Geometrische Brownsche Bewegung und Brownsche Brücke
|
|
- Justus Heinrich
- vor 7 Jahren
- Abrufe
Transkript
1 Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen SoSe 2012 Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing 10. April 2012 Dozentin: Prof. Dr. Christine Müller
2 Inhaltsverzeichnis 1 Einleitung 3 2 Statistische Methoden Geometrische Brownsche Bewegung Verschiebung des Startwertes und Startzeitpunktes bei der Brownschen Bewegung Brownsche Brücke Simulationen, Untersuchungen und Beispiele Simulation und Untersuchung der geometrischen Brownschen Bewegung Simulation der Brownschen Brücke Ähnlichkeit der Pfade mit gleichen Parametern Zusammenfassung 10 A Anhang 12 A.1 Zusätzliche Abbildungen A.2 R-Code Literaturverzeichnis 15 2
3 1 Einleitung Im Finanzwesen ist es nützlich, Aktienverläufe simulieren zu können, damit der Verlauf von Aktienwerten nachvollzogen, aber eventuell auch vorausgeplant werden kann. Dafür wird die geometrische Brownsche Bewegung verwendet. Sie nimmt ausschließlich positive Werte an und ist damit gut für diese Art der Verwendung geeignet. Sie wird ein Gegenstand dieses Berichts sein. Eine nützliche Erweiterung der Brownschen Bewegung ist die Brownsche Brücke. Mit ihr ist es möglich, bei festgelegten Start- und Endpunkten den Verlauf eines dynamischen Zufallsprozesses zu simulieren. Diese Methode wird im Laufe des Berichts ebenfalls vorgestellt und untersucht. Der Bericht hat das Buch Simulation and Inference for Stochastic Differential Equations: With R Examples von Stefano M. Iacus als Grundlage. Zu diesem Buch entwickelte Iacus das Paket sde für das Programm R, in dem nützliche Funktionen zur Simulation der vorgestellten Verfahren implementiert sind, die auch in dieser Ausarbeitung vorgestellt werden. Diese Ausarbeitung beschreibt im Kapitel Statistische Methoden zwei Modifikationen der Brownschen Bewegung, und zwar die geometrische Brownsche Bewegung und die Brownsche Brücke. Außerdem wird hier geschildert, wie der Startwert und der Startzeitpunkt der Brownschen Bewegung verändert werden können. Darauf folgen einige Unterkapitel, die unter der Beschreibung Simulationen, Untersuchungen und Beispiele zusammengefasst werden. Im ersten Unterkapitel wird die Simulation der geometrischen Brownschen Bewegung beschrieben und veranschaulicht sowie eine Untersuchung der Parameter durchgeführt. Das zweite Unterkapitel beschäftigt sich mit der Simulation der Brownschen Brücke. Das letzte Unterkapitel thematisiert die Ähnlichkeit der Pfade, die die vorliegenden Simulationen mit den gleichen Parametern hervorbringen. Schließlich werden die Ergebnisse in der Zusammenfassung gebündelt dargestellt. Im Anhang befinden sich zwei zusätzliche Abbildungen sowie der R-Code, der verwendet wurde. 3
4 2 Statistische Methoden Im Laufe des gesamten Berichtes geht es um Modifikationen der Brownschen Bewegung, eines stochastischen Prozesses. Daher folgen hier einige kurze Definitionen. Sei ein Wahrscheinlichkeitsraum gegeben durch (Ω, F, P), ein Messraum durch (S, S) und eine Indexmenge durch I [0, [. Ein stochastischer Prozess ist dann eine Familie X = (X t ) t I messbarer Abbildungen X t : Ω S, t I (vgl. Meintrup und Schäffler, 2005, S.268). Eine Brownsche Bewegung B = (B t ) t 0 ist ein stochastischer Prozess, der folgende Bedingungen erfüllt: B 0 = 0 fast sicher, (B t ) t 0 besitzt unabhängige Zuwächse, die Zuwächse B t B s, 0 s < t sind normalverteilt mit Erwartungswert 0 und Varianz t s sowie (B t ) t 0 ist ein stetiger Prozess (vgl. Meintrup und Schäffler, 2005, S.342). 2.1 Geometrische Brownsche Bewegung Die geometrische Brownsche Bewegung wird häufig verwendet, um den Kursverlauf einer Aktie zu simulieren. Um positive dynamische Zufallsvariablen zu modellieren, reicht es nicht aus, die Brownsche Bewegung W(t) zu verwenden, da diese normalverteilte Zuwächse hat und somit negative Werte annehmen kann. Außerdem ist es nicht immer gerechtfertigt, stationäre Zuwächse anzunehmen, die nicht vom aktuellen Wert der Zufallsvariable abhängen (vgl. Henking et al., 2006, S.149). Die geometrische Brownsche Bewegung hat multiplikative, unabhängige Zuwächse und ist als Modifikation der Brownschen Bewegung W(t) definiert: S(t) = x exp[(r σ2 )t + σw(t)], t > 0 2 Dabei ist der Startwert gegeben durch S(0) = x, x R. Außerdem sind die Volatilität σ > 0 (Einfluss des Zufalls) sowie der Drift r zwei Konstanten. Neben dieser Definition kann auch eine Definition der geometrischen Brownschen Bewe- 4
5 gung über die Zuwächse von S gegeben werden. Diese Zuwächse sind gegeben durch S(t + t) = S(t) exp[(r σ2 )(t + t t) + σ(w(t + t) W(t))] 2 = S(t) exp[(r σ2 2 ) t + σ tz]. Dabei ist Z normalverteilt mit Erwartungswert 0 und Varianz 1. Die erste Formel ist ein Spezialfall der generalisierten geometrischen Brownschen Bewegung. Diese Generalisierung beginnt bei x zum Zeitpunkt s und die Bewegung wird beschrieben durch Z s,x (t) = x exp[(r σ2 )(t s) + σ(w(t) W(s))], t s. 2 Dabei ist Z 0,S(0) (t) = S(t) (vgl. Iacus, 2008, S.24 ff.). 2.2 Verschiebung des Startwertes und Startzeitpunktes bei der Brownschen Bewegung Wenn die Brownsche Bewegung zum Startzeitpunkt 0 nicht bei dem Wert 0, sondern dem Wert x beginnt, dann ist der Pfad dieser Bewegung gegeben durch folgende Modifikation der Brownschen Bewegung W(t): W 0,x (t) = x + W(t) Es handelt sich hierbei um eine schlichte Verschiebung der Bewegung entlang der y- Achse. Wenn auch der Startzeitpunkt verändert wird, ergibt sich folgender Pfad: W t0,x(t) = x + W(t) W(t 0 ) Dieser Ausdruck beschreibt die Brownsche Bewegung, die zum Zeitpunkt t 0 mit dem Wert x beginnt. Dabei ist zusätzlich zu einer Verschiebung entlang der x-achse um x eine Verschiebung entlang der y-achse um W(t 0 ) gekommen. Der Prozess kann auch 5
6 durch eine bedingte Wahrscheinlichkeit ausgedrückt werden: W t0,x = {W(t), t 0 t T W(t 0 ) = x}. Es gilt dabei W 0,W (0) (t) = W(t) und W t0,x(t) ist verteilungsgleich zu x + W(t t 0 ) (vgl. Iacus, 2008, S.26 f.). 2.3 Brownsche Brücke Die Brownsche Bewegung dient dann zur Beschreibung von dynamischen Vorgängen, wenn ein Prozess fast sicher bei einem bestimmten Wert beginnt und fast sicher bei einem bestimmten Wert endet (vgl. Meintrup und Schäffler, 2005, S. 350). Der Verlauf der Brownschen Bewegung wird also simuliert, wobei die Werte der Start- und der Endzeit bekannt sind. Es wird sozusagen eine Brücke zwischen diesen beiden Punkten geschlagen. Die Brownsche Brücke ist, wenn die Brownsche Bewegung bei x zum Zeitpunkt t 0 beginnt und durch den Punkt y zur Zeit T, T > t 0 geht, gegeben durch: W T,y t 0,x(t) = x + W(t t 0 ) t t 0 T t 0 (W(T t 0 ) y + x) Der Prozess lässt sich auch durch die folgende bedingte Wahrscheinlichkeit beschreiben: {W(t), t 0 t T W(t 0 ) = x, W(T) = y} (vgl. Iacus, 2008, S.27). 3 Simulationen, Untersuchungen und Beispiele Alle Simulationen sowie die Erstellung der Grafiken wurden mit dem Programm R vorgenommen (R Development Core Team, 2011). Die im Folgenden vorgestellten Simulationen können mit dem R-Paket sde vorgenommen werden (Iacus, 2009). Dort sind Funktionen zur Simulation der Brownschen Bewegung, der geometrischen Brownschen Bewegung und der Brownschen Brücke implementiert. 6
7 3.1 Simulation und Untersuchung der geometrischen Brownschen Bewegung Ein schlichter Weg, um die geometrische Brownsche Bewegung zu simulieren, ist die Simulation der Brownschen Bewegung und die anschließende Transformation gemäß der Definition im Methodenteil dieser Ausarbeitung. Bei der Simulation müssen nun mehrere Werte festgelegt werden. Natürlich müssen die Parameter Drift t und Volatilität σ festgelegt werden, aber auch das Ende des Intervalls sowie der Startwert und die Schrittgröße. Zu jedem einzelnen Schritt in dem Intervall wird dann zunächst der Wert der Brownschen Bewegung berechnet. Dabei wird für den ersten Schritt der Startwert 0 gewählt. Danach wird die (zufällige) Zunahme zum nächsten Schritt berechnet und aufaddiert. Mit dem so berechneten Wert geht der Algorithmus weiter, bis das Ende des Intervalls erreicht ist. Um nun die Werte der geometrischen Brownschen Bewegung zu erhalten, wird die Reihe der Werte der Brownschen Bewegung gemäß der Definition im Methodenteil transformiert. Natürlich kann auch statt der Einbindung einer Schleife die Verwendung von Vektoren gewählt werden. Diese Art der Simulation ist in dem Paket sde als Funktion BM vorgenommen (Iacus, 2009). In Abbildung 1 ist die Veränderung der Brownschen Bewegung zur geometrischen Brownschen Bewegung veranschaulicht. Es ist klar erkennbar, dass der Pfad der geometrischen Brownschen Bewegung einen Trend nach oben hat. Dieser Trend wird durch den Drift r beschrieben. Der Graph der geometrischen Brownschen Bewegung hat einen stärkeren Ausschlag. Diese Unbeständigkeit wird durch die Volatilität σ beschrieben. Außerdem ist eine Veränderung des Startwertes durchgeführt worden. Abbildung 2 stellt dar, wie sich die Veränderung der Volatilität σ auf den Pfad auswirkt. Ein Pfad mit einer höheren Volatilität ist höheren Schwankungen ausgesetzt. Außerdem erkennbar ist, dass der Pfad eines Prozesses sich umso mehr an die x-achse anschmiegt, je größer die Volatilität ist. Ein weiterer Parameter, der die geometrische Brownsche Bewegung bestimmt, ist der Drift. Dieser Parameter gibt an, inwieweit sich der Pfad der Bewegung nach oben (posi- 7
8 Wert Zeit Abbildung 1: Ein Pfad der normalen Brownschen Bewegung (gestrichelte Linie) und der daraus berechnete Pfad der geometrischen Brownschen Bewegung mit Drift r=1 und Volatilität σ=1 (durchgehende Linie) tiver Drift) oder unten (negativer Drift) orientiert. In Abbildung 5 im Anhang ist veranschaulicht, wie sich eine Veränderung des Drifts auf den Pfad auswirkt. 3.2 Simulation der Brownschen Brücke Die Brownsche Brücke kann wie die geometrische Brownsche Bewegung simuliert werden, indem zuerst die Brownsche Bewegung simuliert und dann entsprechend der Definition modifiziert wird. Auch hier kann entweder eine Schleife verwendet werden, oder die Ergebnisse werden direkt vektorwertig verwendet. Dabei wird bei der Funktion BBridge, implementiert im Paket sde (Iacus, 2009), zunächst ein Pfad der Brownschen Bewegung mit dem Startwert 0 berechnet. Darauf folgend wird eine Modifikation der Werte entsprechend der Definition im Methodenteil vorgenommen. Ein Pfad der Brownschen Brücke ist in Abbildung 3 dargestellt. Zur Veranschaulichung der Modifikation der Brownschen Bewegung zur Brownschen Brücke wurde der entsprechende Graph der Brownschen Bewegung hinzugefügt. 8
9 Wert Zeit Abbildung 2: Pfade der geometrischen Brownschen Bewegung mit Volatilität σ=0.5 (durchgehende Linie), σ=2 (gestrichelte Linie) und σ=5 (gepunktete Linie) 3.3 Ähnlichkeit der Pfade mit gleichen Parametern Es ist bei der Simulation von dynamischen Zufallsvariablen interessant, wie ähnlich sich Pfade mit den gleichen Parametern sind. Je näher die Pfade beieinander liegen, desto besser kann man eventuell abschätzen, wie der tatsächliche Verlauf ist. Natürlich können die Pfade umso weiter auseinander driften, je größer der Zeitraum ist, den sie umspannen. Die Abbildung 4 im Folgenden und die Abbildung 6 im Anhang zeigen jeweils drei verschiedene Pfade der geometrischen Brownschen Bewegung und der Brownschen Brücke mit den gleichen Parametern. Bei der Brownschen Brücke ist der Bereich, den die Pfade einnehmen, relativ begrenzt, da sie einen festen Endpunkt haben. 9
10 Wert Zeit Abbildung 3: Ein Pfad der normalen Brownschen Bewegung (gestrichelte Linie) und der daraus berechnete Pfad der Brownschen Brücke, der bei 0 beginnt und bei -1 endet (durchgehende Linie) mit einer Markierung des gesetzten Endwertes (gepunktete Linie) 4 Zusammenfassung Das Ziel des Berichtes ist es, eine verständliche und ausführliche Darstellung, Simulation und Untersuchung von zwei Modifikationen der Brownschen Bewegung, und zwar der geometrischen Brownschen Bewegung und der Brownschen Brücke, zu liefern. Dazu wird vor allem das Buch Simulation and Inference for Stochastic Differential Equations: With R Examples von Stefano M. Iacus verwendet. Die geometrische Brownsche Bewegung besitzt zwei Parameter, mit denen eingestellt wird, sodass eine gute Anpassung an reale Verläufe zu erwarten ist. Die Brownsche Brücke kann gut verwendet werden, um einen Verlauf eines dynamischen Prozesses zwischen zwei Punkten zu simulieren. So ist der Verlauf der Pfade eingeschränkt, da sie nicht wegdriften können, sondern einen klaren Endpunkt haben. Der Pfad einer Simulation der Brownschen Brücke oder einer geometrischen Brownschen Bewegung sollte keinesfalls als einziges Vorbild für eine reale Entwicklung genommen werden, da die möglichen Pfade sich sehr voneinander unterscheiden können. Vielmehr stellt ein Pfad eine von unendlich vielen Möglichkeiten des Verlaufs 10
11 Wert Zeit Abbildung 4: Drei Pfade der geometrischen Brownschen Bewegung mit gleichen Parametern dar. Sehr interessant wäre eine weitere Untersuchung der Ähnlichkeit der Pfade der hier vorgestellten Modifikationen der Brownschen Bewegung. So könnte man einschätzen, in welchen Bereich die Pfade der dynamischen Prozesse sich unter den gegebenen Voraussetzungen mit hoher Wahrscheinlichkeit bewegen. Es könnte auch genauer betrachtet werden, warum ein Pfad der geometrischen Brownschen Bewegung umso eher an die x-achse rückt, wenn die Volatilität hoch ist. Ebenfalls interessant ist unter Umständen eine Vereinigung der beiden hier vorgestellten Verfahren, also eine Art geometrische Brownsche Brücke. So könnte beispielsweise der Kursverlauf von Aktien simuliert werden, wenn der Startwert und der Endwert einer Aktie bekannt ist. 11
12 A Anhang A.1 Zusätzliche Abbildungen Wert Zeit Abbildung 5: Pfade der geometrischen Brownschen Bewegung mit Drift r=1 (durchgehende Linie), r=0 (gestrichelte Linie) und r=-1 (gepunktete Linie) Wert Zeit Abbildung 6: Drei Pfade der Brownschen Brücke mit gleichen Parametern 12
13 A.2 R-Code # Geometrische Brownsche Bewegung r <- 1 # Drift sigma <- 1 # Volatilität x <- 1 # Startwert zum Zeitpunkt 0 N <- 100 # Anzahl der Punkte, zu denen Veränderung berechnet wird/ x-werte T <- 1 # Länge des Intervalls [0,T] in Zeiteinheiten Delta <- T/N # Zeiterhöhung/ Schrittgröße W <- numeric(n+1) # Vektor, der später überschrieben wird t <- seq(0,t,length=n+1) # Vektor der einzelnen x-werte for(i in 2:(N+1)) { W[i] <- W[i-1] + rnorm(1) * sqrt(delta) # Brownsche Bewegung } S <- x * exp((r-sigma^2/2)*t + sigma*w) # Geometrische Brownsche Bewegung # Abbildung: Veränderung der BM zur GBM plot(t,s,type="l", xlab="zeit", ylab= "Wert", xlim=c(0,1), ylim=c(-0.2,4.5)) lines(t,w,lty=2) # Brownsche Brücke N <- 100 T <- 1 Delta <- T/N W <- numeric(n+1) t <- seq(0,t, length=n+1) for(i in 2:(N+1)){ W[i] <- W[i-1] + rnorm(1) * sqrt(delta) # Brownsche Bewegung } x <- 0 # Startwert zum Zeitpunkt 0 y <- -1 # Endwert zum Zeitpunkt T BB <- x + W - t/t * (W[N+1] - y + x) # Brownsche Brücke # Abbildung: Veränderung der BM zur BBridge plot(t,bb,type="l", xlab="zeit", ylab="wert", ylim=c(-1.5,1)) lines(t,w,lty=2) abline(h=-1, lty=3) # Linie auf der Höhe des Endwertes # nur nötig, falls Funktionen nicht manuell definiert werden: # require(sde) ## Simulation der Brownschen Bewegung BM <- function(x=0, t0=0, T=1, N=100){ if(t<= t0) stop("wrong times") dt <- (T-t0)/N # Schrittgröße t <- seq(t0,t, length=n+1) # Zeitvektor X <- ts(cumsum(c(x,rnorm(n)*sqrt(dt))), start=t0, deltat=dt) # Berechnung über Zunahmen (cumsum) return(invisible(x)) # Ausgabe als Zeitreihenobjekt } ## Simulation der Brownschen Brücke BBridge <- function(x=0, y=0, t0=0, T=1, N=100){ if(t<= t0) stop("wrong times") dt <- (T-t0)/N # Schrittgröße t <- seq(t0, T, length=n+1) # Zeitvektor X <- c(0, cumsum(rnorm(n)*sqrt(dt))) # Berechnung Brownsche Bewegung bei null beginnend BB <- x + X - (t-t0)/(t-t0)*(x[n+1]-y+x) # Berechnung Brownsche Brücke gemäß Formel X <- ts(bb, start=t0, deltat=dt) # Zeitreihenobjekt return(invisible(x)) } ## Simulation der geometrischen Brownschen Bewegung GBM <- function(x, r=0, sigma, T=1, N=100){ 13
14 tmp <- BM(T=T, N=N) # Berechnung der Brownschen Bewegung S <- x * exp((r-sigma^2/2)*time(tmp) + sigma* as.numeric(tmp)) X <- ts(s, start=0, deltat=1/n) return(invisible(x)) # Ausgabe als Zeitreihenobjekt } ## Abbildungen zur GBM # Volatilität verändern plot(gbm(x=5,r=1,sigma=0.5,t=1,n=100), xlab="zeit", ylab= "Wert", ylim=c(0,20)) lines(gbm(x=5,r=1,sigma=2,t=1,n=100), lty=2) lines(gbm(x=5,r=1,sigma=5,t=1,n=100), lty=3) # Drift verändern plot(gbm(x=5,r=1,sigma=0.5,t=1,n=100), xlab="zeit", ylab= "Wert", ylim=c(0,20)) lines(gbm(x=5,r=0,sigma=0.5,t=1,n=100), lty=2) lines(gbm(x=5,r=-1,sigma=0.5,t=1,n=100), lty=3) # verschiedene Graphen plot(gbm(x=5,r=1,sigma=0.5,t=1,n=100), xlab="zeit", ylab= "Wert", ylim=c(4,20)) set.seed(234) lines(gbm(x=5,r=1,sigma=0.5,t=1,n=100), lty=2) set.seed(345) lines(gbm(x=5,r=1,sigma=0.5,t=1,n=100), lty=3) ## Abbildungen zu BBridge # verschiedene Graphen plot(bbridge(x=0, y=-1, t0=0, T=1, N=100), xlab="zeit", ylab= "Wert", ylim=c(-1.5,0.5)) set.seed(234) lines(bbridge(x=0, y=-1, t0=0, T=1, N=100), lty=2) set.seed(345) lines(bbridge(x=0, y=-1, t0=0, T=1, N=100), lty=3) 14
15 Literaturverzeichnis Henking, A., Bluhm, C., Fahrmeir, L. (2006): Kreditrisikomessung: Statistische Grundlagen, Methoden und Modellierung, 1. Auflage, Springer, Berlin. Iacus, S. M. (2008): Simulation and Inference for Stochastic Differential Equations: With R Examples, 1. Auflage, Springer, New York. Iacus, S. M. (2009): sde: Simulation and Inference for Stochastic Differential Equations, R package version Meintrup, D. und Schäffler, S. (2005): Stochastik: Theorie und Anwendungen, 1. Auflage, Springer, Berlin. R Development Core Team (2011): R : A language and environment for statistical computing, R Foundation for Statistical Computing, Wien, Österreich, URL 15
Geometrische Brownsche Bewegung und Brownsche Brücke
Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrVerschiedene stochastische Prozesse. Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik
Verschiedene stochastische Prozesse Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik Seite 2 Verschiedene stochastische Prozesse Ann-Kathrin Rüger 27. Mai 2013 Inhalt Stochastische Prozesse Grenzüberschreitende
MehrEinige parametrische Familien für stochastische Prozesse
Technische Universität Dortmund Fakultät Statistik Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Einige parametrische Familien für stochastische Prozesse Ausarbeitung Dozentin:
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
MehrDiffusionsprozesse und lineare stochastische DGL
Diffusionsprozesse und lineare stochastische DGL Michele Bieber TU Dortmund - Fakultät Statistik 15. Mai 2012 Inhaltsverzeichnis 1 Einleitung 2 Diffusionsprozesse Stochastische DGL eines Diffusionsprozesses
MehrSeminar-Bericht. Euler-Approximation. Grundlagen der Simulation und Statistik von dynamischen Systemen Autor: Marian Verkely.
Seminar-Bericht Euler-Approximation Grundlagen der Simulation und Statistik von dynamischen Systemen 19.11.2014 Autor: Marian Verkely Dozent: Prof. Dr. Christine Müller Inhaltsverzeichnis 1 Einleitung
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrStochastik Praktikum Simulation stochastischer Prozesse
Stochastik Praktikum Simulation stochastischer Humboldt-Universität zu Berlin 15.10.2010 Übersicht 1 Brownsche Bewegung und Diffusionsprozesse 2 Brownsche Brücke 3 Ornstein Uhlenbeck 4 Zusammengesetzte
MehrMaximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell
Maximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell Vortrag im Seminar Grundlagen der Simulation und Statistik von dynamischen Systemen Philipp Aschersleben Fakultät
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
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
MehrErste Schritte mit R. 2.1 Herunterladen der freien Software R
Erste Schritte mit R 2 BevorwirunsmitdeninKap.1 eingeführten Fragestellungen beschäftigen, brauchen wir noch ein Werkzeug, um die Datensätze später wirklich auswerten zu können. Sicher lässt sich das in
MehrPseude-Likelihood-Methode
Pseude-Likelihood-Methode Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Andrei Durtca Technische Universität Dortmund 12. Januar 2015 Inhaltsverzeichnis 1 Einleitung 2 Pseude-Likelihood-Methode
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrKlassifikation und Analyse finanzwirtschaftlicher Zeitreihen mit Hilfe von fraktalen Brownschen Bewegungen
Michael Hafner Klassifikation und Analyse finanzwirtschaftlicher Zeitreihen mit Hilfe von fraktalen Brownschen Bewegungen PETER LANG Europäischer Verlag der Wissenschaften Inhaltsverzeichnis Abbildungsverzeichnis.-.
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
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
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
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
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
Mehrf(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,
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrDiffusionsprozesse und lineare stochastische Differentialgleichungen
Diffusionsprozesse und lineare stochastische Differentialgleichungen Michele Bieber Projektbericht im Rahmen des Seminars Grundlagen der Simulation und Statistik von dynamischen Systemen Sommersemester
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehrad Physik A VL2 (11.10.2012)
ad Physik A VL2 (11.10.2012) korrigierte Varianz: oder: korrigierte Stichproben- Varianz n 2 2 2 ( x) ( xi ) n 1 i1 1 n 1 n i1 1 Begründung für den Vorfaktor : n 1 Der Mittelwert der Grundgesamtheit (=
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrElementare Stochastik
Mathematik Primarstufe und Sekundarstufe I + II Elementare Stochastik Mathematische Grundlagen und didaktische Konzepte Bearbeitet von Herbert Kütting, Martin J. Sauer, Friedhelm Padberg 3. Aufl. 2011.
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrEinführung in die linearen Funktionen. Autor: Benedikt Menne
Einführung in die linearen Funktionen Autor: Benedikt Menne Inhaltsverzeichnis Vorwort... 3 Allgemeine Definition... 3 3 Bestimmung der Steigung einer linearen Funktion... 4 3. Bestimmung der Steigung
MehrDüngersäcke (3) Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen.
Düngersäcke (3) Aufgabennummer: B_155 Technologieeinsatz: möglich S erforderlich Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen. a) Langfristige Überprüfungen
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr9. Vorlesung Wintersemester
9. Vorlesung Wintersemester 1 Die Phase der angeregten Schwingung Wertebereich: bei der oben abgeleiteten Formel tan φ = β ω ω ω0. (1) ist noch zu sehen, in welchem Bereich der Winkel liegt. Aus der ursprünglichen
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
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
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrFloquet-Theorie IV. 1 Hills Gleichung
Vortrag zum Seminar Gewöhnliche Differentialgleichungen, 08.11.2011 Tobias Roidl Dieser Vortrag befasst sich mit der Hills Gleichung und gibt eine Einführung in die Periodischen Orbits von linearen Systemen.
MehrAnhand 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
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
MehrAngewandte Statistik mit R. Eine Einführung für Ökonomen und
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 3. Auflage Springer Gabler Inhaltsverzeichnis Vorwort zur dritten Auflage Vorwort zur ersten Auflage Vorwort
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
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
MehrRisikoneutrale Wahrscheinlichkeit
Risikoneutrale Wahrscheinlichkeit M. Gruber 11. 6 214 Rev.3 Zusammenfassung Diskontierter Aktienpreisprozess, Risiko-Marktpreis, Risikoneutralität; Verschiebung des Erwartungswerts einer Zufallsvariablen,
MehrTheoretische Biophysik - Statistische Physik
Theoretische Biophysik - Statistische Physik 10. Vorlesung Pawel Romanczuk Wintersemester 2018 http://lab.romanczuk.de/teaching/ 1 Brownsche Bewegung Zusammenfassung letzte VL Formulierung über Newtonsche
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrVorlage für das Schulcurriculum Qualifikationsphase
Vorlage für das Schulcurriculum Qualifikationsphase Grundkurs/grundlegendes Anforderungsniveau Kompetenzen/ Fähigkeiten L1 Leitidee: Algorithmus und Zahl - lösen lineare Gleichungssysteme mithilfe digitaler
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,
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2016 Mathematik Kompensationsprüfung 3 Angabe für Prüfer/innen Hinweise zur
MehrLösung II Veröffentlicht:
1 Momentane Bewegung I Die Position eines Teilchens auf der x-achse, ist gegeben durch x = 3m 30(m/s)t + 2(m/s 3 )t 3, wobei x in Metern und t in Sekunden angeben wird (a) Die Position des Teilchens bei
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
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
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrDurchführung einer Regression über das Resttermverfahren am Beispiel einer bilogarithmischen Funktion
Durchführung einer Regression über das Resttermverfahren am Beispiel einer bilogarithmischen Funktion Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 21. November 2014 Letzte Revision: 6. Dezember 2014
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrAngewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrFotografie. Nach 0,3 Sekunden ist der Kondensator auf eine Spannung von 5,25 V aufgeladen.
Fotografie Aufgabennummer: B_047 Technologieeinsatz: möglich erforderlich S 1924 wurden erstmals Kleinbildkameras in Serie gefertigt. Die Automatisierung der bis dahin überwiegend mechanisch funktionierenden
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
MehrMathematica kompakt. Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß. Oldenbourg Verlag München
Mathematica kompakt Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß Oldenbourg Verlag München Inhaltsverzeichnis Vorwort Tabellenverzeichnis VII XVII 1 Einleitung 1 1 Grundlagen
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
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,
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrStochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong 8.01.010 1 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen.
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
Mehr4. 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
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrDas 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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik Bearbeitet von Karl Mosler, Friedrich Schmid 4., verb. Aufl. 2010. Taschenbuch. XII, 347 S. Paperback ISBN 978 3 642 15009 8 Format
MehrKurven. Markus Kraxner 22. Januar 2015
Kurven Markus Kraxner 22. Januar 2015 1 Inhaltsverzeichnis 1 Einleitung 3 2 Einleitung Kurven 4 2.1 Parameterdarstellung von Kurven.................. 4 2.2 Ebene Kurven............................. 4 2.3
MehrDifferenzengleichungen. und Polynome
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-600 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung Mit linearen Differenzengleichungen
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und Zeitreihenmodelle Department of Statistics and Mathematics WU Wien c 2008 Statistik 12 Stochastische Prozesse und Zeitreihenmodelle 0 / 53 Inhalt Notation Zusammenhang
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
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrVarianz 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 ]
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr