Entscheidungstheorie: Nutzentheorie bei Unsicherheit

Größe: px
Ab Seite anzeigen:

Download "Entscheidungstheorie: Nutzentheorie bei Unsicherheit"

Transkript

1

2 Entschedungstheore: Nutzentheore be Unscherhet 3 1. De Mndestanforderungen benhalten (a) De fünf Axome der Entschedung be Unscherhet Verglechbarket (auch als Vollständgket bezechnet) Transtvtät (auch als Stetgket bezechnet) Starke Unabhänggket Messbarket Rehung (b) Investoren bestzen enen postven Grenznutzen des Vermögens (Ger). (c) Der gesamte Nutzen des Vermögens stegt mt ener abnehmenden Wachstumsrate (Rskoaverson); d.h. E[U(W)] < U[E(W)]. (d) De Wahrschenlchketsdchtefunkton muss ene Normalvertelung (oder ene Funkton mt zwe Parametern) sen. 2. We n Abbldung 3.6 dargestellt, bestzt en rskofreudger Markttelnehmer enen postven Grenznutzen des Vermögens, MU(W) > 0, der mt stegendem Vermögen ebenfalls anstegt, dmu(w)/dw > 0. Um de Form der Indfferenzkurve deses rskofreudgen Markttelnehmers beschreben zu können, müssen wr de Grenzrate der Substtuton zwschen Rendte und Rsko kennen. Glechung (3.19) beschrebt de Stegung der Indfferenzkurve: de U ( E + σz) Zf( Z) dz = dσ U ( E +σz) f( Z) dz (3.19) Der Nenner muss postv sen, da der Grenznutzen, U (E + σz), postv st und de Wahrschenlchket, f(z), für jedes Vermögensnveau postv st. Um zu erkennen, dass das Integral m Zähler postv st, kann man Abbldung 3.1 heranzehen. Der Grenznutzen postver Rendten, + Z, st mmer höher als der Grenznutzen der glechwahrschenlchen (d.h. aus der selben Vertelung f(z) gezogenen) negatven Rendten, Z. Deshalb st, wenn alle glechwahrschenlchen Rendten mt hren Grenznutzen multplzert und summert werden, das Ergebns postv. Da vor dem Integral m Zähler en Mnuszechen steht, st der gesamte Zähler negatv und de Grenzrate der Substtuton zwschen Rsko und Rendte st für enen rskofreudgen Markttelnehmer ebenfalls negatv. Des führt zu Indfferenzkurven we de n Abbldung 3.2 dargestellten. 25

3 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT f(z) Z TU + Z Z MU von + Z Z MU von Z Abbldung 3.1: Gesamtnutzen normalvertelter Rendten für enen rskofreudgen Markttelnehmer E( ~ R) Rchtung des stegenden Nutzens U 1 U 2 U 3 U 4 σ( ~ R) Abbldung 3.2: Indfferenzkurven enes rskofreudgen Markttelnehmers 3. (a) E[ UW ( )] = 0,5ln(4.000) + 0,5ln(6.000) = 0,5(8,29405) + 0,5(8,699515) = 8, e ln W = W 8, e 4.898,98 = = W Deshalb wäre das Indvduum ndfferent zwschen der Lottere und scheren 4.898,98. Des entsprcht ener Rskopräme von 101,02. Es sollte also kene Verscherung für 125 abgeschlossen werden. 26

4 Lösungen Aufgabe 3.4 (b) De zwete Lottere entsprcht nach dem ersten Verlust entweder plus oder mnus Ihr Erwartungsnutzen st E[ UW ( )] = 0,5ln(3.000) + 0,5ln(5.000) = 0,5(8,006368) + 0,5(8,517193) = 8,26178 ln W 8,26178 e = e = 3.872,98 = W Nun wäre en Indvduum beret, bs zu 127,02 für ene Verscherung zu bezahlen. Da de Verscherung nur 125 kostet, sollte se gekauft werden. 4. Da m Verhältns zu ene große Vermögensänderung darstellt, können wr das Konzept der Rskoaverson be großen Rsken (Markowtz) anwenden. Der Erwartungsnutzen der Lottere st EU ( (9.000,11.000; 0,5)) = 0,5 U(9.000) + 0,5 U(11.000) = 0,5 ln ,5 ln = 0,5(9,10498) + 0,5(9,30565) = 4, , = 9, Das Vermögensnveau mt derselben Nutzenhöhe st ln W = 9, W = = 9, e 9.949,87 Das Indvduum würde also maxmal den folgenden Betrag bezahlen: ,87 = 50,13, um de Rsken n Zusammenhang mt ener 50:50-Chance auf den Gewnn oder Verlust der zu vermeden. Wenn das gegenwärtge Vermögen st, st der Erwartungsnutzen der Lottere EU ( ( , ; 0,5)) = 0,5 ln ,5ln = 0,5(13,81451) + 0,5(13,81651) = 13,81551 Das Vermögensnveau mt demselben Nutzen st ln W = 13,81551 W = = 13,81551 e ,47 Dann würde das Indvduum beret sen, , ,47 = 0,53 zu zahlen, um de Lottere zu vermeden. 27

