Ausgewählte Fragen der Geldtheorie und -politik
|
|
- Gerrit Melsbach
- vor 6 Jahren
- Abrufe
Transkript
1 Ausgewählte Fragen der Geldtheorie und -politik Prof. Dr. Jochen Michaelis Wintersemester 2014/2015 Appendix B: Log-Linearisieren
2 Zietz, Joachim (2008): A Clarifying Note on Converting to Log-Deviations from the Steady State, Economics Bulletin 3: Uhlig, Harald (1999): A Toolkit for Analysing Nonlinear Dynamic Stochastic Models Easily, in: R. Marimon und A. Scott (Eds.); Computational Methods for the Study of Dynamic Economics, Oxford University Press, S Methode, um Komplexität nicht-linearer Modelle zu reduzieren Anwendungsgebiete, u.a.: RBC-Modelle Neu-Keynesianische Makro New Open Macro (Obstfeld/Rogoff) DSGE-Modelle 2
3 Ansatz: Log-Linearisieren Das Gleichungssystem ist nichtlinear: einige Gleichungen sind linear, einige sind multiplikativ, einige sind linear-multiplikativ macht selbst numerische Lösung schwierig Annahme: in der Nähe des Steady States ist das Modell näherungsweise linear in logarithmierten Größen Daher log-lineare Taylor-Approximation an der Stelle des Steady States exakt für multiplikative (=log-lineare) Systeme umso besser, je log-linearer in der Umgebung des Steady State Bewegungen der Variablen können als Prozentabweichungen vom Steady State interpretiert werden. 3
4 Taylor-Reihen-Approximation der Funktion f(x): Taylor-Approximation T x = f(x o) 0! + f x 0 1! (x x 0 ) + f (x 0 ) 2! (x x 0 ) 2 + f (x) f (x) x0 x x 4
5 Beispiel: f x = x 2 T-A erster Ordnung: T x = f x 0 + f x 0 x x 0 + o( ℶ 2 ) = (x 0 ) 2 +2x 0 (x x 0 ) T-A zweiter Ordnung: T x = f x 0 + f x 0 x x 0 + f x 0 2 = (x 0 ) 2 +2x 0 (x x 0 )+(x x 0 ) 2 x x o( ℶ 3 ) Linearisierungspunkt sei x 0 = 2 T x = x 2 = 4x 4 Angenommen, es sei x = 3 wahrer Wert: f x = 3 2 = 9 Taylor-Approximation: T x = 4x 4 = 12 4 = 8 5
6 Definitionen X t = Variable (z.b. Output, Arbeitszeit) X = Gleichgewichtswert (Steady State-Wert) der Variablen X t x t = lnx t = Logarithmus dieser Variable x = llx = Logarithmus des Steady State (B.1) x t x t x = llx t llx log deviation of X t from its steady state X x t ist (ungefähr) gleich der prozentualen Abweichung von X t vom Steady state X Beispiel: Steady State = 100 aktueller Wert = 101 Prozentabweichung exakt: = 0.01 = 1% Log-Differenz: ln 101 ln 100 = = 0.995% 6
7 Sei f(x) die im Punkt X zu log-linearisierende Funktion und sei x x x = llx llx die Prozentabweichung vom Steady State. 1. Schritt: logarithmiere f(x) llf(x) 2. Schritt: verwende Taylor-Approximation für llf(x) llf X lll X + X X=X (lll llx ) = lll X + X X=X x = lll X + f (X) f(x) = lll X + f (X ) f(x ) X x 1 / X=X x (B.2) llf X lll X f (X ) f(x ) X x 7
8 Ergebnis der log-linearen Taylor-Approximation llf X lll X f X f X X x Prozentabweichung des Steigungs- Prozentabweichung des Funktionswerts vom koeffizient Arguments, d.h. einer Modell- Steady State variablen, vom Steady State Mehrere Variablen llf X 1, X 2, lll X 1, X 2, f XX X 1,X 2, f X 1,X 2, X 1 x 1 + f XX X 1,X 2, f X 1,X 2, X 2 x 2 + 8
9 1. Beispiel: lineare Technologie Y t = A t N t lhs: rhs: lly t lly = 1 Y Y y t = y t ll(a t N t ) ln A N = N A N A a t + A A N N n t Es resultiert: y t = a t + n t 9
10 2. Beispiel: Cobb-Douglas Produktionsfunktion Y t = A t K t α N t β Steady State: Y = A K α N β lhs: rhs: s.o. ll(a t K t α N t β ) ln A K α N β = K α N β A a A K α N β t + αk α 1 N β K k A K α N β t + βk α N β 1 N n A K α N β t Es resultiert: y t = a t + αk t + βn t 10
