1. EINFÜHRUNG INS STATE-PRICING 1
|
|
- August Boer
- vor 6 Jahren
- Abrufe
Transkript
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 mit einem Raum, wo die Welt nur eine endliche Anzahl möglicher Zustände hat. Das heisst, zum Zeitpunkt 1 gibt es nur eine endliche Anzahl möglicher Preise Arbitrage und State-Prices Es gibt S IIN verschiedene Zustände der Welt, {1, 2,..., S}. Ein Agent kann in N IIN Aktive investieren. Die Preise zur Zeit Null sind im Vektor q = (q i ) zusammengefasst, wobei q i den Preis des Aktivs i bezeichnet. Die N S Matrix D bezeichnet die Preise zur Zeit 1. Das ist, D ij ist der Preis des Aktivs i, falls j der richtige Zustand der Welt ist. Der Zeilenvektor θ bezeichnet ein Portfolio. Der Agent kauft θ i Einheiten des i-ten Aktivs. Ein negatives θ i bedeutet, dass der Agent den Aktiv verkauft, ihn aber erst zum Zeitpunkt 1 ausliefert (Forward). Der Kaufpreis des Portfolios ist dann θq. Die möglichen Werte des Portfolios zum Zeitpunkt 1 sind θd, wobei die j-te Koordinate den Wert bezeichnet, falls j der richtige Zustand der Welt ist. Definition 1.1. Ein Portfolio θ heisst Arbitrage, falls θq 0 und θd > 0 (mindestens eine Koordinate ist streng positiv) oder θq < 0 und θd 0. Falls es Arbitrage gibt, ist es möglich, Geld zu generieren. Da in so einem Fall alle Agenten das Arbitrageportfolio kaufen wollen, würde sich der Preis sofort ändern. Eine Arbitrage kann in einem funktionierenden Markt nur kurzzeitig existieren. Wir können daher annehmen, dass es keine Arbitrage gibt. Satz 1.2. Es gibt genau dann keine Arbitrage, wenn ein Vektor ψ IR S mit streng positiven Koordinaten existiert, so dass q = Dψ. Definition 1.3. State-Price-Vektor. Ein Vektor ψ, der die Bedinungen aus Satz 1.2 erfüllt, heisst Beweis. gilt Nehmen wir an, es gebe einen State-Price-Vektor ψ. Ist nun θq 0, so θdψ = θq 0.
2 2 1. EINFÜHRUNG INS STATE-PRICING Da ψ nur streng positive Koordinaten hat, impliziert θd 0, dass θd = 0. Ist θq < 0, folgt θdψ < 0. Also gibt es eine streng negative Koordinate von θd. Definieren wir nun M = {( θq, θd) : θ IR N } and K = IR + IR S +. Keine Arbitrage ist äquivalent mit K M = {0}. Die Mengen M und K \ M sind beide konvex. Daher gibt es eine lineare Funktion F : IR S+1 IR (Lemma E.1), so dass F (z) < F (x) für alle z M und alle x K \ M. Da M ein linearer Unterraum ist, muss F auf M verschwinden. Also gibt es α IR und ψ IR S, so dass F (v, c) = αv + cψ. Da F (v, c) > 0 für alle (v, c) K \ M gilt, ist α > 0 und ψ j > 0 für alle j. Für θ IR N erhalten wir αθq + (θd)ψ = F ( θq, θd) = 0. Somit folgt, dass ψ/α ein State-Price-Vektor ist, da θ beliebig ist. Nehmen wir an, wir wollen den Preis eines neuen Aktivs (z.b. einer Option) bestimmen. Die Werte zum Zeitpunkt 1 sind durch einen Vektor d gegeben. Soll keine Arbitragemöglichkeit geschaffen werden, muss also ein State-Price-Vektor