Wagenhofer/Ewert Alle Rechte vorbehalten. 2.1 Informationsfunktion
|
|
- Birgit Meissner
- vor 7 Jahren
- Abrufe
Transkript
1 Wagenhofer/Ewert Alle Rechte vorbehalten. 2.1 Informationsfunktion
2 Ziele 2.2 Modellierung und Analyse von Informationssystemen Darstellung grundsätzlicher Einflussfaktoren für die Vorteilhaftigkeit von Informationssystemen im Individualkontext Darstellung der Wirkungen von Informationssystemen im Mehrpersonenkontext Aufzeigen von Problemen, optimale Informationssysteme im Rahmen des Mehrpersonen- und Kapitalmarktkontextes zu finden
3 Problemstellung 2.3 Externe Rechnungslegung Ist ein kapitalmarktorientiertes Informationsinstrument Enthält Angaben über die wirtschaftliche Lage Beeinflusst Erwartungen der Anleger Hat Konsequenzen für Kapitalkosten und Investitionstätigkeit Wie aber soll die Rechnungslegung konkret gestaltet werden? Bilanzierungs- und Bewertungsmethoden, Umfang der geforderten Angaben und Informationen? Was beeinflusst ganz grundsätzlich den Bedarf an und den Nutzen von Informationen?
4 Entscheidungstheoretische Grundlagen (1) 2.4 Nutzen von Informationen ergibt sich nicht durch deren Konsum Wert von Informationen resultiert indirekt durch Verbesserung der Entscheidungen Informationen Präferenzen Entscheidungsfeld Gewählte Alternative Zielerreichung (Nutzen)
5 Entscheidungstheoretische Grundlagen (2) 2.5 Entscheidungsfeld Aktionsraum A mit a A Zustandsraum Θ mit θ Θ Verteilung F mit Wahrscheinlichkeiten f(θ) Ergebnisfunktion x(a, θ) Präferenzen Nutzenfunktion U(x) des Entscheidungsträgers Maximierung des Erwartungsnutzens ( θ ) (, θ ) EU a U x a f θ Θ
6 Entscheidungstheoretische Grundlagen (3) 2.6 Optimale Entscheidung EU a = max EU ( a) a A Beispiel: Drei gleichwahrscheinliche Zustände, Nutzenfunktion U(x) = x Aktion θ 1 θ 2 θ 3 a a a EU ( a ) ( 1 = ) = 4,807 1 EU ( a ) ( 2 = ) = 3,951 1 EU ( a ) ( 3 = ) = 4,582 a = a1 mit EU a = 4,807
7 Informationssysteme 2.7 Basisinformationen des Entscheiders sind in f(θ) Beschaffung zusätzlicher Informationen beinhaltet den Erhalt eines Signals y Y Erhalt von y Interpretation Neue Wahrscheinlichkeiten f(θ y) Geänderte Erwartungsnutzen EU(a y) Neue signalbedingt optimale Entscheidung: a y = arg max EU a y a A y
8 Interpretation der Signale 2.8 Voraussetzung für eine Erwartungsänderung Systematische Beziehung zwischen den Zuständen θ und den Signalen y Diese Beziehungen sind regelmäßig stochastisch Die Beziehungen werden in sogenannten Likelihoods f(y θ) ausgedrückt Sie geben an, mit welcher Wahrscheinlichkeit man das Signal y erhalten wird, wenn θ der tatsächlich eintretende Zustand ist In den Likelihoods spiegelt sich das Wissen um die Eigenschaften des Informationssystems wider
9 Vollkommene Information (1) 2.9 Ausgangspunkt: Obiges Beispiel mit drei gleichwahrscheinlichen Zuständen Informationssystem hat folgende Signale {,, } Y = y y y Zustände Signale θ 1 y 1 θ 2 y 2 θ 3 y 3 Jeder Zustand ist also umkehrbar eindeutig mit einem bestimmten Signal verbunden! Eindeutiger Rückschluss vom Signal auf den Zustand möglich!
