Klassische Ruintheorie
|
|
- Kurt Peters
- vor 5 Jahren
- Abrufe
Transkript
1 Seminar Versiherngsrisiko n Rin Prof. Dr. H. Shmili 3.6 Ying Zho Klassishe Rintheorie 7.8 Die Laplae Transformation er Überlebenswahrshein lihkeit In iesem Abshnitt sehen wir, wie φ rh ie Laplae Transformation bestimmt ist. Def: Sei h(y) eine Fnktion für alle y. Die Laplae Transformation ist efiniert als h (s) e h( y) y Eigentshaft von Laplae Transformation: h h () Seien, zwei Fnktionen, eren Laplae Transformationen existieren, n seinen n zwei Konstanten. Dann gilt: e ( h( y) + h( y)) y h () s + h () s () Laplae Transformation eines Integrals: Sei h eine Fnktion,eren Laplae Transformation existiert n sei H(x) x hyy ( ). Dann gilt: H () s h ()/ s s (3) Laplae Transformation einer Ableitng: Sei h eine ifferentierbare Fnktion, eren Laplae Transformation existiert. Dann gilt: e ( h( y)) y y sh () s h() (4) Laplae Transformation einer Faltng : Seien, h wie oben, efiniere, h h(x) x h( y) h ( x y) y. Dann gilt: h () s h () s h () s (5) Laplae Transformation einer ZV : sei X H, wobei H(). Dann gilt: sx E[ e ] e H( y).
2 Falls ie Verteilng stetig ist n mit Dihte h, gilt es : sx E[ e ] h () s Wir können ie Eigenshaft er Laplae Transformation bentzen m φ wie folgen z bestimmen: As (7.6) haben wir λ λ φ( ) φ( ) f( x) φ( x) x Eig.3 sφ () s φ() s λ λ e ( φ( ) f ( x) φ( x) x) λ s λ s e φ( ) e f( x) φ( x) x) λ λ φ () s f () s φ () s sφ () s φ() λφ () s λf () s φ () s φ () s φ () s λ f s ( ( )) (7.) Falls f eine rationale Fnktion ist, können wir φ bestimmen rh Invertieren von φ
3 3 7.9 Rekrsive Berehng In iesem Abshnitt beshreiben wir zwei rekrsive Methoen, ie zr Grenze n Approximation er Rin/Überlebenswahrsheinlihkeit führen Die Verteilng es maximalen Gesamtverlsts Um ie rekrsive Formel (4.) z bentzen müssen wir zerst zeigen ass Φ ie Verteilngsfnktion von einer zsammengesetzten geometrishen ZV ist. Def. & Bez.: Der Gesamtverlst Prozess { ()} s.. Ut () Lt () L: er maximale Gesamtverlstprozess Bem : Φ ist VF von L. Beweis. Wir wissen Ψ ( ) PU [ ( t) < ] > Φ ( ) PU [ ( t) t > ] PLt [ ( ) t > ] PL [ ] Lt ist efiniert als Lt () St () t t >. wir wissen L (), L ist eine niht negative ZV > Φ () PL [ ]. Bem : λm Ψ () Beweis. Wir wissen L~ Φ ( ), Φ () PL [ ] nah Eigenshaft 5 er Laplae-Transformation sl s L s E e e Φ X i () [ ] () s Φ () + e Φ( )
4 4 Φ + Φ Φ () s ( s) () sφ () s (7.) sφ() ( ( )) s λ f s sl ( ) [ ] L s s E e s E (7.6) (). Un rh l Hopital haben wir as (7.6) L () s s Φ() + s λ f () s s NR: Def f () s e f( y) y > s f () s e f( y) y s e s f ( y ) y ye f ( y) y > s f () s s ye f( y) y s yf( y) y m Φ() L () s s λm () Φ() λm > λm Φ () > λm Ψ () Bem 3: L ist zsammengesetze geometrishe ZV. Beweis. wir wissen S(t) ist ein zsammengesetzeter Poisson.-Prozess, n besitzt nabhängige n stationäre Zwähse. L(t)S(t)-t besitzt ah nabhängigen n stationären Zwähse. Definiere : Betrag vom i-ten Zwahs (z em neen Nivea es Gesamtshaens) L i Wir wissen er maximale Gesamtverlst ist größer als Nll, wenn er Übershss nter em Anfangskapital fällt, n mit er Wahrsheinlihkeit Ψ ().
5 5 P(Nn) P( L >, L >,... L >, L für t>n) n P( L > )P( L > )...P( L > )P( L für t>) n Ψ() Φ().h N hat eine geometrishe Verteilng n t t wir wissen ass L i nabhängig n ientish n nabhägig von N ist. L ist zsammengesetzt geometrish verteilt. Jetzt betrahten wir ie Verteilng von L. Setze K( x) P[ L x] k: ie zgehörige Dihte k E sl [exp{ }]
6 6 m Bem. kx ( ) ( Fx ( )) Beweis: Wir wissen 4. sl sl E[ e ] E[ E( e N) ] E k N [ ( s) ] n k () s P( N n) n n n k s Ψ Φ n ( ) ( ()) () () ( k ( s) ()) n Φ Ψ n Φ() ihe k ( s) Ψ () geom. Re (7.8) as (7.6) haben wir sl sφ() Ee [ ] s λ f s ( ( )) sφ() Φ() > s λ f ( s) Ψ () k ( s ) ( ) λm Ψ () > k s f s ( ) () () ms m > k( x) ( F( x) ) ie Verteilng von L ist stetig,.h. falls wir (4.) bentzen m Φ z approximieren, müssen wir zerst iese Verteilng iskretisieren. Nah Abshnitt 4.7. mahen wir folgenes: N Definiere L L, i, N : zsammengesetzt geometrish verteilt, { L, i } i ii. i L hat ie Verteilngsfnktion (entsprehen er iskretisierten Verteilng) K,i n ie Wahrsheinlihkeitsfnktion k, x K( x+ ) K( x) für x,,... für x : K ( x) K( x),.h. K ist eine obere shranke von K.
7 7 Analog können wir eine iskretisierte Verteilng K erstellen, ie ntere Shranke von K ist. N Definiere L L, i, N wie oben, { L, i } i ii mit VF K n Wahrsheinlihkeitsfnktion i k, x K( x) K( x ) für x,,3... für x : K ( x) K( x) K ( ) K( ) K ( ) für (5.7) > K K K ( ) ( ) ( ) Φ ( ) P[ L ] P[ L ] + P[ < L ] Φ () + PL [ n n N n] Φ () + PL [ N n] PN [ n] n n n () () () K ( ) Φ + Ψ Φ (7.9) n > PL [ ] PL [ ] PL [ ] (7.) n PL [ < ] PL [ < ] PL [ < ] für > : PL [ < ] < PL [ ] n PL [ < ] < PL [ ] a L, L iskret sin. Wir finen ie Grenze von Φ : PL [ ] Φ( ) PL [ <. ] L, n L, sin iskrete ZV, Φ ( ) P[ L ], Φ ( ) P[ L ] nah 4. > Φ() Φ () Ψ ()k, für,,3,... Φ ( ) Φ () +Ψ() k, jφ( j) Ψ() k, j n Φ () Φ() für,,3,... Φ () Φ () +Ψ() k, Φ( j) j j
8 Rekrsive Berehnng in einem iskreten Zeitmoell In iesem Abshnitt wir erklärt wie ie Rinwahrsheinlihkeit in nenliher Zeit n in enliher Zeit von einem iskreten Zeit-Risikomoell approximiert wir. Def.: Im klassishen Risikomoell efinieren wir ie Rinwahrsheinlihkeit in enliher Zeit als N( s) Ψ ( t, ) P [ + s xi < für s mit < s t] wobei N(s) ~Poisson ( λ s) i setze ( + θ ) λm, λ m Die Approximation wir in 3 Shritten konstriert. Shritt: Diskretisieren. Für i,,3,... ersetze x i rh x,i, wobei x,i iskrete ZV verteilt af,,,..., für >. Die Verteilng von X,i soll so gewählt ass sie eine gte Approximation z er Verteilng von Definiere X i ist. } N( s) Ψ ( t, ) P [ + ( + θ ) s x, i < für ein s, mit < s t] i Dann ist Ψ ( t, ) eine gte Approximation z Ψ ( t, ). Shritt: Die monetäre Einheit änern. Für i,,3... efiniere X, X, i i efiniere N( s) Ψ( wt, ) Pw [ + ( + θ) s X < für s, mit < s t], i i Beh.: Ψ (, t) Ψ ( t, ) N( s) θ, i i Beweis: Ψ ( t, ) P[ + ( + ) s X < ] N( s) P { + ( + θ) s X, i < > i
9 9 N( s) P + ( + θ ) s X, i < i Ψ ( t, ) 3. Shritt: Zeiteinheit änern. Setze λ ( + θ ),.h. as Prämieneinkommen pro Zeiteinheit ist. N ( s) Def. 3Ψ ( wt, ) Pw [ + s x, i < für s, mit < s< t] (7.) i Wobei N () s hat Poisson Verteilng mit m s ( + ) θ Ψ ( w,( + θ ) t) Ψ ( w, t) > 3 > Ψ( t, ) 3Ψ (,( + θ ) t).h. 3 Ψ( t, ) gibt ie Rinwahrsheinlihkeit in stetiger Zeit. Wir können 3 Ψ( t, ) approximieren rh n Ψ ( t, ) P [ + n Zi für ein n mit i n,,3,...t] Wobei Zi hat eine zsammengesetzte Poisson Verteilng mit Shaenzahlng wie X,i λ ( + θ ) n inivieller > Ψ( t, ) Ψ (,( + θ) t) Nmerishe Illstration In iesem Abshnitt betrahten wir ie nmerishe Illstration von en Approximationsmethoen.. Illstration F( x) e x, x wir wissen fr, θ Ψ ( ) exp + θ (+ θ ) m ie Methoe er Grenze in 7.9. z bentzen setzen wir
10 m kx ( ) f( x) e x θ, 7. zeigt ie Werte er Grenzen von Ψ ( ). Mit wahsenem κ weren ie nteren Grenzen wahsen n ie oberen Grenzen fallen, n zm Beispiel mit 3 erhalten wir af zwei Nahkommenstellen gernete Grenzen.6, ann ist af zwei Nahkommenstellen Ψ( ).6 κ n mit wahsenem ist es möglih noh mehr übereinstimmene Nahkommastellen z erhalten. 7.3 zeigt wie man ie Approximation rh Mittelwertbilng er Grenze erhält. Dies gibt eine sehr gte Approximation, besoners wenn κ ist.
11 7.4 zeigt ie Approximation nter Anwenng er rekrsiven Berehnng von Illstration Inivielle Shaenforerng hat Verteilng Pa(4, 3) es gibt keine explizite Lösng für Ψ aber man kann Ψ gt approximieren 7.5 zeigt mit Methoen von 7.9. für k ist er Wert sehr nahe vom ehten Ψ. 7. Approximative Berehnng er Rinwahrsheinlihkeit Iee von De Vylershe Methoe: Wir approximieren ie Wahrsheinlihkeit vom abslten Rin von einem klassishen Risikoprozess {U(t)} t rh einen klassishen Risikoprozess {U(t)} % t mit folgene Eigenshaften: U() % Poisson Parameter ist λ%
12 Das Prämieneinkommen pro Zeiteinheit ist % Die Verteilng er iniviellen Shaenzahlng ist F % ( x ) exp{ % x } λ λ As (7.) φ( ) exp{ ( ) } für F(x) e x x % λ % λ foglt φ( % ) exp{ ( % ) } % % % n rh Momentvergleih können wir % λ, %, % bestimmen.. setze E[U(t)] E[U % (t)] + t + λ m + % t + % λ t/% % + λ m + % λ /%. setze E[( U( t) E[ U( t)]) ] E U% t % [( ( ) E[ U( t)]) ] wir wissen U(t)-E[U(t)] -S(t) + λ mt V[S(t)] V[ St %()] λm % λ/ % setze E[( U( t) E[ U( t)]) ] E[( U% ( t) E[ U% ( t)]) ] Sk[S(t)] Sk[ S % (t)] 3 λm 3 6 % λ/ % % 3 m/ m 3 λ % 9 λm /m 3 3 % 3 λm /m 3 n ie Vorassetzng für ie Anwenng er De Vylershen Approximation ist ie Existenz von en ersten 3 Momenten er iniviellen Shaenzahlng.
15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
MehrDifferentialrechnung
Differentialrechnung Um Funktionen genauer zu untersuchen bzw. sie zu analysieren, ist es notwenig, etwas über ihren Verlauf, as qualitative Verhalten er Funktion, sagen zu können. Das heisst, wir suchen
MehrAnalysis II für M, LaG/M, Ph
Fachbereich Mathematik Prof Dr M Hieber Robert Haller-Dintelmann Horst Heck TECHNISCHE UNIVERSITÄT DARMSTADT ASS 008 195008 Analysis II für M, LaG/M, Ph 7 Übng mit Lösngshinweisen G 1 Grppenübngen Af der
Mehr2. Umkehrfunktionen und ihre Ableitung, Hyperbelfunktionen 2.1. Höhere Ableitungen. Die Ableitung der Ableitung von f bezeichnet man, x 2, fur x < 0,
. Umkehrfunktionen un ihre Ableitung, Hyperbelfunktionen.. Höhere Ableitungen. Die Ableitung er Ableitung von f bezeichnet man, falls sie existiert, mit f x) oer f ) x) oer fx)) oer fx) bzw. allgemein
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 9 UNIVERSITÄT KARLSRUHE Blatt 5 Priv-Doz Dr D Kaelka Dipl-Math W Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe : Wir betrachten eine Markovkette in
MehrTheoretische Physik 2 (Theoretische Mechanik)
Theoretishe Physik 2 Theoretishe Mehanik) Prof. Dr. Th. Felmann 11. Februar 2014 Kurzzusammenfassung Vorlesung 28 vom 7.2.2014 Vierergeshwinigkeit un Viererimpuls Zur Beshreibung er relativistishen Bewegungsgleihungen
MehrÜbungen zur Vorlesung. Einführung in Dynamische Systeme. Musterlösungen zu Aufgabenblatt 9
Prof. Rolan Gunesch Sommersemester 2010 Übungen zur Vorlesung Einführung in Dynamische Systeme Musterlösungen zu Aufgabenblatt 9 Aufgabe 1: Eine Isometrie eines metrischen Raums X ist eine Abbilung f :
MehrDIE ABLEITUNG FRANZ LEMMERMEYER
DIE ABLEITUNG FRANZ LEMMERMEYER Eine Gerae y mx+b hat in jeem Punkt ieselbe Steigung m. Bei einer Parabel y x 2 agegen änert sich ie Steigung von Punkt zu Punkt. Sin zwei Punkte P (x f(x)) un Q(u f(u))
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrA1: Diplomvorprüfung HM II/III WS 2007/
A: Diplomvorprüfung HM II/III WS 7/8 6..8 Aufgabe. (+68 Punkte) a) Ist die Reihe k+ k k 5k konvergent oder divergent? Begründen Sie ihre Aussage! b) Führen Sie eine Partialbruchzerlegung für n+ durch und
Mehr(u, v) z(u, v) u Φ(u, v) (v = const.) Parameterlinie v = const. v Φ(u, v) (u = const.) Parameterlinie u = const.
13 Flächenintegrale 64 13 Flächenintegrale Im letzten Abschnitt haben wir Integrale über Kurven betrachtet. Wir wollen uns nun mit Integralen über Flächen beschäftigen. Wir haben bisher zwei verschiedene
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten 1/43 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.1 Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten
MehrLösungshinweise zu den Hausaufgaben:
M. Boßle, B. Krinn Ü. Okur, M. Wie Blatt 7 Gruppenübung zur Vorlesung Höere Matematik 2 Sommersemester 202 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungsinweise zu en Hausaufgaben: Aufgabe H 58. Differenzierbarkeit
MehrSerie 6 - Funktionen II + Differentialrechnung
Analysis D-BAUG Dr. Meike Akvel HS 05 Serie 6 - Funktionen II + Differentialrechnung. a) Sei Lösung 3, falls < 0, f : R R, f) c +, falls 0, + 8, falls >. Bestimmen Sie c R un R, so ass f überall stetig
MehrTechnisches Lemma aus der Linearen Algebra
echnisches Lemma aus er Linearen Algebra Lemma. Sei t A(t) Mat(n, n) eine glatte, matrixwertige Funktion auf em Intervall ( ε,ε), welche A(t) = I erfülle. Dann gilt: t et(a(t)) t=0 = trace(ȧ(0)). Beispiel.
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrDer Poissonprozess. Kapitel 5
spielt in der stochastischen Modellierung eine fundamentale Rolle Grund ist seine verteilungsfreie Charakterisierung durch wenige qualitative Eigenschaften, die in zahlreichen Anwendungsbeispielen plausibel
Mehr7.5 Relativistische Bewegungsgleichung
7.5. RELATIVISTISCHE BEWEGUNGSGLEICHUNG 7 7.5 Relativistishe Bewegungsgleihung Das Ziel ieses Abshnittes ist es, ie Bewegungsgleihung er Klassishen Mehanik an ie relativistishe Kinematik anzupassen. Ausgangspunkt
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr8.1. Das unbestimmte Integral
8 Das unbestimmte Integral So wie ie Bilung von Reihen, also Summenfolgen, ein zur Bilung er Differenzenfolgen inverser Prozess ist, kann man ie Integration als Umkehrung er Differentiation ansehen Stammfunktionen
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 3. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Anreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.e Department Biologie II Telefon: 089-80-74800 Großhaernerstr. Fax:
Mehrf x n ) 2 1 Gleichung (*) f' x 1 f'' x 1
Das Newtonsche Näherungsverfahren, Teil Theorie - Konvergenzkriterium f x n Allgemeine Lösung: x n = x n f' x f' x n n 0 Nach er Fachliteratur (Bronstein/Semenjajew) arf man hier von einer Cauchy-Folge
MehrSo lösen Sie die Differentialgleichung für eine komplexe Kurve (für eine komplexe Funktion)
Prof. Dr. Sebastian Hensel Sommersemester 208 Argmente der GTF Was ist dieses Dokment? (nd was ist es nicht?) Dieser Text fasst einige der wichtigsten Standardargmente zsammen, die im Stdim von Flächen
MehrThermische Zustandsgleichung : Thermodynamische Zustandsgrößen als Funktion weiterer Zustandsgrößen berechenbar, z.b.: p = p(v,t) = RT/v
Die Kalorishe Zstandsgleihng hermishe Zstandsgleihng : hermodynamishe Zstandsgrößen als Fnktion weiterer Zstandsgrößen berehenbar, z.b.: (,) R/ Kalorishe Zstandsgleihng: Kalorishe Zstandsgrößen als Fnktion
MehrHAW Hamburg, Dept.: M+P VKA Prof. Dr.-Ing. Victor Gheorghiu
Brennverlauf mit einer einzigen Vibe-Funktion ( ) m V+ Die Vibe-Funktion hat folgenen Ausruck ξ e a V χ ( ) Hierin beeuten: ξ exp a V ( χ ) m V+ Q B ξ ( 2) ie relative Brennfunktion, ie als Verhältnis
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
Mehr1. Tangente, Ableitung, Dierential
1. Tangente, Ableitung, Dierential Variablen un Funktionen 1.1. Verallgemeinern Sie ie folgenen Gruppen von Gleichungen mithilfe von Variablen. (1) 5 + 3 = 3 + 5, 1 2 = 2 + 1. (2) 3 2 + 5 2 = (3 + 5) 2,
MehrÜbungen zum Ferienkurs Theoretische Mechanik
Übungen zum Ferienkurs Theoretische Mechanik Lagrange un Hamilton Mechanik Übungen, ie mit einem Stern markiert sin, weren als besoners wichtig erachtet. 2.1 3D Faenpenel Betrachten Sie ein Faenpenel er
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrAufgaben zum Wochenende (2)
Aufgaben zum Wochenene () Alle Koorinatensysteme seien kartesisch.. Berechnen Sie zu a =(, 3, ) un b =(,, ), c =(, 3, ) : a 3, 4 a b, b ( a c), a 4 b ( ) c. Rechnen Sie möglichst praktisch.. Lösen Sie
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. M. Keyl M. Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 3 (Analysis 2 MA9203 http://www-m5.ma.tum.e/allgemeines/ma9203 2016S Sommersem. 2016 Lösungsblatt 9 (10.6.2016
Mehr7. Einige Typen von speziellen Funktionen [Kö 8]
39 7. Einige Typen von speziellen Funktionen [Kö 8] 7. Analytische Funktionen [Kö 7.3, 4.] Definition. Es sei D C, f : D C und z 0 D ein Häufungspunkt von D. Die Funktion f heißt im Punkt z 0 analytisch,
MehrIntegraldarstellung des Restgliedes; Lagrangesche Restgliedformel;
Kapitel Der Satz von Taylor. Taylor-Formel und Taylor-Reihe (Taylor-Polynom; Restglied; Integraldarstellung des Restgliedes; Lagrangesche Restgliedformel; die Klasse C ; reell analytische Funktionen) In
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
MehrDifferenzierbarkeit. Wir betrachten zuerst die Differenzierbarkeit reellwertiger Funktionen.
Differenzierbarkeit Wir betracten zuerst die Differenzierbarkeit reellwertiger Funktionen. Definition. Sei f : R n R und x 0 D(f) ein innerer Punkt. Dann eißt f differenzierbar an x 0, wenn es einen Vektor
MehrMusterlösung Serie 6
D-ITET Analysis III WS 3/4 Prof. Dr. H. Knörrer Musterlösung Serie 6. a) Mithilfe er Kettenregel berechnen wir u x = w ξ ξ x + w η η x u y = w ξ ξ y + w η η y u xx = w ξξ ξx 2 + 2w ξη ξ x η x + w ηη ηx
Mehr7 Anwendungen der Linearen Algebra
7 Anwenungen er Linearen Algebra 7.1 Extremwertaufgaben mit Nebenbeingungen Bemerkung 7.1. Wir behaneln as Problem: Gegeben ist eine zweimal stetig ifferenzierbare Funktion f : R n R un ein stetig ifferenzierbares
MehrDie Quark-Lepton-Familien
Kapitel 6 Die Qark-Lepton-Familien 6.1 Charm 6.1.1 Der Cabibbo-inkel n er GIM-Mehanisms Obwohl as Qarkmoell er 3 leihten Qarks,, s sehr erfolgreih war, hatte man bal vermtet, aß es noh nvollstänig ist.
MehrÜbungsaufgaben zu den mathematischen Grundlagen von KM
TUM, Institut für Informatik WS 2003/2004 Prof Dr Thomas Huckle Andreas Krahnke, MSc Dipl-Inf Markus Pögl Übungsaufgaben zu den mathematischen Grundlagen von KM 1 Bestimmen Sie die Darstellung von 1 4
MehrAnalysis I. 2. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Die Produktmenge aus zwei Mengen L und M.
MehrIntegrationsmethoden. für. gebrochen rationale Funktionen DEMO. Übersicht über die wichtigsten Methoden. Vor allem für das Studium!
Integralrechnng Integrationsmethoden für gebrochen rationale Fnktionen Übersicht über die wichtigsten Methoden Vor allem für das Stdim! Tet 800 Stand 8. Febrar 08 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK
MehrDifferential- und Integralrechnung
Universität Paerborn, en 16.07.2007 Differential- un Integralrechnung Ein Repetitorium vor er Klausur Kai Gehrs 1 Übersicht Inhaltlicher Überblick: I. Differentialrechnung I.1. Differenzierbarkeit un er
MehrMathematik III. Vorlesung 87. Die äußere Ableitung
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 87 Die äußere Ableitung In ieser Vorlesung weren wir ein neuartiges mathematisches Objekt kennenlernen, ie sogenannte äußere Ableitung.
Mehr6 Rotation und der Satz von Stokes
$Id: rotation.tex,v 1.8 216/1/11 13:46:38 hk Exp $ 6 Rotation und der Satz von Stokes 6.3 Vektorpotentiale und harmonishe Funktionen In 4.Satz 2 hatten wir gesehen das ein auf einem einfah zusammenhängenden
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 4. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Anreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.e Department Biologie II Telefon: 089-80-74800 Großhaernerstr. Fax:
MehrMathematik für Sicherheitsingenieure I B (BScS 2011)
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 5.9.7 Mathematik für Sicherheitsingenieure I B (BScS Aufgabe. (5+8+7 Punkte a eben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist. Eine Begründung
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr17. Die Wellengleichung Die Transportgleichung. t u(t, x) +c x u(t, x) =0mit t, x R, 0 c R. Wegen
98 7. Die Wellengleichung 7.. Die Tanspotgleichung. t u(t, x +c x u(t, x =0mit t, x R, 0 c R. Wegen v u = u, v besagt ie Diffeentialgleichung, ass ie Richtungsableitung von u in Richtung (,c Null ist.
Mehrs p f Σ p f S p f, also auch für jede Folge (p n ) n N0 von Partitionen, für die die Feinheit gegen 0 geht.
Satz: Äquivalenz von Riemann- und Darboux-Integral f : [a, b] R. Dann sind äquivalent: (a) f Riemann-integrierbar. (b) f beschränkt und Darbouxintegrierbar. Gilt (a) oder (b), so ist I(f) = Sf = sf. Beweis:
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrÜbungen zur Funktionentheorie
Mathematisches Institut SS 29 Universität München Prof. Dr. M. Schottenloher C. Paleani M. Schwingenheuer A. Stadelmaier Übungen zur Funktionentheorie Lösungen zu Übungsblatt. Sei fz) = z ) z 2) 2 eine
MehrBlatt 02.4: Vektorräume, Euklidischer Räume
Fakultät für Physik R: Rechenmethoen für Physiker, WiSe 15/16 Dozent: Jan von Delft Übungen: Beneikt Bruognolo, Dennis Schimmel, Frauke Schwarz, Lukas Weiinger http://homepages.physik.uni-muenchen.e/~vonelft/lehre/15r/
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrDer Taschenrechner CAS: TI Inspire (Texas Instruments)
Der Taschenrechner (Texas Instruments) Übersicht: 1. Katalog (wichtige Funktionen un wie man sie aufruft) 2. Funktionen efinieren (einspeichern mit un ohne Parameter) 3. Nullstellen 4. Gleichungen lösen
Mehr1 Lokale Umkehrbarkeit und implizite Funktionen
Christina Schinler Karolina Stoiber Ferienkurs Analysis 2 für Physiker SS 2013 A 1 Lokale Umkehrbarkeit un implizite Funktionen In iesem Kapitel weren Kriterien vorgestellt, wann eine Funktion umkehrbar
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei die Matrix
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei die Matrix 1 1 1 A = 3 3 3 2 2 2 (a) Bestimmen Sie Rang(A), Kern(A) und Bild(A). Ist A invertierbar? Geben Sie zwei verschiedene rechte Seiten b 1, b 2 an, so
MehrAufgaben zu Karnaugh-Diagrammen und Quine-McCluskey
Weissenher Wintersteiger Digitltehnik Aufgen zu Krnugh-Digrmmen un Quine-MCluskey Für ie nhfolgenen Aufgen können Sie iese niht usgefüllten Krnugh-Digrmme ls Vorlge verwenen: 0 1 5 4 2 3 7 6 0 1 5 4 2
MehrKlassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n
Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion F. Für n 1 definiere S n := n i=1 X i, M n := max{x i :1 i n} Frage: Welche sind die möglichen (nicht
MehrWir wollen längs der Kurve in jedem Punkt sinnvoll eine Basis anheften.
3.8 Begleitendes Dreibein Wir wollen längs der Kurve in jedem Punkt sinnvoll eine Basis anheften. 3.8.1 W-Punkte Geg.: regul. C 2 -Kurve c : x(s), s I x(s) heißt W-Punkt von c : x (s) = o. 3.8.2 Begleitendes
MehrÜbung (9) . Geben Sie auch eine geometrische Deutung des Resultats an. 2 3j, e jπ7/4, 2e 4jπ/3.
Übung (9). Drücken Sie 3 ³ b (4 a ( 5) c) aus urch a b c. Geben Sie auch eine geometrische Deutung es Resultats an.. Vereinfachen Sie: ( x 4 y) (3 y 5 x). ³ ³³ ³ 3. Vereinfachen Sie en Ausruck a 3 b 3
Mehrx 2 mit a IR in der maximalen, Teilaufgabe 1.1 (8 BE) Ermitteln Sie die Art der Definitionslücke sowie die Anzahl der Nullstellen von f a
Abschlssprüfng Berfliche Oberschle 00 Mathematik Technik - A I - Lösng Teilafgabe.0 Gegeben sind die reellen Fnktionen f a ( x) von a nabhängigen Definitionsmenge D x ax a = x mit a IR in der maximalen,
MehrMathematische Modelle und numerische Methoden in der Biologie
Institut für Angewante un Numerische Mathematik Prof. Dr. Tobias Jahnke, Dipl.-Biol. Michael Kreim Mathematische Moelle un numerische Methoen in er Biologie Sommersemester 2012 5. Übungsblatt Gruppenübung
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
Mehr6 Die Bedeutung der Ableitung
6 Die Bedeutung der Ableitung 24 6 Die Bedeutung der Ableitung Wir wollen in diesem Kapitel diskutieren, inwieweit man aus der Kenntnis der Ableitung Rückschlüsse über die Funktion f ziehen kann Zunächst
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
Mehr8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale
8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale 8.1 Der quadratische Variationsprozess eines stetigen, lokalen Martingals 8.3 Die quadratische Variation einer reellen Brownschen
MehrÜbungen zur Theoretischen Physik 2 für das Lehramt L3 Blatt 3
H. van Hees Sommersemester 218 Übungen zur Theoretischen Physik 2 für as Lehramt L3 Blatt 3 Aufgabe 1: Vektorproukt Im Manuskript haben wir as Vektorproukt zweier Vektoren a un b geometrisch efiniert.
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrLösungshinweise zu den Hausaufgaben:
P. Engel, T. Pfrommer S. Poppitz, Dr. I. Rybak 4. Gruppenübung zur Vorlesung Höhere Mathematik Sommersemester 9 Prof. Dr. M. Stroppel Prof. Dr. N. Knarr Lösungshinweise zu en Hausaufgaben: Aufgabe H. a)
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik Sommersemester 2014 Dr. Sebastian Riedel 21. Juli 2014
Technische Universität Berlin Fakultät II Institut für Mathematik Sommersemester 24 Dr. Sebastian ieel 2. Juli 24 Klausur Mathematik II für Wirtschaftswissenschaftler Name:.......................................
MehrAbschlussprüfung Berufliche Oberschule 2013 Mathematik 12 Nichttechnik - A II - Lösung
Abschlussprüfung Berufliche Oberschule 03 Mathematik Nichttechnik - A II - Lösung Teilaufgabe.0 Der Graph G f einer ganzrationalen Funktion f mit er Definionsmenge D f = IR berührt ie bei x = un schneiet
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
Mehr6.3. Iterative Lösung linearer Gleichungssysteme. Großes lineares dünnbesetztes Gleichungssystem A x = b
6.3. Iterative Lösung linearer Gleichungssysteme Großes lineares ünnesetztes Gleichungssystem A Gauss-Elimination nutzt in er Regel ie Dünnesetztheit nicht aus un führt meist auf Kosten On 3 ; Im Gegensatz
MehrIntegration (handgestrickt)
Integration (handgestrickt) C c (R n ) :={f : R n R; f stetig, Träger(f) beschränkt}. B + b (Rn ) := { f : R n R; abei bedeutet f m konvergiert. J (R n ) := {f; a) f beschränkt, b) Träger(f) beschränkt,
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
Mehrx= f(x) p= U (x). (b) Zeigen Sie, dass auf jeder auf einem Intervall existierenden Lösung t x(t) die Energie E(t) := 1 2 p(t)2 + U(x(t)) x 1
Blatt 1 03042006 H-Ch Grunau Aufgabe 1 Betrachten Sie die Differentialgleichung x= f(x) mit f = U und U C 2 ((α, β), R) und schreiben Sie diese in der Form x= p, p= U (x) (a) Skizzieren Sie die Phasenportraits
MehrZum Begriff der Paare: ab ordinalem Messniveau
Zum Begriff er Paare: ab orinalem Messniveau Begriffsefinition von Paaren: gleihe bzw. untershielihe Rangornung zwishen Untersuhungsobjekten (z. B. Personen) Paare können konkorant oer iskorant sein 1)
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
MehrEINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2010
Prof. Dr. O. Junge, P. Koltai, K. Tichmann Zentrum Mathematik - M3 Technische Universität München EINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2 Tutorübungen T6 (Schur-Komplement) (a) Es sei
MehrEinführung in die Fourier-Reihen. 1 Fourier-Reihen: Definitionen
Vortrag zum Seminar zur Analysis, 05.07.2010 André Stollenwerk, Eva-Maria Seifert Die Fourieranalysis beschäftigt sich mit dem Problem, inwiefern sich Funktionen mittels Sinus und Cosinus, das heißt periodischen
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr6.3. Iterative Lösung linearer Gleichungssysteme
6.3. terative ösung linearer Gleichungssysteme Großes lineares ünnesetztes Gleichungssystem = Gauss-Elimination nutzt in er Regel ie ünnesetztheit nicht aus un führt meist auf Kosten On 3 ; m Gegensatz
Mehr1.1. Der Kondensator Flächenladungsdichte. Versuch 1: Gegeben: wird konstant gehalten,
.. Der Konensator.. Flächenlaungsichte Versuch : Gegeben: wir konstant gehalten, elektrisches Fel E ie Fläche i er Plättchen wir variiert. Fläche er Konensatorplatten ist gegeben, er Betrag er Laung auf
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
MehrThemenkatalog. Mathe-Party Fulda 1 Wintersemester 2016/17
Themenkatalog Mengenlehre Aussagenlogik Relationen Funktionen Vollstänige Inuktion Folgen Reihen Grenzwerte Funktionseigenschaften Differentialrechnung Integralrechnung Mathe-Party Fula Wintersemester
MehrMathematische Modelle und numerische Methoden in der Biologie
Institut für Angewante un Numerishe Mathematik Prof. Dr. Tobias Jahnke, Dipl.-Biol. Mihael Kreim Mathematishe Moelle un numerishe Methoen in er Biologie Sommersemester 2012 3. Übungsblatt Gruppenübung
MehrL 2 -Theorie und Plancherel-Theorem
L -Theorie und Plancherel-Theorem Seminar Grundideen der Harmonischen Analysis bei Porf Dr Michael Struwe HS 007 Vortrag von Manuela Dübendorfer 1 Wiederholung aus der L 1 -Theorie Um die Fourier-Transformation
Mehr0 1 0 b Die inverse Funktion muss die Translation um b sein und hat daher die homogene Matrix b b 1
Homogene Koorinaten Aufgabe. In homogener Darstellung ist ie Translation f R 4 R 4 um einen Vektor b R 3 eine lineare Funktion un kann aher urch eine Matri Vektor Multiplikation realisiert weren. Wie sieht
MehrName Vorname Fachrichtg. Matrikelnr. Punkte Klausur Aufgabe max. Punkte Punkte. Bitte beachten!
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Mihael Höding Modulprüfung Mathematik III Fahrihtung: Computer Siene in Engineering, Computervisualistik, Informatik,
MehrVorlesung 8b. Zweistufige Zufallsexperimente. Teil 2
Vorlesung 8b Zweistufige Zufallsexperimente Teil 2 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen: P(X 1 = a 1,X 2 = a 2 ) = P(X 1 = a 1 )P a1 (X
Mehr1. Probeklausur. φ = 2x 2 y(z 1).
Übungen zur T: Theoretische Mechanik, SoSe04 Prof. Dr. Dieter Lüst Theresienstr. 37, Zi. 45. Probeklausur Dr. Reinke Sven Isermann Reinke.Isermann@lmu.e Übung.: Gegeben sei ie Funktion φ = x y z. a Berechnen
Mehr