5 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 5. (a) De Nutzenfunkton st n Abbldung 3.3 dargestellt. UW ( ) = e aw U(W) W W e W. 20,09 7,39 2,72 1,00 0,37 0,14 0, Abbldung 3.3: Negatve exponentelle Nutzenfunkton Oben stehende Abbldung unterstellt en a = 1. Für enen belebgen anderen Wert mt a > 0 wrd de Nutzenfunkton ene monotone Transformaton der obgen Kurve sen. (b) Der Grenznutzen st de erste Abletung nach W. du( W ) aw U ( W) = = ( a)e > 0 dw Der Grenznutzen st also streng postv. Des erkennt man auch an Abbldung 3.3, da de Stegung der Tangente an de Nutzenfunkton mmer postv st, unabhängg vom Vermögensnveau. Rskoaverson st de Veränderungsrate des Grenznutzens. dmu( W ) U W = = a a = a < dw aw 2 aw ( ) ( )e e 0 Damt st de Nutzenfunkton konkav und repräsentert Rskoaverson. 28

6 Lösungen Aufgabe 3.6 (c) Absolute Rskoaverson, we se von Pratt-Arrow defnert st, entsprcht De Funkton zegt also kene snkende absolute Rskoaverson. Stattdessen west se ene konstante Rskoaverson auf. (d) Relatve Rskoaverson st U ( W) ARA = U ( W) 2 aw a e ARA = aw = a ae U ( W) RRA = W( ARA) = W U ( W ) = Wa Demnach st de relatve Rskoaverson ncht konstant. Se stegt mt dem Vermögen an. 6. Fredman und Savage [1948] zegen, dass de glechzetge Telnahme an ener Lottere und der Abschluss von Verscherungen erklärbar st, wenn en Indvduum ene Nutzenfunkton we n Abbldung 3.4 dargestellt bestzt. Das Indvduum st rskoavers gegenüber enem Absnken des Vermögens, da de Nutzenfunkton unterhalb senes gegenwärtgen Vermögens konkav st. Deshalb wrd es beret sen, ene Verscherung gegen Verluste abzuschleßen. Glechzetg wrd es beret sen, an ener Lottere telzunehmen, de hm ene (klene) Wahrschenlchket enormer Vermögensgewnne betet, da sene Nutzenfunkton oberhalb senes gegenwärtgen Vermögens konvex st. U(W) Gegenwärtges Vermögensnveau W Abbldung 3.4: Glücksspel und Verscherung 29

7 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 7. Gegeben st A > B > C > D Wr wssen weterhn U(A) + U(D) = U(B) + U(C) Umformen ergbt U(A) U(B) = U(C) U(D) (3.1) Angenommen, das Indvduum se rskoavers, dann glt 2 U U > 0 und 2 < 0 W W Von (1) und (2) wssen wr UA ( ) UB ( ) UC ( ) UD ( ) < A B C D Mt Glechung (3.1) wrd aus Glechung (3.3) (3.2) (3.3) 1 1 < A B C D A B> C D A+ D> C+ B A+ D> C+ B U ( A) + ( D) > U ( C) + ( B) Im Allgemenen werden rskoaverse Markttelnehmer enen snkenden Nutzen wahrnehmen, wenn de Varanz des Ergebnsses zunmmt; allerdngs entsprcht der Nutzen von (1/2)B + (1/2)C dem Nutzen des erwarteten Ergebnsses, enem Durchschntt. 8. Zuerst müssen wr den Erwartungsnutzen des Rskos der Klengewerbetrebenden berechnen. EUW ( ( )) = puw ( ) = 0,1 U(1) + 0,1 U(50.000) + 0,8 U( ) = 0,1(0) + 0,1(10,81978) + 0,8(11,51293) = 10,292322, dann das Vermögensnveau, welches se ndfferent gegenüber dem Rsko werden lässt. ln W = 10, , W = e W = De maxmale Verscherungspräme st Rskopräme = E(W) Scherhetsäquvalent = , = ,1. 30

8 Lösungen Aufgabe De Nutzenfunkton se Damt st das Vermögensnveau, das mt jedem belebgen Nutzen korrespondert, W = (U(W)) 1 Das scherhetsäquvalente Vermögen ener Lottere mt Indfferenz wrd an dem Punkt auftreten, wo das gegenwärtge Vermögensnveau, W, abzüglch des scherhetsäquvalenten Vermögens für de Lottere genau den Kosten der Verscherung, 500, entsprcht. Wr haben also de Bedngung UW ( ) = 1 W W = [0,5( ( W ) ) + 0,5( ( W 1.000) )] 2 2 W W W W W = W = ,5 + 0,5 W W W = 500 W 2 W = W W + = 500 W = 500 W = ± st W. Wenn also das gegenwärtge Vermögen be legt, werden Se ndfferent sen. Unterhalb deses Vermögensnveaus werden Se für ene Verscherung zahlen, hngegen werden Se des ncht für en darüber legendes Nveau tun. 31

9 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 10. Tabelle 3.1 zegt de Auszahlungen, erwarteten Auszahlungen und den Nutzen der erwarteten Auszahlungen für n aufenanderfolgende Kopf-Würfe. Anzahl aufenanderfolgender Köpfe N Wahrschenlchket (1/2) n+1 Auszahlung 2 N E Auszahlung U Auszahlung Tabelle 3.1 E U Auszahlung 0 1/2 1 0,50 ln 1 = 0,000 0, /4 2 0,50 ln 2 = 0,693 0, /8 4 0,50 ln 4 = 1,386 0, /16 8 0,50 ln 8 = 2,079 0, N (1/2) N+1 2 N 0,50 ln 2 N = N ln 2 (ln 2)/(2 N+1 )=0 De Lottere bestzt ene Wahrschenlchket von 0,5 für en Ende nach dem ersten Münzwurf (d.h. ken Kopf), ene Wahrschenlchket von (0,5) 2 für en Ende nach dem zweten Münzwurf (enmal Kopf und enmal Zahl) und so weter. De erwartete Auszahlung der Lottere st de Summe der erwarteten Auszahlungen (Spalte ver); dese st unendlch. Es hat jedoch noch nemand enen unendlchen Betrag gezahlt, um dese Lottere zu spelen. Der Grund herfür st, dass Menschen für gewöhnlch rskoavers snd. Se wären deshalb nur beret, enen Betrag zu zahlen, der hrem erwarteten Nutzen der Lottere entsprcht. Der Erwartungsnutzen der Lottere st N ( ) = ( 2 ) ln 2 = 0 N 1 1 = 2 2 = 0 N ( ) = 1 2 ln 2 = 0 2 EU EU ( ) ( ) ln 2 EU Im Folgenden wrd bewesen, dass = 2 : = 0 2 Zuerst beachten Se btte, dass ene unendlche Rehe we folgt aufgetelt werden kann: = = + = 02 = 0 2 = 02 =

10 Lösungen Aufgabe 3.10 Auswertung des ersten der beden Terme ergbt = /2 = 1+ = 2 1 1/2 = 0 Auswertung des zweten Terms ergbt = = 0 De oben dargestellte Rehe kann we folgt erwetert werden Wr haben dann 1 = = = = = Durch Addton der beden Terme haben wr den erwünschten Bewes, dass Folglch ergbt sch = = = 0 2 = 0 = = + = 2+ 0= 2 = 02 = 02 = 0 2 EU ( ) = 1/2 ln2 = ln2, da = N N = 0 = 0 Wenn der Erwartungsnutzen des Vermögens ln2 st, ergbt sch das korresponderende Vermögen als UW ( ) = ln2 = W = ln2 e 2 Deshalb wrd ene Person mt ener logarthmschen Nutzenfunkton 2 für de Lottere zahlen. 33

11 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 11. (a) Als Erstes bestmmen wr den AVL aus Scht der Verscherungsgesellschaft, da dese de Prämen festsetzt. AVL1 ( Verscherung) = 0(0,98) (0,01) (0,005) (0,005) = 250 AVL2 ( Verscherung) = 0(0,98) (0,01) (0,005) (0,005) = 300 AVL3 ( Verscherung) = 0(0,98) (0,01) (0,005) (0,005) = 350 Nun können wr de Präme für jede Abscherungssumme berechnen: Verscherungsbetrag Präme = = = 374 Als Nächstes berechnen wr das Endvermögen des Verscherten und den zugehörgen Nutzen des Vermögens für alle Möglchketen (Umweltzustände). Nehmen Se an, er erwrtschaftet 7% auf sene Ersparnsse und dass de Prämen am Jahresanfang gezahlt werden. Der Nutzen jedes Endvermögens kann mt sener Nutzenfunkton U(W) = ln W ermttelt werden (sehe Tabelle 3.2a). Zuletzt ermtteln wr den Erwartungsnutzen des Vermögens für jeden Verscherungsbetrag, EUW ( ( )) = P UW ( ) und wählen den Verscherungsbetrag, der zum höchsten Erwartungsnutzen führt. Möglche Werte des Vermögens und des Nutzens des Vermögens (Ersparnsse ) Ohne Verscherung Perodenendvermögen (n ) Tabelle 3.2a Nutzen des Vermögens U(W) = ln W Ken Verlust (P = 0,98) 5 + 2(1,07) = 7,14 1, Verlust (P = 0,01) 5 + 2,14 0,5 = 6,64 1, Verlust (P = 0,005) 5 + 2,14 1,0 = 6,14 1, Verlust (P = 0,005) 5 + 2,14 5,0 = 2,14 0,7608 Mt Verscherung Ken Verlust (P = 0,995) 5 + 2,14 0,0280(1,07) 7,11 1, Verlust (P = 0,005) 5 + 2,14 0,03 2 5,11 1,6312 Mt Verscherung Verlust (P = 0,995) 5 + 2,14 0,0327(1,07) 7,105 1, Verlust (P = 0,005) 5 + 2,14 0,035 1,0 6,105 1,8091 Mt Verscherung Ken Verlust (P = 1,0) 5 + 2,14 0,0374(1,07) 7,10 1,

12 Lösungen Aufgabe 3.11 Ohne Verscherung: E(U(W)) = 1,9657(0,98) + 1,8931(0,01) + 1,8148(0,005) + 0,7608(0,005) = 1,9582 Mt Verscherung: E(U(W)) = 1,9615(0,995) + 1,6312(0,005) = 1,9598 Mt Verscherung: E(U(W)) = 1,9608(0,995) + 1,8091(0,005) = 1,9600 Mt Verscherung: E(U(W)) = 1,9601 Deshalb st für Mr. Casadesus be sener Nutzenfunkton der optmale Verscherungsbetrag Möglche Werte des Vermögens und des Nutzens des Vermögens (Ersparnsse ) Ohne Verscherung Perodenendvermögen (n ) Tabelle 3.2b Nutzen des Vermögens U(W) = ln W (n ) Ken Verlust (P = 0,98) ,00(1,07) = 39,24 1, Verlust (P = 0,01) ,24 0,5 = 38,74 1, Verlust (P = 0,005) ,24 1,0 = 38,24 1, Verlust (P = 0,005) ,24 5,0 = 34,24 1,2308 Mt Verscherung Ken Verlust (P = 0,995) ,24 0,028(1,07) 39,21 1, Verlust (P = 0,005) ,24 0, ,21 1,3140 Mt Verscherung Verlust (P = 0,995) ,24 0,0327(1,07) 39,205 1, Verlust (P = 0,005) ,24 0,035 1,0 38,205 1,3404 Mt Verscherung Ken Verlust (P = 1,0) ,24 0,0374(1,07) 39,20 1,

13 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT (b) Gehen Se we n Telaufgabe a) vor, nur mt an Ersparnssen anstatt mt (Vergleche Tabelle 3.2b oben für de Berechnungen.) Ohne Verscherung: Mt Verscherung: E(U(W)) = 0,98(1,3671) + 0,01(1,3543) + 0,005(1,3413) + 0,005(1,2308) = 1, E(U(W)) = 0,995(1,3663) + 0,005 (1,3140) = 1, Mt Verscherung: E(U(W)) = 0,995(1,3662) + 0,005(1,3404) Mt Verscherung: = 1, E(U(W)) = (1)1, = 1, Der optmale Verscherungsbetrag n desem Fall st nun, überhaupt kene Verscherung zu haben. Obwohl be ener logarthmschen Nutzenfunkton de Werte sehr nahe beenander legen, zegt de Analyse doch, dass relatv wohlhabende Personen wählen können, kene Verscherung abzuschleßen, während wenger wohlhabende Personen unter Umständen de maxmale Abscherung wählen. (c) Das Vermögen am Perodenende für alle Möglchketen wurde n Telaufgabe a) berechnet, so dass wr nun den Erwartungsnutzen für jeden Verscherungsbetrag drekt berechnen können. Ohne Verscherung: E (U(W)) = 0,98(U(71,4)) + 0,01(U(66,4)) +0,005(U(61,4)) + 0,005U(21,4) = 0,98(200/71,4) 0,01(200/66,4) 0,005(200/61,4) 0,005(200/21,4) = 2,745 0,030 0,016 0,047 = 2,838 Mt Verscherung: E(U(W)) = 0,995(U(71,1)) + 0,005(U(51,1)) = 0,995 (200/71,1) 0,005(200/51,1) = 2,799 0,020 = 2,819 36

14 Lösungen Aufgabe 3.12 Mt Verscherung: E(U(W)) = 0,995(U(71,05) + 0,005(U(61,05)) = 0,995(200/71,05) 0,005(200/61,05) = 2,8008 0,0164 = 2,8172 Mt Verscherung: E(U(W)) = (1)( 200/71) = 2,8169 Be ener derartgen Nutzenfunkton würde Mr. Casadesus also mt erneuern. Egenschaften der Nutzenfunkton, U(W) = W 1 : 2 MUW = W > 0 postver Grenznutzen 3 MUW = W < 0 Rskoaverson MUW 1 ARA = = 2W > 0 MUW ARA 2 = 2W < 0 W snkende absolute Rskoaverson RRA = W( ARA) = 2> 0 RRA = 0 W konstante relatve Rskoaverson Da das Indvduum ene snkende absolute Rskoaverson aufwest, zeht es vor, mt stegenden Ersparnssen mmer höhere Rsken zu tragen. Schleßlch würde es es bevorzugen, überhaupt kene Verscherung abzuschleßen, sobald sen Vermögen groß genug st. Um des zu sehen, können Se sene Ersparnsse glech setzen. 12. Da de Erträge normalvertelt snd, snd Erwartungswert und Varanz de enzgen relevanten Parameter. Fall 1 (a) Domnanz zweter Ordnung B domnert A, da es ene nedrgere Varanz aufwest und denselben Erwartungswert. (b) Domnanz erster Ordnung Es exstert kene Domnanz, da sch de beden Vertelungsfunktonen schneden. Fall 2 (a) Domnanz zweter Ordnung A domnert B, da es mmer enen höheren Erwartungswert bestzt, während bede deselbe Varanz haben. (b) Domnanz erster Ordnung A domnert B, da de kumulerte Wahrschenlchket gernger st als de von B. Se legt rechts von B. 37

15 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT Fall 3 (a) Domnanz zweter Ordnung Domnanz legt ncht vor, da A trotz ener gerngeren Varanz auch enen gerngeren Erwartungswert bestzt. (b) Domnanz erster Ordnung Für Normalvertelungen kann B ncht A nach dem Krterum erster Ordnung domneren. Abbldung 3.5 llustrert en Bespel. f(x) A B Abbldung 3.3: Domnanz erster Ordnung ncht möglch X 13. (a) Prob X X p X X E(X) p (X E(X)) 2 0,1 10 1,0 16,4 0,1(268,96) = 26,896 0,4 5 2,0 1,4 0,4(1,96) = 0,784 0,3 10 3,0 3,6 0,3(12,96) = 3,888 0,2 12 2,4 5,6 0,2(31,36) = 6,272 E(X) = 6,4 VAR (X) = 37,840 Prob Y Y p Y Y E(Y) p (Y E(Y)) 2 0,2 2 0,4 3,7 0,2(13,69) = 2,738 0,5 3 1,5 2,7 0,5(7,29) = 3,645 0,2 4 0,8 1,7 0,2(2,89) = 0,578 0,1 30 3,0 24,3 0,1(590,49) = 59,049 E(Y) = 5,7 VAR(Y) = 66,010 X wrd klar bevorzugt von jedem rskoaversen Indvduum, dessen Nutzenfunkton auf Erwartungswert und Varanz basert, da X enen höheren Erwartungswert und ene gerngere Varanz als Y aufwest, we n Abbldung 3.6 dargestellt st. (b) Domnanz zweter Ordnung kann so getestet werden, we n Tabelle 3.3 dargestellt st. Da Σ(F G) ncht klener (oder größer) als null für alle Ergebnsse st, exstert kene Domnanz zweter Ordnung. 38

16 Lösungen Aufgabe 3.13 Tabelle 3.3 Ergebns Prob(X) Prob(Y) Σ P x = F Σ P y = G F G Σ (F G) ,1 0 0,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 0, ,1 0 0,1 1, ,1 0 0,1 1, ,1 0 0,1 1, ,2 0,1 0,2 0,1 1, ,5 0,1 0,7 0,6 0, ,2 0,1 0,9 0,8 0,3 5 0,4 0 0,5 0,9 0,4 0, ,5 0,9 0,4 1, ,5 0,9 0,4 1, ,5 0,9 0,4 1, ,5 0,9 0,4 2,3 10 0,3 0 0,8 0,9 0, ,8 0,9 0,1 2,5 12 0,2 0 1,0 0,9 0,1 2, ,0 0,9 0,1 2, ,0 0,9 0,1 2, ,0 0,9 0,1 2, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 1, ,0 0,9 0,1 0, ,0 0,9 0,1 0, ,0 0,9 0,1 0, ,0 0,9 0,1 0, ,1 1,0 1,0 0 0,6 1,0 1,0 Da Σ(F G) ncht klener (oder größer) als null für alle Ergebnsse st, exstert kene Domnanz zweter Ordnung. 39

17 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT E(R p ) X Y Abbldung 3.4: Vermögensposton X wrd von rskoaversen Personen mt Erwartungswert und Varanz als Entschedungsparameter vorgezogen 14. (a) Tabelle 3.4 zegt de Berechnungen. σ p Tabelle 3.4 p A B p A p [A E(A)] 2 p B p [B E(B)] 2 0,1 0 0,50 0 0,144 0,05 0,4000 0,2 0,50 0,25 0,10 0,098 0,05 0,6125 0,4 1,00 1,50 0,40 0,016 0,60 0 0,2 2,00 3,00 0,40 0,128 0,60 0,4500 0,1 3,00 4,00 0,30 0,324 0,40 0,6250 1,20 0,710 1,50 2,0875 EA ( ) = 1,20, σ A = 0,84 EB ( ) = 1,50, σ = 1, 44 B (b) Abbldung 3.7 llustrert, dass rskoaverse Investoren mt Indfferenzkurven we #1 Unternehmen A bevorzugen werden, während en wenger rskoaverser Investor (#2) Unternehmen B bevorzugen wrd, das ene höhere Rendte und höhere Varanz bestzt. 40

18 Lösungen Aufgabe 3.14 E(R) #1 #1 #2 #2 1,5 1,4 B 1,3 1,2 1,1 A Abbldung 3.5: Rsko-Rendte-Verhältns 0,5 1 1,5 σ R (c) Das Krterum der Domnanz zweter Ordnung wrd n der Tabelle 3.5 berechnet. Tabelle 3.5 Stochastsche Domnanz zweter Ordnung Rendte Prob(A) Prob(B) F(A) G(B) F - G Σ (F - G) 0,50 0 0,1 0 0,1 0,1 0,1 0,25 0 0,2 0 0,3 0,3 0,4 0 0,1 0 0,1 0,3 0,2 0,6 0, ,1 0,3 0,2 0,8 0,50 0,2 0 0,3 0,3 0 0,8 0, ,3 0,3 0 0,8 1,00 0,4 0 0,7 0,3 0,4 0,4 1, ,7 0,3 0,4 0 1,50 0 0,4 0,7 0, , ,7 0, ,00 0,2 0 0,9 0,7 0,2 0,2 2, ,9 0,7 0,2 0,4 2, ,9 0,7 0,2 0,6 2, ,9 0,7 0,2 0,8 3,00 0,1 0,2 1,0 0,9 0,1 0,9 3, ,0 0,9 0,1 1,0 3, ,0 0,9 0,1 1,1 3, ,0 0,9 0,1 1,2 4,00 0 0,1 1,0 1,0 0 1,2 1,0 1,0 41

19 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT Da Σ(F G) ncht dasselbe Vorzechen für alle Rendten bestzt, legt n desem Fall kene stochastsche Domnanz zweter Ordnung vor. Auszahlung Prob (A) Prob (B) F (A) G (B) G (B) F(A) 1 0,0 0,3 0 0,3 0,3 2 0,5 0,1 0,5 0,4 0,1 3 0,5 0,3 1,0 0,7 0,3 4 0,0 0,3 1,0 1,0 0 1,0 1,0 E(A) = 2,50, VAR(A) = 2 0,25 E(B) = 2,60, VAR(B) = 2 1,44 De Vertelungsfunktonen schneden sch und es besteht kene Domnanz erster Ordnung. 15. (a) Falsch. Verglechen Se de beden normalvertelten Varablen n Abbldung 3.8 unten. Verwendet man de Domnanz zweter Ordnung, wrd B von A domnert, da bede den glechen Erwartungswert bestzen, aber A ene nedrgere Varanz. Allerdngs exstert kene Domnanz erster Ordnung, da bede denselben Erwartungswert aufwesen und sch deshalb de Vertelungsfunktonen schneden. f(x) F(X) 1 0,5 X Abbldung 3.6: Domnanz erster Ordnung glt ncht X (b) Falsch. Bedenken Se das Gegenbespel unter (c). 42

20 Lösungen Aufgabe 3.16 (c) Falsch. En rskoneutraler Investor bestzt ene lneare Nutzenfunkton und wrd damt mmer de Rendtemengen wählen, de den höchsten Erwartungswert aufwesen. (d) Rchtg. Nutzenfunktonen, de enen postven Grenznutzen und Rskoaverson aufwesen, snd konkav. Stochastsche Domnanz zweter Ordnung steht n Enklang mt der Maxmerung des Erwartungsnutzens für rskoaverse Investoren. 16. Aus Scht der Antelsegner snd de Auszahlungen Projekt 1 Projekt 2 Wahrschenlchket Auszahlung Wahrschenlchket Auszahlung 0,2 0 0,4 0 0,6 0 0,2 0 0,2 0 0, Unter Verwendung entweder der Domnanz erster Ordnung oder Domnanz zweter Ordnung domnert Projekt 2 endeutg Projekt 1. Ohne Haftungsbeschränkung würden sch de Auszahlungen an de Antelsegner we folgt darstellen: Projekt 1 Projekt 2 Wahrschenlchket Auszahlung Wahrschenlchket Auszahlung 0, , , , , , In desem Fall wären de Antelsegner verpflchtet, Fremdkaptalzahlungen aus hrem egenen Prvatvermögen zu lesten, wenn de Fnanzmttel des Unternehmens ncht ausrechen, und Projekt 2 wäre ncht mehr stochastsch domnant. 43

21 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 17. (a) De erste Wtwe maxmert annahmegemäß hren Erwartungsnutzen, hre Enstellung gegenüber Rsko st ncht bekannt. Dann st de stochastsche Domnanz erster Ordnung en passendes Auswahlkrterum. E(A) = 6,2 E(D) = 6,2 E(B) = 6,0 E(E) = 6,2 E(C) = 6,0 E(F) = 6,1 Ene Egenschaft der stochastschen Domnanz erster Ordnung st, dass gelten muss E(X) > E(Y), wenn Alternatve X Alternatve Y domnert. Danach snd de enzgen Fonds, de nach dem Krterum der stochastschen Domnanz erster Ordnung schlechter sen könnten, de Fonds B, C und F. De zwete Egenschaft der Domnanz erster Ordnung st ene Vertelungsfunkton F(X), de G(Y) nemals schnedet, aber wengstens zum Tel rechts von G(Y) legt. We Abbldung 3.9 zegt, st A > C und D > F, so dass de Fonds, de für ene Anlage n Frage kommen, A, B, D und E snd. Kumulerte Wahrschenlchket E A C B F 1 D 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 B 0,1 D F C A E % A B C D Abbldung 3.7: Stochastsche Domnanz erster Ordnung (b) De zwete Wtwe st endeutg rskoavers, so dass de stochastsche Domnanz zweter Ordnung en angemessenes Auswahlkrterum darstellt. Da C und F nach der stochastschen Domnanz erster Ordnung ausscheden, snd se auch schlechter nach der stochastschen Domnanz zweter Ordnung. En paarweser Verglech der verblebenden ver Fonds, Σ(F(X) G(Y)), st n Tabelle 3.6 durchgeführt und n Abbldung 3.10 graphsch dargestellt. Wenn de kumulerten Abwechungen de horzontale Achse schneden, we m Verglech B und D, besteht kene stochastsche Domnanz zweter Ordnung. Nach dem Krterum der stochastschen Domnanz zweter Ordnung st E > A, E > B, und E > D, so dass de optmale Anlage E st. E F 44

22 Lösungen Aufgabe 3.17 Tabelle 3.6 Stochastsche Domnanz zweter Ordnung Rendte P(A)* P(B) P(D) P(E) SSD** (BA) SSD (DA) SSD (EA) SSD (DB) SSD (EB) 2 0 0, , ,1 0,1 0 SSD (ED) 1 0 0,1 0,2 0 0,2 0, ,2 0, ,2 0,2 0 0,4 0, ,4 0, ,3 0,2 0 0,7 0,6 0 0,1 0,7 0, ,3 0,4 0 1,0 1, ,0 1, ,4 0,4 0 1,4 1, ,4 1, ,5 0,4 0 1,9 1,8 0 0,1 1,9 1,8 5 0,4 0,5 0,4 0,4 2,0 1,8 0 0,2 2,0 1,8 6 0,6 0,5 0,5 0,4 1,9 1,7 0,2 0,2 2,1 1,9 7 0,8 0,5 0,6 1, ,5 0 0,1 1,6 1,5 8 1,0 0,6 0,6 1,0 1,2 1,1 0 0,1 1,2 1,1 9 1,0 0,6 0,7 1,0 0,8 0, ,8 0,8 10 1,0 0,7 0,8 1,0 0,5 0,6 0 0,1 0,5 0,6 11 1,0 0,8 0,8 1,0 0,3 0,4 0 0,1 0,3 0,4 12 1,0 0,9 0,8 1,0 0,2 0, ,2 0,2 13 1,0 1,0 0,8 1,0 0, ,2 0, ,0 1,0 1,0 1,0 0, ,2 0,2 0 A > B A > D A < E kene stochastsche Domnanz zweter Ordnung * Vertelungsfunkton ** Stochastsche Domnanz zweter Ordnung (SSD) berechnet über Σ(F(X) G(Y)), wobe F(X) = Vertelungsfunkton von X und G(Y) = Vertelungsfunkton von Y. B < E D < E 45

23 3 ENTSCHEIDUNGSTHEORIE: NUTZENTHEORIE BEI UNSICHERHEIT 18. (a) Ene Ordnung nach dem Erwartungswert-Varanz-Krterum kann möglcherwese ncht angemessen sen, da wr ncht wssen, ob de Fondsrendten ener Vertelung mt zwe Parametern (z.b. Normalvertelung) gehorchen. Um Y zu domneren, muss X enen höheren oder glechen Erwartungswert sowe ene gerngere Varanz aufwesen als Y, oder enen höheren Erwartungswert sowe ene gerngere oder gleche Varanz. De Erwartungswerte und Varanzen der sechs Portfolos snd n Tabelle 3.7 dargestellt. Nach dem Erwartungswert-Varanz-Krterum glt E > A, B, C, D, F und A > B, C, D, F. De wetere Rehenfolge kann ncht bestmmt werden. D bestzt den höchsten Erwartungswert der verblebenden ver Fonds, aber auch de höchste Varanz. De enzge wetere endeutge Domnanz st C > B. (F(X) G(Y)) 2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 AB AD AE % BD DE BE Abbldung 3.8: Stochstsche Domnanz zweter Ordnung 46

24 Lösungen Aufgabe 3.18 Tabelle 3.7 E(X) VAR(X) A 6,2 1,36 B 6,0 26,80 C 6,0 2,00 D 6,2 28,36 E 6,2 0,96 F 6,1 26,89 (b) Sowohl ene Ordnung nach dem Erwartungswert-Varanz-Krterum we auch nach dem Krterum der stochastschen Domnanz zweter Ordnung ermttelt Fonds E als optmal. Allerdngs st de Ordnung der suboptmalen Portfolos ncht konsstent zwschen beden Auswahl-Verfahren. Optmal Domnanzbezehungen Stochastsche Domnanz erster Ordnung A, B, D, E A > C, D > F Stochastsche Domnanz zweter Ordnung E A > B, A > D Erwartungswert-Varanz-Krterum E A > B, C, D, F; C > B 47

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π. 2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen

Mehr

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung

Mehr

III. Theorie des Haushalts

III. Theorie des Haushalts Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 86 Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 87 III. Theore des Haushalts Unternehmung

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

AVWL I (Mikro) A. Wambach, Ph. D. - Klausur am 2. August Abschlussklausur

AVWL I (Mikro) A. Wambach, Ph. D. - Klausur am 2. August Abschlussklausur AVWL I (Mkro) A. Wambach, Ph. D. - Klausur am. August 000 1 Abschlussklausur Btte bearbeten Se zwe der dre folgenden Aufgaben. Sollten Se alle dre Aufgaben bearbeten, machen Se btte kenntlch, welche zwe

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008. Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple

Mehr

Nullstellen Suchen und Optimierung

Nullstellen Suchen und Optimierung Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1 Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007 Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p

Mehr

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

Ordered Response Models (ORM)

Ordered Response Models (ORM) Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

Kapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation

Kapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

Mehr

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes?

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes? Hat de Wahl des Performancemaßes enen Enfluss auf de Beurtelung von Hedgefonds-Indzes? Von Martn Elng, St. Gallen, und Frank Schuhmacher, Lepzg Ene zentrale Fragestellung n der wssenschaftlchen Ausenandersetzung

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Die Zahl i phantastisch, praktisch, anschaulich

Die Zahl i phantastisch, praktisch, anschaulich Unverstät Würzburg 977 Würzburg Telefon: (91 888 5598 De Zahl phantastsch, praktsch, anschaulch De Geschchte der Zahl war dre Jahrhunderte lang dadurch geprägt, dass se und damt de kompleen Zahlen n Mathematkerkresen

Mehr

Entscheidungstheorie Teil 1. Thomas Kämpke

Entscheidungstheorie Teil 1. Thomas Kämpke Entschedungstheore Tel Thomas Kämpke Sete 2 Entschedungstheore Tel Inhalt Kompaktensteg Wahrschenlchketsrechnung Wahrschenlchketsmaß auf Grundraum Enfaches Lotto Stochastsche Unabhänggket Verknüpfung von

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

Informatik A-Seminar WS 2003/04 Online Algorithmen

Informatik A-Seminar WS 2003/04 Online Algorithmen Unverstät Bonn Informatk Abt. I Prof. Dr. R. Klen Informatk A-Semnar WS 003/04 Onlne Algorthmen Thema: Entschedungstheore II Referent: Harun Sahn De vorlegende Ausarbetung st de Fortsetzung der Ausarbetung

Mehr

Physikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung

Physikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung Physkalsches Anfängerpraktkum Tel 2 Versuch PII 33: Spezfsche Wärmekapaztät fester Körper Auswertung Gruppe M-4: Marc A. Donges , 060028 Tanja Pfster, 204846 2005 07 spezfsche Wärmekapaztäten.

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik Bundeswettbewerb Mathemat Wssenschaftszentrum Postfach 2 14 48 53144 Bonn Fon: 228-9 59 15-2 Fax: 228-9 59 15-29 e-mal: nfo@bundeswettbewerb-mathemat.de www.bundeswettbewerb-mathemat.de Korreturommsson

Mehr

1. Teilprüfung FS 2008

1. Teilprüfung FS 2008 . Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 Vorname:... Name:... Stud. Nr.:... Studenrchtung:... . Telprüfung: Statstk und Wahrschenlchketsrechnung

Mehr

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS AUF DIE BEURTEILUNG VON HEDGEFONDS-INDIZES? MARTIN ELING FRANK SCHUHMACHER WORKING PAPERS ON RISK MANAGEMENT AND INSURANCE NO. 10 EDITED BY HATO SCHMEISER

Mehr

5. Transmissionsmechanismen der Geldpolitik

5. Transmissionsmechanismen der Geldpolitik Geldtheore und Geldpoltk Grundzüge der Geldtheore und Geldpoltk Sommersemester 2013 5. Transmssonsmechansmen der Geldpoltk Prof. Dr. Jochen Mchaels Geldtheore und Geldpoltk SS 2013 5. Transmssonsmechansmen

Mehr

Ein stochastisches Modell zur Ertragsoptimierung bei Versicherungen

Ein stochastisches Modell zur Ertragsoptimierung bei Versicherungen En stochastsches Modell zur Ertragsoptmerung be Verscherungen Clauda Garschhammer und Rud Zagst Clauda Garschhammer Bahnhofstr. 34, 8340 aufen Tel: 0868 / 548, c.garschhammer@web.de Prof. Dr. Rud Zagst,

Mehr

mit der Anfangsbedingung y(a) = y0

mit der Anfangsbedingung y(a) = y0 Numersce Lösung von Dfferentalglecungen De n den naturwssenscaftlc-tecnscen Anwendungen auftretenden Dfferentalglecungen snd n den wengsten Fällen eplzt lösbar. Man st desalb auf Näerungsverfaren angewesen.

Mehr

Diplomprüfung für Kaufleute 2001/I

Diplomprüfung für Kaufleute 2001/I Dplomprüfung für Kaufleute 00/I Prüfungsfach: Unternehmensfnanzerung und Betrebswrtschaftslehre der Banken Thema : a) Warum st es trotz Rskoaverson der Markttelnehmer möglch, be der Bewertung von Optonen

Mehr

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0 8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)

Mehr

P(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =

P(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 = Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte

Mehr

Die Kugel Lösungen. 1. Von einer Kugel ist der Radius bekannt. Berechne Volumen und Oberfläche der

Die Kugel Lösungen. 1. Von einer Kugel ist der Radius bekannt. Berechne Volumen und Oberfläche der De Kugel Lösungen 1. Von ener Kugel st der Radus bekannt. Berechne Volumen und Oberfläche der Kugel. r,8 cm 5, cm 18,6 cm 4, cm 5,6 cm 4,8 cm V 0 cm³ 64 cm³ 6 954 cm³ cm³ 76 cm³ 46 cm³ O 181 cm² 5 cm²

Mehr

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1 Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement

Mehr

Thema 7: Übungsaufgaben

Thema 7: Übungsaufgaben Thema 7: Übungsaufgaben Übungsaufgabe 1: a) Kaptalangebotskurve (Skzze): (S) (H) 0 280 F Der endogene Kalkulatonsznsfuß beträgt mndestens (H) = 9 % und maxmal (S) = 16 %. Damt sollten alle Investtonsprojekte

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines 6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.

Mehr

Serie: Bestimmung von Ausfallwahrscheinlichkeiten - Teil 4

Serie: Bestimmung von Ausfallwahrscheinlichkeiten - Teil 4 45 www.rsknews.de 11.2002 Kredtrsko Sere: Bestmmung von Ausfallwahrschenlchketen - Tel 4 Ausfallwahrschenlchketen m Konjunkturzyklus Credt Portfolo Vew En Betrag von Uwe Wehrspohn Wr haben n unserer Sere

Mehr

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass

Mehr

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl 0. STRÖMUNG INKOMPRESSIBLER FLUIDE IN ROHRLEITUNGEN Enführung Vorlesung Strömungslehre Prof. Dr.-Ing. Chrstan Olver Pascheret C. O. Pascheret Insttute of Flud Mechancs and Acoustcs olver.pascheret@tu-berln.de

Mehr

Stochastik - Kapitel 4

Stochastik - Kapitel 4 Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl

Mehr

Zur Außen-Bewertung von Freigeld

Zur Außen-Bewertung von Freigeld Zur Außen-Bewertung von Fregeld Nkolaus K.A. Läufer 8.1.2006 1 De Fragestellung und hre Voraussetzungen De Frage der Bewertung von Fregeld st nur dann nteressant, wenn es mndestens zwe parallele Währungen

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R Temporäre Stlllegungsentschedungen mttels stufenweser Grenzkostenrechnung E W U F W O R K I N G P A P E R Mag. Dr. Thomas Wala, FH des bf Wen PD Dr. Leonhard Knoll, Unverstät Würzburg Mag. Dr. Stephane

Mehr