existieren. So ein State-Price-Vektor muss auch State-Price-Vektor im Markt ohne den neuen Aktiv sein. Also sind alle möglichen Preise zur Zeit 0 durch die Formel dψ gegeben sein, wobei ψ ein State-Price-Vektor des Marktes ohne den neuen Aktiv ist. Ist d nicht linear abhänging von den Zeilen von D, wird die Menge der möglichen State- Price-Vektoren verkleinert Risikoneutrale Wahrscheinlichkeiten Wir versehen nun den Markt mit einem Wahrscheinlichkeitsmass IIP. Sei p j die Wahrscheinlichkeit, dass der Zustand j der richtige Zustand ist. Da alle Zustände möglich sein sollen, muss p j > 0 gelten. Sei ψ ein State-Preis-Vektor, und ψ 0 = S j=1 ψ j. Definieren wir das Wahrscheinlichkeitsmass IIP, das den Zuständen die Wahrscheinlichkeiten ˆψ j gilt = ψ j /ψ 0 zuordnet. Dann sind die Masse IIP und IIP äquivalent. Es q i ψ 0 = S D ij ˆψj = IIE [D i ], wobei die Zufallsvariable D i den Wert des i-ten Aktivs bezeichnet. j=1 Nehmen wir nun an, es sei möglich ein Portfolio θ zu konstruieren, so dass θd = (1, 1,..., 1). Ein solches Portfolio würde unabhänging vom Zustand der Welt
3 1. EINFÜHRUNG INS STATE-PRICING 3 zum Zeitpunkt 1 den Wert 1 haben. Der Wert zum Zeitpunkt 0 ist dann θq = θdψ = ψ 0. Der Preis einer risikolosen Einheit ist damit ψ 0, das heisst ψ 0 ist ein risikoloser Diskontierungsfaktor. Somit ist q i = ψ 0 IIE [D i ] der diskontierte erwartete Wert des i-ten Aktivs. Aus diesem Grunde nennt man das Mass IIP risikoneutrales Wahrscheinlichkeitsmass. Wird ein neuer Aktiv mit Auszahlung d zum Markt dazugefügt, so kann der Preis des Aktivs durch ψ 0 IIE [d] ausgedrückt werden, wobei d den Preis des neuen Aktivs bezeichnet Optimaler Nutzen und Preise von Aktiven Wir nehmen nun an, dass es ein Portfolio ˆθ mit der Eigenschaft ˆθD > 0 gibt. Das heisst, es gibt eine Möglichkeit so zu investieren, dass man im Zeitpunkt 1 keine Schulden hat, und in mindestens einem Zustand der Welt nicht alles Kapital verloren hat. Ein Agent ist definiert durch eine streng wachsende Nutzenfunktion U : IR S + IR und ein Einkommen e IR S +. Der Agent handelt mit den N Aktiven, was wir durch ein Portfolio θ darstellen. Da der Agent nicht mehr Geld ausgeben kann, als er hat, muss die Bedingung θq 0 erfüllt sein. Den Betrag θq konsumiert der Agent zur Zeit 0. Das Kapital im Zeitpunkt 1 ist daher in der Menge X (q, e) = {e + θd IR S + : θ IR N, θq 0}. Insbesondere muss der Agent so investieren, dass er im Zeitpunkt 1 keine Schulden hat. Der Agent will nun seinen erwarteten Nutzen optimieren. Er versucht somit ein Portfolio θ zu finden, so dass U(e + θ D) = sup U(c). (1.1) c X (q,e) Ein solches Portfolio muss θ q = 0 erfüllen. Ansonsten gibt es ein λ > 0, so dass (θ + λˆθ)q 0. Da (θ + λˆθ)d > θ D und U wachsend ist, kann θ nicht optimal sein. Die Existenz eines optimalen Portfolios hängt mit der keine Arbitrage Eigenschaft zusammen.
