8 Martingale und Stoppzeiten
|
|
- Dörte Möller
- vor 6 Jahren
- Abrufe
Transkript
1 8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess (I R) b) Eine Familie von σ-algebren (F t ) t I, mit F t A und F s F t, für s t heißt Filtration. Ein stochastischer Prozess (X t ) t I heißt (F t ) t I -adatiert, falls X t F t -messbar t I. Bemerkung Oft wird F t : σ({x s, s t}) gewählt. Dann ist (F t ) t I eine Filtration und X t ist F t -messbar. Definition Gegeben sei ein Wahrscheinlichkeitsraum (Ω, A, P ), I R, eine Filtration (F t ) t I und ein dazu adatierter stochastischer Prozess (X t ) t I. Ist E X t < t I, so heißt (X t ) t I ein (F t ) t I -Martingal, falls E[X t F s ] X s s, t I, s t. Ist X s E[X t F s ] bzw. X s E[X t F s ], so nennt man (X t ) t I ein (F t ) t I -Submartingal bzw. (F t ) t I -Suermartigal. Bemerkung a) Beim Martingal gilt: EX s E [E [X t F s ]] EX t t I, d.h. der Erwartungswert ist konstant (wachsend beim Submartingal, fallend beim Suermartingal). b) Ist I N, so genügt z.z.: E[X t+1 F t ] X t t N c) Ist (F t ) t I die natürliche Filtration, so sagt man oft nur (X t ) t I ist ein Martingal. Beisiel 8.1 Sei I N, (X n ) n N eine Folge von unabhängigen und identisch verteilten Zufallsvariablen mit Erwartungswert µ. Sei S n : n k1 X k n N und F n : σ(s 1,..., S n ). Dann gilt n N : E[S n+1 F n ] E[S n F n ] + E[X n+1 F n ] S n + µ. Also: µ 0 (S n ) ist Martingal µ 0 (S n ) ist Suermartingal µ 0 (S n ) ist Submartingal Beisiel 8.2 Sei (F t ) t I eine Filtration und X eine Zufallsvariable mit E X <. Sei X t : E[X F t ]. dann ist (X t ) t I (F t ) t I -adatiert und s, t I, s t : E[X t F s ] E [E [X F t ] F s ] S.7.3a) E[X F s ] X s (X t ) t I ist ein (F t ) t I -Martingal. 71
2 72 KAPITEL 8. MARTINGALE UND STOPPZEITEN Satz 8.1 Ist (X t ) t I ein (F t ) t I -Martingal und Φ : R R eine konvexe Funktion mit E Φ(X t ) < t I, so ist (Φ(X t )) t T ein (F t ) t I -Submartingal. Beweis Sei s, t I, s t : E[Φ(X t ) F s ] Jensen Φ(E[X t F s ] X s ) Im Folgenden: I {1, 2,..., n} und X : max 1 i n X i Satz 8.2 (Submartingal-Ungleichung von Doob) Ist (X i ) i1,...,n ein (F i ) i1,...,n -Submartingal, so gilt c > 0 : c P (X > c) X n dp EX n + {X >c} Beweis Sei A : {X > c}, A i : {X 1 c,..., X i 1 c, X i > c}, i 1,..., n A A A n, A i F i und X i > c auf A i, i 1,..., n. A i X n dp bed.ew A i E[X n F i ]dp Sub M. A i X i dp cp (A i ), i 1,..., n Summation über i 1,..., n 1. Ungleichung 2. Ungleichung: X n 1 A X n + Satz 8.3 (L -Ungleichung von Doob) Es sei > 1 und (X i ) i1,...,n ein nicht-negatives (F i ) i1,...,n -Submartingal mit der Eigenschaft su i1,...,n EX i <. Dann gilt: ( ) E(X ) EXn 1 Beweis X E(X ) E E Fubini S Fubini E Hölder y 1 dy y 1 1 [X y]dy y 1 P (X y)dy y 2 E [ X n 1 [X y]] dy ] X [X n 0 y 2 dy 1 E [ X n (X ) 1] ( E ((X ) 1) 1 q) q 1 (EX n) 1 1 (EX n) 1 (E (X ) ) 1 1
3 73 Teile Ungleichung durch (E (X ) ) 1 1 nehme -te Potenz Behautung. (falls E(X ) 0 ist Aussage richtig) und Bemerkung a) Ist q 1, so lässt sich Satz 8.3 schreiben als X q X n b) Ein stochastischer Prozess (X t ) t I mit su t I X t < heißt L -beschränkt. c) Ist (X i ) i1,...,n ein Martingal, so ist ( X i ) i1,...,n ein nicht negatives Submartingal (Satz 8.1) Beisiel 8.3 Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum und (X n ) n N0 ein stochastischer Prozess. Interretation von (X n ): X 0 Anfangskaital des Sielers X n X n 1 Gewinnn ro gesetzter Geldeinheit in der n-ten Runde Wird immer eine Geldeinheit ro Runde gesetzt, so ist also X n X 0 + n k1 (X k X k 1 ) das Kaital des Sielers nach n Runden. Es sei F n σ(x 0, X 1 X 0,..., X n X n 1 ) σ(x 0, X 1,..., X n ) Das entsricht der Information nach n Runden. E[X n+1 X n F n ] E[X n+1 F n ] X n Das entsricht dem erwarteten Gewinn ro gesetzter Geldeinheit bei Kenntnis des bisherigen Sielverlaufs. Offfenbar gilt: X Martingal Siel fair X Suermartingal Siel nachteilig X Submartingal Siel vorteilhaft Beisiel 8.4 X n X n 1 sei der Gewinn ro gesetzter Geldeinheit (GE) in der n-ten Runde. Jetzt: In Runde n werden c n GE gesetzt mit c n F n 1 -messbar. F n σ(x 0, X 1 X 0,..., X n X n 1 ), d.h. (c n ) n N ist vorhersagbar. Kaital nach n Sielen: n X 0 + c k (X k X k 1 ) k1 Satz 8.4 Es seien (c n ) n N ein vorhersagbarer Prozess und X (X n ) n N ein Prozess mit E c n (X n X n 1 ) < n N. Wir setzen Dann gilt: Y n : X 0 + n c k (X k X k 1 ), Y (Y n ) n N. k1 a) Ist X ein Martingal, so auch Y.
4 74 KAPITEL 8. MARTINGALE UND STOPPZEITEN b) Ist X ein Sub- bzw. Suermartingal und c n 0 n, so ist auch Y ein Subbzw. Suermartingal. Beweis E[Y n+1 Y n F n ] E[c n+1 (X n+1 X n ) F n ] c n+1f n m.b. c n+1 E[X n+1 X n F n ]. Definition Eine Abbildung τ : Ω N 0 { } heißt Stozeit bezüglich einer Filtration (F n ) n N, wenn {τ n} F n n N 0. Bemerkung a) Stozeiten kann man analog für τ : Ω R + { } definieren. b) τ : Ω N 0 { } ist Stozeit {τ n} F n n N 0. (Übung) Beisiel 8.5 a) τ n 0 ist Stozeit, { da Ω n n 0 {τ n} F n n < n 0 b) Sei (X n ) n N0 ein zu (F n ) n N0 adatierter rellwertiger Prozess und A B. Sei τ A : Ω N { } definiert durch τ A (ω) : inf {n N 0 X n (ω) A} (inf { } : ) τ A heißt Eintrittszeit in A. τ A ist Stozeit, da Lemma 8.1 {τ A n} n {X i A} F n. F i i1 a) Für eine Stozeit ist F τ : {A A A {τ n} F n n N 0 } eine σ-algebra, die σ-algebra der τ-vergangenheit. b) Sind τ 1, τ 2 Stozeiten mit τ 1 τ 2, so gilt F τ1 F τ2.
5 75 c) Ist τ eine Stozeit, so ist Xτ : Ω R mit { Xτ X (ω) : τ(ω) (ω) wenn τ(ω) < 0 sonst F τ -messbar Beweis a) Übung. b) Sei A F τ1 beliebig. n N gilt: {τ 2 n} {τ 1 n} A {τ 2 n} A {τ 1 n} {τ 2 n} F n. F n F n Beh. c) zu zeigen: {Xτ A} F τ A B zeige also: {Xτ A} {τ n} F n n N 0 Es gilt: n {Xτ A} {τ n} {X k A} {τ k} F k, k0 F k F k da {τ k} {τ k} {τ k 1} C F k. F k F k Beh. Bemerkung a) F τ Information, die bis zur zufälligen Zeit τ vorhanden ist. b) Falls τ P -f.s. endlich, schreibt man X τ statt X τ. c) Ist τ eine Stozeit und (X n ) n N0 ein stochastischer Prozess, so ist X τ (X τ n) n N0 mit X τ n : X τ n n N 0 der gestote Prozess. Da τ n eine Stozeit ist, ist wegen Lemma 8.1c) X τ n F τ n -messbar und (X τ n) ist (F τ n )-adatiert. Satz 8.5 Ist X ein (Sub-, Suer-) Martingal und ist τ eine Stozeit, so ist auch X τ (Sub-, Suer-) Martingal. ein Beweis Sei c n : 1 {τ n} {τ n} {τ n 1} C F n 1. (c n ) n N0 ist vorhersagbar. Da X 0 + n k1 c k(x k X k 1 ) X τ n, folgt die Behautung mit Satz 8.4.
6 76 KAPITEL 8. MARTINGALE UND STOPPZEITEN Bemerkung Ist X ein Martingal, so auch X τ und damit gilt EX τ n EX 0. Betrachte Bs 8.4 mit τ : inf{k N 0 X k X 0 + c} und c n : 1 {τ n} : Solange c nicht erreicht ist, wird eine Geldeinheit gesetzt, danach aufgehört. Sielt man maximal n-mal, so ist X τ n das Kaital am Ende. Im Mittel kann man das Kaital bei einem fairen Siel nicht erhöhen. Beisiel 8.6 (Kartensiel) Sei S 0 die Anzahl der schwarzen Karten und R 0 die Anzahl der roten Karten und N : S 0 + R 0 die Gesamtzahl an Karten. (R n, S n ) die Anzahl der roten / schwarzen Karten im Stael, nachdem n Karten aufgedeckt wurden. Z n die Farbe der n-ten aufgedeckten Karte. F n σ(z 1,..., Z n ) und X n : Sn Rn S n+r n. Behautung: (X n ) ist (F n )-Martingal! [ ] Sn+1 R n+1 E [X n+1 F n ] E Z 1,..., Z n S n+1 + R n+1 [ S n Sn 1 R n S n + R n S n 1 + R n (R n + S n 1)(S n R n ) (S n + R n )(S n + R n 1) S n R n S n + R n ] + R n S n + R n Sei τ eine Stozeit ( N). Erwarteter Gewinn: E [ ] 1 [Zτ+1 schwarz] 1 [Zτ+1 rot] [ N ] ( ) E 1[Zk+1 schwarz] 1 [Zk+1 rot] 1[τk] k1 k1 [ ] Sn R n + 1 S n + R n 1 E [ E [( ) ]] 1 [Zk+1 schwarz] 1 [Zk+1 rot] 1[τk] F k E 1 [τk] E [ ] 1 [Zk+1 schwarz] 1 [Zk+1 rot] F k k1 S k R k S k +R k X k
7 77 E [X τ ] EX 0 S 0 R 0 S 0 + R 0 EX τ EX 0 gilt nur unter einer Bedingung, wie dieses Beisiel zeigt. Beisiel 8.7 Sei (Y n ) n N eine Folge von u.i.v. ZVen mit P (Y n 1) P (Y n 1) 1 2, X 0 0 Y n Ergebnis Münzwurf in Runde n. Der Sieler setzt 2 n 1 GE in der n-ten Runde, bei Gewinn erhält er 2 n GE, d.h. Y n 2 n 1 ist der Geldzu-/abgang in der n-ten Runde. Kaital nach n Runden: n X n : 2 i 1 Y i i1 Sei F n : σ(x 0,..., X n ) und τ : inf{n N Y n 1} d.h. gestot wird, wenn erstmals Y n 1 ( Martingalstrategie). (X n ) n N ist ein (F n ) n N -Martingal (s. Bs. 8.1). Es gilt: und X τ P (τ > k) X k 1 τk k1 ( ) 1 k k N P (τ < ) 1 2 ( ) k 1 2 i k 1 1 τk 1 k1 i1 Also ist hier EX τ 1 EX 0 0. Vorsicht bei der Nachahmung! Das benötigte Kaital beträgt X τ 1 GE und E( X τ 1 ) E } {{ } 1 ( τ 1 ) 2 k 1 k1 ( ) E 2 k 1 1 [τ>k] k1 k1 2 k 1 P (τ > k) 2 k Satz 8.6 (Otional Stoing Theorem OST) Es sei X (X n ) n N ein Suermartingal und τ eine Stozeit. Jede der folgenden Bedingungen imliziert, dass E X τ < und EX τ EX 1 gilt: 1. τ ist f.s. beschränkt, also P (τ < c) 1 für ein c R.
8 78 KAPITEL 8. MARTINGALE UND STOPPZEITEN 2. τ ist f.s. endlich und X ist f.s. beschränkt, d.h. P (τ < ) 1 und es gibt ein c R mit P ( X n c) 1 n N Eτ < und X hat f.s. beschränkte Zuwächse, d.h. c R mit P ( X n X n 1 c) 1 n N. 4. P (τ < ) 1, E X τ < und {τ>n} X n dp 0 für n. Ist eine dieser Bedingungen erfüllt und X ein Martingal, so gilt: EX τ EX 1. Beweis 1. Ist klar, da hier X τ X τ n für ein n N groß (n > c). Die Behautung folgt aus Satz Satz 8.5 und majorisierte Konvergenz. 3. Verwende X 1 + c(τ 1) als integrierbare Majorante. 4. Wir zeigen die Aussage für X ist Martingal: EX τ EX τ n X τ dp {τ>n} {τ>n} {τ n} X τ dp + X τ dp } {{ } 0(n ) + X τ dp {τ>n} {τ>n} {τ>n} X n dp X n dp } {{ } 0(n ) X n dp 0 (n ) Beisiel 8.8 (Ruinsiel, vgl. Stochastik I, Bs 10.4) Sieler I besitze n GE (n N), Sieler II N n GE (N n N). Pro Runde gewinnt Sieler I von Sieler II 1 GE mit W keit und verliert eine GE an Sieler II mit W keit 1. Sielrunden sind unabhängig. Seien (Y n ) n N u.i.v. ZV mit P (Y n 1), P (Y n 1) 1. X n : n Y k ist dann der Gewinn (Verlust) von Sieler I nach n Runden. Sei k1 τ : inf{n N X n N n oder X n n} P (X τ n) Ruinwahrscheinlichkeit von Sieler I. Sei µ EY Nach Beisiel 8.1 µ 0 (X n ) Martingal. µ 0 (X n ) Suermartingal. µ 0 (X n ) Submartingal. Behautung: a > 0, 0 < γ < 1, sodass P (τ > j) aγ j j N. Beweis: Sei k N. P (τ > Nk) P ((Y 1,..., Y n ) (1,..., 1), (Y N+1,..., Y 2N ) (1,..., 1),..., (Y (k 1)N+1,..., Y kn ) (1,..., 1) ) (Y n) unabh. k 1 v0 (1 N ) k P ( (Y vn+1,..., Y (v+1)n ) (1,..., 1) )
9 79 Für j > N gilt: P (τ > j) P (τ > j ( ) N N) (1 N ) j N (1 N ) 1 j N (1 N ) 1 :γ j :a Also folgt: P (τ < ) 1, Eτ P (τ j) < und 1 P (τ < ) P (X τ j1 N n) + P (X τ n). Sei nun M n : n (Y k EY k ), n N k1 0, M 0 0 und F n : σ(y 1,..., Y n ). µ Dann ist (M n ) n N0 ein (F n )-Martingal. Das OST ist anwendbar, da (iii) erfüllt ist. 0 EM τ P (X τ N n)(n n Eτµ) + P (X τ n)( n Eτµ) P (X τ N n)(n n) P (X τ n)n Eτµ. Fall 1: µ 0 (d.h. 1 2, faires Siel) 0 (1 P (X τ n))(n n) P (X τ n)n P (X τ n) N n N Fall 2: 1 2 Sei Θ : log( 1 ) 0 und L 0 : 1, L n : n k1 eθy k e ΘXn. (L n ) n N ist ein (F n ) n N -Martingal, da E [L n+1 F n ] n k1 e ΘYk E [ e ΘY ] n+1 L n e Θ +(1 )e Θ 1 Das Otional Stoing Theorem 8.6 ist anwendbar, da (iv) erfüllt E L τ Ee ΘXτ e Θ N < und L n dp e Θ N P (τ > n) {τ>n} 0 (n ) 1 EL 0 EL τ P (X τ N n)e Θ(N n) + P (X τ n)e Θn 1 (1 P (X τ n)) ( 1 )N n + P (X τ n)( 1 )n P (X τ n) φn φ n φ N 1, φ 1 Otimales Stoen Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum und X (X n ) n1,...,n ein stochastischer Prozess adatiert an eine Filtration (F n ) n1,...,n. Es sei E X k < k 1,..., N. Betrachte das Otimierungsroblem v : su {EX τ } EX τ0 τ ist Stozeit N
10 80 KAPITEL 8. MARTINGALE UND STOPPZEITEN v maximaler Wert, τ 0 otimale Stozeit (falls existent). Wegen E X τ E ( ) N X n 1 {τn} E X n < n1 nach Voraussetzung ist v <. Ist (X n ) n1,...,n ein (F n ) n1,...,n Suermartingal, so folgt mit Satz 8.6: EX 1 EX τ Stozeiten τ N. Also: τ 0 1 ist otimal (sofort aufhören). Definition Der Prozess Z (Z n ) n1,...,n mit n1 Z N : X N, Z n : max {X n, E [Z n+1 F n ]}, n N 1,..., 1 heißt Snell-Einhüllende von X. Satz 8.7 Mit den obigen Bezeichnungen gilt: a) Z ist ein (F n ) n1,...,n -Suermartingal mit Z n X n für n 1,..., N. b) Z ist das kleinste (F n )-Suermartingal, welches X dominiert, d.h. ist (Y n ) n1,...,n ein weiteres (F n )-Suermartingal mit Y n X n, n 1,..., N so gilt: Y n Z n für n 1,..., N. Beweis a) Aus der Definition: Z n X n n, Z n E[Z n+1 F n ], also (Z n ) Suermartingal. b) Rückwärtsinduktion: (n N): Y N X N Z N Y Suermartingal (n n 1): Y n 1 E [Y n F n 1 ] I.H. E [Z n F n 1 ] und Y n 1 X n 1 Y n 1 max{x n 1, E[Z n F n 1 ]} Z n 1 Satz 8.8 Mit den obigen Bezeichnungen und τ 0 min{n {1,..., N} X n Z n } gilt: a) τ 0 ist eine Stozeit. b) (Z τ 0 n ) n1,...,n ist ein (F n ) n1,...,n -Martingal. c) EX τ0 su τ Stozeit {EX τ } Beweis
11 81 a) Wegen Z N X N ist τ 0 N. Es gilt: {τ 0 n} n {Z i X i } F n F i i1 b) Es gilt: da Z τ 0 n+1 Z Z (n+1) τ0 τ 0 n 1 {τ0 n+1} (Z n+1 E [Z n+1 F n ]) ( ) Z n τ0 Fall 1: τ 0 n + 1 linke Seite Z n+1 Z n, rechte Seite Z n+1 E[Z n+1 F n ] Z n, da X n < Z n auf {τ 0 n+1}. (stimmt) Fall 2: τ 0 n 0 0 (stimmt) Wende nun E[ F n ] auf (*) an: Da {τ 0 n + 1} {τ 0 n} C F n folgt E [ Z τ 0 n+1 Zτ 0 n F n ] 1{τ0 n+1}e [Z n+1 E [Z n+1 F n ] F n ] 0 (Z τ 0 n ) ist (F n )-Martingal. c) Wegen b) und Satz 8.6: EZ 1 EZ τ 0 1 EZτ 0 N EZ τ 0 EX τ0 Für eine beliebige Stozeit τ gilt: EZ 1 EZ τ, da Z Suermartingal. Und weiterhin: EX τ0 EZ 1 EZ 1 EZ τ EX τ Beh. Beisiel 8.9 (Das Sekretärinnenroblem) N Bewerber(innen) um eine Stelle stellen sich nacheinander vor. Nach jedem Interview muss entschieden werden, ob die Person die Stelle bekommt. Annahme: Die Bewerber lassen sie linear anordnen und erscheinen in beliebiger Reihenfolge. (N! mögliche Reihenfolgen) Welche Strategie maximiert die Wahrscheinlichkeit, dass die beste Person die Stelle bekommt? A n absoluter Rang des n-ten Kandianten unter allen N. R n dessen relativer Rang unter den ersten N. R n {1 m n A m A n }.
12 82 KAPITEL 8. MARTINGALE UND STOPPZEITEN Es gibt eine Bijektion zwischen den A-Werten und den R-Werten. Somit gilt r 1,..., r N, 1 r i i, 1 i N: Bestimme Randverteilungen: P (R 1 r 1,..., R N r N ) 1 N! P (R n l) 1 n für l 1,..., n n {1,..., N} und R 1,..., R N unabhängig. Sei nun { 1, A n 1 X n :, F n σ(r 1,..., R n ) 0, sonst und X n E[X n F n ]. (X n ) ist (F n )-adatiert. P (X τ 1) max. P (X τ 1) P (X n 1, τ n) n1 n1 EX τ Also maximiere EX τ mit Satz 8.8. {τn} X n dp n1 n1 {τn} E1 [τn, Xn1] E[X n F n ] X n dp P (R 1 r 1,..., R n 1 r n 1, A n 1) P (R 1 r 1,..., R n 1 r n 1, R n 1, R n+1 > 1,..., R N > 1) 1 N! 1 1 n (n + 1) (N 1) n N 1 n! P (A n 1 R 1 r 1,..., R n 1 r n 1, R n 1) P (R 1 r 1,..., R n 1 r n 1, R n 1, A n 1) P (R 1 r 1,..., R n 1 r n 1, R n 1) n N 1 n! 1 n! n N X n E[1 {1} (A n ) F n ] { n N, falls R n 1 0, sonst ( ) Behautung: (c n ) n1,...,n R, c n, c N 1 N und E[Z n F n 1 ] c n für n 1,..., N, wobei Z die Snell-Einhüllende von X ist. Beweis: Rüchwärtsinduktion: n N: E[Z N F N 1 ] E[X N F N 1 ] A N R N E[1{1} (R N ) F N 1 ] R N,F N unabh. P (R N 1) 1 N c N.
13 83 n + 1 n: E[Z n F n 1 ] E[max{X n E[Z n+1 F n ]} F n 1 ] ( ) E[max{ n N 1 {1}(R n ), c n+1 } F n 1 ] E[1 {1} (R n ) max{ n N, c n+1} + (1 1 {1} (R n ))c n+1 F n 1 ] R n,f n 1 unabh. P (R n 1) max{ n N, c n+1} + (1 P (R n 1)) c n+1 1 n max{ n N, c n+1} + (1 1 n )c n+1 c n c n+1 + max{ 1 N, c n+1 n } c n+1 c n c n+1 }{{ n } 0 τ : inf{n Z n X n } Storegel nach Satz 8.8: τ min{n X n Z n }. gestot wird vor N nur, wenn R n 1. die Werte X n 0 sind wachsend. die Werte E[Z n+1 F n ] c n+1 fallend. τ min{1 n N 1 R n 1, min{n k n R n 1} N. Wir bestimmen jetzt noch k N. Sei τ k : inf{n k R n 1} N. Bestimme EX τk. k N ist dann der k-wert, bei dem EX τk maximal ist. Es gilt Φ(k) : k 1 N EX τk Telesko. Prod. E[X l 1 {l} (τ k )] lk lk lk k 1 N n N c n+1} N l N P (R m > 1 für m k,..., l 1, R l 1) ( l 1 ) l m 1 N m mk P (R m>1) lk 1 l 1 P (τ k l) 1 l P (R l 1) N lk 1 l 1 wird maximal in k N : inf{k 1 k + 1 k N 1 1}. Beachte: lim N k N 1 e. Bei einem großen Bewerberkreis wird man etwa 37 Prozent der Bewerber assieren lassen und dann den ersten nehmen, der besser als alle vorangegangenen ist.
14
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
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrWahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015
Wahrscheinlichkeitstheorie 2 & 3 Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 3. Januar 215 Inhaltsverzeichnis. Bedingte Erwartungswerte 4 1. Martingale, Stoppzeiten und Filtrierungen 9 1.1.
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrTU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)
TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
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.
MehrÜbungen zur Vorlesung Finanzmathematik. Wintersemester 2014/15
Übungen zur Vorlesung Finanzmathematik Wintersemester 2014/15 PD Dr. V. Paulsen Blatt 7 25.11.2014 Aufgabe 1: Ruinwahrscheinlichkeit beim Roulette Sei S n = n X i, n N 0 eine Irrfahrt in Z, die aus dem
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
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
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
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
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
VARIOUS KINDS OF CONVERGENCES OF SEQUENCES OF RANDOM VARIABLES 10 Dezember, 2012 1 Bekannte Konvergenzarten 2 3 1 Bekannte Konvergenzarten 2 3 Wahrscheinlichkeitsraum Im Folgenden betrachten wir immer
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrNicht-kooperative Spiele
Kapitel 1 Nicht-kooperative Spiele 1.1 Zwei-Personen-Spiele Definition 1: Ein Zwei-Personen-Spiel Γ besteht aus einem Paar nichtleerer Mengen S T zwei reellwertigen Funktionen φ 1 φ 2 auf dem kartesischen
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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
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
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr68 Abschätzungen für Abweichungen vom Erwartungswert
68 Abschätzungen für Abweichungen vom Erwartungswert 68.1 Motivation Mit der Varianz bzw. Standardabweichungen kennen wir bereits ein Maß für die Fluktuation einer Zufallsvariablen um ihren Erwartungswert.
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrBewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin
Bewertung von amerikanischen Optionen im CRR Modell Seminararbeit von Nadja Amedsin 22.05.10 i Inhaltsverzeichnis 1 Einführung 1 2 Amerikanischer Claim 1 2.1 Beispiele................................ 2
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
MehrStochastische Analysis
Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
MehrSeminar: Randomisierte Algorithmen Auswerten von Spielbäumen Nele Küsener
Seminar: Randomisierte Algorithmen Auswerten von Sielbäumen Nele Küsener In diesem Vortrag wird die Laufzeit von Las-Vegas-Algorithmen analysiert. Das Ergebnis ist eine obere und eine untere Schranke für
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
Mehr10 Kriterien für absolute Konvergenz von Reihen
10 Kriterien für absolute Konvergenz von Reihen 10.1 Majoranten- und Minorantenkriterium 10.3 Wurzelkriterium 10.4 Quotientenkriterium 10.9 Riemannscher Umordnungssatz 10.10 Äquivalenzen zur absoluten
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
MehrDie Höhe von binären Suchbäumen Ausarbeitung zum Seminar zu Stochastischen Rekursionsgleichungen im WS 2011/2012
Die Höhe von binären Suchbäumen Ausarbeitung zum Seminar zu Stochastischen Rekursionsgleichungen im WS 011/01 Sandra Uhlenbrock 03.11.011 Die folgende Ausarbeitung wird, basierend auf Branching Processes
MehrWAHRSCHEINLICHKEITS- THEORIE II
Skript zur Vorlesung WAHRSCHEINLICHKEITS- THEORIE II Jürgen Gärtner unter Mitwirkung von S. Ribbecke, N. Paetsch und S. Sturm Version Juli 2006 Inhaltsverzeichnis 1. Maßtheoretische Grundlagen 5 1.1.
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
MehrStochastische Finanzmathematik I
Notizen zu der Vorlesung Stochastische Finanzmathemati I 1 Zum Ein-perioden-Modell 1.1 Beispiel: Zwei-wertiges Modell: π 0 = 1, S 0 =, { b Wahrs. p S 1 = a Wahrs. 1 p Arbitrage frei: Es gibt p 0, 1) mit
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
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
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
Mehr