2 Stationarität. Strikte Stationarität
|
|
- Emilia Schulze
- vor 6 Jahren
- Abrufe
Transkript
1 2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele Zeitpunkte t 1,...,t n T und h mit t 1 + h,...,t n + h T gilt : (X t1,...,x tn ) =(X D t1 +h,...,x tn+h); b) Ein stochastischer Prozess {X t } t T heißt (schwach ) stationär, falls gilt : (i) E X t 2 < t T ; (ii) EX t = m =const. t T ; (iii) Cov(X t,x t+h ), t,t+ h T, hängt nur von h ab. Bezeichnungen : Setze γ(h) :=Cov(X t,x t+h ):=E(X t m)(x t+h m); γ = γ X heißt Autokovarianzfunktion (acv.f.) des stationären stochastischen Prozesses X = {X t } t T ; ρ = ρ X mit ρ(h) =γ(h)/γ(0) heißt Autokorrelationsfunktion (ac.f. ) von X = {X t } t T. Bemerkung 2.1. a) Definition 2.1b) ist für stochastische Prozesse mit Werten in R formuliert. Bei komplexwertigen Prozessen setzt man : Cov(X t,x t+h ):=E(X t+h m)(x t m); b) {X t } strikt stationär, E X t 2 < t T = {X t } (schwach) stationär. Die Umkehrung ist i.a. falsch, gilt aber für so genannte Gauß-Prozesse : Definition 2.2. {X t } t T heißt Gauß-Prozess,wennfür je endlich viele Zeitpunkte t 1,...,t n T der Zufallsvektor (X t1,...,x tn ) eine n-dimensionale Normalverteilung besitzt, d.h. wenn jede Linearkombination c 1 X t1 + + c n X tn, c i R, eindimensional normalverteilt ist. Satz 2.1. {X t } t T stationärer Gauß-Prozess = {X t } t T strikt stationär. 3
2 Einige Beispiele von Zeitreihen: Beispiel 2.1. (Weißes Rauschen) Sei e = {e n } n Z eine Folge reeller, paarweise unkorrelierter ZV. mit Ee n = 0 und 0 <Vare n =: σ 2 < n Z. Bezeichnung : {e n } D WN(0,σ 2 ) White Noise. Dann : {e n } zentrierte, stationärezeitreihe( Weißes Rauschen : alle Frequenzen gleichgewichtig, vgl. Spektralanalyse): { σ 2, k =0 ; acv.f : γ(k) = 0, k 0 ; { 1, k =0 ; ac.f : ρ(k) = 0, k 0 ; Beispiel 2.2. (Zyklische Zeitreihe) Seien A, B unkorrelierte ZV. mit EA = EB = 0, Var(A) =Var(B) =σ 2 und sei λ [ π, π] feste Kreisfrequenz. Dann definiert X t = A cos(λt)+bsin(λt), t R, eine stationäre, zentrierte Zeitreihe. Polarkoordinaten : Setze A = R cos Φ,B= R sin Φ. Wegen sin(λt +Φ)=sinΦcosλt +cosφsinλt lässt sich X t wie folgt darstellen: X t = R sin(λt +Φ), d.h. einer Sinusschwingung. R : stochastische Amplitude, Φ : stochastische Phasenverschiebung Bemerkung 2.2. a) Bei gegebenen A = A(ω), B = B(ω) ist der zeitliche Verlauf von X t rein deterministisch; 4
3 b) Allgemeiner bildet für paarweise unkorrelierte, zentrierte ZV. A j,b j (j =1,...,n) und λ j [ π, π] X t = n ( Aj cos(λ j t)+b j sin(λ j t) ), t R, j=1 eine stationäre Zeitreihe. Beispiel 2.3. ( Moving Average -Zeitreihen der Ordnung q ; kurz: MA(q)-Reihen) Seien {e n } D n Z WN(0,σ 2 ) und b 0,...,b q R,b q 0. Dann bildet q X n = b j e n j = b 0 e n + b 1 e n b q e n q, n Z, eine stationäre, zentrierte Zeitreihe. Bemerkung 2.3. Es sind auch MA( )-Reihen zugelassen, falls X n = b j e n j als L 2 -Limes verstanden wird (P -f.s. eindeutig). b 2 j < und Abschließend betrachten wir einige nicht notwendig stationäre Zeitreihen : Beispiel 2.4. Seien A 0,A 1 reelle ZV. mit EA j = μ j,var(a j )=σj 2 (j =0, 1) und Cov(A 0,A 1 )=γ. Dann bildet X t = A 0 + A 1 t, t R ( linearer Trend ), eine nicht-stationäre Zeitreihe, denn EX t = μ 0 + μ 1 t (abhängig von t), Cov(X t,x t+h )=E(X t EX t )(X t+h EX t+h ) = E{(A 0 μ 0 )+(A 1 μ 1 )t}{(a 0 μ 0 )+(A 1 μ 1 )(t + h)} = σ0 2 + γ(t + h)+γt+ σ2 1 t(t + h) (abhängig von t, h). Selbst für unkorrelierte, zentrierte A 0,A 1 mit σ0 2 = σ1 2 = σ 2 ist {X t } nicht stationär, denn es gilt zwar EX t =0, aber Cov(X t,x t+h )=σ 2( 1+t(t + h) ). 5
4 Beispiel 2.5. ( Irrfahrt ) Sei {e n } n=1,2,... D WN(0,σ 2 ). Dann bildet S n = e e n (n =1, 2,...), S 0 =0, keine stationäre Zeitreihe, denn es gilt zwar ES n =0, aber ( Cov(S n,s n+h ) h>0 = Cov S n,s n + n+h j=n+1 e j ) = nσ 2, abhängig von n! Beispiel 2.6. ( Autoregressive Zeitreihen der Ordnung p, kurz : AR(p)-Zeitreihen ) {X n } n Z heißt AR(p)-Zeitreihe, wenn es {e n } D n Z WN(0,σ 2 ) und reelle a 0,...,a p mit a 0 = 1 (o.e.), a p 0, so dass ( ) p a j X n j = e n n Z. Der Name erklärt sich aus der äquivalenten Darstellung X n = p ( a j )X n j + e n, j=1 d.h., X n hängt linear von den p vorhergehenden Werten X n 1,X n 2,...,X n p und einer zufälligen Störung e n ab. Fragen: 1) Existieren zu gegebenen a 0,...,a p Lösungen von ( )? 2) Sind die Lösungen gegebenenfalls stationär? 3) Was sind geeignete Schätzungen für a j,σ 2? Speziell: X n = αx n 1 + e n, n Z ; AR(1) Markov-Schema ; X n = α 1 X n 1 + α 2 X n 2 + e n, n Z ; AR(2) Yule-Schema. Später: Viele stationäre AR(p)-Reihen sind als MA( )-Reihen darstellbar. Hier: Nachweis für AR(1)-Reihe X n = αx n 1 + e n, n Z. Notwendig: (bei Existenz einer Lösung) X n = αx n 1 + e n = α 2 X n 2 + αe n 1 + e n =... = α N X n N + N 1 α j e n j. 6
5 {X n } stationär = ( N 1 ) 2 E X n α j e n j = α 2N EXn N 2 Stat. = α 2N γ(0) 0 (N ) (exponentiell) α < 1. In diesem Fall : X n L 2 = α j e n j. Nach Lemma 2.1 (s.u.) gilt ferner : X n = α j e n j P -f.s. Hinreichend ( α < 1) : X n = ist stationäre Lösung von ( ). α j e n j (P-f.s. und in L 2 ) Durch Kombination von AR(p)- und MA(q)-Reihen gelangt man zu ARMA(p, q)- Modellen (s.u.), die in Anwendungen eine wichtige Rolle spielen (Box-Jenkins-Methode). Zur Konvergenz von (zweiseitigen) MA( )-Reihen beweisen wir noch das Lemma 2.1. Seien {Y n } n Z reelle ZV. mit sup E Y n < und {b j } j Z n Zahlen mit b j <. Dann gilt für alle n Z : j Z reelle X n = j= b j Y n j konvergiert absolut P -f.s. Gilt ferner X n L 2 = sup E Y n 2 <, so folgt noch : n j= b j Y n j. Um bei vorliegenden Daten Modelle für stationäre Zeitreihen anpassen zu können, sind i.a. vorab Trend- und Saisonkomponenten zu eliminieren oder andere Transformationen durchzuführen. 7
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrZeitreihenanalyse mit R
Zeitreihenanalyse mit R Matti Schneider, Sebastian Mentemeier SS 2010 Inhaltsverzeichnis 1 Klassische Zeitreihenanalyse 4 1.1 Einführung...................................... 4 1.1.1 Das klassische Komponentenmodell.....................
