Einführung in das quantitative Asset Management

Größe: px
Ab Seite anzeigen:

Download "Einführung in das quantitative Asset Management"

Transkript

1 Enführung n das quanttatve sset Management 1. Enletung Unter sset Management, zu Deutsch Vermögensverwaltung, versteht man kurz gesagt den strukturerten ufbau und de Verwaltung von Vermögen n der Zet. Wr unterstellen her, dass deser rozess strukturert stattfndet. De Exstenz enes solchen rozesses st grundsätzlch wetgehend unabhängg vom Startvermögen. Im sset Management, der ortfolotheore und m Rsk Management fndet be der etrachtung von rskobehafteten nlagen, we kten und onds ene hohe bstrakton von der enzelnen nlage statt, ndem dese durch de Vertelungen hrer Rendten beschreben werden. Harry Markowtz legte n den 1950er Jahren de Grundlagen für analytsch funderte Dversfkatonsstrategen be rskobehafteten Fnanzanlagen 1. Für den nleger geht es dabe um de Frage, we er enen gegebenen Geldbetrag mt möglchst gerngem Rsko n ene Rehe unterschedlcher nlagegüter nvestert soll, so dass er ene gewünschte Mndestrendte erwarten darf. Zel st also de estmmung enes ortfolos, d.h. der relatven ntele der nlagegüter an der Gesamtnvesttonssumme, das unter den bekannten räferenzen des nlegers optmal st. Markowtz wes darauf hn, dass für enen ratonal handelnden nleger nur effzente ortfolos n Frage kommen, und beschreb, we sch de Menge der effzenten ortfolos unter gewssen nnahmen bestmmen lässt. De (zukünftge) Rendte enes ortfolos wrd dabe als Zufallsvarable betrachtet, deren Standardabwechung 3 als Maβ für das Rsko des ortfolos dent. ls Engangsparameter des Markowtz-Modells denen de Erwartungswerte, Standardabwechungen und Korrelatonen bzw. Kovaranzen der (zukünftgen) Rendten der nlagegüter, de praktsch zumest mt Hlfe hstorscher Daten geschätzt werden. Wenn wr von der Wahl des nlagehorzontes abstraheren, seht sch eder nleger be der uftelung senes Vermögens grundsätzlch dre mtenander verbundenen Fragen gegenüber. 1. In welche ssetklassen soll nvestert werden?. Welche spezellen Vertreter der ssetklassen sollen ausgewählt werden? 3. Wevel soll n de enzelnen ssets nvestert werden? Theoretsch kann en belebger nleger we Se oder der Verfasser deser Zelen zwschen berzehntausenden von verschedenen Geldanlagen wählen. Enge wchtge ssetklassen snd zum espel Festgeld, Tagesgeld, Sparbücher, kten, nlehen, Rohstoffe, Währungen, Immoblen, Kunst, refmarken, Fonds aller Couleur, usw. uf all de genannten nlageklassen ex refmarken exsteren ferner Dervate mt den unterschedlchsten 1 Man vergleche dazu MRKOWITZ (195) und MRKOWITZ (1959). Ene ausführlche Darstellung des Markowtz-Modells fndet man n ELTO, GRUER ET L. (007). En ortfolo X domnert en ortfolo Y, wenn sene erwartete Rendte mndestens so groß st we de von Y und sen Rsko echt klener, oder, wenn sen Rsko höchstens so groß st we das von Y und sene erwartete Rendte echt größer st. En ortfolo, das von kenem anderen ortfolo domnert wrd, nennt man effzent. 3 De Tauglchket der Standardabwechung als Rskomaβ n der ortfolooptmerung wurde velfach krtsert und ene Rehe alternatver Rskomaβe vorgeschlagen, cf. ELTO, GRUER ET L. (007) und nsbesondere COLEM UD MSOUR (005) m Fall von Real Estate nlagen. 1

