Finanzdienstleistungen [Anwendungen]
|
|
- Calvin Armbruster
- vor 5 Jahren
- Abrufe
Transkript
1 Finanzdienstleistungen [Anwendungen] Mag. Tomáš Sedliačik Lehrstuhl ür Finanzdienstleistungen Universität Wien 1
2 Organisatorisches Insgesamt wird es 14 Termine geben (12 Einheiten + 2 Klausuren) Verlau der Lehrveranstaltung (Ort, Zeit, Programm) Zwischenklausur indet [Anang Mai; noch nicht ix] statt Endklausur indet am Mi 24. Juni 2009 statt. Nach bestimmten Einheiten (insgesamt 8) gibt es ein Augabenblatt zu lösen; Zeit zum Lösen bis zur nächsten Übungseinheit. 2
3 Organisatorisches Die Beurteilung setzt sich zu 20% aus dem Lösen der Augaben (16% Ankreuzen + 4% aktive Taelmeldung) und zu 80% aus den beiden Klausuren (mit gleicher Gewichtung) zusammen. Als Basis dient das Buch Risk Evaluation, Management and Sharing, Harvester Wheatshea, von Louis Eeckhoudt and Christian Gollier, Kapitel: 2-6, 10. [Es existiert leider nur eine englische Version]. Diese wird in eingescannter Form au der Kurshomepage bereitgestellt. Zusätzlich ist der Sto in den Folien von mir zusammengeasst 3
4 Themenübersicht 1. Risikoevaluierung i. Erwartungswertkriterium und Erwartungswert-Varianz-Kriterium ii. Nutzentheorie [Erwartungsnutzenkriterium] a. Sicherheitsäquivalent, asking price und bid price b. Risikoprämie c. Grad der absoluten Risikoaversion d. [Diverse] Klassen von Nutzenunktionen iii. iv. White noise und Integralbedingung Stochastische Dominanz 2. Applikationen i. Portolio Management ii. Optimaler Versicherungsschutz 4
5 Risikoevaluierung: Lotterien Was ist eine Lotterie? Eine Zuallsvariable x mit Auszahlungen x 1, x 2 x n mit entsprechenden Wahrscheinlichkeiten p 1, p 2 p n (alls diskret) bzw. x ~ (x) au einem Intervall [a, b] (alls stetig). Dabei repräsentiert (x) die Wahrscheinlichkeitsverteilungsunktion von x. Eine sichere Auszahlung kann man auch als eine Lotterie betrachten, wobei die entsprechende Wahrscheinlichkeit 1 beträgt. Wann bzw. wo treen wir uns mit Lotterien? 5
6 Risikoevaluierung: Lotterien Wir sind ständig mit Lotterien konrontiert! (Gründung eines Unternehmens, [Schwarz] Fahrt mit U-Bahn, Kau von Kodex, Hochzeit, etc.) Daher müssen wir uns ständig zwischen Lotterien entscheiden! Ein Subjekt, welches eine Entscheidung zwischen Lotterien trit, nennen wir Entscheidungsträger! Der Entscheidungsträger verügt vor der Entscheidung über ein Anangsvermögen, w 0. 6
7 Risikoevaluierung: Lotterien Seine Entscheidung über eine Lotterie x [und die Evaluierung der Lotterie x] bezieht sich grundsätzlich au sein Endvermögen, w. Wir nehmen an, die Auszahlungen von Lotterie x werden so gemessen, dass sie additiv zum Vermögen sind. Daher können wir schreiben: w = w 0 + Das Endvermögen w ist daher auch eine Lotterie mit gewissen Auszahlungen und entsprechenden Wahrscheinlichkeiten. x 7
8 Risikoevaluierung: Lotterien Der Entscheidungsträger kann sich nach diversen Kriterien entscheiden, d.h. die Lotterien nach diversen Kriterien beurteilen und dann die mit der höchsten Bewertung wählen! Es gibt also immer eine sog. Wertunktion (value unction), V(w ), die grundsätzlich von den angewendeten Entscheidungskriterien abhängt. Bei seiner Entscheidung versucht der Entscheidungsträger die Wertunktion zu maximieren. Entsprechend wählt er zwischen zwei Lotterien die jenige, die einen höheren Wert der Wertunktion lieert, d.h. V(x) > V(y) x y. 8
9 Erwartungswertkriterium Hier entscheidet sich der Entscheidungsträger (ET) ausschließlich nach dem Erwartungswert (EW). Daher gilt hier Dabei ist bekannt, dass V ( w ) = Ε( w ) = Ε( w + x) = w + Ε( x) 0 0 n Ε( x) = p x bzw. i= 1 i i Ε( x) = b a x ( x) dx 9
