Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse
|
|
- Swen Auttenberg
- vor 7 Jahren
- Abrufe
Transkript
1 Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Wintersemester 2011/12
2 Inhaltsverzeichnis 1 Value at Risk Einführung VaR für normalverteilte Zufallsvariablen VaR im Standardmodell der Aktienkursentwicklung Grundlagen Verteilung der Renditen im Standardmodell VaR für Marktwertänderungen einer Aktie VaR für Portfolios Schätzverfahren für den VaR Schätzung der Parameter im Standardmodell Approximation des VaR für Portfolios Axiomensystem von Artzner/Delbaen/Eber/Heath 4 3 Conditional Value at Risk (CVaR) Definition Alternative Darstellung des CVaR Allgemeine Definition des CVaR Eigenschaften des CVaR CVaR für normalverteilte Zufallsvariablen CVaR als Entscheidungskriterium CVaR-Entscheider CVaR-Hybrid-Entscheider (Hanisch 2004) Jammernegg/Kischka (2005) Ausfallwahrscheinlichkeit und Ausfallkorrelationen von Krediten Einführung Grundmodell des IRB-Ansatzes Ausfallquote Schätzung von p und ρ mittels ML-Methode Direkte Schätzung von p und q IRB-Ansatz zur Bestimmung von ρ Backtesting von p Eigenkapitalunterlegung im IRB-Ansatz
3 1 Value at Risk 1.1 Einführung Sei F die Verteilungsfunktion einer Zufallsvariablen X. Die Funktion heißt obere verallgemeinerte Inverse von F. F : ]0, 1[ R α sup{x R F (x) α} (1) Value at Risk (VaR) zum Konfidenzniveau p ]0, 1[ heißt: V ar p (X) := max(0, F (1 p)). (2) Existiert die inverse Verteilungsfunktion F 1 an der Stelle (1 p), dann gilt: F (1 p) = F 1 (1 p) = x 1 p. Im Folgenden wird von F (1 p) 0 ausgegangen. 1.2 VaR für normalverteilte Zufallsvariablen Sei X N(µ, σ 2 ), dann gilt für den VaR zum Konfidenzniveau p ]0, 1[ : V ar p (X) = σφ 1 (p) µ. (3) 1.3 VaR im Standardmodell der Aktienkursentwicklung Grundlagen Sei S t (t 0) der Aktienkurs zum Zeitpunkt t und > 0 die Haltedauer oder der Prognosehorizont. ( ) Rt := ln St S t heißt stetige Rendite oder log-rendite zwischen t und t. D t S t := St S t S t heißt diskrete Rendite zwischen t und t. genügt im Standardmodell einem geometrischen Wiener Prozess (geometrische Brown sche Bewegung) lns t = µ t + σ W t mit W t Standard Wiener Prozess ds t = S t (µ + σ2 2 )dt + S t σ dw t Verteilung der Renditen im Standardmodell Es gelten folgende Verteilungen der stetigen und diskreten Renditen: Für t < t s < s gelten: R t N(µ, σ 2 ) D t + 1 LN(µ, σ 2 ). R t und R s sind unabhängig D t und D s sind unabhängig. 1
4 1.3.3 VaR für Marktwertänderungen einer Aktie Es gilt S t+ S t = S t (e R t 1). Sei G t, := s t (e R t 1) (4) die Marktwertänderung ausgehend vom gegenwärtigen Kurs (bzw. Marktwert) s t. Der VaR von G t, zum Konfidenzniveau p ist definiert durch: ( ) V ar p (G t, ) := s t 1 e µ zpσ. (5) Es gilt: µ 0 V ar p (G t, ) ist eine monoton wachsende Funktion von. µ > 0 V ar p (G t, ) ist eine konkave, nicht monoton wachsende Funktion von. 1.4 VaR für Portfolios Seien S jt der Kurs der Aktie j zum Zeitpunkt t (t 0, 1 j J) und W t = J c j S jt der Wert des Portfolios (c 1,..., c J ). j=1 Da (S 1t,..., S Jt ) einer mehrdimensionalen geometrischen Brown schen Bewegung genügt, folgt mit (R 1t,..., R Jt) N( (µ 1,..., µ J ), A) R jt = ln( S jt S j,t ) µ = (µ 1,..., µ J ) Erwartungswertvektor von (R 1 1t,..., R1 Jt ) A Varianz-Kovarianz-Matrix von (R 1 1t,..., R1 Jt ). Dann ist die Marktwertänderung des Portfolios (c 1,..., c J ) ausgehend von den Kursen (s 1t,..., s Jt ) G t, = J c j s jt (e R jt 1). (6) j=1 Eine geschlossene (analytische) Lösung für den VaR von G t, ist nicht möglich. 1.5 Schätzverfahren für den VaR Schätzung der Parameter im Standardmodell Sind r t Realisationen unabhängiger Zufallsvariablen, dann ist der Wert eines effizienten Schätzers von µ durch r := 1 n n r t, (7) t=1 der Wert eines effizienten Schätzers von σ 2 durch ŝ 2 := 1 n (r t r) 2 (8) n 1 t=1 2
5 und der Wert eines effizienten Schätzers von a kl = cov(r kt, R lt ) durch â kl := 1 n (r kt r k )(r lt r l ) (9) n 1 gegeben. EWMA-Methode (Exponentially Weighted Moving Average) Die Exponentially-Weighted-Moving-Average-Methode liefert für λ ]0; 1[ als Wert eines Schätzers von µ als Wert eines Schätzers von σ 2 t=1 n 1 r := (1 λ) λ t r n t, (10) t=0 n 1 s 2 := (1 λ) λ t (r n t r) 2 (11) t=0 und als Wert eines Schätzers von a kl = cov(r kt, R lt ) n 1 ã kl := (1 λ) λ t (r n t,k r k )(r n t,l r l ). (12) t= Approximation des VaR für Portfolios VaR bei linearer Approximation Für x nahe bei Null gilt: e x 1 + x. Der VaR von G t, zum Konfidenzniveau p ist V ar p (G t, ) = z p w t Awt T w t µ T (13) mit w t = (c 1 s 1t,..., c J s Jt ). Falls das Ergebnis von (13) negativ ist, wird V ar p (G t, ) = 0 gesetzt. VaR bei linearer Approximation und unter Annahme µ = (µ 1,..., µ J ) = (0,..., 0) (Kovarianzmethode) Es gilt: V ar p (G t, ) = z p w t Awt T und (14) V ar p (G t, ) = V ar p (G t,1 ). (15) Sei V ar j der VaR der Marktwertänderung der j-ten Anlage im Portfolio zum Konfidenzniveau p bei Haltedauer, so gilt: V ar j = z p w jt σ j. (16) Sei P die zu A gehörende Korrelationsmatrix. Dann gilt für den VaR der Marktwertänderung des Portfolios: V ar p (G t, ) = (V ar 1,..., V ar J )P (V ar 1,..., V ar J ) T. (17) 3
6 2 Axiomensystem von Artzner/Delbaen/Eber/Heath Ein reellwertiges Risikomaß R(X) heißt kohärentes Risikomaß, falls für alle (betrachteten) Zufallsvariablen X, Y folgende vier Axiome erfüllt sind: A Translationsinvarianz R(X + c) = R(X) c, für alle c R B Positive Homogenität R(cX) = cr(x), für alle c 0 C Monotonie X Y R(Y ) R(X) D Subadditivität R(X + Y ) R(X) + R(Y ). 3 Conditional Value at Risk (CVaR) 3.1 Definition Sei X eine Zufallsvariable mit Dichte f und invertierbarer Verteilungsfunktion F und sei x 1 p = F 1 (1 p) 0, dann ist der Conditional Value at Risk (CVaR) zum Konfidenzniveau p ]0, 1[ definiert durch: CV ar p (X) =E( X X x 1 p ) (18) =E( X X V ar p (X)) (19) x = 1 1 p x xf(x)dx = 1 1 p xdf (x). 1 p 1 p (20) Interpretation Der CVaR entspricht dem Erwartungswert der Fehlbeträge des Portfolios in den schlechtesten (1 p) 100 % aller Fälle. 3.2 Alternative Darstellung des CVaR Mit CV ar p (X) = 1 1 p ist eine alternative Darstellung des CVaR gegeben. 3.3 Allgemeine Definition des CVaR 1 p 0 F 1 (t)dt (21) Sei F (t) die obere verallgemeinerte inverse Verteilungsfunktion von X und F (t) die untere verallgemeinerte inverse Verteilungsfunktion von X: Es gilt: F (t) = sup{x R F (x) t} F (t) = inf{x R F (x) t}. CV ar p (X) = 1 1 p 1 p 0 F (t)dt (22) 4
