Markov Ketten und Bonus Malus Systeme
|
|
- Inge Eberhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Grund Stoch Markov Ketten Bonus Malus Probleme L 1 / 46 Markov Ketten und Bonus Malus Systeme Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden TU Wien 19. Mai 2010
2 Grund Stoch Markov Ketten Bonus Malus Probleme L 2 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
3 Grund Stoch Markov Ketten Bonus Malus Probleme L 3 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
4 Grund Stoch Markov Ketten Bonus Malus Probleme L Wir betrachten ein Bonus Malus System mit vier Klassen i {1, 2, 3, 4} und den Prämienniveaus h(i) bezogen auf die Grundprämie µ: i h(i) 120% 100% 80% 60% Notation: h := 120% 100% 80% 60% Wir bezeichnen h als Prämienstruktur. 4 / 46
5 Grund Stoch Markov Ketten Bonus Malus Probleme L Übergangsmatrix und Anfangsverteilung: 0, 3 0, Q := 0, 7 0 0, , 7 0 0, , 7 0, 7 Interpretation: q := q i ist die Wahrscheinlichkeit, sich im Jahr 0 in der Klasse i zu befinden. q ij ist die Wahrscheinlichkeit, in einem Jahr von Zustand j nach Zustand i zu gelangen. Malus Klasse: 1 Einstiegsklasse: 2 Bonus Klassen: 3 und / 46
6 Grund Stoch Markov Ketten Bonus Malus Probleme L Verteilung auf die Klassen in den Jahren n {0, 1, 2, 3}: q (n) := Q n q = , 3 0 0, 7 0 0, 09 0, , 49 0, 153 0, 063 0, 441 0, 343 Erwartetes Prämienniveau in den Jahren n {0, 1, 2, 3}: h q (n) = 100% 92% 82, 2% 80, 52% Normierter Eigenvektor von Q zum Eigenwert 1: 27 0, q := , , , 5914 Es gilt h q 72, 21%. 6 / 46
7 Grund Stoch Markov Ketten Bonus Malus Probleme L 7 / 46 Aufgaben: Ableitung der Übergangsmatrix Q aus einem stochastischen Modell für die Anzahl der Schäden pro Jahr. Berechnung der Grundprämie µ für eine gegebene Prämienstruktur h. Wahl der Prämienstruktur h.
8 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 8 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
9 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 9 / 46 Notation Wir betrachten Vektoren a R m und Matrizen A R m m. Notation: e i i ter Einheitsvektor 1 := m i=1 e i Einsvektor I Einheitsmatrix E := 11 Einsmatrix Für eine Matrix A R m m und n N 0 ist die n te Potenz von A durch A n := { I falls n = 0 A n 1 A sonst definiert.
10 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 10 / 46 Stochastische Vektoren und Matrizen Ein Vektor q R m heißt stochastischer Vektor, wenn 0 q und 1 q = 1 gilt. Eine Matrix Q R m m heißt stochastische Matrix, wenn für alle j {1,..., m} der Vektor Qe j ein stochastischer Vektor ist. Lemma. Sei Q R m m eine stochastische Matrix. Dann gilt: 1 Q = 1. Ist q R m ein stochastischer Vektor, so ist auch Qq ein stochastischer Vektor. Ist R R m m eine stochastische Matrix, so ist auch QR eine stochastische Matrix. Für alle n N ist auch Q n eine stochastische Matrix.
11 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 11 / 46 Invarianz Sei Q R m m eine stochastische Matrix. Ein stochastischer Vektor q R m heißt invariant unter Q, wenn gilt. Qq = q Lemma. Ist q R m ein stochastischer Vektor, für den die Folge {Q n q} n N0 konvergiert, so ist der stochastische Vektor invariant unter Q. q := lim n Q n q
12 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität Schwache Ergodizität (1) Eine stochastische Matrix Q R m m heißt schwach ergodisch, wenn es einen stochastischen Vektor q R m gibt mit für alle j {1,..., m}. lim n Qn e j = q Lemma. Ist Q schwach ergodisch, so gibt es einen stochastischen Vektor q R m mit und lim n Qn q = q 1 n 1 lim Q k q = q n n k=0 für jeden stochastischen Vektor q R m. 12 / 46
13 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 13 / 46 Schwache Ergodizität (2) Folgerung. Zu jeder schwach ergodischen Matrix gibt genau einen invarianten Vektor. Beispiel. Sei Q := ( ) und q := ( 1/2 1/2 ) Dann ist Q eine stochastische Matrix und q ist invariant unter Q. Andererseits gilt für alle n N 0 Q n = { I falls n = 2k mit k N0 Q falls n = 2k + 1 mit k N 0 Daher ist Q nicht schwach ergodisch.
