Martingale. Kapitel Martingale in diskreter Zeit Definition und Beispiele

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

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

Transkript

1 Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse (Kapitel 7). 6.1 Martingale in diskreter Zeit Definition und Beispiele Sei X = (Ω, A, P, {X t, t N}) ein SP bzw. eine Folge von ZV. Mit F X t = {X t, X t 1,..., X 1 } = {X s, s t} bezeichnen wir die t-vergangenheit von X. Ist {Z t, t N} ein weiterer SP, z.b. eine Folge von Kovariablen(-vektoren) zu {X t, t N}, dann bezeichnet F X,Z t = {X s, Z s, s t} die t-vergangenheit von X und Z. Offensichtlich gilt in beiden Fällen F 1... F t F t+1... Definition 6.1 Diskrete Martingale X = {X t, t N} heißt Martingal bezüglich {F t, t N} : 1. E( X t ) <, t N 2. E(X t+1 F t ) = E(X t+1 X t,..., X 1 ; Z t,..., Z 1 ) = X t Oft wird auch ohne direkten Bezug auf {F t } definiert: X heißt Martingal : Es existiert eine Folge {F t, t N}, so dass X Martingal bezüglich {F t } ist. 124

2 KAPITEL 6. MARTINGALE 125 Während 1. die Existenz der Erwartungswerte sichert, charakterisiert 2. die Martingaleigenschaft. Interpretation: Sei X t das Kapital eines Spielers nach dem t-ten Spiel, F t die Vergangenheitsinformation über den Spielverlauf bis t. 2. besagt: Das erwartete Kapital nach dem nächsten Spiel ist gleich dem gegenwärtigen Kapital. In diesem Sinn ist das Spiel fair. Folgerungen: 1. E(X t+k F t ) = X t 2. E(X 1 ) = E(X 2 ) =... = E(X t ) Beweis: Die Beweise benutzen Regeln zu bedingten Erwartungswerten: 1. für k = 2 für k > 2: Induktion. E(X t+2 X t,..., X } {{ } 1 ) = E Xt+1 F t (E(X t+2 X t+1, X t,..., X 1 ) } {{ } F t 2. E(X 2 ) = E(E(X 2 X 1 )), } {{ } =X 1 usw. durch vollständige Induktion = E(X t+1 F t ) = X t =X t+1 ) Die Definition von Martingalen kann äquivalent durch Martingaldifferenzen (Zuwächse) t = X t X t 1, 1 = X 1 erklärt werden, da 2. in Definition 6.1. äquivalent ist zu

3 KAPITEL 6. MARTINGALE E( t+1 F t ) = 0. Dabei ist F t äquivalent zu { t, t 1,..., 1 }. Eine Folge mit Eigenschaft 3. heißt Martingaldifferenz-Folge. Mit ist dann {X t, t N} ein Martingal. X t = t Definition 6.2 Semimartingale (unfaire Spiele) X = {X t, t N} heißt Sub- bzw. Supermartingal : 1. E( X t ) <, t N 2. E(X t+1 F t ) X t (Sub) bzw. E(X t+1 F t ) X t (Super) X heißt Semimartingal, wenn X entweder ein Sub- oder Supermartingal ist. Bemerkung: Die Definition von (Semi-)Martingalen wird oft abstrakter mit Hilfe einer aufsteigenden Folge F 0... F t F t+1... A von σ-algebren eingeführt. Eine solche Folge von σ-algebren heißt Filtration. In Anwendungen ist F t sehr oft F t = F X t = σ(x 1,..., X t ) bzw. F X,Z t = σ(x 1,..., X t ; Z 1,..., Z t ) die von {X 1,..., X t } bzw. {X 1,..., X t ; Z 1,..., Z t } erzeugte σ-algebra. Man fordert, dass X t F t -messbar ist und versteht unter E(X t+1 F t ) die bedingte Erwartung von X t+1 gegeben die σ-algebra F t.