11 Hier schneller : Logarithmiere und subtrahiere den natürl. Logarithmus des Steady States (B.3) lll t = lla t + αlll t + βlll t y t = a t + αk t + βn t lly = lla + αααk + βββn y = a + αk + βn Subtrahieren: y t y = a t a + α(k t k ) + β(n t n ) (B.4) y t = a t + αk t + βn t 11
12 3. Beispiel: Gütermarkgleichgewicht (B.5) Y t = C t + G t Steady State: Y = C + G lhs: s.o. rhs: ln C t + G t ln C + G = 1 C +G C c t + 1 C +G G g t Es resultiert: y t = C Y c t + G Y g t 12
13 3. Beispiel: Gleichung mit Erwartungswerten Euler-Gleichung für optimalen intertemporalen Konsum E t [ C σ t+1 ] = β(1 + I t ) P σ tc t E t P t+1 Logarithmieren: (B.6) ln{e t [ C σ t+1 ]} = llβ + ln 1 + I t + lll t + ll[c σ t ] lle t P t+1 Achtung: Problem bei Erwartungswerten lle t x t+1 E t (llx t+1 ) Hier: ln{e t [ C t+1 σ ]} E t [ll C t+1 σ ] und lle t P t+1 E t (llp t+1 ) 13
14 Jensen sche Ungleichung: lle t x t+1 > E t (llx t+1 ) ln x t+1 ln( E t x t+ 1) E (ln ) t x t+ 1 1 E t x t+1 x t+1 14
15 Annahme: x t+1 sei log-normal verteilt: x t+1 ~lll(μ, σ 2 ) dann ist llx t+1 normal-verteilt mit Erwartungswert μ: llx t+1 ~NN((μ, σ 2 ) Erwartungswert einer lognormal-verteilten Variable: E t x t+1 = e μ+0.5σ2 Logarithmus der lognormal-verteilten Variable: ln E t x t+1 = lle μ+0.5σ2 = μ + 0.5σ 2 Erwartungswert der normal-verteilten Variable llx t+1 : E t llx t+1 = μ ln( E x 2 2 1) Et (ln xt+ 1) = µ + 0,5σ µ = 0,5 const. t t+ σ = 15
16 Es resultiert: ln E t x t+1 E t llx t+1 = μ + 0.5σ 2 μ = 0.5σ 2 = ccccc. Varianzen sind zeitinvariant; sie fallen also weg, wenn Abweichungen von einem Steady State betrachtet werden. Daher werden die Konstanten von vornherein weggelassen, d.h. log-linearisierung im Erwartungswert ist zulässig!! Anwendung bei Euler-Gleichung: ln{e t [ C t+1 σ ]} = E t [ll C t+1 σ ] und ll(e t P t+1 ) = E t llp t+1 Einsetzen in (B.6): σe t lnc t+1 = llβ + ln 1 + I t + lll t + σllc t E t llp t+1 16
17 σσ t lnc t+1 = llβ + i t (E t llp t+1 lll t ) + σσσc t σσ t lnc t+1 = llβ + i t E t π t+1 + σσσc t Im Steady State gilt: σσ t lnc = llβ + ı E t π =0 + σσσc Für die Abweichung vom Steady State resultiert die Log-linearisierte Euler-Gleichung (B.7) c t = E t c t+1 1 σ (ı t E t π t+1 ) 17
18 Schwachpunkte der Technik der log-linearisierung Approximation gilt nur für kleine Abweichungen vom Steady State, d.h. große Schocks werden nicht adäquat abgebildet Es werden nur Erwartungswerte einer Zufallsvariablen betrachtet, spielt die Varianz eine Rolle wie bei Risikoüberlegungen, ist log-lin. nicht geeignet Ausweg in Neu-Keynesianischer Makro: Second-order Taylor-Approximation, vgl. Benigno und Woodford, Journal of Economic Theory (2012) 18
Mathematik für Wirtschaftswissenschaftler
Mathematik für Wirtschaftswissenschaftler Yves Schneider Universität Luzern Frühjahr 2016 Repetition Kapitel 1 bis 3 2 / 54 Repetition Kapitel 1 bis 3 Ausgewählte Themen Kapitel 1 Ausgewählte Themen Kapitel
MehrTaylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe
Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr3. Übung zur Vorlesung Steuer- und Regelungstechnik
3. Übung zur Vorlesung Steuer- und Regelungstechnik Linearisierung Felix Goßmann M.Sc. Institut für Steuer- und Regelungstechnik Fakultät für Luft- und Raumfahrttechnik Universität der Bundeswehr München
MehrEinführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare 3. Das klassische monetäre Grundmodell
Einführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare 3. Das klassische monetäre Grundmodell Wintersemester 2015/2016 3. Das klassische monetäre Grundmodell als Benchmark Gali, Jordi (2008):
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
MehrLinearisierung einer Funktion Tangente, Normale
Linearisierung einer Funktion Tangente, Normale 1 E Linearisierung einer Funktion Abb. 1 1: Die Gerade T ist die Tangente der Funktion y = f (x) im Punkt P Eine im Punkt x = a differenzierbare Funktion
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrKapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen
Kapitel 8 Erwarteter Nutzen Josef Leydold c 2006 Mathematische Methoden VIII Erwarteter Nutzen / 27 Lernziele Nutzenfunktion zur Risikobewertung Erwarteter Nutzen Maße für Risikoaversion Indifferenzkurven
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrVorlesungsfolien
nstitut für Allgemeine Wirtschaftsforschung Abteilung Sozialpolitik: rof. Dr. G. Schulze Jahreskurs Mikroökonomie Teil WS03/04 Vorlesungsfolien 04.2.2003 Nicholson, Walter, Microeconomic Theory Kapitel
MehrFunktionen in zwei (und mehreren) Veränderlichen
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstsemester 8 Funktionen in zwei (und mehreren) Veränderlichen Inhalt: 1. Definition und Beispiele.
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrBeispiel 5 (Einige Aufgaben zur Cobb-Douglas-Produktionsfunktion)
Beispiel 5 (Einige Aufgaben zur Cobb-Douglas-Produktionsfunktion) Aufgabe (Die Schätzung der CD) Source: M.D. Intriligator: Econometric Models, Techniques and Applications, North Holland, Amsterdam 978
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrGMF - Makroökonomie II - SoSe 2010
5. Endogenes Wachstum (Romer 1990) Ausgangspunkt: Technischer Fortschritt muss erarbeitet werden earning by doing: technischer Fortschritt ist Nebenprodukt 6. Ramsey Modell Ramsey F.P. (1928), A Mathematical
Mehr= T 2. Lösungsmenge ist die Menge aller Elemente des Definitionsbereiches D G, die die Gleichung zu einer Wahre Aussage machen.
Gleichungen Eine Gleichung ist eine Aussage, in der die Gleichheit zweier Terme durch Mathematische Symbol ausgedrückt wird. Dies wird durch das Gleichheitssymbol = symbolisiert G : = T 2 Definitionsmenge
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens WS 2012/13 DGL Grundlage Klassifikation Anwendung von lin. Ggln. M. konst.
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrAusgewählte Fragen der Geldtheorie und -politik
Ausgewählte Fragen der Geldtheorie und -politik Prof. Dr. Jochen Michaelis Wintersemester 2014/2015 Teil II: Das Neu-Keynesianische Basismodell Neu-Keynesianisches Makromodell mit Calvo-Pricing Gali, Jordi
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrDifferenzengleichungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Differenzengleichungen Dr. Thomas Zehrt Inhalt: 1. Einführungsbeispiele 2. Definition 3. Lineare Differenzengleichungen 1. Ordnung (Wiederholung)
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Allgemeiner Maschinenbau Fahrzeugtechnik Dresden 2002
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrHinweise vor Beginn der Bearbeitung
Dynamische Methoden der VWL - Nacholklausur im Sommersemester 016 Seite 1 Bachelor-Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommersemester 016 0.08.016 Bitte gut leserlich ausfüllen!
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrMathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 5 Version 1.0 (11.
Mathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 5 Version.0. September 05) E. Cramer, U. Kamps, M. Kateri, M. Burkschat 05 Cramer, Kamps, Kateri, Burkschat
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
MehrExkurs: Method of multiple scales (Mehrskalen Methode)
Exkurs: Method of multiple scales (Mehrskalen Methode) dr. karin mora* Im folgenden betrachten wir nichtlineare dynamische Systeme (NDS) mit sogenannten kleinen nichtlinearen Termen. Viele mathematische
MehrKapitel 2 Grundprobleme der geldpolitischen Strategiewahl
Kapitel 2 Grundprobleme der geldpolitischen Strategiewahl 2.1 Dimensionen des geldpolitischen Strategiewahlproblems 2.2 Das Implementationsproblem der Geldpolitik 2.3 Das Planungszeitpunktproblem der Geldpolitik
MehrSeminar. Ausgewählte Fragen der Geldtheorie und - politik
Seminar Ausgewählte Fragen der Geldtheorie und - politik Prof. Dr. Jochen Michaelis Wintersemester 2014/2015 Teil I: Einführung in die Neu-Keynesianische Makroökonomik Überblick Vorlesungsteil: Einführung
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.3 Anwendungen (Teil 1): Kettenregel und Linearisierung
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.3 Anwendungen (Teil 1): Kettenregel und Linearisierung www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof. Dr. Erich Walter Farkas Kapitel 8. Funktionen von mehreren Variablen Kapitel 8.3 Anwendungen der partiellen Differentiation (Teil 1): Kettenregel und Linearisierung
MehrDas Solow-Modell. 2 Das einfache Solow-Modell. 4 Das Solow-Modell mit Bevölkerungswachstum. und technologischem Fortschritt.
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Übung 7 Das Solow-Modell
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
Mehr1 Michaelis-Menten-Kinetik
Physikalische Chemie II Lösung 2 9. Dezember 206 Michaelis-Menten-Kinetik. Das Geschwindigkeitsgesetz für die zeitliche Änderung der ES-Konzentration ist durch folgendes Geschwindigkeitsgesetz beschrieben:
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrÜbung 3: Unternehmenstheorie
Übung 3: Unternehmenstheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Intermediate Microeconomics HS 11 Unternehmenstheorie 1 / 42 Produktion Zur Erinnerung: Grenzprodukt
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Gewöhnliche Differentialgleichungen Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Gew. DGl 1-1 Zusammenfassung y (x) = F (x, y) Allgemeine
MehrDie ausgefrorene freie Energie des Sherrington Kirkpatrick Modells 1
Die ausgefrorene freie Energie des Sherrington Kirkpatrick Modells Vorbemerkung In der Statistischen hysik können magnetische Materialien als System von miteinander wechselwirkender Elementarmagneten,
MehrDer natürliche Logarithmus. logarithmus naturalis
Der natürliche Logarithmus ln logarithmus naturalis Zur Erinnerung: Die Exponentialfunktion y = exp(x) ist festgelegt durch 2 y = exp(x) y (x) = y(x) 0 x y(0) = 2 Zur Erinnerung: e := y() 2.78 exp(x) =
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Klassifikation und Regression: nächste Nachbarn Katharina Morik, Uwe Ligges 14.05.2013 1 von 24 Gliederung Funktionsapproximation 1 Funktionsapproximation Likelihood 2 Kreuzvalidierung
Mehr5. Vorlesung Wintersemester
5. Vorlesung Wintersemester 1 Bewegung mit Stokes scher Reibung Ein dritter Weg, die Bewegungsgleichung bei Stokes scher Reibung zu lösen, ist die 1.1 Separation der Variablen m v = αv (1) Diese Methode
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof. Dr. Erich Walter Farkas Kapitel 8. Funktionen von mehreren Variablen 8.2 Partielle Differentiation Prof. Dr. Erich Walter Farkas Mathematik I+II, 8.2 Part. Diff.
Mehr1 Aufwärmen nach den Ferien
Physikalische Chemie II Lösung 23. September 206 Aufwärmen nach den Ferien. Ermitteln Sie die folgenden Integrale. Partielle Integration mit der Anwendung der generellen Regel f g = fg fg (in diesem Fall
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehr11. Approximation der Binomialverteilung durch die Normalverteilung
7. Approximation der Binomialverteilung durch die Normalverteilung Die Berechnung der Binomialverteilung ist wegen der Binomialkoeffizienten nicht unproblematisch. Man kann sie deshalb in gewissen Fällen
Mehr5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr. Erich Walter
Mehr1 Lambert-Beersches Gesetz
Physikalische Chemie II Lösung 6 23. Oktober 205 Lambert-Beersches Gesetz Anhand des idealen Gasgesetzes lässt sich die Teilchenkonzentration C wie folgt ausrechnen: C = N V = n N A V pv =nrt = N A p R
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrKlausur Mathematik I
Technische Universität Dresden 15. August 2008 Institut für Numerische Mathematik Dr. K. Eppler Klausur Mathematik I für Studierende der Fakultät Maschinenwesen (mit Lösungshinweisen) Name: Matrikelnummer.:
Mehr2. Rechnen Sie auf mindestens fünf genaue Ziffern (das sind nicht notwendigerweise fünf Nachkommastellen) im Endergebnis. 1
Fach: Prüfer: Finanzierung und Investition Prof. Dr. Dr. A. Löffler Veranstaltung: W2261 Entscheidungstheorie WS 8/9 Name Vorname Matrikelnummer Punkte Note Beachten Sie bitte folgende Hinweise: 1. Schreiben
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrFachbereich 5 Wirtschaftswissenschaften Univ.-Professor Dr. Jan Franke-Viebach
Universität Siegen Fachbereich 5 Wirtschaftswissenschaften Univ.-Professor Dr. Jan Franke-Viebach Klausur zur Makroökonomik II Wintersemester 2001/2002 (2. Prüfungstermin) Bearbeitungszeit: 60 Minuten
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
Mehry 1,2 = - 1 α 2β ± 1 α
Beispiel 9 (Einige einfache nichtlineare Differenzengleichungen; Formulierung als Aufgabe) Beispiel 9.1 (Einzelne Aufgaben) Aufgabe 1 Es gebe folgende Gleichung, die diskrete sog. logistische Gleichung:
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrMathematischer Vorbereitungskurs für Ökonomen. Exponentialfunktionen und Logarithmen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Exponentialfunktionen und Logarithmen Inhalt:. Zinsrechnung. Exponential- und Logaritmusfunktionen
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
MehrTU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1. Dr. M. Herrich SS 2017
TU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1 Prof. Dr. K. Eppler Institut für Numerische Mathematik Dr. M. Herrich SS 2017 Aufgabe 1 Übungen zur Vorlesung Mathematik II 4. Übung,
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
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
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrUnivariate Analysis. Analysis und nichtlineare Modelle Sommersemester
Analysis und nichtlineare Modelle Sommersemester 9 5 Univariate Analysis C. Berechnen Sie ohne Taschenrechner(!). Runden Sie die Ergebnisse auf ganze Zahlen. (a) 7 :, (b) 795 :.. Berechnen Sie ohne Taschenrechner(!):
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
MehrLeitfaden a tx t
Leitfaden -0.7. Potenz-Reihen. Definition: Es sei (a 0, a, a 2,...) eine Folge reeller Zahlen (wir beginnen hier mit dem Index t 0). Ist x R, so kann man die Folge (a 0, a x, a 2 x 2, a 3 x 3,...) und
MehrSerie 4: Gradient und Linearisierung
D-ERDW, D-HEST, D-USYS Mathematik II FS 5 Dr. Ana Cannas Serie 4: Gradient und Linearisierung Bemerkungen: Die Aufgaben der Serie 4 bilden den Fokus der Übungsgruppen vom 7./9. März.. Wir betrachten die
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 1
FK WMS: Wirtschaftsmathematik 2, Einheit 1 Markus Sinnl 1 Sprechstunde: MO, 13-14 Uhr [04/343] markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl 06.10.2014 1/18 1 basierend auf Folien
MehrInhaltsverzeichnis. Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden. Mathematischer Vorkurs.
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Exponentialfunktionen und Logarithmen Inhaltsverzeichnis 1 Einführung 2 2
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrKlausur Mathematik I
Klausur Mathematik I E-Techniker/Mechatroniker/Informatiker/W-Ingenieure). März 007 Hans-Georg Rück) Aufgabe 6 Punkte): a) Berechnen Sie alle komplexen Zahlen z mit der Eigenschaft z z = und z ) z ) =.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr