Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation

Größe: px
Ab Seite anzeigen:

Download "Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation"

Transkript

1 Simulationsverfahren Schwerpunkt: Monte Carlo Simulation

2 Agenda 1. Was ist eine Simulation? 2. Verschiedene Arten von Simulation 3. Einsatzgebiete von Simulationen 4. Geschichte der MC Simulation 5. Warum die Monte Carlo Simulation ausgewählt wurde 6. Ziele der Monte Carlo Simulation 7. Fallbeispiel 8. Demo 9. Vorteile / Nachteile 10. Aufgaben 11. Quellen / Links 2

3 1. Was ist eine Simulation? Möglichst realitätsnahe Nachbildung Modellbildung realer oder fiktiver Systeme mit dynamischen Prozessen Eine mögliche Wirklichkeit wird an einem experimentierbaren Modell erstellt Vorbereitung, Durchführung und Auswertung von Simulationsexperimenten anhand des Modells Im Simulationsmodell existieren: Bereitgestellte Grundprinzipien und Methoden Zusammenhang zwischen Struktur und Verhalten des Systems Ziel: Erkenntnisse gewinnen, die auf die Wirklichkeit übertragbar sind. 3

4 2. Verschiedene Arten von Simulation Simulation Simulation deterministisch stochastisch statisch dynamisch Monte-Carlo-Simulation 4

5 2. Verschiedene Arten von Simulation stochastisch deterministisch statisch Einflussgrößen werden durch den Zufall bestimmt Einflussgrößen sind festgelegt Der zeitliche Aspekt wird nicht berücksichtigt dynamisch kontinuierlich diskret Der zeitliche Aspekt wird eingebunden Stetige Veränderung des Modells Sprunghafte Veränderung des Modells 5

6 3. Einsatzgebiete von Simulationen Wann werden Simulationen genutzt? Das System kann in seiner Umgebung zerstört werden Es müssen gewonnene analytische Betrachtungen validiert werden Das Modell lässt sich für Simulationen leichter modifizieren Die zu untersuchenden Vorgänge sind extrem schnell/langsam Das Personal komplexer Anlagen wird gefährdungsfrei geschult Das System gibt es noch nicht, soll aber getestet werden Die Komplexität des Systems erlaubt keine geschlossene analytische Betrachtung Quellle: Einführung in Operations Research, DOI: / _10 6

7 3. Einsatzgebiete von Simulationen Chirurgische Ausbildung Bauplanung Flugsimulation Windkanalexperimente Entscheidungsfindung in der BWL Umbau von Fertigungsanlagen Simulation von Explosionen Geologische Simulation

8 4. Geschichte der Monte Carlo Simulation Kernphysiker Enrico Fermi benutzte 1930 bereits eine auf Zufallszahlen basierende Methode um Eigenschaften des kürzlich neu entdeckten Neutrons zu untersuchen Geprägt durch den polnischen Mathematiker Stanislaw Ulam, während des 2. Weltkrieges im Manhattan Projekt Entwicklung der Atombombe Berechnung von Kernreaktionen Von Ulam und John von Neumann während des Manhattan Projekt unter Verwendung der damals zur Verfügung stehenden Computer weiterentwickelt Quelle: 8

9 4. Geschichte der Monte Carlo Simulation Zur Verschwiegenheit verpflichtet, erhielt die Simulation den Namen Monte Carlo Fokus lag auf der Anwendbarkeit, Verbreitung und Praxisrelevanz bzgl. der Prognose betriebswirtschaftlicher Fragestellungen MC-Simulationen gibt es in nahezu allen Branchen, Beispiele: Logistikplanung bei DHL, GLS, DB usw. Unternehmensberatungen und Risikoabteilungen nutzen MC- Simulationen zur Risikoanalyse Die Monte Carlo Simulation zeigt Eintrittswahrscheinlichkeiten verschiedener Ereignisse Quelle: 9

10 5. Warum die Monte Carlo Simulation? Einfaches erstellen von Diagrammen zur Visualisierung der verschiedenen Ereignisvarianten und deren Eintrittswahrscheinlichkeiten Besonders für Reports oder Meetings wertvoll Hohe Skalierbarkeit: Analytiker können Wertekombinationen testen und Einflüsse nachvollziehen Computergestützt und schnell erlernbar 10

11 6. Nutzen der Monte Carlo Simulation Instrumentelle Simulation zur Lösung mathematischer Probleme mit Verwendung von Zufallsgrößen im Gegensatz zu deterministischen Methoden Wahrscheinlichkeitsergebnisse Grafisch aufbereitet Empfindlichkeitsanalyse Szenario-Analyse Eingabekorrelation Quelle: 11

12 6. Die Monte Carlo Simulation in der BWL Naturwissenschaftler prüfen mit Simulationen Theorien Betriebswissenschaftler suchen nach der optimalen unternehmerischen Entscheidung Etabliert im Risikomangement Mengenunsicherheiten Preisunsicherheiten Risikopositionen wie Zusatzleistungen Währungsrisiken Generierung von vielen Einzelszenarien, die zwischen Worst-Case und Best-Case Szenario liegen. Quelle: 12

13 7. Fallbeispiel Monte Carlo Simulation im Risk-Management Unsicherheit zukünftiger Ereignisse Gesetzlich vorgeschrieben Überlebenswichtig Grundvoraussetzung: Identifikation von Risiken 13

14 7. Fallbeispiel Angebotserstellung für ein Projekt Wird das angestrebte Gewinnziel erreicht? Wahrscheinlichkeit für Erreichen des Gewinnziels Wahrscheinlichkeit für Verfehlen des Gewinnziels Verlustrisiko Welche Risiken haben den höchsten Impact? Value-at-Risk Fallbeispiel ist angelehnt an 14

15 7. Fallbeispiel 1. Schritt Szenario 0 erstellen Personalkosten ,00 Personalgemeinkosten (140%) ,00 Materialkosten ,00 Materialgemeinkosten (30%) ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Equipment ,00 Fracht ,00 Sonstiges ,00 Verwaltungskosten ,00 GESAMT ,00 Ziel: 7,5 % Gewinn Formel: Gewinn = Ertrag - Kosten Angebotspreis: ,00 15

16 7. Fallbeispiel 2. Schritt Risiken identifizieren und bewerten Planwert Personalkosten ,00 Personalgemeinkosten (140%) ,00 Materialkosten ,00 Materialgemeinkosten (30%) ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Subunternehmer ,00 Equipment ,00 Fracht ,00 Sonstiges ,00 Verwaltungskosten ,00 Einflussfaktoren Vertragsklauseln Zinssätze Steuersätze Erfahrungswerte Verteilung? Risiko Bewertung % Min Max 80% 120% 130% 150% 90% 150% 20% 70% 100% 100% 95% 105% 80% 120% 97% 112% 90% 105% 95% 102% 98% 102% 100% 100% 80% 120% 100% 100% 16

17 7. Fallbeispiel 2. Schritt Planwert Risiko Bewertung % Mittelwert Min Max Personalkosten ,00 80% 120% ,00 Personalgemeinkosten (140%) ,00 130% 150% ,67 Materialkosten ,00 90% 150% ,33 Materialgemeinkosten (30%) ,00 20% 70% ,00 Subunternehmer ,00 100% 100% ,00 Subunternehmer ,00 95% 105% ,00 Subunternehmer ,00 80% 120% ,00 Subunternehmer ,00 97% 112% ,00 Subunternehmer ,00 90% 105% ,67 Subunternehmer ,00 95% 102% ,00 Equipment ,00 98% 102% ,00 Fracht ,00 100% 100% ,00 Sostiges ,00 80% 120% ,00 Verwaltungskosten ,00 100% 100% ,00 Erwartungswerte GESAMTKOSTEN , , , ,67 Gewinn , , , ,33 7,5 % 26,49% -10,25% 6,65% Best-Case Worst-Case Erwartungswert 17

18 7. Fallbeispiel 3. Schritt Zufallszahlen generieren Generierung von Zufallszahlen für jede Variable innerhalb der festgelegten Range generiert. Auf Grundlage der Verteilungsfunktion Qualität der Ergebnisse abhängig von Güte der Zufallszahlen (möglichst zufällig) Anzahl der Durchläufe (Iterationen) Gesetz der großen Zahl 18

19 7. Fallbeispiel 3. Schritt Zufallszahlen generieren Dreiecksverteilung 19

20 7. Fallbeispiel 4. Schritt Zufallszahlen komprimieren und darstellen Zusammenfassen der Szenarien in grafischen Darstellungen Wahrscheinlichkeitsverteilung Kumulierte Wahrscheinlichkeit 20

21 7. Fallbeispiel 5. Schritt Auswertung mit Hilfe statistischer Werte Statistik Wert Betriebswirtschaftliche Interpretation Minimum Maximum -5,93 % Gewinnprognose des ungünstigsten simulierten Szenarios 19,72% Gewinnprognose des günstigsten simulierten Szenarios Arithmetisches Mittel 5,96 % Der zu erwartende Gewinn (Erwartungswert) liegt bei 5,96 % Quantil 5 % -0,21 % 5% Wahrscheinlichkeit, dass Gewinn unter - 0,21 % fällt Quantil 95 % 12,58 % 95 % Wahrscheinlichkeit,dass Gewinn unter 12,58 % bleibt 21

22 7. Fallbeispiel 5. Schritt Weitere Werte: Value-at-Risk (VaR) 95 % Value-at-Risk (VaR) 99 % Wahrscheinlichkeiten für das erreichen bestimmter Werte: Break-Even-Point 22

23 8. Fallbeispiel: Projektkalkulation Ein Unternehmen der Lebensmittelindustrie (IDEKA) möchte ein neues CRM- System einführen. Ein Konkurrent kam uns zuvor und hat bereits sein Angebot dem potentiellen Kunden unterbreitet. Da uns ein exzellenter Ruf im CRM-Business vorauseilt, möchte IDEKA ein Gegenangebot von uns erstellt haben, bevor sich IDEKA endgültig entscheidet. Nach einem ersten Meeting mit IDEKA können wir den Angebotspreis der Konkurrenz abschätzen. Dieser liegt bei ca Es stellt sich nun die Frage, ob es uns möglich ist, mit dem Angebot der Konkurrenz gleichzuziehen oder dieses sogar zu unterbieten. Typische Fragen die dabei den CEO beschäftigen werden, sind: Wie viel Gewinn kann ich maximal\ minimal erzielen? Welche Kosten kommen auf mich mindestens\ maximal zu? Wie wahrscheinlich sind diese Minima und Maxima-Werte? Wie riskant ist das Geschäft für mein Unternehmen? 23

24 8. Fallbeispiel: Projektkalkulation Zuschlagskalkulation aus dem Projektcontrolling: Gewinn (7,5%) und Risiko (???) zur Live-Demo 24

25 9. Vorteile Der Monte Carlo Simulation Als Standardinstrument anerkannt Bei multidimensionalen Risiken einsetzbar Schärfung des Risikobewusstseins Graphische Darstellung Hohe Auswertbarkeit 25

26 9. Nachteile der Monte Carlo Simulation Scheingenauigkeit Entwicklung der Formel schwierig Variablenbestimmung schwierig Modellcharakter 26

27 10. Aufgaben Beschreiben Sie kurz den Grundgedanken der Monte Carlo Simulation Erläutern Sie den Prozess der Monte Carlo Simulation Nennen Sie Vor-und Nachteile der Monte Carlo Simulation 27

28 11. Quellen / Literatur / Wissenswertes Software: Excel CrystalBall Montecarlito Freeware ModelRisk4 - Freeware Software-Tools: MATLAB 28

29 11. Quellen / Literatur / Wissenswertes en+von+simulationen&source=bl&ots=selhvucakd&sig=s8uuicduysazjhdk10qx3 5IsQy4&hl=de&ei=3HOlTreCOMfPhAfKmNzdBA&sa=X&oi=book_result&ct=result& resnum=5&ved=0ceuq6aewba#v=onepage&q=arten%20von%20simulationen&f= false n+von+simulationen&source=bl&ots=bsa2q6p2x3&sig=tfdcnm7nfsptahqbnrjev h185ba&hl=de&ei=3holtrecomfphafkmnzdba&sa=x&oi=book_result&ct=result &resnum=9&ved=0cgaq6aewca#v=onepage&q&f=false 29

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

Risikoanalyse mittels Monte-Carlo-Simulationen (mit Crystal Ball ) - am Beispiel des RoI-Kennzahlenbaums für Banken

Risikoanalyse mittels Monte-Carlo-Simulationen (mit Crystal Ball ) - am Beispiel des RoI-Kennzahlenbaums für Banken Risikoanalyse mittels Monte-Carlo-Simulationen (mit Crystal Ball ) - am Beispiel des RoI-Kennzahlenbaums für Banken Prof. Dr. Uwe Christians FHTW Berlin Fachbereich 3 Wirtschaftswissenschaften I Das Spielcasino

Mehr

Riskikomanagement. No risk, no fun? No risk, no project! PROJEKTMANAGEMENT I - 18. Risikomanagement

Riskikomanagement. No risk, no fun? No risk, no project! PROJEKTMANAGEMENT I - 18. Risikomanagement Riskikomanagement No risk, no fun? No risk, no project! Risikomanagement 1 Ein paar Fragen zum Start Was sind Risiken? Wie gehen Sie mit Risiken um? Welche Bedeutung hat das Risiko in einem Projekt? Risikomanagement

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

Monte Carlo Simulation

Monte Carlo Simulation Monte Carlo Simulation Herbert C. Frey Gero Nießen Monte Carlo Simulation Quantitative Risikoanalyse für die Versicherungsindustrie Gerling Akademie Verlag Die im Buch verwendeten Daten und Beispielmodelle

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Dolga Olena Otto-von-Guericke-Universität Fakultät für Informatik Seminar-Das virtuelle Labor Inhaltsverzeichnis Überblick Geschichte Anwendung -Bereiche -Spezielle Methoden Mathematische

Mehr

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN INFORMATIONEN ZU DEN WAHLPFLICHTMODULEN IM BACHELORSTUDIENGANG IN MANAGEMENT & ECONOMICS AGENDA Was ist OR / Management Science Wer kann

Mehr

Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer

Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer QUALITY-APPS Applikationen für das Qualitätsmanagement Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer Autor: Dr. Konrad Reuter Die Weibull-Verteilung ist ein statistisches

Mehr

Value at Risk Einführung

Value at Risk Einführung Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover

Mehr

Operations Strategie und Management. - Projektmanagement - Helmut M. Dietl 1

Operations Strategie und Management. - Projektmanagement - Helmut M. Dietl 1 Operations Strategie und Management - Projektmanagement - Helmut M. Dietl 1 Lernziele Nach dieser Veranstaltung sollen Sie wissen, was man unter einem Projekt versteht was Projektmanagement bedeutet wie

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

Software. in der LOGISTIK LOGISTIK. Bestände richtig steuern PRAXIS

Software. in der LOGISTIK LOGISTIK. Bestände richtig steuern PRAXIS LOGISTIK PRAXIS Software Anforderungen, Funktionalitäten und Anbieter in den Bereichen WMS, ERP, TMS und SCM in der LOGISTIK Bestände richtig steuern 80912 München In Kooperation mit dem ISBN 978-3-941418-33-2

Mehr

Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059

Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059 Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059 Wer sich mit der Schwingprüfung in der Umweltsimulation befasst, verwendet dabei oft weißes, also normal-

Mehr

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien Agenda 1. Traditionelle Asset Allocation nach Markowitz 2. Szenario-basierte Asset Allocation 2.1 Definition zukünftiger Entwicklungsszenarien 2.2 Ableitung optimaler Portfolien für einzelne Szenarien

Mehr

Abschlussklausur der Vorlesung Bank I, II:

Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 23 Name: Matrikelnummer: Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur

Mehr

KONVERGENZ IN DER KAPITALAPPROXIMATION FÜR DIE LEBENSVERSICHERUNG. 21. Mai 2015 Thomas Gleixner

KONVERGENZ IN DER KAPITALAPPROXIMATION FÜR DIE LEBENSVERSICHERUNG. 21. Mai 2015 Thomas Gleixner KONVERGENZ IN DER KAPITALAPPROXIMATION FÜR DIE LEBENSVERSICHERUNG 21. Mai 2015 Thomas Gleixner Agenda 1. Was ist Kapitalapproximation (und wen sollte das interessieren)? 2. Etablierte Methoden 3. Erfahrungen

Mehr

Bestimmung logistikgerechter Zielbestände

Bestimmung logistikgerechter Zielbestände Bestimmung logistikgerechter Zielbestände Institut für Produktionsmanagement und Logistik ( I P L ) Prof. Dr. Klaus-Jürgen Meier www.i-p-l.de Prof. Dr.-Ing. Klaus-Jürgen Meier Seite - 1 - Typische Problemstellungen

Mehr

Oracle Capacity Planning

Oracle Capacity Planning Seminarunterlage Version: 2.03 Version 2.03 vom 8. Juli 2014 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen oder

Mehr

Asset Liability Management (ALM) in der Lebensversicherung

Asset Liability Management (ALM) in der Lebensversicherung Asset Liability Management (ALM) in der Grundlegende Aspekte und praktische Anwendungen Hans-Joachim Zwiesler EUROFORUM Konferenz Gesamtrisikosteuerung im Versicherungsunternehmen Düsseldorf, 04. Juli

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Commercial Banking. Kreditportfoliosteuerung

Commercial Banking. Kreditportfoliosteuerung Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Neue Funktionen in Innovator 11 R5

Neue Funktionen in Innovator 11 R5 Neue Funktionen in Innovator 11 R5 Innovator for Enterprise Architects, Java Harvester und Prüfassistent 12.11.2013 Agenda 1 2 3 Einführung Was ist neu in Innovator 11 R5? Szenario Enterprise Architektur

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

Technische Umsetzung eines Modells zur Quantifizierung operationeller Risiken. 13. Juni 2013 Marion Hoffstetter

Technische Umsetzung eines Modells zur Quantifizierung operationeller Risiken. 13. Juni 2013 Marion Hoffstetter Technische Umsetzung eines Modells zur Quantifizierung operationeller Risiken 13. Juni 2013 Marion Hoffstetter I. Dr. Peter & Company AG II. Modell zur Quantifizierung von OpRisk III. Entwicklung eines

Mehr

Veröffentlicht in. Challenge Controlling 2015 (Hrsg.: Gleich/Gänßlen/Losbichler) Trends und Tendenzen S. 241 264

Veröffentlicht in. Challenge Controlling 2015 (Hrsg.: Gleich/Gänßlen/Losbichler) Trends und Tendenzen S. 241 264 FA 1014 Veröffentlicht in Der Controlling-Berater (Hrsg.: Gleich/Klein) Band 17 Challenge Controlling 2015 (Hrsg.: Gleich/Gänßlen/Losbichler) Trends und Tendenzen Szenario-Analyse und Simulation: ein Fallbeispiel

Mehr

Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen

Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen Optimale Echtzeit-Personaleinsatzplanung durch Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen 7.05.2006 Frank Köller koeller@iwi.uni-hannover.de Gliederung Motivation Vorgehensweise

Mehr

Scrum. Agile Software Entwicklung mit. Agile Software Entwicklung mit. Scrum. Raffael Schweitzer 18. November 2003

Scrum. Agile Software Entwicklung mit. Agile Software Entwicklung mit. Scrum. Raffael Schweitzer 18. November 2003 Agile Software Entwicklung mit Raffael Schweitzer 18. November 2003 Agenda Einleitung Was ist? Wie funktioniert? Einsatzbereiche Erfolgsfaktoren Fazit Agenda Einleitung Was ist? Wie funktioniert? Einsatzbereiche

Mehr

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner ZUFALLSZAHLEN WPG Informatik / Mathematik BG/BRG Bad Ischl A. Lindner 1 BEDEUTUNG VON ZUFALLSZAHLEN Beispiel: Computertip für Lotto in einer Trafik. Wie kann ein (elektronisches) Gerät, das nach einem

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN

PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN PROF. DR. BRIGITTE WERNERS UNTERNEHMENSFORSCHUNG UND RECHNUNGSWESEN INFORMATIONEN ZU DEN WAHLPFLICHTMODULEN IM BACHELORSTUDIENGANG IN MANAGEMENT & ECONOMICS AGENDA Was ist OR / Management Science? Wer

Mehr

Zielstellung Chance und Risiko Systematik Vorgehensweise Beispiel: Kreditportfolio Szenarien Zinsaufwand Optimierung Warum MAKROFINANCE?

Zielstellung Chance und Risiko Systematik Vorgehensweise Beispiel: Kreditportfolio Szenarien Zinsaufwand Optimierung Warum MAKROFINANCE? Zimmerstraße 78 10117 Berlin Telefon: +49 (0)30 206 41 76 60 Telefax: +49 (0)30 206 41 76 77 info@makrofinance.de www.makrofinance.de Zielstellung Chance und Risiko Systematik Vorgehensweise Beispiel:

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Aufgabenblatt 8 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015

Aufgabenblatt 8 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015 Universität Bern Bern, den 23. April 2015 Professur für Quantitative Methoden der BWL Schützenmattstr. 14, 3012 Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Aufgabenblatt

Mehr

PRIMAVERA RISK ANALYSIS

PRIMAVERA RISK ANALYSIS PRIMAVERA RISK ANALYSIS In jedem Projekt gibt es Risiken. Erfolgreiche Unternehmen sind diejenigen, die sich auf diese Risiken vorbereiten durch das Antizipieren und Minimieren von Risiken und das Aufstellen

Mehr

Predictive Analytics / Data Mining im Controlling

Predictive Analytics / Data Mining im Controlling Predictive Analytics / Data Mining im Controlling Sprecher: Dr. Karsten Oehler 1 Das Buch zum Film Erscheint im Controlling Berater, Ende 2011, PDF vorab über karsten.oehler@de.ibm.com erhältlich. Agenda

Mehr

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken

Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Seite 1 von 18 Abschlussklausur des Kurses Bank I, II: Finanzintermediation und Regulierung / Risiko- und Ertragsmanagement der Banken Hinweise: o o o o o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer

Mehr

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher

Mehr

Aufgabe 12 Nach dem Eintippen der Kantenlänge soll die folgende Tabelle den Rauminhalt und die Oberfläche eines Würfels automatisch berechnen.

Aufgabe 12 Nach dem Eintippen der Kantenlänge soll die folgende Tabelle den Rauminhalt und die Oberfläche eines Würfels automatisch berechnen. Aufgabe 11 Excel hat für alles eine Lösung. So kann das Programm automatisch den größten oder den kleinsten Wert einer Tabelle bestimmen. Wenn man die richtige Funktion kennt, ist das überhaupt kein Problem.

Mehr

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher 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

Mehr

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Algorithmen und Software für moderne Finanzmathematik Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Gliederung: Was ist Finanzmathematik? Wie wird man reich? Portfolio-Optimierung

Mehr

Working papers in accounting valuation auditing, No. 2010-7

Working papers in accounting valuation auditing, No. 2010-7 econstor www.econstor.eu Der Open-Access-Publikationsserver der ZBW Leibniz-Informationszentrum Wirtschaft The Open Access Publication Server of the ZBW Leibniz Information Centre for Economics Klein,

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Business Newsletter. Zum optimalen Business Case durch Simulation Zielwerte

Business Newsletter. Zum optimalen Business Case durch Simulation Zielwerte Q2 2013 POLYGON Business Engineers GmbH 2.Q 2013 Business Newsletter Zum optimalen Business Case durch Simulation Zielwerte Ein zündender Gedanke ist ökonomisch gesehen zunächst nichts anderes als eine

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 9 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 9 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

Mehr

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz Dimitri Senik Agenda Risikomanagement bei Fonds: neue regulatorische Vorschriften Risikomessung gemäss KKV-EBK Risikomanagement

Mehr

COMPUTERSIMULATIONEN. Ein Überblick

COMPUTERSIMULATIONEN. Ein Überblick COMPUTERSIMULATIONEN Ein Überblick Ziel: Vorhersage der makroskopischen Eigenschaften eines Systems. Geht das? Newton: Ja: F=m a gibt an, wie sich das System mit der Zeit entwickelt Laplace: Im Prinzip

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion

Mehr

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses. XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------

Mehr

Wolfgang Trutschnig. Salzburg, 2014-05-08. FB Mathematik Universität Salzburg www.trutschnig.net

Wolfgang Trutschnig. Salzburg, 2014-05-08. FB Mathematik Universität Salzburg www.trutschnig.net Auffrischungskurs Angewandte Statistik/Datenanalyse (Interne Weiterbildung FOR SS14-08) Block 1: Deskriptive Statistik, Wiederholung grundlegender Konzepte, R FB Mathematik Universität Salzburg www.trutschnig.net

Mehr

Zeichnen von Graphen. graph drawing

Zeichnen von Graphen. graph drawing Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =

Mehr

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT April 2013 ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT von Maren Weiß & Prof. Dr. Michael Durst Welche Rolle spielen Trends in den Frühen Phasen im Innovationsmanagement? Wie setzen Unternehmen Trends

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Non-Deterministische CFD Simulationen in FINE /Turbo

Non-Deterministische CFD Simulationen in FINE /Turbo Non-Deterministische CFD Simulationen in FINE /Turbo Dipl.-Ing. (FH) Peter Thiel Dr.-Ing. Thomas Hildebrandt NUMECA Ingenieurbüro NUMECA, a New Wave in Fluid Dynamics Überblick 1. Motivation: Warum non-deterministische

Mehr

Adaptive Choice-Based-Conjoint: Neue Möglichkeiten in der Marktforschung

Adaptive Choice-Based-Conjoint: Neue Möglichkeiten in der Marktforschung Adaptive Choice-Based-Conjoint: Neue Möglichkeiten in der Marktforschung MAIX Market Research & Consulting GmbH Kackertstr. 20 52072 Aachen 0241 8879 0 www.maix.de Inhalt Einleitung Grundlagen zur Conjoint

Mehr

Robustes Design versus Toleranzmanagement am Beispiel eines KFZ Schließsystems

Robustes Design versus Toleranzmanagement am Beispiel eines KFZ Schließsystems Robustes Design versus Toleranzmanagement am Beispiel eines KFZ Schließsystems Weimarer Optimierungs- und Stochastiktage 6.0 Peter Gust // Christoph Schluer f Lehrstuhl Konstruktion (Engineering Design)

Mehr

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca Biagini Mathematisches Institut, LMU biagini@math.lmu.de Münchner Wissenschaftstage im Jahr der Mathematik 21. Oktober 28

Mehr

Überblick. Überblick

Überblick. Überblick Agenda Überblick Risikomessung anhand zweier Aktienpositionen Exkurs: Risikominimale Investmentstrategie im Zwei-Aktien Aktien-Fall Risikoberechnung Karsten Hackler, Juli 008 Agenda 3 Überblick 4 Überblick

Mehr

Precision Farming- ein innovativer Ansatz zur Verminderung des ökonomischen und ökologischen Risikos- eine Simulationsstudie.

Precision Farming- ein innovativer Ansatz zur Verminderung des ökonomischen und ökologischen Risikos- eine Simulationsstudie. Precision Farming- ein innovativer Ansatz zur Verminderung des ökonomischen und ökologischen Risikos- eine Simulationsstudie. MARKUS GANDORFER, FREISING-WEIHENSTEPHAN MARTIN BACHMAIER, FREISING-WEIHENSTEPHAN

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Cross-Kanal-Werbewirkung die Welt ist keine Badewanne

Cross-Kanal-Werbewirkung die Welt ist keine Badewanne Cross-Kanal-Werbewirkung die Welt ist keine Badewanne Burkhardt Funk Hamburg, 20.02.2013 Eine kurze Geschichte der Werbewirkungsmodelle BAYESIAN FORECASTING ATTRIBUTION MODELS USER JOURNEY IMPACT- RESPONSE

Mehr

Was kosten Garantien?

Was kosten Garantien? Alternative Zinsgarantien in der Lebensversicherung, Köln, 1. Juni 2012 Was kosten Garantien? Prof. Dr. Ralf Korn Technische Universität Kaiserslautern, Fachbereich Mathematik EI-QFM und Fraunhofer ITWM

Mehr

Laufzeitverifikation

Laufzeitverifikation Laufzeitverifikation Martin Möser Seminar Fehlertolerante und Selbstheilende Systeme: Verifikation und Validierung autonomer Systeme Martin Möser - 1 Einführung / Motivation Autonome Systeme Komplexes

Mehr

Business Analytics im E-Commerce

Business Analytics im E-Commerce Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten

Mehr

Masterthesis zur Erlangung des Master of Science in Real Estate (CUREM) Beurteilung von Objektstrategien unter Berücksichtigung von Risiken

Masterthesis zur Erlangung des Master of Science in Real Estate (CUREM) Beurteilung von Objektstrategien unter Berücksichtigung von Risiken Masterthesis zur Erlangung des Master of Science in Real Estate (CUREM) Beurteilung von Objektstrategien unter Berücksichtigung von Risiken Name: Adresse: Eingereicht bei: Bernhard Rosner Meinrad-Lienert-Strasse

Mehr

CONSIDEO: Meetings verkürzen Fehler vermeiden besser entscheiden

CONSIDEO: Meetings verkürzen Fehler vermeiden besser entscheiden CONSIDEO: Meetings verkürzen Fehler vermeiden besser entscheiden 1. Einführung: Umgang mit Komplexität Unsere täglichen Herausforderungen: Wie gehen wir mit Komplexität um? Meetingfrust Wer kennt das nicht?

Mehr

Prüfungsklausur Kreditwirtschaft

Prüfungsklausur Kreditwirtschaft Seite 1 von 7 Name: Matrikelnummer: Prüfungsklausur Kreditwirtschaft Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur und auf jeden Bogen. o Legen Sie die Klausur sowie

Mehr

OPTINUM GRID VARIANTENSIMULATION IM GRID

OPTINUM GRID VARIANTENSIMULATION IM GRID VARIANTENSIMULATION IM GRID André Schneider, Manfred Dietrich Fraunhofer-Institut für Integrierte Schaltungen IIS, Institutsteil Entwurfsautomatisierung EAS OPTINUM GRID André Schneider Variantensimulation

Mehr

RISIKOSIMULATION UND MATHEMATISCHE OPTIMIERUNG IN DER PRODUKTPROGRAMMGESTALTUNG DR. URS PIETSCHMANN, PROF. DR. BRIGITTE WERNERS

RISIKOSIMULATION UND MATHEMATISCHE OPTIMIERUNG IN DER PRODUKTPROGRAMMGESTALTUNG DR. URS PIETSCHMANN, PROF. DR. BRIGITTE WERNERS RISIKOSIMULATION UND MATHEMATISCHE OPTIMIERUNG IN DER PRODUKTPROGRAMMGESTALTUNG DR. URS PIETSCHMANN, PROF. DR. BRIGITTE WERNERS AGENDA 1 Grundlage 2 Produkt- und Preisgestaltung 3 Optimierungsmodell 4

Mehr

Inhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik

Inhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik Inhaltsverzeichnis 1. Grundbegriffe 2. Einführung in die statistische Mechanik 3. ormalmoden 4. Molekulardynamik 5. Monte -Carlo Simulationen 6. Finite-Elemente Methode 1 Casino in Monte Carlo, Monaco

Mehr

Kapitel 2 Business Process Model and Notation (BPMN) III

Kapitel 2 Business Process Model and Notation (BPMN) III Kapitel 2 Business Process Model and Notation (BPMN) III Unternehmensstrukturen und Prozesse HS 2013 Prof. Dr. Jana Köhler jana.koehler@hslu.ch 1 Agenda Besprechung Testat B2-1 Business Reengineerung und

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014 Sommersemester 2014 Repetitorium zum Staatsexamen für Lehramtsstudenten Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201 Lehrstuhl für ABWL und Wirtschaftsinformatik Prof. Dr. Alexandros

Mehr

Simulation und Verfahren des Data Mining

Simulation und Verfahren des Data Mining Simulation und Verfahren des Data Mining Approximation des Verhaltens von Materialflussmodellen durch ein Künstliches Neuronales Netz PPI - Informatik Dr. Prautsch & Partner Curiestr. 4 70563 Stuttgart

Mehr

Methoden zur Modellierung und Simulation von Tätigkeitsstrukturen in der Teilefertigung

Methoden zur Modellierung und Simulation von Tätigkeitsstrukturen in der Teilefertigung Methoden zur Modellierung und Simulation von Tätigkeitsstrukturen in der Teilefertigung Dr.-Ing. / MBA (Leeds Metropolitan Univ., U.K.) Dieter Hofferberth Problemstellung Gliederung Zielstellung Lösungsweg

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

Risikomanagement und Statistik. Raimund Kovacevic Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Spiele (antagonistische Suche) Übersicht. Typen von Spielen. Spielbaum. Spiele mit vollständiger Information

Spiele (antagonistische Suche) Übersicht. Typen von Spielen. Spielbaum. Spiele mit vollständiger Information Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

target presentation targetgroup Forschung, Consulting und Systementwicklung Conjoint Analysis: Ansatz und Erfahrungen

target presentation targetgroup Forschung, Consulting und Systementwicklung Conjoint Analysis: Ansatz und Erfahrungen target presentation Conjoint Analysis: Ansatz und Erfahrungen anläßlich der Tagung am 16.03.2000 in Zürich Gliederung 1. Einführung in die Methode 2. Unterschiedliche Ansätze 2.1 Die Full-Profile-Methode

Mehr

2. Wie wird Risikomanagement angewendet? Der Risikomanagement-Prozess Die Schritte des Risikomanagements Die Einbettung in Managementsysteme

2. Wie wird Risikomanagement angewendet? Der Risikomanagement-Prozess Die Schritte des Risikomanagements Die Einbettung in Managementsysteme 2. Wie wird Risikomanagement angewendet? Der Risikomanagement-Prozess Die Schritte des Risikomanagements Die Einbettung in Managementsysteme Seite 27 Der Risikomanagement-Prozess Im Vorfeld: (Erst-)Definition

Mehr

Überprüfung der Zielgrösse der Wertschwankungsreserve

Überprüfung der Zielgrösse der Wertschwankungsreserve Aon Hewitt Investment Consulting Urheberrechtlich geschützt und vertraulich Überprüfung der Zielgrösse der Wertschwankungsreserve Pensionskasse XY, Januar 2015 Risk. Reinsurance. Human Resources. Inhaltsverzeichnis

Mehr

Option Analysis of Plattform Decisions. Raeed Mayrhofer

Option Analysis of Plattform Decisions. Raeed Mayrhofer Option Analysis of Plattform Decisions Raeed Mayrhofer Softwareplattform ist ein Bündel von Funktionen, das das Ausführen von Applikationen ermöglicht bildet gemeinsam mit Hardware und Know-how die IT-Infrastruktur

Mehr

Agile Programmierung - Theorie II SCRUM

Agile Programmierung - Theorie II SCRUM Agile Programmierung - Theorie II SCRUM Arne Brenneisen Universität Hamburg Fakultät für Mathematik, Informatik und Naturwissenschaften Seminar Softwareentwicklung in der Wissenschaft Betreuer: Christian

Mehr

Projektrisiken analysieren

Projektrisiken analysieren Projektrisiken analysieren Compendio: Kapitel 5, Seiten 78-90 15.06.2013 SWE-IPM 1 Inhalt Risiko Management Prozess Risiko-Bewusstsein Chancen und Gefahren gehören zusammen Typische Projektrisiken Risiken

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

DASHBOARDS REPORTS MOBILE BI GESCHÄFTSBERICHTE PRÄSENTATIONEN VISUAL ANALYTICS BERICHTE TEXTE. Weitere Informationen. Weitere Informationen

DASHBOARDS REPORTS MOBILE BI GESCHÄFTSBERICHTE PRÄSENTATIONEN VISUAL ANALYTICS BERICHTE TEXTE. Weitere Informationen. Weitere Informationen Gute Dashboards führen zu guten Entscheidungen Wir unterstützen Sie bei:» Dem Aufbau und der Strukturierung Ihrer Dashboards» Der geeigneten Visualisierung» Der technischen Umsetzung in allen gängigen

Mehr

Optimierung der Fertigungssteuerung nach Kostenzielen. D3DHemmer(at)gmail.com

Optimierung der Fertigungssteuerung nach Kostenzielen. D3DHemmer(at)gmail.com Optimierung der Fertigungssteuerung nach Kostenzielen Hans-Peter Hemmer D3DHemmer(at)gmail.com +49 (0) 174 7442244 Agenda Szenario Consideo Simulationsmodell Simulationsstudie 2 Szenario - Hintergrund

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Inventarisierung + Bewertung von IT-Risiken

Inventarisierung + Bewertung von IT-Risiken Inventarisierung + Bewertung von IT-Risiken Thomas Maus Maus IT-Consulting thomas.maus@alumni.uni-karlsruhe.de Thomas.Maus@alumni.uni-karlsruhe.de 02.11.2003 1 Inhalt Wo soll die Reise hingehen? Was ist

Mehr