2 Laufzeten. Intutv werden Se enge deser nlageklassen mt nedrgem Rsko bewerten, andere mt mttlerem oder hohem Rsko. e kten oder nlehen hängt de Rskoenschätzung bzw. -bewertung u. a. davon ab, aus welchen Ländern, ranchen, ggf. Indzes de ewelgen Wertpapere kommen, welche Laufzet se haben und mt welcher Lqudtät se ausgestattet snd. Grundsätzlch glt stets das fundamentale Gesetz der Kaptalanlage Ohne Rsko ken (erwarteter) Ertrag. Wr werden n desem etrag ncht auf Strategen oder Möglchketen zur Erzehung von rbtragegewnnen engehen 4 sondern uns durch de Erläuterung der Grundzüge der Markowtztheore der quanttatven eschrebung von rskobehafteten Wertpaperen und effzenten Kombnatonen von desen wdmen. Wr werden uns her also nsbesondere der drtten o.g. Frage zuwenden und dese berets vorab mt enem Ja, aber Vorscht! beantworten. cht Gegensatz der hesgen etrachtungen snd demographsch motverte Erörterungen von geplante Spar- und Entsparvorgängen, de zu qualtatven oder grob qualtatve Empfehlungen à la En unger Mensch sollte mehr kten als onds halten und erstere sukzessve m Laufe sener Lebenszet durch letztere substtueren. Ene zunehmende Rskoaverson mag tendenzell mt zunehmendem lter zutreffen Erörterungen von statstsch snnvollen Spar- und Entsparmodellen nnerhalb ener Lebenszet halten wr her John Maynard Keynes berühmtes Wort Langfrstg snd wr alle tot entgegen. In desem etrag wrd mt dem Markowtzmodell de Mutter aller quanttatven Modelle m Fnanzrskomanagement engehend besprochen. Von Investoren werden Rsken her über de Varanz bzw. Standardabwechung der Rendtevertelungen und über räferenzen, de Erwartete Erträge und Rsken abblden, quantfzert. Grundsätzlch präfereren Investoren dabe mehr Erwartete Rendte gegenüber wenger Erwarteter Rendte und wenger Rsko gegenüber mehr Rsko. Das Modell verwendet de Rskotoleranz unabhängg vom lter und st damt vernünftg für rskofreudge(re) sowe rskoscheue(re) alte und unge Menschen. lle folgenden espele benhalten relatve Größen, 10 korrespondert also zu 10 % Ertrag, usw. espel 1 Gegeben seen zwe Investtonsalternatven X und Y mt den möglchen Zuständen S1, S und S3. De p, 1,...,3, stellen de assozerten Entrttswahrschenlchketen der dre Zustände dar. De uszahlungsprofle von X und Y seen S1, 1 5 S, p 0, 5 S3, 3 5 X Y Tabelle 1 Wahrschenlchketsvertelungen von sset X und Y nleger werden üblcherwese nlage X der nlage Y vorzehen. ede nlagen haben ene symmetrsche Rendtevertelung mt erwarteter Rendte von 10, Y st edoch durch das größere Rsko (zur erechnung sehe unten) charaktersert. Rsko bedeutet her auch Chance, das heßt, fast alle nleger, de X wählen werden, verzchten auch auf de Möglchket, höhere Gewnne mt Y als be X zu erzelen. 4 Vgl. dazu quas edes brauchbare Textbuch zu Fnancal Rsk Management, z.. Smthson Managng Fnancal Rsk.

3 . De Entschedungsvarablen des nlegers Wenden wr uns nun enem formalserten Entschedungsproblem für enen belebgen nleger zu Deser verfüge über das udget b, wobe b en großer fxer Geldbetrag st. De nzahl der ssets, de n enem räselektonsprozess ausgewählt wurden, se mt bezechnet, se ene große natürlche Zahl. De rese pro Enhet der ssets werden als bekannt, und, we das udget b als exogen (m Folgenden durch enen Überstrch gekennzechnet) vorausgesetzt. De q 1,...,, snd also de Entschedungsvarablen des, nlegers. Es glt somt de udgetbeschränkung p1 q1 pq... pq b (1) emerkung 1 De nnahme exogener rese st näherungswese für sehr lqude kten und onds erfüllt, se st problematsch, wenn de Umsätze der ssets gerng snd (z.. be Small Caps) bzw. kene echten Marktprese exsteren (man denke an Luxusmmoblen oder Kunst). Wenn das udget sehr vel größer als de rese der ewelgen Enheten der ssets snd, b p, 1,...,, kann de udgetbeschränkung vermöge der Defnton pq x, 1,...,, standardsert werden. 5 De Unglechung (1) geht etzt n ene b Glechung über und unsere Entschedungsvarablen snd de relatven ntele des Vermögens mt x x... x 1. () 1 emerkung Transaktons- und Montorngkosten werden herbe vernachlässgt bzw. näherungswese den relatven ntelen zugerechnet. Wr wenden uns nun der Ermttlung so genannter effzenter ortfolos zu. En ortfolo st effzent, wenn entweder a) e ener vorgegebenen mnmalen erwarteten Rendte ken anderes ortfolo mt enem gerngeren Rsko exstert oder b) Für en vorgegebenes Maxmalrsko ken ortfolo mt ener höheren erwarteten Rendte exstert. emerkung 3 Das Rsko enes ortfolos kann gut als verallgemenerter res enes Gutes und sene erwartete Rendte als dessen Qualtät nterpretert werden. emerkung 4 lle wesentlchen Egenschaften und Implkatonen des Markowtzmodells können mt Hlfe von nur dre rskobehafteten Wertpaperen dargestellt werden. 5 rese werden m Weteren ncht mehr betrachtet p bezechnet ab her stets ene Wahrschenlchket. Für reale Investtonen muss natürlch weder zurückgerechnet werden, d.h. es müssen be gegebenem udget de Quanttäten der zu kaufenden Enheten ewelgen ssets ermttelt werden. 3

4 3. Der - und der 3-Wertpapere Fall Wr wenden uns zunächst enem Wertpaperunversum, das exklusv aus den Wertpaperen und besteht, zu. Dabe nehmen wr an, dass wr uns zu egnn des Kalenderahres 009 befnden und unsere enzge Informaton aus den Rendten von und der vergangenen fünf Jahre besteht. Unser Entschedungsproblem besteht darn, en gegebenes udget auf und für en Jahr vernünftg aufzutelen. espel Gegeben seen de Rendten von zwe ktenanlagen und, de n den vergangenen fünf Jahren beobachtet wurden (Dvdenden nklusve). nlage/jahr %,50 %,5 7,5,5 7,5 15 Tabelle Rendten der ssets und In der letzten Zele wurde de Rendten der naven Mschung von und aufgetragen. Es st sofort erschtlch, dass de Rendten deses Mschportfolos glatter verlaufen, dass durch das Mschen also ene Rskoredukton stattgefunden hat. Wenn wr n enem sehr enfachen Zugang davon ausgehen, dass de Wahrschenlchketen aller bsher beobachteten Rendtepaare für 009 glechvertelt st,.e. p(004) = = p(008) = 0,, snd, beträgt de Erwartete Rendte von M 5 1 e ( ) 0, 15 0, 5 0, ( 5) 0, 5 0, Dabe bezechnet M de nzahl der Umweltzustände (m espel st M = 5) und e stellt das Eregns Rendte m Zustand, = 1,..,M, dar. nalog ergbt sch für ene erwartete Rendte 0. Das Rsko der nlagen ermtteln wr über de Varanz bzw. deren postve Quadratwurzel, de Standardabwechung M p ( e ( ) ) 1 0, (15 10) 0, (5 10) 0, ( 5 10) 0, (5 10) 0, (10 10) De Standardabwechung der Rendte von beträgt somt 10. Für folgt ene Varanz 400 bzw emerkung 5 Obwohl de Standardabwechung häufg n rozent angegeben wrd, sollten Se ene Standardabwechung von 0 ncht als doppeltes Rsko von 10 nterpreteren. emerkung 6 Weder noch st besser. hat ene höhere erwartete Rendte de durch en höheres Rsko erkauft wrd. 4

5 sher wurden und nur solert betrachtet. Kommen wr nun zu Mschportfolos Zunächst glt de udgetbeschränkung x x 1. De erwartete Rendte des ortfolos berechnet sch 6 durch x x x 1 x ) x ( ). ( Das Rsko des Gesamtportfolos berechnet sch durch x x x x cov x (1 x ) x (1 x ) cov. Dabe snd de erwarteten Rendten und Standardabwechungen von und Zahlen oder Inputparameter, her ewels 10 und 0. emerkung 7 Der Erwartungswert und de Varanz ener Summe von gewchteten Zufallsvarablen X und Y mt Konstanten a und b berechnen sch durch und var( ax by) a var( x) b var( Y) abcov( X, Y). E( ax by) ae( X ) be( Y) De Kovaranz der Rendten von und berechnet sch durch M p ( e ( ) )( e ( ) ) 0, (15 10)( 10 0) 0, (5 10)(50 0) 0, ( 5 10)(10 0) 1 0, (5 10)(30 0) 0, (10 10)(0 0) 0. De Kovaranz st en statstsches Maß für den lnearen Zusammenhang zweer zufällger statstscher Merkmale. Ihre Standardserung, der Korrelatonskoeffzent (nach earson) st durch cov [ 1,1 ] defnert. Im espel snd de Rendten also unkorrelert. emerkung 8 In der raxs wrd man zumest erwartete Rendten durch arthmetsche Mttel von Zetrehen und Varanzen und Kovaranzen durch deren emprsche Counterparts schätzen. roblematsch st allerdngs, dass dese Schätzer ncht zetstabl snd. nders ausgedrückt De Szenaren für de Folgeperode ändern sch n der Zet. Im espel berechnet sch das Rsko nun durch x 100 (1 x) 400. Somt hängen Erwartete Rendte und Rsko des Mschportfolos nur noch von ener enzgen unabhänggen oder bestmmenden Größe ab Dem ntel, der n sset nvestert wrd. Wr ermtteln nun das ortfolo mt dem gerngsten Rsko. Des erfolgt über de erste bletung des Rskos d nach dem ntel, der n sset nvestert wrd und anschleßendes ullsetzen 0. Es folgt x 0,8. Das rskomnmale ortfolo besteht also zu 80 % aus sset und zu 0 % aus sset. Es folgt ( MV ) 0,8 10 0,1 1 und ( MV ) 0, , = 8, 944. Wr haben also en ortfolo ermttelt, das ene höhere erwartete Rendte als das Wertpaper mt der gerngeren erwarteten Rendte verfügt und dabe durch en gerngeres Rsko charaktersert st. dx 1 5

6 bbldung 1 Erwartete Rendten, Standardabwechung und Investtonsantel n sset Damt folgt n enem so genannten m -Dagramm bbldung Erwartete Rendten-Standardabwechungdagramm für sset und Damt folgt, dass der höchste ntel, den en ratonaler Investor noch n nvesteren kann, 80 % beträgt. lle ortfolos auf dem unteren st der Kurve werden domnert, be gegebenem Rsko exstert auf dem oberen st en ortfolo mt höherer erwarteter Rendte. Somt wurde ken bestes ortfolo dentfzert, aber ene gewsse nzahl von ortfolos ausgeschlossen! Welches ortfolo auf dem oberen st tatsächlch gewählt wrd, hängt von der Enstellung des Investors zum Rsko an. llgemen glt für das Mnmum Varanz ortfolo von zwe belebgen rskobehafteten k cov k Wertpaperen, k {1,..., }, k x ( MV ). (3) cov k us deser ezehung kann abgeletet werden, dass ene Rskoredukton be aaren von Wertpaperen umso besser gescheht, e nedrger de Korrelaton st und dass es be k 6

7 Expected Return Korrelatonen, de den Quotent der Standardabwechungen überstegen, nur über Leerverkäufe möglch st. Wr betrachten nun de beden Extremkorrelatonen und nehmen m Folgenden an, dass de Erwarteten Rendten von und sowe hre Standardabwechungen we bsher erhalten bleben. Für den Fall, dass de Korrelaton nun 1 beträgt, ermttelt sch der ntel n, der m ortfolo mt dem gerngsten Rsko enthalten st durch x ( MV ) / 3. Damt st x ( MV ) 1/3 und de erwartete Rendte beträgt 13 1/3 be Rsko ull! Für den Fall ener perfekten postven Korrelaton, d.h. 1, folgt x ( MV ) und damt x ( MV ) 1. Das rskomnmale ortfolo wrd also durch den Leerverkauf von 100 % des nfangsvermögens und nlage von 00 % n erzelt. Es hat Erwartete Rendte und Rsko ull. Deser Extremfall st natürlch ökonomsch unsnng, nduzert aber ncht, dass Leerverkäufe kenen etrag zur Rskoredukton be vernünftgen erwarteten Rendten lesten können! Wr wenden uns nun enem espel mt dre rskobehafteten Wertpaperen zu. espel 3 Gegeben seen de Wertpapere und we oben, ferner en Wertpaper C mt den angegebenen Rsko- und erwarteten Ertragskennzahlen 10, 10, 0, 0, 0, 0. 5, 15, 30, 0. 5 C uf den ersten lck schent sset sset C zu domneren. Tatsächlch müssen wr de Korrelatonen bzw. Kovaranzen n etracht zehen Mt Hlfe von Formel (3) kann berechnet werden, dass ene echte Rskoredukton zwschen und C ncht möglch st, Rsko nur über Leerverkauf von ca. 7 % von C errecht werden kann. Ferner entstehen durch de negatve Korrelaton zwschen und C m erech hoher erwarteter Rendten nteressante Kombnatonen. C C C aarwese Kombnatonen von dre ssets St. Devaton bbldung 3 Erwartete Rendten-Standardabwechungdagramm für sset und und C 7

8 De enzge zusätzlche bstrakton st nun, zu verstehen, dass ede Kombnaton von, C und C wederum mtenander kombnert werden kann. ls snnvollen Fall stelle man sch zum espel de aus und und aus und C bestehenden Mnmum Varanzportfolos vor. So entsteht schleßlch de Menge der errechbaren ortfolos mt der Effzenzlne von der uns aus dargelegten Domnanzüberlegungen nur der obere st nteressert. 4. Der -Wertpaperfall Mt den ezechnungen nzahl der ssets Erwartete Rendte des ortfolos Standardabwechung der ortfolorendte cov, Kovaranz der Rendten von sset und. Korrelatonskoeffzent der Rendten von sset und. x Investtonsantele der ssets 1,..., lautet das ass-optmerungsproblem des nlegers 1 k1 x x k k 1 1 x x x cov Mn (4) k 1 k1 k unter den ebenbedngungen x 1 1 x 1 n müssen noch zwe edngungen gestellt werden 1. Dass es echt größer st als de Rendte der rskofreen nlage und zwetens, dass es mndestens der Rendte des weter unten engeführten globalen Mnmum Varanz ortfolos entsprcht. Realtätsnäher wrd man wetere Restrktonen we z.. - Verbot von Leerverkäufen x 0, 1,..,, und/oder - Enführung von Ober- und Untergrenzen für Investtonsquoten enführen a x b 1,..,. Das roblem lässt sch für überschaubare relatv enfach mt Standardsoftware we zum espel mt dem Excel-Solver lösen, wenn man sch ener Matrx-otaton bedent Zunächst wrd der Input geschätzt ass dafür st edenfalls n der Theore - en vollständges Wahrschenlchketsszenaro, das m llgemenen mt Hlfe von Zetrehen approxmert werden soll. Wr verwenden de folgenden ezechnungen a, 1,.., Investtonsalternatven (ssets) 8

