Hawkes Prozesse Grundlagen
|
|
- Leonard Kopp
- vor 5 Jahren
- Abrufe
Transkript
1 Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem Messraum (Ω, F). Definition (Punktprozess). Ein adaptierter càdlàg Prozess N mit N =, N t N für alle t und N t {, 1} für alle t heißt Punktprozess. Hierbei sei mit N := N N der Sprungprozess von N bezeichnet. Definition. (Previsible & Optionale σ-algebra) (i) Wir definieren die optionale σ-algebra O über Ω R + durch O := σ ( X : Ω R + R X ist adaptiert und càdlàg ). (ii) Wir definieren die previsible σ-algebra P über Ω R + durch P := σ ( X : Ω R + R X ist adaptiert und linksstetig ). Bemerkung. Man kann zeigen, dass jeder optionale Prozess X messbar bzgl. F B(R + ) ist. Weiter ist jeder previsible Prozess X auch optional (und somit auch messbar). Korollar. Es gilt P = σ ( {A {} : A F } {A (s, t] : s < t und A F s } ). Definition. (i) Wir bezeichnen mit M die Menge aller gleichgradig integrierbaren Martingale. (ii) Wir bezeichnen mit V die Menge aller adaptierten càdlàg Prozesse A mit A =, sodass jeder Pfad von lokal beschränkter Variation ist. (iii) Wir bezeichnen mit V + die Menge aller A V mit monoton wachsenden Pfaden. (iv) Definiere A := {A V E[Var(A) ] < }. (v) Definiere A + := {A V + E[Var(A) ] < }. Satz (Previsibler Kompensator). Es sei A A + loc. Dann existiert ein bis auf Ununterscheidbarkeit eindeutiger previsibler Prozess A p A + loc, sodass A A p M loc. Korollar. Jeder Punktprozess N ist lokal beschränkt. Insbesondere ist N A + loc. Bemerkung. Wir finden also zu jedem Punktprozess N einen previsiblen Prozess N p A + loc, sodass N N p M loc. Dieser wird auch als Intensität bezeichnet.
2 15. Februar 218 Zufällige Maße Es sei (E, τ) ein polnischer Raum mit Borel-σ-Algebra E. Wir bezeichnen mit Ω die Menge Ω R + E, mit Õ die σ-algebra O E und mit P die σ-algebra P E. Definition (Zufällige Maße). Ein zufälliges Maß auf R + E ist eine Familie µ = {µ(w; dt, dx) ω Ω} von nichtnegativen Maßen auf (R + E, B(R + ) E ) mit der Eigenschaft µ(w; {} E) = für alle ω Ω. Zusätzlich fordern wir, dass die Abbildung ω µ(ω, A) messbar bezüglich F ist für alle A B(R + ) E. Definition (Integration bezüglich zufälliger Maße). Es sei W eine Õ-messbare, reellwertige Abbildung auf Ω. Es folgt, dass die Abbildung (t, x) W (ω, t, x) messbar ist für alle ω Ω. Weiter definieren wir den Integralprozess W µ durch W µ t (ω) := W (ω, s, x)µ(ω, ds, dx), falls W (ω, s, x) µ(ω, ds, dx) < [,t] E und W µ t (ω) := sonst. Definition (Optionale zufällige Maße). [,t] E (i) Ein zufälliges Maß µ heißt optional (previsibel), falls der Prozess W µ optional (previsibel) für jede optionale (previsible) Abbildung W ist. (ii) Ein optionales zufälliges Maß heißt integrierbar, falls 1 µ A + (iii) Ein optionales zufälliges Maß heißt P-σ-endlich, falls eine strikt positive previsible Abbildung V auf Ω existiert, sodass V µ A + ; Dies ist äquivalent dazu, dass eine Partition A n P von Ω existiert, sodass 1 An µ A + für alle n N. Definition (N-wertige zufällige Maße). Ein N-wertiges zufälliges Maß µ ist ein zufälliges Maß mit folgenden Eigenschaften: µ(ω, {t} E) 1. Für A B(R + ) E ist µ(, A) eine N-wertige Abbildung. µ ist optional und P-σ-endlich. Definition (Erweiterte Poissonmaße). (i) Ein erweitertes Poissonmaß auf R + E bezüglich einer Filtration (F t ) t ist ein N-wertiges zufälliges Maß µ, sodass gilt: Das positive Maß m auf R + E, mit m(a) := E[µ(A)], ist σ-endlich. Für jedes s R + und jedes A B(R + ) E, sodass A (s, ) E und m(a) <, ist die Zufallsvariable µ(, A) unabhängig von F s. (ii) Das Maß m heißt Intensität von µ. (iii) Falls m({t} E) = für alle t R +, so heißt µ Poissonmaß. Gilt zusätzlich m(dt, dx) = dt F (dx), wobei F ein positives σ-endliches Maß auf (E, E ) ist, so heißt µ homogenes Poissonmaß.
3 Hawkes Prozesse Es sei im Folgenden nun G = (S, E) ein abzählbarer Graph mit Knoten i S und orientierten Kanten e E. Schreibe e = (j, i) E für eine orientierte Kante von dem Knoten j zu dem Knoten i. Weiter seien mit ϕ = (ϕ ji ) (j,i) E, wobei ϕ ji : [, ) R, und mit (h i ) i S, wobei h i : R [, ), eine zu den Kanten, bzw. zu den Knoten assoziierte Familie von Funktionen gegeben. Definition 1 (Hawkes-Prozess). Ein Hawkes-Prozess mit Parametern (G, ϕ, h) ist eine Familie von Zählprozessen (Z i t) t,i S, sodass: (i) Für alle i, j S mit i j gilt: (Z i t) t und (Z j t ) t springen fast sicher nie gleichzeitig. (ii) Für alle i S gilt: Der Kompensator (Λ i t) t von (Z i t) t hat die Form Λ i t = wobei der Prozess (λ i t) t gegeben sei durch λ i t = h i j i Der Prozess (λ i t) t heißt Intensitätsprozess von (Z i t) t. λ i s ds, ϕ ji (t s) dzs j. (1) Ein Hawkes-Prozess heißt linear, falls h i (x) = µ i + x, wobei µ i für alle i S. Existenz und Eindeutigkeit Es sei nun mit (π i (ds, dz)) i S eine Familie von iid (F t ) t -Poissonmaßen mit Intensitätsmaß m(ds dz) = λ 2 auf [, ) [, ) bezeichnet. Definition 2 (Hawkes-Prozesse als Lösung einer SDE). Eine Familie (Z i t) t,i S von (F t ) t -adaptierten càdlàg Prozessen heißt Hawkes Prozess mit Parametern (G, ϕ, h), falls für alle i S und für alle t gilt: Z i t = 1 { z h i ( j i s Lemma (Äquivalenz der Definitionen eines Hawkes-Prozess). ϕ ji (s u) dz j u)} π i (ds, dz) fast sicher. (2) a) Ein Hawkes-Prozess im Sinne von Definition 2 ist ein Hawkes Prozess im Sinne von Definition 1. b) Sei auf (Ω, F, (F t ) t, P) ein Hawkes Prozess (Z i t) t,i S nach Definition 1 gegeben. Dann existiert auf einem (erweiterten) Wahrscheinlichkeitsraum ( Ω, F, ( F t ) t, P) eine Familie (π i (ds, dz)) i S von iid ( F t ) t -Poissonmaßen mit Intensitätsmaßen m(ds, dz) = λ 2 auf [, ) [, ), sodass (Z i t) t,i S ein Hawkes-Prozess nach Definition 2 ist.
4 15. Februar 218 Voraussetzung 1. Es seien (c i ) i S nicht-negative Konstanten, (p i ) i S positive Gewichte und Φ : [, ) [, ) eine lokal integrierbare Funktion. Es gelte außerdem: i) Für alle i S und für alle x, y R: h i (x) h i (y) c i x y ii) i S h i ()p i < iii) Für alle t [, ) und für alle j S: c i p i ϕ ji (t) p j Φ(t) Beispiel. i j (i) Im Falle einer endlichen Menge S ist die Voraussetzung 1 erfüllt, falls h i Lipschitz für alle i S, ϕ ji lokal integrierbar für alle (j, i) E und p i = 1 für alle i S. (ii) Sei S = Z d und E = {(i, j) S S : i j {, 1}}. Die Voraussetzung 1 ist erfüllt mit p i = 2 i, c i = c > und Φ lokal integrierbar, sodass h i Lipschitz mit Konstante c für alle i S, p i h i () < und ϕ jk (t) Φ(t) für alle i S, für i S alle x, y R, für alle (j, k) E und für t. (iii) Für S = Z + und E = {(i, i + 1) : i S} ist die Voraussetzung 1 erfüllt, falls eine lokal integrierbare Funktion Φ und Konstanten c i und a i für alle i S existieren, sodass h i (x) h i (y) c i x y und ϕ i(i+1) (t) a i Φ(t) für alle t. (iv) Ist S = Z d, E = S S und existiere eine Konstante c >, eine lokal integrierbare Funktion Φ und eine nichtwachsende Funktion a : [, ) [, ), so ist die Voraussetzung 1 erfüllt, falls i S a( i ) <, h i () c und h i (x) h i (y) c x y für alle i S und ϕ ji (t) a( i j )Φ(t) für alle (i, j) E und t. Satz (Existenz und Eindeutigkeit). Unter Voraussetzung 1 existiert ein bis auf Ununterscheidbarkeit eindeutiger Hawkes-Prozess (Z i t) t,i S nach Definition 2 mit der Eigenschaft, dass i S p ie[z i t] < für alle t.
5 Propagation of Chaos Voraussetzung 2. Es seien h : R [, ) und ϕ : [, ) R Funktionen mit h(x) h(y) h lip = sup x y < und ϕ L 2 loc ([, ). x y Für N 1 sei G N = (S N, E N ) ein Graph mit Knotenmenge S N = {1,..., N} und Kantenmenge E N = {(i, j) i, j S N }. Setze h N i = h für alle i S N und ϕ N ij = 1 N ϕ für alle (i, j) E N. Definition (Grenzwertgleichung). Sei π(ds, dz) ein Poisson Maß auf [, ) [, ) mit Intensitätsmaß λ 2. Die Gleichung Z t = 1 {z h( s ϕ(s u)de( Z u))} heißt Grenzwertgleichung ( limit equation ). π(ds, dz) t Satz (Existenz und Eindeutigkeit). Unter Voraussetzung 2 existiert eine eindeutige Lösung ( Z t ) t zu der Grenzwertgleichung, sodass (E( Z t )) t lokal beschränkt ist. Bemerkung. Eine Lösung ( Z t ) t der Grenzwertgleichung ist ein verallgemeinerter Poisson Prozess auf [, ). Es sei mit D([, ), R) die Menge der R-wertigen càdlàg Funktionen auf [, ) und mit P(D([, ), R)) die Menge der Wahrscheinlichkeitsmaße auf D([, ), R) bezeichnet. Satz. Es gelte die Voraussetzung 2 und es sei mit (π i (ds, dz)) i=1,...,n eine Familie von iid Poisson Maßen gegeben (mit Intensitätsmaß λ 2 ). i) Zu N 1 lassen sich ein Hawkes-Prozess (Z N,1 t,..., Z N,N t ) t mit den Paramtern (G N, ϕ N, h N ) und eine iid Familie ( Z t) i t,i=1,...,n von Lösungen zu der Grenzwertgleichung konstruieren, sodass für alle T > und alle i = 1,..., N gilt: ( E sup Z N,i t [,T ] ) Z t i C T 1 N, wobei die Konstante C T > nur von h, ϕ und T abhängt. ii) Es gilt die mean-field approximation : 1 N N i=1 δ (Z N,i t ) t L ( ( Z t ) t ) in Wahrscheinlichkeit für N Wobei P(D([, ), R)) mit der Topologie der schwachen Konvergenz ausgestattet sei, die assoziiert ist zu der gleichmäßigen Konvergenz auf kompakten Intervallen (auf D([, ), R)).
6 15. Februar 218 Anhang Lemma 1. Sei φ : [, ) R lokal integrierbar und α : [, ) R cadlag, von lokal endlicher Variation und α() =. Dann gilt für alle t s φ(s u) dα(u) ds = s φ(s u) dα(u) ds = φ(t s)α(s)ds. Lemma 2. Sei φ : [, ) [, ) lokal integrierbar und g : [, ) [, ) lokal beschränkt. 1. Sei u eine lokal beschränkte nicht negative Funktion, sodass für alle t u t g t + φ(t s)u s ds. Dann ist abhängt. sup u t C T sup g t t [,T ] t [,T ] für eine Konstante C T, die nur von T und φ 2. Sei (u n ) n N eine Folge von nicht negativen lokal beschränkten Funktionen, sodass für alle t und für alle n N Dann gilt abhängt. sup t [,T ] n N u n+1 t φ(t s)u n s ds. u n t C T für eine Konstante C T, die nur von T, u und φ 3. Sei (u n ) n N eine Folge von nicht negativen lokal beschränkten Funktionen, sodass für alle t und für alle n N u n+1 t g t + φ(t s)u n s ds. Dann gilt φ abhängt. sup t [,T ] n N sup u n t C T für eine Konstante C T, die nur von T, u, g und Lemma 3. Seien X, Y zwei nicht negative Zufallsvariablen. Dann gilt E [ 1 {z X} 1 {z Y } ] dz = E[ X Y ].
7 Lemma 4. Sei π ein zufälliges erweitertes Poissonmaß mit Intensität m. Dann gilt für jede beschränkte, previsible Abbildung W : (Ω R + E, P) R [ ] E W (ω; s, z)π(ω; ds, dz) = E [ W (ω; s, z) ] m(ds, dz). R + E R + E Lemma 5. Sei h : R [, ) Lipschitz und ϕ : [, ) R lokal integrierbar. Dann besitzt die Gleichung ( s ) m t = h ϕ(s u)dm u ds t (3) eine eindeutige nichtfallende lokal beschränkte Lösung der Klasse C 1 ([, )). Lemma 6. Sei durch (Q N ) N 1 eine Folge von symmetrischen Wahrscheinlichkeitsmaßen auf D([, ), R) N gegeben. Für φ 1,..., φ k C b (D([, ), R)) und k 1 gelte: lim N φ 1 (x 1 ) φ k (x k )dq N (x 1,..., x N ) = k i=1 φ i (x)dq(x) für Q ein Wahrscheinlichkeitsmaß auf D([, ), R). Dann gilt: X N = 1 N N δ Xi Q in Verteilung. i=1 Literatur [1] Sylvain Delattre, Nicolas Fournier, Marc Hoffmann, Hawkes Processes On Large Networks, Université Paris-Diderot, Université Pierre-et-Marie Curie, Université Paris- Dauphine, 216. [2] Jean Jacod, Albert N. Shiryaev, Limit Theorems For Stochastic Processes, Springer- Verlag, 2. Edition, 22. [3] Alain-Sol Sznitman, Topics In Propagation Of Chaos, Springer-Verlag, 1. Edition, 1991.
Stoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
MehrStochastische Analysis
Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
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
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
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
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 ]
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
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 +
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrItô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
MehrMarkierte Punktprozesse und abstrakte kollektive Modelle
Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Markierte Punktprozesse und abstrakte kollektive Modelle Anke Todtermuschke 21. Oktober 2011 Gliederung 1 Modellierung einer Folge
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
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
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrStabilität von Warteschlangen-Netzwerken: Fluid Approximationen und Lyapunov Funktionen
Stabilität von Warteschlangen-Netzwerken: Fluid Approximationen und Lyapunov Funktionen Michael Schönlein, Fabian Wirth Im Rahmen des Forschungsprojekts: Stabilität, Robustheit und Approximation großskaliger
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
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
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
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
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
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
Mehr10 Der Satz von Radon-Nikodym
uch im Sinne einer Vorabinformation vor der Stochastik-Vorlesung wollen wir abschließend kurz absolut stetige Maße und den Satz von Radon-Nikodym streifen. Definition 10.1. Seien (, M) ein messbarer Raum
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
MehrGrundlagen der Verteilungskonvergenz zufälliger Funktionen (vorläufige Version)
KAPITEL 7 Grundlagen der Verteilungskonvergenz zufälliger Funktionen (vorläufige Version) In diesem Kapitel tragen wir die wichtigsten Grundlagen über die Verteilungskonvergenz zufälliger Funktionen zusammen,
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
MehrEindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION
Eindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION zur Erlangung des akademischen Grades doctor rerum naturalium (Dr. rer.
MehrFormelsammlung Analysis I & II
Formelsammlung Analysis I & II Wichtige eindimensionale Integrale: { x s dx = s+ xs+ + C falls s log x + C falls s = exp(x dx = exp(x + C cos(x dx = sin(x + C sin(x dx = cos(x + C sinh(x dx = cosh(x +
Mehr4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.2 Filtrationen und kanonische Filtrationen 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtrationen (A t ) t I 4.4 Gleichgradig
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
MehrMathematik III. Vorlesung 74. Folgerungen aus dem Satz von Fubini. (( 1 3 x3 1 2 x2 y +2y 3 x) 1 2)dy. ( y +2y y +4y3 )dy
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 74 Folgerungen aus dem Satz von Fubini Beispiel 74.1. Wir wollen das Integral der Funktion f :R 2 R, (x,y) x 2 xy +2y 3, über dem Rechteck
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrÜbungen zu Differentialgleichungen (WiSe 12/13)
Übungen zu Differentialgleichungen WiSe 2/) Blatt 6 22 November 202 Gruppenübung Aufgabe G Sei f t, p) := p 5, t, p) R 2 Gegeben sei das Anfangswertproblem ẋ = f t,x), x0) = ) Bestimmen sie das maximale
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrA. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109
A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 11. Oktober 2013 3 Fortsetzung von Prämassen zu Massen Der Begriff des Prämasses ist nicht ausreichend, um eine geschmeidige Integrationstheorie
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
MehrKapitel 7. Martingale 1
Kapitel 7 Martingale 1 7.1 Definition: a) (Ω, F) sei ein messbarer Raum. Eine Filtration (oder Filtrierung) ist eine aufsteigende Folge F = (F n ) n N von Teil-σ-Algebren von F, d.h. F n F n+1 F für n
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
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
MehrListe wichtiger Stammfunktionen
Liste wichtiger Stammfunktionen Funktion Stammfunktion x n, x ln(x) n R \ { } n + xn+ ln( x ) x ln(x) x a x, a > sin(x) cos(x) sin 2 (x) cos 2 (x) x 2 x 2 a x ln(a) cos(x) sin(x) (x sin(x) cos(x)) 2 (x
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrStochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong 8.01.010 1 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen.
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
Mehr7 Der Satz von Girsanov
7 Der Satz von Girsanov Der Satz von Girsanov wird uns eine neue Perspektive auf die Rolle des Drifts liefern. Die Prozesse Brownsche Bewegung B t, Brownsche Bewegung mit Drift X t = B t + µt haben wir
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrDas Prinzip der Suchmaschine Google TM
/9 Das Prinzip der Suchmaschine Google TM Numerische Mathematik WS 20/2 Basieren auf dem Paper The $25,000,000,000 Eigenvector: The Linear Algebra behind Google von Kurt Bryan und Tanya Leise (SIAM Review,
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
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 2 Zufallsgrössen Bevor wir uns den Zufallsgrössen zuwenden (2.3), wollen wir noch kurz 2 Themen vorholen: Allgemeine Bemerkungen zu Abbildungen und Mengen
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
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
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrInhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss
Zufällige Mosaike: Eine Einführung Zhanlong Tao, Tobias Krejci 27.05.2008 Seite 2 Zufällige Mosaike 27.05.2008 Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
Mehr1. Übungsblatt zu Stochastische Prozesse
1. Übungsblatt zu Stochastische Prozesse Aufgabe 1: Es sei (X n ) n N0 ein stochastischer Prozess mit abzählbarem Zustandsraum E. Man zeige: (X n ) n N0 ist genau dann eine Markov-Kette, wenn für alle
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
Mehr