10 Vollkommene Information (2) 2.10 Likelihoods Zustände Signal θ 1 θ 2 θ 3 y y y ( j θ j) ( i θ j) f y = 1, f y = 0 i j j = 1, 2,3 Daraus erhält man zb für die Wahrscheinlichkeit f(y 1 ) = ( θ ) ( θ ) = 1 ( θ ) + 0 ( θ ) + 0 ( θ ) = ( θ ) f y f y f f f f f 1 1 j j θ j Entsprechend folgt = ( θ ) = ( θ ) f y f f y f
11 Vollkommene Information (3) 2.11 Die Erwartungsrevision zu den a posteriori-wahrscheinlichkeiten f(θ y) ergibt sich allgemein aus dem Bayes-Theorem f ( θ y) f yθ f θ f yθ f θ = = f y f y f ( θ ) ( θ ) θ Im Beispiel führt dies für y 1 auf 1 f θ 0 f θ 0 f θ f θ y = = 1; f θ y = = 0; f θ y = = f θ1 f θ1 f θ1 Die anderen a posteriori-wahrscheinlichkeiten sind analog ( θ1 2) ( θ2 2) ( θ3 2) ( θ1 3) ( θ2 3) ( θ3 3) f y = 0; f y = 1; f y = 0 f y = 0; f y = 0; f y = 1
12 Partitionierung und Information 2.12 Partitionierung Gegeben sei eine Menge M und ein System von Teilmengen T i M (i = 1,...,n). Die n Teilmengen bilden eine Partitionierung der Menge M, wenn sie paarweise disjunkt sind und ihre Vereinigung gerade der Menge M entspricht: i j (, 1, K, ; ) T T = i j = n i j UTi i = M Sei etwa M = {a,b,c, d}. Partitionierungen von M sind zb T 1 = {a,b}, T 2 = {c,d}, ebenso T 1 = {a,d}, T 2 = {b,c}. Keine Partitionierungen wären dagegen T 1 = {a,b}, T 2 = {d} (die Vereinigung beider Teilmengen ergibt nicht M) oder T 1 = {a,b,c}, T 2 = {b,c,d} (die beiden Teilmengen sind nicht disjunkt). Der Erhalt von Informationen kann als Partitionierung aufgefasst werden: Nach Empfang von y ist nur noch eine Teilmenge von Θ relevant! Im obigen Beispiel mit vollkommener Information gilt etwa { θ } { { } { } 1, θ2, θ3 } y y y 1 2 3
13 Unvollkommene Information (1) 2.13 Beziehung zwischen Signalen und Zuständen Jeder Zustand ist eindeutig mit einem bestimmten Signal verknüpft Es gibt aber mehrere Zustände, mit denen das gleiche Signal verbunden ist Daher keine umkehrbar eindeutige Beziehung Verdeutlichung Zustände Signale θ 1 y 1 θ 2 θ 3 y 2
14 Unvollkommene Information (2) 2.14 Die Likelihoodstruktur für dieses System ist Zustände Signal θ 1 θ 2 θ 3 y y Daraus erhält man die Partitionierung { { θ, θ },{ θ }} { y Die revidierten Erwartungen gemäß Bayes-Theorem sind daher f ( θ ) ( θ1 2) ( θ2 2) ( θ3 2) y 2 f ( θ ) f θ y = ; f θ y = ; f θ y = f θ1 + f θ2 f θ1 + f θ2 f y = f y = 0; f y = 1
15 Allgemeine Partitionsdarstellung (1) 2.15 Informationssystem wird aufgefasst als Funktion von Zuständen in Signale y = Y( θ ) θ Θ Mit jedem Signal ist daher eine Teilmenge von Zuständen verbunden { } ( y) θ y Y( θ ) Θ = Θ = Die Likelihoods ergeben sich dabei generell wie folgt ( θ) θ ( θ) f y = 1 Θ y ; f y = 0 sonst Dies ergibt die Partitionierung ( yi) ( yj) i, j; U ( y) Θ Θ = Θ =Θ y
16 Allgemeine Partitionsdarstellung (2) 2.16 Man erhält daher das Signal y mit folgender Wahrscheinlichkeit ( θ ) f y = f θ Θ ( y) Und die Erwartungsrevisionen ergeben sich allgemein wie folgt f ( θ y) ( θ ) f ( θ ) f für θ Θ = θ Θ( y) 0 sonst ( y)
17 Vorteil von (kostenlosen) Informationen Überblick 2.17 Ohne Information Entscheider hat Aktionsraum A Er besitzt Erwartungen gemäß der Verteilung F Er wählt die optimale Aktion a* Zielerreichung EU(a*) Mit Information Entscheider erhält Signal y Sein Aktionsraum ist A(y) Seine neuen Erwartungen sind F(y) mit f(θ y) Er wählt die signalbedingt optimale Aktion a*(y) Signalbedingte Zielerreichung EU(a*(y) y) Ermittlung des Wertes des Informationssystems EU[Y] Information y erlangt Erwartungsrevision auf EU[a y] Entscheidung a Ergebnis
18 Signalbedingte Entscheidungen 2.18 Die Verwendung des Informationssystems lohnt sich genau dann, wenn gilt Nach dem Erhalt von y resultiert bei Wahl einer Aktion a der Nutzen 1 EU ( a y) = U ( x( a, θ )) f ( θ y) = U x a, θ f θ f θ Θ y ( y) θ Θ ( y) ( ) Die signalbedingt optimale Entscheidung ergibt sich aus a y = arg max EU a y a A y Beim Individualkontext wird typischerweise unterstellt A( y) = A y EU Y = f y EU a y y EU a
19 Vorteil von Informationen im Individualkontext (1) 2.19 Erwartungsnutzen EU(Y) bei beliebiger Strategie a(y) ( θ ) (, θ ) EU Y = f y EU a y y = U x a y f y Y y Y θ Θ y Gilt stets a(y) = a* (bei A(y) = A immer möglich), folgt ( ) EU Y a y = a = f y EU a y = ( y) y Y ( ) U x a, θ f θ = U x a, θ f θ = EU a y Y θ Θ θ Θ Man kann sich also nie verschlechtern, weil der Status Quo ohne Information stets erreichbar ist!
20 Vorteil von Informationen im Individualkontext (2) 2.20 Wählt man dagegen für wenigstens ein Signal y eine von a* abweichende Aktion a*(y ), so muss gelten ( ( ) ) > ( ) EU a y y EU a y Daraus folgt dann für die Differenz der Erwartungsnutzen = ( ) ( ( ) ) ( ) > 0 EU Y EU a f y EU a y y EU a y
21 Beispiel 2.21 Drei gleichwahrscheinliche Zustände, Nutzenfunktion U(x) = x Aktion θ 1 θ 2 θ 3 a a a (a*=a 1 mit EU(a*)=4,807) Informationssystem sei { θ } { { } 1, θ2, θ3 } y 123 y 1 2 Offenbar ist a*(y 1 ) = a 1. Beim Erhalt von y 2 ergibt sich a*(y 2 ) aus: 1 EU ( a ) 1 y 2 = = 4, EU a2 y 2 = = 4,345 a ( y ) = a 2 1 EU ( a ) 3 y 2 = = 5, EU ( Y ) = 5, ,458 = 5,464 > EU ( a ) = 4,
22 Informationsumfang Konzept 2.22 Fragestellung: Ist mehr (kostenlose) Information stets besser als weniger (kostenlose) Information? Problem: Präzisierung des Informationsumfangs Idee Angenommen, man hat zwei Informationssysteme Y und Y f Das System Y f beinhaltet mehr Information als Y, wenn man für jedes Signal y f Y f exakt angeben kann, welches Signal y Y man erhalten hätte, so dass man letztlich beim System Y f stets mindestens so viel weiß wie beim System Y, regelmäßig aber die Zustände noch genauer eingrenzen kann, was impliziert, dass die mit Y f verbundene Partitionierung feiner ist als diejenige von Y
23 Partitionierung und Feinheit (1) 2.23 Folgende beiden Informationssysteme sollen verglichen werden: System Y f f y1 Zustände θ 1 System Y f y2 θ 2 θ 3 y 1 f y3 θ 4 y 2 f f f ( y1 ) { θ1} ( y2 ) { θ2, θ3} ( y3 ) { θ4} Θ = Θ = Θ = ( y ) { θ, θ, θ } ( y ) { θ } Θ = Θ = Y f beinhaltet weitere Partitionierung der Teilmenge Θ(y 1 ):
24 Partitionierung und Feinheit (2) 2.24 Allgemeine Definition der Feinheitsrelation Ein System Y f ist genau dann feiner als ein System Y, wenn es zu jedem Signal y f aus Y f ein Signal y des Systems Y gibt, so dass Θ(y f ) eine Teilmenge von Θ(y) ist: y f Y f : y Y mit Θ y f Θ y Folgende beiden Systeme lassen sich zb nicht danach ordnen: System Y n Zustände System Y n y1 θ 1 n und n y1 y1 ( y2) ( y1) Θ Θ Θ Θ n y2 θ 2 y 1 Aber: n y3 θ 3 θ 4 y 2 n und n y3 y1 ( y3 ) ( y2) Θ Θ Θ Θ
25 Feinheitstheorem 2.25 Feinheitstheorem (Blackwell-Theorem) Seien zwei (kostenlose) Informationssysteme Y f und Y gegeben, wobei Y f feiner als Y ist. Dann ist im Rahmen einer Individualanalyse die Zielerreichung bei Y f mindestens so groß wie diejenige bei Y, dh: EU*(Y f ) EU*(Y). Beweis Analog zur Vorteilhaftigkeit eines (einzelnen) kostenlosen Informationssystems Es ist wegen A(y) = A und A(y f ) = A beim System Y f stets der Status Quo des Systems Y erreichbar Wird also eine Teilmenge Θ(y) durch mehrere y f weiter partitioniert, so kann man für jedes dieser y f stets a*(y) wählen und erzielt die gleiche Zielerreichung wie bei y. Weicht man für wenigstens ein y f davon ab, dann nur deswegen, weil man dort einen höheren Nutzen erzielt
26 Aspekte des Feinheitstheorems 2.26 Eigenschaften Feinheitstheorem gilt für Individualkontext (A(y) = A) Informationskosten werden nicht betrachtet Ansonsten gilt es problemunabhängig, dh für beliebige Nutzenfunktionen für beliebige Wahrscheinlichkeitsverteilungen für beliebige Aktionsräume und Ergebnisfunktionen Feinheitstheorem knüpft rein an Eigenschaften von Informationssystemen an Allerdings können nicht alle Informationssysteme gemäß der Feinheitsrelation geordnet werden
27 Informationskosten (1) 2.27 Einsatz eines Informationssystems typischerweise nicht kostenlos Allgemein können die Informationskosten k vom System Y, der gewählten Aktion a und dem Zustand θ abhängen, dh k = k(y,a,θ) Der signalbedingte Erwartungsnutzen bei Wahl einer Aktion a ist dann: 1 ( (, θ) (,, θ) ) ( θ ) EU a y = U x a k Y a f y = f ( y) k ( y) θ Θ ( (, θ) (,, θ) ) ( θ) U x a k Y a f θ Θ
28 Informationskosten (2) 2.28 Zielerreichung beim Einsatz des Systems Y beträgt ( k ) = EU Y f y EU a y y k y Y Der Einsatz von Y lohnt sich genau dann, wenn gilt EU Y EU a k Bei Risikoneutralität und aktionsunabhängigen Kosten folgt 1 ( (, θ) (, θ) ) ( θ ) EU a y = x a k Y f y = f ( y) k ( y) θ Θ ( ( θ) ( θ) ) ( θ) k (% ) x a, k Y, f =Ε x a, y Ε k% Y y θ Θ Informationskosten beeinflussen die Aktionswahl nicht!
29 Informationskosten (3) 2.29 Zielerreichung des Entscheiders y Y % k y Y % (, ) ( % ) EU Y = f y Ε x a y y Ε k Y y = (, ) ( % ) ( %) f y Ε xa y y Ε k Y = EU Y Ε k Y Einsatz von Y genau dann vorteilhaft, wenn Ε ( % ) EU Y EU a k Y Informationsinduzierte Bruttoverbesserung des Erwartungsnutzens muss die erwarteten Informationskosten übersteigen (Diese Formulierung gilt unter allgemeineren Bedingungen aber nicht mehr.)
30 Mehrpersonenkontext 2.30 Die externe Rechnungslegung wendet sich an eine Vielzahl von Personen Ihnen gehen die Informationen gemeinsam zu Die Entscheidung über gute Varianten der Rechnungslegung muss dies berücksichtigen Relevante Aspekte sind insbesondere Probleme eines Standardsetters bei der Auswahl von Informationssystemen Wert von Informationssystemen bei Handlungsverbundenheit im Kapitalmarktkontext Potenzielle Unterschiede zwischen den Kriterien Entscheidungsnützlichkeit und Anreiznützlichkeit
31 Probleme eines Standardsetters 2.31 Wie kann ein Standardsetter unter dem Aspekt der Entscheidungsnützlichkeit das allgemein optimale Informationssystem finden? Antwort: Allgemein gar nicht! Begründung Die Parameter der individuellen Entscheidungsprobleme (Nutzenfunktionen, Erwartungen, Aktionsräume...) können sehr unterschiedlich sein Selbst bei Vernachlässigung der Kosten ist Feinheitskriterium nicht anwendbar, weil sich nicht alle Informationssysteme danach ordnen lassen Eine Entscheidung über derart nicht vergleichbare Systeme hängt aber vom spezifischen Entscheidungskontext ab
32 Beispiel Zwei Investoren mit jeweils U(x) = x und folgenden Entscheidungsproblemen: (die Zustände sind gleich wahrscheinlich) Investor 1 Investor Aktion θ 1 θ 2 θ 3 a a Aktion θ 1 θ 2 θ 3 a a ( 1) = 1 a I a ( 2) = 3 a I a Zwei (gemäß Feinheit nicht vergleichbare) Informationssysteme stehen zur Wahl: Y {{ θ θ } { θ }} Y { θ } { θ θ } { } :,, :,, Investor 1: - würde gerne genau wissen, ob θ 2 vorliegt, - weil er dann stets die Aktion wählen kann, die zum höchsten zustandsbedingten Ergebnis führt, - so dass er System Y 1 präferiert, - während Y 2 für ihn völlig wertlos ist Investor 2: - würde gerne genau wissen, ob θ 1 vorliegt, - weil er dann stets die Aktion wählen kann, die zum höchsten zustandsbedingten Ergebnis führt, - so dass er System Y 2 präferiert, - während Y 1 für ihn völlig wertlos ist
33 Folgerungen 2.33 Ohne Informationskosten Standardsetter müsste sich für einen Investor entscheiden Der jeweils andere wird aber nicht schlechter gestellt (für jeden Investor gilt immer noch A(y) = A) Ausweg: Sind die Systeme kostenlos, könnte man einfach beide zur Verfügung stellen (muss feiner sein als jedes einzelne System und daher für jeden Investor besser) Mit Informationskosten Beurteilung kann generell nicht unabhängig vom konkreten Entscheidungsproblem vorgenommen werden Obige Lösung ist schon a priori nicht mehr plausibel Standardsetter kennt zudem die Parameter der individuellen Probleme nicht, müsste sich aber selbst bei deren Kenntnis für bestimmte Investoren entscheiden Dies kann andere Investoren streng benachteiligen Verteilungseffekte
34 Handlungsverbundenheit an Kapitalmärkten 2.34 Problem Die Informationen ändern Erwartungen und Entscheidungen Daraus ergeben sich veränderte Marktpreise Diese sind ihrerseits Determinanten der Aktionsräume Man kann nicht mehr von A(y) = A ausgehen Präferenzen Entscheidungen der Anleger Erwartungen Informationen Aktionsräume Marktpreise
35 Portefeuillemodell - Annahmen 2.35 Einperiodiger Markt Ein risikobehaftetes Wertpapier mit Preis P Überschuss (Endwert) am Periodenende x = µ + θ Störgröße θ normalverteilt mit Erwartungswert 0 und Varianz σ 2 Erwartungswert der Überschüsse daher E(x) = µ I Investoren, homogene Erwartungen, a i = Anteile von Investor i am risikobehafteten Wertpapier b i = Betrag, den Investor i sicher zum Zinssatz 0 investiert Nutzenfunktion negativ exponentiell: U i (W i ) = -exp(-r i W i ) W i = unsicheres Endvermögen = a i x + b i Endvermögen W i normalverteilt, daher Orientierung am Sicherheitsäquivalent SÄ möglich 1 SÄi =Ε( W% i) ri Var ( W% i) 2
36 Lösung ohne Information (1) 2.36 Budgetrestriktion eines Investors bindet im Optimum ai P bi mi P bi b = P m a + b + + Für den Endwert erhält man i i i i W% = a x% + b = a x% P + m P+ b i i i i i i Sicherheitsäquivalent 1 1 SÄi =Ε Wi ri Var Wi = ai P + mi P + bi ri a i 2 2 ( % ) ( % 2 2 ) ( μ ) σ Optimaler Wertpapierbestand SÄ a i i = μ P r a σ = 0 a = 2 i i i μ P 2 r σ i
37 Lösung ohne Information (2) 2.37 Im Gleichgewicht muss der Markt geräumt sein i a m M i = Einsetzen der optimalen Politiken erbringt i μ P μ P 1 μ P ai = = r 2 2 i = R= M 2 ri σ σ { σ i i i i R Dies lässt sich nach dem Preis P auflösen P = μ R M σ 1 2
38 Lösung ohne Information (3) 2.38 Einsetzen von P in die Lösung für die Politiken führt auf a i 1 1 M R ri = = M 1 ri ri i Sicherheitsäquivalent im Gleichgewicht ( a ) 2 i SÄ = m μ+ b + r σ a m 2 2 i i i i i i
39 Bereitstellung perfekter Information Die Anleger erhalten vor dem Handel folgende Signale y: y% = μ + % θ = x% 2.39 Erwartungsrevision bei normalverteilten Zufallsvariablen Angenommen, zwei normalverteilte Zufallsvariablen werden wie folgt definiert: ( μx, σ x ) % 2 x N ( μy, σ y ) % 2 y N Der Korrelationskoeffizient lautet ρ ( %, %) ( σ x σ y ) Cov x y. Dann folgt aus der Theorie bivariat normalverteilter Zufallsvariablen folgende Beziehung für die bedingten Erwartungswerte und Varianzen: Ε ( % x ) ( x%, y% ) = σ μ + ρ μ μ μ σ = + Cov xy σ x y y x y 2 y y Cov Var ( x% y ) = σ x ( 1 ρ ) = σ x σ y ( x%, y% ) 2 Für vollkommene Information von y über x gemäß obigem Ausdruck gilt: μ = μ = μ, σ = σ = σ = θ % θ % 2 Cov x%, y% Cov, = σ. Einsetzen in die x y x y und allgemeinen Ausdrücke erbringt ( xy % ) y Var( xy % ) Ε = und = 0 2 y
40 Lösung mit Information (1) 2.40 Nach Erhalt von y ist kein Risiko mehr vorhanden, daher folgt für SÄ SÄ y = a y P y + m P y + b i i i i Signalbedingt optimaler Wertpapierbestand SÄ i a ( y) i 0 = y P y = P y = y - Marktpreis ist perfekt mit der Information y korreliert - Keine Risiken mehr nach Erhalt von y - Daher eigentlich kein Grund mehr zum Handeln am Markt aus Gesichtspunkten der Risikoteilung - Verbleibender Handelsgrund: Unterschiedliche Anfangsausstattungen - Dieses Motiv wird wegen der obigen Preiseigenschaft ausgehebelt - Beim gleichgewichtigen Preis ist ein Handel für jeden Investor faktisch egal
41 Lösung mit Information (2) 2.41 Nach Erhalt von y hat jeder Anleger daher ein sicheres Endvermögen, das faktisch alleine von seiner Anfangsausstattung abhängt: ( μ θ ) SÄ y = m y + b = m + + b i i i i i - Vor dem Erhalt von y besteht aber (Informations-) Risiko - Ex ante ist das Endvermögen weiterhin normalverteilt Sicherheitsäquivalent dieses risikobehafteten Vermögens 1 SÄ = m μ + b r m σ 2 Y 2 2 i i i i i
42 Lösung mit Information (3) 2.42 Vorteil aus dem Einsatz des Informationssystems ( ai ) 2 Y SÄi SÄi = ri m i σ ri σ ai m i = ( 2 ) 2 2 ri σ ai 2 mi ai + mi = ri σ ( ai mi) Kein Anleger kann sich wirklich verbessern - Jeder, der ohne Information handeln würde, erfährt eine echte informationsinduzierte Nutzeneinbuße Informationsablehnungstheorem
43 Diskussion Auf den ersten Blick günstige Informationslage Information y kommt vor dem Handel an den Markt Man kann daher darauf reagieren Die Information ist vollkommen und eliminiert jegliches Risiko Außerdem ist sie kostenlos verfügbar Wäre im Individualkontext hinreichend für maximalen Informationswert Im Marktkontext diametral umgekehrt Risikovernichtung gilt ja nur ex post, nicht aber ex ante Das ex ante verbleibende Informationsrisiko ist jetzt wegen der ex post-preise P(y) nicht mehr am Markt handelbar Es entspricht aber faktisch dem ursprünglichen Risiko σ 2, welches ohne Information durch Handel geteilt worden wäre Daher kann die Information niemandem nützen 2.43
44 Relativierungen Zeitliche Struktur des Problems Modell enthielt keine Möglichkeit zum Handel vor Information Erfassung über sogenanntes sequenzielles Marktregime Dort gilt Informationsablehnung für ein System Y nicht mehr Ggf aber noch möglich beim Vergleich mehrerer Systeme Einbeziehung von Investition und Produktion eröffnet neue Vorteile für Informationen Private Beschaffung eines Systems Y Einzelner Anleger handelt bei gegebenen Preisen gemäß individuellem Kosten-Nutzen-Tradeoff Kann dazu führen, dass jeder privat das System Y beschafft Gesamtwirkungen wie bei Informationsablehnung, kann aber nicht wirksam unterdrückt werden Öffentliche Bereitstellung kann dann effizienter sein 2.44
45 Folgerungen für Standardsetter Präzisierung der Funktion der Rechnungslegung Beachtung des Mehrpersonenkontextes Distributionseffekte verhindern Standards, die einmütig als optimal gelten können (ggf sogar Informationsablehnung) Abschätzen der Verteilungswirkungen erfordert Kenntnisse der individuellen Entscheidungsprobleme Diese sind realiter kaum zu erheben Man agiert faktisch im Nebel Umgekehrt kann mit geeigneter Argumentation fast alles begründet werden Ausweg: Typisierung der Anlegerprobleme Problem: In welche konkrete Richtung? Ergänzung durch empirische Forschung zur Abschätzung der Kapitalmarktkonsequenzen 2.45
Wert von Informationssystemen
http://controlling.unigraz.at/de/stud0/lehrveranstaltungsmaterialien/ Wagenhofer/Ewert 2015. Alle Rechte vorbehalten. Wert von Informationssystemen 2.1 Ziele Modellierung und Analyse von Informationssystemen
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
MehrInvestition und Finanzierung
- Zusatzfolien zur Portfoliotheorie und CAPM- Portfoliotheorie Die Portfoliotheorie geht auf Harry Markowitz zurück. Sie gibt Anlegern Empfehlungen, wie sie ihr Vermögen auf verschiedenen Anlagemöglichkeiten
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
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
MehrExterne Berichterstattung umfasst alle Informationssysteme, die an unternehmensexterne Benutzer/Adressaten gerichtet sind.
Externe Berichterstattung Externe Berichterstattung umfasst alle Informationssysteme, die an unternehmensexterne Benutzer/Adressaten gerichtet sind. Duale Funktionsweise: Decision usefulness: - Bereitstellung
MehrBayes sches Updating (I)
Bayes sches Updating (I) Likelihood-Matrix L (bedingte Wsk. für Nachrichten) L m 1 m 2 m L z 1 q 1 1 = j 11 /π 1 q 2 1 = j 12 /π 1 q L 1 = j 1L /π 1 z 2 q 1 2 = j 21 / π 2 q 2 1 = j 22 /π 2 q L 2 = j 2L
MehrExkurs zur Spieltheorie. 1 Statische Spiele mit unvollständiger Information
Wettbewerbstheorie und -politik Spieltheorie-1 Dr. Florian Englmaier Exkurs zur Spieltheorie Bisher haben wir stets Spiele mit vollständiger Information analysiert (complete information). Alle Spieler
MehrVorlesung 4: Risikoallokation
Vorlesung 4: Risikoallokation Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie, FS 12 Risikoallokation 1/23 2 / 23 4.1 Einleitung Bisher haben wir uns ausschliesslich
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
Mehr(a)... ein Spieler eine Entscheidung treffen muss... (b)... der andere Spieler (Experte) über private...
1 KAP 19. Expertenberatung Wir betrachten eine Modell, in dem... (a)... ein Spieler eine Entscheidung treffen muss... (b)... der andere Spieler (Experte) über private...... entscheidungsrelevante Information
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
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
MehrLehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm
Lehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm A b s c h l u s s k l a u s u r z u r V o r l e s u n g K a p i t a l m a r k t t h e o r i e W i n t e r s e m e s t e r 1 9 9 9 / 2
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
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
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
MehrVerfeinerungen des Bayesianischen Nash Gleichgewichts
Spieltheorie Sommersemester 007 Verfeinerungen des Bayesianischen Nash Gleichgewichts Das Bayesianische Nash Gleichgewicht für Spiele mit unvollständiger Information ist das Analogon zum Nash Gleichgewicht
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrHistorische Renditen, Experteninterviews, Analyse von Marktpreisen
1 Portfoliotheorie 1.1 Grundlagen der Portfoliotheorie 1.1.1 Welche vier grundsätzlichen Anlageziele werden von Investoren verfolgt? Minimales Risiko Liquidation wenn nötig Hohe Rendite Gewinnmaximierung
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
MehrFinanzwirtschaft. Foliensatz Vertiefungskurs aus ABWL: im Sommersemester Teil / 2 und 7 Univ. Ass. Dr. Matthias G.
Universität Wien Institut für Betriebswirtschaftslehre ABWL IV: Finanzwirtschaft 400 026/2+7 Univ. Ass. Dr. M.G. Schuster Foliensatz Vertiefungskurs aus ABWL: Finanzwirtschaft im Sommersemester 2004 2.
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
Mehr2.4 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
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre
Lösungshinweise zur Einsendearbeit des A-Moduls Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre, Kurs 0009, KE 4, 5 und 6, SS 00 Kurs 0009: Finanzierungs- und entscheidungstheoretische
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
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:
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2008/2009)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 2008/2009 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrVorlesung 3: Versicherungsnachfrage
Vorlesung 3: Versicherungsnachfrage Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie, FS 12 Versicherungsnachfrage 1/20 2 / 20 3. 1 Das Versicherungsnachfrageproblem
MehrRechnungslegung der Unternehmen und Kapitalmarkt aus informationsökonomischer Sicht
Thomas Hartmann-Wendeis Rechnungslegung der Unternehmen und Kapitalmarkt aus informationsökonomischer Sicht Mit 25 Abbildungen Physica-Verlag Heidelberg Inhaltsverzeichnis 1. Einleitung 1 2. Das externe
Mehr= a bn, Grenzertrag: n. d) Wie oben, allerdings muss pro Boot eine Steuer von t entrichtet werden: π
h~éáíéä=sw=bñíéêåé=bññéâíé=ìåç= ÑÑÉåíäáÅÜÉ=dΩíÉê= ösungsskizze zu ufgabe 6.1 a) Vollkommener Wettbewerb: p = MC 60 q = q q = 0 p = 0 gesamt p S b) sozial optimal: MC = MC + MC = 4q 60 q = 4q q = 10 p =
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrKlausur Entscheidungstheorie WS 2010/2011 S. 1 von 11
Klausur Entscheidungstheorie WS 2010/2011 S. 1 von 11 Fach: Prüfer: Veranstaltung: Finanzierung und Investition Prof. Dr. Dr. A. Löffler W2263 Entscheidungstheorie Name Vorname Matrikelnummer Punkte Beachten
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
Mehr68 Abschätzungen für Abweichungen vom Erwartungswert
68 Abschätzungen für Abweichungen vom Erwartungswert 68.1 Motivation Mit der Varianz bzw. Standardabweichungen kennen wir bereits ein Maß für die Fluktuation einer Zufallsvariablen um ihren Erwartungswert.
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
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Modellevaluierung. Niels Landwehr
Universität Potsdam Institut für Informatik ehrstuhl Maschinelles ernen Modellevaluierung Niels andwehr ernen und Vorhersage Klassifikation, Regression: ernproblem Eingabe: Trainingsdaten Ausgabe: Modell
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
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
MehrVorlesung 2: Erwartungsnutzen
Vorlesung 2: Erwartungsnutzen Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 2 (FS 11) Erwartungsnutzen 1 / 28 1. Modellrahmen 1.1 Die Alternativen Wir betrachten
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
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
MehrDas Konzept der Decision Usefulness nach IFRS aus informationsökonomischer Sicht
Wirtschaft Antje Adams Das Konzept der Decision Usefulness nach IFRS aus informationsökonomischer Sicht Studienarbeit 1 Johannes Gutenberg-Universität Mainz FB 03: Wirtschaftswissenschaftliches Seminar
Mehr2. Rechnen Sie auf mindestens fünf genaue Ziffern (das sind nicht notwendigerweise fünf Nachkommastellen) im Endergebnis. 1
Fach: Prüfer: Veranstaltung: CP anrechnen lassen für: ggfls. streichen und dann bitte Veranstaltung und Prüfungsnummer angeben Banken und Finanzierung Prof. Dr. Dr. A. Löffler Entscheidungstheorie SS7
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrThema 3: Wechselkursrisiko, Hedging und Spekulation
Thema 3: Wechselkursrisiko, Hedging und Spekulation Wechselkursrisiko: kommt in der Wahrscheinlichkeitsverteilung unsicherer zukünftiger Wechselkurse zum Ausdruck, durch die der Wertausweis (in Inlandswährung)
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
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
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrProxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
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
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
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrBachelorprüfung für Volkswirte. Mikroökonomie II
Seminar für Wirtschaftstheorie Prof. Thorsten Chmura Bachelorprüfung für Volkswirte Mikroökonomie II Die Klausur besteht aus drei Aufgaben auf insgesamt 16 Seiten. Alle drei Aufgaben müssen bearbeitet
Mehr2. Prinzipien der Datenreduktion
2. Prinzipien der Datenreduktion Man verwendet die Information in einer Stichprobe X 1,..., X n, um statistische Inferenz über einen unbekannten Parameter zu betreiben. Falls n groß ist, so ist die beobachtete
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-43 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrRisikomessung mit dem Conditional Value-at-Risk
Jendrik Hanisch Risikomessung mit dem Conditional Value-at-Risk Implikationen für das Entscheidungsverhalten. Bibliothek j k Mit einem Geleitwort von \* \, -^ Prof. Dr. Wolfgang Kürsten A; Verlag Dr. Kovac
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
Mehrbzw. die Entscheidugen anderer Spieler (teilweise) beobachten Erweitert das Analysespektrum erheblich Beschreibung des Spiels (extensive Form)
1 KAP 9. Dynamische Spiele Bisher: alle Spieler ziehen simultan bzw. können Aktionen der Gegenspieler nicht beobachten Nun: Dynamische Spiele Spieler können nacheinander ziehen bzw. die Entscheidugen anderer
MehrSpieltheorie Teil 4. Tone Arnold. Universität des Saarlandes. 20. März 2008
Spieltheorie Teil 4 Tone Arnold Universität des Saarlandes 20. März 2008 Tone Arnold (Universität des Saarlandes) Spieltheorie Teil 4 20. März 2008 1 / 64 Verfeinerungen des Nash GGs Das Perfekte Bayesianische
MehrEin sortiertes Feld kann in O(log n) durchsucht werden, z.b. mit Binärsuche. Der Algorithmus 1 gibt den Pseudocode der binären Suche an.
2.5 Suchen Eine Menge S will nach einem Element durchsucht werden. Die Menge S ist statisch und S = n. S ist Teilmenge eines Universums auf dem eine lineare Ordnung definiert ist und soll so gespeichert
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrProbeklausur zur Mikroökonomik II
Prof. Dr. Robert Schwager Wintersemester 005/006 Probeklausur zur Mikroökonomik II Dezember 005 Name: Matrikelnr.: Bei Multiple-Choice-Fragen ist das zutreffende Kästchen (wahr bzw. falsch) anzukreuzen.
MehrStatische Spiele mit vollständiger Information
Statische Spiele mit vollständiger Information Wir beginnen nun mit dem Aufbau unseres spieltheoretischen Methodenbaukastens, indem wir uns zunächst die einfachsten Spiele ansehen. In diesen Spielen handeln
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrVorlesung 8b. Zweistufige Zufallsexperimente. Teil 2
Vorlesung 8b Zweistufige Zufallsexperimente Teil 2 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen: P(X 1 = a 1,X 2 = a 2 ) = P(X 1 = a 1 )P a1 (X
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
Mehr