9 s 1,..., M, Möglche Zustände mt zugewesenen Entrttswahrschenlchketen, 1,..,, 1 M (Rendte-)Eregns von Investtonsalternatve m Zustand e,..., s / p s / p s / p 1 1 M M a 1 e 11 e 1 e 1 a e 1 e e M a e 1 e e M Tabelle 3 llgemenes Wahrschenlchketsszenaro für ssets be M Umweltzuständen emerkung 9 Wenn man mt Zetrehen arbetet, um statstsche Kennwerte zu berechnen, muss man sch m Klaren sen, dass es rüche geben kann. Man denke z.. an September 11, 001, der ene klare Zäsur für den Gesamtmarkt darstellte. emerkung 10 Im Markowtz-Modell werden de Rendten der ssets als normalvertelt vorausgesetzt. Dese nnahme wdersprcht der emprschen Kaptalmarktforschung, de oft lecht rechtsschefe und sptzgpflge emprsche Vertelungen ermttelte. Grundsätzlch problematsch wrd de nwendung des Modells, wenn Dervate, de durch nchtsymmetrsche uszahlungsprofle charaktersert snd, m ortfolo enthalten snd. De emprschen Vertelungen können mt Hlfe von statstschen npassungstests auf hre Voraussetzung getestet werden. Mt k {1,..., }; k, snd M p e, (5) 1 M 1 p ( e ), cov k M 1 p ( e )( e ). k k Ferner bezechnen Symbole mt Unterstrchen Vektoren, st de ncht-snguläre Varanz- 1 Kovaranz-Matrx und hre Inverse. Das allgemene ortfolooptmerungsproblem n sener enfachsten Form lautet nun Matrx-Form n x1 T x x = ( x1,..., x )... mn 1... x (6) unter den ebenbedngungen 9

10 T x, mn{ rf, GMV } T 1 x 1. nalytsch lässt sch deses Grundproblem mt Hlfe der Lagrange-Methode lösen. 7 Dazu wrd ene Hlfsmatrx engeführt T T 1 T ( 1) 1 a b T 1 T b c (7) De Elemente a, b und c werden wr m Folgenden noch verwenden. Damt st de Inverse von genau 1 1 ac b c b b a Wr erhalten für den Vektor der effzenten ortfolos mt erwarteter Rendte 1 1 x [ 1] (8) 1 Ferner glt folgender wchtger Zusammenhang zwschen erwarteter Rendte und Varanz von effzenten ortfolos 1 c b ( 1) 1 ( c ) p b a (9) ac b b a 1 ac b Wr wenden uns nun zwe besonderen ortfolos zu, dem Globalen Mnmum Varanz ortfolo (GMV) und dem Tangental-ortfolo (T). Das GMV kann aus (9) hergeletet werden Es gelten b 1 GMV, GMV und x GMV = (10) c c c 5. Enführung ener rskofreen nlage Das Tangentalportfolo wrd durch de Kombnaton enes effzenten ortfolos mt der rskofreen nlage motvert. raktsch exsteren natürlch für alle nleger Soll- und Habenznsen, nur dass deren Dfferenz für nsttutonelle nleger bedeutend klener als für rvatanleger st. Wenn verenfacht angenommen wrd, dass es nur enen rskofreen Znssatz gbt, dann muss der nsteg des oberen stes der Effzenzlne glech dem nsteg 7 De Lösung deses roblems wrd z.. n Huang/Ltzenberger beschreben. Wr wenden uns her drekt den Ergebnssen zu. 10

11 der Geraden, de durch ( 0, rf ) und durch (, T T ) geht, dentsch sen. Geraden, de darunter legen, snd ncht effzent, Geraden darüber snd ncht errechbar. llgemen gelten a r b f a r b a r b 1 f f T, 1 1 T b rf c c b a und x T ( 1r f ). (11) ac b b cr f b cr f b cr f De folgende Grafk llustrert des für unseren espelfall mt dre Wertpaperen. µ 30 0 r 10 F 0 T GMV σ bbldung 4 Effzenzlne von sset, und C und Kaptalmarktlne De Herletung deser Grafk erfolgt analog zur Entwcklung des -Dagramms Sowohl de erwartete Rendte als auch de Standardabwechung des ortfolos hängen nun nur noch von ener Varablen, her dem ntel x, der n das rskobehaftete ortfolo nvestert wrd (der Rest 1 x wrd automatsch n de rskofree nlage nvestert) ab. x Rsky x Rsky (1 x) r F (1 x) ( r ) x(1 x)cov F rsky, r F Da de Varanz der rskobehafteten nlage und de Kovaranz zwschen dem rskobehafteten ortfolo und der rskofreen nlage ull snd folgt x Rsky. D.d., sowohl de erwartete Rendte als auch de Standardabwechung des aus der rskobehafteten nlage Rsky und der rskofreen nlage bestehenden Mschportfolos hängen lnear von x ab. Daraus resultert de Gerade m -Dagramm. Effzent snd etzt nur noch Kombnatonen aus der rskofreen nlage und dem Tangentalportfolo! 8 Der ntel der rskofreen nlage nmmt auf der Geraden, der Kaptalmarktlne, nach ordosten ab. Rskoscheue Investoren werden etzt Mschungen aus 8 Wr bemerken noch, dass das Tangentalportfolo m CM zum Marktportfolo wrd, verzchten aber auf de Überführung. Während das Markowtzmodell normatv st, st das CM, das mt systematschen Rsken, durch beta-faktoren quantfzert, operert, postv! 11

12 der rskofreen nlage und dem Tangentalportfolo wählen, rskofreudgere werden sch zur rskofreen nlage verschulden und exklusv n das Tangentalportfolo nvesteren! Für de Fälle, dass Short Sales verboten werden und/oder wetere ebenbedngungen engeführt werden, gbt es kene explzten Lösungsformeln. Dese robleme müssen numersch gelöst werden (z.. mt dem berets erwähnten MS-Excel Solver). Es empfehlt sch edoch n edem Falle, de Lösung unter zusätzlchen ebenbedngungen mt der Lösung des unrestrngerten roblems zu verglechen, um zu sehen, we vel statstschen Effzenzverlust de zusätzlchen ebenbedngungen kosten. 6. We wet kann das statstsche Rsko reduzert werden? Grundsätzlch gbt es en Referenz-ortfolo, für das Se kaum rechnen brauchen, das aber stets ener Überlegung wert sen sollte Es handelt sch um das nav dversfzerte ortfolo. av dversfzert bedeutetet zum espel, dass Se, wenn Se n enem räselektonsprozess 10 ssets dentfzert haben, n edes deser ssets genau en Zehntel hres Vermögens nvesteren. n deser Stratege wrd sofort deutlch, we bedeutend der räselektonsprozess für hren nlageerfolg st. Im Verglech zur Stratege der naven Dversfzerung kann glechzetg de Komplextät des Markowtzmodells dargestellt werden. ehmen Se an, dass Se 100 ssets n enen ersten Schrtt ausgewählt haben. Dann benötgen Se 100 Schätzwerte für de erwarteten Rendten, 100 Schätzwerte für de Varanzen und Schätzwerte für de Korrelatonen bzw. Kovaranzen. ( 1) llgemen glt De nzahl der Schätzwerte ermttelt sch aus. Für = brauchen Se berets mehr als 5 Mllonen Inputs! In der raxs kommt der Löwenantel der Schätzfehler aus den erwarteten Rendten, gefolgt von den Varanzen und schleßlch mt enem sehr gerngen ntel am Gesamtfehler, den Varanzen. Stellen wr uns nun en nav dversfzertes ortfolo mt ssets vor. Das heßt n edes sset wrd genau 1/ nvestert,.e. x 1/, 1,..,. Es bezechne nun * de * durchschnttlche Varanz der ssets und cov deren durchschnttlche Kovaranz. Dann glt 1 1 x x 1 x 1 1 * * x x cov cov 1 1 * cov (1) Das bedeutet, dass das Rsko des nav dversfzerten ortfolos gegen de durchschnttlche Kovaranz konvergert! De Enzelrsken bestzen nur untergeordnete edeutung für das Gesamtrsko des ortfolos! De folgende Erkenntns lautet, dass es, von Extremfällen abgesehen, en systematsches Rsko gbt, das ncht wegdversfzert werden kann. σ chtsystematsches oder frmenspezfsches Rsko 1

13 cov * Systematsches oder Marktrsko bbldung 5 Grenzen der Dversfzerung für ssets 7. espel mt dre Wertpaperen Kehren wr zu unserem espel mt dre Wertpaperen, und C zurück. a) Unser Input st 10 0 und b) Wr erhalten als Inverse der Varanz-Kovaranzmatrx de 0,015-0,005 0,00333 Matrx 1-0,005 0, , , , ,00 De Hlfsmatrx berechnet sch durch , , , ,005 0, , , , , ,5 1 0, , , c) Das Globale Mnmum Varanz ortfolo lautet 0, GMV 1,53, GMV 8,89. 0, c x GMV = 0, ,005 0, ,00333 und - 0,005 0, , , ,75 0, ,31. 0,00 1 0,044 13

14 Damt snd nur ortfolos mt ener Erwarteten Rendte von mndestens 1,53 effzent! d) Tangentalportfolo hat de Koordnaten 15,805, 9, 996. T T 8. Das Markowtz-Modell zusammengefasst und krtsch beleuchtet Zu den wesentlchen nnahmen des Markowtz-Modells zur ortfolooptmerung gehört, dass de nlagen belebg telbar snd, dass der Kauf ener nlage deren Glechgewchtspres ncht beenflusst, und dass de Rendten der nlagealternatven normalvertelt snd. De erste nnahme bedeutet praktsch, dass der zu nvesterende Geldbetrag vel größer als der res ener enzelnen Enhet edes nlagegutes st. De zwete nnahme glt als erfüllt, wenn kontnuerlch große Mengen der ewelgen nlagegüter gehandelt werden. Das darf zum espel be lue Chp kten unterstellt werden. us der drtten (eher technschen) nnahme folgt, dass de Rendtevertelung der nlagegüter und aus hnen gebldeter Mschportfolos vollständg durch de genannten Engangsparameter bestmmt snd. Unter den nnahmen des Markowtz-Modells lassen sch de effzenten ortfolos mathematsch hnrechend enfach bestmmen. De Rsko-Erwartete-Rendte-Kombnatonen der effzenten ortfolos blden dabe de sogenannte Effzenzlne 9. Zu beachten st dabe, dass de Effzenzlne natürlch davon abhängt, ob man Leerverkäufe (Short Sales) zulässt oder ncht und ob man de ufnahme zusätzlcher Lqudtät zulässt oder ncht. Es muss weterhn darauf hngewesen werden, dass darüber hnausgehende (n der raxs durchaus auftretende) Forderungen de mathematsche ehandlung des ortfolooptmerungsproblems erheblch erschweren können. Dazu zählen zum espel Unter- und Obergrenzen für de nlageantele oder Schranken für de nzahl der m ortfolo vertretenen nlagealternatven. atürlch müssen quanttatve Dversfkatonsstrategen n der raxs mt edacht engesetzt werden. Im Markowtzmodell werden zur Ermttlung ener optmalen Lösung enes ortfolos für ene Menge von rskobehafteten Wertpaperen en Vektor von erwarteten Rendten der Länge, ene Varanz-Kovaranz-Matrx der Rendtevertelungen vom Format x, de eretschaft zur Vollnvestton und ene erwartete Mnmalrendte des Investors benötgt. Dabe wrd für dese Mnmalrendte (de betragsmäβg mndestens der erwarteten Rendte des Globalen-Mnmum-Varanz-ortfolos entsprcht) für ene Investtonsperode das ortfolo mt dem gerngsten Rsko, gemessen als Varanz, ermttelt. Der obere rm der Effzenzlne m -Dagramm gbt dabe alle Kombnatonen (.e. ortfolos) von Standardabwechungen der ortfologesamtrendte und erwarteter Rendte des ortfolos an, für de be gegebener erwarteter Rendte ken ortfolo mt enem gerngeren Rsko exstert, an. De Effzenzlne st unter der Voraussetzung ener belebgen Telbarket der Wertpapere stetg. Des entsprcht praktsch der Tatsache, dass de Lösung fast stetg st, solange der nlagebetrag den res ener enzelnen Enhet ener nlage sehr stark überstegt (Des st be kten- und ondportfolos der Fall). 9 Man betrachte dazu auch de bbldungen 1, und 3. 14

