Politische Ökonomie Agency
|
|
- Agnes Hafner
- vor 7 Jahren
- Abrufe
Transkript
1 4.3. Agency Wähler: Prinzipal, Politiker: Agent. Agency-Problem: Politiker möchten Ressourcen abschöpfen: Rent seeking. Können Wähler Politiker disziplinieren? Brennan/Buchanan (1980): Staat als Leviathan, maximiert Steuereinnahmen für eigene Zwecke. Chicago Schule (z.b. Wittman 1989): Wettbewerb führt zu ezientem Verhalten der Politiker. Funktionen von Wahlen mit Agency Problem: Programme auswählen Politiker disziplinieren Politiker auswählen Rainald Borck 1
2 Ezienter Wettbewerb Politiker haben Interesse an Amt an sich und an Renten, d.h. sie eignen sich Teil des Budgets an. Steueraufkommen: τy = g + r r: Renten, die Politiker beziehen (z.b. Parteiennanzierung oder Verschwendung). 2-Parteien-Wettbewerb: P = A, B. Nutzen Politiker: E(v P ) = p P (R + γr) R: exogener Nutzen des Amts (Ego-Rente), r: Verschwendung (aus Sicht der Wähler), γ [0, 1]: Transaktionskosten (γ hoch: wenig Verlust durch Rentenstreben). Rainald Borck 2
3 Ann. (s. 4.1): Politiker identisch, vollst. Info. Timing: (1) Programme bekanntgegeben: q P = (g P, r P ), P = A, B (2) Wahlen nden statt. (3) Gewinner implementiert angekündigtes Programm. Wählernutzen: W i (q) = y yi (g + r) + H(g) y 2-dimensionales Problem; aber intermediate preferences Eigenschaft gilt. Alle Wähler nden r Verschwendung, aber Konikt über Höhe der Ausgaben wie vorher. Gewinnwahrscheinlichkeit A: 0 wenn W m (q A ) < W m (q B ) 1 p A = 2 wenn W m (q A ) = W m (q B ) 1 wenn W m (q A ) > W m (q B ) (1) Rainald Borck 3
4 Medianwähler entscheidend. Im GGW kündigen beide Politiker Medianprogramm an: g A = g B = g m = (H ) 1 (y m /y) r A = r B = r m = 0 Sei g A = g B = g m, r A = r B = r > 0. Dann kann z.b. P = A durch r A = r ε (für ε beliebig klein) p A von 1/2 auf 1 steigern. Nutzengewinn: du = R + γ(r ε) 1 2 (R + γr ) du > 0 R > 2γε γr was für beliebig kleines ε und r > 0 erfüllt ist. Fazit: Wettbewerb beschränkt Rentenstreben. Mit Unsicherheit ändern sich Aussagen (probabilistic voting), s. Persson/Tabellini Kap. 4.2 Rainald Borck 4
5 Accountability Idee: Wähler stimmen retrospektiv ab, um Politiker für ihr Verhalten haftbar zu machen. Versprechen sind nicht durchsetzbar. Wähler sind identisch. Timing: (1) Wähler bestimmen Reservationsnutzen (2) Amtsinhaber bestimmt q I (3) Wahlen nden statt; Wähler stimmen zwischen Amtsinhaber und identischem Herausforderer ab. Wähler wählen Amtsinhaber ab, wenn er Reservationsnutzen nicht einhält. Da Herausforderer identisch ist, ist Strategie (schwach) optimal. Rainald Borck 5
6 Zielfunktion des Amtsinhabers: E(v I ) = γr + p I R R: zukünftiger Nutzen des Amts. Wahlstrategie der Wähler: { 1 wenn W (g, r) ω p I = 0 sonst (2) Trade o für Politiker: hohe Renten einstecken und nicht wiedergewählt werden oder Wähler zufrieden stellen und im Amt bleiben. Rainald Borck 6
7 Wiederwahl: Max. Renten unter NB p I = 1: W (g, r) = y g r + H(g) ω (3) r = y g + H(g) ω (4) Nicht-Wiederwahl: r = y, g = 0. Wiederwahl bevorzugt, wenn γr + R γy (5) Beste Strategie der Wähler: max W (g, r) unter NB (5): r = y R γ, g = (H ) 1 (1) (6) (solange y > R/γ) Rainald Borck 7
8 Reservationsnutzen ω = y g + H(g ) r Bereitstellung ö. Güter optimal, aber Wähler müssen Renten abgeben, um gutes Verhalten zu induzieren. Renten höher, je höher y (Steuerbasis, die von Politiker angezapft werden kann), γ (Verschwendung ist für Politiker billig) und je niedriger R (Politiker will nicht unbedingt im Amt bleiben. Politiker-Gehälter: hohes R wenig Verschwendung. Rainald Borck 8
9 Career concerns und Politiker-Kompetenz Idee: Wähler wollen kompetente Politiker wiederwählen: Wahlen als Auswahl-Instrument. Politiker werden im Rentenstreben eingeschränkt, wenn sie wiedergewählt werden wollen. Möglicher Anreiz zum signalling (hier nicht betrachtet): Kompetenter Politiker möchte Wählern Kompetenz signalisieren. Rainald Borck 9
10 2 Perioden-Modell: Steuern sind gegeben und Budget muss immer ausgeglichen sein. Wählerpräferenzen in Periode t = 1, 2: w t = (1 τ)y + g t Politiker unterscheiden sich in Kompetenz. Staatsbudget: Hohes η: hohe Kompetenz. g t = η( τ r t ) Kompetenz ist in beiden Perioden gleich; η ist gleichverteilt in [1 1 2ξ, ξ ] mit Dichte ξ: Erwartungswert 1. Wenn Amtsinhaber nicht wiedergewählt wird, wird ein neuer bestimmt, dessen Kompetenz aus derselben Verteilung gezogen wird. Rainald Borck 10
11 Renten sind auf Maximum r r < τy beschränkt. Zielfunktion des Politikers in Periode 1: v I = r 1 + p I (R + r 2 ) r t : Renten (Verschwendung) in t, R: exogener Nutzen des Amtes. Timing: (1) Amtsinhaber in 1 wählt r 1 ohne Kompetenz zu kennen, (2) η wird realisiert und g 1 entsprechend Budget bestimmt, Wähler kennen weder r 1 noch η, (3) Wahlen nden statt; wenn Amtsinhaber verliert, wird neuer Politiker bestimmt, (4) r 2 wird gewählt und g 2 entsprechend Budget bestimmt. Rainald Borck 11
12 Periode 2: Politiker wählt maximale Rente r, g 2 = η( τ r). Wähler wollen kompetenten Politiker. Wähler wählen inkompetente Politiker ab: realisierter Nutzen in t 1 und Erwartung über Kompetenz eines Herausforderers (E(η) = 1) Periode 1: Optimales Wählerverhalten. Sei r 1 Politikers optimale Strategie. Wähler kennen bei der Wahl g 1, τ und können r 1 berechnen und so η schätzen: η = g 1 τy r 1 Politiker wird wiedergewählt, wenn η E(η) = 1, sonst nicht. Wenn Politiker r 1 wählt, ist η unbekannt. Seine Wiederwahlwahrscheinlichkeit (WWW) ist daher Prob[ η 1]. Rainald Borck 12
13 Aus der Budgetbeschränkung ist und daher g 1 = η( τy r 1 ) η 1 η τy r 1 τy r 1 (7) Aus Sicht des Politikers ist WWW Wahrscheinlichkeit, dass (7) erfüllt ist. Da η normalverteilt, ist prob[η x] = ξ( ξ x) (8) p I = ξ(1 τy r 1 τy r 1 ) (9) Rainald Borck 13
14 Politiker maximiert v I = r 1 + p I (R + r 2 ) durch Wahl von r 1 (gegeben r 1 ): v I r 1 = 1 + (R + r 2 ) p I r 1 = 1 (R + r 2 )ξ τy r 1 ( τy r 1 ) 2 = 0 Im GGW muss r 1 den Erwartungen der Wähler r 1 entsprechen, so dass: und p I = 1/2 (aus (9)). r 1 = τy ξ(r + r) (10) Rainald Borck 14
15 Aus (10) und Budgetbeschränkung folgt g 1 = ξ(r + r)η. Politiker wird also wiedergewählt, wenn g 1 ξ(r + r) Wähler nutzen Info aus Vergangenheit, um kompetente Politiker wiederzuwählen. Rentenstreben wird beschränkt (s. (10)) und zwar umso mehr, je geringer die Unsicherheit über Kompetenz (hohes ξ) und je gröÿer Nutzen der Wiederwahl ((R + r)). Rainald Borck 15
4. Indirekte Demokratie 4.1. Parteienwettbewerb
4. Indirekte Demokratie 4.1. Parteienwettbewerb Indirekte Demokratie: Politiker bestimmen über Politik. Politiker schlagen Programme vor, und Wähler stimmen darüber ab. Wie sieht Wettbewerb aus? Ergebnis
Mehr9. Politische Konjunkturzyklen
9. Politische Konjunkturzyklen Regierungen wollen Wahlen gewinnen und Wahlen nden periodisch statt: Anreize, Politik vor den Wahlen zu manipulieren, um Wahlen zu gewinnen. Stilisierte Fakten: 1. Expansionäre
Mehr8. Wachstum. Welchen Einuss hat Politik auf private Kapitalakkumulation und damit Wachstum?
8. Wachstum Welchen Einuss hat Politik auf private Kapitalakkumulation und damit Wachstum? 1. Negative Korrelation zwischen Wachstum und Einkommensungleichheit: Einuss von Einkommensverteilung via Kapitalsteuern
Mehr1.5. Politische Ökonomie der Staatsverschuldung
1.5. Politische Ökonomie der Staatsverschuldung Warum sind Dezite und Schulden in Demokratien so hoch? Tax smoothing: In Kriegszeiten sollten Dezite hoch sein, in Friedenszeiten Schulden abgebaut werden.
Mehr7. Kapitalsteuern/Schulden
7. Kapitalsteuern/Schulden Dynamische Politikprobleme: Investitionen oder Schulden heute beeinussen Wirtschaft und Politik morgen. Hat Politik Anreize, zukünftige Bedürfnisse zu berücksichtigen? Bsp. Schulden/BIP
MehrNIÖ Kap III: Neue Politische Ökonomie
NIÖ Kap III: Neue Politische Ökonomie 1 / 23 III.II.1 Modell der Umverteilung w i Präferenzfunktion des Wählers i c i privater Konsum des Wählers i H( ) konkave und steigende Funktion g Ausgaben für öffentliches
MehrSteuerwettbewerb. 6. Steuerwettbewerb. Lit: Keuschnigg, Kap. VIII
6. Steuerwettbewerb Lit: Keuschnigg, Kap. VIII Globalisierung: Produktionsfaktoren, insb. Kapital sind international mobil. Können Nationalstaaten dann noch Kapital besteuern? Führt Besteuerung mobiler
Mehr6. Politische Ökonomie und Institutionen
6. Politische Ökonomie und Institutionen Was sind Institutionen und warum sind sie wichtig? Allgemein: Institutionen bestimmen die Spielregeln einer Gesellschaft: 1. wirtschaftliche Institutionen z.b.
Mehr6. Politische Ökonomie und Institutionen
6. Politische Ökonomie und Institutionen Was sind Institutionen und warum sind sie wichtig? Allgemein: Institutionen bestimmen die Spielregeln einer Gesellschaft: 1. wirtschaftliche Institutionen z.b.
MehrPolitische Ökonomie. 5. Umverteilung
5. Umverteilung Wachstum von Transferzahlungen in Industrieländern: von 8% des BIP 1960 auf 23 % 1990 (Tanzi/Davoodi 1997) Variation von 10 % (Japan) bis 40 % (NL) Besonders ausgeprägt: Wachstum staatlicher
Mehr4. Unreine öentliche Güter 4.1. Clubgüter
4. Unreine öentliche Güter 4.1. Clubgüter Unreine öentliche Güter: entweder Rivalität oder Ausschlussprinzip. Rivalität und Ausschlussprinzip: Allmendegüter (s. nächstes Kap.). Def. Clubgut: Clubgüter
MehrZentralisierung, Dezentralisierung
Zentralisierung, Dezentralisierung und institutioneller Wettbewerb Thomas Apolte Gliederung: 1. Kriterien für (De-)Zentralisierung 2. Typen institutionellen Wettbewerbs 3. Mobilitätsgetriebener Wettbewerb
Mehr1.3. Neoklassische Theorie der Staatsverschuldung
1.3. Neoklassische Theorie der Staatsverschuldung Eekte einer Staatsverschuldung im OLG Modell. Annahmen: exogen gegebener Pfad der Staatsausgaben; Finanzierung über Steuern oder Verschuldung. Finanzierungstausch:
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrStimmt das immer und in welchem Sinne?
1 KAP 6. Dominanz und Nash-GG Nash-GG (teilweise) dadurch motiviert: schränkt Menge möglicher Spielausgänge stärker ein als Dominanz Stimmt das immer und in welchem Sinne? Gibt s stets weniger Nash-GGe
MehrWohlfahrtstheorie. 2. Wohlfahrtstheorie
2. Wohlfahrtstheorie Grundlage der Allokationspolitik: Wohlfahrtstheorie Soziale Zustände werden auf Basis der individuellen Nutzen bewertet. Wenn eine Markt-Allokation Möglichkeiten zur Ezienzverbesserung
Mehr9. Politische Ökonomie
9. Politische Ökonomie Fragestellung: Wie werden Ausgabenentscheidungen in Demokratie getroen? Annahme hier: Wähler entscheiden direkte Demokratie. Honung, dass Entscheidungsprozess vernünftige Eigenschaften
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
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
MehrKapitel 09. der Besteuerung
Markt und Absatz: Markt und Wettbewerb WS 2017/18 Kapitel 09a Steuersytem, Lars Metzger 1 / 39 Kapitel 09 Das Steuersystem und die Kosten der Besteuerung Teil 1 arkt und Absatz: Markt und Wettbewerb WS
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
Mehr1.4. Ricardianische Äquivalenz
1.4. Ricardianische Äquivalenz Ricardo (1817): Schulden- und Steuernanzierung sind äquivalent. Intuition: Schulden von heute müssen später zurückgezahlt werden Steuersenkung heute entsprich Steuererhöhung
MehrInstitut für Stochastik, SoSe K L A U S U R , 13:
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrÖentliche Güter Lindahl-Lösung
3.4. Lindahl-Lösung Idee: Quasi-Markt-Mechanismus, indem Individuen individuelle Preise für ö. Gut entsprechend ihrer Zahlungsbereitschaft zahlen. Idee: Während bei privaten Gütern Individuen unterschiedliche
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
Mehrnach den politischen Entscheidungsträgern werden jetzt die Akteure in der politischen Exekutive (Behörden) genauer
Grundzüge der Wirtschaftspolitik 9-1 Prof. Andreas Haufler (SoSe 2009) 9. Bürokratieverhalten und der Leviathan-Staat 9.1. Budgetmaximierende Bürokraten nach den politischen Entscheidungsträgern werden
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
Mehr6. Kontinuierliche Zufallsgrößen. Beispiel 1: Die Exponentialverteilungen Sei λ > 0. Setzen
6. Kontinuierliche Zufallsgrößen Definition: Eine Z. G. ξ ist absolut stetig mit (Wahrscheinlichkeits-) Dichte f : R R, wenn gilt: P ( a ξ < b ) = b a f(x) dx (a < b) allgem. Eigenschaften einer Dichte
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrOrdnungspolitik Sommersemester 2012 Klausur am 07. August 2012
Ordnungspolitik Sommersemester 2012 Klausur am 07. August 2012 Name, Vorname: Matrikelnummer: Unterschrift: gewählte Essays: Aufgabe 1 // Aufgabe 2 // Aufgabe 3 Hinweise: Bearbeitungszeit (bitte ankreuzen):
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrKapitel 3. Matrix Spiele. 3.1 Matrix-Spiele
Kapitel 3 Matrix Spiele Seminar Spieltheorie, SS 006 3. Matrix-Spiele Vorgegeben sei ein Nullsummenspiel Γ = (S, T, φ, φ mit endlichen Strategiemengen S und T, etwa S = (s,..., s m und T = (t,..., t n.
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrAnreizwirkungen der Besteuerung Ersparnis. Lit: Keuschnigg, Kap. VIII
2.2. Ersparnis Lit: Keuschnigg, Kap. VIII Konsument lebt zwei Perioden (Erwerbsphase und Ruhestand) und hat exogenes Einkommen w 1, w 2 in Periode 1,2. Nutzenfunktion deniert über Konsum in Periode 1 und
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
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
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Serie 11
D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin Serie 11 1. Frau A und Herr B wollen sich treffen und verabreden sich für 16 Uhr in einem Café. Mit T A bzw. T B bezeichnen wir die
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrQuiz 2. Aufgabe 1. a) Das Angebot und die Nachfrage auf dem Markt für Turnschuhe sei durch folgende Funktionen gegeben:
Aufgabe 1 a) as Angebot und die Nachfrage auf dem Markt für Turnschuhe sei durch folgende Funktionen gegeben: ( p) = 150 4 p S( p) = 2 p 30 wobei p der Preis für ein Paar Turnschuhe ist. Wie lautet der
MehrSimulationstechniken in Finanz- und Versicherungsmathematik
Simulationstechniken in Finanz- und Versicherungsmathematik 10. Januar 2010 1 Motivation 2 Monte Carlo Methoden 3 Quasi-Monte Carlo Methoden 4 Folgen kleiner Diskrepanz Motivation Mortgage-backed Security
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr12. Vorlesung. 19. Dezember 2006 Guido Schäfer
LETZTE ÄNDERUNG: 6. JANUAR 007 Vorlesung: Einführung in die Spieltheorie WS 006/007. Vorlesung 9. Dezember 006 Guido Schäfer 4 Bayesian Games Wir haben bisher immer angenommen, dass jeder Spieler vollständige
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrProf. Dr. Klaus M. Schmidt Wintersemester 2014/15 Seminar für Wirtschaftstheorie. Experimente in der Spieltheorie
Prof. Dr. Klaus M. Schmidt Wintersemester 2014/15 Seminar für Wirtschaftstheorie Experimente in der Spieltheorie Als Teil der Vorlesung möchte ich mit Ihnen einige Experimente durchführen. In jedem dieser
MehrNeue Institutionenökonomik, Aufgabe 18 Seite 1
Neue Institutionenökonomik, Aufgabe 18 Seite 1 Allgemeine Informationen zum Principal-Agent-Modell Es geht hier nun um die Vertragsausgestaltung zwischen dem Eigentümer (Prinzipal) einer Firma und dem
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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)
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrDieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
Die Riskoprämie ergibt sich also als ein Vielfaches der Varianz der zugrundeliegenden Unsicherheit Dieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrAufgabe 3 Was ist der Erwartungswert der größten gezogenen Zahl M beim Zahlenlotto 6 aus 49 (ohne Zusatzzahl)?
Erwartungswert Aufgaben Aufgabe Bei der Flugplatz Party haben Sie die Wahl ob Sie 3 Euro Eintritt bezahlen, oder Sie würfeln den Eintrittspreis mit einem normalen Würfel. Die Frage die sich dabei stellt
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrMessbare Vektorräume
Messbare Vektorräume Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Dezember 2010 / Januar 2011 Hans-Jörg Starkloff Messbare Vektorräume 1 1. Definition Geg. X linearer
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
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;
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
MehrInstitut für Stochastik, SoSe K L A U S U R , 8:00-11:00. Aufgabe Punkte erreichte Punkte Korrektur
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 2. K L A U S U R 29.9.2014, 8:00-11:00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrBachelorprüfung für Volkswirte. Mikroökonomie II
Seminar für Wirtschaftstheorie Prof. Thorsten Chmura Bachelorprüfung für Volkswirte Mikroökonomie II Die Klausur besteht aus drei Aufgaben, die alle bearbeitet werden müssen. Für jede Aufgabe gibt es maximal
MehrWiederholte Spiele. Grundlegende Konzepte. Zwei wichtige Gründe, wiederholte Spiele zu betrachten: 1. Wiederholte Interaktionen in der Realität.
Spieltheorie Sommersemester 2007 1 Wiederholte Spiele Grundlegende Konzepte Zwei wichtige Gründe, wiederholte Spiele zu betrachten: 1. Wiederholte Interaktionen in der Realität. 2. Wichtige Phänomene sind
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrTutorium Makroökonomie I Übungsblatt 3. Aufgabe 1 (Kreislaufmodell einer offenen Volkswirtschaft)
Tutorium Makroökonomie I Übungsblatt 3 Aufgabe 1 (Kreislaufmodell einer offenen Volkswirtschaft) Es besteht ein Handelsbilanzüberschuss von 40 Talern. Die Einkommensteuer für private Haushalte beträgt
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
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
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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/...
MehrPrüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik
B. Schmalfuß Jena, den 20.02.2018 Prüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik Allgemeine Hinweise: Zur Verfügung stehende Zeit: 90 min. Hilfsmittel: keine.
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability and Statistics FS 2018 Prüfung 13.08.2018 Dauer: 180 Minuten Name: Legi-Nummer: Diese Prüfung enthält 12 Seiten (zusammen mit dem Deckblatt) und 10 Aufgaben. Das Formelblatt wird separat verteilt.
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrGlaubwürdigkeit und Geldpolitik
Kapitel 7 Glaubwürdigkeit und Geldpolitik Barro/Gordon Modell (1983) Frage: Lässt sich durch eine Überraschungsination die Gesamtwohlfahrt erhöhen? Spiel zwischen Zentralbank (ZB) und privatem Sektor mit
Mehr