1. Aufgabenblatt zur Vorlesung Monte Carlo-Algorithmen
|
|
- Reiner Kaiser
- vor 7 Jahren
- Abrufe
Transkript
1 Aufgabeblatt zur Vorlesug 1. Mache Sie sich mit der Beutzug des Mersee Twisters ud ggf. weiterer Geeratore aus Ihrer Stadard-Software vertraut. 2. Welche Eigeschafte erwarte Sie vo Zufallszahle? Nutze Sie Ihre Vorketisse aus der Stochastik. Mache Sie Experimete. Besprechug:
2 Aufgabeblatt zur Vorlesug 1. Für N ud eie auf [0,1] gleichverteilte Zufallsvariable U defiiere wir A i = [(2i 1)/2,2i/2 [ sowie 2 1 X = 1 Ai (U). a) Zeige Sie, daß die Zufallsvariable X eie uabhägige Folge bilde ud jeweils gleichverteilt auf {0,1} sid. b) Betrachte Sie umgekehrt eie uabhägige Folge vo Zufallsvariable X, die jeweils auf {0,1} gleichverteilt sid, ud zeige Sie, daß die durch U = defiierte Zufallsvariable gleichverteilt auf [0,1] ist. X /2 =1 2. Für N ud uabhägige, jeweils auf [0, 1] gleichverteilte Zufallsvariable U ud V defiiere wir Y = U + V U + V [0,1[. Beweise Sie, daß die Zufallsvariable Y gleichverteilt auf [0,1] ud paarweise uabhägig sid. 3. Ei Kasio bietet folgedes Spiel a: I jeder Spielrude erhalte Sie mit Wahrscheilichkeit p de verdoppelte Eisatz oder verliere mit Wahrscheilichkeit 1 p Ihre Eisatz. Dabei ist 0 < p 1/2, beim Roulette-Spiel gilt beispielsweise p = 18/37. Sie betrete das Kasio mit Startkapital x > 0 ud verlasse das Kasio etweder, we Ihr Kapital eie vorgegebee Wert z > x erreicht oder überschritte hat, oder, we Sie bakrott sid. Etwickel, simuliere ud vergleiche Sie verschiedee Spielstrategie. Betrachte Sie etwa die relative Erfolgshäufigkeit i Abhägigkeit vo x, z ud der gewählte Strategie, beispielsweise für x = 100 ud z = 150 oder z = 300. Nahelieged sid folgede Forderuge: ma ka höchstes soviel eisetze, wie ma gegewärtig besitzt, ud alle Größe (z, x, Eisätze) sid atürliche Zahle. 4. Gegebe sei eie große atürliche Zahl k, etwa k = Bereche Sie äherugsweise de Ateil der Paare (a,b) {1,...,k} 2 vo teilerfremde Zahle a ud b. Abgabe ud Besprechug:
3 Aufgabeblatt zur Vorlesug 1. Für Zufallsvariable X,Y L 2 sowie a,b R sei Ŷ a,b = a + bx, ud es gelte σ(x) > 0 sowie σ(y ) > 0. Zeige Sie, daß if E(Y Ŷ a,b ) 2 = E(Y Ŷ a a,b R,b )2 = σ 2 (Y ) (1 ρ 2 (X,Y ) ) mit gilt. a = E(Y ) b E(X), b = Cov(X,Y ) σ 2 (X) 2. Betrachte Sie für das Zählproblem aus Abschitt 2.3 de durch M ( f ) = 1 f (X i ) defiierte radomisierte Algorithmus, der eie uabhägige Folge vo jeweils auf {1,..., N} gleichverteilte Zufallsvariable X 1,...,X verwedet. a) Zeige Sie, daß M erwartugstreu ist ud für alle f F de Fehler besitzt. ( S( f ) (1 S( f )) (M, f ) = σ(m ( f )) = b) Es gelte N = k mit k N. Betrachte Sie de ebefalls erwartugstreue radomisierte Algorithmus M aus Abschitt 2.3 ud zeige Sie, daß ) 1/2 σ 2 ( M ( f )) = σ 2 (M ( f )) 1 2 (v i ( f ) S( f )) 2 für alle f F gilt. 3. Gegebe seie N, K, N mit K N ud N. Eie reellwertige Zufallsvariable X heißt hypergeometrisch verteilt mit de Parameter N, K, ud, falls ( )( )/( ) K N K N P({X = k}) = k k für k N mit max(0, N + K) k mi(,k) gilt. a) Sei G = {1,...,N} ud f : G {0,1}. Für A G setze wir f [A] = f (x). x A
4 Sei Y eie auf G = {A G A = } gleichverteilte Zufallsvariable. Zeige Sie, daß die Zufallsvariable f [Y ] hypergeometrisch mit de Parameter N, K = f [G] ud verteilt ist. b) Zeige Sie E(X) = K N, σ 2 (X) = (N )(N K)K N 2 (N 1) für de Erwartugswert ud die Variaz eier hypergeometrisch mit de Parameter N, K ud verteilte Zufallsvariable X. 4. Uter Verwedug der Notatio aus Aufgabe 2.2 a) defiiere wir Algorithme für das Zählproblem aus Abschitt 2.3 durch wobei wir c R ud 0 < < N aehme. M c, ( f ) = 1/2 + c( f [Y ] /2), a) Zeige Sie, daß M c, geau da erwartugstreu ist, we c = 1/ gilt. b) Zeige Sie, daß M c, für f F de Fehler (M c,, f ) = ( (1 c) 2 (S( f ) 1/2) 2 2 (N ) + c N 1 (1 S( f )) S( f )) 1/2 besitzt. Bestimme Sie de maximale Fehler sup f F (M c,, f ) vo M c, auf F. c) Zeige Sie für die Wahl daß c = ( + ((N )/(N 1)) 1/2) 1, sup (M c,, f ) = if sup (M c,, f ) = 1/2 (1 + ((N 1)/(N )) 1/2) 1 f F c R f F gilt. Was bedeutet dies für große Werte vo N? Abgabe ud Besprechug:
5 Aufgabeblatt zur Vorlesug 1. Gegebe seie α,β ]0,1[ sowie die edliche Mege E = {1,...,K}. Betrachte Sie das durch Q({k}) = c α k, k E, mit geeigeter Kostate c > 0 festgelegte Wahrscheilichkeitsmaß Q auf E sowie die Fuktio f : E R mit f (k) = β k für k E. a) Bestimme Sie c ud de Erwartugswert a = K k=1 f (k) Q({k}) der Zufallsvariable f. b) Sei U gleichverteilt auf [0, 1] ud g: [0, 1] [0, K] defiiert durch g(u) = (lα) 1 l(1 u (1 α K )), u [0,1]. Zeige Sie, daß die Zufallsvariable Z = g(u) die Verteilug Q besitzt. c) Betrachte Sie für die direkte Simulatio zur äherugsweise Berechug vo a die Basisexperimete Y (1) = f (Z) ud Y (2) = K f (X) Q({X}) mit eier auf E gleichverteilte Zufallsvariable X. Vergleiche Sie die beide Basisexperimete hisichtlich Variaz, Koste ud dem Produkt aus Koste ud Variaz, ud führe Sie Experimete durch. 2. Betrachte Sie die erste der beide Mote Carlo-Methode zur Berechug vo π, die i Abschitt vorgestellt wurde. Zeige Sie, daß die Approximatio des Viertelkreises B durch ei eibeschriebees Dreieck ud die Vermiderug des Quadrates G um ei geeigetes Dreieck zu eier Methode mit reduzierter Variaz führt. Wie läßt sich die eue Methode implemetiere, so daß der Vorteil reduzierter Variaz erhalte bleibt? 3. Implemetiere Sie die i Abschitt beschriebee Mote Carlo-Methode zur umerische Itegratio für G = [0,1] d ud führe Sie uter aderem Experimete mit de Gez-Fuktioe i verschiedee Dimesioe d durch. Stelle Sie Ihre Ergebisse auch graphisch dar. 4. Betrachte Sie die Trapezregel T +1 ( f ) = 1 ( ) 1 f (0)/2 + f (i/) + f (1)/2 zur Approximatio des Itegrals vo Fuktioe f : [0,1] R. a) Zeige Sie, daß 1 f (x)dx T +1 ( f ) L für Lipschitz-stetige Fuktioe f mit Lipschitz-Kostate L gilt. b) Leite Sie für Fuktioe f C 2 ([0,1]) eie asymptotisch bessere Abschätzug her. Abgabe ud Besprechug:
6 Aufgabeblatt zur Vorlesug 1. Bereche Sie äherugsweise de Erwartugswert der Fläche eies Dreiecks, desse Eckpukte drei zufällige Pukte aus dem Eiheitsquadrat sid. Nach dem i Abschitt Gesagte ist V (Quadrat) = 11/144 der gesuchte Wert. Verwede Sie, daß f (x) = 1 2 x 1y 2 + x 2 y 3 + x 3 y 1 x 1 y 3 x 2 y 1 x 3 y 2 die Fläche des Dreiecks mit de Ecke (x 1,y 1 ), (x 2,y 2 ) ud (x 3,y 3 ) ist. Zu bereche ist also V (Quadrat) = f (x)dx. [0,1] 6 2. Sei Ω die Mege aller Permutatioe vo {1,...,}, P ei Wahrscheilichkeitsmaß auf der Potezmege vo Ω ud X i (ω) = ω i für ω Ω ud i = 1,...,. a) Zeige Sie, daß P geau da die Gleichverteilug auf Ω ist, we ud P({X 1 = x}) = 1/ P({X i = x} {X 1 = x 1 } {X i 1 = x i 1 }) = 1/( i + 1) für i = 2,..., ud alle paarweise verschiedee x,x 1,...,x i 1 {1,...,} gilt. b) Etwerfe Sie eie Algorithmus, der zufällige Permutatioe vo {1,...,} gemäß der Gleichverteilug erzeugt. Aalysiere Sie die Koste Ihres Algorithmus. 3. Bestimme sie äherugsweise die Azahl aller fixpuktfreie Permutatioe vo {1,..., } mit = Betrachte Sie ei Cox-Ross-Rubistei-Modell mit X 0 = 1, T = 1000, u = 1.01, d = 0.99, r = Bewerte Sie eie Europäische Call mit Ausübugspreis K = 0.5 ud die etsprechede up-ad-out Optio mit Barriere L = 2. Bestimme Sie eie Barriere, so daß der zugehörige up-ad-out Call etwa halb so teuer wie der Call ist. Abgabe ud Besprechug:
7 Aufgabeblatt zur Vorlesug 1. Sei Y eie Zufallsvariable mit 0 Y 1. Zeige Sie, daß σ 2 (Y ) 1/4 ud daß Gleichheit geau da vorliegt, we Y die Werte 0 ud 1 jeweils mit Wahrscheilichkeit 1/2 aimmt. 2. Sei f : G R eie beschräkte meßbare Fuktio auf eier Mege G R d mit 0 < λ d (G) <. Bekat sei die Schrake sup x G f (x) c. Betrachte Sie die klassische Mote Carlo-Methode D zur Approximatio vo a = G f (x)dx, ud bestimme Sie für ε > 0 ud 0 < δ < 1 eie (möglichst kleie) Azahl vo Wiederholuge, so daß gilt. P({ D a ε}) δ Bereche Sie für kokrete Fuktioe f ud ε = 10 2 sowie δ = 1/20 durch direkte Simulatio die etsprechede Wahrscheilichkeit P({ D a ε}) ud vergleiche Sie diese mit δ. 3. Sei N ugerade ud α ]0,1/2[. Betrachte Sie die -malige Wiederholug eies Basisexperimets, das mit Wahrscheilichkeit 1/2 + α eie gesuchte Wert a liefert. Beweise Sie: die Wahrscheilichkeit, i mehr als der Hälfte der Wiederholuge des Basisexperimets de Wert a zu erhalte, beträgt midestes 1 exp( 2α 2 ). 4. Zeige Sie folgede Verallgemeierug der Hoeffdig-Ugleichug. Sei X 1,...,X eie uabhägige Folge vo Zufallsvariable, die 0 X i 1 sowie 0 < E(X i ) < 1 erfülle. Wir defiiere M = 1 Da gilt für alle ε ]0,1 a[ ud N wobei H(ε,a) wie i Satz 3.10 defiiert ist. X i, a = 1 E(X i ). P({M a ε}) exp( H(ε,a)), Abgabe ud Besprechug:
8 Aufgabeblatt zur Vorlesug 1. Ergäze Sie eie Auswahl Ihrer bisher durchgeführte Experimete um die Agabe vo (asymptotische) Kofidezitervalle. Bereche Sie bei der direkte Simulatio immer auch die empirische Variaz ud damit eie Schätzug des Fehlers der Methode. 2. Etwerfe ud implemetiere Sie eie Algorithmus zur Simulatio der Arkussius-Verteilug, die durch die Dichte { 1/π (x (1 x)) 1/2, falls 0 < x < 1, h(x) = 0, sost, gegebe ist. 3. Gegebe sei eie Zufallsvariable X ud reelle Zahle a < b mit P({X ]a, b]}) > 0. Betrachte Sie die durch Q(A) = P({X A} {X ]a,b]}) für meßbare Mege A R defiierte sogeate bedigte Verteilug vo X gegebe {X ]a, b]}. Modifiziere Sie die Iversiosmethode zur Simulatio vo P X, so daß Sie eie Methode zur Simulatio vo Q erhalte. 4. a) Stelle Sie Berechuge zur Neutroediffusio durch eie Platte aus Blei a ud vergleiche Sie Ihre Recheergebisse mit de Abbilduge 4.1 bis 4.3. Was ergebe aaloge Rechuge, we ma Blei durch das Kalium-Isotop 41 K ersetzt? Der Absorptiosquerschitt ist da σ ab = 1, cm 2, der Streuquerschitt ist σ st = 1, cm 2. b) Es scheit plausibel, daß bei große Waddicke h für die etsprechede Durchgagswahrscheilichkeite p (+) (h) α h mit α ]0,1[ gilt. Bestimme Sie uter dieser Aahme eie Näherugswert für α auf Basis Ihrer Simulatiosergebisse. Abgabe ud Besprechug:
9 Aufgabeblatt zur Vorlesug I de folgede beide Aufgabe betrachte wir das Ruiproblem mit seier Modellierug gemäß Beispiel Für t,x N sei f (x,t) = P({T t} {X T = z}) die Wahrscheilichkeit dafür, daß der Spieler mit Startkapital x bis zur Zeit t sei Zielkapital z erreicht hat. a) Beweise Sie für t 2 die Rekursiosformel f (x,t) = p f (x + 1,t 1) + (1 p) f (x 1,t 1). b) Etwickel ud implemetiere Sie eie Algorithmus zur Berechug ud graphische Darstellug der Fuktio x f (x,t). 2. Zeige Sie, daß durch S = if{t N V t = V t+1 } keie Stoppzeit bezüglich (V t ) t N defiiert wird. 3. Wir betrachte eie Variate des Ruiproblems: der Spieler spielt mit Startkapital x = 1 bis zum Bakrott. Utersuche Sie per direkter Simulatio für p = 1/2 die mittlere Spieldauer. 4. Seie S,T : Ω N Stoppzeite bezüglich eier Folge (V t ) t N vo reellwertige Zufallsvariable. a) Zeige Sie, daß A T eie σ-algebra ist. b) Zeige Sie A S A T, falls S(ω) T (ω) für alle ω Ω. Abgabe ud Besprechug:
10 Aufgabeblatt zur Vorlesug 1. Sei T : Ω N eie Stoppzeit bezüglich eier uabhägige Folge (V t ) t N vo reellwertige Zufallsvariable, ud gelte P({T < }) = 1. Beweise oder widerlege Sie folgede Verallgemeierug vo Satz 3.24: P(A A ) = P(A) P(A ), A A T, A A T. 2. Die Gammaverteilug mit Parameter α,β > 0 besitzt die Quasi-Dichte { x α 1 exp( βx), falls x > 0, h(x) = 0, sost. a) Etwerfe ud implemetiere Sie eie auf der Verwerfugsmethode beruhede Algorithmus zur Simulatio der Gammaverteilug im Falle α 1. Bestimme Sie die Akzeptazwahrscheilichkeit Ihres Algorithmus. b) Etwerfe ud implemetiere Sie eie Algorithmus zur Simulatio der Gammaverteilug im Falle 0 < α < 1. Hiweis: Kombiiere Sie die Verwerfugsmethode mit der Kompositiosmethode, siehe Müller-Grobach, Novak, Ritter (2012, p. 128). 3. Betrachte Sie uabhägige Zufallsvariable U 1,...,U d, die jeweils auf [0,1] gleichverteilt sid. Die zugehörige Ordugs-Statistik (U (1),...,U (d) ) ergibt sich durch Aorde der Werte vo U 1,..., U d i aufsteigeder Reihefolge. a) Zeige Sie, daß (U (1),...,U (d) ) gleichverteilt auf dem Simplex {x [0,1] d x 1 x d } ist. b) Sei X i = U (i) U (i 1) mit U (0) = 0. Zeige Sie, daß (X 1,...,X d ) gleichverteilt auf dem Simplex S = {x [0,1] d d x i 1} ist. 4. Etwerfe ud implemetiere Sie Algorithme zur Simulatio der Gleichverteilug auf folgede Mege: a) Ellipse i R 2, b) Trapeze i R 2, c) Dreiecke i R 2, d) Eiheitskugel i R d. Diskutiere Sie auch die Koste Ihrer Algorithme. Bei d) sollte die Koste proportioal zur Dimesio d sei. Abgabe ud Besprechug:
11 Aufgabeblatt zur Vorlesug 1. Zeige Sie, daß (X t ) t {0,...,T } geau da eie zeit-diskrete eidimesioale Browsche Bewegug mit Startwert ull ud Zeithorizot T ist, we (X 0,...,X T ) ormalverteilt mit Erwartugswert ull ud Kovariazmatrix Σ = (mi(s,t)) 0 s,t T ist. 2. Für 0 < β < 1 ud s,t 0 sei Ferer sei mit fest gewählte Pukte 0 < t 1 < < t d. K(s,t) = 1/2 (s 2β +t 2β s t 2β ). Σ = (K(t i,t j )) 1 i, j d a) Zeige Sie, daß Σ im Falle β = 1/2 positiv defiit ist. Ergäzug: die positive Defiitheit gilt auch für β 1/2. b) Simuliere Sie eie d-dimesioale Zufallsvektor X, der ormalverteilt mit Erwartugswert ull ud Kovariazmatrix Σ ist. Wähle Sie etwa d = 100 oder d = 1000, t i = i/d ud β = 0.1,...,0.9. Plotte Sie für verschiedee Realisieruge vo X die stückweise lieare Iterpolatio der Date (t i,x i (ω)), wobei t 0 = X 0 = 0 gesetzt sei. 3. Gegebe sei eie uabhägige Familie vo jeweils stadard-ormalverteilte Zufallsvariable Z 0,Z 1,1,Z 2,1,Z 2,3,...,Z m,1,z m,3,...,z m,2 m 1. Wir defiiere X 0 = 0, X 2 m = 2 m/2 Z 0 ud rekursiv für l = 1,...,m ud i = 1,3,...,2 l 1. X i 2 m l = (X (i 1) 2 m l + X (i+1) 2 m l)/2 + 2 (m l)/2 Z l,i a) Zeige Sie, daß (X t ) t {0,...,2 m } eie zeit-diskrete eidimesioale Browsche Bewegug mit Startwert ull ud Zeithorizot 2 m ist. b) Implemetiere Sie eie etsprechede Algorithmus für die Simulatio der Browsche Bewegug. 4. Betrachte Sie ei Black-Scholes-Modell mit zwei Aktie, dere Afagspreise x (1) 0 = 100 ud x (2) 0 = 120 betrage. Ferer seie r = 0.06 ud ( ) L = die auf ei Jahr bezogee Zisrate bzw. Volatilitätsmatrix. Bewerte Sie eie Basket-Optio mit Aktieateile α 1 = 1 ud α 2 = 2, mit Ausübugspreis K = 350 ud Ausübugszeitpukt i eiem Jahr. Abgabe ud Besprechug:
12 Aufgabeblatt zur Vorlesug 1. Die Zufallsvariable X besitze eie Pareto-Verteilug mit Parameter α ud κ. a) Sei γ > 0. Zeige Sie, daß X γ geau da itegrierbar ist, we γ < α erfüllt ist. b) Bestimme Sie die Lebesgue-Dichte der Verteilug vo X ud zeige Sie E(X) = κ/(α 1) im Falle α > 1 sowie σ 2 κ 2 α (X) = (α 1) 2 (α 2), für α > Betrachte Sie das Cramér-Ludberg-Modell mit dem Zeithorizot T > 0. a) Etwickel ud implemetiere Sie eie Algorithmus zur Berechug der Wahrscheilichkeit, daß der Gesamtschade zur Zeit T eie Schrake s > 0 übersteigt. b) Etwickel ud implemetiere Sie eie Algorithmus zur Simulatio ud graphische Darstellug vo Pfade des Risikoreserveprozesses (R t ) t [0,T ]. c) Etwickel ud implemetiere Sie eie Algorithmus zur Berechug der Ruiwahrscheilichkeit. Stelle Sie i a), b), c) die Pareto-Verteilug, die Logormalverteilug ud die Gammaverteilug als Schadeshöheverteilug zur Verfügug ud führe Sie Vergleiche durch. 3. Sei G = ]0,1[ 2. Etwickel ud implemetiere Sie eie Algorithmus zur Visualisierug des harmoische Maßes auf G zu eiem frei wählbare Startwert x G. 4. Für Pukte (z 1,y 1 ),...,(z,y ) R 2, die {z 1...,z } > 1 erfülle, setze wir ud b = y i z i 1/ y i z i z2 i 1/ ( z i) 2 g(t) = 1 y i + b ( t 1 z i ), t R. Die Fuktio g defiiert die sogeate Regressiosgerade zu de Pukte (y i,z i ). Zeige Sie mit Hilfe des Ergebisses aus Aufgabe 3.1, daß für jede affi-lieare Fuktio h gilt. (y i g(z i )) 2 (y i h(z i )) 2 Abgabe ud Besprechug:
13 Aufgabeblatt zur Vorlesug 1. a) Betrachte Sie eie d-dimesioale Zufallsvektor X, der symmetrisch verteilt bezüglich µ R d ist, ud eie Fuktio f : R d R, so daß f (X) quadratisch itegrierbar ist. Zeige Sie σ 2 (Ỹ ) < 1 2 σ 2 (Y ) Cov( f (X), f (2µ X)) < 0 für die Zufallsvariable Y = f (X) ud Ỹ = f g (X). b) Zeige Sie ferer, daß im Falle d = 1 die strege Mootoie vo f hireiched für σ 2 (Ỹ ) < 1 2 σ 2 (Y ) ist. 2. Sei h eie stetige positive Lebesgue-Dichte auf R ud bezeiche H die zugehörige Verteilugsfuktio. Zeige Sie 1 f (x) h(x)dx = f (H 1 (x))dx R für f : R R, falls das Lebesgue-Itegral vo f h über R existiert. 3. Betrachte Sie die Bewertug eies asiatische Calls mit Ausübugspreis K ud Ausübugszeitpukt T N i eiem eidimesioale zeitdiskrete Black-Scholes-Modell X = (X 0,...,X T ) mit Afagswert x 0 > 0, Volatilität σ > 0 ud Zisrate r > 0 uter Verwedug der Zufallsvariable (( T ) 1/T ) + c(x) = t K t=1x 0 als cotrol variate, siehe Beispiel Implemetiere Sie die direkte Simulatio D,b mit Basisexperimet Ỹ b ud die Methode M gemäß (5.5) sowie die zugehörige asymptotische Kofidezitervalle. Wähle Sie die Parametereistelluge aus Beispiel 4.25, ud führe Sie umerische Experimete zum Vergleich der Methode D 2 = D 2,0 mit de Verfahre D,b ud M durch. Abgabe ud Besprechug:
14 Aufgabeblatt zur Vorlesug 1. Im folgede werde die Bezeichuge aus Abschitt 5.3 verwedet. Bei der praktische Durchführug der Methode M prop des stratified samplig mit proportioale Wiederholugsazahle betrachte wir das Verfahre M prop m ( = f ( X ( j) ) ) i mit j = p j für j = 1,...,m. a) Zeige Sie, daß die Zufallsvariable asymptotisch stadard-ormalverteilt sid. j=1 1/2 p j 1 j j ( m j=1 p j σ 2 (Mprop a) j )1/2 b) Kostruiere Sie asymptotische Kofidezitervalle der Form zum Niveau 1 δ für a. [M prop L,M prop + L ] 2. Etwerfe ud implemetiere Sie eie Algorithmus zum stratified samplig im Cox-Ross- Rubistei-Modell, wobei die Schichte durch die mögliche Edpreise der Aktie defiiert sid. 3. Wir vergleiche das Verhalte der Methode D, ud M aus Abschitt 5.5 für quadratisch itegrierbare Fuktioe f : [0,1] R, die weig Glattheit besitze. a) Zeige Sie (M, f ) f 2 1/2. b) Kostruiere Sie eie Fuktio f mit lim (D,, f ) =. c) Fomuliere Sie Bediguge a f, die hireiched für die Kovergez vo (D,, f ) gege ull sid. d) Utersuche Sie aalytisch oder durch umerische Experimete das Kovergezverhalte vo D, für die Fuktio { x α 1, für x ]0,1], f (x) = 0, für x = 0, wobei α ]1/2,1[. 4. Zeige Sie, daß die Methode M der zufällige Riema-Summe für Hölder-stetige Fuktioe mit Expoet β midestes die Kovergezordug β + 1/2 besitzt. Abgabe ud Besprechug:
15 Aufgabeblatt zur Vorlesug 1. a) Sei δ > 0. Kostruiere Sie stetig differezierbare Approximatioe g der Betragsfuktio auf R, die sup x R x g(x) δ, sup x R g (x) = 1 ud g(0) = 0 bzw. g(x) = x für x δ erfülle. b) Beutze Sie Teil a), um die i de Beweise der Sätze 7.8 ud 7.36 verwedete Fuktioe f 1 bzw. g i zu kostruiere. 2. Betrachte Sie die klassische direkte Simulatio D auf F 1 d. a) Zeige Sie (D, f ) = d/(12) für f (x) = d (x i 1/2). b) Sei X gleichverteilt auf [0,1] d. Zeige Sie σ 2 ( f (X)) d/12 für f Fd 1, ud folger Sie, daß (D,F 1 d ) = d/(12). 3. Betrachte Sie das Itegratiosproblem für die Mege F der mootoe Fuktioe f : [0, 1] [0, 1] mit f (0) = 0 ud f (1) = 1, ud beweise Sie folgede Aussage. a) Die Quadraturformel besitzt de Fehler (Q,F) = 1/(2 + 2). Q ( f ) = ( ) i + 1 f + 1 b) Mit beliebige determiistische Algorithme läßt sich kei kleierer Fehler erreiche, de es gilt ẽ det (F) = 1/(2 + 2). c) Mit adaptive Mote Carlo-Methode erreicht ma die Kovergezordug 3/2. Kostruiere Sie etsprechede Verfahre durch stratified samplig mit de Teilitervalle A j = [( j 1)/m, j/m] ud Kotezahle j, die vom Zuwachs f ( j/m) f (( j 1)/m) des Itegrade f auf A j abhäge. Abgabe ud Besprechug:
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrÜbungen zur Analysis 3
Mathematisches Istitut der Uiversität Müche Prof Dr Fraz Merkl Witersemester 0/04 Blatt 9 050 Übuge zur Aalysis 9 addichte eier Gleichverteilug Die Gleichverteilug auf dem Dreieck ist das Maß : {(a, b)
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
Mehr1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch
Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,
f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrFür eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrÜbung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }
MehrZinsratenmodelle in stetiger Zeit: Teil II
Zisratemodelle i stetiger Zeit: Teil II Simoe Folty 1.11.006 1. Vasicek Modell (1977) 1.1 Eiführug Vasicek schlug das folgede Modell für die risikofreie Zisrate r(t) vor, basiered auf der SDGL d r t α
MehrBesprechung: S. 1/1
Übug 8 Aufgabe 8.1 Sei P R ei Polytop mit P Z =vert(p ). Zeige Sie, dass vert(p ) 2. Aufgabe 8.2 Sei P V ei ratioales Polyeder. Zeige Sie, dass P ebefalls ei ratioales Polyeder ist. Aufgabe 8.3 Sei u 1,...,u
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrZahlentheoretische Identitäten und die Eisensteinreihe vom Gewicht 2. Inhaltsverzeichnis
Zahletheoretische Idetitäte ud die Eisesteireihe vom Gewicht 2 Vortrag zum Semiar zur Fuktioetheorie II, 3.2.203 Lukas Schürhoff Ihaltsverzeichis Wiederholug ud Vorbereitug 2 2 Zahletheoretische Idetitäte
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrGaußsches Integral und Stirling-Formel
Gaußsches Itegral ud Stirlig-Formel Lemma. Gaußsches Itegral Es gilt für alle a > : e ax dx π a Beweis: Wir reche: e dx ax e ax dx e ay dy e ax e ay dx dy mit dem Satz vo Fubii e ax +y dx dy. Nu verwede
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrProbeklausur zur Analysis I WS 11/12 Prof. Dr. G. Wang Dr. A. Magni. Beginn: 8:15 Uhr. Name:...Vorname:... Matr.Nr.:...Studiengang:...
Probeklausur zur Aalysis I WS / Prof. Dr. G. Wag 3.. Dr. A. Magi Begi: 8:5 Uhr Ede: Name:..........................Vorame:............................ Matr.Nr.:........................Studiegag:.........................
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrLangrange-Multiplikators und Hinreichende Bedingungen
Albert Ludwigs Uiversität Freiburg Abteilug Empirische Forschug ud Ökoometrie Mathematik für Wirtschaftswisseschaftler Dr. Sevtap Kestel Witer 008 10. November 008 14.-4 Lagrage-Multiplikators ud Hireichede
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrKapitel 2: Stochastische Prozesse. Copyright M. Gross, ETH Zürich 2006, 2007
Kaitel 2: Coyright M. Gross, ETH Zürich 2006, 2007 Bedigte Verteiluge Ebeso a die Verbudwahrscheilicheit vo Zufallsvariable über bedigte Wahrscheilicheite ausgedrüct werde i i,, i,, Wiederum ommt eie Produtregel
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrGrundlagen: Algorithmen und Datenstrukturen
Techische Uiversität Müche Fakultät für Iformatik Lehrstuhl für Effiziete Algorithme Dr. Hajo Täubig Tobias Lieber Sommersemester 2011 Übugsblatt 1 13. Mai 2011 Grudlage: Algorithme ud Datestrukture Abgabetermi:
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrKlausur zum Grundkurs Höhere Mathematik I
Korrektur 6.06.06:.,3. ; 7.07.06: 3. Name, Vorame: Studiegag: Matrikelummer: 3 4 5 6 Z Pukte Note Klausur zum Grudkurs Höhere Mathematik I für BNC, GtB, MB, EC, TeM, VT, KGB, WWT, ESM, FWK, BGi, WiW 0.
MehrAnalysis Übungen Hausaufgaben für 4. April
Aalysis Übuge Hausaufgabe für 4. April Reihe sg 1. AN 8.2. c), AN 8.9. a). 2. Beweise die otwedige Bedigug für die Kovergez eier Reihe: we a koverget ist, da lim a = 0. (I der Praxis: we lim a 0, da ist
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
Mehr