10 Erwartungswertkriterium Dieses Kriterium zieht kein Risiko in Betracht! Ein solcher ET kann daher als risikoneutral bezeichnet werden. Beispiel: Die olgenden zwei Lotterien werden gleich bewertet x i p(x i ) 50 0, ,5 y i p(y i ) obwohl sie unterschiedliches Risiko auweisen! 10
11 Erwartungswertkriterium Welche der beiden Lotterien würden Sie wählen? Wären Sie da auch indierent? Das Erwartungswertkriterium ist nicht immer unplausibel. Es ist geeignet, wenn viele unabhängige Variablen in der Lotterie involviert sind (etwa beim durchschnittlichen Schaden bei einer Versicherung). Handelt es sich jedoch um eher einmalige Entscheidungen, die von einem einzigen Ausgang (oder wenigen Ausgängen) abhängig sind, ist das Erwartungswertkriterium nicht besonders geeignet (und eher irreührend). 11
12 Erwartungswertkriterium Beispiel: Versicherung Nehmen wir an, jeder Versicherungsnehmer (VN) stellt olgende Lotterie dar x i p(x i ) 0 0, ,01 Etwa ein potentieller Schaden beim Diebstahl eines Wagens. 12
13 Erwartungswertkriterium Angenommen es werden im Rahmen einer Versicherungs- Gesellschat solche VN versichert. Was ist nun die Varianz bzw. Standardabweichung von dem durchschnittlichen Schaden? Var n x n j= 1 1 = Var = Var 2 n n j= 1 σ x σ = x n nvar( x) n Var( x = n j ) ( x) ( x ) = j 2 13
14 Erwartungswertkriterium Oensichtlich sinkt die Varianz proportional mit der Anzahl der unabhängigen Lotterien. Var x) = und Var( x) = = ( daher Die Standardabweichung von dem Durchschnittsschaden beträgt also weniger als 10. Bei 1 Million von VN würde sie bereits unter 1 liegen. Wenn das Risiko so klein ist, ist die Orientierung [allein] nach dem Erwartungswert relativ plausibel. Sonst aber nicht! 14
15 Erwartungswertkriterium In diesem Beispiel liegt der erwartete Schaden bei 100, also der erwartete Gesamtschaden bei 100 * = 1 Mio. Wird dieser Schaden [air] au alle VN augeteilt, so müsste jeder 100 Versicherungsprämie zahlen. Natürlich wird es VN geben, bei denen ein Schaden eintritt und andere, wo kein Schaden eintritt. Aggregiert gleichen sich jedoch die Risiken aus und daher ist der Erwartungswert eine relativ gute Maßzahl zur Beurteilung von dieser, von vielen unabhängigen Einzelrisiken bestehenden, Lotterie. Ein einziger [unversicherter] ET könnte jedoch die Lotterie im Zusammenhang mit dem Diebstahl von seinem Wagen kaum rein anhand von deren Erwartungswert beurteilen. 15
16 Sankt Petersburg Paradox Ein besonders geeignetes Beispiel daür, dass das EWK kaum ausreichend ist, zur Beurteilung von Lotterien, ist das bekannte Sankt Petersburg Paradox! Dabei wird eine Münze geworen, solange Kop ällt. Falls das erste Mal Zahl ällt, ist das Spiel zu Ende. Der Spieler bekommt am Ende des Spiels 2 n Geldeinheiten ausbezahlt, wobei n der Anzahl der geallenen Köpe entspricht. Der Erwartungswert dieses Spiels (Lotterie) ist zwar unendlich, trotzdem kaum jemand unendlich viel ür das Spiel bezahlen wollen! Zeichnen Sie die Ausgänge von dem Spiel! 16
17 Erwartungswert-Varianz- Kriterium Kommen wir nun wieder zu den beiden Lotterien von Folie 10. Falls ein ET die beiden Lotterien unterschiedlich bewertet, entscheidet er sich au keinen Fall nach dem EW-Kriterium. Er zieht also bereits auch das Risiko in Betracht. Das EWV-Kriterium erlaubt eine Betrachtung von Risiko, jedoch nur in Form von Varianz [der Lotterie]. Konkret ist die Wertunktion gegeben als eine Funktion von E(x) und Var(x), also { Ε( w ), Var( w )} V ( w ) = 17