15 Da sch de Erwartungen an de Rendten der Wertpapere n der Zet ändern, snd weder der Vektor der erwarteten Rendten noch de Varanz-Kovaranz-Matrx zetstabl. Effzenz st somt ken stabler Zustand. Ene allgemen verbesserte Erwartung n de Rendten bzw. des Rendte-Rskoaustauschverhältnsses der Elemente des nlageunversums resultert c.p. n ener Verschebung der Effzenzlne nach lnks oben, ene Verschlechterung c.p. nach rechts unten. 10 De folgende bbldung llustrert des ehmen wr an, zum Zetpunkt t = 0 wurde en ortfolo konstruert, dessen erwartete Rendte 6,5 be korresponderender Standardabwechung von 4,7 betrug (blaues Kreuz n der Graphk). Deses ortfolo lag auf der Effzenzlne n t = 0! De Wahrnehmung der Markstuaton für de Folgeperode hat sch nun n t = 1 verbessert Des korrespondert zu ener Verschebung der Effzenzlne (schwarze Lne n t = 1) nach rechts oben. Damt st das durch das blaue Kreuz symbolserte ortfolo, das das gewählte ortfolo auf der Effzenzlne von t = 0 charaktersert, ncht mehr effzent. bbldung Verschebung der Effzenzlne nach rechts oben. De Frage für den Investor st nun, nwewet de Effzenzstruktur senes ortfolos verbessert werden kann. Grundsätzlch kann de Effzenzstruktur durch Umschchten und/oder durch den Zufluss von neuen fnanzellen Mtteln errecht werden. Je konsequenter dabe de uswahl nedrg korrelerter roekte zum ewels exsterenden Restportfolo n der Zet vorgenommen wrd, umso mehr Kombnatonen sollten ceters parbus domnert werden. Da de Input-arameter des Modells zum Tel mt deutlcher Vorscht zu betrachten snd (s.o.), snd anschleβende Senstvtätsbetrachtungen unabdngbar! Des glt umso mehr, e höher de Erwartete Rendte des ortfolos st. Grundsätzlch glt, dass der nwender n der ähe des GMVs zumest sehr brauchbare Ergebnsse erhält. 10 So verschob sch z.. mt dem latzen der Mllenumsblase und den uswrkungen des 11. September 001 an den Kaptalmärkten de Effzenzlne des DX30 von 000 bs Frühahr 003 (n deser Zet verlor der deutsche Letndex ca. 70 % an Wert) dramatsch nach rechts unten, um dann bs Sommer 007 weder nach lnks oben zurückzuwandern und mt egnn der Fnanzkrse weder nach rechts unter zurück zu wandern. 15