7 CV ar p (X) = 1 1 p 1 p 0 = E(X X F (1 p)) 3.4 Eigenschaften des CVaR F (t)dt (23) ( ) 1 1 p [F (F (1 p)) (1 p)] F (1 p) CV ar p erfüllt die Kohärenzeigenschaften nach Arztner et al. Es gilt folgende Beziehung zum VaR: CV ar p (X) V ar p (X) CV ar p (X) = V ar p (X) + E( X V ar p (X) X V ar p (X)). Für die Monotonie bezüglich p gilt: Aus p p folgt: CV ar p (X) CV ar p (X). 3.5 CVaR für normalverteilte Zufallsvariablen Sei X N(µ, σ 2 ), dann gilt CV ar p (X) = µ + σ ϕ(z 1 p) 1 p (24) mit z 1 p : (1 p)-quantil der Standardnormalverteilung ϕ : Dichte der Standardnormalverteilung. 3.6 CVaR als Entscheidungskriterium Gegeben sind die Zufallsvariablen X und Y sowie das Konfidenzniveau p CVaR-Entscheider Es gilt: X Y CV ar p (X) CV ar p (Y ). (25) CVaR-Hybrid-Entscheider (Hanisch 2004) Für λ [0, 1] gilt: X Y (1 λ)e(x) λ CV ar p (X) (1 λ)e(y ) λ CV ar p (Y ). (26) Jammernegg/Kischka (2005) Für λ [0, 1] gilt: X Y (27) (1 λ)e(x X > x 1 p ) λ CV ar p (X) (1 λ)e(y Y > y 1 p ) λ CV ar p (Y ). 5
8 4 Ausfallwahrscheinlichkeit und Ausfallkorrelationen von Krediten 4.1 Einführung Seien k i (1 i n) Kreditvolumen und D i die zugehörigen Ausfallindikatoren mit D i = Der Schaden im Kreditportfolio beträgt { 1 mit Wahrscheinlichkeit p i 0 mit Wahrscheinlichkeit 1 p i S = n k i D i. (28) Der Erwartetete Schaden ist E(S) = n k i p i (29) und die Varianz des Schadens beträgt V ar(s) = n k 2 i p i (1 p i ) + i,j i j k i k j cov(d i, D j ). (30) Dabei gelten cov(d i, D j ) = E(D i D j ) E(D i )E(D j ) = p ij p i p j (31) und corr(d i, D j ) = p ij p i p j pi (1 p i )p j (1 p j ). (32) 4.2 Grundmodell des IRB-Ansatzes Grundidee Ein Kredit fällt aus, wenn der Firmenwert des Unternehmens unter eine Schranke a fällt. Seien p = P (D i = 1) Ausfallwahrscheinlichkeit (identisch für 1 i n) S t = s t 1 e R1 t Firmenwert im Zeitpunkt t, geometrische Brownsche Bewegung ( Rt 1 = ln St N(µ, σ 2 ) B i Bonitätsvariablen, N(0, 1) (B 1,..., B n ) gemeinsam normalverteilt. Dann gilt: S t 1 ) Kredit fällt aus (s t 1 e R1 t a) (B Φ 1 (p)). 6
9 Ansatz Sei Z, U i N(0, 1) unabhängige Zufallsvariablen, und dann gilt für i j: B i = ρ Z + 1 ρ U i (1 i n) corr(b i, B j ) = ρ mit 0 ρ < 1, für alle i, j (i j), P (D i = 1, D j = 1) =: q corr(d i, D j ) = q p2 p p 2 q = q(ρ, p) = Φ 2ρ (Φ 1 (p), Φ 1 (p)), wobei Φ 2ρ für die Verteilungsfunktion einer 2-dimensionalen Standardnormalverteilung mit Korrelation ρ steht. 4.3 Ausfallquote Seien dann gilt: H := n 1 n H D i die Anzahl der Ausfälle (während einer Periode) und die Ausfallquote, ( ) 1 E n H ( ) 1 V ar n H = p (33) = p (1 p) n + ( q p 2) n 1 n. (34) Für n gilt ( ) 1 V ar n H q p 2 0 mit q = p 2 ρ = 0. (35) Verteilung der Ausfallquote Sei P (D 1 = x 1,... D n = x n ) = + p h z (1 p z ) n h ϕ(z)dz. (36) Aus der Austauschbarkeit (vgl. Anhang) der D i folgt: + ( ) n P (H = h) = p h z (1 p z ) n h ϕ(z)dz (37) h 7
10 mit h = n ( Φ 1 (p) ) ρz x i und p z = Φ. (38) 1 ρ Für ρ = 0 gilt: P (H = h) = ( ) n p h (1 p) n h (h = 0,..., n). (39) h Daraus folgt für die Ausfallquote: ( ) 1 P n H = x = P (H = nx) (x = 0, 1n,..., 1 ). (40) 4.4 Schätzung von p und ρ mittels ML-Methode Der Ansatz liefert ˆp ML = h n, ˆρ ML = 0 max p,ρ Direkte Schätzung von p und q Die Schätzung von p erfolgt durch ( ) n p h z (1 p z ) n h ϕ(z)dz (41) h p = 1 n n D i, (42) die Schätzung von q erfolgt durch q = 1 n(n 1) D i D j. (43) i j Dies führt zu einer Schätzung von cov(d i, D j ) durch 4.6 IRB-Ansatz zur Bestimmung von ρ Zu p wird ρ definiert als cov(d i, D j ) = q p 2 0. (44) ρ = 0, 12 1 e 50p + 0, 24 1 e 50 (1 1 e 50p 1 e 50 ). (45) 8
