Wahrscheinlichkeitstheorie II
|
|
- Lilli Michel
- vor 5 Jahren
- Abrufe
Transkript
1 Wahrscheinlichkeitstheorie II Vorlesung vo Christian Wiesel V Martingale, Stoppzeiten und Filtrierungen Stochastische Prozesse und -Algebren Stoppzeiten Martingale.3a Martingale in diskreter Zeit.3b Martingal-Ungleichungen Wdhl. (): Definition und Charakterisierung von Martingalen : Ω,F,P R,B R Definition Ein F -adaptierterstoch. Prozess it ( )<, heißt bzgl. F : ( F ) Superartingalbzgl. F : ( F ) Beispiel : L < F, (: F ) Martingal bzgl. F : ( F ) = Martingal ( + ) = ( ) für alle beschränkten Stoppzeiten * ( ) ( )!"#$ ( ) ( ) %&&#$ ( )= ( ) '(")) ( ) Charakterisierung Ein F -adaptierterstoch. Prozess it ( )< ist ein Martingal bzgl. F Superartingal = ( + ) ( +789 ) für alle beschränktenstoppzeiten * d.h. * -. ax {* 4) 4 Ω R 6
2 Wdhl. (2): Relation zwischen en und Martingalen : Ω,F,P R,B R Definition Ein F -adaptierterstoch. Prozess it ( )<, heißt bzgl. F : ( F ) Superartingalbzgl. F : ( F ) Beispiel : L < F, (: F ) Martingal bzgl. F : ( F ) = Martingal ( + ) = ( ) für alle beschränkten Stoppzeiten * ( ) ( )!"#$ ( ) ( ) %&&#$ ( )= ( ) '(")) ( ) Doob sche Martingalzerlegung Martingal wachsend, F A< -adaptiert F - = +> +? (> =? = 0) eindeutig.3a Martingale in diskreter Zeit (0) Sei ein F -, d.h. es gilt ( F ) Jedes lässt sich eindeutig zerlegen in ein Martingal und einen wachsenden Prozess: Doob sche Martingalzerlegung F - F -Martingal > F A< {,Ω} F A< -adaptierten, wachsendenstoch. Prozess? (? ist F A< -b.) (? 6<?, ). Schritt: CDE")#F s.d.: = +> +? (> =? = 0) Diese Zerlegung ist eindeutig! Definiere? durch:? := 0,? 6< := R( S SA< F SA< ) F A< -b. M I istp IAQ -b. undwachsend 6<! Noch z.z.: H I J I J L M I definiert ein Martingal!? &? 6< ist F -.b.!
3 .3a Martingale in diskreter Zeit () Sei ein F -, d.h. es gilt ( F ) Doob sche Martingalzerlegung Martingal wachsend, F A< -adaptiert F - = +> +? (> =? = 0) eindeutig. Schritt: CDE")#F 6< Definiere? durch:? := 0,? 6< := R( S SA< F SA< ) M I istp IAQ -b. undwachsend Noch z.z.: H I J I J L M I E) F b. F A< b.! definiert ein Martingal! > ist F -b. ( und integrierbar)? &? 6< ist F -.b.! EE) Martingaleigenschaft: (> F A< ) = ( F A< )? = A<? A< = > A< (> F A< )= > =? A< + ( A< F A< ) A< ( ) iterieren: = F A< ( ) ( ) A< (> F AU ) = (> F A< F AU )= (> A< F AU ) = > AU (> F ) = >.3a Martingale in diskreter Zeit (2) Sei ein F -, d.h. es gilt ( F ) Doob sche Martingalzerlegung Martingal wachsend, F A< -adaptiert F - = +> +? (> =? = 0) eindeutig. Schritt: CDE")#F Definiere? durch:? := 0,? 6< := M I istp IAQ -b. undwachsend 6< R( S SA< F SA< ) H I J I J L M I definiert ein Martingal!? CE$#W)EX'#E) Angenoen es gelte Martingal wachsend, F A< -adaptiert = +> +? = +Y +Z > Y = Z? F A< -b.! > Y Martingal! = (> Y F A< ) = > A< Y A< = = > Y = 0 P fs. > = Y Z =? P fs.
4 .3a Martingale in diskreter Zeit (3) Beobachtung adaptiert, integrierbar und wachsend ( 6<,P-fs. ) Erhalt der eigenschaft, P-fs ( F ) F = Proposition \:R R konvex, b., \(> )intbar \ > Adaptierheit und Integrierbarkeit folgen unittelbar aus Voraussetzungen an \ eigenschaft: (\(> ) F ) \((> F )) Jensen scheungleichung für bedingte Erwartungen : > Martingal = > = \(> ) Proposition 2 \ \:R R konvex, on. wachsend, b., \(> )intbar Jensen a on. wachsend! eigenschaft: (\( ) F ) \(( F )) \( ) Beispiele Prop. Beob. > > >, it sup > S it > L U (F ) > U \ D D U konvexe Abbildung Prop. wachsend!.3a Martingale in diskreter Zeit (4) Erhalt der eigenschaft Beobachtung adaptiert, integrierbar und wachsend Proposition \:R R konvex, b., \(> )intbar \ > Proposition 2 \:R R konvex, on. wachsend, b., \(> )intbar \ Proposition 3 b Stoppzeit + gestopptes wieder eigenschaft: ( (6<) + F ) = ( + +e6< + 6< {+f 6<} F ) iterieren: ( + F ) + Korollar F -b. auf * j * k beschränkte Stoppzeiten = * F = {* > } = * i F = + +` + {+h} ( 6< F ) J I b = b = b l ( + ) Charakterisierung von en : + l = ( l + ) = (: l ) (: ) = ( + ) = ( + )
5 .3b Martingal-Ungleichungen (). Doob sche Martingal-Ungleichung oder positives. Schritt: Sei! gegeben. S S adaptiert Markov Ungleichung P >!! ( > ) P sup > S!! >! Prop. oder positives > j in ' N S! N { } F -Stoppzeit! denn: j ={ = n S <! o S! für ein ' } F 4. Schritt: F S F * j 3. Schritt: siehe Charakterisierung: Erwartungswert wachsend i starken Sinne ( > + ) = ( + ) ( ) = ( > ) P sup > S! = P j ( l` > l! ) = ( l` > b! ) H I b = auf I b uvw I beschränkte Stoppzeit! 3.z!{E))! ( > b )! ( > I ).3b Martingal-Ungleichungen (2) H I H. Doob sche Martingal-Ungleichung `I! P >! oder positives! P sup > S!! >. Schritt: Sei I Nfix. und!. 2. Doob sche Martingal-Ungleichung oder positives > > "Wƒ > S L für ein < ƒ < > Prop. oder positives > : > f U L < (F ) S () S (: F S ) für ein geeignetes > 0, z.b. Martingal fix. A< > "Wƒ > S sup () S +! 2 eigenschaft denn: ' > S > F S = `I : +> e U F S +! S 2 3. Schritt: P >! 2! :
6 2. Doob sche Martingal-Ungleichung oder positives > > > "Wƒ > S L für ein < ƒ < für ein geeignetes > 0, z.b. Prop.. Schritt: oder positives > Sei I Nfix. : > f () L < (F ) S F S ) Martingal fix. U S A< 3. Schritt: > "Wƒ > S sup () S +! 2 P > ()!! P sup S ˆ. Doob sche Martingal-Ungleichung! P H Š Q `I Š H I 2! () I = 2! ( : ) = : F I = : 4. Schritt: > = ƒ Œ A< P > Œ $Œ Fubini ˆ H I 2 Œ ( Ž I ) = 2ƒ > Œ AU `U $Œ = Q Q ˆ H I 2ƒ Œ Aˆ H I Q HI fˆ AQ ƒ ƒ 2 > $Œ.3b Martingal-Ungleichungen (4) H I H. Doob sche Martingal-Ungleichung `I! P >! oder positives! P sup > S!! > 2. Doob sche Martingal-Ungleichung oder positives > > > "Wƒ Doob sches Upcrossing-Lea R > S L <, (4) für ein < ƒ < k N 6 * 0 für ein geeignetes > 0, z.b. š { b } = # Upcrossings bis Zeit j < in{' > * S } * < in{' > j < S } A< * j < Upcrossing * < j U N j 6< in{' > * S } * 6< in{' > j 6< S }
7 .3b Martingal-Ungleichungen (5) R <, k N 6 š { b } = # Upcrossings bis Zeit * j < Upcrossing * <. Schritt: = b š j U = \ D D 6 Konvex & onoton wachsend š 6Q * U = Prop.2 b š 6Q N * 0 j 6< in{' > * S } * 6< in{' > j 6< S } : 6 definiert & : +œ, : lœ = 0 : +œ : lœ R(: +œ : lœ ) ' j S * S k ' > k < * S š = R(: +œ š : lœ ) = Y +œ Y lœ + R (: +œ STš 6< R(: +œ : lœ ) ( ) : lœ ) = Y {0,: }.3b Martingal-Ungleichungen (6) R(: +œ <, k N. Schritt: : 6 definiert klar: j 6< > k 3. Schritt: : : lž = : lÿ ž : lž : lœ ) Teleskop = R(: lœ ž = R(: lœ ž Ž b ) + R(Ž b 6 š { b } : lœ ) : lœ ) = = : : lž R(: lœ ž : +œ ) : R(: lœ ž = # Upcrossings bis Zeit : +œ ) 0 4. Schritt: 2.) ( ) 3.) (: ) R(: l œ ž : +œ ) (: ) L Ž I I * * S k j S6< k j : l : + Def. von :
8 .3b Martingal-Ungleichungen (7) H I H. Doob sche Martingal-Ungleichung `I! P >! oder positives! P sup > S!! > 2. Doob sche Martingal-Ungleichung oder positives > > > "Wƒ Doob sches Upcrossing-Lea R > S L <, k N für ein < ƒ < 6 * 0 für ein geeignetes > 0, z.b. ( 6 + ) š { b } = # Upcrossings bis Zeit j 6< in{' > * S } * 6< in{' > j 6< S } A< * j < Upcrossing * < j U N.3c Martingal-Konvergenzsätze () Satz it sup 6 <, für ein L < F für Konvergenz nur z.z.: lisup liinf, (" " gilt ier!) für < Λ -, {lisup & liinf Doob sches Upcrossing-Lea ( 6 + ). Schritt: Λ {lisup > liinf } = n Λ -, -e -, Q } z.z.: P Λ -, = 0 < ;, Q Pfade it unendlich vielen Upcrossings! = {4 Ω, = }, li (, ) Anzahl der, -Upcrossingsfür den gesatenpfad aufsteigende Folge! Seien, Q, < beliebig. Beppo-Levi, = li ( ) (lisup 6 + ) < +, < P f.s. P Λ -, = 0 <
9 .3c Martingal-Konvergenzsätze (2) Satz it sup 6 <, für ein L < F. Schritt 2. Schritt, für eine ZV d.h.: für P-f.a. Pfade existiert der Grenzwert! 3. Schritt noch z.z.: li L < (F) Fatou = (li ) = (liinf ) liinf( ) 2 ( ) < liinf = 6 A 6 A + = 2 6 (2 6 ) ( )!
2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrKapitel 7. Martingale 1
Kapitel 7 Martingale 1 7.1 Definition: a) (Ω, F) sei ein messbarer Raum. Eine Filtration (oder Filtrierung) ist eine aufsteigende Folge F = (F n ) n N von Teil-σ-Algebren von F, d.h. F n F n+1 F für n
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
MehrWahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015
Wahrscheinlichkeitstheorie 2 & 3 Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 3. Januar 215 Inhaltsverzeichnis. Bedingte Erwartungswerte 4 1. Martingale, Stoppzeiten und Filtrierungen 9 1.1.
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
Mehr4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.2 Filtrationen und kanonische Filtrationen 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtrationen (A t ) t I 4.4 Gleichgradig
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
Mehr8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale
8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale 8.1 Der quadratische Variationsprozess eines stetigen, lokalen Martingals 8.3 Die quadratische Variation einer reellen Brownschen
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
MehrSkript. Martingale. Prof. Dr. Zakhar Kabluchko. Universität Münster Institut für Mathematische Stochastik
Skript Martingale Prof. Dr. Zakhar Kabluchko Universität Münster Institut für Mathematische Stochastik Inhaltsverzeichnis Vorwort 2 Literatur 2 1. Stochastische Prozesse 3 2. Filtrationen 3 3. Martingale
MehrA. Maß- und Integrationstheorie
A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
Mehr1 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,
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
MehrA. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109
A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
Mehr3. MARTINGALE 47. 1I Ai = IIE[X1I Ai ] = i=1. i=1
3. MARTINGALE 47 3. Martingale 3.1. Bedingte Erwartungswerte Definition 3.1. (Kolmogorov, 1933) Sei X 0 eine Zufallsvariable auf einem Wahrscheinlichkeitsraum (Ω, F, IIP) und G F eine σ-algebra. Eine Zufallsvariable
Mehr8 Martingale und Stoppzeiten
8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess
Mehr5 MARTINGALE 64. k = j k=1
5 MRTINGLE 64 5 Martingale 5.1 Bedingte Erwartungswerte Im Folgenden sei stets Z eine Zufallsvariable in R mit E[ Z < oder Z 0 f.s. Falls ein Ereignis mit P() > 0 ist, so erklärt man durch E[Z := 1 P()
MehrVorlesung Der Satz von Fubini. 6.2 Der Satz von Beppo Levi 6.1. DER SATZ VON FUBINI 33
6.1. DER SATZ VON FUBINI 33 Vorlesung 6 6.1 Der Satz von Fubini Das Lebesgue-Integralkann natürlichauchüber mehrdimensionale Gebiete definiert werden. Wir haben uns hier auf den eindimenionalen Fallbeschränkt.
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrStochastische Analysis
Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand
MehrStochastische Prozesse
Stochastische Prozesse Prof. Dr. H.R. Lerche Abteilung für Mathematische Stochastik Universität Freiburg März 2014 Inhaltsverzeichnis 1 Martingale 1 1.1 Definitionen und Eigenschaften..........................
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrLehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002
MehrWahrscheinlichkeitstheorie
Achim Klenke Wahrscheinlichkeitstheorie 3., überarbeitete und ergänzte Auflage ~ Springer Spektrum Inhaltsverzeichnis 1 Grundlagen der Maßtheorie. 1.1 Mengensysteme. 1.2 Mengenfunktionen, 12 1.3 Fortsetzung
MehrKapitel 5: Markovketten
Kapitel 5: Markovketten Definition 5.1 Bezeichnungen Bsp. 5.1 Definition 5.2 Eine Fam. (X i ) i I von ZV en X i : Ω E auf (Ω, F, P) mit Werten im messb. Raum (E, E) heißt Stochastischer Prozess. E Zustandsraum
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrSkript zur Vorlesung Analysis 3
Skript zur Vorlesung Analysis 3 Wintersemester 2013/2014 Prof. Dr. Benjamin Schlein Inhaltsverzeichnis 1 Masstheorie 2 1.1 σ-algebren.................................. 6 1.2 Masse.....................................
MehrMartingale in diskreter Zeit
Kapitel XI Martingale in diskreter Zeit Reinhard Höpfner Vorlesung Stochastik II Wintersemester 2006/07 und 2010/11 Institut für Mathematik, Johannes Gutenberg Universität Mainz 15.1.04, 19.1.07, 16.12.10
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrWahrscheinlichkeitstheorie
Springer-Lehrbuch Masterclass Wahrscheinlichkeitstheorie von Achim Klenke überarbeitet Wahrscheinlichkeitstheorie Klenke schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Thematische
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrStochastische 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
MehrWahrscheinlichkeits theorie
Achim Klenke Wahrscheinlichkeits theorie Mit 34 Abbildungen 4y Springer 1 Grundlagen der Maßtheorie 1 1.1 Mengensysteme 1 1.2 Mengenfunktionen 11 1.3 Fortsetzung von Maßen 17 1.4 Messbare Abbildungen 33
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrStudienbegleitende 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
MehrAnalysis I. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching April 26, 207 Erinnerung Satz. (Zwischenwertsatz) Sei f : [a, b] R stetig mit f(a) f(b). Dann gibt es zu jedem
MehrHawkes 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%./ # , 0112
# %&!%()( +,(! %./! ! %./ # + + 34, ! 5 6 6 (. 6 7 86 9 6! %./ # + +7 : ;< 4?9==;9? ;< >4?9==;9? ;< Α Β 9 Β %!! ;:;=9== Universität Potsdam Institut für Mathematik Diplomarbeit Über Waldidentitäten
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrLösungsvorschläge für das 5. Übungsblatt
Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
MehrBewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin
Bewertung von amerikanischen Optionen im CRR Modell Seminararbeit von Nadja Amedsin 22.05.10 i Inhaltsverzeichnis 1 Einführung 1 2 Amerikanischer Claim 1 2.1 Beispiele................................ 2
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
MehrItô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrStochastische Prozesse
Ingo Bürk Skript vom Wintersemester 2011/2012 Stochastische Prozesse Mathematics, rightly viewed, possesses not only truth, but supreme beauty. Bertrand Russell Universität Stuttgart 2011 Dieses Skript
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrEindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION
Eindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION zur Erlangung des akademischen Grades doctor rerum naturalium (Dr. rer.
MehrSeminar: 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,
MehrStochastische Analysis
Marcel Ortgiese Stochastische Analysis Version vom 29. Januar 215 Vorlesungsmanuskript WiSe 214/215 Westfälische Wilhelms-Universität Münster Inhaltsverzeichnis Einleitung 1.1 Motivation....................................
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrStochastische Analysis. Karl-Theodor Sturm
Stochastische Analysis Karl-Theodor Sturm 2 Literatur: I. Karatzas, S. Shreve: Brownian Motion and Stochastic Calculus. 2nd ed. Springer 91 D. Revuz, M. Yor: Continuous Martingales and Brownian Motion,
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrDiplomarbeit. Lebenszeit-Modelle zur Analyse der Ermüdung von gradierten Materialien
Universität Kassel Fachbereich Mathematik Diplomarbeit Lebenszeit-Modelle zur Analyse der Ermüdung von gradierten Materialien Eingereicht von: Alexander Stepper Betreuende Gutachterin: Zweitgutachterin:
MehrStochastische Analysis
PD Dr. Jürgen Dippon, Universität Stuttgart Stochastische Analysis Stuttgart, Wintersemester 211/212 Version: 15. Februar 212 Für Hinweise auf Druckfehler und Kommentare jeder Art bin ich dankbar. 1 Viel
MehrDer Zusammenhang zwischen Arbitragefreiheit und Portfoliooptimierung. Seminararbeit von Johannes Kuhn
Der Zusammenhang zwischen Arbitragefreiheit und Portfoliooptimierung Seminararbeit von Johannes Kuhn 31.05.2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Arbitragefreiheit und Portfoliooptimierung 1 2 Exponentieller
MehrMaße und Integrale. begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller. Berlin, den 26.
Maße und Integrale begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller Berlin, den 26. April 2008 Inhaltsverzeichnis 1 Konstruktion von Maßen 3 2 Konstruktion von Integralen
MehrScheinklausur 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:
MehrFinanzmathematik. Inhalt: Martin Keller-Ressel Satz: Martin Haubold 17. November 2014
Finanzmathematik Inhalt: Martin Keller-Ressel Satz: Martin Haubold 17. November 2014 Inhaltsverzeichnis 0 Einführung und Motivation 1 0.1 Zentrale Fragestellungen der Finanzmathematik.............. 1 0.2
MehrStochastische Analysis
Stochastische Analysis Martin Keller-Ressel 23. März 215 Inhaltsverzeichnis 1 Stochastische Prozesse in stetiger Zeit 1 1.1 Grundlagen.................................. 1 1.2 Gleichheit von stochastischen
MehrAufgabensammlung Grundbegriffe der Topologie
Aufgabensammlung Grundbegriffe der Topologie Sommersemester 2015 (Version 21. Juni 2015) Die vorliegende Aufgabensammlung dient als Grundlage für die Übungen zu,,grundbegriffe der Topologie, die die gleichnamige
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrZusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
Mehr