14 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 14 / 46 (Starke) Ergodizität (1) Eine stochastische Matrix Q R m m heißt (stark) ergodisch, wenn es einen stochastischen Vektor q R m gibt mit für alle j {1,..., m} und für alle i {1,..., m}. lim n Qn e j = q e i q > 0 Lemma. Ist Q R m m ergodisch und q R m invariant unter Q, so gilt e iq > 0 für alle i {1,..., m}.
15 Grund Stoch Markov Ketten Bonus Malus Probleme L Grundlagen Invarianz Ergodizität 15 / 46 (Starke) Ergodizität (2) Satz. Für eine stochastische Matrix Q R m m sind äquivalent: Q ist ergodisch. Es gibt ein n N mit e i Qn e j > 0 für alle i, j {1,..., m}. Beispiel. Sei Q eine stochastische Matrix mit Dann ist Q ergodisch. q 1,1 > 0 q i,i+1 > 0 für i {1,..., m 1} q i,i 1 > 0 für i {2,..., m}
16 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 16 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
17 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 17 / 46 Sei M := {1,..., m} eine endliche Menge mit m N und m 2. Wir bezeichnen M als Zustandsraum. Sei ferner {Y n } n N0 eine Folge von Zufallsvariablen mit P[Y n M] = 1 für alle n N 0. Dann ist die Verteilung von Y n durch die Wahrscheinlichkeiten q (n) i := P[Y n = i] mit i M und damit durch den stochastischen Vektor q (n) q (n) := 1. q (n) m bestimmt.
18 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 18 / 46 Die Folge {Y n } n N0 heißt (homogene) Markov Kette, wenn es eine stochastische Matrix Q R m m und einen stochastischen Vektor q R m gibt derart, dass für alle n N 0 und i 0, i 1,..., i n M [ n ] ( n P {Y j = i j } = q ij,i j 1 )q i0 gilt. j=0 j=1 In diesem Fall gilt q (0) = q und wir nennen Q die Übergangsmatrix und q die Anfangsverteilung der Markov Kette {Y n } n N0.
19 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 19 / 46 Lemma. Sei {Y n } n N0 eine Markov Kette mit Übergangsmatrix Q und Anfangsverteilung q. Dann gilt: Für alle n N 0 gilt Insbesondere gilt q (0) = q. q (n) = Q n q Für alle n N 0 und i, j M gilt P[{Y n+1 = i} {Y n = j}] = q i,j P[Y n = j] Insbesondere gilt im Fall P[Y n = j] > 0 P[Y n+1 = i Y n = j] = q i,j
20 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 20 / 46 Satz. Für die Folge {Y n } n N0 sind äquivalent: {Y n } n N0 ist eine Markov Kette. Es gibt eine stochastische Matrix Q derart, dass für alle n N 0 und i 0, i 1,..., i n, i n+1 M mit P [ n j=0 {Y j = i j } ] > 0 [ n ] P Y n+1 = i n+1 {Y j = i j } = q in+1,i n gilt. In diesem Fall gilt für alle n N und i 0, i 1,..., i n, i n+1 M mit P [ n j=0 {Y j = i j } ] > 0 [ n ] P Y n+1 = i n+1 {Y j = i j } = P[Y n+1 = i n+1 Y n = i n ] j=0 j=0
21 Grund Stoch Markov Ketten Bonus Malus Probleme L Definition Charakterisierung Stationarität 21 / 46 Ist {Y n } n N0 eine Markov Kette mit Übergangsmatrix Q, so heißt eine Verteilung q stationär unter Q, wenn gilt. Qq = q Beispiel. Sei {Y n } n N0 eine Markov Kette mit Übergangsmatrix Q mit q 1,1 > 0 q i,i+1 > 0 für i {1,..., m 1} q i,i 1 > 0 für i {2,..., m} Dann besitzt die Markov Kette eine stationäre Verteilung.
22 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 22 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
23 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 23 / 46 Konstruktion (1) Zur Konstruktion eines Bonus Malus Systems für einen homogenen Bestand betrachten wir eine Folge von Zufallsvariablen {N n } n N0 mit P[N n N 0 ] = 1, einen Zustandsraum M := {1,..., m} und eine Abbildung ϕ : N 0 M M sowie eine Abbildung h : M (0, ). Wir interpretieren N n als die zufällige Anzahl der Schäden im Jahr n, M als die Menge der möglichen Bonus Malus Klassen und h(m) als die Menge der möglichen Prämienniveaus und bezeichnen ϕ als Übergangsfunktion.
24 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 24 / 46 Konstruktion (2) Wir betrachten ferner eine Zufallsvariable Y 0 mit P[Y 0 M] = 1 und setzen für n N Wir interpretieren Y n := ϕ(n n 1, Y n 1 ) Y n als zufällige Bonus Malus Klasse und h(y n ) als zufälliges Prämienniveau im Jahr n in Abhängigkeit von der Anzahl der Schäden und der Bonus Malus Klasse im Jahr n 1. Wir nehmen an, dass die Folge {N n } n N0 i.i.d. mit α := E[N] > 0 und ist. unabhängig von Y 0
25 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Konstruktion (3) Für k N 0 und i, j {1,..., m} sei q (k) i,j := { 1 falls ϕ(k, j) = i 0 sonst und für i {1,..., m} sei q i := P[Y 0 = i] Dann ist jede der Matrizen Q (k) und damit auch Q := P[N = k] Q (k) k=0 eine stochastische Matrix und q ist ein stochastischer Vektor. 25 / 46
26 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 26 / 46 Konstruktion (4) Satz. Die Folge {Y n } n N0 ist eine Markov Kette mit Übergangsmatrix Q und Anfangsverteilung q. Notation: h := h(1). h(m)
27 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 27 / 46 Kollektives Modell Wir nehmen an, dass für jedes Jahr n N 0 ein kollektives Modell N n, {X n,k } k N vorliegt. Dies bedeutet, dass die Folge der Schadenhöhen {X n,k } k N i.i.d. und unabhängig von N n ist, und für den Gesamtschaden S n := N n k=1 X n,k gilt dann E[S n ] = E[N n ] E[X n,1 ] Wir nehmen an, dass die kollektiven Modelle voneinander unabhängig sind. Wir nehmen weiterhin an, dass die Folge {N n } n N0 identisch verteilt mit α := E[N] > 0 und unabhängig von Y0 ist.
28 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Grundprämie Für das weitere nehmen wir an, dass E[X n,1 ] = 1 und damit E[S n ] = E[N n ] gilt. Für die Grundprämie µ ist Z n := µ h(y n ) die zufällige Prämie in Jahr n und es gilt E[Z n ] = m µ h(i) P[Y n = i] = µ h q (n) = µ h Q n q i=1 Zu bestimmen ist die Grundprämie µ. 28 / 46
29 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 29 / 46 Äquivalenzprinzip für Jahr n Das Äquivalenzprinzip für Jahr n besteht in der Forderung E[Z n ] = E[N n ] Für die Grundprämie µ gilt daher µ h Q n q = α und damit µ = α(h Q n q) 1
30 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 30 / 46 Äquivalenzprinzip auf der Basis der ersten n Jahre (1) Das Äquivalenzprinzip für die ersten n Jahre besteht in der Forderung n 1 E[Z k ] = k=0 n 1 E[N k ] k=0 Für die Grundprämie µ n auf der Grundlage der ersten n Jahre gilt daher und damit n 1 µ n h Q k q = n α k=0 ( 1 n 1 µ n = α h Q k q n k=0 ) 1
31 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 31 / 46 Äquivalenzprinzip auf der Basis der ersten n Jahre (2) Ist Q schwach ergodisch und ist q stationär, so gilt lim µ n = α (h q) 1 n Dies liefert eine Approximation für die Grundprämie auf der Basis der ersten n Jahre bei langem Planungshorizont.
32 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Beispiel (1) Ein Bonus Malus System besteht aus den drei Klassen 1, 2, 3 mit den Prämienniveaus 100%, 90%, 80%. Die Anzahl der Schäden pro Jahr besitzt die folgende Verteilung: k P[N = k] 0,7 0,2 0,1 Jeder Versicherungsnehmer wird zunächst in die niedrigste Klasse eingestuft. Meldet der Versicherungsnehmer keinen Schaden, so wird er im folgenden Jahr eine Klasse höher eingestuft (oder bleibt in der höchsten Klasse). Meldet der Versicherungsnehmer einen Schaden, so wird er im folgenden Jahr eine Klasse niedriger eingestuft (oder bleibt in der niedrigsten Klasse). Meldet der Versicherungsnehmer zwei Schäden, so wird er im folgenden Jahr in die niedrigste Klasse eingestuft. 32 / 46
33 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 33 / 46 Beispiel (2) Standard Tableau: k P[N = k] , , ,1 h(i) 100% 90% 80% Übergangsmatrix und Anfangsverteilung: 0, 3 0, 3 0, 1 Q = 0, 7 0 0, 2 q = 0 0, 7 0, 7 Stationäre Verteilung: q = = 0, , ,
34 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 34 / 46 Beispiel (3) Dynamik: Q = Q 2 = Q 4 = Q 8 = 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , 5699
35 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Beispiel (4) Verteilung auf die Klassen in den Jahren n {0, 1, 2, 3, 4}: 0, , , , , , , , , , , , , , , , , , , / 46
36 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Beispiel (5) Erwartete Prämienniveaus in den Jahren n {0, 1, 2, 3, 4}: ( ) 1, , 00 0, 90 0, 80 0 = 1, , , 7000 = 0, , , 2100 = 0, 881 0, , , 3080 = 0, , , , 2394 = 0, , / 46
37 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Beispiel (6) Erwartete Anzahl der Schäden pro Jahr: α = E[N] = 0, 4 Durchschnittliches erwartetes Prämienniveau über die ersten n Jahre und Grundprämie µ n : n Durchschnitt µ n 1 1,0000 0, ,9650 0, ,9379 0, ,9206 0, ,9093 0,4398 0, / 46
38 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 38 / 46 Konstruktion (1) Die Bausteine eines Bonus Malus Systems für einen homogenen Bestand werden auch für einen inhomogenen Bestand verwendet, aber geeignet erweitert: Aufgrund der Inhomogenität des Bestandes nehmen wir an, dass es einen Risikoparameter Θ gibt und dass die Folge {N n } n N0 unter Θ ist. bedingt i.i.d. mit α := E[N] > 0 und bedingt unabhängig von Y 0
39 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand Konstruktion (2) Für k N 0 und i, j {1,..., m} sei q (k) i,j := { 1 falls ϕ(k, j) = i 0 sonst und q i (Θ) := P(Y 0 = i Θ) Dann ist Q(Θ) := P(N = k Θ) Q (k) k=0 eine zufällige stochastische Matrix und q(θ) ist ein zuflliger stochastischer Vektor. 39 / 46
40 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 40 / 46 Konstruktion (3) Satz. Die Folge {Y n } n N0 ist eine unter Θ bedingte Markov Kette mit bedingter Übergangsmatrix Q(Θ) und bedingter Anfangsverteilung q(θ).
41 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 41 / 46 Grundprämie Für die Grundprämie und die zufällige Prämie µ Z n := µ h(y n ) in Jahr n gilt und damit E(Z n Θ) = m µ h(i) P(Y n = i Θ) = µ h Q n (Θ)q(Θ) i=1 E[Z n ] = µ E[h Q n (Θ)q(Θ)]
42 Grund Stoch Markov Ketten Bonus Malus Probleme L Homogener Bestand Beispiel Inhomogener Bestand 42 / 46 Äquivalenzprinzip Aus dem Äquivalenzprinzip für die ersten n Jahre ergibt sich ( 1 n 1 µ n = α E[h Q k (Θ)q(Θ)] n k=0 ) 1 Ist Q(Θ) bedingt schwach ergodisch und ist q(θ) bedingt stationär, so gilt ( ) 1 lim µ n = α E[h q(θ)] n
43 Grund Stoch Markov Ketten Bonus Malus Probleme L 43 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
44 Grund Stoch Markov Ketten Bonus Malus Probleme L 44 / 46 Probleme Wahl der Planungshorizonts für die Grundprämie. Diskontierung. Monotonie des Prämienniveaus. Inhomogener Bestand: Bestimmung der Struktur des Bestandes und der bedingten Verteilung der Schadenzahl.
45 Grund Stoch Markov Ketten Bonus Malus Probleme L 45 / 46 Übersicht Bonus Malus Systeme: Die Grundstruktur Stochastische Vektoren und Matrizen Grundlagen Invarianz Ergodizität Markov Ketten Definition Charakterisierung Stationarität Bonus Malus Systeme Homogener Bestand Beispiel Inhomogener Bestand Probleme Literatur
46 Grund Stoch Markov Ketten Bonus Malus Probleme L 46 / 46 Literatur DAA & DAV: Klausuraufgaben Grundwissen Schaden. Schmidt [2010]: Bonus Malus Systeme. In Vorbereitung.
BONUS 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,
MehrEinführung in Markoff-Ketten
Einführung in Markoff-Ketten von Peter Pfaffelhuber Version: 6. Juli 200 Inhaltsverzeichnis 0 Vorbemerkung Grundlegendes 2 Stationäre Verteilungen 6 3 Markoff-Ketten-Konvergenzsatz 8 0 Vorbemerkung Die
MehrBericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen)
Bericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen) Christian Hipp (Karlsruhe) und Martin Morlock (Giessen) Am 6. Mai 2006 fand in Köln die DAV-Prüfung zur Schadenversicherungsmathematik
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
MehrKapitel 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
MehrDie Abbildung zeigt die Kette aus dem "
½ Ô ½ 0 1 2 Õ Eine Markov-Kette mit absorbierenden Zustanden Die Abbildung zeigt die Kette aus dem " gamblers ruin problem\ fur m = 2. Man sieht sofort, dass hier sowohl 1 = (1; 0; 0) als auch 2 = (0;
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrDIPLOMARBEIT. Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung
Studiengang Diplom-Mathematik mit Schwerpunkt Biowissenschaften DIPLOMARBEIT Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung von: Christina Boll geb. Wolf
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
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
MehrE[X] = = 113. Nach den Gleichungen von Wald gilt für den Gesamtschaden S E[S] = E[N] E[X] = = 226
Aufgabe 1 (Risikomodelle) Ein Versicherungsvertrag erzeugt pro Jahr N Schäden mit Schadenhöhen {X k } k N, wobei alle Zufallsvariablen stochastisch unabhängig sind. Die Schadenhöhen haben die Verteilung
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrExact Sampling: Der Propp-Wilson-Algorithmus
Exact Sampling: Der Propp-Wilson-Algorithmus Markus Gerstel Proseminar: Markovketten in der Algorithmik Technische Universität München gerstel@in.tum.de Zusammenfassung Der Propp-Wilson-Algorithmus liefert
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
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:
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
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
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
Mehr9 Schnell mischende Markov-Ketten
9 Schnell mischende Markov-Ketten Allgemeines zu schnell mischenden Markov-Ketten findet man zum Beispiel in dem Buch Introduction to Markov Chains von Behrends (2000). Außerdem haben wir von einem Teil
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
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.
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
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
MehrBACHELORARBEIT. Markov-Ketten und ihre Greensche Funktion. Jasmin Riegler. Wien, Jänner 2013
BACHELORARBEIT Markov-Ketten und ihre Greensche Funktion Jasmin Riegler Wien, Jänner 203 Studienkennzahl: A 033 62 Studienrichtung: Mathematik Betreuer: Privatdoz. Dr. Mag. Bernhard Krön Inhaltsverzeichnis
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
MehrAufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /
Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
Mehr4.4.1 Statisches perfektes Hashing. des Bildbereichs {0, 1,..., n 1} der Hashfunktionen und S U, S = m n, eine Menge von Schlüsseln.
4.4 Perfektes Hashing Das Ziel des perfekten Hashings ist es, für eine Schlüsselmenge eine Hashfunktion zu finden, so dass keine Kollisionen auftreten. Die Größe der Hashtabelle soll dabei natürlich möglichst
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
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
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mehr2. Mathematische Grundlagen
2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrAufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1:
WS 99/99 Aufgabe : Bestimmen Sie Zahlen a b,, für die 6 b a und gleichzeitig a + b + gilt. Lösung zu Aufgabe : WS 99/99 Aufgabe : Ein Unernehmen stellt aus ohstoffen (,,, ) Zwischenprodukte ( Z, Z, Z )
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrPopulationsentwicklung
Populationsentwicklung Lewis (942) und Leslie (945) entwickelten ein Modell, mit dem die Entwicklung einer Population unter Einbeziehung der Altersstruktur untersucht werden kann. Die Population wird z.b.
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
MehrDEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
MehrVon englischen und deutschen Postämtern
Von englischen und deutschen Postämtern Teilnehmer: Ricky Burzla Robert Butz Jan Putzig Antoni Schilling Jakob Steinbrück Patrick Zielonka Wilhelm-Ostwald-Gymnasium, Leipzig Herder-Oberschule, Berlin Heinrich-Hertz-Oberschule,
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 ]
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrKap. 10: Folgen und Reihen. Eine Funktion a : N Ñ R
Definition: Zahlenfolge Kap. 10: Folgen und Reihen 10.1 Definition: Zahlenfolge Eine Funktion a : N Ñ R poder Cq heißt reelle (oder komplexe) Zahlenfolge. Man nennt a n apnq das n-te Folgenglied und schreibt
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrKapitel 3 Markov-Ketten
Kapitel 3 Markov-Ketten 3.1 Grundlegende Eigenschaften, Beispiele 3.1 Grundlegende Eigenschaften, Beispiele Diskreter Parameterraum (Zeit) T = N 0. Zustandsraum S meist diskret (3.1-3.6), manchmal auch
Mehralso ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges
11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir
Mehr