Abhängigkeiten zwischen Großschäden

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Abhängigkeiten zwischen Großschäden"

Transkript

1 Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung

2 I. Typen von Abhängigkeiten Grundsätzlich unterschiedlich zu behandeln sind räumliche (oder zeitliche) Abhängigkeiten zwischen gleichartigen Risiken Bsp.: Bei Versicherungsrisiken Versicherung gegen Überschwemmung von Gebäuden entlang eines Flusses Versicherung von Sturmschäden an Gebäuden in gleicher Region Bei Finanzrisiken Verluste eines Investments in aufeinander folgenden Perioden

3 Abhängigkeiten zwischen verschiedenartigen, aber zusammenhängenden Risiken Bsp.: Bei Versicherungsrisiken (meist bei gleichem Versicherungsnehmer) Feuerversicherung für Wohngebäude und Hausratversicherung Industriefeuer- und Betriebsunterbrechungsversicherung Kranken- und Berufsunfähigkeitsversicherung Bei Finanzrisiken Verluste unterschiedlicher Investments in der gleichen Periode

4 Räumliche Abhängigkeiten zwischen gleichartigen Risiken Anwendungsmöglichkeiten mathematisch-statistischer Verfahren: bei Versicherungsrisiken: allgemeine black box -Modelle wenig erfolgversprechend statistische Verfahren zur Modellanpassung in Verbindung mit Expertenwissen zu physikalischen Wirkmechanismen (z.b. meteorologischen, hydrologischen oder geophysikalischen Modellen); stets fallbezogen bei Finanzrisiken: black box -Modelle Standard bei Beschreibung von Finanzmärkten (z.b. GARCH-Modelle für Renditezeitreihen) Statistik unerläßlich für Risikomanagement Expertenwissen i.d.r. nur für Langfristtrends (Fundamentalanalyse) physikalische Beschreibung von Finanz-

5 Daher hier nur Demonstration möglicher Auswirkungen von Abhängigkeiten auf Rückversicherungen X 1,..., X n Schadenshöhen im Jahr ( n ) + Stop Loss: SL = X i R i=1 Excess of Loss: XL = n (X i r) + i=1 Bei vorgegebener Randverteilung von X 1,..., X n hängt Erwartunsgwert von SL von Abhängigkeiten zwischen X 1,..., X n ab Erwartunsgwert von XL nicht von Abhängigkeiten zwischen X 1,..., X n ab, sehr wohl aber die Verteilung von XL Simulationsbeispiel: X i, 1 i n = 1000, standardexponentialverteilt, d.h. P {X i > x} = e x (i) X 1,..., X n unabhängig (ii) X j,..., X j+5 abhängig,

6 1 Empirical CDF F(x) x Verteilungsfunktion von n i=1 X i für Modell mit unabhängigen (gestrichelt) und abhängigen Schäden (durchgezogen) Bei Selbstbehalt R = 1100 muß Rückversicherung bei Unabhängigkeit in ca. 0, 1% der Fälle, bei Abhängigkeit in ca. 9% der Fälle Leistung erbringen. Die Nettorisikoprämie beträgt etwa 1,1 (Unabh.) bzw. 105,4 (Abh.)

7 F(x) x Verteilungsfunktion von XL mit r = 8 für Modell mit unabhängigen (gestrichelt) und abhängigen Schäden (durchgezogen) Rückversicherung muß bei Unabhängigkeit in etwa 28, 6% der Fälle, bei Abhängigkeit in ca. 21, 0% der Fälle Leistung erbringen. (Standardabweichung von XL)/E(XL)= 2,4 bei unabhängigen und 3,6 bei abhängigen Schadenshöhen

8 Abhängigkeiten zwischen verschiedenartigen Risiken Anwendungsmöglichkeiten mathematisch-statistischer Verfahren: Allgemeine black box -Modelle für Großschäden anwendbar ( II.) Bei Finanzrisiken von eingeschränktem Nutzen, da statistische Methoden nur für niedrigdimensionale Daten zuverlässig arbeiten ( curse of dimensionality ); außerdem sind hier Modellannahmen oft unrealistisch Expertenwissen kann ergänzend eingesetzt werden

9 II. Modelle für abhängige Großschäden Im folgenden Schadenshöhen von 2 Versicherungstypen (X i, Y i ), 1 i n, für n unabhängige, identisch verteilte Risiken Modellierung in 2 Schritten

10 Für F analoge Modellannahme. 1. Schritt: Modelliere Randverteilungen! Modelliere getrennt Verteilungsfunktion F 1 von X i und Verteilungsfunktion F 2 von Y i. Evtl. nur für große Schäden X i, Y i ; dann oft Tails der Vf. näherungsweise wie bei Pareto-Vf.: 1 F 1 (x) = P {X > x} c 1 x α 1 für großes x. Motivation: Notwendig dafür, daß Vf. von Großschäden oberhalb von Schranke u sich stabilisiert im Sinne von P ( X u > t X > u ) u H(t). Dann H(t) = t α 1, t 1, also P {X > ut} P {X > u}t α 1 = P {X > x} (P {X > u}u α 1 )x α 1 für hinreichend großes u, x.

11 2. Schritt: Modelliere Abhängigkeiten! Standardisiere zunächst die Schäden: X i := F 1 (X i ) Ỹ i := F 2 (Y i ) X i, Ỹi jeweils gleichverteilt auf [0, 1] (falls F 1, F 2 stetig). Erst Standardisierung der Randverteilungen ermöglicht Analyse der Abhängigkeiten!

12 6 5 4 y x y x

13 Copula C(s, t) = P { X s, Ỹ t}, s, t [0, 1]. Hier nur Großschäden von Interesse; daher betrachte P { X > 1 x, Ỹ > 1 y} = 1 P { X 1 x} P {Ỹ 1 y} +P { X 1 x, Ỹ 1 y} = x + y + C(1 x, 1 y) 1. Modellannahme: P { X > 1 tx, Ỹ > 1 ty} c(x, y)t1/η für t 0 für ein η (0, 1] Motivation ähnlich wie für Pareto-Vf. für univariate Großschäden: Nur so kann sich Abhängigkeitsstruktur bei extremen Schäden stabilisieren.

14 W., daß Schadensvektor in kleinem Rechteck liegt = t 1/η W., daß Schadensvektor in großem Rechteck liegt

15 Zur Interpretation des sog. Parameters der Tail-Abhängigkeit η P (Ỹ > 1 t X > 1 t) = P { X > 1 t, Ỹ > 1 t} P { X > 1 t} = 1 t P { X > 1 t, Ỹ > 1 t} t 1/η 1 c(1, 1) { c(1, 1), η = 1, 0, 0 < η < 1, für t 0. η = 1: asymptotische Abhängigkeit der Großschäden η < 1: asymptotische Unabhängigkeit der Großschäden Im Fall exakter Unabhängigkeit von X und Y : P { X > 1 t, Ỹ > 1 t} = P { X > 1 t} P {Ỹ > 1 t} = t2, d.h. η = 1/2 1/2 < η < 1: positive Abh. 0 < η < 1/2: negative Abh. zwischen Großschäden von X und Y, die sich mit steigender Größe immer weniger bemerkbar macht.

16 Zusammenhang des Abhängigkeitsmodells mit Pareto-Modell Betrachte Dann T := min ( 1 1 X, 1 1 Ỹ P {T > t} = { 1 P 1 X > t, 1 } 1 Ỹ > t = { 1 P X > 1 t, Ỹ > 1 1 } t c(1, 1)t 1/η, d.h. Tails von T sind näherungsweise Pareto-verteilt. )

17 Auswirkung auf XL-Rückvers. für Gesamtschaden XL = n (X i + Y i r) + i=1 Simulation mit Gauß-Copula und Pareto-Randverteilungen (α = 2, 5), n = 1000 Nettorisikoprämie E(XL) ρ η r = 5 r = 10 1/3 1/ / /3 2/ /3 5/ Vf. von XL für r = 5 mit η = 0, 5 (gepunktet), η = 0, 667 (gestrichelt) und η = 0, 833 (durchgezogen)

18 Modellanpassung 1. Schritt: Passe (semi-)parametrische Modelle an (Großschäden unter) X i bzw. Y i an! z.b. Pareto-Modell 1 F 1 (x) = c 1 x α 1 für x > x 1. Geschätzte Vf. mit Schätzern 1 ˆF 1 (x) = ĉ 1 x ˆα 1, x > X n k:n, ˆα 1 = ( 1 k k i=1 log X n i+1:n X n k:n ) 1 Hill-Schätzer wobei ĉ 1 = k n X ˆα 1 n k:n, X n:n X n 1:n X n k:n die k + 1 größten Schäden sind. Def. ˆF2 analog.

19 2. Schritt: Standardisiere X i und Y i! 2 mögliche Methoden: mit den im 1. Schritt geschätzten Vfen.: X i := ˆF 1 (X i ) Ỹ i := ˆF 2 (Y i ) nichtparametrisch: X i := 1 n (Rang von X i unter X 1,..., X n ) Ỹ i := 1 n (Rang von Y i unter Y 1,..., Y n ) Schätze η z.b. durch den Hill-Schätzer für ( 1 T i = min 1 X, i 1 1 Ỹi ) : ˆη = 1 k k i=1 log T n i+1:n T n k:n

20 Schätzer für Wahrsch. extremer Großschäden oder für große x, y. P {X > x, Y > y} P {X > x oder Y > y} P {X > x, Y > y} = P { X > F 1 (x), Ỹ > F 2(y)} { t 1/η 1 F 1 (x) P X > 1 t, Ỹ > 1 1 F 2(y) t }, (1) was zu schätzen ist durch t 1/ˆη 1 { n i Xi > 1 1 ˆF 1 (x) t, Ỹi > 1 1 ˆF 2 (y) }, t wobei t hinr. klein, daß { i Xi > 1 1 ˆF 1 (x) t groß, Ỹi > 1 1 ˆF 2 } (y) t hinr. groß, damit Approximation (1) genau ist

21 Andere Wahrscheinlichkeiten können auf obige zurück geführt werden: P {X > x oder Y > y} = 1 F 1 (x) + 1 F 2 (x) P {X > x, Y > y} Ähnlich schätzbar z.b. XL-Nettorisikoprämie für Summe, d.h. E ( (X + Y r) +)

22 III. Fallstudie: Dänische Feuerversicherung Daten: Schadenshöhen in Mio. DKR bei Dänischen Industriefeuerversicherungen, X i : Y i : building content (Z i : profits ) inflationsbereinigt auf das Jahr 1985 nur erfaßt, wenn Gesamtschaden X i + Y i + Z i mindestens 1 Mio. DKR insgesamt 2167 Schäden Problem: Schäden aus Einzelversicherung nur sicher erfaßt, wenn 1 Mio. DKR Daher betrachten wir hier nur Paare (X i, Y i ), wenn beide Schäden X i, Y i oberhalb von 1 Mio. DKR insgesamt n = 301 geschätzte Wahrsch. bzgl. bedingter Verteilung gegeben, daß beide Schäden wenigstens 1 Mio. DKR

23 1. Schritt: Schätze die Randverteilungsfktnen! Gute Anpassung der Tails durch Pareto-Verteilungen mit Lokationsparameter: ˆF 1 (x) = 1 26, 96 (x + 3) 2,33, x > 1, 96, ˆF 2 (y) = 1 10, 24 (y + 3) 1,75, y > 1, 46. ˆα 2 1, 75 = V ar(y i ) =! Modellcheck: 1 F 1 (x) = c 1 (x + µ) α 1 F 1 1 (1 t) + µ = ( t c 1 ) 1/α1 log ( F 1 1 (1 t) + µ ) = log c 1 α 1 1 α 1 log t, Für t = (j + 1/2)/n: F 1 1 (1 t) F 1 n,1(1 t) = X n j:n Daher sollten Punkte ( log j + 1/2 ), log(x n j:n + µ) n für µ = 3 näherungsweise auf einer Geraden liegen, falls Modell korrekt ist (Quantil-Quantil-Plot). Dabei werden nur j mit X n j:n > 1, 96 betrachtet.

24 QQ-Plots für building (oben) und content (unten)

25 Hill- (durchgezogen), Momenten- (gestrichelt) und ML- Schätzer (gepunktet) für 1/α 1 ( building ) als Funktion von k mit (oben) bzw. ohne Shift (unten) der Schäden

26 Hill- (durchgezogen), Momenten- (gestrichelt) und ML- Schätzer (gepunktet) für 1/α 2 ( content ) als Funktion von k mit (oben) bzw. ohne Shift (unten) der Schäden

27 2. Schritt: Standardisiere Schadenshöhen! X i := ˆF 1 (X i ) Ỹ i := ˆF 2 (Y i ) Schadenshöhen standardisiert mit Pareto-Vfen. (oben) bzw.

28 3. Schritt: Überprüfe Modell für Abhängigkeit! Für ein η (0, 1] P { X > 1 tx, Ỹ > 1 ty} c(x, y)t1/η für t 0 log P { X > 1 sx 0, Ỹ > 1 sy 0} P { X > 1 x 0, Ỹ > 1 y 0} 1 η log s für hinr. kleine x 0, y 0 und alle s (0, 1] Wähle s so, daß ( X i, Ỹi) existieren mit X i > 1 sx 0, Ỹ i > 1 sy 0 und schätze P { X > 1 sx 0, Ỹ > 1 sy 0} durch empirische Häufigkeit Punkte ( 1 n {i Xi > 1 sx 0, Ỹi > 1 sy 0 } log s, log {i Xi > 1 sx 0, Ỹi > 1 sy 0 } ) {i Xi > 1 x 0, Ỹi > 1 y 0 } sollten auf einer Geraden durch Ursprung liegen, deren Steigung 1/η nicht von (x 0, y 0 ) abhängt.

29 Modellcheck mit (x 0, y 0 ) = (2/3, 2/3) (oben), (x 0, y 0 ) = (2/3, 1/3) (mitte) bzw. (x 0, y 0 ) = (1/3, 2/3) (unten)

30 Vergleich der 3 Plots

31 4. Schritt: Schätze η! Hill-Schätzer beruhend auf ( 1 1 ) T i = min 1 X, i 1 Ỹi d.h. ˆη = 1 k k i=1 log T n i+1:n T n k:n Hill-Schätzer als Funktion von k k = 125 = ˆη = 0, 66 Die Großschäden der Komponenten building und content sind also asymptotisch unabhängig, aber mäßige

32 Quantil-Quantil-Plot für T i

33 5. Schritt: Schätze Wahrsch. für Großschäden Z.B. P {X > 10, Y > 10} geschätzt durch t 1/ˆη 1 { n i X i > 1 1 ˆF 1 (10) t, Ỹi > 1 1 ˆF 2 (10) }, t für geeignetes t > 0. Wähle z.b. t = t k so, daß { i Xi > 1 1 ˆF 1 (10), t Ỹi > 1 1 ˆF 2 (10) } k t k und plotte als Funktion von k: t 1/ˆη k k n = k k = 100 = P {X > 10, Y > 10} 0, 022 Zum Vergleich: In 4 von 301 beobachteten Fällen sind beide Komponenten größer als 10,

34 Fazit Selbst schwache Abhängigkeiten können erheblichen Einfluß auf Rückversicherungen haben! Modelle für Struktur der Abhängigkeit zwischen Großschäden und Methoden zur Modellanpassung und zum Modellcheck stehen zur Verfügung Neues Forschungsgebiet; daher viele offene Probleme

35 Logarithmierte Schadenshöhen für building (oben) und content (unten)

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden

Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Nächste-Nachbarn-Verfahren zur Reservierung für Einzelschäden Universität Hamburg, Department Mathematik Hamburg, 16. November 2006 ASTIN-Herbsttagung Motivation Vorgehen Problemstellung Situation: Ziel:

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

Lebensdauer eines x-jährigen

Lebensdauer eines x-jährigen Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................