4 4 1. EINFÜHRUNG INS STATE-PRICING Proposition 1.4. Wenn die Gleichung (1.1) eine Lösung hat, kann keine Arbitrage existieren. Falls U stetig ist und keine Arbitrage existiert, dann hat (1.1) eine Lösung. Beweis. Nehmen wir an, dass θ existiert. Sei θ eine Arbitrage. Dann ist λ θq 0 für alle λ > 0. Die Funktion λ U(e + (θ + λ θ)d) ist wachsend in λ, da U streng wachsend ist und θd 0 gilt. Somit muss θd = 0 gelten, da sonst θ nicht existieren könnte. Somit gilt θq < 0. Es gibt daher ein λ > 0, so dass ( θ + λˆθ)q 0. Wir schliessen, dass (θ + θ + λˆθ)d > θ D. Da U streng wachsend ist, ist dies ein Widerspruch. Somit kann keine Arbitrage existieren. Nehmen wir nun an, dass U stetig ist, und dass es keine Arbitrage gibt. Es ist klar, dass X (q, e) abgeschlossen ist. Sei Y = {θ IR N : e + θd IR S +, θq 0}. Die Menge Y ist abgeschlossen und konvex. Da 0 Y ist λθ Y falls θ Y und λ [0, 1]. Sei nun {θ n } eine Folge in Y, so dass θ n. Dann gibt es eine Teilfolge von {θ n / θ n } die konvergiert, sagen wir gegen θ 0. Die Folge λθ n / θ n konvergiert dann gegen λθ 0. Daher ist λθ 0 Y für alle λ > 0. Dies ist nur möglich, falls θ 0 q 0 und θ 0 D 0. Da es keine Arbitrage gibt, gilt θ 0 D = 0. Wir schliessen, dass X beschränkt ist. Somit ist X (q, e) kompakt. Also ist U = sup{u(c) : c X (q, e)} endlich. Da U stetig ist, existiert c, so dass U(c ) = U. Die Menge {θ : θq 0} ist abgeschlossen. Der Beweis oben zeigt, dass es ein Portfolio θ gibt, so dass c = e + θd. Dies ist die Lösung der Gleichung (1.1). Satz 1.5. Nehmen wir an, es gebe eine Lösung zu (1.1), so dass c = e+θ D > 0 streng positive Koordinaten hat. Sei U(c ) die Ableitung von U in c, und nehmen wir an, dass sie existiert und dass die partiellen Ableitungen verschieden von Null sind. Dann gibt es eine Zahl λ > 0, so dass λ U(c ) ein State-Price-Vektor ist. Beweis. Da U wachsend ist, gilt U(c ) 0. Sei θ ein Portfolio mit Preis θq = 0. Wir definieren die Funktion g θ (α) = U(c + αθd).
5 1. EINFÜHRUNG INS STATE-PRICING 5 Die Funktion hat ein Maximum in α = 0. Daher gilt θd U(c ) = 0. Da dies für jeden Vektor θ orthogonal zu q gilt, gibt es ein µ IR\{0}, so dass D U(c ) = µq. Da es, siehe Proposition 1.4, keine Arbitrage gibt, impliziert ˆθD > 0, dass ˆθq > 0. Aus µˆθq = ˆθD U(c ) > 0 folgt, dass µ > 0. Für λ = 1/µ erhält man q = λd U(c ). Da die partiellen Ableitungen strikt positiv sind, ist λ U(c ) Vektor. ein State-Price- Korollar 1.6. Sei U konkav und differenzierbar. Dann ist ein c X (q, e) mit der Eigenschaft c = e + θ D > 0 mit streng positiven Koordinaten und mit θ q = 0 genau dann optimal, wenn es ein λ > 0 gibt, so dass λ U(c ) ein State-Price- Vektor ist. Beweis. Ist c optimal, dann folgt die Aussage aus Satz 1.5. Für die entgegengesetzte Richtung nehmen wir an, es gebe ein θ, so dass U(c + θd) U(c ) und c + θd X (q, e). Dann ist θq 0. Da U konkav ist, gilt 0 d dµ U(c + µθd) = θd U(c ) = λ 1 θq 0. µ=0 Das heisst, U(c +µθd) hat ein Maximum in µ = 0. Daher gilt U(c +θd) = U(c ). Ein Spezialfall ist der erwartete Nutzen. Sei p j die Wahrscheinlichkeit, dass j der richtige Zustand der Welt ist. Sei u : IR + IR eine streng wachsende Funktion. Der erwartete Nutzen ist definiert als U(c) = S p j u(c j ) = IIE[u(c)]. j=1 Ist u differenzierbar, dann ist U(c) = (p j u (c j )) j. Gibt es eine optimale Lösung c der Gleichung (1.1), dann existiert ein λ > 0, so dass q i = λ j D ij p j u (c j).
6 6 1. EINFÜHRUNG INS STATE-PRICING Schreiben wir ψ 0 = j p ju (c j) = IIE[u (c )] und ˆψ j = p j u (c j)/ψ 0, erhalten wir S q i = λψ 0 IIE [D i ] = λψ 0 ˆψ j D ij. Wir können dies als diskontierten erwarteter Profit unter dem Mass IIP interpretieren. j= Äquilibrium, Pareto-Optimalität, vollständige Märkte Nehmen wir and, es gebe m Händler, die alle durch eine Nutzenfunktion U i und Einkommen e i definiert sind. Definition 1.7. Ein Äquilibrium für die Ökonomie {(U i, e i ), D} sind Variablen (θ 1,..., θ m, q), so dass für jeden Händler i e i + θ i D 0 gilt, und θ i die Funktion U i (e i + θd) unter der Nebenbedingung θq 0 maximiert, so dass i θi = 0. Ein Markt heisst vollständig, falls {θd : θ IR N } = IR S. Ein Markt heisst unvollständig, falls er nicht vollständig ist. Sei e = i ei das Gesamteinkommen. Definition 1.8. Eine Konsumverteilung (c 1,..., c m ) (IR S +) m heisst zulässig, falls c c m e. Eine zulässige Konsumverteilung heisst Pareto-optimal, falls für jede zulässige Konsumverteilung (ĉ 1,..., ĉ m ) mit U i (ĉ i ) U i (c i ) für alle i gilt, dass U i (ĉ i ) = U i (c i ) für alle i. Es gibt einen Zusammenhang zwischen vollständigen Märkten und Pareto-Optimalität. Proposition 1.9. Sei der Markt vollständig, und (θ 1,..., θ m, q) ein Äquilibrium. Dann ist die Konsumverteilung (e 1 + θ 1 D,..., e m + θ m D) Pareto-optimal. Beweis. Da j θj D = 0, ist die Konsumverteilung zulässig. Proposition 1.4 impliziert, dass es keine Arbitrage gibt. Nehmen wir an, es gebe eine zulässige Konsumverteilung (ĉ 1,..., ĉ m ), so dass U i (ĉ i ) U i (e i +θ i D), und dass die Ungleichung für mindestens ein i streng ist. Da der Markt vollständig ist, gibt es einen Vektor (ˆθ i ), so dass ĉ i = e i + ˆθ i D. Da die Konsumverteilung zulässig ist, gilt ˆθ i i D 0. Aus der Optimalität folgt, dass θ i q = 0 und ˆθ i i q > 0, da sonst ein j existieren würde, für das θ j nicht optimal wäre. Aber dann ist ˆθ i i eine Arbitrage. Daher muss die Äquilibrium-Konsumverteilung Pareto-optimal sein.
7 1. EINFÜHRUNG INS STATE-PRICING 7 Proposition Nehmen wir an, dass ein State-Price-Vektor ψ existiert. Der State-Price-Vektor ist genau dann eindeutig, wenn der Markt vollständig ist. Beweis. Nehmen wir an, dass der Markt vollständig ist, und dass φ ein State- Price-Vektor ist. Dann gibt es ein θ, so dass θd = (φ ψ). Also gilt (φ ψ) (φ ψ) = θd(φ ψ) = θ(q q) = 0. Daher ist φ = ψ. Nehmen wir an, dass der Markt unvollständig ist. Dann hat nicht jede Gleichung θd = c eine Lösung θ. Das bedeutet, dass es eine nichttriviale Lösung φ IR S der Gleichung Dφ = 0 gibt. Aber dann gibt es ein λ > 0, so dass ψ λφ echt positive Koordinaten hat. ψ λφ ist dann ein State-Price-Vektor Pareto-Optimalität und der repräsentative Händler Für λ IR m + definieren wir die Nutzenfunktion U λ (x) = sup λ i U i (c i ). (1.2) c 1 + +c m x c i IR S + Hilfssatz Sei U i konkav für alle i. Eine Konsumverteilung (c 1,..., c m ), die zulässig ist, ist genau dann Pareto-optimal, wenn es ein λ IR m + mit streng positiven Koordinaten gibt, so dass (c 1,..., c m ) die Gleichung (1.2) an der Stelle x = e = c c m löst. Beweis. Sei (c 1,..., c m ) Pareto-optimal. Definieren wir die Mengen U = {y IR m : y i U i (z i ) U i (c i ), für ein z zulässig} und J = IR m + \ {0}. Dann gilt U J =. Seien y und y zwei Vektoren in U und α (0, 1). Dann gilt αy i + (1 α)y i αu i (z i ) + (1 α)u i (z i ) U i (c i ) U i (αz i + (1 α)z i ) U i (c i ) ; das heisst, U ist konvex. Auch J ist konvex. Somit gibt es einen Vektor λ IR m, der eine lineare Funktion z λz definiert, so dass λy < λz für jedes beliebige Paar y U und z J (Lemma E.1). Da 0 U gilt λz > 0 für zinj und λ hat strikt positive Koordinaten. Da 0 ein Randpunkt von J ist, folgt λy 0 für alle y U. Daher löst (c 1,..., c m ) die Gleichung (1.2). Sei nun (c 1,..., c m ) eine Lösung von (1.2). Sei (ĉ 1,..., ĉ m ) zulässig, so dass U i (c i ) U i (ĉ i ). Als Lösung von (1.2) muss U i (c i ) = U i (ĉ i ) für alle i gelten. Daher ist (c 1,..., c m ) Pareto-optimal.
8 8 1. EINFÜHRUNG INS STATE-PRICING Proposition Seien für alle i die Nutzenfunktionen U i konkav und streng wachsend. Nehmen wir an, dass der Markt vollständig ist, und dass (θ 1,... θ m, q) ein Äquilibrium sei. Dann gibt es ein λ IR m + mit streng positiven Koordinaten, so dass U λ (e) = i λi U i (c i ), wobei (c 1,..., c m ) die Äquilibrium-Konsumverteilung ist. Weiter gilt, dass (0, q) ein Äquilibrium für den Einzelhändlermarkt {(U λ, e), D} ist. Beweis. Da ein Äquilibrium existiert, gibt es keine Arbitrage (Proposition 1.4), und es existiert ein State-Price-Vektor ψ (Satz 1.2). Jeder Händler will seinen Nutzen U i (c i ) = U i (e i + θd) maximieren unter der Nebenbedingung 0 θq = θdψ = (c i e i )ψ. Da der Markt vollständig ist, kann jedes c i IR S + erzeugt werden. Ohne Einschränkung der Allgemeinheit können wir e i > 0 annehmen, da sonst c i = 0 gelten würde. Die Lösung maximiert die Funktion U i (c i ) α i (c i e i )ψ für ein α i IR. Da U i streng wachsend ist, folgt α i > 0. Sei λ i = 1/α i. Für jede zulässige Konsumverteilung (x 1,..., x m ) haben wir ( m λ i U i (c i ) = λ i U i (c i ) c i e )ψ i = λ ( i U i (c i ) α i (c i e i )ψ ) λ ( i U i (x i ) α i (x i e i )ψ ) = λ i U i (x i ). ( m λ i U i (x i ) x i e )ψ i Dies beweist den ersten Teil. Nehmen wir an, es gebe ein x IR S +, so dass U λ (x) > U λ (e) und (x e)ψ 0. Dann muss es eine Konsumverteilung (x 1,..., x m ) geben, so dass i xi = x, i λi U i (x i ) > i λi U i (c i ) und λ i α i x i ψ = xψ eψ = c i ψ = λ i α i c i ψ. Aber dann gilt λ ( i U i (x i ) α i (x i e i )ψ ) > λ ( i U i (c i ) α i (c i e i )ψ ), was ein Widerspruch ist, da es einen Händler i geben muss, so dass c i seinen Nutzen nicht maximiert.
9 1. EINFÜHRUNG INS STATE-PRICING 9 Korollar Falls, zusätzlich zu den Annahmen von Proposition 1.12, e > 0 streng positive Koordinaten hat, und U λ in e differenzierbar ist, dann kann λ so gewählt werden, dass U λ (e) ein State-Price-Vektor ist. Das heisst, q = D U λ (e). Beweis. Aus Korollar 1.6 folgt, dass es ein µ gibt, so dass µ U λ (e) ein State- Price-Vektor ist. Ersetzen wir λ durch λ/µ, folgt die Aussage.
Einführung in die stochastische Finanzmathematik
Vorlesungsnotizen Einführung in die stochastische Finanzmathematik Hanspeter Schmidli Mathematisches Institut der Universität zu Köln INHALTSVERZEICHNIS iii Inhaltsverzeichnis 1. Einführung ins State-Pricing
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
Mehr102 KAPITEL 14. FLÄCHEN
102 KAPITEL 14. FLÄCHEN Definition 14.3.1 (Kurve) Es sei M eine k-dimensionale Untermannigfaltigkeit des R n. Eine C 1 - Kurve γ : ( a, a) R n mit γ(( a, a)) M heißt Kurve auf M durch x 0 = γ(0). Definition
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
Mehr10 Untermannigfaltigkeiten
10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und
MehrMathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 6.5 (das agraökonomische Schaf )
Mathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 65 (das agraökonomische Schaf ) Sascha Kurz Jörg Rambau 25 November 2009 2 66 Die Karush-Kuhn-Tucker-Methode Die Erkenntnisse
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrVorlesung Mathematik für Ingenieure 2 (Sommersemester 2009)
1 Vorlesung Mathematik für Ingenieure 2 (Sommersemester 2009) Kapitel 10: Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 27. März 2009) Differenzialrechnung
Mehr4 Holomorphie-Konvexität. Definition Satz. 42 Kapitel 2 Holomorphiegebiete
42 Kapitel 2 Holomorphiegebiete 4 Holomorphie-Konvexität Wir wollen weitere Beziehungen zwischen Pseudokonvexität und affiner Konvexität untersuchen. Zunächst stellen wir einige Eigenschaften konvexer
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
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,
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrVorlesung Mathematik für Ingenieure II (Sommersemester 2008)
Vorlesung Mathematik für Ingenieure II (Sommersemester 8) Kapitel : Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 8. Mai 8) Differenzialrechnung R R 4
MehrDer Zusammenhang zwischen Arbitragefreiheit und Portfoliooptimierung. Seminararbeit von Johannes Kuhn
Der Zusammenhang zwischen Arbitragefreiheit und Portfoliooptimierung Seminararbeit von Johannes Kuhn 31.05.2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Arbitragefreiheit und Portfoliooptimierung 1 2 Exponentieller
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
MehrKAPITEL 10 DIE INNERE-PUNKTE-METHODE
KAPITEL DIE INNERE-PUNKTE-METHODE F. VALLENTIN, A. GUNDERT Vorteile: + Löst effizient lineare Programme (in Theorie und Praxis) + erweiterbar (zu einer größeren Klasse von Optimierungsproblemen) + einfach
Mehr2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
MehrVorlesung 4: Risikoallokation
Vorlesung 4: Risikoallokation Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie, FS 12 Risikoallokation 1/23 2 / 23 4.1 Einleitung Bisher haben wir uns ausschliesslich
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
Mehr6.1 Holomorphe Funktionen und Potenzreihen. n=0 α n (z z 0 ) n mit Konvergenzradius größer oder gleich r existiert und
Funktionentheorie, Woche 6 Analytische Funktionen 6. Holomorphe Funktionen und Potenzreihen Definition 6. Eine Funktion f : U C C nennt man analytisch in z 0 U, wenn es r > 0 gibt mit B r (z 0 ) U derart,
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
Mehr16. FUNKTIONEN VON MEHREREN VARIABLEN
16. FUNKTIONEN VON MEHREREN VARIABLEN 1 Reelle Funktionen auf dem R 2 Wir betrachten Funktionen f(x 1, x 2 ) von zwei reellen Variablen x 1, x 2, z.b. f(x 1, x 2 ) = x 2 1 + x2 2, g(x 1, x 2 ) = x 2 1
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrMathematik I. Vorlesung 11. Lineare Unabhängigkeit
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 11 Lineare Unabhängigkeit Definition 11.1. Es sei K ein Körper und V ein K-Vektorraum. Dann heißt eine Familie von Vektoren v i, i I,
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrSeminar Optimierung und optimale Steuerung
Seminar Optimierung und optimale Steuerung am 28.06.2008 Thema: Nicht-kooperative n-personen-spiele Martin Schymalla 27. Juni 2008 Gliederung 1 1 Cournot-Duopol 2 2 n-personen-spiele 3 3 Mengenwertige
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrSatz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
MehrBezeichnungen und Hilfsmittel aus der Analysis
Finite Elemente I 169 A Bezeichnungen und Hilfsmittel aus der Analysis A Bezeichnungen und Hilfsmittel aus der Analysis TU Bergakademie Freiberg, WS 2010/111 Finite Elemente I 170 A.1 Normierte Vektorräume
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
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
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrSeminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow
Seminar: Finanzmathematik Portfoliooptimierung im vollständigen Finanzmarktmodell Katharina Hasow 11. Mai 2010 1 Inhaltsverzeichnis 1 Einführung 1 1.1 Nutzenfunktion............................ 1 1.2 Formulierung
MehrA = A A
Musterlösung - Aufgabenblatt 8 Aufgabe 1 Gegeben ist das Polytop P = conv {±e i ± e j : 1 i, j 3, i j} = conv {e 1 + e 2, e 1 e 2, e 1 + e 2, e 1 e 2, e 1 + e 3, e 1 e 3, e 1 + e 3, e 1 e 3, e 2 + e 3,
MehrDie duale Simplexmethode
Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen
MehrProjektionen auf abgeschlossene konvexe Mengen
Projektionen auf abgeschlossene konvexe Mengen Seminarvortrag von Veronika Pick Seminar Optimierung bei Herrn Prof. Dr. F. Jarre Heinrich-Heine-Universität Düsseldorf SS 2006 1 Vorbemerkung Das Seminarthema
MehrHolomorphe Funktionen
1 Kapitel 1 Holomorphe Funktionen 1 Komplexe Differenzierbarkeit Ist z = (z 1,..., z n ) ein Element des C n und z ν = x ν + i y ν, so können wir auch schreiben: z = x + i y, mit x = (x 1,..., x n ) und
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
Mehr78 9. PORTFOLIO THEORIE. Wir vereinfachen nun den Markt. Wir definieren die Rendite des i-ten Aktivs
78 9 PORTFOLIO THEORIE 9 Portfolio Theorie Wir vereinfachen nun den Markt Wir definieren die Rendite des i-ten Aktivs R i = D i q i q i Falls der Aktiv eine Dividende ausbezahlt, ist die Dividende im Preis
MehrD-MATH Funktionalanalysis II FS 2014 Prof. M. Struwe. Lösung 2
D-MATH Funktionalanalysis FS 214 Prof. M. Struwe Lösung 2 1. a) Wir unterscheiden zwei Fälle. Fall 1: 1 < p < : Seien u L p () und (u k ) W 1,p () eine beschränkte Folge, so dass u k u in L p () für k.
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
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
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrKAPITEL 3. Konvexe Funktionen
KAPITEL 3 Konvexe Funktionen Sei F R n ein Definitionsbereich und f : F R eine Funktion. Unter dem Epigraphen von f versteht man die Menge epif = {(x, z) R n+1 x F, z R, z f(x)}. Man nennt f konvex, wenn
MehrKapitel 12. Lagrange-Funktion. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28. f (x, y) g(x, y) = c. f (x, y) = x y 2
Kapitel 12 Lagrange-Funktion Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28 Optimierung unter Nebenbedingungen Aufgabe: Berechne die Extrema der Funktion unter der Nebenbedingung
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrExtremalprobleme mit Nebenbedingungen
Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
Mehr1 Distributionen und der Satz von Frobenius
1 Distributionen und der Satz von Frobenius 1.1 Vorbemerkungen Definition 1.1. Sei M eine d-dimensionale Mannigfaltigkeit, sei (U, ϕ) ein Koordinatensystem auf M mit Koordinatenfunktionen x 1,..., x d.
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
Mehr(c) Ein inneres Produkt (Skalarprodukt) auf H ist eine positiv definite hermitesche Form auf H.
11 Hilberträume Sei H ein Vektorraum über K = R oder K = C. Definition 11.1. (a) Eine sesquilineare Form auf H ist eine Abbildung, : H H K so, dass für alle x, x, y, y H und α, β K gilt αx + βx, y = α
Mehr1.3 Differenzierbarkeit
1 1.3 Differenzierbarkeit Definition Sei B R n offen, a B, f : B R eine Funktion und v 0 ein beliebiger Vektor im R n. Wenn der Grenzwert D v f(a) := lim t 0 f(a + tv) f(a) t existiert, so bezeichnet man
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrPartielle Differentialgleichungen Kapitel 7
Partielle Differentialgleichungen Kapitel 7 Intermezzo zu Distributionen Die Physik hat der Mathematik die Dirac-δ-Funktion gebracht. Diese δ-funktion soll folgende Eigenschaften haben: n δ (x ϕ (x dx
MehrAnalysis II. Vorlesung 44. Partielle Ableitungen
Prof. Dr. H. Brenner Osnabrück SS 2015 Analysis II Vorlesung 44 Sei f: K n K eine durch Partielle Ableitungen (x 1,...,x n ) f(x 1,...,x n ) gegebene Abbildung. Betrachtet man für einen fixierten Index
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.22 2017/05/15 15:10:33 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.5 Abstände und Winkel In der letzten Sitzung haben wir einen orientierten Winkelbegriff zwischen Strahlen mit
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 (x 1, x 2,..., x n ) x 2... f 2 (x 1, x 2,..., x n )... x n f m (x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man:
MehrMusterlösung - Aufgabenblatt 7. Aufgabe 1
Musterlösung - Aufgabenblatt 7 Aufgabe Sei C R n eine nicht-leere abgeschlossene und konvexe Menge. Wir wollen zeigen, dass C als der Durchschnitt ihrer stützenden Halbräume dargestellt werden kann, d.h.
MehrDie Lagrange-duale Funktion
Die Lagrange-duale Funktion Gregor Leimcke 21. April 2010 1 Die Lagrangefunktion Wir betrachten das allgemeine Optimierungsproblem wobei minimiere f 0 über D sodass f i 0, i = 1,..., m 1.1 D = h i = 0,
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
Mehr8.1. DER RAUM R N ALS BANACHRAUM 17
8.1. DER RAUM R N ALS BANACHRAUM 17 Beweis. Natürlich ist d 0 und d(x, y) = 0 genau dann, wenn x = y. Wegen (N2) ist x = x und damit d(x, y) = d(y, x). Die letzte Eigenschaft einer Metrik schließt man
MehrFür die Matrikelnummer M = Dann sind durch A =
Musterlösung zum. Blatt 9. Aufgabe: Gegeben seien m 3 + 2 m m 3 m 2 m 4 + m 7 m 3 A := m m 2 m 2 + 2 m 2 m 4 + m 5 und b := m 6 m 4 + a) Finden Sie eine Lösung x R 7 für die Gleichung Ax =. b) Finden Sie
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrStatistische Entscheidungstheorie
KAPITEL 6 Statistische Entscheidungstheorie 6.1. Verlustfunktion, Risiko, Minimax Schätzer Es sei (, A, (P θ ) θ ) ein statistisches Modell. Das heißt, ist die Menge aller möglichen Stichproben, A ist
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
Mehrdafür muss man aber wissen, dass es ein Nash-GG gibt ... als wissenschaftliche Theorie unbefriedigend
1 KAP 8. Existenz von Nash-Gleichgewichten Heute betrachten wir die Frage: Hat jedes Spiel ein Nash-Gleichgewicht? Warum ist diese Frage interessant? Häufig sind Spiele zu kompliziert, um N-GG explizit
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
MehrNun zeigen wir: wie kann man durch eine Liftung eine neue Unterlösung konstruieren.
56 SS2016 Definition 6.17 (Unterlösung,Oberlösung). Ω R n seieingebietleinelliptischeroperator wie in Bedingung 6.1. Seien a i j, b i c stetig mit c 0 in Ω. Sei f stetig in Ω. Eine Funktion u C(Ω) heißt
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr([0, 1]) und int K = p 1
126 III. Der Satz von Hahn-Banach und seine Konsequenzen wie man durch Einsetzen unmittelbar erkennt. Zeigen wir noch die Halbstetigkeit von f: Sei(x n ) eine Folge in L p (R) mitx n x in L p (R) und f(x
Mehrzul. Kurve g 1 C zul dθ (0) y = dϕ dθ (0) =
2. Grundlagen der nicht-linearen konvexen Optimierung 2.1. Die Karush-Kuhn-Tucker Bedingungen. Unser Basisproblem (NLO) sei geben durch min f(x) NLO g i (x) 0, i I = {1,..., m} x R n f, g i stetig differenzierbar.
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrBasis und Dimension. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Basis und Dimension Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren aus V. 1) (v i ) i I heißt ein Erzeugendensystem von V, wenn Span(v i ) = V. 2) (v i ) i I heißt Basis von
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
Mehr