18 Erwartungswert-Varianz- Kriterium Es ist plausibel anzunehmen, dass V ( w Ε( w ) > 0 ) Die erste Ableitung nach Var(w) ist wohl nicht so eindeutig und ihr Zeichen bietet Aussagen über die Risikoeinstellung des ETs V ( w Var( w V ( w Var( w V ( w Var( w ) ) ) ) ) ) > < = Risikoreude Risikoaversion Risikoneutralität Vorsicht! Risiko wurde nur in Form von Varianz gemessen! 18
19 Erwartungswert-Varianz- Kriterium In der Praxis wird meistens eine vereinachte [speziische] Form von dem EWV-Kriterium verwendet: V ( w ) = Ε( w ) kvar( w ) Dabei ist k eine Konstante. Es ist oensichtlich, dass bei k > 0 (k < 0) sich die Varianz negativ (positiv) au die Bewertung der Lotterie auswirkt. Bei k = 0 spielt das Risiko [gemessen als Varianz] keine Rolle mehr, daher kann man also das EW-Kriterium als einen Spezialall von dem EWV- Kriterium betrachten. 19
20 Erwartungswert-Varianz- Kriterium Vergleichen wir nun die beiden Lotterien x und y von Folie 10 bei einem Entscheidungsträger A mit k = 2 und einem anderen Entscheidungsträger B mit k = -1! V ( x) V ( x) A B = 100 2*2500 < V ( y) = 100 ( 1)*2500 > V ( y) A = 100 2*0 B = 100 ( 1)*0 Daher heißt es bei A x p y bzw. bei B x Es ist wohl oensichtlich, dass bei k = 0 ein ET zwischen x und y indierent wäre. y 20
21 Erwartungswert-Varianz- Kriterium In diesem Beispiel könnte man argumentieren, dass A risikoavers und B risikoreudig ist. Jedoch muss man sich bewusst sein, dass hier das Risiko ausschließlich durch die Varianz repräsentiert wird. Bei einer solchen Betrachtung von Risiko kann man also sagen, dass ein risikoaverser (risikoreudiger) ET bei zwei Lotterien mit dem gleichen Erwartungswert und unterschiedlicher Varianz sich ür die Lotterie mit der geringeren (höheren) Varianz entscheidet. Eine solche Einstuung der Risikoeinstellung allein durch die Varianz gilt jedoch nur bei dem EWV-Kriterium, nicht allgemein! 21
2.4 Entscheidung bei Risiko
2.4 Entscheidung bei Risiko Entscheidung bei Risiko nimmt an, dass für jeden Zustand S j seine Eintrittswahrscheinlichkeit P(S j ) bekannt ist Eintrittswahrscheinlichkeiten bestimmbar als statistische
MehrAufgabe 1.3. Teil a) Teil b)
Informationsökonomik: Anreize, Verträge, Institutionen L ösung Blatt 1 FT 2012 Aufgabe 1.3 Faire Prämie Versicherungen können nicht beobachten, welchen Typen sie vor sich haben, daher werden sie den Erwartungswert
MehrVorlesung 2: Risikopräferenzen im Zustandsraum
Vorlesung 2: Risikopräferenzen im Zustandsraum Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie VL 2, FS 12 Risikopräferenzen im Zustandsraum 1/29 2.1 Motivation
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
MehrVorlesung 3: Risikoaversion
Vorlesung 3: Risikoaversion Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 3 (FS 11) Risikoaversion 1 / 21 1. Modellrahmen In diesem Kapitel betrachten wir nur monetäre
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
MehrI. Grundlagen. I. Grundlagen 1. Entscheidungen unter Unsicherheit. 1. Entscheidungen unter Unsicherheit
. Entscheidungen unter Unsicherheit I. Grundlagen. Entscheidungen unter Unsicherheit Elemente des Entscheidungsproblems eines Wirtschaftssubekts: Der Entscheidungsträger kann zwischen verschiedenen Aktionen
MehrKapitel 13: Unvollständige Informationen
Kapitel 13: Unvollständige Informationen Hauptidee: Für das Erreichen einer effizienten Allokation auf Wettbewerbsmärkten ist es notwendig, dass jeder Marktteilnehmer dieselben Informationen hat. Informationsasymmetrie
MehrGrundzüge der. Kapitel 5 Mikroökonomie (Mikro I) Entscheidungen unter Unsicherheit
Grundzüge der Kapitel 5 Mikroökonomie (Mikro I) Entscheidungen unter Unsicherheit 1 BESCHREIBUNG VON RISIKO 2 Entscheidung unter Risiko Annahme: Wir kennen alle möglichen (sich gegenseitig ausschliessenden)
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrKapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen
Kapitel 8 Erwarteter Nutzen Josef Leydold c 2006 Mathematische Methoden VIII Erwarteter Nutzen / 27 Lernziele Nutzenfunktion zur Risikobewertung Erwarteter Nutzen Maße für Risikoaversion Indifferenzkurven
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrBachelorprüfung für Volkswirte
Bachelorprüfung für Volkswirte Mikroökonomie II Dr. Peter Schwardmann 12. Februar 2015 Bitte beantworten Sie die folgenden drei Aufgaben. Zur Bearbeitung der Klausur stehen Ihnen 90 Minuten zur Verfügung.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrVergleich von Entscheidungsträgern bzgl. ihrer Risikoaversion:
Ist das Arrow-Pratt-Maß der absoluten Risikoaversion bekannt, so lässt sich daraus die Nutzenfunktion bestimmen: Mithilfe der Substitution y := U (w) dy = U (w)dw gilt: und daher U (w) U (w) dw = A a (w)dw
Mehr3. Betriebswirtschaftliche Entscheidungslehre 3.6 Entscheidung unter Risiko
Dominanzprinzipien : Absolute Dominanz: Eine Alternative A i dominiert eine Alternative A j absolut, wenn das geringstmögliche Ergebnis von A i nicht kleiner ist als das grösstmögliche Ergebnis von A j,
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2010/2011)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 010/011 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehrwf = w 0 +E( x) Die Definition des Angebotspreises p a = wf w 0 ergibt daher: p a = E( x)
Satz: Im Fall dass die Nutzenfunktion des Entscheidungsträgers linear bezüglich des End-Vermögens ist, stimmt der Angebotspreis einer Lotterie mit deren Erwartungswert E( x) überein Da U linear ist, gilt:
Mehrgeplante Produktion a tatsächliche Produktion ã. Abweichung von geplanter Produktion etwa durch Streiks, Klima, Ausfall von Maschinen, etc.
Produktionsentscheidungen unter Risiko Man kann folgende Ursachen des Risikos unterscheiden: 1. Risiko durch den Markt. Unsichere Verkaufspreise: Zu Beginn der Produktion weiss der Unternehmer die Produktionskosten.
MehrMikroökonomik. Unsicherheit. Harald Wiese. Universität Leipzig. Harald Wiese (Universität Leipzig) Unsicherheit 1 / 46
Mikroökonomik Unsicherheit Harald Wiese Universität Leipzig Harald Wiese (Universität Leipzig) Unsicherheit 1 / 46 Gliederung Einführung Haushaltstheorie Das Budget Präferenzen, Indi erenzkurven und Nutzenfunktionen
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrNeue Institutionenökonomik, Aufgabe 18 Seite 1
Neue Institutionenökonomik, Aufgabe 18 Seite 1 Allgemeine Informationen zum Principal-Agent-Modell Es geht hier nun um die Vertragsausgestaltung zwischen dem Eigentümer (Prinzipal) einer Firma und dem
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrÜbung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen
Übung zu Risiko Entscheidungstheoretische Grundlagen Stefan Neuß Sebastian Soika http://www.inriver.bwl.lmu.de Newsletter Auf der Homepage unter http://www.inriver.bwl.uni-muenchen.de/studium/sommer_203/bachelorveranstaltungen/risiko_und_versicherungen/index.html
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
Mehr2. Rechnen Sie auf mindestens fünf genaue Ziffern (das sind nicht notwendigerweise fünf Nachkommastellen) im Endergebnis. 1
Fach: Prüfer: Finanzierung und Investition Prof. Dr. Dr. A. Löffler Veranstaltung: W2261 Entscheidungstheorie WS 8/9 Name Vorname Matrikelnummer Punkte Note Beachten Sie bitte folgende Hinweise: 1. Schreiben
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrDer Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }.
