Stochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
|
|
- Daniela Morgenstern
- vor 6 Jahren
- Abrufe
Transkript
1 Dominic Breit
2 Outline 1 Stochastische Integration 2 3
3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer Prozess mit folgenden Eigenschaften. Die Abbildung [, T ] t W t is P-f.s. stetig; Es gilt P {W = } = 1; Die Zuwächse sind stochastisch unabhängig, d.h. für t 3 > t 2 t 1 > t sind W t3 W t2 und W t1 W t unabhängig. Die Zuwächse W t W s für t > s sind N(, t s) verteilt.
4 Brwonsche Bewegung (2) Abbildung: Brownsche Bewegung
5 Das Itô-Integral (1) Für einen stochastischen Prozess (σ t ) t [,T ] definieren wir σ s dw s := lim N N i=1 ( ) σ i 1 N t W i N t W i 1 N t. egeben sei eine Filtration {F t, t 1} mit F s F t F für s t T ; Der Prozess (σ t ) t [,T ] ist an die Filtration adaptiert, d.h. σ t ist F t -messbar für alle t; Konvergenz in L 2 (Ω; C ([, T ])), falls σ L 2 (Ω (, T ); P L 1 ).
6 Das Itô-Integral (2) Für einen stochastischen Prozess (σ t ) t [,T ] definieren wir σ s dw s := lim N N i=1 ( ) σ i 1 N t W i N t W i 1 N t. Wir erhalten E [ σ ] s dw s = ; Es gilt falls der Prozess σ bekannt ist [ ] (σs Var σ s dw s ) s [,t] = σ 2 s ds; Stochastische Integrale können auch bzgl. allgemeineren Prozessen gebildet werden.
7 Differentialschreibwese Finde stochastischen Prozess (X t ) t [,T ] mit dx t = µ(t, X t ) dt + σ(t, X t ) dw t, X () = X. µ, σ : R 2 R stetig und Lipschitz stetig in X, d.h. X zufälliger Startwert; µ(t, X ) µ(t, Y ) L µ X Y ; Als System X = (X 1,..., X N ) mit µ : R R N R N, σ : R R N N R N und W = (W 1,..., W N ).
8 Integralschreibweise Finde stochastischen Prozess (X t ) t [,T ] mit X t = X + µ(s, X s ) ds + σ(s, X s ) dw s. Idee: Picard-Ieration. Xt n := X + µ(s, X n 1 s ) ds + σ(s, X n 1 s ) dw s ; Außerhalb einer P-Nullmenge N gilt sup X m (t) X n (t), m, n ; t (,T ) (X n χ Ω\N [,T ] ) konvergiert gleichmäßig gegen einen stetigen Prozess (X t ) t [,T ].
9 Existenzsatz Theorem Sei ein Wahrscheinlichkeistraum (Ω, F, P) und eine Brownsche Bewegung W = (W t ) t [,T ] über (Ω, F, P) gegeben. Dann gibt es zu jedem X L 2 (Ω, F, P) genau eine starke Lösung der stochastichen Differentialgleichung. Analog zum Staz von Picard-Lindelöff im deterministischen; starke Lösung: X () = X P-f.s.; schwache Lösung: die Wahrscheinlichkeitsverteilungen von X () und X stimmen überein.
10 Itô s Lemma Sei f C 2 (R) und (X t ) t [,T ] ein Semi-Martingal f (X t ) = f (X ) + f (X t ) dx t + f (X t ) d X t. X t ist die quadratische Variation von (X t ) t [,T ] : X t := lim Π(t) k=1 m X tk X tk 1 2 ; mit Π(t) = { = t, t 1,..., t m = t} Zerlegung von [, t]. Beispiel: σ s dw s = t σ2 s ds.
11 Wärmeleitungsgleichung mit Rauschen Finde u : Ω (, T ) R mit du = u dt + Φ(u) dw t, u() = u, u(t) = u + u(s) ds + Φ(u(s)) dw s. Φ : R R Lipschitz stetig, z.b. Φ(u) = u ; u L 2 (Ω ; P L d ) zufälliger Startwert; Für jedes ω Ω ist u(ω,, ) R Funktion in Raum und Zeit.
12 Schwache Formulierung Finde u : Ω (, T ) R mit u(t) ϕ dx = + u ϕ dx ϕ Φ(u(s)) dx dw s u(s) ϕ dx ds für alle ϕ C (), P L1 -f.ü. u L 2 (Ω; L (, T ; L 2 ())) L 2 (Ω; L 2 (, T ; W 1,2 ())); Benutze Itô s Lemma für f (u) = 1 2 u 2 dx.
13 Existenzsatz Theorem Sei ein Wahrscheinlichkeistraum (Ω, F, P) und eine Brownsche Bewegung W = (W t ) t [,T ] über (Ω, F, P) gegeben. Dann gibt es zu jedem u L 2 (Ω; L 2 ()) genau eine Lösung u der stochastichen Wärmeleitungsgleichung. u L 2 (Ω; W k,2 ()) ergibt u L 2 (Ω; C([, T ]; W k,2 ())); Die Brownsche Bewegung ist nirgendwo differenzierbar keine Zeitableitungen von u; Beweis: alerkin-ansatz, Halbgruppen.
14 alerkin-ansatz Schreibe u N = N k=1 cn k (ω, t)e k(x) mit dc k = λ k c k + c k () = u e k dx. e k Φ(u N (s)) dx dw s, (e k ) ONB des L 2 () aus EV des Laplace-Operators: e k e j dx = 1 1 e k e j dx = δ kj ; λk λj System stochastischer Differentialgleichungen für C N = (c N 1,..., cn N ).
15 Halbgruppen Sei S die von erzeugte Halbgruppe (Ku)(t) := S(t)u + S(t s)φ(u(s)) dw s. ODE: y = Ay, y() = y y = e ta y ; PDE: t u = u, u() = u u = e t u ; Halbgruppe entspricht (S(t)) t [,T ] mit S(t) := e t ; Zeige: K hat einen Fixpunkt.
Schwache 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
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
MehrRisikoneutrale Wahrscheinlichkeit
Risikoneutrale Wahrscheinlichkeit M. Gruber 11. 6 214 Rev.3 Zusammenfassung Diskontierter Aktienpreisprozess, Risiko-Marktpreis, Risikoneutralität; Verschiebung des Erwartungswerts einer Zufallsvariablen,
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
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
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
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrStoppzeiten 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
MehrHawkes Prozesse Grundlagen
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
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
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
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
MehrTECHNISCHE UNIVERSITÄT BERLIN BACHELORARBEIT. Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung.
TECHNISCHE UNIVERSITÄT BERLIN Fakultät II Institut für Mathematik BACHELORARBEIT im Studiengang Mathematik über das Thema Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung
MehrEinführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer
Name: Mat.Nr.: Bitte keinen Rotstift oder Bleistift verwenden! 105.59 Einführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer (Dauer 90 Minuten,
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
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
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
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
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
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
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
MehrDie Stochastische Integralgleichung X(t) = a + t
Die Stochastische Integralgleichung X(t) = a + µ(s, X(s))ds + σ(s, X(s))dW (s) Simon Keller 4.12.26 1 Mathematische Grundlagen und Herleitung 1.1 Normalverteilung Eine normalverteilte Zufallsvariable X
Mehr10 Die Feynman-Kac-Formel und das Dirichlet-Problem
Die Feynman-Kac-Formel und das Dirichlet-Problem Die Feynman-Kac-Formel (nach dem Physiker und Nobelpreisträger Richard Feynman und dem Mathematiker Mark Kac) stellt den angekündigten Zusammenhang zwischen
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
Mehr2. Dirichlet-Reihen. Arithmetische Funktionen
2. Dirichlet-Reihen. Arithmetische Funktionen 2.. Eine Dirichlet-Reihe ist eine Reihe der Gestalt a n f(s = n, s wobei (a n n eine Folge komplexer Zahlen und s eine komplexe Variable ist. 2.2. σ a (f :=
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
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
MehrItô s Lemma. Sandro Grunert. SS 09 Seminar Finanzmathematik Technische Universität Chemnitz. Kiyosi Itô
Itô s Lemma Sandro Grunert SS 9 Seminar Finanzmathematik Technische Universität Chemnitz Kiyosi Itô Quelle: www.math.ru/history/people/portrait/99.thumb.jpg. Kurzbiographie: Itô wurde am 7. September 1915
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
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.
MehrDie Bewertung von amerikanischen Basketoptionen
Die Bewertung von amerikanischen Basketoptionen Seminararbeit von Henning Katerkamp 0. April 010 1 Inhaltsverzeichnis 1 Einführung 3 Bewertung des Perpetual Put mit der sogenannten Beibel/Lerche - Methode
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
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
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
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
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
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
MehrAnalysis 3. Weihnachtsblatt Prof. Dr. H. Koch Dr. F. Gmeineder Besprechung: TBC, Januar Aufgabe 1: (Besonders prüfungsrelevant)
Analysis 3 04.12.2018 Prof. Dr. H. och Dr. F. Gmeineder Besprechung: TBC, Januar 2019 Weihnachtsblatt Aufgabe 1: (Besonders prüfungsrelevant) Aufgabe 2: Sei Ω eine Menge und Σ eine σ-algebra auf Ω. Seien
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
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
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
MehrDie α-skalierte Brownsche Brücke: Einige Eigenschaften
Institut für Mathematik Mathematisch-Naturwissenschaftliche Fakultät Universität Potsdam Die α-skalierte Brownsche Brücke: Einige Eigenschaften Masterarbeit von Florian Hildebrandt Matrikelnummer: 754498
MehrGewöhnliche Dierentialgleichungen
Prof. Dr. Guido Sweers WS 28/29 Jan Gerdung, M.Sc. Gewöhnliche Dierentialgleichungen Übungsblatt 6 Die Lösungen müssen in den Übungsbriefkasten Gewöhnliche Dierentialgleichungen Raum 3 im MI) geworfen
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
MehrBeispiele. Grundlagen. Kompakte Operatoren. Regularisierungsoperatoren
Beispiele Grundlagen Kompakte Operatoren Regularisierungsoperatoren Transportgleichung Dierenzieren ( nx ) (f δ n ) (x) = f (x) + n cos, x [0, 1], δ Regularisierung!! Inverse Wärmeleitung Durc f (f δ n
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
Mehr1. Übungsblatt. Markus Reiß Kursusvorlesung Stochastische Prozesse Sommersemester 2006
Sommersemester 26 1. Übungsblatt 1. Zeige: Ist X Poisson(s)- und Y Poisson(t)-verteilt und sind X und Y unabhängig, so ist X + Y Poisson(t + s)-verteilt (t, s > ). Das heißt, es gilt die Eigenschaft einer
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
MehrMusterlösung Klausur zu Analysis II. Verständnisteil
Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex
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
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrStochastische Analysis
Marcel Ortgiese Stochastische Analysis Version vom 29. Januar 215 Vorlesungsmanuskript WiSe 214/215 Westfälische Wilhelms-Universität Münster Inhaltsverzeichnis Einleitung 1.1 Motivation....................................
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
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
Mehr10 Der Integralsatz von Gauß
10 Der Integralsatz von Gauß In diesem Abschnitt beweisen wir den Integralsatz von Gauß, die mehrdimensionale Verallgemeinerung des Hauptsatzes der Differential- und Integralrechnung. Aussage des Satzes
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrInstitut für Analysis WS 2014/15 PD Dr. Peer Christian Kunstmann Dipl.-Math. Leonid Chaichenets
Institut für Analysis WS 4/5 PD Dr. Peer Christian Kunstmann 9..4 Dipl.-Math. Leonid Chaichenets Höhere Mathematik III für die Fachrichtung Physik Lösungsvorschläge zum 5. Übungsblatt Aufgabe : (a) Sei
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
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
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 +
Mehr32 Die Diffusionsgleichung
32 Die Diffusionsgleichung 32.1 Motivation (Wärmeleitungsgleichung) Sei Ω R 3 ein ebiet. Wir betrachten Wärmeleitung in Ω und eine Funktion u = u(t, x), wobei t [0, T ] und x Ω, die die Temperaturverteilung
MehrMetrische äußere Maße, Borel-Maße
Metrische äußere Maße, Borel-Maße Zum einen haben wir mit dem Fortsetzungssatz gesehen, dass man mit einem äußeren Maß (auf P(X) ) stets eine σ-algebra und ein Maß auf dieser bekommt. Liegt nun ein metrischer
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
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:
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
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
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
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,
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
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.
MehrSerie 11 Lösungsvorschläge
D-Math Mass und Integral FS 204 Prof. Dr. D. A. Salamon Serie Lösungsvorschläge. Sei X := [0, ], 2 X orel σ-algebra und λ : [0, ] die Restriktion des Lebesguemasses auf (d.h., λ = m ). Sei µ : [0, ] das
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
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........................
MehrEinführung in die mengenwertige Analysis
Kapitel 1 Einführung in die mengenwertige Analysis Einen umfassenden Einblick in die mathematischen Grundlagen der mengenwertigen Analysis bieten unter anderem die Monographien von Aubin und Cellina [6],
Mehr1 Gewöhnliche Differentialgleichungen
$Id: ode.tex,v 1.12 2012/04/24 18:33:45 hk Exp hk $ 1 Geöhnliche Differentialgleichungen 1.3 Die charakteristische Funktion In der letzten Sitzung hatten ir mit der Behandlung der verschiedenen Abhängigkeitssätze
Mehr5 Die Ito-Formel. 5.1 Herleitung der Ito-Formel
5 Die Ito-Formel Bei der Anwendung der gewöhnlichen Integralrechnung müssen wir nur selten auf die explizite Definition des Integrals als Limes von Riemann-Summen zurückgreifen. Rechenregeln wie der Hauptsatz
MehrKurzskript zur Vorlesung Analysis 2
Kurzskript zur Vorlesung Analysis 2 Prof G Friesecke Zentrum Mathematik, TU München SS 2009 Abstract Dieses Kurzskript ersetzt weder die Teilnahme an, noch die Mitschrift aus, der Vorlesung Es enthält
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
MehrEin Blick über den Tellerrand... mit FreeFem++
Ein Blick über den Tellerrand... mit FreeFem++ Eine Einführung und etwas Theorie Steffen Weißer Universität des Saarlandes 30. Oktober 2015 Gliederung 1 Zum Seminar 2 Was ist eine PDE? 3 Etwas Funktionalanalysis
MehrDiffusionsprozesse und lineare stochastische DGL
Diffusionsprozesse und lineare stochastische DGL Michele Bieber TU Dortmund - Fakultät Statistik 15. Mai 2012 Inhaltsverzeichnis 1 Einleitung 2 Diffusionsprozesse Stochastische DGL eines Diffusionsprozesses
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
Mehr2 Brownsche Bewegung. Wahrscheinlichkeitstheorie III Teil Der Wienerraum
8 Wahrscheinlichkeitstheorie III Teil 3 Brownsche Bewegung Wir haben die Brownsche Bewegung bereits als Grenzwert reskalierter Irrfahrten in der VL WTH II kennengelernt siehe dazu Abschnitt 5.. In diesem
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
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
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
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
Mehrµ( k= U j,k \K j,k ) µ(u j,k \K j,k ) < 2 j ε. µ(u\k j ) < ε.
3.5. LUSIN, TITZE-URYSOHN UND RIESZ 7 3.5. Lusin, Titze-Urysohn und Riesz. Theorem 3.5. (Lusin). Sei f : X R messbar. Zu U X offen mit µ(u) < und ε > 0 gibt es ein kompaktes K U, so dass gilt: () f K stetig,
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
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
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
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
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.
Mehr