4. Indirekte Demokratie 4.1. Parteienwettbewerb
|
|
- Lennart Pohl
- vor 7 Jahren
- Abrufe
Transkript
1 4. Indirekte Demokratie 4.1. Parteienwettbewerb Indirekte Demokratie: Politiker bestimmen über Politik. Politiker schlagen Programme vor, und Wähler stimmen darüber ab. Wie sieht Wettbewerb aus? Ergebnis abhängig von Zielfunktion der Politiker Information der Wähler Bindung an Wahlprogramme Rainald Borck 1
2 Grundmodell Grundmodell: Gröÿe des Staatsbudgets (öentliche Ausgaben). Individueller Wähler-Nutzen: w i = c i + H(g) (1) c i = (1 τ)y i (2) mit c: privates Gut, g: ö. Gut, τ: Steuersatz, y i : Einkommen, H > 0 > H. Einkommen: Verteilungsfunktion F (y i ), Dichte f(y i ) = F (y i ). Durchschnittseinkommen y = y i f(y i )dy, Median y m mit F (y m ) = 1 2. Annahme: ym < y. Staatsbudget: τy = g (3) Rainald Borck 2
3 Idealpunkt für Wähler i. Max (1) unter (2) und (3): max g W i (g) = y i yi g + H(g) (4) y B.e.O. H (g) yi y = 0 (5) Präferenzen sind single peaked und single crossing: GGW g m = g(y m /y) = (H ) 1 (y m /y). g m monoton fallend in y m /y: dg(y m /y) d(y m /y) = 1 H < 0 Rainald Borck 3
4 Referenzpunkt: Soziales Optimum. Maximiere Summe der Nutzen (bzw. Integral) max W i (g)f(y i )dy i (6) g ] = [y i yi y g + H(g) f(y i )dy i (7) = y g + H(g) (8) B.e.O. H (g) 1 = 0 g = (H ) 1 (1). (9) Folge: Medianwähler-Optimum entspricht sozialem Optimum, genau dann wenn y m = y: y m y g m g (10) Rainald Borck 4
5 Downs'scher Wettbewerb Downs (1957): Unter idealen Bedingungen konvergiert Parteienwettbewerb gegen Medianwähler-GGW. Annahmen: 2 Parteien, P = A, B. Parteien maximieren Erwartungswert einer Ego-Rente R. Kandidat P wählt Politik um p P R zu maximieren, mit p P : Wahrscheinlichkeit dass Partei P gewählt wird. Mit π P als Stimmenanteil ist p P = Prob(π P 1 2 ). Timing: (1) Parteien annoncieren ihr Programm, g A, g B. (2) Wahlen nden statt. (3) Gewählter Kandidat implementiert Programm: Ankündigung ist bindend. Rainald Borck 5
6 Wähler i stimmt für A genau dann, wenn W i (g A ) > W i (g B ). Wg. Eingipigkeit: 0 wenn W m (g A ) < W m (g B ) 1 p A = 2 wenn W m (g A ) = W m (g B ) (11) 1 wenn W m (g A ) > W m (g B ) Partei wird sicher gewählt, wenn sie Median besser stellt als andere Partei. Wenn z.b. Median g A relativ zu g B zu klein ndet, stimmen alle y y m für B: A verliert sicher. Rainald Borck 6
7 Ann: Alle Wähler gehen zur Wahl und stimmen ehrlich ab. Parteien sind an Programme gebunden, Sieger implementiert vorgeschlagenes Programm. Theorem (Medianwählertheorem IV) Wenn alle Wähler eingipige Präferenzen haben, existiert ein Gleichgewicht, in dem beide Parteien den Median der Idealpunkte anbieten: g A = g B = gm. Wahrscheinlichkeit gewählt zu werden im GGW p A = p B = 1 2, aber Abweichen führt zu diskreter Abnahme der Wahrscheinlichkeit auf 0. Vollkommene Konvergenz. Annahmen: Vollst. Info, Politiker streben nur nach Amt, Programme bindend. Rainald Borck 7
8 W m (g) g B g 1 p A(g) g Abbildung: Wahlwahrscheinlichkeit im Downs Modell Rainald Borck 8
9 Empirische Anwendung: nachfrage nach öentlichen Gütern (Staatsausgaben). Schätzgleichung: ln g = β 0 + β 1 ln p + β 2 ln(y m /y) + β 3 ln X (12) mit p: Kosten pro Einheit, X: Kontrollvariablen (z.b. Bevölkerungsdichte). Typisches Ergebnis für Einkommenselastizität 1 < β 2 < 0: Staatsausgaben sinken, wenn Medianwähler reicher wird. Staatsquote (g/y) sinkt mit y. Preiselastizität β 1 typischerweise gröÿer als minus eins: Staatsausgaben (pg) steigen, wenn Kosten steigen (Baumol-Hypothese). Rainald Borck 9
10 Probabilistic Voting Downs-Modell: einfache Vorhersagen, Medianwähler entscheidet. Problem: Wenn Präferenzen nicht eingipig oder single crossing sind, oder bei mehrdimensionalen Programmen existiert typischerweise kein GGW. Im Downs Modell wissen Parteien sicher, ob sie Wahlen gewinnen: p ist nicht stetig (durch Programm marginal näher am Median kann Partei sicher gewinnen). Rainald Borck 10
11 Mit Unsicherheit: Wahrscheinlichkeit stetige Funktion der Programme Existenz eines GGW auch bei mehr als einer Dimension. Gründe für Unsicherheit: unsichere Beteiligung, unvollständige Info über Verteilung der Wähler... 3 Gruppen: Reich, Mittelklasse, Arme mit Einkommen y R > y M > y P. Anteile α J, α J = 1. Durchschnittseinkommen y = α J y J. Wähler i stimmt für A wenn: W J (g A ) > W J (g B ) + σ ij + δ. Rainald Borck 11
12 σ ij wählerspezischer Bias für Kandidat B (positiv oder negativ); δ: Durchschnitts-Bias der Gesamtbevölkerung. Bias gleichverteilt: mit Dichte φ J ; mit Dichte ψ. σ ij [ 1 2φ J, 1 2φ J ] δ [ 1 2ψ, 1 2ψ ] φ J Maÿ für ideologische Ungebundenheit. Rainald Borck 12
13 Timing: (1) Kandidaten legen Wahlprogramm g A, g B fest. (2) δ wird realisiert: Unsicherheit aufgelöst (3) Wahl ndet statt. (4) Gewählter Kandidat implementiert Programm. Kandidaten A und B maximieren p A R bzw. (1 p A )R. Gegeben g A, g B ist der swing voter in J (indierent zwischen A und B): σ J = W J (g A ) W J (g B ) δ (13) In Gruppe J wählen alle σ ij < σ J (kleinerer Bias für B als swing voter) Partei A. Beachte: swing voter ist Parteien nicht bekannt Erwartungswert (Parteien kennen in Stufe (1) φ J und ψ aber nicht δ). Rainald Borck 13
14 Tatsächlicher Stimmenanteil A (wenn swing voter σ J in Gruppe J, s. Abb) π A = J α J φ J (σ J + 1 2φ J ) = J α J φ J σ J Gewinnwahrscheinlichkeit: p A = prob[π A 1 2 ] p A = prob[ J α J φ J σ J 1 2 ] = prob[ J α J φ J (W J (g A ) W J (g B ) δ) 0] = prob[ J α J φ J (W J (g A ) W J (g B )) δ J α J φ J ] Rainald Borck 14
15 Wir haben dann p A = prob[δ J (αj φ J (W J (g A ) W J (g B )))] φ mit φ α J φ J. Wahrscheinlichkeit, dass δ kleiner als dieser Wert ist (s. Abb.): [ ] p A = ψ α J φ J (W J (g A ) W J (g B )) (14) φ J Rainald Borck 15
16 φj(σj+1/(2φj)) φj 1/(2φJ) σj 1/(2φJ) ψ(δ+1/(2ψ)) ψ 1/(2ψ) δ 1/(2ψ) Abbildung: Rainald Borck 16
17 Gleichgewicht. Problem ist symmetrisch und im GGW ist g A = g B. Partei A maximiert p A R oder einfach p A. Bedingung 1. Ordnung: Setze p A / g A = 0. Aus (14) mit (4) folgt p A = α J φ J H (g) 1 α J φ J y J = 0 (15) g A y H (g S ) = ỹ/y (16) mit ỹ = α J φ J y J φ Rainald Borck 17
18 Interpretation: Wenn φ J = φ für alle J, folgt ỹ = y und g S = g. (NB: entspricht nicht dem Medianwählerergebnis!). Wenn φ R > φ > φ P, folgt ỹ > y und g S < g. ỹ ist gewichtetes Durchschnittseinkommen; Gruppen mit gröÿerer Dichte (i.e. geringere Ideologie swing voters) bekommen im GGW höhere Transfers. Wenn J ideologisch neutral, gewinnen Politiker viele Stimmen durch Verzerrung der Ausgaben Richtung g J. Selbst wenn Condorcet Gewinner existiert, entspricht GGW nicht notwendigerweise dem Median GGW. Rainald Borck 18
19 Probabilistic voting maximiert eine SWF mit Gewichten, die in Richtung der ideologisch neutralen Wähler verzerrt sind. Ein GGW existiert, wenn die p( ) Funktionen wohlverhalten sind. Wenn p konkav ist, ist GGW eindeutig. Rainald Borck 19
20 Ideologische Politiker Ann: Politiker haben selber Präferenzen über Politikvariable (z.b. öentliche Güter). Führt Politischer Wettbewerb zu Konvergenz oder Divergenz? Präferenzen von 2 Parteien entsprechen Wählergruppen mit Einkommen y L < y R für Linke bzw. Rechte. Wenn Parteien an Programme gebunden sind, führt Wettbewerb zu Konvergenz auf dem Medianprogramm. Rainald Borck 20
21 Partei L maximiert EU L = p L W L (g L ) + (1 p L )W L (g R ) 0 wenn W m (g L ) < W m (g R ) 1 p L = 2 wenn W m (g L ) = W m (g R ) 1 wenn W m (g L ) > W m (g R ) Geg. g R < g m ist beste Antwort für L, g L von seinem Idealpunkt Richtung g m zu senken, bis p L = 1. GGW: g L = g R = g m. Downsscher Wettbewerb: Ideologie spielt keine Rolle. Rainald Borck 21
22 W m (g) W L (g) g R g EU L (g) 0 g Abbildung: Erwartungsnutzen Rainald Borck 22
23 Ohne Bindung. Struktur: 1) Parteien bieten Programme an. 2) Wahlen nden statt. 3) Gewählte Partei implementiert Programm, das ihren Nutzen maximiert (keine Bindung an Programme). Gleichgewicht. Letzte Stufe: Gewählte Partei implementiert g P = g(y P ), P = L, R. Kein anderes Programm glaubwürdig und Parteien bieten in Stufe 1 g P an. 2. Stufe: Partei L gewinnt genau dann, wenn W m (g L ) > W m (g R ). Vollkommene Divergenz. Evidenz, dass linke Regierungen zu höheren Staatsausgaben führen (Cameron 1978, Blais et al. 1993), aber Eekt relativ klein. Rainald Borck 23
24 Bürger-Kandidaten Politiker mit Politikpräferenzen: Bürger-Kandidaten. Endogene Kandidaten: Lohnt Eintritt in die Politik, um eigene Präferenzen durchzusetzen? Struktur: (1) Jeder Bürger kann als Kandidat antreten, Eintrittskosten ε. (2) Wähler stimmen über Kandidaten ab; Kandidat mit meisten Stimmen gewinnt (relative Mehrheit). (3) Gewählter Kandidat implementiert g P. Wenn Kein Kandidat eintritt, wird status quo ḡ implementiert. GGW: (3) Gewinner implementiert g P (H ) 1 (y P /y) Rainald Borck 24
25 (2) In 1- oder 2-Kandidaten Wahlen wird Kandidat gewählt, der Medianwähler den höchsten Nutzen bringt. Ein-Kandidaten-GGW: Wenn Medianwähler eintritt, kann kein anderer Kandidat gewinnen und folglich tritt kein zweiter ein. Medianwähler tritt an, wenn W m (g m ) W m (ḡ) ε Es existieren auch andere Gleichgewichte, in denen ein Kandidat K nahe am Median antritt. Dann muss gelten: W m (g m ) W m (g K ) ε Rainald Borck 25
26 GGW mit 2 Kandidaten: R,L. Beide Kandidaten müssen Eintritt lohnend nden und mit gleicher Wahrscheinlichkeit gewinnen. Bedingungen: W m (g R ) = W m (g L ) (17) 1 2 [W R (g R ) + W R (g L )] ε W R (g L ) 1 2 [W R (g R ) W R (g L )] ε (18) 1 2 [W L (g L ) W L (g R )] ε (19) Keine Konvergenz. Kandidaten stellen sich durch Eintritt besser: sonst wird mit Sicherheit die Politik des anderen implementiert Gleichgewicht existiert nur, wenn y R y L hinreichend groÿ. Rainald Borck 26
27 Damit kein dritter Kandidat eintreten kann (z.b. y m ), darf g L g R nicht null und nicht zu groÿ sein. null: ein Kandidat könnte eintreten und sicher gewinnen. Zu groÿ: ein Kandidat in der Mitte könnte eintreten. Rainald Borck 27
NIÖ Kap III: Neue Politische Ökonomie
NIÖ Kap III: Neue Politische Ökonomie 1 / 23 III.II.1 Modell der Umverteilung w i Präferenzfunktion des Wählers i c i privater Konsum des Wählers i H( ) konkave und steigende Funktion g Ausgaben für öffentliches
Mehr6. Politische Ökonomie und Institutionen
6. Politische Ökonomie und Institutionen Was sind Institutionen und warum sind sie wichtig? Allgemein: Institutionen bestimmen die Spielregeln einer Gesellschaft: 1. wirtschaftliche Institutionen z.b.
MehrPolitische Ökonomie Agency
4.3. Agency Wähler: Prinzipal, Politiker: Agent. Agency-Problem: Politiker möchten Ressourcen abschöpfen: Rent seeking. Können Wähler Politiker disziplinieren? Brennan/Buchanan (1980): Staat als Leviathan,
Mehr9. Politische Ökonomie
9. Politische Ökonomie Fragestellung: Wie werden Ausgabenentscheidungen in Demokratie getroen? Annahme hier: Wähler entscheiden direkte Demokratie. Honung, dass Entscheidungsprozess vernünftige Eigenschaften
Mehr6. Politische Ökonomie und Institutionen
6. Politische Ökonomie und Institutionen Was sind Institutionen und warum sind sie wichtig? Allgemein: Institutionen bestimmen die Spielregeln einer Gesellschaft: 1. wirtschaftliche Institutionen z.b.
Mehr7.1 Deterministische Zwei-Parteien-Wahl mit einer Dimension: Das Medianwählertheorem
Grundzüge der Wirtschaftspolitik 7-1 Prof. Andreas Haufler (SoSe 2009) 7. Konkurrenz der Parteien indirekte (repräsentative) Demokratie: Bürger stimmen nicht direkt über einzelne Politikentscheidungen
Mehr7.1 Deterministische Parteienwahl mit einer Dimension:
Grundzüge der Wirtschaftspolitik 7-1 Prof. Andreas Haufler (WS 2007/08) 7. Konkurrenz der Parteien indirekte (repräsentative) Demokratie: Bürger stimmen nicht direkt über einzelne Politikentscheidungen
Mehr1.5. Politische Ökonomie der Staatsverschuldung
1.5. Politische Ökonomie der Staatsverschuldung Warum sind Dezite und Schulden in Demokratien so hoch? Tax smoothing: In Kriegszeiten sollten Dezite hoch sein, in Friedenszeiten Schulden abgebaut werden.
Mehr8. Politische Ökonomie
8. Politische Ökonomie Prof. Dr. Christian Holzner LMU München WS 2011/2012 8. Politische Ökonomie 8.1 Verschiedene Wahlverfahren 8.2 Medianwählertheorem 8.3 Öffentliche Ausschreibungen Literatur Jean
MehrII. Politische Ökonomie
Grundzüge der Wirtschaftspolitik 6-1 Prof. Andreas Haufler (SoSe 2009) II. Politische Ökonomie 6. Mehrheitswahl und Abstimmungsgleichgewicht 6.1 Einführung und Grundlagen Die Politische Ökonomie (Public
MehrWohlfahrtstheorie. 2. Wohlfahrtstheorie
2. Wohlfahrtstheorie Grundlage der Allokationspolitik: Wohlfahrtstheorie Soziale Zustände werden auf Basis der individuellen Nutzen bewertet. Wenn eine Markt-Allokation Möglichkeiten zur Ezienzverbesserung
MehrÖkonomische Analyse des Rechts
Ökonomische Analyse des Rechts Aggregation individueller Präferenzen II (positiv) Harald Wiese Universität Leipzig Wintersemester 2011/2012 Harald Wiese (Universität Leipzig) Aggregation individueller
Mehr8. Öentlich bereitgestellte private Güter
8. Öentlich bereitgestellte private Güter Staatliche Bereitstellung privater Güter, z.b. medizinische Versorgung oder Schulwesen: i.d.r. weitgehend aus Steuermitteln statt Gebühren nanziert Verbrauch rationiert.
MehrKap. 3 Landnutzung in Städten
Kap. 3 Landnutzung in Städten 1. Landnutzung in der monozentrischen Stadt Modell: Kreisförmige monozentrische Stadt; Einwohner pendeln zum Central Business District (CBD) mit Kosten tr für Wohnort r km
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
Mehr6. Monopolregulierung
6. Monopolregulierung 1. Hauptsatz der Wohlfahrtstheorie geht von vollkommener Konkurrenz aus. Bei Marktmacht ist Allokation i.d.r. inezient. Bsp. Monopol: Preis>GK führt zu inezient niedrigem Output und
Mehr5. Arbeitslosenversicherung. OECD Länder: I.d.R. staatliche Arbeitslosenversicherung. Kaum private Versicherung. Warum?
5. Arbeitslosenversicherung Lit. Breyer/Buchholz (2007), Kap. 7 OECD Länder: I.d.R. staatliche Arbeitslosenversicherung. Kaum private Versicherung. Warum? 1. Private Versicherung überüssig, weil staatliche
Mehr4. Die Politische Ökonomie der Gesundheitsfinanzierung
4. Die Politische Ökonomie der Gesundheitsfinanzierung Inhalte dieses Abschnitts 4.1 Grundmodell Öffentl. Gesundheitsfinanzierung Bestimmung über Wahlen 4.1 Grundmodell (Zweifel, Breyer und Kifmann, Kapitel
Mehr1. Adverse Selektion: Unsicherheit über die Schadenswahrscheinlichkeit 2. Moral Hazard: endogene Schadenshöhe.
In der bisherigen Analyse haben wir angenommen, dass die Schadenshöhe exogen ist und die Eintrittswahrscheinlichkeit allgemein bekannt ist. Damit schließen wir aber zwei extrem wichtige Charakteristika
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
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........................
MehrStimmt das immer und in welchem Sinne?