16 Quellen- und Lteraturverzechns DERSO, R.I. UD T.M. SRIGER (003) REIT Selecton and ortfolo Constructon Usng Operatng Effcency as an Indcator of erformance, Journal of Real Estate ortfolo Management, Vol. 9(1), 003. COLEM, M.S. UD. MSOUR (005) Real Estate n the Real World Dealng wth on-ormalty and Rsk n an sset llocaton Model, Journal of Real Estate ortfolo Management, Vol. 11(1), 005. ELTO, E.J., M.J. GRUER, S.J. ROW UD W.. GOETZM (007) Modern ortfolo Theory and Investment nalyss, Wley, 007. HUG, C. UD R.H. LITZEERGER (1988) Foundatons of Fnancal Economcs, orth-holland, ew York. LIOWSKI, D. (006) sset Lablty Management m Kontext von Solvency II. Edton Rskomanagement, Unon Investment, 006. LIOWSKI, D. UD S. HRTM (007) Markowtz meets Real Estate. In F. Keuper, F. Vocelka und. Haefner MRKOWITZ, H. (195) ortfolo Selecton, Journal of Fnance, Vol. 7(1), 195. MRKOWITZ, H. (1959) ortfolo Selecton Effcent Dversfcaton of Investments, Wley, MICHUD, R.O. (1998) Effcent sset Management ractcal Gude to Stock ortfolo Optmzaton and sset llocaton, Harvard usness School ress. GLIRI, J.L., J.R. WE UD J.J. DEL CSIO (1995) pplyng MT to Insttutonal Real Estate ortfolos The Good, the ad and the Uncertan, Journal of Real Estate ortfolo Management, Vol. 1(1), EROLD,.F. (1984) Large-scale portfolo optmzaton, Manage. Sc. 30/10, SHILLER, R. (003) The ew Fnancal Order Rsk n the 1st Century, rnceton Unversty ress, 003. (Hrg.) De Fnanzfunkton m Zuge der Globalserung, Gabler, Wesbaden. 16

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Einführung in die Finanzmathematik

Einführung in die Finanzmathematik 1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Kennlinienaufnahme des Transistors BC170

Kennlinienaufnahme des Transistors BC170 Kennlnenufnhme des Trnsstors 170 Enletung polre Trnsstoren werden us zwe eng benchbrten pn-übergängen gebldet. Vorrusetzung für ds Funktonsprnzp st de gegensetge eenflussung beder pn-übergänge, de nur

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

1 - Prüfungsvorbereitungsseminar

1 - Prüfungsvorbereitungsseminar 1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten

Mehr

Aufgabe 1: Portfolio Selection

Aufgabe 1: Portfolio Selection Aufgabe 1: Portfolo Selecton 2 1 2 En Investor mt ener Präferenzfunkton der Form (, ) a verfügt über en 2 Anfangsvermögen n Höhe von 100 Slbermünzen. Am Markt werden de folgenden dre Wertpapere gehandelt,

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Zinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung

Zinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Ein stochastisches Modell zur Ertragsoptimierung bei Versicherungen

Ein stochastisches Modell zur Ertragsoptimierung bei Versicherungen En stochastsches Modell zur Ertragsoptmerung be Verscherungen Clauda Garschhammer und Rud Zagst Clauda Garschhammer Bahnhofstr. 34, 8340 aufen Tel: 0868 / 548, c.garschhammer@web.de Prof. Dr. Rud Zagst,

Mehr

"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft

Zukunft der Arbeit Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft "Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik) Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14 E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Datenträger löschen und einrichten

Datenträger löschen und einrichten Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe

Mehr

(Markowitz-Portfoliotheorie)

(Markowitz-Portfoliotheorie) Thema : ortfolo-selekto ud m-s-rzp (Markowtz-ortfolotheore) Beurtelugskrtere be quadratscher Nutzefukto: Beroull-rzp + quadratsche Nutzefukto Thema Höhekompoete: Erwartugswert µ Rskokompoete: Stadardabwechug

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x) ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften

Mehr

Bildverarbeitung Herbstsemester 2012. Bildspeicherung

Bildverarbeitung Herbstsemester 2012. Bildspeicherung Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Entscheidungsprobleme der Marktforschung (1)

Entscheidungsprobleme der Marktforschung (1) Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket

Mehr

Produkt-Moment-Korrelation (1) - Einführung I -

Produkt-Moment-Korrelation (1) - Einführung I - Produkt-Moment-Korrelaton - Enführung I - Kennffer ur Bechreung de lnearen Zuammenhang wchen we Varalen X und Y. Bechret de Rchtung und de Enge de Zuammenhang m Snne von je... deto... oder wenn... dann...

Mehr

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen. IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung

Mehr

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten

Mehr

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung) LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel V. Parameter der Verteilungen Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p

Mehr

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1 Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Qualitative Evaluation einer interkulturellen Trainingseinheit

Qualitative Evaluation einer interkulturellen Trainingseinheit Qualtatve Evaluaton ener nterkulturellen Tranngsenhet Xun Luo Bettna Müller Yelz Yldrm Kranng Zur Kulturgebundenhet schrftlcher und mündlcher Befragungsmethoden und hrer Egnung zur Evaluaton m nterkulturellen

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Übung zu Erwartungswert und Standardabweichung

Übung zu Erwartungswert und Standardabweichung Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1 Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude

Mehr

phil omondo phil omondo Skalierung von Organisationen und Innovationen gestalten Sie möchten mehr Preise und Leistungen Workshops und Seminare

phil omondo phil omondo Skalierung von Organisationen und Innovationen gestalten Sie möchten mehr Preise und Leistungen Workshops und Seminare Skalerung von Organsatonen und Innovatonen gestalten phl omondo Se stehen vor dem nächsten Wachstumsschrtt hrer Organsaton oder haben berets begonnen desen aktv zu gestalten? In desem Workshop-Semnar erarbeten

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr