Finanzdienstleistungen [Anwendungen]

Größe: px
Ab Seite anzeigen:

Download "Finanzdienstleistungen [Anwendungen]"

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 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

Mehr

Aufgabe 1.3. Teil a) Teil b)

Aufgabe 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

Mehr

Vorlesung 2: Risikopräferenzen im Zustandsraum

Vorlesung 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

Mehr

Kapitel 5: Entscheidung unter Unsicherheit

Kapitel 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

Mehr

Vorlesung 3: Risikoaversion

Vorlesung 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

Mehr

Kapitel 5: Entscheidung unter Unsicherheit

Kapitel 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

Mehr

I. Grundlagen. I. Grundlagen 1. Entscheidungen unter Unsicherheit. 1. Entscheidungen unter Unsicherheit

I. 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

Mehr

Kapitel 13: Unvollständige Informationen

Kapitel 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

Mehr

Grundzüge der. Kapitel 5 Mikroökonomie (Mikro I) Entscheidungen unter Unsicherheit

Grundzüge 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)

Mehr

1.5 Erwartungswert und Varianz

1.5 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:

Mehr

Kapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen

Kapitel 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

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

Bachelorprüfung für Volkswirte

Bachelorprüfung 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.

Mehr

1.5 Erwartungswert und Varianz

1.5 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.

Mehr

Vergleich von Entscheidungsträgern bzgl. ihrer Risikoaversion:

Vergleich 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

Mehr

3. Betriebswirtschaftliche Entscheidungslehre 3.6 Entscheidung unter Risiko

3. 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,

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2010/2011)

Kurs 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

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 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

Mehr

wf = w 0 +E( x) Die Definition des Angebotspreises p a = wf w 0 ergibt daher: p a = E( x)

wf = 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:

Mehr

geplante Produktion a tatsächliche Produktion ã. Abweichung von geplanter Produktion etwa durch Streiks, Klima, Ausfall von Maschinen, etc.

geplante 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.

Mehr

Mikroökonomik. 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 Mikroökonomik Unsicherheit Harald Wiese Universität Leipzig Harald Wiese (Universität Leipzig) Unsicherheit 1 / 46 Gliederung Einführung Haushaltstheorie Das Budget Präferenzen, Indi erenzkurven und Nutzenfunktionen

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Neue Institutionenökonomik, Aufgabe 18 Seite 1

Neue 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

Mehr

4.2 Moment und Varianz

4.2 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

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik 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

Mehr

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe

9 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

Mehr

Übung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen

Übung 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

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina 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

Mehr

2. Rechnen Sie auf mindestens fünf genaue Ziffern (das sind nicht notwendigerweise fünf Nachkommastellen) im Endergebnis. 1

2. 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

Mehr

7.2 Moment und Varianz

7.2 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

Mehr

Der Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }.

Der 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

Mehr

Übung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen

Übung 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

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Nochmal: Indifferenzwahrscheinlichkeiten und Nutzenfunktion Reihung: Selbständigkeit Erfolg Geschäftsführer Vorstandsassistent Insolvenz

Nochmal: 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

Mehr

EV = (0, 2)(125) + (0, 3)(100) + (0, 5)(50) = 80.

EV = (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

Mehr

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.

Abiturvorbereitung 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

Mehr

Dieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.

Dieses 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.

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel 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

Mehr

Optimale Portfolioentscheidung unter Risiko

Optimale 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

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Propädeutik Klausur in Analysis für Wirtschaftswissenschaftler

Propädeutik 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

Mehr

Vorlesung 3: Versicherungsnachfrage

Vorlesung 3: Versicherungsnachfrage Vorlesung 3: Versicherungsnachfrage Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie, FS 12 Versicherungsnachfrage 1/20 2 / 20 3. 1 Das Versicherungsnachfrageproblem

Mehr

Vorlesung 5a. Zufallsvariable mit Dichten

Vorlesung 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

Mehr

4. Verteilungen von Funktionen von Zufallsvariablen

4. 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

Mehr

Endklausur Entscheidungstheorie WS 2009/2010 (A) S. 1 von 10. W2263 Entscheidungstheorie Endklausur

Endklausur 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

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur 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,

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Risiko und Versicherung - Übung

Risiko 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

Mehr

Wir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir

Wir 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

Mehr

Wichtige Informationen vorab

Wichtige 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.

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

2. Übung zur Vorlesung Statistik 2

2. 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

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK 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)

Mehr

Wahrscheinlichkeitsrechnung 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 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

Mehr

Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom

Wahrscheinlichkeitstheorie 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

Mehr

Zufallsvariable: Verteilungen & Kennzahlen

Zufallsvariable: Verteilungen & Kennzahlen Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert

Mehr

13 Grenzwertsätze Das Gesetz der großen Zahlen

13 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

Mehr

Wann ist diese Vorgehensweise berechtigt? Hierzu:

Wann 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. {

Mehr

Statistik für Ingenieure Vorlesung 3

Statistik 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

Mehr

Präferenzen zu Zahlwerten I

Präferenzen 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

Mehr

15.5 Stetige Zufallsvariablen

15.5 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

Mehr

Sei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable.

Sei 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

(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,

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Statistik 1 Beispiele zum Üben

Statistik 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

Mehr

Binomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.

Binomialverteilung. 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

Mehr

Unabhängige Zufallsvariablen

Unabhängige 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

Mehr

Investitionsmanagement

Investitionsmanagement Investitionsmanagement - Vorlesung 12 am 31012017 - Laura Gerke-Teufel, MA, LLM Ausgewählte Verfahren der unterjährigen Verzinsung - 2 - Unterjährige Effektivzinsberechnung Investitionsmanagement Vorlesung

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Lösungshinweise zu Übungsblatt 2

Lösungshinweise 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

Mehr

Materialien zur Vorlesung. Portfolio-Selektion

Materialien 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

Mehr

Zufallsvariablen. Erwartungswert. Median. Perzentilen

Zufallsvariablen. 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

Mehr

Propädeutikum Wahrscheinlichkeitsrechnung

Propädeutikum Wahrscheinlichkeitsrechnung Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige 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

Mehr

16 Risiko und Versicherungsmärkte

16 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

Mehr

Aufgaben zum Aufstellen von Funktionen aus gegebenen Bedingungen

Aufgaben 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)

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2011/2012)

Kurs 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

Mehr

Folie zur Vorlesung Finanz- und Versicherungsmathematik Beispiel zu Nutzenfunktionen von risikoaversen Personen:

Folie 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

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen 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

Mehr

5. Spezielle stetige Verteilungen

5. 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

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität 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

Mehr

Vorlesung. Informationsökonomik und die Theorie der Firma

Vorlesung. 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

Mehr

Vet. Med. Uni. Budapest 5. Übung Biomathematik 2017

Vet. 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.

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

Wichtige Definitionen und Aussagen

Wichtige 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

Mehr

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen

Kapitel 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

Mehr

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer

3.4 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

Mehr

Abb lokales Maximum und Minimum

Abb 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

Mehr

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II

Fakultät 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

Mehr

1. Aufgabe: Entscheidungen bei Ungewissheit

1. 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

Mehr

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme

Wahrscheinlichkeitsfunktion. 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Beurteilende Statistik

Beurteilende 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