Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik

Größe: px
Ab Seite anzeigen:

Download "Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik"

Transkript

1 Fraunhofer ITWM Kaiserslautern, Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik Ralf Korn (TU Kaiserslautern & Fraunhofer ITWM)

2 0. Einige praktische Probleme {( π ) π' σ } ' dx t = X t r+ t b r dt+ t dw t dv( t) = r ( t) V( t) dt + dp ( t ) dl( t) d f = ( ) +σ de t E t r r dt dw t ( t; x) = t x µ α t e β Prognose/Simulation der Entwicklung o des Wertes eines Portfolios von Aktien o von Reserven/Verpflichtungen eines Lebensversicherungsportfolios o ökonomischer Faktoren (wie Zinsraten, Inflation, Wechselkursraten, Arbeitslosigkeit, ) o von Populationsgrößen (Mortalitätsmodelle, )

3 0. Einige praktische Probleme,8,6 (0,) (0, 0.5) (0,0.),4 VaR, 0,8 0,6 0,4 Berechnung 0, o der Profit-Loss-Verteilung einer Investmentstrategie o von Risiko- und Solvenzmaßen o Ruin-W-keiten

4 0. Einige praktische Probleme Bewertung von o komplizierten strukturierten Produkten (exotische Optionen, Index-Linked Produkte, ) o eingebetteten Optionen in Versicherungskontrakten

5 0. Einige praktische Probleme T Optimierung von o Investmentstrategien o Liquiditätsstrategien o Asset-Liability-Management / Dynamic Financial Analysis

6 0. Einige praktische Probleme T Optimierung von o Investmentstrategien o Liquiditätsstrategien o Asset-Liability-Management / Dynamic Financial Analysis Viele dieser Probleme sind nur über numerische Methoden lösbar

7 0. Einige praktische Probleme T Optimierung von o Investmentstrategien o Liquiditätsstrategien o Asset-Liability-Management / Dynamic Financial Analysis Viele dieser Probleme sind nur über numerische Methoden lösbar Einfachste (?) Methode: Monte Carlo Simulation

8 . Die Monte Carlo Methode zur Optionsbewertung Ziel: Berechne den Preis ( rt p : ) B EQ e B = einer Option mit Payoff B

9 . Die Monte Carlo Methode zur Optionsbewertung Ziel: Berechne den Preis ( rt p : ) B EQ e B Monte Carlo Methode Approximiere ( rt p : ) B EQ e B wobei die = durch i B unabhängige Kopien von B sind. = einer Option mit Payoff B rt ˆ : ( i p ) B = e B i=

10 . Die Monte Carlo Methode zur Optionsbewertung Ziel: Berechne den Preis ( rt p : ) B EQ e B Monte Carlo Methode Approximiere ( rt p : ) B EQ e B wobei die = durch ( i B ) unabhängige Kopien von B sind. = einer Option mit Payoff B rt ˆ : ( i p ) B = e B Hauptproblem Langsame Konvergenz, denn es gilt () ( ) ( ) rt Var pb pˆ B = Var pˆ B = e Var ( B) = : O ( / ), d.h. eine weitere Stelle (mittlerer) Genauigkeit benötigt 00 Simulationen! i=

11 . Die Monte Carlo Methode zur Optionsbewertung Ziel: Berechne den Preis ( rt p : ) B EQ e B Monte Carlo Methode Approximiere ( rt p : ) B EQ e B wobei die = durch ( i B ) unabhängige Kopien von B sind. = einer Option mit Payoff B rt ˆ : ( i p ) B = e B Hauptproblem Langsame Konvergenz, denn es gilt () ( ) ( ) rt Var pb pˆ B = Var pˆ B = e Var ( B) = : O ( / ), d.h. eine weitere Stelle (mittlerer) Genauigkeit benötigt 00 Simulationen! Ausweg: Varianzreduktionsmethoden (d.h. Möglichkeiten, die (unbekannte!) Varianz des Monte Carlo Schätzers durch clevere Simulation (?) zu reduzieren) i=

12 Varianzreduktion durch Kontrollvariaten

13 Varianzreduktion durch Kontrollvariaten Hauptidee: Finde eine Zufallsvariable Y mit bekanntem (!) E(Y), die B ähnelt and verwende E B = E B Y + Y = E B Y + E Y ( B Y ) + E ( Y ) () i i i =

14 Varianzreduktion durch Kontrollvariaten Hauptidee: Finde eine Zufallsvariable Y mit bekanntem (!) E(Y), die B ähnelt and verwende E B = E B Y + Y = E B Y + E Y ( B Y ) + E ( Y ) () i i i = Populäre Anwendung: Approximiere eine Basketoption durch ein geometr. Mittel (Kemna, Vorst (990)): ( ( + ) ) E S T S T K + (3) ( ( ( ) ) ) + i i ( i ) ( i ) S T + S T K S T S ( T ) K i= E ( S ) T S T K + + Beachte, dass eine geschlossene Preisformel für geometrische Optionen existiert. +

15 Beispiel: Basket auf vier Aktien, T=5, K=00= S i (0), r =0, gleiche Volatilität von 0., Korrelationen von 0.5

16 Gewünschte MC-Anwendung: Simulation, wenn der Aktienpreis keine explizite Darstellung besitzt (wie bei Heston, CEV, Zinsmodellen, )

17 Gewünschte MC-Anwendung: Simulation, wenn der Aktienpreis keine explizite Darstellung besitzt (wie bei Heston, CEV, Zinsmodellen, ) (4) (, ) (, ) ds t = µ t S t dt + σ t S t dw t kann approximiert werden via Euler-Diskretisierung (5) (, ) (, )( ) S t + = S t + µ t S t + σ t S t W t + W t

18 Gewünschte MC-Anwendung: Simulation, wenn der Aktienpreis keine explizite Darstellung besitzt (wie bei Heston, CEV, Zinsmodellen, ) (4) (, ) (, ) ds t = µ t S t dt + σ t S t dw t kann approximiert werden via Euler-Diskretisierung (5) (, ) (, )( ) S t + = S t + µ t S t + σ t S t W t + W t Monte Carlo Optionsbewertung (for B = f(s(t) ) Wähle eine, um B durch B : f S ( T ) Wähle ein, um p E ( B) B = durch = zu approximieren pˆ B = ( i) B zu approximieren i=

19 Gewünschte MC-Anwendung: Simulation, wenn der Aktienpreis keine explizite Darstellung besitzt (wie bei Heston, CEV, Zinsmodellen, ) (4) (, ) (, ) ds t = µ t S t dt + σ t S t dw t kann approximiert werden via Euler-Diskretisierung (5) (, ) (, )( ) S t + = S t + µ t S t + σ t S t W t + W t Monte Carlo Optionsbewertung (for B = f(s(t) ) Wähle eine, um B durch B : f S ( T ) Wähle ein, um p E ( B) B = durch = zu approximieren pˆ B = ( i) B zu approximieren i= Wahl von,? Aufwand? Fehler?

20 Fehlermaß: Mittlerer quadratischer Fehler (6) MSE(, ) E E p p ( ˆ ) B B = = E ( p ) B E pb + ( ) B E E p p ( ˆ ) B (quadr.) BIAS MC-Varianz

21 Fehlermaß: Mittlerer quadratischer Fehler (6) MSE(, ) E E p p ( ˆ ) B B = = E ( p ) B E pb + ( ) B E E p p ( ˆ ) B (quadr.) BIAS MC-Varianz Wähle, so, dass beide Fehlerterme von gleicher Größnordnung sind!

22 Fehlermaß: Mittlerer quadratischer Fehler (6) MSE(, ) E E p p ( ˆ ) B B = = E ( p ) B E pb + ( ) B E E p p ( ˆ ) B (quadr.) BIAS MC-Varianz Wähle, so, dass beide Fehlerterme von gleicher Größnordnung sind! Bei gegebenem MSE von ε : = ε, = ε

23 Fehlermaß: Mittlerer quadratischer Fehler (6) MSE(, ) E E p p ( ˆ ) B B = = E ( p ) B E pb + ( ) B E E p p ( ˆ ) B (quadr.) BIAS MC-Varianz Wähle, so, dass beide Fehlerterme von gleicher Größnordnung sind! Bei gegebenem MSE von Gesamtaufwand von ε : 3 ε (riesig!!!) = ε, = ε

24 . Die statistische Romberg-Methode

25 . Die statistische Romberg-Methode Kontrollvariaten-Idee: Approximiere mit einer feinen Diskretisierung erzielte Preise durch solche mit einer gröberen Diskretisierung erzielte E B ( ( i) ( i) ) ( j) = E B B ' + E B ' B B ' B ' + M (7) M i= j=

26 . Die statistische Romberg-Methode Kontrollvariaten-Idee: Approximiere mit einer feinen Diskretisierung erzielte Preise durch solche mit einer gröberen Diskretisierung erzielte E B ( ( i) ( i) ) ( j) = E B B ' + E B ' B B ' B ' + M (7) Theorem (Kebaier (005)) M i= j=.5 Ein vorgegebener MSE von ε kann mit den Wahlen von = ε, = ε, ' = ε, M = ε mit einem Aufwand von O ( ε.5 ) gemäß (7) erzielt werden.

27 . Die statistische Romberg-Methode Kontrollvariaten-Idee: Approximiere mit einer feinen Diskretisierung erzielte Preise durch solche mit einer gröberen Diskretisierung erzielte E B ( ( i) ( i) ) ( j) = E B B ' + E B ' B B ' B ' + M (7) Theorem (Kebaier (005)) M i= j=.5 Ein vorgegebener MSE von ε kann mit den Wahlen von = ε, = ε, ' = ε, M = ε mit einem Aufwand von O ( ε.5 ) gemäß (7) erzielt werden. Beachte: Der Satz benötigt noch einige technische Voraussetzungen.

28 . Die statistische Romberg-Methode Kontrollvariaten-Idee: Approximiere mit einer feinen Diskretisierung erzielte Preise durch solche mit einer gröberen Diskretisierung erzielte E B ( ( i) ( i) ) ( j) = E B B ' + E B ' B B ' B ' + M (7) Theorem (Kebaier (005)) M i= j=.5 Ein vorgegebener MSE von ε kann mit den Wahlen von = ε, = ε, ' = ε, M = ε mit einem Aufwand von O ( ε.5 ) gemäß (7) erzielt werden. Beachte: Der Satz benötigt noch einige technische Voraussetzungen. Die Methode erhöht die Geschwindigkeit, nicht die Genauigkeit!

29 . Die statistische Romberg-Methode Kontrollvariaten-Idee: Approximiere mit einer feinen Diskretisierung erzielte Preise durch solche mit einer gröberen Diskretisierung erzielte E B ( ( i) ( i) ) ( j) = E B B ' + E B ' B B ' B ' + M (7) Theorem (Kebaier (005)) M i= j=.5 Ein vorgegebener MSE von ε kann mit den Wahlen von = ε, = ε, ' = ε, M = ε mit einem Aufwand von O ( ε.5 ) gemäß (7) erzielt werden. Beachte: Der Satz benötigt noch einige technische Voraussetzungen. Die Methode erhöht die Geschwindigkeit, nicht die Genauigkeit! 0. 5 Die Einsparung von ε im Aufwand ist typischerweise mehr als ein Faktor 0.

30 Algorithmus Statistische Romberg-Methode Es sei. Setze ε = / n (zur Vorgabe des MSE) mit m n m = n, = n, = n.. Simuliere n² Pfade des S-Prozesses mit Schrittweite = / m und berechne n n ( j) B / m. j= 3. Simuliere n.5 Pfade des S-Prozesses mit Schrittweite = / n und mit Schrittweite = / m. Berechne n. 5 n. 5 + n j= + n n = k ( ( j) ( j) ) B / n B / m, wobei für die Simulation bei beiden Schrittweiten jeweils derselbe Pfad der Brownschen Bewegung verwendet wird. 4. Bestimme den statistischen Romberg-Schätzer ˆB / n= n. 5 n. 5 + n j= + n ( ( j) ( j) ) B / n B / m n n j= ( j) B / m

31 Anwendungsbeispiel: ( ( )) Z t = cos θ + W t,sin θ + W t ist eindeutige Lösung des Systems = ( 0) = ( θ) dx t X t dt Y t dw t, X cos = + ( 0) = ( θ) dy t Y t dt X t dw t, Y sin Ziel: Berechne ( ) ( 0 ) E Z =

32 Anwendungsbeispiel: ( ( )) Z t = cos θ + W t,sin θ + W t ist eindeutige Lösung des Systems = ( 0) = ( θ) dx t X t dt Y t dw t, X cos = + ( 0) = ( θ) dy t Y t dt X t dw t, Y sin Ziel: Berechne ( ) ( 0 ) E Z = Methode ε = 4 rel. CPU-Zeit ε = 4 5 rel. CPU-Zeit Einfache MC 0.04 () *0-4 () Stat. Romberg (0.53) *0-3 (0.7).

33 Anwendungsbeispiel: ( ( )) Z t = cos θ + W t,sin θ + W t ist eindeutige Lösung des Systems = ( 0) = ( θ) dx t X t dt Y t dw t, X cos = + ( 0) = ( θ) dy t Y t dt X t dw t, Y sin Ziel: Berechne ( ) ( 0 ) E Z = Methode ε = 4 rel. CPU-Zeit ε = 4 5 rel. CPU-Zeit Einfache MC 0.04 () *0-4 () Stat. Romberg (0.53) *0-3 (0.7) Vorteile der stat. Romberg-Methode: Leicht zu implementierende Variation, die Geschwindigkeit bringt.

34 3. Die Multi-Level-Monte Carlo-Methode Hauptidee: Iteriere die statistische Romberg-Methode, aber mit einfacherer Schrittweitenwahl! (Idee geht auf Heinrich (00) zurück, eingeführt in FM von Giles (006))

35 3. Die Multi-Level-Monte Carlo-Methode Hauptidee: Iteriere die statistische Romberg-Methode, aber mit einfacherer Schrittweitenwahl! (Idee geht auf Heinrich (00) zurück, eingeführt in FM von Giles (006)) Für eine Folge von Schrittweiten über die Beziehung: i = berechne i M T ( ) E g S T approximativ (8) ( ( )) L L ( ) ( ( )) ( ) ( ) 0 i i E g S T = E g S T + E g S T g S T i= 0 L ( ) i 0 i j j j 0 i j= i= j= ( ( )) i g S T + g S T g S T, wobei L durch den gewünschten MSE festgelegt wird.

