Kompaktskript zur Vorlesung Stochastische Risikoanalyse
|
|
- Katarina Weiß
- vor 7 Jahren
- Abrufe
Transkript
1 Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester 2011
2 Inhaltsverzeichnis 1 Zufallsvariablen als Träger des Risikos 1 2 Stochastische Dominanz Stochastische Dominanz 1. Ordnung Hazard-Rate-Ordnung Stochastische Dominanz 2. Ordnung Konvexe Dominanzbeziehungen Risikomaße Value-at-Risk (VaR) Definition VaR für normalverteilte Zufallsvariablen VaR und Dominanzbeziehungen Conditional Value-at-Risk Definition Alternative Darstellung des CVaR I Alternative Darstellung des CVaR II Allgemeine Definition des CVaR CVaR für normalverteilte Zufallsvariablen CVaR als Entscheidungskriterium CVaR und stochastische Dominanz Spektrale Risikomaße Kohärente Risikomaße Spektrale Risikomaße Anwendung: Newsvendor Modell Kennziffern und Abhängigkeitsstrukturen von Renditeverteilungen Grundlagen Parametrische Verteilungen Multivariate Normalverteilung Elliptische Verteilungen Copulas
3 1 Zufallsvariablen als Träger des Risikos Wahrscheinlichkeitsraum Sei Ω Ergebnismenge E P Ereignismenge mit folgenden Eigenschaften: a) Ω E b) E E Ω\E E c) E 1, E 2,... E E i E i Wahrscheinlichkeitsfunktion mit P: E [0, 1] und a) P (Ω) = 1 b) P ( E i ) = P (E i ), falls E i E j =, i j i i (Ω, E, P ) heißt Wahrscheinlichkeitsraum. Definition 1.1 Gegeben sei ein Wahrscheinlichkeitsraum (Ω, E,P ). Die Abbildung X : Ω R ω X(ω) heißt Zufallsvariable, falls für I R gilt {ω X(ω) I} E. Definition 1.2 Gegeben sei eine auf (Ω, E, P ) definierte Zufallsvariable X : Ω R. Für I R gilt Speziell gilt für x R P (X I) = P ({ω Ω X(ω) I}) =: P X (I) P (X = x) = P ({ω Ω X(ω) = x}) =: P X (x) P X heißt Verteilung der Zufallsvariable X. Verschiedene Zufallsvariablen können dieselbe Verteilung besitzen. 2 Stochastische Dominanz Basisliteratur: Müller, A., D. Stoyan: Comparison methods for stochastic models and risks. Wiley, New York, Stochastische Dominanz 1. Ordnung Definition 2.1 Seien X und Y Zufallsvariablen mit zugehöriger Verteilungsfunktion F X, F Y. X dominiert Y stochastisch erster Ordnung, falls gilt: i. Z. X 1 Y. F X (t) F Y (t) für alle t R 1
4 Satz 2.1 Folgende Aussagen sind äquivalent: a) X 1 Y b) Es existieren Zufallsvariablen X : Ω R, Ŷ : Ω R, mit so dass gilt F X = F X, FŶ = F Y, X(ω) Ŷ (ω) für alle ω Ω. Satz 2.2 Es gilt X 1 Y E(f(X)) E(f(Y )) für alle monoton wachsenden Funktionen f. Insbesondere gilt a) X 1 Y E(X) E(Y ) b) Erwarteter Nutzen von X ist größer oder gleich dem erwarteten Nutzen von Y für alle Nutzenfunktionen. 2.2 Hazard-Rate-Ordnung Definition 2.2 X dominiert Y in der Hazard-Rate-Ordnung, i. Z. X hr Y, falls die Funktion t 1 F X(t) 1 F Y (t) monoton wachsend ist. Satz 2.3 X hr Y X 1 Y X hr Y (X X > t) 1 (Y Y > t) für alle t X hr Y (X X > t) hr (Y Y > t) für alle t Definition 2.3 Sei X eine stetige Zufallsvariable mit stetiger Dichtefunktion P (X t + ɛ X > t) r X (t) = lim = f X(t) ɛ 0 ɛ 1 F X (t) heißt hazard rate oder failure rate. Satz 2.4 Seien X und Y Zufallsvariablen mit stetigen Dichten X hr Y r X (t) r Y (t) 2
5 2.3 Stochastische Dominanz 2. Ordnung Definition 2.4 X dominiert Y stochastisch in 2. Ordnung, i. Z. X 2 Y, wenn gilt: Es gilt: Satz 2.5 t F X (z)dz t F Y (z)dz für alle t X 1 Y X 2 Y X 2 Y E(f(X)) E(f(Y )) für alle konkaven, monoton wachsenden Funktionen f Satz 2.6 Es gilt X 2 Y E(min(X, t)) E(min(Y, t)) für alle t R Satz 2.7 X 2 Y es existieren Zufallsvariablen X, Ŷ mit F X = F X, FŶ = F Y, so dass gilt: X E(Ŷ X) 2.4 Konvexe Dominanzbeziehungen Definition 2.5 X ist less dangerous als Y (i. Z. X D Y ), wenn gilt: a) Es existiert ein t 0 R mit b) E(X) E(Y ) F X (z) F Y (z) für z t 0 F X (z) F Y (z) für z > t 0 Definition 2.6 X, Y Zufallsvariablen mit E(X) = E(Y ). Y heißt mean preserving spread von X, i. Z. X MP S Y, wenn Zahlen a, b existieren mit F Y (z) F X (z) ist monoton wachsend auf ], a[, ]b, + [ F Y (z) F X (z) ist monoton fallend auf [a, b] Satz 2.8 X MP S Y X D Y Satz 2.9 X D Y E(f(X)) E(f(Y )) für alle konvexen monoton wachsenden Funktionen f 3
6 Definition 2.7 X ist less als Y bzgl. der konvexen Ordnung, i. Z. X cx Y, wenn gilt E(f(X)) E(f(Y )) für alle konvexen Funktionen f. X ist less als Y bzgl. der steigenden konvexen Ordnung, i. Z. X icx Y, wenn gilt E(f(X)) E(f(Y )) für alle konvexen monoton wachsenden Funktionen f. Satz 2.10 Satz 2.11 X MP S Y X D Y X icx Y X 2 Y X icx Y Satz 2.12 X icx Y E(X t) + E(Y t) + für alle t mit E((X t) + ) = (1 F X (z))dz t Satz 2.13 Satz 2.14 X MP S Y X cx Y X cx Y E(f(X)) E(f(Y )) für alle konkaven Funktionen f Folgerung X MP S Y EU(X) EU(Y ) für alle risikoaversen Nutzenfunktionen 4
7 3 Risikomaße Basisliteratur: Acerbi, C., Tasche, D. (2002): On the coherence of expected shortfall. Journal of Banking and Finance 26, Artzner, P., Delbaen, F., Eber, J.-M., Heath, D., (1999): Coherent measures of risk. Mathematical Finance 9 (3), Acerbi, C. (2002): Spectral measures of risk: A coherent representation of subjective risk aversion. Journal of Banking and Finance 26, Value-at-Risk (VaR) Definition Sei F die Verteilungsfunktion einer Zufallsvariablen X. Die Funktion F : ]0, 1[ R α sup{x R F (x) α} heißt obere verallgemeinerte Inverse von F. Value at Risk (VaR) zum Konfidenzniveau p ]0, 1[ heißt: V ar p (X) := max(0, F (1 p)). Existiert die inverse Verteilungsfunktion F 1 an der Stelle (1 p), dann gilt: F (1 p) = F 1 (1 p). Im Folgenden wird von F (1 p) 0 ausgegangen 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 VaR und Dominanzbeziehungen Stochastische Dominanz 1. Ordnung Stochastische Dominanz 2. Ordnung Mean preserving spread X 1 Y V ar p (X) V ar ( Y ) X 2 Y V ar p (X) V ar p (Y ) Y MP S X es existiert ein t 0 mit F Y (t) F X (t) für t < t 0 F Y (t) F X (t) für t > t 0 Daher gilt Y MP S X, F Y (t 0 ) 1 p VaR p (Y ) VaR p (X) 5
8 3.2 Conditional Value-at-Risk Definition Sei X eine Zufallsvariable mit Dichte f und invertierbarer Verteilungsfunktion F und sei x 1 p = F 1 (1 p) 0 das (1 p)-quantil, 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 ) =E( X X V ar p (X)) x = 1 1 p xf(x)dx = 1 1 p 1 p Alternative Darstellung des CVaR I CV ar p (X) = 1 1 p 1 p 0 F 1 (t)dt Alternative Darstellung des CVaR II x 1 p xdf (x). { } 1 CV ar p (X) = inf 1 p E(t X)+ t t R 1 t = inf F (x)dx t t R 1 p mit (t X) + = max (0, t X) Allgemeine Definition des CVaR CV ar p (X) = 1 1 p 1 p 0 F (t)dt Untere verallgemeinerte inverse Verteilungsfunktion von X: Es gilt: 1 1 p F (t) = inf{x R F (x) t}. 1 p 0 F (t)dt = 1 1 p 1 p 0 F (t)dt 6
9 3.2.5 CVaR für normalverteilte Zufallsvariablen Sei X N(µ, σ 2 ), dann gilt CV ar p (X) = µ + σ ϕ(z 1 p) 1 p mit z 1 p : (1 p)-quantil der Standardnormalverteilung ϕ : Dichte der Standardnormalverteilung CVaR als Entscheidungskriterium Bewertung von X, Y durch A) X Y CV ar p (X) CV ar p (Y ) B) X Y (1 λ)e(x) λcv ar p (X) (1 λ)e(y ) λcv ar p (Y ) für ein geg. λ [0, 1] C) Es gilt X Y (1 λ)e(x X x 1 p ) + λe(x X x 1 p ) (1 λ)e(y Y y 1 p ) + λe(y Y y 1 p ) für λ [0, 1]; p ]0, 1[ (1 λ)e(x X x 1 p )+λe(x X x 1 p ) = 1 λ p CVaR und stochastische Dominanz 3.3 Spektrale Risikomaße Kohärente Risikomaße X 2 Y CV ar p (X) CV ar p (Y ) Eine Abbildung ρ : X R, die die Eigenschaften A1 Monotonie: X, Y X, Y X ρ(y ) ρ(x), A2 Subadditivität: X, Y, X + Y X ρ(x + Y ) ρ(x) + ρ(y ), A3 Positive Homogenität: X X, h 0, hx X ρ(hx) = hρ(x), A4 Translationsinvarianz: X X, a R, X + a X ρ(x + a) = ρ(x) a E(X)+ 1 λ p CV ar p (X) p 7
10 erfüllt, heißt kohärentes Risikomaß. Satz 3.1 ρ ist kohärent genau dann, wenn eine Menge Q von Wahrscheinlichkeitsmaßen auf Ω existiert, so dass gilt: Spektrale Risikomaße ρ(x) = max P Q E P (X) Definition 3.1 X und Y heißen komonoton, falls für alle ω, ω Ω gilt (X(ω) X(ω ))(Y (ω) Y (ω )) 0. Die Abbildung ρ : X R heißt spektrales Risikomaß, falls ρ die Axiome (A1 - A4) und A5 Verteilungsinvarianz: X, Y X mit den zugehörigen Verteilungsfunktionen F X und F Y F X = F Y ρ(x) = ρ(y ), A6 Komonotone Additivität: für alle komonotone Zufallsvariablen X, Y X, X + Y X gilt ρ(x + Y ) = ρ(x) + ρ(y ) erfüllt. Satz 3.2 Für jedes spektrale Risikomaß gilt ρ h (X) = mit einer Funktion h für die gilt 1. h h(t)dt = 1 3. h ist monoton fallend. 1 Beispiel 3.1 Conditional Value at Risk h(t) = { 1 1 p Exponentielle spektrale Risikomaße h(t) = 0 F X(t)h(t)dt 0 t 1 p 0 1 p < t 1 a 1 e a e at für ein a > 0 8
11 3.3.3 Anwendung: Newsvendor Modell X zufällige Nachfrage y Entscheidungsvariable (Bestellmenge) c Einkaufspreis (Kosten) p Verkaufspreis z Rücknahmepreis Es gilt p > c > z. Gewinn bei Bestellmenge y: { px cy + z(y X) X < y g(y, X) = py cy X y Optimierungsproblem: = (p c)y (p z)(y X) + max E(g(y, X)) y Lösung: y = F 1 X ( ) p c p z Newsvendor-Problem unter Verwendung spektraler Risikomaße Optimierungsproblem: max ρ h (g(y, X)) y Lösung: ( ( )) p c y = F 1 H 1 p z mit H Stammfunktion von h, wobei gelten muss H(0) = 0 und H(1) = 1. Beispiel 3.2 Conditional Value at Risk ( )) p c y = F ((1 1 α) p z Exponentielle spektrale Risikomaße ( ( ) ) ln 1 p c y = F 1 p z (1 e a ) a 9
12 4 Kennziffern und Abhängigkeitsstrukturen von Renditeverteilungen 4.1 Grundlagen K it Kurs Aktie i zum Zeitpunkt t D it = K i,t K i,t 1 R it = ln K i,t 1 ( Kit K i,t 1 ) diskrete Rendite stetige Rendite µ = (µ 1,..., µ J ) Erwartungswertvektor von (R 1t,..., R Jt ) Σ Varianz-Kovarianz-Matrix von (R 1t,..., R Jt ). Erwartungstreue und konsistente Schätzer für µ i, σ 2 i und cov(r kt, R lt ) sind gegeben durch: r i := 1 n ŝ 2 i := â kl := n r it, t=1 1 n 1 1 n 1 n (r it r i ) 2 t=1 n (r kt r k )(r lt r l ). t=1 4.2 Parametrische Verteilungen Multivariate Normalverteilung Sei X = (X 1,..., X n ) eine n-dimensionale Zufallsvariable. Definition 4.1 µ R n, Σ positiv definite (n n)-matrix. X heißt normalverteilt mit µ, Σ i. Z. X N(µ, Σ), falls für die Dichte f gilt Dabei gilt: f(x) = (2π) n 2 (detσ) 1 2 e 1 2 (x µ) 1 (x µ) E(X) = µ V ar(x) = Σ. (x R n ) Satz 4.1 X ist multivariat normalverteilt X N(µ, Σ) genau dann, wenn a 1 X a 2 X n normalverteilt für alle a 1,..., a n R ist. Es gilt σ ij = 0 X i und X j sind unabhängig 10
13 Sei X = (X 1, X 2 ) mit X 1 = (X 1,..., X k ), X 2 = (X k+1,..., X n ), ( ) µ1 E(X) =, µ 2 ( ) Σ11 Σ Σ = 12, Σ 21 Σ 22 X 1 N (µ 1, Σ 11 ), X 2 N (µ 2, Σ 22 ), dann sind alle bedingten Verteilungen normalverteilt, mit (X 1 X 2 = x 2 ) = N(µ 1 + Σ 12 Σ 1 22 (x 2 µ 2 ); Σ 11 Σ 12 Σ 1 22 Σ 21) Transformation von X N(µ, Σ) mit der (n L)-Matrix A und b R L führt zu A X + b N ( A µ + b, A ΣA ) Elliptische Verteilungen Definition 4.2 X = (X 1,..., X n ) heißt elliptisch verteilt mit µ R n, Σ positiv definit, falls die Dichte von X gegeben ist f(x) = det(σ) 1 2 g ( (x µ) Σ 1 (x µ) ) mit einer Funktion g : R + R (i.z. X E(µ, Σ, g)). 4.3 Copulas (X,Y) mit Verteilungsfunktion F (X,Y ) (x, y) = P (X x, Y y) und Randverteilungen F X (x) = F (X,Y ) (x, ) = P (X x) F Y (y) = F (X,Y ) (, y) = P (Y y) Satz 4.2 (Sklar)(1959) Zu F (X,Y ) existiert eine eindeutig bestimmte Funktion C : [0, 1] 2 [0, 1] mit F (X,Y ) (x, y) = C(F X (x), F Y (y)), 11
14 Eigenschaften a) C(u, v) = F (X,Y ) (F 1 X 1 (u), F (v)) b) U := F X X, V := F Y Y C ist die gemeinsame Verteilungsfunktion von (U,V): Y C(u, v) = P (U u, V v) (u, v [0, 1]) Es gilt: F (X,Y ) (x, y) = C(F X (x), F Y (y)) = C(u, v) mit u = F X (x), v = F Y (y) c) Es gilt: C(u, 1) = u C(1, v) = v C(0, v) = C(u, 0) = 0 d) Für u 1 u 2, v 1 v 2 gilt: P (u 1 U u 2, v 1 V v 2 ) = C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 )+C(u 1, v 1 ) Definition 4.3 Existiert eine Funktion c:[0, 1] 2 R t mit C(u, v) = so heißt c Dichte der Copula C. u v 0 0 c(s, t) dt ds, Satz 4.3 Besitzt F (X,Y ) eine Dichte f (X,Y ) mit Randdichten f X, f Y, so besitzt C die Dichte c(u, v) = f (X,Y )(F 1 1 X (u), FY (v)) f X (F 1 X (u)) f Y (F 1 Y (v)) Definition 4.4 Eine 2-dimensionale Copula ist eine auf [0, 1] 2 definierte 2- dimensionale Verteilungsfunktion, deren Randverteilungen Gleichverteilungen auf [0,1] sind. Bemerkung 4.1 Die nach dem Satz von Sklar existierende Funktion ist eine Copula. Satz 4.4 Für alle Copulas C gilt max(u + v 1, 0) C(u, v) min(u, v) Speziell sind W (u, v) = max(u + v 1, 0) und M(u, v) = min(u, v) Copulas. 12
15 Eigenschaft der Copula M F X,Y (x, y) = min (F X (x), F Y (y)) X = F 1 X (F Y Y ) X ist eine monoton wachsende Funktion von Y Eigenschaft der Copula W F X,Y (x, y) = max (F X (x) + F Y (y) 1, 0) X = F 1 X (1 F Y Y ) X ist eine monoton fallende Funktion von Y Gauss-Copula Φ 2ρ = Verteilungsfunktion einer 2-dimensionalen Normalverteilung mit µ x = µ y = 0, σ 2 x = σ 2 y = 1 und Korrelation ρ. Definition 4.5 Die Gauss-Copula ist Es gilt: C ρ (u, v) = Φ 2ρ (Φ 1 (u), Φ 1 (v)) (u, v [0, 1]) ρ=0 : C ρ (u, v) = u v ρ=+1 : C ρ (u,v) = M(u,v) ρ=-1 : C ρ (u,v) = W(u,v). Schätzung von Copulas (x 1, y 1 ),..., (x n, y n ) { 1 falls x i x 1 (xi x) = 0 falls x i > x x 1,..., x n ˆF X empirische Verteilungsfunktion n ˆF X (x) = 1 n 1 (xi x) i=1 Analog ergibt sich aus den Beobachtungen y 1,..., y n die emprische Verteilungsfunktion ˆF Y. û i := ˆF (x i ) ˆv i := ˆF (y i ) Aus den Beobachtungen (û 1, ˆv 2 ),..., (û n, ˆv n ) wird die Copula C von (X, Y ) geschätzt durch Ĉ(u, v) = 1 n 1 n (ûi u) 1 (ˆvi v) i=1 13
16 Einschübe A: Erwartungsnutzentheorie Die Zufallsvariable X wird durch den erwarteten Nutzen bewertet EU(X) = E(U(X)) = E(U X) = U(x)dF X (x) = Risikoaversion liegt vor, falls U(x)f X (X)dx im stetigen Fall EU(X) U(E(X)) für alle X Definition 4.6 (Jensen sche Ungleichung) EU(X) U(E(X)) X U konkav Risikoaversion liegt vor U ist monoton wachsend und konkav (U 0, U 0) B: Bedingte Erwartung Diskreter Fall: X, Y bedingter Erwartungswert von Y gegeben X = x bedingte Erwartung E(Y X) E(Y X = x) = y P (Y = y X = x) E(Y X) ist Zufallsvariable mit den Werten E(Y X=x) und der Verteilung P(X=x) Stetiger Fall (X, Y ) mit gemeinsamer Dichte f(x, y) E(Y X = x) = yf(y x)dy E(Y X) ist Zufallsvariable mit Werten E(Y X = x) und der Dichte f 1 (x). Es gilt: E(E(Y X)) = E(Y ) 14
17 C: Bedingter Erwartungswert für normalverteilte Zufallsvariablen Für X N(µ, σ 2 ) gilt ( ) a µ E(X X a) = µ + σ λ σ mit λ(z) = ϕ(z) Φ(z) wobei ϕ(z): Dichte der Standardnormalverteilung und Φ(z): Verteilungsfunktion der Standardnormalverteilung. 15
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
MehrKompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse
Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P.
MehrBerechnung MCR unter Solvency II
Berechnung MCR unter Solvency II Berechnung MCR unter Solvency II Die Wahl des richtigen Risikomaßes Sina Wiesinger 29. März 2018 Überblick 1 Einleitung 2 Grundlagen 3 Eigenschaften von Risikomaßen 4 Risikomaße
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
MehrTheorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x).
Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). 2. Wahrscheinlichkeit-Transformation: Sei Y eine Zufallsvariable
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
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........................
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)
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
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
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
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrDynamische Risikomaße
Dynamische Risikomaße in der Unternehmenssteuerung Jochen Wolf FH Koblenz Ulm, 24.01.2012 Wolf FH Koblenz Dynamische Risikomaße Ulm, 24.01.2012 1 / 31 statische Risikomaße Agenda 1 statische Risikomaße
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 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
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrWas Aktuare über Abhängigkeit wissen sollten
08.05.2017 Renditen BASF BMW Renditen BASF Gold Was wir brauchen Zufallsvariable und Zufallsvektoren uni- und multivariate Verteilungen Abhängigkeitskennziffern Simulationsmethoden Copulamodelle Verteilungen
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
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
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
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
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
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 zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrModellierung und Vergleich von stochastischen Abhängigkeiten mit Copulas
Universität Karlsruhe (TH) Institut für Wirtschaftstheorie und Operations Research Modellierung und Vergleich von stochastischen Abhängigkeiten mit Alfred Müller, Karlsruhe Statistische Woche 2006 Dresden,
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrAls Management Tool: zur Bestimmung der Risiken, die unterschiedliche Einheiten einer Firma eingehen dürfen.
Verwendungszweck von Risikomanagement: Bestimmung der Mindestkapitalanforderungen: Kapital, das benötigt wird um event. Verluste abzudecken. Als Management Tool: zur Bestimmung der Risiken, die unterschiedliche
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
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)
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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
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
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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.
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
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
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
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
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas 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
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
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
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
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
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
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
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrÜbungsrunde 10, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
Übungsrunde, Gruppe 2 LVA 7.369, Übungsrunde, Gruppe 2, 9..27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 9..27 Anmerkung: Viele dieser Lösungsvorschläge stammen aus dem Informatik-Forum, Subforum
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
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
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 :
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
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
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
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
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
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
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
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
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........................
MehrVorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden
Vorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden Hansruedi Künsch Frühlingssemester 2013 Repetition vom 19. 2. Ein Wahrscheinlichkeitsraum besteht aus
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
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
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
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
Mehr