11 4.7 Backtesting von p Sei ρ vorgegeben. p wird überprüft mittels und Dann ist mit 1 n n D i = 1 n H (46) H 0 : p = 0, 01, H 1 : p = 0, 05. a := 99, 9% Quantil von 1 H bei p = 0, 01 n b := 0, 5% Quantil von 1 H bei p = 0, 05 n folgendes gegeben: falls: b a b < a grüne Zone: [0, a] [0, b] rote Zone: ]a, 1] ]a, 1] gelbe Zone: [b, a] Die Ablehnung von H 0 erfolgt mit Fehlerwahrscheinlichkeit 1. Art von 0, 1%, falls die Ausfallquote in der roten Zone liegt. Die Nichtablehnung von H 0 erfolgt mit Fehlerwahrscheinlichkeit 2. Art von 0, 5%, falls die Ausfallquote in der grünen Zone liegt. 4.8 Eigenkapitalunterlegung im IRB-Ansatz l f loss given default (Anteil des nicht gesicherten Kredits) exposure at default (Forderungshöhe bei Ausfall) Die Eigenkapitalunterlegung beträgt ( Φ 1 (p) + ρ Φ 1 ) (0, 999) f l Φ. (47) 1 ρ O.B.d.A. gelte f = l = 1. Für die Bonitätsvariable B i = ρ Z + 1 ρ U i (48) gilt: ( Φ P (B i Φ 1 (p) Z = Φ 1 1 (p) ρ Φ 1 ) (0, 001) (0, 001)) =Φ 1 ρ ( Φ 1 (p) + ρ Φ 1 ) (0, 999) =Φ = a. (49) 1 ρ Der Wert a ist die Ausfallwahrscheinlichkeit, falls Z = Φ 1 (0, 001) 3, 09; höhere Ausfallwahrscheinlichkeiten treten nur mit Wahrscheinlichkeit 0, 001 auf. 9
12 Einschübe A: Lognormalverteilung X heißt lognormalverteilt mit den Parametern µ, σ 2 - i. Z. X LN(µ, σ 2 ) -, falls für die Dichte f von X gilt: 1 f(x) = 1 (lnx µ) 2 2πσ 2 x e 2σ 2 falls x > 0 (50) 0 falls x 0. Für X LN(µ, σ 2 ) gilt: σ2 µ+ E(X) = e 2, V ar(x) = e 2µ+σ 2 (e σ2 1). (51) Satz Sei X LN(µ, σ 2 ). Dann ist Y := lnx normalverteilt mit den Parametern µ und σ 2 (Y N(µ, σ 2 )). B: Additive Irrfahrten B1: Additiver Binomialprozess Seien u, d > 0 und Z i unabhängige Zufallsvariablen mit { u mit Wahrscheinlichkeit p Z i = d mit Wahrscheinlichkeit 1 p. Dann heißt M t := t B2: Unabhängige Zuwächse Es gilt für q > t v > r > 0: Z i additiver Binomialprozess. M q M t ist unabhängig von M v (insbesondere von M t ) M q M t ist unabhängig von M v M r. B3: Wiener Prozesse (Brown sche Bewegung) Übergang zu stetigen Prozessen Seien Z i unabhängige Zufallsvariablen mit { a mit Wahrscheinlichkeit 1 Z i = 2 a mit Wahrscheinlichkeit 1 2 und a = s mit s > 0 sowie M s t := n(t,s) Z i, t 0 (52) 10
13 mit a Sprunghöhe, s Sprungabstand und n(t, s) Anzahl der Sprünge bis einschließlich t. Standard Wiener Prozess Der Standard Wiener Prozess bzw. die Standard Brown sche Bewegung ist definiert durch den folgenden Grenzübergang: Es gilt für q > t v > r > 0: W t N(0, t) W q W t N(0, q t) {Mt s t 0} {W t t 0}. (53) s 0 a= s W q W t ist unabhängig von W v (insbesondere von W t ) W q W t ist unabhängig von W v W r cov(w q, W t ) = t. B4: Allgemeiner Wiener Prozess Für den allgemeinen Wiener Prozess gilt: Mit X t N(µt, σ 2 t) cov(x q, X t ) = min(q, t)σ 2. X t = µt + σw t (54) X t+ X t = µ + σz (55) ist der Zuwachs für den allgemeinen Wiener Prozess gegeben ( > 0). Dabei gilt: Z N(0, ) X t+ X t N(µ, σ 2 ). C: Geometrischer Wiener Prozess Sei X t = µt + σw t, dann heißt Y t := e Xt Y t LN(µt, σ 2 t) ln ( Yt+ Y t ) N(µ, σ 2 ) mit > 0. geometrischer Wiener Prozess. Es gilt: 11
14 D: Gestutzte Verteilungen Sei X eine diskrete Zufallsvariable und a R mit P (X a) > 0. Die nach oben im Punkt a gestutzte Zufallsvariable (X X a) besitzt die Verteilung P (X = x X a) = { P (X=x) P (X a) falls x a 0 falls x > a (56) Sei X eine stetige Zufallsvariable mit Dichte f, a R mit Punkt a gestutzte Zufallsvariable (X X a) besitzt die Dichte f(x) a x a f(y)dy f(x X a) = falls 0 x > a Für den Erwartungswert der gestutzten Verteilung gilt - im diskreten Fall - im stetigen Fall E(X X a) = x a xp (X = x) X a) = a 1 P (X a) f(x)dx > 0. Die nach oben im xp (X = x) x a (57) E(X X a) = a xf(x X a)dx = 1 P (X a) a xf(x)dx. Im Spezialfall einer normalverteilten Zufallsvariablen X N(µ, σ 2 ) gilt ( ) a µ E(X X a) = µ + σ λ σ (58) mit λ(z) = ϕ(z) Φ(z), ϕ(z) = 1 2π e 1 2 (z)2. (59) E: Austauschbare Zufallsvariablen X 1,..., X n heißen austauschbar, wenn für jede Permutation X i1,..., X in gilt: P (X 1 a, X 2 b,..., X n z) = P (X i1 a, X i2, b,..., X in z) für alle a, b,..., z. (60) (Für n = 2 gilt: X 1, X 2 heißen austauschbar, falls Folgerungen P (X 1 a, X 2 b) = P (X 2 a, X 1 b) für alle a, b) Sind X 1,..., X n i.i.d., so sind X 1,..., X n austauschbar. 12
15 Sind X 1,..., X n austauschbar, so sind X 1,..., X n identisch verteilt. Satz (de Finetti, 1937 bzw. 1970) Seien X i B(1, p) (1 i n). X 1,..., X n sind genau dann austauschbar, wenn eine Verteilungsfunktion F mit F (0) = 0, F (1) = 1 existiert, so dass gilt: 1 P (X 1 = x 1,..., X n = x n ) = θ Σx i (1 θ) n Σx i df (θ) (61) 0 13
Kompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
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
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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
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
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........................
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrFakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik. Risikomaße Prof. Dr.
Fakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik Risikomaße 2016 Prof. Dr. Stefan Huschens ii Vorbemerkung Das vorliegende Skript ist aus einer Lehrveranstaltung
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
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
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
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
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
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
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrFinanzzeitreihen Teil 2
Teil 2 Mathematisches Institut der Universität zu Köln Wintersemester 09/10 Betreuung: Prof. Schmidli, J. Eisenberg Literatur : Quantitative Risk Management Wu Jui Sun Contents 1 Wiederholung 2 1.1 Value
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrBestimmung des Conditional Value-at-Risk (CVaR) bei Normal- bzw. Lognormalverteilung
Mannheimer Manuskripte u Risikotheorie, Portfolio Management und Versicherungswirtschaft r. 4 Bestimmung des Conditional Value-at-Risk (CVaR bei ormal- bw. Lognormalerteilung on PETER ALBRECHT UD SVE KORYCIORZ
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrGrundlagen Beispiele. Portfoliomodelle. Jörg Lemm Vorlesung Finanzmathematik, WS 07/08. Universität Münster , ,
Jörg Lemm Vorlesung Finanzmathematik, WS 07/08 Universität Münster 24.01.2008, 31.01.2008, 07.02.2008 Verlust Der gesamte Portfolioverlust L setzt sich additiv aus den Verlusten L i der Einzelgeschäfte
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........................
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
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
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
MehrKapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D.
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
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr