Messung von Rendite und Risiko. Finanzwirtschaft I 5. Semester
|
|
- Claus Roth
- vor 7 Jahren
- Abrufe
Transkript
1 Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1
2 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A ZÜ ZÜ Int. Zinsfuß 5,00% 2
3 Problem Zukünftige Zahlungsüberschüsse sind unsicher. Annahme: Aus Erfahrung wüssten wir, dass dieses Investitionsprojekt sich auch schon mit anderen Renditen verzinst hat. 3
4 Beispiel: Investition 1 In der Vergangenheit ergaben sich für dieses Projekt folgende Werte: 4%, 4%, 4%, 5%, 5%, 5%, 5%, 6%, 6% und 6%. Die Wahrscheinlichkeit, 5% Rendite zu erhalten, beträgt als nur 40%, die Wahrscheinlichkeit 4% oder 6% zu bekommen schon 30%. 4
5 Erwartungswert Erwartete Rendite 1 Der Erwartungswert ist definiert als: E(X) = 1 n n i= 1 X i = n i= 1 X i p wobei X i für die (unterschiedlichen) Renditen, n für den Stichprobenumfang und p (probability) für die Wahrscheinlichkeit des Eintretens steht. (Mittelwert) Somit erhalten wir den Erwartungswert des Investitionsprojekts 1 als E(X) = 5%. E(X) = 1/10 (4%+4%+4%+5%+5%+5%+5%+6%+6%+6%) oder E(X) = 4% 30% + 5% 40% + 6% 30% 5
6 Beispiel: Investition 2 In der Vergangenheit ergaben sich für dieses Projekt folgende Werte: 2%, 3%, 4%, 4%, 5%, 5%, 6%, 6%, 7% und 8%. Die Wahrscheinlichkeit 5% Rendite zu erhalten, beträgt als nur 20%, die Wahrscheinlichkeit 2% und 3% oder 7% und 8% zu bekommen 20%. 6
7 Erwartungswert Erwartete Rendite 2 Auch für dieses Projekt erhalten wir den Erwartungswert n n E(X) = des Investitionsprojekts 1 als E(X) = 5% E(X) wird auch mit μ symbolisiert, wobei μ allerdings für den Wert in der Grundgesamtheit steht. 1 n i= 1 X i = i= 1 X i p 7
8 Vergleich der Projekte Beide Projekte weisen den gleichen Erwartungswert auf. Wir können bei beiden Projekten eine Verzinsung von μ = 5% erwarten. Wenn wir nur den Erwartungswert als Entscheidungskriterium zugrunde legen, könnten wir uns nicht entscheiden. Berücksichtigung des Risikos. 8
9 Messung von Risiko Am Beispiel der beiden Projekte: Invest.Proj. 1 Invest.Proj. 2 4% 2% 4% 3% 4% 4% 5% 4% 5% 5% 5% 5% 5% 6% 6% 6% 6% 7% 6% 8% Erwartungswert 5,0% 5,0% µ1 µ2 Die Wahrscheinlichkeit für den schlechtesten Fall - eine Rendite von 2% - beträgt für Projekt 1 0% für Projekt 2 immerhin 10%. Gleiches gilt für 3%. 9
10 Graphische Darstellung 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% Invest.Proj. 1 Invest.Proj. 2 1% 2% 3% 4% 5% 6% 7% 8% Deutlich erkennbar ist, dass die Wahrscheinlichkeit 5% zu erhalten, bei Projekt 1 (=40%) höher ist als die bei Projekt 2 (=20%). Die Wahrscheinlichkeit zwischen 4 und 6% zu erhalten, ist bei Projekt 1 wesentlich höher (100%) als bei Projekt 2. Somit ist auch das Risiko geringer. Man kann auch sagen, dass die Ergebnisse des Projekts 1 weniger streuen. 10
11 Streuung - Varianz Die Streuung lässt sich am Einfachsten durch die (empirische) Varianz messen. n s = ( Xi E(X) ) n 1 i= 1 Häufig wird als Maß der Streuung aber nicht die Varianz, sondern die Standardabweichung herangezogen, welche die Wurzel aus der Varianz ist: s = s 2 = 1 n 1 n ( Xi E(X) ) i= 1 Mit σ wird die Standardabweichung der Grundgesamtheit bezeichnet. 2 11
12 Ergebnisse für unser Beispiel Wie nach der graphischen Darstellung nicht anders zu erwarten, unterscheiden sich die Ergebnisse bezüglich der Streuung der Werte bzw. des Risikos: Die Streuung des Projekts 1 beträgt: 0,82%, die des Projekts 2 schon 1,83%. Somit ist die erwartete Rendite des zweiten Projekts risikobehafteter als die des ersten Projekts. 12
13 Ergebnis: Der Erwartungswert signalisiert das erwartete Ergebnis. Die Standardabweichung gibt das Risiko an. Je höher die Standardabweichung ist, desto höher das Risiko, die Plangröße, den Erwartungswert, später zu realisieren. Risiko wird in diesem Fall als Abweichung von der Plangröße verstanden. Ökonomisch wird unter Risiko meist nur die Gefahr gesehen, ein Ergebnis unterhalb des Erwartungswerts zu realisieren. als Maß halbe Streuung oder Downside-Risikomaße 13
14 Verteilung von Wahrscheinlichkeiten Meist lassen sich die Wahrscheinlichkeiten von Ereignissen mit Hilfe von Verteilungsfunktionen bzw. Dichtfunktionen erfassen bzw. beschreiben. Einer der wichtigsten ist die Normalverteilung. 14
15 Bedeutung der Normalverteilungsfunktion Die Gaussche Glockenkurve 15
16 Normalverteilung Die Normalverteilung bietet sich für unsere weitere Analyse besonders an, da sie nur von den beiden Größen Mittelwert μ und Standardabweichung σ abhängt. 2 Die Dichtefunktion der ( x μ) σ f ( x) = e Normalverteilung: 2 π σ 16
17 Graphische Darstellung Relative Häufigkeit fi Mittelwert 5% 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% Sigma = 0,5% Die Normalverteilung ist eine symmetrische Verteilung. Annahme: µ = 5% und σ = 0,5% Da die Streuung gering ist, liegen die Werte eng um den Mittelwert verteilt. Mit hoher Wahrscheinlichkeit wird eine Rendite größer 3% und mit kleiner Wahrscheinlichkeit wird eine Rendite kleiner 3% (value at risk Betrachtung) erzielt. 17
18 Standardabweichung als Risikomaß Sigma ist auch deshalb als Maß, des Risikos bedeutsam, da z.b. im 1σ-Bereich um den Mittelwert 68,26% der möglichen Realisationen liegen, im 2σ-Bereich 95,44% und im 3σ-Bereich 99.74%. Für µ =5% und σ = 0,5%: Mit einer Wahrscheinlichkeit von 99,74% wird die erwartete Rendite unter diesen Annahmen zwischen 5%-3 0,5% und 5%+3 0,5% also zwischen 3,5 und 6,5% liegen. 18
19 Unterschiedliches Risiko Relative Häufigkeit fi Erwartungswert 5% 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% Sigma = 0,5% Sigma = 1% Sigma = 2% Gehen wir von der Normalverteilung mit μ = 5% und einem zunehmenden Risikos aus: 1. Die Streuung betrage 0,5%. Mit einer Wahrscheinlichkeit von 99,74% werden wir zwischen 3,5% (μ 3σ) und 6,5% (μ + 3σ) erhalten. 2. Nun nehmen wir an, dass die Streuung von 0,5% auf 1% steigt: Mit einer Wahrscheinlichkeit von 99,74% werden wir zwischen 2% (μ 3σ) und 8% (μ + 3σ) erhalten. 3. Sollte die Streuung weiter zunehmen z.b. auf 2%, erhalten wir mit einer Wahrscheinlichkeit von 99,74% ein Intervall von -1% bis 11%. Ergebnis: Obwohl sich der Erwartungswert (5%) nicht ändert, ist es nun bei der gleichen Wahrscheinlichkeit von 99,74% möglich, in den Verlustbereich zu geraten. 19
20 Ergebnis Renditemessung mittels Erwartungswert bzw. Mittelwert (der Stichprobe bzw. Grundgesamtheit) Risikomessung über Standardabweichung (Streuung der Stichprobe bzw. Grundgesamtheit) Praktikabelste Verteilung: Normalverteilung (mit Mittelwert und Standardabweichung) 20
Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
Mehr825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?
1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrInvestition und Risiko. Finanzwirtschaft I 5. Semester
Investition und Risiko Finanzwirtschaft I 5. Semester 1 Gliederung Ziel Korrekturverfahren: Einfache Verfahren der Risikoberücksichtigung Sensitivitätsanalyse Monte Carlo Analyse Investitionsentscheidung
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrVon der Normalverteilung zu z-werten und Konfidenzintervallen
Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH
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
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
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,
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
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
MehrDer Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.
Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat
MehrUnterschiedliche Präferenzen für Risiko. Finanzwirtschaft I 5. Semester
Unterschiedliche Präferenzen für Risiko Finanzwirtschaft I 5. Semester 1 Ziel der Darstellung Wiederholung der drei unterschiedlichen individuellen Einstellungen zum Risiko und vertiefte Erklärung dieser
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
MehrEinführung in die Portfoliotheorie. Finanzwirtschaft I 5. Semester
Einführung in die Portfoliotheorie Finanzwirtschaft I 5. Semester 1 Unsichere Renditen Die Methoden der dynamischen Investitionsrechnung beurteilen die Vorteilhaftigkeit von Investitionsprojekten unter
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
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrDie richtige Wahl von Verteilungen
Die richtige Wahl von Verteilungen N. Schiering, ZMK GmbH Sachsen-Anhalt Agenda Einleitung Standardmessunsicherheiten Typ A und Typ B Normalverteilung Rechteckverteilung Dreieckverteilung Trapezverteilung
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
MehrArbeitsblatt 27: Normalverteilung Kerzen
Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste
MehrMeßprozeß, Meßfehler und Statistik
0- Meßprozeß, Meßfehler und Statistik Vorbereitung : Begriff der Wahrscheinlichkeit, statistische Verteilungen (Binomialverteilung, Poissonverteilung, Gaussverteilung), Meßfehler und Fehlerfortpflanzung.
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrN 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - -
2 Deskriptive Statistik 1 Kapitel 2: Deskriptive Statistik A: Beispiele Beispiel 1: Im Rahmen einer Totalerhebung der Familien eines Dorfes (N = 100) wurde u.a. das diskrete Merkmal Kinderanzahl (X) registriert.
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
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
MehrWirtschaftsstatistik Normalverteilung
Fachhochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 39 14 jutta.arrenberg@fh-koeln.de Wirtschaftsstatistik Normalverteilung Aufgabe 10.1 Die Lebensdauer
Mehr1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests
1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit
MehrStatistische Prozess- und Qualitätskontrolle und Versuchsplanung Stetige Verteilungen
Materialien zur Lösung der folgenden Aufgaben: - in Übung 3 beigefügte Tabelle Wahrscheinlichkeitsverteilungen diskreter und stetiger Zufallsgrößen - Übersicht - beigefügte Tabelle spezieller stetiger
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
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
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrStochastik 03 Zufallsgröÿen und Verteilung
29. August 2018 Grundlagen der Stochastik (bis Klasse 10) Grundlagen der Statistik (bis Klasse 10) Zufallsgrößen und Verteilungen Beurteilende Statistik (Testen von Hypothesen) Bernoulli-Experimente Ziele
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
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
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
MehrStoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Lambacher Schweizer Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge,
MehrStatistische Grundlagen I
Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
MehrQM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren) von KFZ-Batterien des Typs
Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 3914 jutta.arrenberg@th-koeln.de QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren)
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrPrüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014
Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
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
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
Mehr29 Schätzung von Erwartungswert und Varianz
29 Schätzung von Erwartungswert und Varianz Jörn Loviscach Versionsstand: 21. September 2013, 15:55 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos: http://www.j3l7h.de/videos.html
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. 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
MehrVOLKSWIRTSCHAFTLICHE VORDIPLOMPRÜFUNG
VOLKSWIRTSCHAFTLICHE VORDIPLOMPRÜFUNG 17.07.2007 Übungsklausur auf dem Gebiet: STATISTIK II Prüfer: Dr. Roland Füss Name, Vorname: Matrikel-Nr.: Die Klausur enthält drei Typen von Aufgaben: D e r T e i
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
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
MehrKapitel 2. Fehlerrechnung
Fehlerrechnung 1 Messungen => quantitative Aussagen Messungen müssen zu jeder Zeit und an jedem Ort zu den gleichen Ergebnissen führen Messungen sind immer mit Fehler behaftet. => Angabe des Fehlers! Bespiel
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrDeskriptive Statistik
Modul G.1 WS 07/08: Statistik 8.11.2006 1 Deskriptive Statistik Unter deskriptiver Statistik versteht man eine Gruppe statistischer Methoden zur Beschreibung von Daten anhand statistischer Kennwerte, Graphiken,
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
MehrKlausur zur Vorlesung Wahrscheinlichkeitsrechnung
Name: 1. Februar 2002, 8.30-10.00 Uhr Allgemeine Hinweise: Dauer der Klausur: Zugelassene Hilfsmittel: 90 min, 1.5 Zeitstunden Skript, Vorlesungsmitschrift, Taschenrechner Schreiben Sie bitte auf dieses
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,
MehrKapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 10. Übung SS 18: Woche vom
Übungsaufgaben 10. Übung SS 18: Woche vom 18. 6. 22. 6. 2016 Stochastik IV: ZG (diskret + stetig); Momente von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrDeskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!)
Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) - Arithmetisches Mittel o Das arithmetische Mittel (auch Durchschnitt) ist ein Mittelwert, der als Quotient
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrAbitur 2009 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 009 Mathematik GK Stochastik Aufgabe C1 Auf einem Spielbrett rollt eine Kugel vom Start bis in eines der Fächer F 1 bis F 5. An jeder Verzweigung rollt
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrTest auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mehr