUM ERWERB DER FACHGEBUNDENEN HOCHSCHULREIFE AN FACHOBERSCHULEN UND BERUFSOBERSCHULEN MATHEMATIK Nichttechnische Ausbildungsrichtungen Freitag, 25. Mai 2012, 9.00 Uhr bis 12.00 Uhr Die

Mehr