1 KAP 6. Dominanz und Nash-GG Nash-GG (teilweise) dadurch motiviert: schränkt Menge möglicher Spielausgänge stärker ein als Dominanz Stimmt das immer und in welchem Sinne? Gibt s stets weniger Nash-GGe
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
MehrDieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
Die Riskoprämie ergibt sich also als ein Vielfaches der Varianz der zugrundeliegenden Unsicherheit Dieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
MehrDas Medianwählermodell
Das Medianwählermodell Ökonomische Theorie der Politik A.4.1 Das Medianwählermodell untersucht Entscheidungen, die auf Grundlage der Mehrheitsregel in einer repräsentativen Demokratie gefällt werden 2
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
Mehr2. Grundlagen der Sozialpolitik 2.1. Einleitung
2. Grundlagen der Sozialpolitik 2.1. Einleitung Warum Sozialpolitik? Umverteilung Versicherung Verschiedene Gestaltungsmöglichkeiten: Freiwilligkeit versus Zwang privat versus staatlich Finanzierung: Umlageverfahren
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
Mehr7. Verhaltensökonomie und Finanzwissenschaft
7. Verhaltensökonomie und Finanzwissenschaft Traditionelle VWL: Individuen sind rational, eigennützig und machen keine Fehler. Normative und positive Theorie beruhen auf denselben Konzepten: revealed preferences
MehrÖentliche Güter Lindahl-Lösung
3.4. Lindahl-Lösung Idee: Quasi-Markt-Mechanismus, indem Individuen individuelle Preise für ö. Gut entsprechend ihrer Zahlungsbereitschaft zahlen. Idee: Während bei privaten Gütern Individuen unterschiedliche
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrNeue Politische Ökonomie: Comparative Politics
Neue Politische Ökonomie: Comparative Politics Vorlesung an der Ruprecht-Karls-Universität Heidelberg SS 2007 Prof. Dr. Lars P. Feld Ruprecht-Karls-Universität Heidelberg, ZEW Mannheim, Universität St.
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
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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
MehrKlausur Analysis für Informatiker Musterlösung
Prof. Dr. Torsten Wedhorn WS 9/ Dr. Ralf Kasprowitz Elena Fink Klausur Analysis für Informatiker Musterlösung 9.2.2 Name, Vorname Studienfach Matrikelnummer Semester Übungsgruppe Zugelassene Hilfsmittel:
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr1.3. Neoklassische Theorie der Staatsverschuldung
1.3. Neoklassische Theorie der Staatsverschuldung Eekte einer Staatsverschuldung im OLG Modell. Annahmen: exogen gegebener Pfad der Staatsausgaben; Finanzierung über Steuern oder Verschuldung. Finanzierungstausch:
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
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
Mehr4. Konjunktur. Was verursacht Konjunkturschwankungen? 2 Sichtweisen:
4. Konjunktur Lit.: Blanchard/Illing, Kap. 3-8; Mankiw, Kap. 9-11, 13; Romer, Kap. 5 Was verursacht Konjunkturschwankungen? 2 Sichtweisen: 1. Neoklassische Sicht: vollständige Märkte, exible Preise: Schwankungen
MehrNeue Institutionenökonomik, Aufgabe 18 Seite 1
Neue Institutionenökonomik, Aufgabe 18 Seite 1 Allgemeine Informationen zum Principal-Agent-Modell Es geht hier nun um die Vertragsausgestaltung zwischen dem Eigentümer (Prinzipal) einer Firma und dem
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:...
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2009 Bernd
MehrD-MATH Funktionalanalysis II FS 2014 Prof. M. Struwe. Lösung 2
D-MATH Funktionalanalysis FS 214 Prof. M. Struwe Lösung 2 1. a) Wir unterscheiden zwei Fälle. Fall 1: 1 < p < : Seien u L p () und (u k ) W 1,p () eine beschränkte Folge, so dass u k u in L p () für k.
Mehr3. Technischer Fortschritt, endogenes Wachstum und Empirie
3. Technischer Fortschritt, endogenes Wachstum und Empirie 3.1. Technischer Fortschritt im Solow-Modell Bisher: ohne TF kein Wachstum des pro-kopf Outputs. Allgemeines Modell: Eektive Arbeitsmenge ist
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrAblauf. 1 Imitationsdynamik. 2 Monotone Auszahlung. 3 Entscheidung gegen iterativ dominierte Strategien. 4 Beste-Antwort-Dynamik 2 / 26
Spieldynamik Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Kap. 8 Simon Maurer Saarbrücken, den 13.12.2011 1 / 26 Ablauf 1 Imitationsdynamik 2 Monotone Auszahlung
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrVermietendes versus verkaufendes Monopol
Industrieökonomik I Wintersemester 2007/08 1 Vermietendes versus verkaufendes Monopol Im folgenden soll nun anhand eines einfachen Beispiels untersucht werden, wie ein Monopolist, der sich nicht selbst
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
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
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrElastizitäten und staatliche Interventionen
IK Ökonomische Entscheidungen & Märkte Elastizitäten und staatliche Interventionen (Kapitel 2/II) Nicole Schneeweis (JKU Linz) IK Ökonomische Entscheidungen & Märkte 1 / 27 Qualitative Analyse: Angebot
MehrFinanzwissenschaft. Blankart Kap Reiner Eichenberger
Finanzwissenschaft Blankart Kap. 1-9 Reiner Eichenberger Kapitel 1: Was ist Finanzwissenschaft? Kern: 1. Ökonomische Theorie staatlichen Handelns 2. methodologischer Individualismus 3. menschliches Verhalten
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrSozialstaat Renteneintritt
3.5. Renteneintritt Bisher: fester Renteneintritt. Aber: Renteneintritt kann (teilweise) frei gewählt werden. Bsp: Renteneintritt in Schweden 6-8 Jahre später als Belgien. Durch frühzeitigen Renteneintritt
MehrAnalysis I. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching March 5, 07 Erinnerung (Euler Formel). e iϕ = cos ϕ + i sin ϕ. Die Polarform von z = x + iy C sei Euler Formel z
MehrAufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
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
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr7. Clubgüter. Silke Übelmesser WS 2009/2010. LMU München
7. Clubgüter Silke Übelmesser LMU München WS 2009/2010 7.Clubgüter 7.1 Einordnung 7.2 Ein einfaches Modell der Clubgüter 7.3 Variable Nutzung von Clubgütern 7.4 Zweiteilige Gebühr bei variabler Nutzung
MehrIndustrieökonomik II Wintersemester 2007/08 1. Industrieökonomik II. Prof. Dr. Ulrich Schwalbe. Wintersemester 2007/ 2008
Industrieökonomik II Wintersemester 2007/08 1 Industrieökonomik II Prof. Dr. Ulrich Schwalbe Wintersemester 2007/ 2008 Industrieökonomik II Wintersemester 2007/08 2 Gliederung 1. Wettbewerbsbeschränkungen
Mehr3 Grenzwert und Stetigkeit 1
3 Grenzwert und Stetigkeit 3. Grenzwerte bei Funktionen In diesem Abschnitt gilt: I ist immer ein beliebiges Intervall, 0 I oder einer der Endpunkte. 3.. Definition Sei I Intervall, 0 IR und 0 I oder Endpunkt
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr7. Budgetdezite und Fiskalpolitik
7. Budgetdezite und Fiskalpolitik Lit.: Blanchard/Illing, Kap. 26, Romer Kap. 11 Keynesianismus: Staatsdezit kann Konjunktur ankurbeln. OECD Länder: seit Beginn des 20 Jhd. deutliche Zunahme der Schuldennanzierung.
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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
MehrUnique Equilibrium in a Model of Self-fulfilling Currency Attacks
Unique Equilibrium in a Model of Self-fulfilling Currency Attacks by Stephen Morris und Hyun Song Shin (The American Economic Review, June 1998, pp. 587-597) Vortrag von Philippe Armbruster und Enrico
MehrLösungen zur Probeklausur zur Vorlesung Analysis I, WS08/09, Samstag, (Version A)
Lösungen zur Probeklausur zur Vorlesung Analysis I, WS08/09, Samstag, 10.1.009 (Version A) Kennwort: Übungsgruppe: (Sie können ein beliebiges Kennwort wählen, um Ihre Anonymität zu wahren! Da die Probeklausur
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
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
Mehr2. Beispiel: n-armiger Bandit
2. Beispiel: n-armiger Bandit 1. Das Problem des n-armigen Banditen 2. Methoden zur Berechung von Wert-Funktionen 3. Softmax-Auswahl von Aktionen 4. Inkrementelle Schätzverfahren 5. Nichtstationärer n-armiger
MehrBootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle
Bootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle [Dudoit, van der Laan, Pollard: Multiple Testing. Part I Single-Step Procedures for Control of General Type-I-Error Rates]
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
Mehr