36 3. Die Multi-Level-Monte Carlo-Methode Hauptidee: Iteriere die statistische Romberg-Methode, aber mit einfacherer Schrittweitenwahl! (Idee geht auf Heinrich (00) zurück, eingeführt in FM von Giles (006)) Für eine Folge von Schrittweiten über die Beziehung: i = berechne i M T ( ) E g S T approximativ (8) ( ( )) L L ( ) ( ( )) ( ) ( ) 0 i i E g S T = E g S T + E g S T g S T i= 0 L ( ) i 0 i j j j 0 i j= i= j= ( ( )) i g S T + g S T g S T, wobei L durch den gewünschten MSE festgelegt wird. Problem: Wahl der für jede Feinheit i zu simulierenden Pfade, um einen möglichst niedrigen Aufwand zu erzielen, aber die gewünschte Genauigkeit zu garantieren!

37 Prinzip der MLMC-Methode (M =, L=7)

38 Theorem (Giles (008)) Ein vorgegebener MSE von den Wahlen von (9) ( ε ) ln L = ln( M ) mit einem Aufwand von ( O ln ) ε kann bei gegebener Schrittweitenfolge, L i = ε σi i σ i= 0 i / i (0) ε ε gemäß (8) erzielt werden, wobei ( ( )) i i σ i = Var g S T g S T. i i = M T mit

39 Theorem (Giles (008)) Ein vorgegebener MSE von den Wahlen von (9) ( ε ) ln L = ln( M ) mit einem Aufwand von ( O ln ) ε kann bei gegebener Schrittweitenfolge, L i = ε σi i σ i= 0 i / i (0) ε ε gemäß (8) erzielt werden, wobei ( ( )) i i σ i = Var g S T g S T. i i = M T mit Probleme der Umsetzung: σ i sind unbekannt und müssen in einem Vorlauf geschätzt werden Wahl von M (praktisch M = oder 4)? Ist der Algorithmus wirklich schneller?

40 Algorithmus Multi-Level-Monte-Carlo- Methode Es sei ε, M gegeben, L gemäß (9) gewählt.. Varianzschätzung: Simuliere für jede Feinheit i jeweils Pfade, um daraus die Varianzen σ zu schätzen. i. Bestimme die optimalen Pfadanzahlen i gemäß (9), wo die aus. ersetzt werden σ i durch die Schätzer 3. Simuliere für jede Feinheit i jeweils unabhängig i Pfade der zugehörigen Brownschen Bewegung und berechne die Schätzer gemäß (8). 4. Erhalte den MLMC-Schätzer als 0 L ( ) i 0 i j + j j 0 i j= i= j= ( ( )) i g S T g S T g S T

41 Bemerkung: Giles (008) gibt eine Variante des MLMC-Algorithmus an, bei der L, die Anzahl der Ebenen verschiedener Feinheiten, sich aus einem Konvergenzkriterium a posteriori ergibt. Dies ist oft schneller.

42 Bemerkung: Giles (008) gibt eine Variante des MLMC-Algorithmus an, bei der L, die Anzahl der Ebenen verschiedener Feinheiten, sich aus einem Konvergenzkriterium a posteriori ergibt. Dies ist oft schneller. Beispiel: ds t = S t 0. 05dt + 0. dw t, S 0 = E 0 + S t dt =? Methode ε = 0. 0 rel. CPU-Zeit L ε = rel. CPU-Zeit L Einfache MC () () MLMC (.89) (0.05) Resultate für M=4, exakter Wert

43 4. Optionspreissensitivitäten und Malliavin Calculus Ziel: Bestimmte Optionspreissensitivitäten ( Greeks ) wie z.b. pcall () Call ( 0, S ( 0) ) ( = = ) S 0 S 0 E S T K +

44 4. Optionspreissensitivitäten und Malliavin Calculus Ziel: Bestimmte Optionspreissensitivitäten ( Greeks ) wie z.b. pcall () Call ( 0, S ( 0) ) ( = = ) S 0 S 0 E S T K + Klassische Methode: () ( 0, ( 0) ) call 0, ( 0) pcall S + h p S h Call zentrale finite Differenz h

45 4. Optionspreissensitivitäten und Malliavin Calculus Ziel: Bestimmte Optionspreissensitivitäten ( Greeks ) wie z.b. pcall () Call ( 0, S ( 0) ) ( = = ) S 0 S 0 E S T K + Klassische Methode: () ( 0, ( 0) ) call 0, ( 0) pcall S + h p S h Call zentrale finite Differenz h Problem: Kombination von Diskretisierungsfehler und (möglichem) Monte Carlo Fehler!

46 4. Optionspreissensitivitäten und Malliavin Calculus Ziel: Bestimmte Optionspreissensitivitäten ( Greeks ) wie z.b. pcall () Call ( 0, S ( 0) ) ( = = ) S 0 S 0 E S T K + Klassische Methode: () ( 0, ( 0) ) call 0, ( 0) pcall S + h p S h Call zentrale finite Differenz h Problem: Kombination von Diskretisierungsfehler und (möglichem) Monte Carlo Fehler! Eine Alternative: Malliavin Calculus (Fournie e.a. (999)) rt + W T (3) Call = e E ( S ( T ) K ) σt Vorteil: Keine Diskretisierung notwendig! Verallgemeinerung auf andere Greeks und andere Optionen möglich! Spezielles Fine tuning => umerische Beispiele

47 Literatur Fournié E., Lasry J.-M., Lebuchoux J., Lions P.-L., Touzi. (999) Applications of Malliavin calculus to Monte Carlo methods in finance, Finance and Stochastics 3(4), Giles M. (008) Multi-level Monte Carlo path simulation, Operations Research 56(3), Kebaier A. (005) Statistical Romberg extrapolation: a new variance reduction method and applications to option pricing, Annals of Applied Probability 5(4), Korn R., Korn E., Kroisandt G. (00) Monte Carlo Methods and Models in Finance and Insurance, Chapman&Hall-Finance Series.

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Betreuer: Lars Grüne. Dornbirn, 12. März 2015

Betreuer: Lars Grüne. Dornbirn, 12. März 2015 Betreuer: Lars Grüne Universität Bayreuth Dornbirn, 12. März 2015 Motivation Hedging im diskretisierten Black-Scholes-Modell: Portfolio (solid), Bank (dashed) 110 120 130 140 150 160 170 Portfolio (solid),

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

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Übung zu Forwards, Futures & Optionen

Übung zu Forwards, Futures & Optionen Übung zu Forwards, Futures & Optionen Vertiefungsstudium Finanzwirtschaft Dr. Eric Nowak SS 2001 Finanzwirtschaft Wahrenburg 15.05.01 1 Aufgabe 1: Forward auf Zerobond Wesentliche Eckpunkte des Forwardgeschäfts:

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

Statistik I für Betriebswirte Vorlesung 11

Statistik I für Betriebswirte Vorlesung 11 Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Risikoeinstellungen empirisch

Risikoeinstellungen empirisch Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569

Mehr

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

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

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Kapitel 6: Induktives Vorgehen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische

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

Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz

Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Andreas Aigner email: andreasa@sbox.tu-graz.ac.at. Januar 00 Inhaltsverzeichnis Theorie. Stromfunktion...........................

Mehr

6.2 Scan-Konvertierung (Scan Conversion)

6.2 Scan-Konvertierung (Scan Conversion) 6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Plotten von Linien ( nach Jack Bresenham, 1962 )

Plotten von Linien ( nach Jack Bresenham, 1962 ) Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels

Mehr

Lineare Differentialgleichungen erster Ordnung erkennen

Lineare Differentialgleichungen erster Ordnung erkennen Lineare Differentialgleichungen erster Ordnung In diesem Kapitel... Erkennen, wie Differentialgleichungen erster Ordnung aussehen en für Differentialgleichungen erster Ordnung und ohne -Terme finden Die

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

QM: Prüfen -1- KN16.08.2010

QM: Prüfen -1- KN16.08.2010 QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,

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

Quadratische Gleichungen

Quadratische Gleichungen Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl

Mehr

Schleswig-Holstein 2011. Kernfach Mathematik

Schleswig-Holstein 2011. Kernfach Mathematik Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative

Mehr

Checkliste. Prioritäten setzen mit dem Pareto-Prinzip

Checkliste. Prioritäten setzen mit dem Pareto-Prinzip Checkliste Prioritäten setzen mit dem Pareto-Prinzip Checkliste Prioritäten setzen mit dem Pareto-Prinzip Das Pareto-Prinzip ist eine Methode des Zeitmanagements. Diese Checkliste stellt Ihnen das Pareto-Prinzip

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Teamentwicklung. Psychologische Unternehmensberatung Volker Rudat

Teamentwicklung. Psychologische Unternehmensberatung Volker Rudat Teamentwicklung Konflikte klären, Regeln für die Kommunikation und Zusammenarbeit festlegen und wirksame Vereinbarungen treffen Es gibt keine Standardformel... Für die erfolgreiche Zusammenarbeit von Teams

Mehr

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

Bewertung von Barriere Optionen im CRR-Modell

Bewertung von Barriere Optionen im CRR-Modell Bewertung von Barriere Optionen im CRR-Modell Seminararbeit von Susanna Wankmueller. April 00 Barriere Optionen sind eine Sonderform von Optionen und gehören zu den exotischen Optionen. Sie dienen dazu,

Mehr

In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.

In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht

Mehr

Spin-Modelle und Monte-Carlo Simulationen

Spin-Modelle und Monte-Carlo Simulationen Spin-Modelle und Monte-Carlo Simulationen Ralf Gamillscheg Technische Universität Graz 12. 1. 2006 Ralf Gamillscheg (TUG) Monte Carlo Simulationen 12. 1. 2006 1 / 22 Einleitung Spins uä. Statistische Physik

Mehr

Selbsttest Prozessmanagement

Selbsttest Prozessmanagement Selbsttest Prozessmanagement Zur Feststellung des aktuellen Status des Prozessmanagements in Ihrem Unternehmen steht Ihnen dieser kurze Test mit zehn Fragen zur Verfügung. Der Test dient Ihrer persönlichen

Mehr

AGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b

AGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität

Mehr

Klausur Mathematik 2

Klausur Mathematik 2 Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-

Mehr

Erfolg beginnt im Kopf

Erfolg beginnt im Kopf Erfolg beginnt im Kopf Wie Sie ausgeglichen bleiben und Ihre Ziele einfacher erreichen 8. VR-Unternehmerforum AGRAR Die Ausgangslage Am Markt 6 49406 Barnstorf Am Markt 6 49406 Barnstorf Alles verändert

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

Buchhaltung mit WISO EÜR & Kasse 2011

Buchhaltung mit WISO EÜR & Kasse 2011 Vorbemerkung... 1 1. Erste Schritte...Fehler! Textmarke nicht definiert.3 2. Einrichten des Programms... 5 3. Buchungen... 22 1. Anfangsbestand buchen... 22 2. Privateinlage in die Kasse... 26 4. Buchungen

Mehr

Reden wir über Blech! Dahinter steckt viel mehr: Fertigung, Abwicklung und weitere Vorteile.

Reden wir über Blech! Dahinter steckt viel mehr: Fertigung, Abwicklung und weitere Vorteile. Reden wir über Blech! Dahinter steckt viel mehr: Fertigung, Abwicklung und weitere Vorteile. Ganz genau: So ist Blech. Zumindest bei Schmiedbauer. Unterschiedliche Materialien im Fein- und Dickblechbereich

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Ein Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch

Ein Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch Ein Blick voraus des Autors von C++: Bjarne Stroustrup 04.06.2005 Conrad Kobsch Inhalt Einleitung Rückblick Nur eine Übergangslösung? Was würde C++ effektiver machen? Quelle 2 Einleitung Wo steht C++,

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

SCHULVERSUCH INFORMATIK IN BADEN-WÜRTTEMBERG. Gerhard Liebrich Peter-Petersen-Gymnasium Mannheim

SCHULVERSUCH INFORMATIK IN BADEN-WÜRTTEMBERG. Gerhard Liebrich Peter-Petersen-Gymnasium Mannheim SCHULVERSUCH INFORMATIK IN BADEN-WÜRTTEMBERG Gerhard Liebrich Peter-Petersen-Gymnasium Mannheim 20.02.2011 G. Liebrich, Schulversuch Informatik 2 Überblick Schulversuch Beginn im Schuljahr 2008/09 Ende

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

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

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

Die drei Kernpunkte der modernen Portfoliotheorie

Die drei Kernpunkte der modernen Portfoliotheorie Die drei Kernpunkte der modernen Portfoliotheorie 1. Der Zusammenhang zwischen Risiko und Rendite Das Risiko einer Anlage ist die als Varianz oder Standardabweichung gemessene Schwankungsbreite der Erträge

Mehr

!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.

!(0) + o 1(). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen. Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")

Mehr

A. Ersetzung einer veralteten Govello-ID ( Absenderadresse )

A. Ersetzung einer veralteten Govello-ID ( Absenderadresse ) Die Versendung von Eintragungsnachrichten und sonstigen Nachrichten des Gerichts über EGVP an den Notar ist nicht möglich. Was kann der Notar tun, um den Empfang in seinem Postfach zu ermöglichen? In zahlreichen

Mehr

Simulation LIF5000. Abbildung 1

Simulation LIF5000. Abbildung 1 Simulation LIF5000 Abbildung 1 Zur Simulation von analogen Schaltungen verwende ich Ltspice/SwitcherCAD III. Dieses Programm ist sehr leistungsfähig und wenn man weis wie, dann kann man damit fast alles

Mehr

Übungsaufgaben Tilgungsrechnung

Übungsaufgaben Tilgungsrechnung 1 Zusatzmaterialien zu Finanz- und Wirtschaftsmathematik im Unterricht, Band 1 Übungsaufgaben Tilgungsrechnung Überarbeitungsstand: 1.März 2016 Die grundlegenden Ideen der folgenden Aufgaben beruhen auf

Mehr

ACDSee 10. ACDSee 10: Fotos gruppieren und schneller durchsuchen. Was ist Gruppieren? Fotos gruppieren. Das Inhaltsverzeichnis zum Gruppieren nutzen

ACDSee 10. ACDSee 10: Fotos gruppieren und schneller durchsuchen. Was ist Gruppieren? Fotos gruppieren. Das Inhaltsverzeichnis zum Gruppieren nutzen In diesem Tutorial erfahren Sie, wie man Fotos gruppiert. Mit der Option "Gruppieren nach" werden die Fotos in der Dateiliste nach Gruppen geordnet. Wenn Sie beispielsweise auf "Bewertung" klicken, werden

Mehr

Ein Einfaches AIDS Modell

Ein Einfaches AIDS Modell Ein Einfaches AIDS Modell Martin Bauer: 990395 Guntram Rümmele: 99008 Das SIR - Modell Die Modellierung von epidemischen Modellen hat schon lange Tradition. Man hat schon immer versucht Erklärungen für

Mehr

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung 1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil

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

Target Volatility & Risk Control Indizes. Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz)

Target Volatility & Risk Control Indizes. Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz) Target Volatility & Risk Control Indizes Ulrich Stoof (Bloomberg LP) & Christian Menn (RIVACON & FH Mainz) Agenda Einleitung/Motivation Der Risk Control Mechanismus Exkurs: Varianz- und Volatilitätsschätzer

Mehr

1.3.2 Resonanzkreise R L C. u C. u R. u L u. R 20 lg 1 , (1.81) die Grenzkreisfrequenz ist 1 RR C . (1.82)

1.3.2 Resonanzkreise R L C. u C. u R. u L u. R 20 lg 1 , (1.81) die Grenzkreisfrequenz ist 1 RR C . (1.82) 3 Schaltungen mit frequenzselektiven Eigenschaften 35 a lg (8) a die Grenzkreisfrequenz ist Grenz a a (8) 3 esonanzkreise 3 eihenresonanzkreis i u u u u Bild 4 eihenresonanzkreis Die Schaltung nach Bild

Mehr

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler

Mehr

Einführung in das Arbeiten mit MS Excel. 1. Bearbeitungs

Einführung in das Arbeiten mit MS Excel. 1. Bearbeitungs Einführung in das Arbeiten mit MS Excel 1. Bildschirmaufbau Die Tabellenkalkulation Excel basiert auf einem Rechenblatt, das aus Spalten und Zeilen besteht. Das Rechenblatt setzt sich somit aus einzelnen

Mehr

2.8 Grenzflächeneffekte

2.8 Grenzflächeneffekte - 86-2.8 Grenzflächeneffekte 2.8.1 Oberflächenspannung An Grenzflächen treten besondere Effekte auf, welche im Volumen nicht beobachtbar sind. Die molekulare Grundlage dafür sind Kohäsionskräfte, d.h.

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko

Mehr

Datenexport aus JS - Software

Datenexport aus JS - Software Datenexport aus JS - Software Diese Programm-Option benötigen Sie um Kundendaten aus der JS-Software in andere Programme wie Word, Works oder Excel zu exportieren. Wählen Sie aus dem Programm-Menu unter

Mehr

Vertrag zwischen. der AOK Berlin - Die Gesundheitskasse - und der Kassenärztlichen Vereinigung Berlin (KV)

Vertrag zwischen. der AOK Berlin - Die Gesundheitskasse - und der Kassenärztlichen Vereinigung Berlin (KV) Vertrag zwischen der AOK Berlin - Die Gesundheitskasse - und der Kassenärztlichen Vereinigung Berlin (KV) über die Abgrenzung, Vergütung und Abrechnung der stationären vertragsärztlichen Tätigkeit 1) Dem

Mehr

Trainingsplan 16-wöchiger Trainingsplan für einen Triathlon (Volkstriathlon), Einsteiger

Trainingsplan 16-wöchiger Trainingsplan für einen Triathlon (Volkstriathlon), Einsteiger Trainingsplan 16-wöchiger Trainingsplan für einen Triathlon (Volkstriathlon), Einsteiger Der Triathlon erfreut sich großer Beliebtheit unter Multisportlern. Neben den bekannten Veranstaltungsformaten wie

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

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

www.mathe-aufgaben.com

www.mathe-aufgaben.com Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )

Mehr

Zahlen auf einen Blick

Zahlen auf einen Blick Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.

Mehr

Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen

Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen 5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei

Mehr

Schriftliche Prüfungsarbeit zum mittleren Schulabschluss 2010 im Fach Mathematik. 26. Mai 2010

Schriftliche Prüfungsarbeit zum mittleren Schulabschluss 2010 im Fach Mathematik. 26. Mai 2010 Senatsverwaltung für Bildung, Wissenschaft und Forschung Schriftliche Prüfungsarbeit zum mittleren Schulabschluss 00 im Fach Mathematik 6. Mai 00 LÖSUNGEN UND BEWERTUNGEN Mittlerer Schulabschluss 00, schriftliche

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

Gezielt über Folien hinweg springen

Gezielt über Folien hinweg springen Gezielt über Folien hinweg springen Nehmen wir an, Sie haben eine relativ große Präsentation. Manchmal möchten Sie über Folien hinweg zu anderen Folien springen. Das kann vorkommen, weil Sie den gesamten

Mehr

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl

Mehr

BMS Aufnahmeprüfung Jahr 2014 Basierend auf Lehrmittel: Mathematik (Schelldorfer)

BMS Aufnahmeprüfung Jahr 2014 Basierend auf Lehrmittel: Mathematik (Schelldorfer) Bildungsdirektion des Kantons Zürich Mittelschul- und Bildungsamt BMS Aufnahmeprüfung Jahr 2014 Basierend auf Lehrmittel: Mathematik (Schelldorfer) Fach Mathematik Teil 1 Serie A Dauer 45 Minuten Hilfsmittel

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

NODELOCKED LIZENZ generieren (ab ST4)

NODELOCKED LIZENZ generieren (ab ST4) NODELOCKED LIZENZ generieren () Besuchen Sie folgende Webseite support.ugs.com/global/de ( ohne www oder http:// ) Klicken Sie auf Lizenz Verwaltung und dann auf aktuelle Lizenz 1 1. Geben Sie Ihren Webkey

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Zugversuch. 1. Aufgabe. , A und Z! Bestimmen Sie ihre Größe mit Hilfe der vorliegenden Versuchsergebnisse! Werkstoffkennwerte E, R p0,2.

Zugversuch. 1. Aufgabe. , A und Z! Bestimmen Sie ihre Größe mit Hilfe der vorliegenden Versuchsergebnisse! Werkstoffkennwerte E, R p0,2. 1. Aufgabe An einem Proportionalstab aus dem Stahl X3CrNi2-32 mit rechteckigem Querschnitt im Messbereich (a 6,7 mm; b 3 mm; L 8mm) wurde in einem das dargestellte Feindehnungs- bzw. Grobdehnungsdiagramm

Mehr

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in

Mehr

Transaktionsempfehlungen im ebase Online nutzen

Transaktionsempfehlungen im ebase Online nutzen Transaktionsempfehlungen im ebase Online nutzen Anleitung ebase Inhalt 1. Einführung und Voraussetzungen 2. Transaktionsempfehlung für einen Kunden erstellen 3. Möglichkeiten des Kunden 4. Verwaltung von

Mehr

Spielanleitung. Art.-Nr.: 60 610 4539 Spieleautoren: Arno Steinwender und Christoph Puhl

Spielanleitung. Art.-Nr.: 60 610 4539 Spieleautoren: Arno Steinwender und Christoph Puhl Spielanleitung Art.-Nr.: 60 610 4539 Spieleautoren: Arno Steinwender und Christoph Puhl Spielangaben Spieler: 2-4 Alter: ab 10 Jahre / Erwachsene Spieleautoren: Arno Steinwender und Christoph Puhl Inhalt:

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Einführung in. Logische Schaltungen

Einführung in. Logische Schaltungen Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von

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

Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673. Flachglasbranche.

Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673. Flachglasbranche. Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673 Ug-Werte für die Flachglasbranche Einleitung Die vorliegende Broschüre enthält die Werte für

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

Test: Sind Sie ein Unternehmertyp?

Test: Sind Sie ein Unternehmertyp? Test: Sind Sie ein Unternehmertyp? Weitere Hinweise darauf, ob Sie ein Unternehmertyp sind, gibt Ihnen der folgende Persönlichkeitstest. Er ist eine von vielen Möglichkeiten zu erfahren, ob Sie für die

Mehr

1 topologisches Sortieren

1 topologisches Sortieren Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

ECO-Manager - Funktionsbeschreibung

ECO-Manager - Funktionsbeschreibung ECO-Manager - Funktionsbeschreibung Version Autor Datum Kommentare 1.0 A. Sterzenbach 24.03.2006 - Generell Das Einarbeiten und das damit verbundene Aktualisieren eines großen Zusammenbaus (z.b. Werkzeugaufbau)

Mehr

PO Doppelbrechung und elliptisch polarisiertes Licht

PO Doppelbrechung und elliptisch polarisiertes Licht PO Doppelbrechung und elliptisch polarisiertes Licht Blockpraktikum Herbst 27 (Gruppe 2b) 24. Oktober 27 Inhaltsverzeichnis 1 Grundlagen 2 1.1 Polarisation.................................. 2 1.2 Brechung...................................

Mehr

Für die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt.

Für die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt. PARAMETERFUNKTIONEN Zwei Beispiele: gsave currentpoint translate 21 4 div setlin 1 1 x = 2t 2 1 y = t < t

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

AutoCAD 2007 - Dienstprogramm zur Lizenzübertragung

AutoCAD 2007 - Dienstprogramm zur Lizenzübertragung AutoCAD 2007 - Dienstprogramm zur Lizenzübertragung Problem: Um AutoCAD abwechselnd auf mehreren Rechnern einsetzen zu können konnte man bis AutoCAD 2000 einfach den Dongle umstecken. Seit AutoCAD 2000i

Mehr

- Bewertung verschiedenster Typen von Derivativen. - Analyse Alternativer Investmentstrategien (Hedge Fonds)

- Bewertung verschiedenster Typen von Derivativen. - Analyse Alternativer Investmentstrategien (Hedge Fonds) Abteilung für Finanzmathematik - Bewertung verschiedenster Typen von Derivativen - Analyse Alternativer Investmentstrategien (Hedge Fonds) - Kredit-Risiko-Management und Kredit-Derivate - Monte Carlo-

Mehr