Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
|
|
- Katharina Bergmann
- vor 6 Jahren
- Abrufe
Transkript
1 Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss schen Copula Cρ Ga, wobei ρ der Koeffizient der linearen Korrelation zwischen X 1 und X 2 ist. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Theorem 20 Sei (X 1,X 2 ) T ein t-verteilter Zufallsvektor mit ν Freiheitsgraden, Mittelwert 0 und linearer Korrelationsmatrix R: (X 1,X 2 ) T t 2 (0,ν,R). Für R 12 > 1 gilt: ( ν ) 1 R12 λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 2 t ν R12 Beweis: Ähnlich wie der Beweis von Satz 19. Hinweis:. X 2 X 1 = x ( ν +1 ν +x 2 ) 1/2 X 2 ρx 1 ρ 2 t ν+1 48
2 Korollar 3 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer t-copula Cν,R t mit ν Freiheitsgraden und einer Korrelationsmatrix R. Dann gilt: ( ν ) 1 R12 λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 2 t ν R12 Theorem 21 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss schen copula Cρ Ga, wobei ρ der Koeffizient der linearen Korrelation zwischen X 1 und X 2 ist. Dann gilt: ρ τ (X 1,X 2 ) = 2 π arcsinρ und ρ S(X 1,X 2 ) = 6 π arcsin ρ 2 Korollar 4 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer elliptischen copula Cµ,Σ,ψ E. Dann gilt: ρ τ (X 1,X 2 ) = 2 π arcsinr 12, wobei R 12 = Σ 12 Σ11 Σ 22 Theorem 22 Sei X E d (µ,σ,ψ) ein elliptisch verteilter Vektor mit stetigen Randverteilungsfunktionen. Dann gilt: ρ τ (X i,x j ) = 2 π arcsinr ij, wobei R ij = Σ ij Σii Σ jj für i,j = 1,2,...,d Beweise von Satz 21, Satz 22 und Korollar 4: siehe McNeil et al. (2005). 49
3 Archimedische Copulas Nachteile elliptischer Copulas: I.A. keine Darstellung in geschloßener Form möglich radial-symmetrisch Bivariate Archimedische Copulas Definition 22 Sei φ:[0,1] [0,+ ] stetig, streng monoton fallend, sodass φ(1) = 0. Die pseudo-inverse Funktion φ [ 1] :[0, ] [0,1] von φ wird folgendermassen definiert: φ [ 1] (t) = { φ 1 (t) 0 t φ(0) 0 φ(0) t φ [ 1] ist stetig und monoton fallend in [0, ], streng monoton fallend in [0,φ(0)] und es gilt: φ [ 1] (φ(u)) = u für u [0,1] φ(φ [ 1] (t) = { t 0 t φ(0) φ(0) φ(0) t + Falls φ(0) = +, dann φ [ 1] = φ 1. 50
4 Theorem 23 Sei φ:[0, 1] [0, + ] stetig, streng monoton fallend in [0,1], sodass φ(1) = 0, und sei φ [ 1] die pseudo-inverse Funktion von φ. Sei C:[0,1] 2 [0,1], sodass C(u 1,u 2 ) = φ [ 1] (φ(u 1 )+φ(u 2 )). C ist eine Copula dann und nur dann wenn φ convex ist. Copula dieser Form heißen Archimedische Copulas. φ heißt Generator von C. Falls φ(0) = +, dann φ [ 1] = φ 1 und C(u 1,u 2 ) = φ 1 (φ(u 1 )+φ(u 2 )). Beweis: Siehe Nelsen Beispiel 16 Gumbel Copulas Sei φ(t) = ( lnt) θ, θ 1, t [0,1]. ) Cθ Gu (u 1,u 2 ) = exp ( [( lnu 1 ) θ +( lnu 2 ) θ ] 1/θ Copula mit Parameter θ. Für θ = 1: C1 Gu = u 1 u 2. lim θ Cθ Gu = M(u 1,u 2 ) = min{u 1,u 2 }. Die Gumbel Copulas haben eine obere Tail Abhängigkeit. Beispiel 17 Clayton Copulas Sei φ(t) = (t θ 1)/θ, θ > 0. ist die Gumbel C Cl θ (u 1,u 2 ) = ( u θ 1 +u θ 2 1) 1/θ ist die Clayton Copula mit Parameter θ. lim θ 0 C Cl θ = u 1 u 2 und lim θ C Cl θ = M = min{u 1,u 2 }. Die Clayton Copulas haben eine untere Tail Abhängigkeit 51
5 Beispiel 18 φ(t) = 1 t, t [0,1]. φ [ 1] (t) = max{1 t,0}. C φ (u 1,u 2 ) = max{u 1 +u 2 1,0} = W(u 1,u 2 ). D.h. die untere Fréchet Schranke ist eine Archimedische Copula. Theorem 24 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Archimedischen Copula C generiert von φ. Dann gilt ρ τ (X 1,X 2 ) = Beweis: Siehe Nelsen φ(t) φ (t) dt. Beispiel 19 Kendalls Tau für Gumbel und Clayton Copulas Gumbel Copulas: φ(t) = (lnt) θ, θ 1. ρ τ (θ) = φ(t) 0 φ (t) dt = 1 1 θ. Clayton Copulas: φ(t) = (t θ 1)/θ, θ > 0. ρ τ (θ) = φ(t) 0 φ (t) dt = θ θ+2. 52
6 Multivariate Archimedische Copulas Definition 23 Eine Funktion g:[0, ) [0, ) heißt vollständig monoton wenn alle höheren Ableitungen von g existieren und folgende Ungleichungen gelten für k = 0,1,2,...: ( 1) k ( d k ds kg(s)) s=t 0, t (0, ) Theorem 25 (Kimberling 1974) Sei φ:[0,1] [0, ] eine stetige und streng monoton fallende Funktion, sodass φ(0) = und φ(1) = 0. Die Funktion C:[0,1] d [0,1], C(u) = φ 1 (φ(u 1 )+φ(u 2 )+...+φ(u d )) ist eine Copula für d 2 dann und nur dann wenn φ 1 vollständig monoton in [0, ) ist. Lemma 6 Eine Funktion ψ:[0, ) [0, ) ist die Laplace-Stieltjes Transformation einer Verteilungsfunktion G in [0, ) (ψ(s) = 0 e sx dg(x), s 0) dann und nur dann, wenn ψ vollständig monoton und ψ(0) = 1 gilt. 53
7 Theorem 26 Sei G eine Verteilungsfunktion in [0, ), sodass G(0) = 0 und sei ψ die Laplace-Stieltjes Transformation von G ψ(s) = 0 e sx dg(x), für s 0. Sei X eine ZV mit Verteilungsfunktion G und seien U 1,U 2,...,U d bedingt unabhängige Zufallsvariablen in [0, 1] für ein gegebenes X = x mit folgender bedingter Verteilungsfunktion: Es gilt dann F Uk X=x(u) = exp( xψ 1 (u)) für u [0,1]. P(U 1 u 1,U 2 u 2,...,U d u d ) = ψ(ψ 1 (u 1 )+ψ 1 (u 2 )+...+ψ 1 (u d )). und die Verteilungsfunktion von U = (U 1,U 2,...,U d ) ist eine Archimedische Copula mit Generator ψ 1. Vorteile und Nachteile Archimedischer Copulas: Modellierung einer breiteren Klasse von Abhängigkeitsstrukturen Darstellung in geschloßener Form möglich Wenige freie Parameter vorhanden Technische Voraussetzungen für die Generator-Funktionen multivariater Archimedische Copulas. 54
8 Simulation von Gauss schen Copulas und t-copulas Sei R IR d d eine symmetrische positiv definite Matrix. Sei AA T = R die Cholesky Zerlegung von R (A IR d d ). Falls Z 1,Z 2,...,Z d N(0,1) unabhängig dann gilt µ+az N d (µ,r). Algorithmus 1 zur Erzeugung eines Zufallsvektors U = (U 1,U 2,...,U d ) dessen Verteilungsfunktion die Copula C Ga R ist. Berechne die Cholesly Zerlegung A von R: R = AA T. Simuliere d unabhängige standard normal verteilte ZV Z 1,Z 2,...,Z d N(0,1) Setze X = AZ Setze U k = φ(x k ) für k = 1,2,...,d, wobei φ die Verteilungsfunktion der standard Normalverteilung ist. U = (U 1,U 2,...,U d ) hat Verteilungsfunktion C Ga R. 55
9 Algorithmus 2 zur Erzeugung eines Zufallsvektors U = (U 1,U 2,...,U d ) dessen Verteilungsfunktion die Copula C t ν,r ist. Berechne die Cholesly Zerlegung A von R: R = AA T. Simuliere d unabhängige standard normal verteilte ZV Z 1,Z 2,...,Z d N(0,1) Simuliere eine ZV S χ 2 ν unabhängig von Z 1,...,Z d. Setze Y = AZ Setze X = ν S Y Setze U k = t ν (X k ) für k = 1,2,...,d, wobei t ν die Verteilungsfunktion einer standard t-verteilung mit ν Freiheitsgraden ist. U = (U 1,U 2,...,U d ) hat Verteilungsfunktion C t ν,r. 56
