Risikomessung und Value at Risk Wintersemester 2013/14
|
|
- Karlheinz Kalb
- vor 8 Jahren
- Abrufe
Transkript
1 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar / 45
2 6.5.1 Bisherige Vorgehensweise zur Berechnung des VaR Wert des Portfolios zum Zeitpunkt T [heute] P P,T = n 1,T P 1,T + n 2,T P 2,T + + n N,T P N,t Aktuelle Portfolioallokation w T = (w 1,T, w 2,T,..., w N,T ), mit: w j,t = n j,t P j,t P P,T, j = 1, 2,..., N Diskrete Portfoliorendite R P,t = N w j,t R j,t, t = T, T 1,..., T 249,... j=1 2 / 45
3 Verschiedene Verfahren zur Berechnung des VaR. Berechnung des VaR mit Hilfe der historischen Simulation. VaR[h = 1, α = 0.99] = R (3) P P,T Modellierung der bedingten Verteilung der stetigen Portfoliorendite r P,t = ln(1 + R P,t ) mit Hilfe eines univariaten GARCH-Modells r P,t = µ + v t σ t, v t iid mit E (v t ) = 0 und Var (v t ) = 1 Berechnung des VaR: VaR[h = 1, α = 0.99] = ( 1 exp{µ + ˆv 0.01ˆσ T +1 T } ) P P,T 3 / 45
4 6.5.2 Motivation der Varianz-Kovarianz-Methode Bei der Varianz-Kovarianz-Methode wird über die bedingte multivariate Verteilung des Renditevektors der Value at Risk bestimmt: r t = (r 1,t, r 2,t,..., r N,t ) r t I t 1 N(µ t, Σ t ). 4 / 45
5 Einschub. Lineartransformation eines Zufallsvektors. Es sei X ein n 1 Zufallsvektor mit dem n 1-Erwartungswertvektor µ X und der n n-varianz-kovarianzmatrix Σ X. Sei A eine deterministische m n-matrix und b ein deterministischer m 1-Vektor. 5 / 45
6 Betrachtet wird die folgende Lineartransformation Y = AX + b m 1-Erwartungswertvektor von Y µ Y = E (Y) = E (AX + b) = AE (X) + b = Aµ X + b m m-varianz-kovarianzmatrix Σ Y = Var (Y) = E ( (Y E (Y))(Y E (Y)) ) = E ( (AX + b Aµ X b)(ax + b Aµ X b) ) = AE ( (X E (X))(X E (X)) ) A = AΣ X A 6 / 45
7 Einschub. Quadratische Formen Es sei x ein n 1 Vektor und A eine symmetrische n n Matrix, dann heißt das Matrixprodukt x Ax = = n i=1 j=1 n a ij x i x j a 11 x a 12 x 1 x 2 + 2a 13 x 1 x a 1n x 1 x n + a 22 x a 23 x 2 x a 2n x 2 x n + a 33 x a 3n x 3 x n a nn xn 2 quadratische Form in x. 7 / 45
8 Für A = I ergibt sich insbesondere: x Ix = x x = n xi 2. i=1 Man bezeichent x x als Norm des Vektors x. Die Norm eines Vektors ist nur dann gleich null, wenn x gleich dem Nullvektor ist. Eine n n Matrix A heißt positiv definit, wenn x Ax > 0 für alle x 0 gilt. positiv semidefinit, wenn x Ax 0 für alle x und x Ax = 0 für ein x 0 gilt. negativ definit, wenn x Ax < 0 für alle x 0 gilt. negativ semidefinit, wenn x Ax 0 für alle x und x Ax = 0 für ein x 0 gilt. 8 / 45
9 Es sei A eine n m Matrix, die nicht die Nullmatrix ist. Das Matrixprodukt A A ist dann eine positiv definite n n Matrix, denn x A Ax = (Ax) Ax = z z = n zi 2 > 0, mit z = Ax. i=1 9 / 45
10 Zu einem Zeitpunkt t gilt (approximativ) für die stetige Portfoliorendite: r P,t = N w i,t 1 r i,t i=1 = w t 1r t mit: w t 1 = (w 1,t 1, w 2,t 1,..., w N,t 1 ) und r t = (r 1,t, r 2,t,..., r N,t ) 10 / 45
11 Annahme. Der N 1-Renditevektor r t ist gegeben die Prozessvergangenheit bedingt normalverteilt mit dem N 1-Erwartungswertvektor µ t und der N N positiv definiten Varianz- Kovarianz-Matrix Σ t : r t r t 1, r t 2, N(µ t, Σ t ) mit dem N 1-Erwartungswertvektor: µ t = (µ 1,t, µ 2,t..., µ N,t ) 11 / 45
12 und der N N-Varianz-Kovarianzmatrix σ 1,1,t σ 1,2,t... σ 1,N,t σ 2,1,t σ 2,2,t... σ 2,N,t Σ t =.. σ N,1,t σ N,2,t... σ N,N,t σ i,j,t = Cov t 1 (r i,t, r j,t ) = E t 1 ([r i,t µ i,t ] [r j,t µ j,t ]) Damit ist die (stetige) Portefeuillerendite gegeben die Prozessvergangenheit bis T bedingt normalverteilt mit: r P,T +1 r T, r T 1,... N(µ P,T +1 T, σ 2 P,T +1 T ) 12 / 45
13 mit: µ P,T +1 T = E T (r P,T +1 ) = w T E T (r T +1 ) = w T µ T +1 T σ 2 P,T +1 T = Var T (r P,T +1 ) = w T Σ T +1 T w T Der Value at Risk wird bei der Varianz-Kovarianz-Methode über den Erwartungswertvektor µ T +1 T und die Varianz-Kovarianzmatrix Σ T +1 T ermittelt. VaR[w T, h = 1, α = 0.99] = [ { }] 1 exp µ P,T +1 T σp,t 2 +1 T P P,T 13 / 45
14 Beispiel. In der FX-Abteilung einer Bank wird der Value at Risk für die wichtigsten Währungen gegenüber dem Euro, das sind USD [US-Dollar], JPY [Japanische Yen], GBP [Britisches Pfund] und CHF [Schweizer Franken] mit Hilfe der Varianz-Kovarianz-Methode bestimmt. Die Prognose für den die bedingte Varianz-Kovarianzmatrix für den lautet: ˆΣ T +1 T = USD JPY GBP CHF USD JPY GBP CHF 14 / 45
15 Für den bedingten Erwartungswertvektor prognostiziert man: ˆµ T +1 T = ( USD JPY GBP CHF Das Devisen-Portfolio setzt sich am wie folgt zusammen: Währung Menge FX-Rate Wert am USD 1,000, , EUR JPY 50,000, , EUR GBP EUR CHF 500, , EUR Portfolio 1,431, EUR ) 15 / 45
16 Berechnung des VaR[h = 1, α = 0.99] mit Hilfe der Varianz-Kovarianz-Methode Der Portfolio-Gewichtsvektor am : w T = (0.546, 0.233, 0.000, 0.221) Die erwartete Portfoliorendite für den : ˆµ T +1 T = w T ˆµ T +1 T = (0.546, 0.233, 0.000, 0.221) (0.004, 0.007, 0.003, 0.001) = = [%] 16 / 45
17 Die für den prognostizierte Portfoliovarianz: ˆσ P,T 2 +1 T = w ˆΣ T T +1 T w T = B C A C A C A = = [% 2 ] 17 / 45
18 Da die Summe normalverteilter Zufallsvariablen wieder normalverteilt ist, gilt: r P,T +1 T N(ˆµ P,T +1 T, ˆσ 2 P,T +1 T ). 1%-Quantil der stetigen Portfoliorendite ˆr 0.01,T +1 T = ˆµ P,T +1 T ˆσ P,T +1 T = ( )/100 = %-Quantil der diskreten Portfoliorendite ˆR 0.01,T +1 T = exp{ˆr 0.01,T +1 T } 1 = / 45
19 VaR [Haltedauer 1 Tag] VaR[h = 1, α = 0.99] = ˆR 0.01,T +1 T P P,T = , 431, = 114, EUR VaR [Haltedauer 10 Tage, 10-Approximation] VaR[h = 10, α = 0.99] = 10 VaR[h = 1, α = 0.99] = 363, EUR 19 / 45
20 Einschub. Eigenschaften der Eigenwerte und Eigenvektoren von symmetrischen reelwertigen n n-matrizen 1 Die Eigenwerte sind reelle Zahlen. 2 Die Eigenwerte einer Diagonalmatrix sind ihre Diagonalelemente: A = diag(a 1,, a n ) λ i = a i 3 Eine n n-matrix hat höchstens n Eigenwerte. 4 Eigenvektoren zu verschieden Eigenwerten sind orthogonal: 5 Sei X = (x 1, x n ), dann gilt: λ i λ j x ix j = 0 X X = I n, X = X 1, XX = I n. 20 / 45
21 RATS: EIGEN(Optionen) MATRIX EIGENWERTE EIGENVEKTOREN Einschub. Dekomposition symmetrischer Matrizen. Wenn A eine symmetrische n n Matrix ist, dann existiert eine Matrix X so dass gilt: X AX = Λ = diag(λ 1,, λ n ) oder Λ = XAX, wobei λ i, i = 1,, n, die Eigenwerte der Matrix A und die Spalten von X die entsprechenden Eigenvektoren sind. Wenn mit x i der i-te Spaltenvektor bezeichnet wird, dann gilt wegen x i x j = 0 für i j: n A = XΛX = λ i x i x i. i=1 21 / 45
22 Desweiteren gilt: A 2 = AA = XΛ }{{} X X ΛX = XΛ 2 X, =I bzw. es gilt allgemein für k IN: A k = XΛ k X Sofern alle Eigenwerte betragsmäßig kleiner als Eins sind, folgt daraus, dass i=0 Ai = (I A) 1 existiert. Wenn A eine postiv definite und symmetrische n n Matrix ist, dann sind alle Eigenwerte von A positive reelle Zahlen, so dass Λ 1 2 wie folgt definiert werden kann: ( Λ 1 2 := diag λ1,, ) λ n. 22 / 45
23 Zur Matrix A existiert dann eine Matrix A 1 2 mit der Eigenschaft A 1 2 A 1 2 = A, mit A 1 2 = XΛ 1 2 X Desweiteren gilt: A 1 2 = XΛ 1 2 X ( ) mit Λ := diag,,. λ1 λn Beispiel. Bestimmen Sie die Eigenwerte und Eigenvektoren zu der Matrix Σ = ( ). 23 / 45
24 Berechnung der Eigenwerte. det (Σ λi)! = 0 (1 λ) = 0 1 2λ + λ = 0 λ 2 2λ = 0 λ 1,2 = 1 ± λ 1 = 0.5, λ 2 = 1.5 Für die Diagonalmatrix der Eigenwerte erhält man damit: ( ) Λ = / 45
25 Berechnung des (normierten) Eigenvektors für λ 1 = 0.5. Lösung des Gleichungssystems Man erhält Σ λi = ( ) ( x11 x 11 = x 21 x 21 ) = Normierung des Eigenvektors auf die Länge 1: x x 2 21 = 1 ( 0 0 2x 2 11 = 1 x 11 = 1 2 x 21 = 1 2 ) 25 / 45
26 Berechnung des (normierten) Eigenvektors für λ 2 = 1.5. Vorgehensweise entsprechend. x 1,2 = 1 2, x 2,2 = 1 2 Für die Matrix der Eigenvektoren ergibt sich damit. X = Überprüfen Sie, dass gilt: X X = I. 26 / 45
27 Berechnung der Quadratwurzel von Σ Σ 1/2 = XΛ 1/2 X = = Überzeugen Sie sich davon, dass Σ 1/2 Σ 1/2 = Σ gilt. 27 / 45
28 6.5.2 Das multivariate CMM Für den N 1 Renditevektor r t wird das folgende Modell angenommen: r t = µ + ε t, t = 1, 2, 3,... = µ + Σ 1/2 t v t mit: v t iid mit E (v t ) = 0 und Var (v t ) = I. Dabei bedeuten: µ : N 1 Parametervektor ε t : N 1 Störgrößenvektor Σ t : N N positiv definite bedingte Varianz-Kovarianzmatrix v t : N 1 Zufallsvektor 0 : N 1 Nullvektor I : N N Einheitsmatrix 28 / 45
29 Annahmen und Folgerungen. 1 Der Zufallsvektor v t ist iid multivariat standardnormalverteilt. v t iid N(0, I). 2 Der Zufallsvektor v t und der verzögerte Störgrößenvektor ε t k sind für k = 1, 2,... stochastisch unabhängig. Die bedingte Varianz-Kovarianzmatrix Σ t ist nur abhängig von der Prozessvergangenheit bis zum Zeitpunkt t 1. Folgerung 1. Der Renditevektor r t ist - gegeben die Prozessvergangenheit bis zum Zeitpunkt t 1 - bedingt multivariat normalverteilt. r t I t 1 N(µ, Σ t ) 29 / 45
30 Folgerung 2. Der unbedingte Erwartungswertvektor des Renditevektors r t ist gleich µ. E (r t ) = µ + E (ε t ) ( )) = µ + E (E t 1 Σ 1/2 t v t ( ) = µ + E Σ 1/2 t E t 1 (v t ) = µ Bzw. es gilt: E t 1 (ε t ) = E (ε t ) = / 45
31 3 Die unbedingte Varianz-Kovarianzmatrix, bezeichnet mit Σ, existiert. Folgerung. Var (r t ) = E ( (r t µ)(r t µ) ) = E ( ε t ε ) t ( )) = E (E t 1 Σ 1/2 t v t v tσ 1/2 t ( = E Σ 1/2 t E t 1 ( vt v t ( ) = E Σ 1/2 t IΣ 1/2 t = E (Σ t ) = Σ ) ) 1/2 Σ t 31 / 45
32 4 Zu verschiedenen Zeitpunkten, t und t k, k = ±1, ±2,..., sind die Renditevektoren r t und r t k bzw. die Störgrößenvektoren ε t und ε t k unkorreliert. Γ(k) := Cov (r t, r t k ) = E ( (r t µ)(r t k µ) ) = E ( ε t ε t k) = 0, k = ±1, ±2,... Empirisches Beispiel. Kreuz-Korrelationen BASF / Allianz ϱ i,j (k) = Corr(r i,t, r j,t k ) = Cov (r i,t, r j,t k ), k = 0, ±1, ±2,... Var (ri,t ) Var (r j,t k ) 32 / 45
33 0.6 Cross-Correlation BASF / Allianz Lag 33 / 45
34 5 Schätzung des unbedingten Erwartungswerts und der unbedingten Varianz-Kovarianzmatrix ˆµ i = 1 T ˆσ i,j = 1 T T r i,t, i = 1,..., N t=1 T (r i,t ˆµ i )(r j,t ˆµ j ), i, j = 1,..., N t=1 bzw. matriziell: ˆµ = 1 T ˆΣ = 1 T T t=1 r t T (r t ˆµ)(r t ˆµ) = 1 T t=1 T ˆε tˆε t t=1 34 / 45
35 Damit die Bedingung ˆσ 2 p = w ˆΣw > 0 erfüllt ist, muss ˆΣ positiv definit sein. Für den Varianz-Kovarianz-Schätzer ˆΣ gilt: x ˆΣx = 1 T = 1 T T x ˆε tˆε tx t=1 T zt 2 > 0 mit z t = ˆε tx. t=1 d.h. ˆΣ ist positiv definit. 35 / 45
36 6 Die unbedingte Korrelationsmatrix 1 ϱ 1,2... ϱ 1,N ϱ 1, ϱ 2,N R =.. mit ϱ i,j = σ i,j σi,i σ j,j ϱ 1,N ϱ 2,N... 1 Mit der N N-Diagonalmatrix D: ( ) 1 1 D = diag,..., σ1,1 σn,n lässt sich die Korrelationsmatrix auch wie folgt notieren: R = DΣD 36 / 45
37 7 Schätzung der unbedingten Korrelationsmatrix 1 ˆϱ 1,2... ˆϱ 1,N ˆϱ 1, ˆϱ 2,N ˆR =.. mit ˆϱ i,j = ˆϱ 1,N ˆϱ 2,N... 1 mit: ˆσ i,j ˆσi,i ˆσ j,j ˆσ i,j = 1 T ˆµ i = 1 T T (r i,t ˆµ i )(r j,t ˆµ j,t ), i, j = 1, 2,..., N t=1 T r i,t, t=1 i = 1, 2,..., N 37 / 45
38 Oder alternativ mit Hilfe der der geschätzten N N-Diagonalmatrix ˆD: ( ) 1 1 ˆD = diag,..., ˆσ1,1 ˆσN,N lässt sich die geschätzte Korrelationsmatrix auch wie folgt notieren: ˆR = ˆD ˆΣ ˆD Beispiel. FX-Reihen gegenüber EUR: USD, JPY, GBP, CHF. Tagesdaten [14.15 h] Quelle: EZB. Beobachtungszeitraum vom bis Stetige Renditen in % [T = 1961 Beobachtungen] 38 / 45
39 Geschätzte unbedingte Varianz-Kovarianzmatrix: ˆΣ = USD JPY GBP CHF USD JPY GBP CHF Geschätzte Diagonalmatrix ˆD: ˆD = USD JPY GBP CHF USD 1/ JPY / GBP / CHF / / 45
40 Geschätze unbedingte Korrelationsmatrix ˆR = USD JPY GBP CHF USD JPY GBP CHF / 45
41 6.5.3 Gleitende Varianz-Kovarianz-Matrizen ˆσ i,j,t = 1 p (r i,t k ˆµ i,t )(r j,t k ˆµ j,t ) i, j = 1, 2,..., N p k=1 mit: ˆµ l,t = 1 p bzw. matriziell p k=1 r l,t k l = i, j = 1, 2,..., N p mit: ˆΣ t = 1 p k=1 ˆε t kˆε t k ˆε t = r t ˆµ t, ˆµ t = (ˆµ 1,t,..., ˆµ N,t ). 41 / 45
42 Die Kritik an dieser Vorgehensweise ist ganz analog zur Kritik an gleitenden Varianzen: Alle Beobachtungen der letzten p Perioden gehen mit demselben Gewicht in die Berechnungen ein. Alle Beobachtungen älter als t p gehen mit dem Gewicht Null in die Berechnungen ein. Es gibt keine Richtschnurr dafür, wie groß p gewählt werden muss. Nach diesem Ansatz ist die Prognose für die zukünftige Korrelation gleich der zuletzt berechneten. 42 / 45
43 1.12 Historical Correlations [P=30] USD/JPY / 45
44 6.5.4 Exponentielles Glätten/RiskMetrics Ebenso wie in der univariaten Betrachtung lassen sich auch zeitveränderliche Kovarianzen mit Hilfe der Methode des exponentiellen Glättens ermitteln. RiskMetrics bedient sich z.b. dieser Methode. Als Schätzer für die Kovarianz für die Renditen von WP i und WP j erhält man mit Hilfe des exponentiellen Glättens: ˆσ i,j,t = λˆσ i,j,t 1 + (1 λ)(r i,t 1 ˆµ i )(r j,t 1 ˆµ j ) bzw. matriziell mit ˆε t = r t ˆµ: ˆΣ t = λ ˆΣ t 1 + (1 λ)ˆε t 1ˆε t 1 44 / 45
45 Für einen gegebenen positiv-definiten Startwert ˆΣ 0 und 0 < λ < 1 zeigt man leicht, dass ˆΣ t positiv definit für alle t ist. Risk-Metrics: λ = 0.94, ˆµ = 0: ˆΣ t = 0.94 ˆΣ t r t 1 r t 1 Zur Kritik siehe den univariaten Fall. 45 / 45
W-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
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
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.
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
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
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
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
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
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
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.
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
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:
Mehr1.9 Eigenwerte und Eigenvektoren
.9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
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
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
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
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
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)
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
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
MehrÜbungsaufgaben Tilgungsrechnung
1 Zusatzmaterialien zu Finanz- und Wirtschaftsmathematik im Unterricht, Band 1 Übungsaufgaben Tilgungsrechnung Überarbeitungsstand: 1.März 2016 Die grundlegenden Ideen der folgenden Aufgaben beruhen auf
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
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
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
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 höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrRisikoeinstellungen empirisch
Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie
MehrVergleichsklausur 12.1 Mathematik vom 20.12.2005
Vergleichsklausur 12.1 Mathematik vom 20.12.2005 Mit CAS S./5 Aufgabe Alternative: Ganzrationale Funktionen Berliner Bogen Das Gebäude in den Abbildungen heißt Berliner Bogen und steht in Hamburg. Ein
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrAufgaben zur Flächenberechnung mit der Integralrechung
ufgaben zur Flächenberechnung mit der Integralrechung ) Geben ist die Funktion f(x) = -x + x. a) Wie groß ist die Fläche, die die Kurve von f mit der x-chse einschließt? b) Welche Fläche schließt der Graph
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrNullserie zur Prüfungsvorbereitung
Nullserie zur Prüfungsvorbereitung Die folgenden Hilfsmittel und Bedingungen sind an der Prüfung zu beachten. Erlaubte Hilfsmittel Beliebiger Taschenrechner (Der Einsatz von Lösungs- und Hilfsprogrammen
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrAufgabe 1 Berechne den Gesamtwiderstand dieses einfachen Netzwerkes. Lösung Innerhalb dieser Schaltung sind alle Widerstände in Reihe geschaltet.
Widerstandsnetzwerke - Grundlagen Diese Aufgaben dienen zur Übung und Wiederholung. Versucht die Aufgaben selbständig zu lösen und verwendet die Lösungen nur zur Überprüfung eurer Ergebnisse oder wenn
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrFremdwährungsanteil bei Tilgungsträgerkrediten bei 86 % eine Analyse der Fremdwährungskreditstatistik 1
Fremdwährungsanteil bei strägerkrediten bei 86 % eine Analyse der Fremdwährungskreditstatistik 1 Christian Sellner 2 Im europäischen Vergleich ist das Volumen der Fremdwährungskredite in Österreich sehr
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
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrLichtbrechung an Linsen
Sammellinsen Lichtbrechung an Linsen Fällt ein paralleles Lichtbündel auf eine Sammellinse, so werden die Lichtstrahlen so gebrochen, dass sie durch einen Brennpunkt der Linse verlaufen. Der Abstand zwischen
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
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
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrTipp III: Leiten Sie eine immer direkt anwendbare Formel her zur Berechnung der sogenannten "bedingten Wahrscheinlichkeit".
Mathematik- Unterrichts- Einheiten- Datei e. V. Klasse 9 12 04/2015 Diabetes-Test Infos: www.mued.de Blutspenden werden auf Diabetes untersucht, das mit 8 % in der Bevölkerung verbreitet ist. Dabei werden
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrMathematik-Klausur vom 2. Februar 2006
Mathematik-Klausur vom 2. Februar 26 Studiengang BWL DPO 1997: Aufgaben 1,2,3,5,6 Dauer der Klausur: 12 Min Studiengang B&FI DPO 21: Aufgaben 1,2,3,5,6 Dauer der Klausur: 12 Min Studiengang BWL DPO 23:
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrHIER GEHT ES UM IHR GUTES GELD ZINSRECHNUNG IM UNTERNEHMEN
HIER GEHT ES UM IHR GUTES GELD ZINSRECHNUNG IM UNTERNEHMEN Zinsen haben im täglichen Geschäftsleben große Bedeutung und somit auch die eigentliche Zinsrechnung, z.b: - Wenn Sie Ihre Rechnungen zu spät
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrAnlage eines neuen Geschäftsjahres in der Office Line
Leitfaden Anlage eines neuen Geschäftsjahres in der Office Line Version: 2016 Stand: 04.11.2015 Nelkenweg 6a 86641 Rain am Lech Stand: 04.11.2015 Inhalt 1 Zielgruppe... 3 2 Zeitpunkt... 3 3 Fragen... 3
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrÜbung zum Thema. Abmaße ablesen und Toleranzen berechnen
Übung zum Thema Abmaße ablesen und Toleranzen berechnen Grundlage der Übung sind die Tabellen TB2-1 bis TB2-3 im Roloff/Matek Tabellenbuch Vorgehensweise: 1. Bestimmung der Grundtoleranz In TB2-1 stehen
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.
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrAbituraufgabe zur analytischen Geometrie, Hessen 2013, B2, Grundkurs (TR)
Abituraufgabe zur analytischen Geometrie, Hessen 2013, B2, Grundkurs (TR) 1 Bei Ausgrabungen wurden die Überreste einer 4500 Jahre alten Pyramide entdeckt. Die Abbildung zeigt die Ansicht der Pyramidenruine
MehrMathematik-Klausur vom 08.02.2012 Finanzmathematik-Klausur vom 01.02.2012
Mathematik-Klausur vom 08.02.2012 Finanzmathematik-Klausur vom 01.02.2012 Studiengang BWL DPO 2003: Aufgaben 2,3, Dauer der Klausur: 60 Min Studiengang B&FI DPO 2003: Aufgaben 2,3, Dauer der Klausur: 60
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
Mehr