Schwache Konvergenz von Wahrscheinlichkeitsmaßen
|
|
- Matthias Fromm
- vor 6 Jahren
- Abrufe
Transkript
1 Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010
2 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation
3 Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind P n, n N und P Wahrscheinlichkeitsmaße über (R k, B k ), so wäre es naheliegend, eine P n P durch die Eigenschaft lim n P n(b) = P(B) B B k. zu definieren.
4 Definition Beispiel (Dirac-Verteilung) Gelte für n N P n (B) = 1 B (1/n), B B 1. 1 Dann gilt P n δ 0 auf dem Punkt 0. 2 Es gilt aber NICHT P n (B) δ 0 (B) B B 1
5 Definition Beispiel (Dirac-Verteilung) Gelte für n N P n (B) = 1 B (1/n), B B 1. 1 Dann gilt P n δ 0 auf dem Punkt 0. 2 Es gilt aber NICHT P n (B) δ 0 (B) B B 1 3 beispielsweise erhält man für B = ( ; 0]: P n (( ; 0]) = 0 n N, aber δ 0 (( ; 0]) = 1
6 Definition Beispiel (Dirac-Verteilung) Gelte für n N P n (B) = 1 B (1/n), B B 1. 1 Dann gilt P n δ 0 auf dem Punkt 0. 2 Es gilt aber NICHT P n (B) δ 0 (B) B B 1 3 beispielsweise erhält man für B = ( ; 0]: P n (( ; 0]) = 0 n N, aber δ 0 (( ; 0]) = 1
7 Definition Definition der schwachen Konvergenz von Wahrscheinlichkeitsmaßen Definition (Schwache Konvergenz (2.Definition)) Es seien P, P n, n N, Wahrscheinlichkeitsmaße über (R k, B k ) mit Verteilungsfunktionen F, F n, n N. F heißt Limesverteilung der Folge F n, n N, wenn gilt lim F n(x) = F (x) x C(F ). n
8 Definition Definition der schwachen Konvergenz von Wahrscheinlichkeitsmaßen Definition (Schwache Konvergenz (1.Definition)) Eine Folge P n, n N von Wahrscheinlichkeitsmaßen auf (R k, B k ) konvergiert schwach gegen ein Wahrscheinlichkeitsmaß P auf (R k, B k w ), kurz P n P, wenn lim n f dp n = f dp f C(R k ).
9 Definition Definition () Es seien X, X n, n N, k-dimensionale Zufallsvektoren mit den Verteilungsfunktionen F X, F Xn. Die X n heißen d verteilungskonvergent gegen X (kurz: X n X ), wenn gilt P Xn P X.
10 Beispiel Beispiel (Poissonscher Grenzwertsatz) Es gelte X n Bin(n, p n ) mit p n = a/n + o(1/n), a > 0, d.h., lim np n = a und n X 0 Poi(a). Dann sind die X n verteilungskonvergent gegen X 0, d.h.,. Bin(n, p n ) Poi(a)
11 Konvergenzarten Es seien X, X 1, X 2,... : Ω R beliebige Zufallsvariablen. Dann gilt: X n fs X P(ω Ω : lim n X n(ω) = X (ω)) = 1 X n P X lim n P( X n X > ɛ) = 0
12 Konvergenzarten Es seien X, X 1, X 2,... : Ω R beliebige Zufallsvariablen. Dann gilt: X n fs X P(ω Ω : lim n X n(ω) = X (ω)) = 1 X n P X lim n P( X n X > ɛ) = 0 X n L r X lim E X n X r = 0 r 1 n
13 Konvergenzarten Es seien X, X 1, X 2,... : Ω R beliebige Zufallsvariablen. Dann gilt: X n fs X P(ω Ω : lim n X n(ω) = X (ω)) = 1 X n P X lim n P( X n X > ɛ) = 0 X n L r X lim E X n X r = 0 r 1 n X n d X lim n F Xn (x) = F X (x) x C(F X )
14 Konvergenzarten Es seien X, X 1, X 2,... : Ω R beliebige Zufallsvariablen. Dann gilt: X n fs X P(ω Ω : lim n X n(ω) = X (ω)) = 1 X n P X lim n P( X n X > ɛ) = 0 X n L r X lim E X n X r = 0 r 1 n X n d X lim n F Xn (x) = F X (x) x C(F X )
15 Zusammenhang der Konvergenzarten L s fs s>r 1 Lr P d
16 Satz (Zusammenhang der Konvergenzarten) Aus X n P X folgt Xn d X. Ist X const f.s., so gilt auch die Umkehrung.
17 Beispiel Beispiel (Gegenbeispiel) Es seien (X n ) n 1 iid Zufallsvariablen mit X n Bin(1, 1/2), n N. d Dann gilt X n X1, aber P( X n X 1 > ɛ) = P(X n X 1 ) = 1/2 ɛ (0, 1] und n 2 nicht die stochastische Konvergenz.
18 Beweis der Hinrichtung Beweis der Hinrichtung. Aus X n P X folgt f (Xn ) P f (X ) f C(R). Dann gilt mit der. Supremumsnorm auf C(R): E(f (X n ) E(f (X )) E f (X n ) f (X ) ɛ + 2 f P( f (X n ) f (X ) > ɛ) ɛ > 0
19 Definition der Straffheit von Maßen Definition (Straffheit von Maßen) Eine Familie (P i ) i I von Wahrscheinlichkeitsmaßen auf (R k, B k ) heißt straff oder auch masseerhaltend, wenn für jedes ɛ > 0 ein Kompaktum K R k existiert mit sup P i (K c ) < ɛ i I
20 Definition der gleichgradigen Integrierbarkeit Definition (Gleichgradige Integrierbarkeit) Eine Familie (X i ) i I ist genau dann gleichgradig integrierbar, wenn die durch Q i (B) = x P X i (dx), B B definierte Maßfamilie straff ist. B
21 Satz (von Slutsky) Aus X n d X und Yn P c folgt f (X n, Y n ) d f (X, c) messbaren Funktionen f : R 2 R f : R (c η, c + η) C(f ) für ein η > 0.
22 Insbesondere gilt: d X n + Y n X + c d X n Y n XY d X n /Y n X /c : c 0, Yn 0 f.s. n 1
23 Theorem () Für Wahrscheinlichkeitsmaße P, P 1, P 2,... auf (R k, B k ) gilt äquivalent: 1 P n w P 2 lim P n(r k ) = P(R k ) und lim inf P n(a) P(A) n n A R k offen
24 Theorem () Für Wahrscheinlichkeitsmaße P, P 1, P 2,... auf (R k, B k ) gilt äquivalent: 1 P n w P 2 lim P n(r k ) = P(R k ) und lim inf P n(a) P(A) n n A R k offen 3 lim P n(r k ) = P(R k ) und lim sup P n (F ) P(F ) n n F R k geschlossen
25 Theorem () Für Wahrscheinlichkeitsmaße P, P 1, P 2,... auf (R k, B k ) gilt äquivalent: 1 P n w P 2 lim P n(r k ) = P(R k ) und lim inf P n(a) P(A) n n A R k offen 3 lim P n(r k ) = P(R k ) und lim sup P n (F ) P(F ) n n F R k geschlossen 4 lim n P n(c) = P(C) P-stetige Mengen C B k
26 Theorem () Für Wahrscheinlichkeitsmaße P, P 1, P 2,... auf (R k, B k ) gilt äquivalent: 1 P n w P 2 lim P n(r k ) = P(R k ) und lim inf P n(a) P(A) n n A R k offen 3 lim P n(r k ) = P(R k ) und lim sup P n (F ) P(F ) n n F R k geschlossen 4 lim n P n(c) = P(C) P-stetige Mengen C B k
27 Beweisidee zum
28 Weitere Sätze zur Konvergenz in Verteilung Satz Es seien zwei Folgen X n, Y n : Ω R k und eine Metrik p gegeben. Dann gilt: X n d X und p(xn, Y n ) P 0 Y n d X.
29 Motivation Lindeberg-Bedingung Interpretation Einer der fundamentalsten Aussagen der Wahrscheinlichkeitstheorie Kernaussage: Die Summe von iid verteilten Zufallsvariablen konvergiert mit wachsendem Umfang gegen die Standardnormalverteilung und ist unabhängig von der konkreten Verteilung der Zufallsvariablen. Frage: Lässt sich die Bedingung der identischen Verteilung der Zufallsvariablen auch abschwächen?
30 Definition Lindeberg-Bedingung Interpretation Definition (Lindeberg-Bedingung) X n, n N, seien unabhängige Zufallsvariablen mit den induzierten Wahrscheinlichkeitsmaßen P n = P Xn. Die Folge (X n ) n N erfüllt die Lindeberg-Bedingung, wenn für jedes δ > 0 gilt lim n 1 τ 2 n n (x µ j ) 2 dp j (x) = 0 x µ j δτ n j=1
31 Lindeberg-Bedingung Interpretation Interpretation der Lindeberg-Bedingung I Sei Dann gilt P(A i ) = { Xi µ i A i := σ n df Xi (x) } > ɛ X i µ i >σ nɛ 1 ɛ 2 σn 2 X i µ i >σ nɛ (x µ i ) 2 df Xi (x)
32 Lindeberg-Bedingung Interpretation Interpretation der Lindeberg-Bedingung II ( P sup X i µ i σ n ( n ) = P A i i=1 n P(A i ) i=1 1 ɛ 2 σ 2 n n ) > ɛ i=1 X i µ i >σ nɛ (x µ i ) 2 df Xi (x) n 0
33 Lindeberg-Bedingung Interpretation Satz () (X n ) n N sei eine Folge unabhängiger Zufallsvarablen mit σ 2 n <, die der Lindeberg-Bedingung genügt. Dann konvergiert die Folge der Verteilungen der standardisierten Summen S n = 1 τ n n (X j µ j ) j=1 in Verteilung gegen die N(0,1)-Verteilung: P Sn d N(0, 1)
34 Lindeberg-Bedingung Interpretation Vielen Dank für die Aufmerksamkeit!
1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
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
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
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)
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
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
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
MehrGrundlagen der Stochastischen Analysis. Egbert Dettweiler
Grundlagen der Stochastischen Analysis Egbert Dettweiler Vorwort Der erste Teil des vorliegenden Manuskripts ist im wesentlichen eine Vorlesungsausarbeitung einer im Sommersemester 23 an der Universität
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
MehrProf. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13
Prof. Dr. Thilo Meyer-Brandis Finanzmathematik 1 WS 2012/13 Dieses Skript gibt den Inhalt der Vorlesung Finanzmathematik I: Eine Einführung in diskreter Zeit wieder und basiert auf dem Buch Stochastic
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
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
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
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
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
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
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.
MehrOptionspreisbestimmung nach Cox-Ross-Rubinstein
Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3
MehrSTOCHASTISCHE PROZESSE. Vorlesungsskript
STOCHASTISCHE PROZESSE II: Martingale und Brownsche Bewegung Wolfgang König Vorlesungsskript Universität Leipzig Wintersemester 2005/6 Inhaltsverzeichnis 1 Theorie der Martingale 3 1.1 Definition und
MehrProjektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:
Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein
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.
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
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
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;.
MehrAnalysis I III. Vorlesungsskriptum WS 2005/06 WS 2006/07. Fakultät für Mathematik, Ruhr-Universität Bochum
Analysis I III Vorlesungsskriptum WS 2005/06 WS 2006/07 R. Verfürth Fakultät für Mathematik, Ruhr-Universität Bochum Inhaltsverzeichnis Kapitel I. Aufbau des Zahlsystems 5 I.1. Die natürlichen Zahlen
MehrEinführung in die Finanzmathematik: Diskrete Modelle Skriptum zur Vorlesung (Teile Kainhofer)
Einführung in die Finanzmathematik: Diskrete Modelle Skriptum zur Vorlesung (Teile Kainhofer) Reinhold Kainhofer FAM, TU Wien Mai 2007 Inhaltsverzeichnis 1 Das Ein-Perioden-Modell 1 1.1 Definitionen............................................
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrStrahlenschutzverordnung
Strahlenschutzverordnung (StSV) Änderung vom 15. November 2000 Der Schweizerische Bundesrat verordnet: I Die Strahlenschutzverordnung vom 22. Juni 1994 1 wird wie folgt geändert: Art. 9 Kommission für
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen
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
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
MehrMotivation. Finanzmathematik in diskreter Zeit
Moivaion Finanzmahemaik in diskreer Zei Eine Hinführung zu akuellen Forschungsergebnissen Alber-Ludwigs-Universiä Freiburg Prof. Dr. Thorsen Schmid Abeilung für Mahemaische Sochasik Freiburg, 22. April
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
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
MehrAufgaben zur Vorlesung Analysis II Prof. Dr. Holger Dette SS 2012 Lösungen zu Blatt 6
Aufgben zur Vorlesung Anlysis II Prof. Dr. Holger Dette SS 0 Lösungen zu Bltt 6 Aufgbe. Die Funktion f : [, ) R sei in jedem endlichen Teilintervll von [, ) Riemnnintegrierbr. Für n N sei I n := f() d.
MehrFixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind
MehrEinführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar
Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar getext von René Wörzberger rene@woerzberger.de Bilder Thorsten Uthke Review Diego Biurrun diego@pool.informatik.rwth-aachen.de
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
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
MehrHierarchische Archimedische Copulas
Hierarchische Archimedische Copulas Bachelorarbeit im Studiengang Wirtschaftsmathematik am Fachbereich Mathematik und Informatik der Philipps-Universität Marburg eingereicht von Yuriy Pinkhasik Marburg,
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
MehrEinführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005
Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Jakob Creutzig TU Darmstadt, AG 9 9. Februar 2005 Inhaltsverzeichnis 1 Finanzderivate 2 2 Ein-Perioden-Modellierung 8 3 Prozesse
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
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?
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
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,
MehrGrundlagen der Monte-Carlo-Simulation. Dr. Sebastian Lück 7. Februar 2012
Grundlagen der Monte-Carlo-Simulation Dr. Sebastian Lück 7. Februar 2012 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ Akzeptanz- und Verwerfungsmethode Monte-Carlo-Integration
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
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
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrMathematische Methoden der Physik: Funktionalanalytische Methoden. Technische Universität Clausthal WS 1998/99
Mathematische Methoden der Physik: Funktionalanalytische Methoden Technische Universität Clausthal WS 1998/99 W. Lücke 3 Vorwort Als Funktionalanalysis bezeichnet man die Analysis von Funktionen, deren
MehrDiskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel
Seminarbeitrag Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Sven Wiesinger 8. Juni 2004 1. Einleitung Historisches. Bei dem Versuch, eine Theorie der Spekulation zu entwickeln,
MehrWAHRSCHEINLICHKEITSTHEORIE I und II. Vorlesungsskript
WAHRSCHEINLICHKEITSTHEORIE I und II Wolfgang König TU Berlin und WIAS Berlin Vorlesungsskript SS 2005 und WS 2005/06 überarbeitet im WS 2008/09 kleine Korrekturen im März und Juli 2012 und im März 2013
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik
Einführung in die Wahrscheinlichkeitsrechnung und Statistik Jan Kallsen und Claudia Klüppelberg Zentrum Mathematik Technische Universität München WS 2005/06 Inhaltsverzeichnis Vorwort Vorbemerkungen i
MehrStatistik II - Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Christine Müller Technische Universität Dortmund
Statistik II - Elementare Wahrscheinlichkeitsrechnung Prof Dr Christine Müller Technische Universität Dortmund Sommersemester 2014 1 Literatur Henze, N (1997 Stochastik für Einsteiger Vieweg, Braunschweig
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrMATHEMATISCHE ANALYSE VON ALGORITHMEN
MATHEMATISCHE ANALYSE VON ALGORITHMEN Michael Drmota Institut für Diskrete Mathematik und Geometrie, TU Wien michael.drmota@tuwien.ac.at www.dmg.tuwien.ac.at/drmota/ Ringvorlesung SS 2008, TU Wien Algorithmus
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE
ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE im SS 215 Aufgabe 1 (Innerer Wert, Zeitwert, Basiskurs, Aufgeld) Am 13.4.2 kostete eine Kaufoption
MehrJan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik
Jan Kallsen Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik AU zu Kiel, WS 13/14, Stand 10. Februar 2014 Inhaltsverzeichnis 1 Mathematische Hilfsmittel 4 1.1 Absolutstetigkeit
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
MehrEine Anwendung der Block Maxima Methode im Risikomanagement. Diplomarbeit. vorgelegt von Birgit Woeste
Eine Anwendung der Block Maxima Methode im Risikomanagement Diplomarbeit vorgelegt von Birgit Woeste Betreuer: Privatdozent Dr Volkert Paulsen Mathematisches Institut für Statistik Fachbereich Mathematik
MehrAnalyse von Extremwerten
Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
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
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 3 Grundlagen der Statistik Literatur Kapitel 3: Lindgren: Kapitel 7 3.1 Überblick Die Statistik ist ein ausuferndes Wissensgebiet. Man könnte problemlos 20 Semester
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrII. Bewertung von Derivaten in diskreter Zeit
II. Bewertung von Derivaten in diskreter Zeit 2.1. Wahrscheinlichkeitstheoretische Grundlagen 2.1.1. Bedingte Erwartungswerte Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Für A, B F mit P(B) > 0 ist die
MehrHilbertraum-Methoden
Skript zur Vorlesung Hilbertraum-Methoden SS 2013 Peter Junghanns Hinweis: Das vorliegende Skript stellt nur ein Gerüst zu den Inhalten der Vorlesung dar. Die Vorlesung selbst bietet weiterführende Erläuterungen,
MehrFormale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30
Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion
MehrVorlesung. Finanzmathematik I. Steffen Dereich und Marcel Ortgiese. Westfälische Wilhelms-Universität Münster WS2013/14. Version: 31.01.
Vorlesung Finanzmathematik I Steffen Dereich und Marcel Ortgiese Westfälische Wilhelms-Universität Münster WS2013/14 Version: 31.01.2014 Inhaltsverzeichnis 1. Einführung 1 1.1. Das Finanzmarktmodell...........................
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
MehrM.Sc. Brice Hakwa. Zufallsprozesse und stochastische Integration. Chap 6: Monte-Carlo-Simulation
M.Sc. Brice Hakwa Zufallsprozesse und stochastische Integration Chap 6: Monte-Carlo-Simulation Motivation 1. In vielen Problemstellungen der Finanzmathematik und des Risikomanagements ist die Dynamik der
Mehr3. Modelle in stetiger Zeit, Black Scholes
3. Modelle in stetiger Zeit, Black Scholes Nach einführenden Bemerkungen werden kurz die Brownsche Bewegung und Martingale in stetiger Zeit besprochen. Dann folgen die Entwicklung des stochastischen Integrals
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 11: Abstrakte Reduktionssysteme schulz@eprover.org Reduktionssysteme Definition: Reduktionssystem Ein Reduktionssystem ist ein Tupel (A, ) Dabei gilt: A
MehrFormale Sprachen. Der Unterschied zwischen Grammatiken und Sprachen. Rudolf Freund, Marian Kogler
Formale Sprachen Der Unterschied zwischen Grammatiken und Sprachen Rudolf Freund, Marian Kogler Es gibt reguläre Sprachen, die nicht von einer nichtregulären kontextfreien Grammatik erzeugt werden können.
MehrEinführung in die Funktionalanalysis
Einführung in die Funktionalanalysis Bernhard Gsell Skriptum zur Vorlesung gelesen von Prof. Wolfgang Woess 21. August 2014 Dies ist die Umsetzung meiner Vorlesungsmitschrift zu Einführung in die Funktionalanalysis,
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
MehrAnwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem
Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen
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
MehrGrundlagen der Variationsrechnung
Universität des Saarlandes Fachrichtung 6.1 Mathematik /home/lehrstuhl/ag-fuchs/olli/work/texstyles/eule-eps-conv Grundlagen der Variationsrechnung Eine anwendungsorientierte Einführung in die lineare
Mehr1. Übungsblatt zur Statistik II - Elementare Wahrscheinlichkeitsrechnung
. Übungsblatt zur Abgabe 6. Kalenderwoche Aufgabe (8 Punkte): A, B und C seien Teilmengen eines Ergebnisraumes Ω. Man gebe möglichst kurze mengenalgebraische Ausdrücke für das Ereignis an, dass von den
MehrEin Beitrag zu der GUHA Methode in der dreiwertigen Logik
KYBERNETIKA JAHRGANG 11 (1975), HEFT 2 Ein Beitrag zu der GUHA Methode in der dreiwertigen Logik JAN RAUCH In der vorliegenden Arbeit werden zu jedem dreiwertigen Modell (Modell mit unvollständiger Information)
MehrIII Stochastische Analysis und Finanzmathematik
III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,
MehrDie Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrNicht-archimedische Zahlen
Skript zur Vorlesung Nicht-archimedische Zahlen Wintersemester 2012/13 Frankfurt am Main Prof. Dr. Annette Werner Inhaltsverzeichnis 1 Einleitung 1 2 Nicht-archimedische Absolutbeträge 2 3 Bälle und Topologie
MehrZahlentheorie. Daniel Scholz im Winter 2006 / 2007. Überarbeitete Version vom 7. September 2007.
Zahlentheorie Daniel Scholz im Winter 2006 / 2007 Überarbeitete Version vom 7. September 2007. Inhaltsverzeichnis 1 Einleitung und Grundlagen 4 1.1 Einleitung............................. 4 1.2 Zahlensysteme..........................
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrFinanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/
Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell
Mehr