10 Simulationen der Gumbel und Clayton Copulas Aus Satz 26 lässt sich ein generischer Algorithmus zur Erzeugung archimedischer Copulas konstruieren. Algorithmus 3 zur Erzeugung eines Zufallsvektors U = (U 1,U 2,...,U d ) dessen Verteilungsfunktion die Archimedische Copula C(u) = φ 1 (φ(u 1 )+φ(u 2 )+...+φ(u d )) mit Generator φ ist. Simuliere eine Variable X mit Verteilungsfunktion G, sodass die Laplace-Stieltjes Transformation ψ von G die inverse Funktion des Generators der gesuchten Copula ist, ψ = φ 1. Simuliere unabhängige gleichverteilte Zufallsvariablen V 1,V 2,..., V d in [0,1]. Setze U = (ψ( ln(v 1 )/X),ψ( ln(v 2 )/X),...,ψ( ln(v d )/X)). U hat Verteilungsfunktion C(u). Der Generator φ(t) = (t θ 1)/θ, θ > 0 erzeugt die Clayton Copula C Cl θ. Aber auch φ(t) = t θ 1 ist ein Generator der Clayton Copula. Für X Gamma(1/θ,1) d.h. f X (x) = x 1/θ 1 e x /Γ(1/θ) gilt: E(e sx ) = 0 e sx 1 Γ(1/θ) x1/θ 1 e x dx = (s+1) 1/θ = φ 1 (s). 57
11 Algorithmus 4 zur Erzeugung eines Zufallsvektors U = (U 1,U 2,...,U d ) dessen Verteilungsfunktion die Clayton Copula C Cl θ ist. Simuliere X Gamma(1/θ,1). Simuliere unabhängige gleichverteilte Zufallsvariablen V 1,V 2,..., V d in [0,1]. die Verteilungsfunktion des Vektors U = (ψ( ln(v 1 )/X),ψ( ln(v 2 )/X),...,ψ( ln(v d )/X)) ist die Clayton Copula C Cl θ. Die Simulation von Gumbel Copulas C Gu θ : Sei X eine positive stabile ZV, X St(1/θ,1,γ,0) mit γ = (cos(π/(2θ))) θ, θ > 1. Die Laplace-Stieltjes Transformation von F X ist φ(t) = exp( t 1/θ ). Simulation von Z ST(α,β,1,0): siehe Nolan Für γ 1 gilt: X = δ +γz St(α,β,γ,δ). 58
12 Alternativer Ansatz: Sei θ 1 und F(x) = 1 F(x) = exp( x 1/θ ) für x 0. Sei V U(0,1). Sei S eine von V unabhängige ZV. mit Dichtefunktion h(s) = (1 1/θ +s/θ)exp( s) Sei (Z 1,Z 2 ) T = (VS θ,(1 V)S θ ). Die Verteilungsfunktion von ( F(Z 1 ), F(Z 2 )) T ist C Gu Überzeugen Sie sich (Hausübung)! Algorithmus 5 zur Erzeugung eines Zufallsvektors U = (U 1,U 2,...,U d ) dessen Verteilungsfunktion die Gumbel Copula ist. C Cu θ θ. Simuliere zwei unabhängige ZV. V 1,V 2 U(0,1). Simuliere zwei unabhängige ZV. W 1 Γ(1,1), W 2 Γ(2,1) Setze S = I V2 1/θW 1 +I V2 >1/θW 2. Setze (Z 1,Z 2 ) = (V 1 S θ,(1 V 1 )S θ ). Die Verteilungsfunktion von U = C Gu θ. ( exp( Z 1/θ 1 ),exp( Z1/θ 2 ) ) T ist 59
13 Schätzung von Copulas Gegeben sei ein Satz multi-dimensionaler Daten. Gesucht ist eine Copula und die Randverteilungen die diesem Datensatz am besten entsprechen. 1. Frage: Welche Familie von (bekannten) Copulas eignet sich am besten? Antwort: Visueller Vergleich der graphischen Darstellungen von Daten bzw. bekannten Copulas, Berechnung der empirischen Koeffizienten der Tail-Abhängigkeit und Auswahl von dazu passenden Copula Familien. 2. Frage: Schätzung der Parameter einer vorspezifizierten Copula Familie. Gegeben: Eine Stichprobe {X 1,X 2,...,X n } aus eine Gesamtverteilung F mit stetigen Randverteilungen F 1, F 2,..., F d. Gesucht: Ein Schätzer ˆθ des Parameter-Vektors θ der eindeutigen Copula C θ, für die F(x) = C(F 1 (x 1 ),...,F d (x d )) gilt. 60
