Martingale. Kapitel Martingale in diskreter Zeit Definition und Beispiele
|
|
- Cornelius Thomas
- vor 8 Jahren
- Abrufe
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 Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrData 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
Mehr4. 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
MehrMengensysteme, 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
MehrEinleitung. 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
MehrRuinwahrscheinlichkeiten im Glücksspiel
Ruinwahrscheinlichkeiten im Glücksspiel Wilhelm Stannat Fachbereich Mathematik TU Darmstadt February 24, 2007 Stochastik = Wahrscheinlichkeitstheorie + Statistik Wahrscheinlichkeitstheorie = Mathematische
Mehr1 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.
MehrBasis 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
MehrWürfelt 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
MehrFinanzmathematik - 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
Mehr15.3 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
Mehr1. 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:
MehrBeispiel 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.
MehrFüllmenge. 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
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
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
MehrKugel-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
MehrAbsolute 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
MehrUniversität 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
MehrAlso 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
MehrPrimzahlen 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
Mehr4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:
4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
Mehr11. Rent-Seeking 117
117 Definitionen Gewinnstreben: Vorhandene Ressourcen werden so eingesetzt, dass Einkommen entsteht und die Differenz aus Einkommen und Kosten maximal wird. Rent-Seeking: Vorhandene Ressourcen werden eingesetzt,
MehrStatistische 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
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrEinführung 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
MehrAbituraufgabe 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
Mehrq = 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 [
Mehra 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
Mehr7 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
MehrZahlenoptimierung Herr Clever spielt optimierte Zahlen
system oder Zahlenoptimierung unabhängig. Keines von beiden wird durch die Wahrscheinlichkeit bevorzugt. An ein gutes System der Zahlenoptimierung ist die Bedingung geknüpft, dass bei geringstmöglichem
MehrInstitut 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
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrCodierungstheorie 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
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Mehr9.2. 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
MehrAufgaben zur Flächenberechnung mit der Integralrechung
ufgaben zur Flächenberechnung mit der Integralrechung ) Geben ist die Funktion f(x) = -x + x. a) Wie groß ist die Fläche, die die Kurve von f mit der x-chse einschließt? b) Welche Fläche schließt der Graph
Mehr3. 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
MehrGrammatiken. 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
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
Mehr5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko
1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen
MehrKap. 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
Mehr1 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.
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrZufallsgrößen. 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
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrBONUS 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,
Mehr3.2 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
MehrMotivation. 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
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrDas 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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrVideo Unlimited -Nutzungsbeschränkungen
Video Unlimited -Nutzungsbeschränkungen In diesem Dokument werden Beschränkungen erklärt, die für die Verwendung von Videos gelten, die Sie über Video Unlimited -Dienste gekauft oder ausgeliehen haben
MehrRente = 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
MehrWir gehen aus von euklidischen Anschauungsraum bzw. von der euklidischen Zeichenebene. Parallele Geraden schneiden einander nicht.
2 Ein wenig projektive Geometrie 2.1 Fernpunkte 2.1.1 Projektive Einführung von Fernpunkten Wir gehen aus von euklidischen Anschauungsraum bzw. von der euklidischen Zeichenebene. Parallele Geraden schneiden
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
Mehr50. 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
MehrGrundlagen 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
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
MehrEinfache kryptographische Verfahren
Einfache kryptographische Verfahren Prof. Dr. Hagen Knaf Studiengang Angewandte Mathematik 26. April 2015 c = a b + a b + + a b 1 11 1 12 2 1n c = a b + a b + + a b 2 21 1 22 2 2n c = a b + a b + + a b
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrSollsaldo und Habensaldo
ollsaldo und abensaldo Man hört oft die Aussage "Ein ollsaldo steht im aben, und ein abensaldo steht im oll". Da fragt man sich aber, warum der ollsaldo dann ollsaldo heißt und nicht abensaldo, und warum
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrLehrstuhl 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
MehrGFAhnen Datensicherung und Datenaustausch
GFAhnen Datensicherung und Datenaustausch In dieser Anleitung wird das Daten Sicheren, das Daten Wiederherstellen und der Datenaustausch zwischen 2 Rechner beschrieben. Eine regelmäßige Datensicherung
MehrOrderarten im Wertpapierhandel
Orderarten im Wertpapierhandel Varianten bei einer Wertpapierkauforder 1. Billigst Sie möchten Ihre Order so schnell wie möglich durchführen. Damit kaufen Sie das Wertpapier zum nächstmöglichen Kurs. Kurs
MehrDie 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
MehrKapitel 3: Etwas Informationstheorie
Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrLeichte-Sprache-Bilder
Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrBewertung 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,
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrKapitel 7 und Kapitel 8: Gleichgewichte in gemischten Strategien. Einleitung. Übersicht Teil 2 2. Übersicht 3
Übersicht Teil 2 Kaitel 7 und Kaitel 8: Gleichgewichte in gemischten Strategien Übersicht Teil 2 2 Übersicht Einleitung Was ist eine gemischte Strategie? Nutzen aus gemischten Strategien Reaktionsfunktionen
MehrFAQ Spielvorbereitung Startspieler: Wer ist Startspieler?
FAQ Spielvorbereitung Startspieler: Wer ist Startspieler? In der gedruckten Version der Spielregeln steht: der Startspieler ist der Spieler, dessen Arena unmittelbar links neben dem Kaiser steht [im Uhrzeigersinn].
MehrFormale Sprachen. Der Unterschied zwischen Grammatiken und Sprachen. Rudolf Freund, Marian Kogler
Formale Sprachen Der Unterschied zwischen Grammatiken und Sprachen Rudolf Freund, Marian Kogler Es gibt reguläre Sprachen, die nicht von einer nichtregulären kontextfreien Grammatik erzeugt werden können.
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrMatrizennorm. 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
MehrDazu gilt Folgendes: : Hier kannst du bis zum 6. Stich problemlos abwerfen und
1 Die wurde erstmals im Essener System erklärt und ist bis heute Standard für das Gegenspiel beim sogenannten Standard-Asssolo (Solist hat eine lange Farbe und Seitenass[e], die er runterzieht die Reststiche
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrBeheben von verlorenen Verknüpfungen 20.06.2005
Vor folgender Situation ist sicher jeder Solid Edge-Anwender beim Öffnen von Baugruppen oder Drafts schon einmal gestanden: Die Ursache dafür kann sein: Die Dateien wurden über den Explorer umbenannt:
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrCharakteristikenmethode 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)
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrLernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.
6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
Mehr4. 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