4 KAPITEL 6. MARTINGALE 127 Beispiel: (a) Irrfahrten Sei { t, t N} iid Folge mit E( t ) = µ X t = t bzw. X t+1 = X t + t+1. {X t } Martingal für µ = 0 E(X t+1 X 1,..., X t ) = E(X t + t+1 X t, t,..., 1 ) {X t } Submartingal für µ 0 {X t } Supermartingal für µ 0 z.b. Diskrete Irrfahrt mit p = q ist Martingal. = X t + E( t+1 ) = X t + µ; (b) Score-Funktion bei Logit-Modell für binäre MK Logit-Modell: Score-Funktion für Beobachtung Y 0, Y 1,..., Y t : P (Y t = 1 X t, Y t 1 ) = h(x t β X + β Y Y t 1 ) = π t S t (β) = t Z s (Y s π s ), } {{ } Z s = (X s, Y s 1 ), s N. = s(β) s=1 Es gilt: da E(Y s F s 1 ) = π s. E( s (β) Y 1,..., Y s 1 ; X s,..., X } {{ } 1 ) = 0, F s 1 { t (β), t N} bildet Martingaldifferenzenfolge, {S t (β), t N} Martingal. Diese Eigenschaft bildet die Grundlage für asymptotische Likelihoodtheorie bei abhängigen Beobachtungen Y 1,..., Y t,..., da starkes Gesetz großer Zahlen und zentrale Grenzwertsätze für Martingale existieren. Diese Bemerkung gilt auch für Likelihood-Inferenz in allgemeineren SP.

5 KAPITEL 6. MARTINGALE Spielsysteme und das Optional Stopping Theorem Der Martingalbegriff ist historisch mit Spielsystemen verknüpft. Zur Vorbereitung benötigen wir den Begriff einer Stoppzeit. Definition 6.3 Stoppzeit Sei {F t } eine Filtration, z.b. F t = σ(x 1,..., X t ). Eine ZV τ mit Werten in {0, 1, 2,..., + } heißt Stoppzeit : {τ t} = {ω : τ(ω) t} F t für alle t ( {τ = t} F t {τ t} F t 1 ). Die Definition besagt: Ob das Ereignis {τ = t} eintritt oder nicht, hängt nur von der Vorgeschichte (bis einschließlich t) ab, jedoch nicht von der Zukunft. Beispielsweise soll die Entscheidung zum Zeitpunkt t ein Spiel zu beenden, nur von den bis t eingetretenen Ereignissen, nicht aber von zukünftigen Ereignisssen abhängen (keine Präkognition). Definition 6.4 Spielsystem Unter einem Spielsystem verstehen wir eine Folge von ZV {X t, t N}, die folgendermaßen konstruiert wird: X 1 = W 1 1, X t+1 = X t + W t+1 t+1. Dabei bedeutet t unabhängige ZV mit E( t ) = 0. Diese ZV repräsentieren eine unabhängige Folge von (fairen) Spielen, deren Ausgang vom Spieler nicht beeinflusst werden kann. X t kumulierter Spielgewinn nach dem t-ten Spiel. W t Einsatz, den der Spieler für das t-te Spiel leistet. Die Spieleinsätze W t 0 können in Abhängigkeit vom bisherigen Spielverlauf gewählt werden. Formal: (W t, Ft X = {X t,..., X 1 }), t N, ist eine vorhersagbare Folge : W t = g t (X t 1,..., X 1 ) W t ist Ft 1-messbar. X Dabei ist g t eine deterministische, messbare Funktion. Satz 6.1 Der SP X = {X t, t N} der kumulierten Spielgewinne bildet ein Martingal.

6 KAPITEL 6. MARTINGALE 129 Beweis: E(X t+1 F X t ) = E(X t + W t+1 t+1 F X t ) = E(X t F X t ) + E(W t+1 t+1 F X t ) = X t + W t+1 E( t+1 F X t ) = X t + W t+1 E( t+1 ) } {{ } =0 = X t. Das Verdopplungssystem beim Roulette Der Name Martingal stammt von folgendem Spielsystem: 1. Setze auf Rot. Beginne mit dem Einsatz 1 und verdopple nach jedem Spiel den Einsatz. 2. Verdopple solange, bis zum ersten Mal Rot erscheint. Nach Definition 6.3 entspricht dies: +1, Rot erscheint Gewinn t = 1, Schwarz erscheint Verlust In Phase 1 des Verdopplungssystems ist W t = 2 t 1, t = 1, 2,... X t = t 1 t. Nach Satz 6.1 bilden die kumulierten Spielgewinne nach einer festen Anzahl von Spielen ein Martingal mit E(X t ) = 0. Neu ist Phase 2, welche die Einführung einer Stoppzeit τ bedeutet, mit Die Stoppzeit τ ist geometrisch verteilt: τ(ω) := min{t : t (ω) = 1}. P (τ = t) = 1, t = 1, 2,... P (τ < ) = 1 2t Das Verdopplungssystem wird durch die ZV X τ τ 1 τ, für τ < X τ = undefiniert, für τ = (P (τ = ) = 0) beschrieben. Es gilt X τ(ω) (ω) = τ(ω) τ(ω) 1 = 1

7 KAPITEL 6. MARTINGALE 130 für ω {ω : τ(ω) < }, also P (X τ = 1) = 1. Mit dem Verdopplungssystem kann man daher das Spiel so steuern, dass man mit Wahrscheinlichkeit 1 den Betrag 1 gewinnt. Casino würde bankrott. Deshalb: Casinos begrenzen Anzahl der Verdopplungen durch eine Zahl K nach oben. Das Optional Stopping Theorem Für ein Martingal {X t, F t } gilt E(X 1 ) = E(X t ) für jedes feste t. Frage: Kann man diese Gleichheit durch Einführen einer Stoppzeit überlisten? Beim Spielsystem Verdoppeln ging das: E(X 1 ) = E(X t ) = 0, aber E(X τ ) = 1. Satz 6.2 Optional Stopping Theorem Sei {X t, F t } ein Martingal und τ eine Stoppzeit. Es gelte eine der folgenden Bedingungen 1. τ ist beschränkt (τ(ω) k für alle ω Ω). 2. {X t } ist beschränkt ( X t (ω) k für alle ω Ω) und P (τ < ) = E(τ) < und {X t X t 1 } ist beschränkt. Dann gilt E(X τ ) = E(X 1 ). Also: Falls eine der Bedingungen gilt, so folgt dass ein Martingal auch beim Übergang zu einer Stoppzeit nicht überlistet werden kann. Beim Spielsystem Verdoppeln sind alle drei Bedingungen verletzt: τ ist nicht beschränkt; {X t } und {X t X t 1 } = {2 t 1 } sind nicht beschränkt. Die möglichen Verluste des Spielers sind jedoch auch unbeschränkt; dies macht diese Strategie praktisch selbstmörderisch.

8 KAPITEL 6. MARTINGALE 131 Martingale in der Finanzmarkttheorie W-Raum (Ω, A, P ) {S 1 t, t = 0, 1, 2,..., T } stock ; Aktie mit zufälligen Wert (Preis) S j t, j = 1,..., k. {S k t,...} { B }{{} t,...} =:St 0 S j t = Sj t B t bond ; Sparbuch mit fester Zinsrate r relative (deflationierte) Preise S t = {B t, S 1 t,..., S k t }, S t = {1, S 1 t,..., S k t } Definition 6.5 Handelsstrategie Eine Handelsstrategie (trading strategy) ist ein vorhersagbarer (θ t F t 1 ) Prozess θ = {θ t, t = 1, 2,..., T } mit Komponenten θ j t, j = 0, 1,..., k Wert eines Portefeuilles: Zeit t 1 t Wert des Portefeuilles k j=0 θj t Sj t 1 = θ t S t 1 k j=0 θj t Sj t = θ t S t Gewinn im Intervall [t 1, t[ : θ t S t gesamter Gewinn in [0, t] : G t (θ) = t s=1 θ s S s V t (θ) = θ ts t Vermögensprozess G 0 (θ) = 0; {G t, t 0} Gewinnprozess Definition 6.6 Selbstfinanzierende Handelsstrategie {θ t } heißt selbstfinanzierend : θ ts t = θ t+1s t t = 1, 2,..., T 1 Also: Zu keiner Zeit wird dem Portefeuille Geld zugeführt oder abgezogen. Marktmodell M(S, θ): Menge von Aktien (Bond) und selbstfinanzierenden Handelsstrategien. Definition 6.7 (Handelsstrategie mit) Arbitragemöglichkeit θ Θ mit V 0 (θ) } {{ } = 0 (f.s.), V T (θ) 0 (f.s.) Anfangsvermögen und P {V T (θ) > 0} > 0. ( E(V T (θ)) > 0)

9 KAPITEL 6. MARTINGALE 132 Satz 6.3 Für einen (endlichen) Markt gilt: M(S, Θ) ist arbitragefrei (d.h. es gibt keine Handelsstrategie mit Arbitragemöglichkeit) Es existiert ein zu P äquivalentes W-Maß Q, so dass der deflationierte Vermögensprozess ein Martingal bezüglich Q ist. Ṽ t (θ) = θ t S t = θ t St B t Beweis: (z.b.) Koller (2000), Ammann (2001), Bingham/Kiesel (1998) Doob-Meyer-Zerlegung in diskreter Zeit Die Doob-Meyer-Zerlegung ist ein wesentliches Hilfsmittel zur statistischen Inferenz von Zählprozessen. Während der Beweis für Martingale in stetiger Zeit tiefliegende Hilfsmittel benützt, ist die Zerlegung in diskreter Zeit sehr einfach zu zeigen. X = {X t, t N} sei Submartingal, d.h. E(X t+1 F t ) X t. Ziel: Zerlegung von X t in vorhersagbaren, wachsenden Trend A t und Rauschen ( = Martingal M t ). Setze: M 1 = X 1, A 1 = 0, dann rekursiv A t = A t 1 + E(X t F t 1 ) X t 1 = t s=2 E(X s X s 1 F s 1 ), M t = X t A t. Dann gilt die Doob-Meyer-Zerlegung X t = A t + M t, wobei {M t } ein Martingal ist und der Kompensatorprozess {A t } wachsend und vorhersagbar ist, d.h. A t ist eine deterministische Funktion von F t 1 = {X 1,..., X t 1 }. Beweis: E(M t M t 1 F t 1 ) = E(X t X t 1 A t + A t 1 F t 1 ) = E(X t F t 1 ) X t 1 A t + A t 1 = 0 nach Definition von A t, d.h. {M t M t 1 } ist eine Martingaldifferenz und {M t } ein Martingal.

10 KAPITEL 6. MARTINGALE Martingale in stetiger Zeit Ziel: Konzepte von diskreter auf stetige Zeit übertragen; Grundlagen für Behandlung von Zählprozessen in Kap Definition und Beispiele Definition 6.8 (Semi-)Martingale in stetiger Zeit Der SP X = {X t, t R + } heißt Martingal : (Existenz von Erwartungswerten wird vorausgesetzt) 1. E(X tn X tn 1,..., X t1 ) = X tn 1 für alle t 1 <... < t n, n 2 2. E(X tn X tn 1 = x n 1,..., X t1 = x 1 ) = x n 1 für alle t 1 <... < t n, x 1,..., x n 1, n 2 Der SP X heißt Sub- bzw. Supermartingal : 3. E(X tn...) X tn 1 bzw. E(X tn...) X tn 1 für alle t 1 <... < t n, n 2 Bemerkungen: (a) Falls zusätzlich ein Kovariablen-Prozess {Z t, t R + } vorliegt, wird dieser in die Bedingung einbezogen. (b) Wie im diskreten Fall lässt sich die Definition auch mit Filtrationen F 0... F s... F t... A, s < t formulieren. Insbesondere kann F t wieder die von {X s, s t} bzw. {X s, Z s, s t} erzeugte σ-algebra sein. Dann ist X ein Martingal, falls E(X t F s ) = X s für alle s < t und ein Sub- bzw. Supermartingal, wenn gilt. E(X t F s ) X s bzw. E(X t F s ) X s

11 KAPITEL 6. MARTINGALE 134 Beispiel: (a) Wiener Prozess E(W tn W tn 1,..., W t1 ) = E((W tn W tn 1 ) + W tn 1...) = E(W tn W tn 1...) + E(W tn 1 W tn 1,..., W t1 ) = E(W tn W tn 1 W tn 1 W tn 2,..., W t2 W t1, W t1 ) + W tn 1 unabh. Zuwächse = E(W tn W tn 1 ) } {{ } =0 = W tn 1. Also: Wiener-Prozess ist Martingal (b) Poisson-Prozess Für s < t +W tn 1 E(N t F N s ) = E((N t N s ) + N s F N s ) = E(N t N s F N s ) + E(N s F N s ) = E(N t N s ) + N s = λ (t s) +N } {{ } s >0 Also: E(N t F N s ) > N s (für λ > 0), d.h. Poisson-Prozess ist Submartingal. Der kompensierte Prozess N t λt ist Martingal Doob-Meyer-Zerlegung in stetiger Zeit Im folgenden sei {F t } eine Filtration, insbesondere F t = σ(x s, s t) bzw. erweitert um Kovariablen. Die σ-algebra F t + = F s s>t erlaubt einen infinitesimalen Blick in die Zukunft, und ( ) = σ F s F t umfasst alle Ereignisse bis umittelbar vor t. s<t

12 KAPITEL 6. MARTINGALE 135 Im weiteren werden die üblichen Bedingungen vorausgesetzt: 1. {F t } ist rechtsstetig : F t = F + t für alle t 2. {F t } ist vollständig : Für C B A mit P (B) = 0 folgt C F 0 A (und P (C) = 0). Bemerkung: F t = σ(x s, s t) ist rechtsstetig, wenn die Pfade von X rechtsstetig sind. Damit lässt sich die Vorhersagbarkeit eines SP {A t, t R} definieren: Definition 6.9 Vorhersagbarkeit Ein SP A = {A t, t R + } heißt vorhersagbar (bez. {F t }) : für alle t R + gilt 1. A t ist F t -messbar, und 2. A t ist F t -messbar. Bedingung 2 ist erfüllt falls A t = g t (A s, s < t) mit einer messbaren, deterministischen Funktion g t. Hinreichend für die Vorhersagbarkeit ist, dass der SP A linksseitig stetige Pfade besitzt. Interpretation: A t ist bereits kurz vor t bekannt. Satz 6.4 Doob-Meyer-Zerlegung Sei {N t, t R + } ein rechtsstetiges, nichtnegatives oder ein beschränktes Submartingal, und {F t } eine Filtration mit den üblichen Bedingungen. Dann existiert ein vorhersagbarer Prozess {A t, t R + } mit N t = A t + M t für alle t R +, wobei {M t, t R + } ein Martingal ist. Der Prozess A heißt Kompensator von N. Beispiel: (a) Poisson-Prozess: N t λt =: M t N }{{} t = }{{} λt + M }{{} t Subm. Komp. Mart. A t = λt ; N t λt ist Martingal. In diesem Fall ist A t sogar deterministisch. (b) Inhomogener Poisson-Prozess: P (N(t + h) N(t) = 1) = λ(t)h + o(h)

13 KAPITEL 6. MARTINGALE 136 Mit Λ(t) = t 0 λ(u)du gilt E(N(t) Λ(t) F s ) = E(N(t) N(s) + N(s) Λ(t) F s ) d.h. N(t) Λ(t) ist ein Martingal. Somit und Λ(t) ist der Kompensator. = Λ(t) Λ(s) + N(s) Λ(t) = N(s) Λ(s), N(t) = Λ(t) + M(t),

Kapitel 6 Martingale

Kapitel 6 Martingale Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse

Mehr

1 Stochastische Prozesse in stetiger Zeit

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

Mehr

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/ Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell

Mehr

Kapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten

Kapitel 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

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

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

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Amerikanischen Optionen

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

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip

Mehr

Ruinwahrscheinlichkeiten im Glücksspiel

Ruinwahrscheinlichkeiten im Glücksspiel Ruinwahrscheinlichkeiten im Glücksspiel Wilhelm Stannat Fachbereich Mathematik TU Darmstadt February 24, 2007 Stochastik = Wahrscheinlichkeitstheorie + Statistik Wahrscheinlichkeitstheorie = Mathematische

Mehr

III Stochastische Analysis und Finanzmathematik

III Stochastische Analysis und Finanzmathematik III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,

Mehr

Konvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen

Konvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess

Mehr

Übungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016

Übungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016 Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]

Mehr

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

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag 8. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe Hedging Amerikanischer Optionen Wir sind in einem arbitragefreien

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

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

Mehr

7. Die Brownsche Bewegung

7. 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

Mehr

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

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

Mehr

Martingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut

Martingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis

Mehr

Terminologie Stochastischer Prozesse

Terminologie Stochastischer Prozesse Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.

Mehr

3 Markov-Eigenschaft der Brownschen Bewegung

3 Markov-Eigenschaft der Brownschen Bewegung Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t

Mehr

Diplomarbeit. Arbitragefreies Bewerten von Schadenversicherungen. von Ingmar Schiltz

Diplomarbeit. Arbitragefreies Bewerten von Schadenversicherungen. von Ingmar Schiltz Diplomarbeit Arbitragefreies Bewerten von Schadenversicherungen von Ingmar Schiltz Universität Siegen Fachbereich Mathematik Juni 2005 ARBITRAGEFREIES BEWERTEN VON SCHADENVERSICHERUNGEN 2 Betreuer und

Mehr

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik Jan Kallsen Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik AU zu Kiel, WS 13/14, Stand 10. Februar 2014 Inhaltsverzeichnis 1 Mathematische Hilfsmittel 4 1.1 Absolutstetigkeit

Mehr

Absolute Stetigkeit von Maßen

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

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

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

Mehr

Erwartungswert als Integral

Erwartungswert als Integral Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

3. Zusammenhang. 22 Andreas Gathmann

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

Mehr

8 Martingale und Stoppzeiten

8 Martingale und Stoppzeiten 8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

II. Bewertung von Derivaten in diskreter Zeit

II. Bewertung von Derivaten in diskreter Zeit II. Bewertung von Derivaten in diskreter Zeit 2.1. Wahrscheinlichkeitstheoretische Grundlagen 2.1.1. Bedingte Erwartungswerte Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Für A, B F mit P(B) > 0 ist die

Mehr

1 Bedingte Erwartungswerte

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

Mehr

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper 32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt

Mehr

Grammatiken. Einführung

Grammatiken. Einführung Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische

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

A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109

A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109 A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte

Mehr

Angewandte Stochastik

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

Mehr

Vorlesung. Funktionen/Abbildungen 1

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

Mehr

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

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

Mehr

Stochastik-Praktikum

Stochastik-Praktikum Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017

Mehr

34 5. FINANZMATHEMATIK

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

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

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

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

Mehr

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

Mehr

15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit

15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit 5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord

Mehr

Markov-Prozesse mit stetigem Zustands- und Parameterraum

Markov-Prozesse mit stetigem Zustands- und Parameterraum Kapitel 8 Markov-Prozesse mit stetigem Zustands- und Parameterraum Markov-Prozesse mit stetigem Zustandsraum S R (bzw. mehrdimensional S R p und in stetiger Zeit, insbesondere sogenannte Diffusionsprozesse

Mehr

Kap. 8: Speziell gewählte Kurven

Kap. 8: Speziell gewählte Kurven Stefan Lucks 8: Spezielle Kurven 82 Verschl. mit Elliptischen Kurven Kap. 8: Speziell gewählte Kurven Zur Erinnerung: Für beliebige El. Kurven kann man den Algorithmus von Schoof benutzen, um die Anzahl

Mehr

Einführung und Beispiele

Einführung und Beispiele Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse

Mehr

Kapitel 6. Irrfahrten und Bernoullischemata

Kapitel 6. Irrfahrten und Bernoullischemata Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten

Mehr

Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006

Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006 Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess

Mehr

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es

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

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

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

Mehr

Brownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung

Brownsche 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;

Mehr

Einführung und Grundlagen

Einführung 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,

Mehr

Einführung in die Algebra

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

Mehr

Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik

Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

2. Modelle in diskreter Zeit

2. Modelle in diskreter Zeit 2. Modelle in diskreter Zeit Zuerst werden die derivativen Produkte erklärt. Ausschliesslich mit Arbitrage-Überlegungen wird dann die Put-Call-Parität hergeleitet. Danach folgt ein einfaches und eindrückliches

Mehr

Also kann nur A ist roter Südler und B ist grüner Nordler gelten.

Also kann nur A ist roter Südler und B ist grüner Nordler gelten. Aufgabe 1.1: (4 Punkte) Der Planet Og wird von zwei verschiedenen Rassen bewohnt - dem grünen und dem roten Volk. Desweiteren sind die Leute, die auf der nördlichen Halbkugel geboren wurden von denen auf

Mehr

i Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =

i Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] = Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

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

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

Brownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung

Brownsche 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;

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

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

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

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

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

Mehr

3.2 Spiegelungen an zwei Spiegeln

3.2 Spiegelungen an zwei Spiegeln 3 Die Theorie des Spiegelbuches 45 sehen, wenn die Person uns direkt gegenüber steht. Denn dann hat sie eine Drehung um die senkrechte Achse gemacht und dabei links und rechts vertauscht. 3.2 Spiegelungen

Mehr

STOCHASTISCHE PROZESSE. Vorlesungsskript

STOCHASTISCHE PROZESSE. Vorlesungsskript STOCHASTISCHE PROZESSE II: Martingale und Brownsche Bewegung Wolfgang König Vorlesungsskript Universität Leipzig Wintersemester 2005/6 Inhaltsverzeichnis 1 Theorie der Martingale 3 1.1 Definition und

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung. Klausur "Finanzmanagement" 14. März 2002

Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung. Klausur Finanzmanagement 14. März 2002 1 Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung Klausur "Finanzmanagement" 14. März 2002 Bearbeitungshinweise: - Die Gesamtbearbeitungsdauer beträgt 60 Minuten. - Schildern Sie ihren

Mehr

Vorlesungsskript: Martingale

Vorlesungsskript: Martingale Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005

Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Jakob Creutzig TU Darmstadt, AG 9 9. Februar 2005 Inhaltsverzeichnis 1 Finanzderivate 2 2 Ein-Perioden-Modellierung 8 3 Prozesse

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

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

Mehr

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

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

Mehr

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel.

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel. Kontextfreie Kontextfreie Motivation Formale rundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen Bisher hatten wir Automaten, die Wörter akzeptieren Frank Heitmann heitmann@informatik.uni-hamburg.de

Mehr

Optimalitätskriterien

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

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

Bewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin

Bewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin Bewertung von amerikanischen Optionen im CRR Modell Seminararbeit von Nadja Amedsin 22.05.10 i Inhaltsverzeichnis 1 Einführung 1 2 Amerikanischer Claim 1 2.1 Beispiele................................ 2

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Finanzmathematik. Jürgen Dippon. 28. März 2011. Vorlesung WS 2010/11

Finanzmathematik. Jürgen Dippon. 28. März 2011. Vorlesung WS 2010/11 Finanzmathematik Vorlesung WS 21/11 Jürgen Dippon 28. März 211 Inhaltsverzeichnis 1 Einführung 3 1.1 Grundbegrie................................... 4 1.2 Put-Call-Parität.................................

Mehr

Grundlagen der Stochastischen Analysis. Egbert Dettweiler

Grundlagen der Stochastischen Analysis. Egbert Dettweiler Grundlagen der Stochastischen Analysis Egbert Dettweiler Vorwort Der erste Teil des vorliegenden Manuskripts ist im wesentlichen eine Vorlesungsausarbeitung einer im Sommersemester 23 an der Universität

Mehr

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik

Irrfahrten. Und ihre Bedeutung in der Finanzmathematik Irrfahrten Und ihre Bedeutung in der Finanzmathematik Alexander Hahn, 04.11.2008 Überblick Ziele der Finanzmathematik Grundsätzliches zu Finanzmarkt, Aktien, Optionen Problemstellung in der Praxis Der

Mehr

Wichtige Definitionen und Aussagen

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

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

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

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

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

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

Mehr

Brownsche Bewegung. M. Gruber. 19. März Zusammenfassung

Brownsche 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

Mehr

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend

Mehr

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

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

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr