Finanzmathematik I Lösung der übriggebliebenen Aufgaben

Größe: px
Ab Seite anzeigen:

Download "Finanzmathematik I Lösung der übriggebliebenen Aufgaben"

Transkript

1 Prof Dr T Meyer-Brandis H Hoffmann Winter term 05/6 Lösung des letzten Teils von 83: Finanzmathemati I Lösung der übriggebliebenen Aufgaben iv log S log S 0 + R R }{{} :Y +RG R 8 Da der mittlere Teil eine Summe von iid Zufallsvariablen ist, önnen wir den Zentralen Grenzwertsatz anwenden, wonach die Grenzzufallsvariable S normalverteilt ist Die Parameter ergeben sich durch Y r, da für alle p > gilt, dass R Var P R p max{ a, b } p folgt zusammen mit der Unabhängigeit der Y, dass Var P Var P Schlussendlich ergibt sich, dass Y + r rt σ T R 0 R σ T S log S 0 + rt σ T Var P S σ T Aufgabe 84: Sei die Funtion v gegeben durch vx, t xφ d + x, t e rt KΦ d x, t, wobei d + : d + x, t : log x K + r + σ t σ, t d : d x, t : log x K + r σ t σ t Φ die Verteilungsfuntion der Standardnormalverteilung ist Dann ist vs 0, T der Blac-Scholes-Preis einer europäischen Call-Option auf die Atie S mit Ausübungszeitpunt T Strie K Mit der Bezeichnung ϕ für die Dichtefuntion einer Standardnormalverteilung, zeigen Sie:

2 i Delta: x, t : x vx, t Φ d + x, t, ii Gamma: Γx, t : x x, t ϕ d + x, t xσ t, iii Theta: Θx, t : xσ vx, t t ϕ d t + x, t + Kre rt Φ d x, t, iv Rho: ρx, t : r vx, t Kte rt Φ d x, t, v Vega: Vx, t : σ vx, t x tϕ d + x, t Ferner folgern Sie, dass Lösung: Zunächst bemeren wir, dass Somit gilt: Θx, t rx x, t + σ x Γx, t rvx, t ϕd + ϕd + σ t e d e d σ t e σ t π ϕd K x e rt i x, t Φ d + x, t + xϕ d + x, t x d +x, t e rt Kϕ d x, t x d x, t Φ d + x, t + xϕ d + x, t xσ t e rt Kϕ d x, t xσ t Φ d + x, t ii Γx, t ϕ d + x, t xσ t iii Θx, t xϕ d + x, t t d +x, t + re rt KΦ d x, t e rt Kϕ d x, t t d x, t xϕ d + x, t σ σ r + t e rt Kϕ d x, t σ σ r t + re rt KΦ d x, t xσ t ϕ d + x, t + Kre rt Φ d x, t iv ρx, t xϕ d + x, t r d +x, t + te rt KΦ d x, t e rt Kϕ d x, t r d x, t xϕ d + x, t t σ e rt Kϕ d x, t t σ + te rt KΦ d x, t te rt KΦ d x, t v Vx, t xϕ d + x, t σ d +x, t e rt Kϕ d x, t σ d x, t xϕ d + x, t σt t log x K + r σ /t t σ t + e rt Kϕ d x, t σt t + log x K + r σ /t t σ t x tϕ d + x, t Die letzte Gleichung folgt durch simples Einsetzen der Ergebnisse

3 Aufgabe 73: Sei ein Zweiperiodenmart t 0,, gegeben mit zwei Anlagegütern S 0, S, wobei der uméraire gegeben ist durch S 0 + r t, r 0%, weiterhin sei S0 St St u {Yt} + St d {Yt } Dabei seien Y, Y iid Zufallsvariablen mit P Y δ + δ, außerdem sei u,5, d 0,9 Bestimmen Sie unter den Annahmen F 0 {, Ω}, F σy F F σy, Y, zu den folgenden Derivaten C P ut C Call jeweils einen arbitragefreien Preis eine replizierende Handelsstrategie i Loobac Put Option: C P ut max 0 t S t S ii Asiatische Call Option Average Price Call: S av 3 Si, C Call Sav K +, K Lösung: Das eindeutige Martingalmaß ist gegeben durch i0 P Y t P Y t 0 0, 05 0, i Wir berechnen nun den arbitragefreien Preis des Derivats: C ST 0,44 C 0,44 + 0, , ,06 Um den Hedge ξ t ξ 0 t, ξ t, t, zu berechnen dieser existiert wegen der Eindeutigeit des Martingalmaßes, benutzen wir zunächst die Gleichung also auf {S,5}: Also erhalten wir ξ 0 5/96, ξ /6 Auf {S 0,9} erhalten wir: ξ T S T C, ξ 0,44 + ξ,5 0 ξ 0,44 + ξ,35 0,5 ξ 0,44 + ξ,35 0 ξ 0,44 + ξ 0,8 0,9 Also erhalten wir ξ 0 95/88, ξ 9/54 Insgesamt haben wir also ξ ξ, 0 ξ {S,5} + ξ, 0 ξ {S 0,9} , 6 {S,5} + 88, 9 54 {S 0,9} 5 96 {S,5} {S 0,9}, 6 {S,5} 9 54 {S 0,9} 3

4 Um ξ zu berechnen benutzen wir die durch die Definition eines Hedges verlangte Eigenschaft der Selbstfinanziertheit ξ t S t ξ t+ S t t,, T, also hier: ξ S ξ S Wir erhalten die folgenden Gleichungen: also ξ 5 88, 36 ii Analog zu i berechnen wir C,44 C S 0 T,44 ξ 0, + ξ,5 5 96, 6,5, ξ 0, + ξ 0,9 95 9, ,9, Für den Hedge erhalten wir für ξ auf {S,5}: ,6 Auf {S 0,9} erhalten wir: ξ 0,44 + ξ,5 7 ξ 0,44 + ξ, ξ 0,44 + ξ,35 ξ 0,44 + ξ 0,8 0 Also haben wir ξ 5 6 {S,5} 5 88 {S 0,9}, Für ξ erhalten wir dann wieder die folgenden Gleichungen: 3 {S,5} {S 0,9} also ξ , ξ 0, + ξ,5 5 6, + 3,5, ξ 0, + ξ 0,9 5 5, ,9, Aufgabe 74: Seien Y t, t,, T, iid Zufallsvariablen mit P Y µ, σ auf einem Wahrscheinlicheitsraum Ω, F, P mit Filtration F 0 σω, F t σy,, Y t, t,, T Seien weiterhin S 0 St t u, t 0,, T Finden Sie Konstanten C Z, so eyu dass dp dp Z S T C die Dichte eines zu P äquivalenten Martingalmaßes P ist Identifizieren Sie die Verteilungen von Y t, t,, T, unter P 4

5 Lösung: Es ist S t+ E P S Ft t+ S T C Ft S E P e Y t+ e C Y t+ E P ST C t F t E P e C Y t+ Also muss C so bestimmt sein, dass E P e C+Y t+ EP e C Y t+ Ausrechnen dieser Erwartungen führt auf folgende Gleichung exp {C + µ + } C + σ exp {Cµ + } C σ wegen der strengen Monotonie von expx auf C + µ + C + σ Cµ + C σ Das ist aber für C µ erfüllt Zur ormierung brauchen wir noch σ Z E P S T C exp T Cµ + T C σ Sei nun B BR Dann gilt P Y t B B Y t E P B Y t dp E P B Y t dp Z S T C Z E P B Y t e C Yt E P e C Y u B B e Cx σ π e σ π e x µ u t σ dx e Cµ+ C σ x µ+cσ σ dx Also sind Y t, t,, T, unter P wieder iid normalverteilt mit P Y µ + Cσ, σ σ, σ 5

Klausur zur Vorlesung Stochastik II

Klausur zur Vorlesung Stochastik II Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat

Mehr

Das Black-Scholes Modell

Das Black-Scholes Modell Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis

Mehr

Stochastische Finanzmathematik I

Stochastische Finanzmathematik I Notizen zu der Vorlesung Stochastische Finanzmathemati I 1 Zum Ein-perioden-Modell 1.1 Beispiel: Zwei-wertiges Modell: π 0 = 1, S 0 =, { b Wahrs. p S 1 = a Wahrs. 1 p Arbitrage frei: Es gibt p 0, 1) mit

Mehr

Klausur,,Einführung in die W theorie

Klausur,,Einführung in die W theorie Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:

Mehr

Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitstheorie und Statistik Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz

Mehr

70 Wichtige kontinuierliche Verteilungen

70 Wichtige kontinuierliche Verteilungen 70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche

Mehr

Seminar stabile Zufallsprozesse

Seminar stabile Zufallsprozesse Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau

Mehr

Die n-dimensionale Normalverteilung

Die n-dimensionale Normalverteilung U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung

Mehr

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient

Mehr

Approximation des Black-Scholes Modells

Approximation des Black-Scholes Modells Westfälische Wilhelms-Universität Münster Fachbereich Mathemati/Informati Bachelorarbeit Finanzmathemati Sommersemester 20 Betreuer: Dr. icolae Surulescu Approximation des Blac-Scholes Modells Dir Stöppel

Mehr

Stetige Standardverteilungen

Stetige Standardverteilungen Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung

Mehr

Seminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow

Seminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow Seminar: Finanzmathematik Portfoliooptimierung im vollständigen Finanzmarktmodell Katharina Hasow 11. Mai 2010 1 Inhaltsverzeichnis 1 Einführung 1 1.1 Nutzenfunktion............................ 1 1.2 Formulierung

Mehr

Vorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung

Vorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4

Mehr

Stochastik Musterlösung 4

Stochastik Musterlösung 4 ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)

Mehr

x p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!

x p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren! Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,

Mehr

Grundbegriffe der Stochastik II

Grundbegriffe der Stochastik II Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit und Statistik: Zusammenfassung HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1

Mehr

Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen

Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen IGEL Verlag Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen 1.Auflage 2009 ISBN: 978 3 86815 358

Mehr

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur

Mehr

Gegenbeispiele in der Wahrscheinlichkeitstheorie

Gegenbeispiele in der Wahrscheinlichkeitstheorie Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

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. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und

Mehr

Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen

Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut

Mehr

2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:

2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist: Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche

Mehr

Unabhängige Zufallsvariablen

Unabhängige Zufallsvariablen Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr 1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir

Mehr

Multivariate Verteilungen

Multivariate Verteilungen Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig

Mehr

T2 Quantenmechanik Lösungen 1

T2 Quantenmechanik Lösungen 1 T Quantenmechanik Lösungen 1 LMU München, WS 17/18 1.1. Gaußsche Normalverteilung Prof. D. Lüst / Dr. A. Schmidt-May version: 18. 1. Die Gaußsche Normalverteilung ist eine kontinuierliche Verteilungsfunktion

Mehr

Das Black-Scholes-Merton Modell

Das Black-Scholes-Merton Modell Agenda Lehrstuhl für Volkswirtschaftstheorie Westfälische Wilhelms-Universität Münster May 12, 2006 Teil I Agenda 2 Zur Erinnerung Das Lemma von Ito Die vereinfachten Annahmen an den Finanzmarkt Teil II

Mehr

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr 1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand

Mehr

4. Verteilungen von Funktionen von Zufallsvariablen

4. Verteilungen von Funktionen von Zufallsvariablen 4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

Mehr

Studienbegleitende Prüfung Stochastik 2

Studienbegleitende Prüfung Stochastik 2 Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,

Mehr

Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen

Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg

Mehr

TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)

TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ) TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung

Mehr

1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe

1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe 1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch

Mehr

1 Relevante Beispiele für Verteilungen auf R

1 Relevante Beispiele für Verteilungen auf R Prof. Dr. H. Zähle Vorlesung Sachversicherungsmathemati, Anlage 1 Universität des Saarlandes, SS 2010 1 Relevante Beispiele Verteilungen auf R Wir bezeichnen die Menge aller W-Maße auf (R, B(R)) mit M

Mehr

Schwache Konvergenz von Wahrscheinlichkeitsmaßen

Schwache Konvergenz von Wahrscheinlichkeitsmaßen Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind

Mehr

Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung

Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit

Mehr

Vorlesung Analysis I WS 07/08

Vorlesung Analysis I WS 07/08 Vorlesung Analysis I WS 07/08 Erich Ossa Vorläufige Version 07/12/04 Ausdruck 8. Januar 2008 Inhaltsverzeichnis 1 Grundlagen 1 1.1 Elementare Logik.................................. 1 1.1.A Aussagenlogik................................

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Theorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"

Theorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar Statistische Methoden in der Physik Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A

Mehr

Monotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings

Monotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Monotone Approximationen durch die Stirlingsche Formel Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Formel für n!: e n n e n n! e n n+/2 e n Genauer zeigen wir, dass die Folge

Mehr

Vorlesung Stetige Verteilungen / Mathematische Behandlung

Vorlesung Stetige Verteilungen / Mathematische Behandlung B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,

Mehr

DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr

DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X

Mehr

Prüfung. Wahrscheinlichkeit und Statistik. ETH Zürich HS 2015 Prof. Dr. P. Embrechts Januar Nachname. Vorname. Legi Nummer

Prüfung. Wahrscheinlichkeit und Statistik. ETH Zürich HS 2015 Prof. Dr. P. Embrechts Januar Nachname. Vorname. Legi Nummer ETH Zürich HS 25 Prof. Dr. P. Embrechts Januar 26 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle

Mehr

Hawkes Prozesse Grundlagen

Hawkes Prozesse Grundlagen Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem

Mehr

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt

Mehr

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.

Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient

Mehr

10 Transformation von Zufallsvariablen

10 Transformation von Zufallsvariablen 10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :

Mehr

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.

Mehr

Gegeben sei folgender Regelkreis mit der Führungsgröße r, dem Regelfehler e und der Ausgangsgröße y: r e R(s) P (s)

Gegeben sei folgender Regelkreis mit der Führungsgröße r, dem Regelfehler e und der Ausgangsgröße y: r e R(s) P (s) 1. Teilklausur SS 16 Gruppe A Name: Matr.-Nr.: Für beide Aufgaben gilt: Gegeben sei folgender Regelkreis mit der Führungsgröße r, dem Regelfehler e und der Ausgangsgröße y: r e R(s) P (s) y Aufgabe 1 (6

Mehr

Mathematik für Sicherheitsingenieure I B (BScS 2011)

Mathematik für Sicherheitsingenieure I B (BScS 2011) Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 5.9.7 Mathematik für Sicherheitsingenieure I B (BScS Aufgabe. (5+8+7 Punkte a eben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist. Eine Begründung

Mehr

4.2 Moment und Varianz

4.2 Moment und Varianz 4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p

Mehr

Biostatistik, Sommer 2017

Biostatistik, Sommer 2017 1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation

Mehr

7. Übungsblatt - Lösungsskizzen

7. Übungsblatt - Lösungsskizzen Einführung in die Wahrscheinlicheitstheorie und Statisti Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 08/9 7. Übungsblatt - Lösungssien Aufgabe 5 Faltung und Ausdünnung einer Poisson-Verteilung,

Mehr

f(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212

f(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212 1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,

Mehr

Thema 5 Differentiation

Thema 5 Differentiation Thema 5 Differentiation Definition 1 Sei f : D R. Dann ist f im Punkt x 0 differenzierbar, falls f(x) f(x 0 ) x x 0 x x 0 auf der Menge D \ {x 0 } existiert. Der Limes ist dann die Ableitung von f im Punkt

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung 0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau

Mehr

Aufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).

Aufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ). Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte

Mehr

Stochastik Aufgaben zum Üben: Teil 2

Stochastik Aufgaben zum Üben: Teil 2 Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2

Mehr

Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x).

Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). 2. Wahrscheinlichkeit-Transformation: Sei Y eine Zufallsvariable

Mehr

Monte Carlo Finite Elemente Methode

Monte Carlo Finite Elemente Methode Monte Carlo Finite Elemente Methode Lisa Eppler Johannes-Gutenberg Universität Mainz 18. Januar 2018 1 / 55 Inhalt Monte Carlo Finite Elemente Methode 1 Wiederholung 2 Monte Carlo 3 Beispiele 1-d 2-d 4

Mehr

g(x) := (x 2 + 2x + 4) sin(x) für z 1 := 1 + 3i und z 2 := 1 + i. Geben Sie das Ergebnis jeweils

g(x) := (x 2 + 2x + 4) sin(x) für z 1 := 1 + 3i und z 2 := 1 + i. Geben Sie das Ergebnis jeweils . Aufgabe Punkte a Berechnen Sie den Grenzwert n + n + 3n. b Leiten Sie die folgenden Funktionen ab. Dabei ist a R eine Konstante. fx : lnx e a, gx : x + x + 4 sinx c Berechnen Sie z z und z z in der Form

Mehr

Compressed Sensing für Signale aus Vereinigungen von Unterräumen

Compressed Sensing für Signale aus Vereinigungen von Unterräumen Compressed Sensing für Signale aus Vereinigungen von Unterräumen Nadine Pawlitta 21. Januar 2011 Nadine Pawlitta () CS auf Vereinigungen von Unterräumen 21. Januar 2011 1 / 28 Übersicht 1 Grundprinzip

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die

Mehr

Scheinklausur zur Vorlesung Stochastik II

Scheinklausur zur Vorlesung Stochastik II Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel VII - Funktion und Transformation von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl

Mehr

7.2 Moment und Varianz

7.2 Moment und Varianz 7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p

Mehr

2 Invarianz. 2.1 Definitionen

2 Invarianz. 2.1 Definitionen 2 Invarianz 2.1 Definitionen Sei im folgenden immer eine W familie (P θ ) θ Θ (abgekürzte schreibweise (P θ )) auf einem Datenraum Y zugrunde gelegt. Definition [Transformationsgruppe]. Eine Menge G Abb(Y,

Mehr

Musterlösung zu Serie 8

Musterlösung zu Serie 8 Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt

Mehr

Stochastik Serie 11. ETH Zürich HS 2018

Stochastik Serie 11. ETH Zürich HS 2018 ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.

Mehr

Vorlesung 4b. Die Varianz

Vorlesung 4b. Die Varianz Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen

Mehr

3.4 Bayes-Verfahren Begrifflicher Hintergrund. Satz 3.22 (allgemeines Theorem von Bayes)

3.4 Bayes-Verfahren Begrifflicher Hintergrund. Satz 3.22 (allgemeines Theorem von Bayes) 3.4 Bayes-Verfahren 203 3.4.1 Begrifflicher Hintergrund Satz 3.22 (allgemeines Theorem von Bayes) Seien X und U zwei Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion f X,U ( ) bzw. Dichte f

Mehr

Wichtige Definitionen und Aussagen

Wichtige Definitionen und Aussagen Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge

Mehr

Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie

Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze

Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =

Mehr

1 Bedingte Erwartungswerte

1 Bedingte Erwartungswerte Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,

Mehr

Musterlösung zur ersten Klausur Stochastik für Lehramtskandidaten SS2012

Musterlösung zur ersten Klausur Stochastik für Lehramtskandidaten SS2012 Musterlösung zur ersten Klausur Stochasti für Lehramtsandidaten SS2012 Aufgabe 1 In einer Urne befinden sich 2n Kugeln, n N, die von 1 bis 2n durchnummeriert sind. Die Kugeln mit den Nummern 1 bis n sind

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Statistische Methoden

Statistische Methoden Statistische Methoden Dr. C.J. Luchsinger 2 Beweis CLT Literatur Kapitel 2: Krengel: 12 2.1 Einführung Wir repetieren aus WTS, Kapitel 5: Fragestellung: Was geschieht mit dem Ausdruck n k=1 X k nµ, (2.1)

Mehr

Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom

Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe

Mehr

1 Die direkte Methode der Variationsrechnung

1 Die direkte Methode der Variationsrechnung Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,

Mehr

1.4 Stichproben aus einer Normalverteilung

1.4 Stichproben aus einer Normalverteilung 1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte

Mehr

Varianz und Kovarianz

Varianz und Kovarianz KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]

Mehr