Mehr

ARCH- und GARCH-Modelle

ARCH- und GARCH-Modelle ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme 04.11.2009 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle 04.11.2009 1 / 27 Ausgangssituation

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011 Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike

Mehr

Evaluating Liquidation Strategies for Insurance Companies

Evaluating Liquidation Strategies for Insurance Companies Graduiertenkolleg Risikomanagement Universität zu Köln Evaluating Liquidation Strategies for Insurance Companies T. Berry-Stölzle 4. Kölner Workshop Quantitative Finanzmarktforschung 13. November 2004

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Geometrische Brownsche Bewegung und Brownsche Brücke

Geometrische Brownsche Bewegung und Brownsche Brücke Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche

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

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man

Mehr

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

Mehr

CreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling

CreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling Korrelation und Ansatz Portfoliokreditrisko Seminar 7. Oktober 007 Robert Schilling Seminarleitung: PD Dr. Rafael Weißbach Universität Mannheim Berechnung des Exposures Schätzung der Volatilität Schätzung

Mehr

MA Projekt: Langfristige Kapitalmarktsimulation

MA Projekt: Langfristige Kapitalmarktsimulation MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring

Mehr

Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus

Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von

Mehr

Inflationsbereinigte Chance-Risiko-Profile von Lebensversicherungsprodukten Stefan Graf, Alexander Kling, Jochen Ruß

Inflationsbereinigte Chance-Risiko-Profile von Lebensversicherungsprodukten Stefan Graf, Alexander Kling, Jochen Ruß Stefan Graf WiMa 2011 Ulm November 2011 Inflationsbereinigte Chance-Risiko-Profile von Lebensversicherungsprodukten Stefan Graf, Alexander Kling, Jochen Ruß Seite 2 Agenda Chance-Risiko-Profile Nominale

Mehr

12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:

12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet: 12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten

Mehr

Generalthema: Ausgewählte Fragen der Fremdfinanzierung

Generalthema: Ausgewählte Fragen der Fremdfinanzierung Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/000 Zuständiger Mitarbeiter:

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

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

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko

Mehr

Quantitative Risk Management

Quantitative Risk Management Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis

Mehr

8. Übung zur Vorlesung Mathematisches Modellieren Lösung

8. Übung zur Vorlesung Mathematisches Modellieren Lösung Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ

Mehr

Modellgestützte Analyse und Optimierung Übungsblatt 4

Modellgestützte Analyse und Optimierung Übungsblatt 4 Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen

Mehr

Vicky Fasen und Claudia Klüppelberg: Modellieren und Quantifizieren von extremen Risiken

Vicky Fasen und Claudia Klüppelberg: Modellieren und Quantifizieren von extremen Risiken Vicky Fasen und Claudia Klüppelberg: Modellieren und Quantifizieren von extremen Risiken 1 Einleitung Extreme Risiken begleiten unser Leben. Während unsere Vorfahren Gefahren und Risiken als gottgegeben

Mehr

( ) als den Punkt mit der gleichen x-koordinate wie A und der

( ) als den Punkt mit der gleichen x-koordinate wie A und der ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Asset and Liability Management Wertschwankungsreserven

Asset and Liability Management Wertschwankungsreserven Asset and Liability Management Wertschwankungsreserven ASIP-Informationsveranstaltung: Aktuelle Knackpunkte der 1. BVG-Revision Dr. Andreas Reichlin, Partner PPCmetrics AG Financial Consulting, Controlling

Mehr

Überblick über die Tests

Überblick über die Tests Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt

Mehr

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

Mehr

Master Wirtschaftsmathematik. Department Mathematik Fachbereiche Betriebswirtschaftslehre und Volkswirtschaftslehre

Master Wirtschaftsmathematik. Department Mathematik Fachbereiche Betriebswirtschaftslehre und Volkswirtschaftslehre Master Wirtschaftsmathematik Department Mathematik Fachbereiche Betriebswirtschaftslehre und Volkswirtschaftslehre interdisziplinärer, forschungsorientierter Studiengang Anteile Mathematik, Wirtschaftswissenschaften,

Mehr

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:

Mehr

Engineering Design via Surrogate Modelling Sampling Plans

Engineering Design via Surrogate Modelling Sampling Plans Engineering Design via Surrogate Modelling Sampling Plans Lisa Weber Universität Trier 01.06.2011 L. Weber (Universität Trier) Surrogate Models - Seminar Numerik 11 01.06.2011 1 / 34 Inhaltsverzeichnis

Mehr

2. Eindimensionale (univariate) Datenanalyse

2. Eindimensionale (univariate) Datenanalyse 2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) 2 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik Name, Vorname:... verteilung Teil 1: Beschreibende Statistik Aufgaben

Mehr

Übersicht. 1 Unsicherheit und Klimawandel. 2 Umgang mit Unsicherheit in IAMs. 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem

Übersicht. 1 Unsicherheit und Klimawandel. 2 Umgang mit Unsicherheit in IAMs. 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem Vorlesung 8: Bewertung III 1/15 Übersicht 1 Unsicherheit und Klimawandel 2 Umgang mit Unsicherheit in IAMs 3 Strukturelle Unsicherheit: Weitzmans Dismal Theorem Vorlesung 8: Bewertung III 2/15 Unsicherheit

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

(Lineare) stochastische Optimierung

(Lineare) stochastische Optimierung (Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:

Mehr

2.Tutorium Generalisierte Regression

2.Tutorium Generalisierte Regression 2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte

Mehr

Vorlesung 1: Honeywell, Inc. and Integrated Risk Management

Vorlesung 1: Honeywell, Inc. and Integrated Risk Management Vorlesung 1: Honeywell, Inc. and Integrated Risk Management 20. Februar 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.unibas.ch/wwz/finance Fragen

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Die Burgers Gleichung

Die Burgers Gleichung Die Burgers Gleichung Vortrag im Rahmen der Vorlesung Spektralmethoden Elena Frenkel Samuel Voit Balthasar Meyer 29. Mai 2008 1 Einfürung Ein kurzer Überblick Physikalische Motivation 2 Cole-Hopf Transformation

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Korrelation (II) Korrelation und Kausalität

Korrelation (II) Korrelation und Kausalität Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen

Mehr

Kontingenzkoeffizient (nach Pearson)

Kontingenzkoeffizient (nach Pearson) Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen

Mehr

Skalare Differentialgleichungen

Skalare Differentialgleichungen Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen

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

4. Das Capital Asset Pricing Model (CAPM) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection.

4. Das Capital Asset Pricing Model (CAPM) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection. 4. Das Capital Asset Pricing Model (CAPM) The Tool is cool, but be leery of the Theory (Robert A. Haugen) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection. CAPM: Theorie der Gleichgewichtspreise

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei

Mehr

RISIKEN, ANPASSUNGSBEDARF UND CHANCEN AUS DEM KLIMAWANDEL: DAS BEISPIEL EINES RÜCKVERSICHERERS. Eberhard Faust, Munich Re

RISIKEN, ANPASSUNGSBEDARF UND CHANCEN AUS DEM KLIMAWANDEL: DAS BEISPIEL EINES RÜCKVERSICHERERS. Eberhard Faust, Munich Re RISIKEN, ANPASSUNGSBEDARF UND CHANCEN AUS DEM KLIMAWANDEL: DAS BEISPIEL EINES RÜCKVERSICHERERS Eberhard Faust, Munich Re Climate Change Center Austria, 18. Oktober 2012 Die Risikoperspektive Risiko Referenzzeitraum

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007 Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer

Mehr

Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung -

Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung - Institut für Innovative Inform atik-anwendungen Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung - P. Gemmar Fachhochschule Trier Entwicklung hydrologischer Modelle

Mehr

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

Programmiertechnik II

Programmiertechnik II Analyse von Algorithmen Algorithmenentwurf Algorithmen sind oft Teil einer größeren Anwendung operieren auf Daten der Anwendung, sollen aber unabhängig von konkreten Typen sein Darstellung der Algorithmen

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

Lichttechnische Simulationen mit ASAP TM Projektbeispiele

Lichttechnische Simulationen mit ASAP TM Projektbeispiele Ein Unternehmen der WALDMANN GROUP Lichttechnische Simulationen mit ASAP TM Projektbeispiele Arbeitsweise Prozess Simulationsbeispiele Lighting Innovation Group AG Allgemeiner Ablauf von Raytracing- Simulationen

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 24. Juni 2014 Roland Rau Survival Analysis 1 / 23 Link zum Editorial des International Journal of Epidemiology

Mehr

Gemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München

Gemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 22. Mai 2015 Inhaltsverzeichnis 1 Wiederholung:

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Diplom BWL/VWL / B-BAE / B-SW / LA RS / LA GY

Diplom BWL/VWL / B-BAE / B-SW / LA RS / LA GY Diplom BWL/VWL / B-BAE / B-SW / LA RS / LA GY Prüfungsfach/Modul: Allgemeine Volkswirtschaftslehre Wirtschaftstheorie Wahlmodul Klausur: Institutionenökonomik (Klausur 60 Min) (200101, 201309, 211301)

Mehr

Herzlich Willkommen zur Vorlesung Statistik

Herzlich Willkommen zur Vorlesung Statistik Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHISCHE UIVERSITÄT MÜCHE Zentrum Mathematik PRF. R.R. JÜRGE RICHTER-GEBERT, VAESSA KRUMMECK, MICHAEL PRÄHFER Höhere Mathematik für Informatiker I (Wintersemester 003/004) Aufgabenblatt 1 (4. ktober 003)

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Anforderungen an Krankenversicherer unter SST und Solvency II. Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16.

Anforderungen an Krankenversicherer unter SST und Solvency II. Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16. Anforderungen an Krankenversicherer unter SST und Solvency II Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16. November 2012 Grundlagen Hauptziele von Solvenzvorschriften: Schutz von Versicherungsnehmern

Mehr

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

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

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Informationsökonomik: Anwendung Versicherungsmarkt

Informationsökonomik: Anwendung Versicherungsmarkt Informationsökonomik: Anwendung Versicherungsmarkt Tone Arnold Universität des Saarlandes 13. Dezember 2007 Tone Arnold (Universität des Saarlandes) Informationsökonomik: Anwendung Versicherungsmarkt 13.

Mehr

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009. Statistik mit SPSS

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009. Statistik mit SPSS Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelationsanalysen Kovariation und Kovarianz Korrelation: - Interpretation

Mehr

Naturgefahren Aus Schaden klug werden: Vorsorge statt Nachsorge?

Naturgefahren Aus Schaden klug werden: Vorsorge statt Nachsorge? Naturgefahren Aus Schaden klug werden: Vorsorge statt Nachsorge? Wer den Schaden hat, braucht für den Spott nicht zu sorgen... _ Erkenntnis: Bei allen Fallbeispielen wären vorsorgliche bzw. präventive

Mehr

Risikomanagement: Hintergrund und Ziele

Risikomanagement: Hintergrund und Ziele Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.

Mehr

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum

Mehr

Computational Finance

Computational Finance Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

RS-Flipflops. Parameterabhängige Nullstellenprobleme mit Umkehr- und Verzweigungspunkten. Proseminar Numerik, WiSe 02/03

RS-Flipflops. Parameterabhängige Nullstellenprobleme mit Umkehr- und Verzweigungspunkten. Proseminar Numerik, WiSe 02/03 RS-Flipflops Parameterabhängige Nullstellenprobleme mit Umkehr- und Verzweigungspunkten Proseminar Numerik, WiSe /3 1 Grundbegriffe der Digitaltechnik Die digitale Schaltungstechnik beschäftigt sich mit

Mehr

Verkäufer/-in im Einzelhandel. Kaufmann/-frau im Einzelhandel. belmodi mode & mehr ein modernes Unternehmen mit Tradition.

Verkäufer/-in im Einzelhandel. Kaufmann/-frau im Einzelhandel. belmodi mode & mehr ein modernes Unternehmen mit Tradition. Eine gute Mitarbeiterführung und ausgeprägte sind dafür Das ist sehr identisch des Verkäufers. Eine gute Mitarbeiterführung und ausgeprägte sind dafür Das ist sehr identisch des Verkäufers. Eine gute Mitarbeiterführung

Mehr

Statistiken von Breakouts mit dem Nanotrader

Statistiken von Breakouts mit dem Nanotrader von Breakouts mit dem Nanotrader Univ.-Prof. Dr. Stanislaus Maier-Paape, Yasemin Hafizogullari und Andreas Platen RWTH Aachen und SMP Financial Engineering GmbH Kontakt: www.smp-fe.de maier@smp-fe.de 13.

Mehr