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
MehrFORMELSAMMLUNG. Analyse longitudinaler Daten und Zeitreihen WS 2003/04
FORMELSAMMLUNG Analyse longitudinaler Daten und Zeitreihen WS 2003/04 Inhaltsverzeichnis 1 Zeitreihenanalyse 3 1.1 Grundlagen................................ 3 1.1.1 Notation..............................
Mehr4. Zeitreihenanalyse, ARCH & GARCH
4. Zeitreihenanalyse, ARCH & GARCH Nach einführenden Bemerkungen wenden wir uns der Beschreibung von Zeitreihen zu. Die gängigen Modelle werden präsentiert. Dann werden wir uns mit der statistischen Analyse
MehrZeitreihenanalyse. Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg. Wintersemester 2008/09 (Stand: 26.
Zeitreihenanalyse Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg Wintersemester 2008/09 (Stand: 26. Januar 2009) ii INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Beispiele
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
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
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrSchwach ergodische Prozesse
Schwach ergodische Prozesse Von der Fakultät für Naturwissenschaften der Universität Duisburg-Essen (Standort Duisburg) zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften genehmigte
MehrExtremwertverteilungen
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
MehrVorlesung. 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.
MehrMartingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele
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
MehrWirtschaftsmathematik Wirtschaftsstatistik
Wirtschaftsmathematik Wirtschaftsstatistik Ökonometrie ARMA-Prozesse Prof. Dr. Franz Seitz, Weiden / Dr. Benjamin R. Auer, Leipzig Neben den formalen Grundlagen von ARMA-Prozessen (Autoregressive Moving
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
Mehr13.5 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
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
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
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,
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrTechnische Universität München. Zentrum Mathematik. Multivariate Value at Risk. von Zins Swap Sätzen
Technische Universität München Zentrum Mathematik Multivariate Value at Risk Schätzung von Zins Swap Sätzen Diplomarbeit von Gabriel Kuhn Themenstellung: Prof. Dr. Claudia Klüppelberg Betreuung: Prof.
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
MehrGeoadditive Regression
Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrGaußsche Prozesse - ein funktionalanalytischer Zugang
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrDas GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010
Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen Seminararbeit von Frauke Heuermann Juni 2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Der ARCH-Prozess 1 1.1 Das ARCH(1)-Modell........................
MehrSAS Forecast Server. Copyright 2005, SAS Institute Inc. All rights reserved.
SAS Forecast Server Eine neue Lösung für automatisierte Prognosen bei großen Datenmengen Stefan Ahrens Competence Center Analytic Intelligence SAS Deutschland Copyright 2005, SAS Institute Inc. All rights
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.
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrEinführung und Beispiele
Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrDifferentialgleichungen
Differentialgleichungen Teilnehmer: Phili Bannach Heinrich-Hertz-Oberchule) Levin Keller Herder-Oberchule) Phili Kende Herder-Oberchule) Carten Kubbernuh Andrea-Oberchule) Giang Nguyen Herder-Oberchule)
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrReell. u(t) Komplex u(t), Zeitabhängig Zeitunabhängig. u(t)e jωt. Reell Û. Elektrische Größe. Spitzenwert. Komplex Û. Reell U. Effektivwert.
Aufgaben Reell u(t) Elektrische Größe Zeitabhängig Zeitunabhängig Spitzenwert Effektivwert Komplex u(t), Reell Û Komplex Û Reell U Komplex U u(t)e jωt Institut für Technische Elektronik, RWTH - Aachen
Mehr8. Übung zur Vorlesung Mathematisches Modellieren Lösung
Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ
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
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
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrGNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrDie Volatilität von Finanzmarktdaten
Die Volatilität von Finanzmarktdaten Theoretische Grundlagen und empirische Analysen von stündlichen Renditezeitreihen und Risikomaßen Inauguraldissertation zur Erlangung des Doktorgrades der Wirtschafts-
MehrMarkov-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
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr6 Wechselstrom-Schaltungen
für Maschinenbau und Mechatronik Carl Hanser Verlag München 6 Wechselstrom-Schaltungen Aufgabe 6.1 Durch ein Grundeintor C = 0,47 µf an der Sinusspannung U = 42 V fließt ein Sinusstrom mit dem Effektivwert
MehrBitte unbedingt beachten: a) Gewertet werden alle acht gestellten Aufgaben.
Mathematik I für Wirtschaftswissenschaftler Klausur für alle gemeldeten Fachrichtungen außer Immobilientechnik und Immobilienwirtschaft am 9..9, 9... Bitte unbedingt beachten: a) Gewertet werden alle acht
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSIÄ KARLSRUHE Institut für Anlysis HDoz. Dr. P. C. Kunstmnn Dipl.-Mth. M. Uhl Sommersemester 9 Höhere Mthemti II für die Fchrichtungen Eletroingenieurwesen, Physi und Geodäsie inlusive Komplexe Anlysis
MehrSeminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen
Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term
MehrDiplomarbeit. 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
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
MehrKryptographie. Die Geschichte von Alice, Bob und Eve. Die Geschichte von Alice, Bob und Eve. Die Geschichte von Alice, Bob und Eve.
D G A, B E K B E J Bö A D G A, B E D G A, B E W : Sü D Z E G S 00 C. K ö K. Vü E () = Eü D () = Vü K Sü C. E S P (. C.) K ü ä Z. B S. G Sü: B S. E Gß C-C J C Vü ü B T. J B P A. G Sü. Fü V R B T: HFDIIANNS
MehrTheorie und Empirie der Kaufkraftparität (23.5.)
Theorie und Empirie der Kaufkraftparität (23.5.) Text: Taylor, A., Taylor M. (2004): The Purchasing Power Debate, NBER Working Paper No. 10607 (June 2004) Fragen: 1. Beschreiben Sie in ein, zwei Sätzen,
MehrNumerische Verfahren zur Lösung nichtlinearer Gleichungen
Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12
MehrMathematik 1. Lösungsvorschläge zum 2. Übungsblatt
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschftsmthemtik für Interntionl Mngement (BA) und Betriebswirtschft (BA) Wintersemester 2013/14 Stefn Etschberger Hochschule Augsburg Mthemtik: Gliederung 1 Aussgenlogik 2 Linere Algebr 3 Linere
MehrKleiner Satz von Fermat
Kleiner Satz von Fermat Satz Kleiner Satz von Fermat Sei p P. Dann gilt a p a mo p für alle a Z. Wir führen zunächst eine Inuktion für a 0 urch. IA a = 0: 0 p 0 mo p. IS a a+1: Nach vorigem Lemma gilt
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,
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrVorlesung. Komplexe Zahlen
Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
MehrStochastische 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
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
Mehr1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.
1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
MehrStochastic Sampling als Messprinzip
Stochastic Sampling als Messprinzip Ehrenkolloquium Frau Prof. Dr.-Ing. habil. Erika Müller 21.09.2012, Universität Rostock Holger Nobach Max-Planck-Institut für Dynamik und Selbstorganisation Göttingen
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrSatz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die
Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrMATHEMATIK. Fachabiturprüfung 2009 zum Erwerb der Fachhochschulreife an. Fachoberschulen und Berufsoberschulen. Ausbildungsrichtung Technik
Fachabiturprüfung 2009 zum Erwerb der Fachhochschulreife an Fachoberschulen und Berufsoberschulen MATHEMATIK Ausbildungsrichtung Technik Freitag, 29. Mai 2009, 9.00-12.00 Uhr Die Schülerinnen und Schüler
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,
MehrLiteratur zu geometrischen Konstruktionen
Literatur zu geometrischen Konstruktionen Hadlock, Charles Robert, Field theory and its classical problems. Carus Mathematical Monographs, 19. Mathematical Association of America, Washington, D.C., 1978.
MehrGewöhnliche Differentialgleichungen
Notizen zur Vorlesung Gewöhnliche Differentialgleichungen G Sweers Wintersemester 08/09 ii Inhaltsverzeichnis Einführung Modelle 2 Explizite Lösungen 4 2 Trennbar 5 22 Linear erster Ordnung 6 23 Homogen
Mehr34 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.
MehrWintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung
Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Ulrich Loup 24.03.2006 Prüfungsstoff: Alegebra I, Analysis IV, Graphentheorie I Prüfer: Prof. Dr. Wilhelm Plesken Protokollant: Dipl.
Mehr5.8.8 Michelson-Interferometer ******
5.8.8 ****** Motiation Ein wird mit Laser- bzw. mit Glühlampenlicht betrieben. Durch Verschieben eines der beiden Spiegel werden Intensitätsmaxima beobachtet. Experiment S 0 L S S G Abbildung : Aufsicht
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrOptimalitätskriterien
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
MehrPreis- und Trendvorhersagen auf Energiemarktdaten
Diplomarbeit Preis- und Trendvorhersagen auf Energiemarktdaten Oliver Heering Diplomarbeit Fakultät Informatik Technische Universität Dortmund Dortmund, 4. September 2009 Betreuer: Prof. Dr. Katharina
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
Mehr