1 Grundlagen Entscheidungstheorie: Der Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }. Annahmen: Der Entscheidungsträger ist gezwungen, eine der betrachteten
MehrÜbung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen
Übung zu Risiko Entscheidungstheoretische Grundlagen Christoph Lex Dominik Lohmaier http://www.inriver.bwl.lmu.de Newsletter Auf der Homepage unter http://www.inriver.bwl.uni-muenchen.de/studium/sommer_04/bachelorveranstaltungen/risiko_und_versicherungen/index.html
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrNochmal: Indifferenzwahrscheinlichkeiten und Nutzenfunktion Reihung: Selbständigkeit Erfolg Geschäftsführer Vorstandsassistent Insolvenz
Nochmal: Indifferenzwahrscheinlichkeiten und Nutzenfunktion Reihung: Selbständigkeit Erfolg Geschäftsführer Vorstandsassistent Insolvenz Ref.-L.1: Selbst. Erfolg Sicher (300000) π = 1 1-π = 0 Selbständigkeit
MehrEV = (0, 2)(125) + (0, 3)(100) + (0, 5)(50) = 80.
Mikroökonomie I Übungsaufgaben Erwartungsnutzen 1. Warum ist die Varianz ein besseres Maß der Variabilität als die Spannweite? Die Spannweite ist der Unterschied zwischen dem höchsten möglichen Ergebnis
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrDieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
Die Riskoprämie ergibt sich also als ein Vielfaches der Varianz der zugrundeliegenden Unsicherheit Dieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrOptimale Portfolioentscheidung unter Risiko
unte Risiko Bei de Bildung eines Investmentpotolios stehen dem ET zahleiche Finanztitel zu Veügung. e küntige Peis eines Finanztitels und dementspechend auch die küntige Rendite des Finanztitels sind zum
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrPropädeutik Klausur in Analysis für Wirtschaftswissenschaftler
Universität Mannheim WS 998/99 Dr. Matthias Blonski Propädeutik Klausur in Analysis ür Wirtschatswissenschatler Man beachte olgende Hinweise:. Die Klausur umaßt 5 Augaben (jeweils au einem Blatt) zuzüglich
MehrVorlesung 3: Versicherungsnachfrage
Vorlesung 3: Versicherungsnachfrage Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie, FS 12 Versicherungsnachfrage 1/20 2 / 20 3. 1 Das Versicherungsnachfrageproblem
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrEndklausur Entscheidungstheorie WS 2009/2010 (A) S. 1 von 10. W2263 Entscheidungstheorie Endklausur
Endklausur Entscheidungstheorie WS 2009/2010 (A) S. 1 von 10 Zwischenklausur Fach: Prüfer: Veranstaltung: Finanzierung und Investition Prof. Dr. Dr. A. Löffler W2263 Entscheidungstheorie Endklausur Name
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Mai 2017 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 Mai 2017 1 / 12 1 Einleitung 2 Zufallsvariablen 3 Linearität
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrWir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir
Kapitel 3: Entropie Motivation Wir erinnern uns: Um eine Zuallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir log N Bits log p N Bits Die Inormation steht
MehrWichtige Informationen vorab
Wichtige Informationen vorab Wir haben eine Mailing Liste "Vorles- UebSS09Kapitalmarkt" eingerichtet. Über diese Mailingliste erhalten Sie in Zukunft die Vorlesungsunterlagen und die Übungsunterlagen.
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
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
MehrWann ist diese Vorgehensweise berechtigt? Hierzu:
IV. Risiko und Unsicherheit Risiko: Eine Entscheidung treffen, ohne den wahren Zustand der Welt zu kennen. Aber man kennt die Wahrscheinlichkeitsverteilung für die relevanten Zustände der Welt. z. B. {
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrPräferenzen zu Zahlwerten I
II-1 Präferenzen zu Zahlwerten I Erster Versuch: Durchzählen a > b > c > d > e Zuordnung von Zahlenwerten durch eine Funktion V e 1, d 2, c 3, b 4, a 5 Es gilt: Wenn x > y, dann V(x) > V(y) Aber: Differenzen
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrSei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable.
Aufgabe 1 (5 + 2 + 1 Punkte) Sei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable. a) Wie lautet die Verteilungsfunktion von X? Zeichnen Sie diese! 0 x < 2 1 F (x) = x 0.5 2 x 6
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrInvestitionsmanagement
Investitionsmanagement - Vorlesung 12 am 31012017 - Laura Gerke-Teufel, MA, LLM Ausgewählte Verfahren der unterjährigen Verzinsung - 2 - Unterjährige Effektivzinsberechnung Investitionsmanagement Vorlesung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrLösungshinweise zu Übungsblatt 2
Lösungshinweise zu Übungsblatt 2 Aufgabe 1: Unsicherheit Gegeben sei ein Individuum mit streng monoton steigender und konkaver von Neumann- Morgenstern Nutzenfunktion. a) Erklären Sie anhand einer geeigneten
MehrMaterialien zur Vorlesung. Portfolio-Selektion
Materialien zur Vorlesung Portfolio-Selektion Burkhard Erke Quellen: Schmidt/Terberger, Kap. 8; Brealey/Myers, Kap. 7/8 Juli 2002 Lernziele Diversifikation mindert das Risiko eines Portefeuilles Effiziente
MehrZufallsvariablen. Erwartungswert. Median. Perzentilen
Zufallsvariablen. Erwartungswert. Median. Perzentilen Jörn Loviscach Versionsstand: 22. Januar 2010, 10:46 1 Zufallsvariablen Wenn ein Zufallsexperiment eine Zahl als Ergebnis liefert, nennt man diese
MehrPropädeutikum Wahrscheinlichkeitsrechnung
Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
Mehr16 Risiko und Versicherungsmärkte
16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss
MehrAufgaben zum Aufstellen von Funktionen aus gegebenen Bedingungen
Augaben zum Austellen von Funktionen aus gegebenen Bedingungen 1. Die Parabel Gp ist der Graph der quadratischen Funktion p(. Diese Parabel schneidet die x-achse im Punkt N(6/0). Ihr Scheitelpunkt S(/yS)
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2011/2012)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 2011/2012 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrFolie zur Vorlesung Finanz- und Versicherungsmathematik Beispiel zu Nutzenfunktionen von risikoaversen Personen:
Folie zur Vorlesung Finanz- und Versicherungsmathematik 16.01.2013 Beispiel zu Nutzenfunktionen von risikoaversen Personen: Im folgenden sei X ein zufälliger Schaden und P die Prämie zur Übernahme des
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrVorlesung. Informationsökonomik und die Theorie der Firma
Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 2. Vorlesung 24.10.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 2. Vorlesung 24.10.2007
MehrVet. Med. Uni. Budapest 5. Übung Biomathematik 2017
5. Übung (Normalverteilung) Die Normalverteilung spielt eine sehr wichtige Rolle in den Biowissenschaften, unter anderem auch in der Tiermedizin. Ihre Wichtigkeit beruht an dem sog. zentralen Grenzwertsatz.
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrAbb lokales Maximum und Minimum
.13 Lokale Extrema, Monotonie und Konvexität Wir kommen nun zu den ersten Anwendungen der Dierentialrechnung. Zwischen den Eigenschaten einer Funktion, dem Verlau des zugehörigen Graphen und den Ableitungen
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
Mehr1. Aufgabe: Entscheidungen bei Ungewissheit
( WS 2012/13) 1. Aufgabe: Entscheidungen bei Ungewissheit Ein Entscheider steht vor dem Problem aus einer Menge von Investitionsalternativen (a 1, a 2,..., a 5 ) die beste Alternative auszuwählen. Zu welchem
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrBeurteilende Statistik
Beurteilende Statistik SIGNIFIKANZ UND HYPOTHESENTESTS 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 1 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 2 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK
Mehr