14 Die Schätzer ˆθ für CR Ga, Ct ν,r, CCl θ und Cθ Gu C Ga R = φd R (φ 1 (u 1 ),...,φ 1 (u d )) R ij = sin(π(ρ τ ) ij /2) C t ν,r = td ν,r (t 1 ν (u 1 ),...,t 1 ν (u d )) R ij = sin(π(ρ τ ) ij /2) C Gu θ (u) = exp ( [( lnu 1 ) θ +...+( lnu θ d ]1/θ) θ = 1/(1 (ρ τ ) ij ) Cθ Cl (u) = (u θ u θ d d+1) 1/θ θ = 2(ρ τ ) ij /(1 (ρ τ ) ij ) wobei, (ρ τ ) ij = ρ τ (X k,i,x k,j ) = P((X k,i X l,i )(X k,j X l,j ) > 0) P((X k,i X l,i )(X k,j X l,j ) < 0) = E(sign((X k,i X l,i )(X k,j X l,j ))). Standard Schätzer für Kendalls Tau: ( n 1 ρ τ ij = sign((x k,i X l,i )(X k,j X l,j )). 2) 1 k<l n 61
15 Schätzung von Gauss schen Copulas und t-copulas Es kann passieren, dass ˆR = (ˆR ij ) nicht positive definit ist, wobei ˆR ij = sin(π ρ τ ij/2). ˆR wird durch eine Korrelationsmatrix R ersetzt, wobei R unweit von ˆR liegt. Algorithmus 6 (Eigenwert-Ansatz, siehe Rousseeuw und Molenberghs 1993) Berechne die Spektralzerlegung ˆR = ΓΛΓ T von ˆR, wobei Λ eine Diagonalmatrix ist, die die Eigenwerte von ˆR enthält, und Γ eine orthogonale Matrix deren Spalten den Eigenvektoren von ˆR entsprechen. Ersetze die negativen Eigenwerte in λ durch eine kleine Zahl δ > 0 um Λ zu erhalten. Berechne R = Γ ΛΓ T. R ist symmetrisch und positive definit aber nicht unbedingt eine Korrelationsmatrix, weil die Diagonal- Elemente ˆR ii ungleich 1 sein könnten. Setze ˆR = D RD wobei D eine diagonale Matrix mit D k,k = 1/ R k,k ist. 62
16 t-copulas: Schätzung des Parameters ν der Freiheitsgrade 1. Schätzung der univariaten Randverteilungsfunktionen F 1, F 2,..., F d. Seien ˆF 1,..., ˆF d die dazugehörigen Schätzer. 2. Bildung einer Pseudo-Stichprobe der Copula: Û k = (Û k,1,û k,2,...,û k,d ) := (ˆF 1 (X k,1 ),..., ˆF d (X k,d )), für k = 1,2,...,n (siehe Genest und Rivest 1993). ˆF k kann folgendermaßen erzeugt werden: Parametrische Schätzung: ˆF k ist eine parametrische Verteilungsfunktion wobei der Parameter zb. mit einem Maximum Likelihood (ML) Ansatz geschätzt wird. Nicht Parametrische Schätzung: ˆF i ist die empirische Verteilungsfunktion ˆF i (x) = 1 n+1 n t=1 I X t,i x, 1 i d. 63
17 ML-Schätzung von ν: ν = argmax ξ lnl(ξ;û 1,Û 2,...,Û n ) wobei L(ξ;Û 1,Û 2,...,Û n ) = Π n k=1 ct ξ,r (Û k ) und c t ξ,r die Dichte der t-copula Ct ξ,r ist. Daraus folgt lnl(ξ;û 1,Û 2,...,Û n ) = n k=1 lng ξ,r (t 1 ξ (Û k,1 ),...,t 1 ξ (Û k,d )) wobei g ξ,r die Gesamtdichte einer standard d-dimensionalen t-verteilung mit Verteilungsfunktion t d ξ,r ist, und g ξ die Dichte einer univariaten standard t-verteilung mit ξ Freiheitsgraden ist. n d k=1j=1 lng ξ (t 1 ξ (Û k,j )), 64
Quantitative 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
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-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
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
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
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
MehrCredit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.
Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
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)
Mehr2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)
Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion
MehrDie latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen.
Das KMV Modell (siehe auch www.moodyskmv.com) Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrQuantifizierung von Abhängigkeitsstrukturen zwischen Risiken in Versicherungsunternehmen
Quantifizierung von Abhängigkeitsstrukturen zwischen Risiken in Versicherungsunternehmen WP/Aktuar Prof. Dr. Tristan Nguyen und Dipl.-WiWi Robert Danilo Molinari WHL Wissenschaftliche Hochschule Lahr Lehrstuhl
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
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
MehrBeispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.
Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,
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.
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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.
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
MehrWahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren
Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Thorsten Dickhaus Universität des Saarlandes, 06. Juli 2009 Übersicht Einführung: Multiples Testen
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
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
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrModellbildung und Simulation
Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das
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)
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
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
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
MehrStatistik II. Universität Ulm Abteilung Stochastik. Vorlesungsskript Prof. Dr. Volker Schmidt Stand: Wintersemester 2007/08
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Statistik II Universität Ulm Abteilung Stochastik Vorlesungsskript Prof Dr Volker Schmidt Stand: Wintersemester 2007/08 Ulm, im Februar 2008 INHALTSVERZEICHNIS 2
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
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
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
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
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrKontrollkarten auf Basis archimedischer Copulas
Kontrollkarten auf Basis archimedischer Copulas Dem Promotionsausschuss der Technischen Universität Dortmund vorgelegte Dissertation zur Erlangung des akademischen Grades Doktorin der Naturwissenschaften
MehrAssessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM)
Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM) Dr. Winfried Willems, IAWG Outline Classical Approach, short
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?
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
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
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
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrHedgefond Replikation: Eine empirische Analyse verteilungsbasierter Ansätze
Alternative Investments 12 Hedgefond Replikation: Eine empirische Analyse verteilungsbasierter Ansätze Bearbeitet von Corinna Frädrich 1. Auflage 2015. Taschenbuch. 76 S. Paperback ISBN 978 3 95934 654
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
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
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.
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrMethoden der multivariaten Statistik
Meteorologisches Institut der Universität Bonn Skript zur Vorlesung Methoden der multivariaten Statistik Sommersemester 2002 Andreas Hense Version: April 2002 (mit Korrekturen Nov. 2005, PF) 1 Inhaltsverzeichnis
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrMusterlösung zum Projekt 3: Splice Sites
Statistik für Bioinformatiker SoSe 2003 Rainer Spang Musterlösung zum Projekt 3: Splice Sites Aufgabe 1. In Vorlesung 5 wurde die Donor Frequency Matrix behandelt. Konstruiere eine solche mit Hilfe der
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrSeminar "Quantitatives Risikomanagement"
Seminar "Quantitatives Risikomanagement" Kreditrisikomanagement I Tina Ruess Mathematisches Institut der Universität zu Köln Wintersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents i Chapter
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
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
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
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
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
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
MehrProbabilistische Bewertung von hydrologischen Multi-Model-Ensembles
Probabilistische Bewertung von hydrologischen Multi-Model-Ensembles Dr. Bastian Klein Referat M2 - Wasserhaushalt, Vorhersagen, Prognosen Bundesanstalt für Gewässerkunde, Koblenz BfG-Kolloquium: Unsicherheiten
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrFormelsammlung für Automatisierungstechnik 1 & 2
Formelsammlung für Automatisierungstechnik & 2 Aus Gründen der Vereinheitlichung, der gleichen Chancen bw. um etwaigen Diskussionen vorubeugen, sind als Prüfungsunterlagen für die Vorlesungsklausuren aus
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;.
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrAbhängigkeiten zwischen Großschäden
Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung I. Typen von Abhängigkeiten
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
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
MehrFUNKTIONENTHEORIE - ZUSÄTZLICHE LERNMATERIALIEN
FUNKTIONENTHEORIE - ZUSÄTZLICHE LERNMATERIALIEN JOSEF TEICHMANN 1. Ein motivierendes Beispiel aus der Anwendung Das SABR-Modell spielt in der Modellierung von stochastischer Volatilität eine herausragende
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
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
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,
MehrRisikotheorie und -management
Risikotheorie und -management Pichtfach Masterstudium der Finanz- und Versicherungsmathematik 3. Semester Erstellt nach der Vorlesung von Eranda Dragoti-Çela im Wintersemester 2009 Institut für Optimierung
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie
MehrMultivariate Analyse: FS 2012. Ergänzungen zur Mitschrift der Vorlesung über Multivariate Datenanalyse von Prof. A. Barbour
Multivariate Analyse: FS 2012 Ergänzungen zur Mitschrift der Vorlesung über Multivariate Datenanalyse von Prof. A. Barbour by PD Dr. Daniel Mandallaz Chair of Land Use Engineering Department of Environmental
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
Mehr