Versicherungsmathematische Analyse des Bonus Malus Systems in der KFZ Haftpflichtversicherung

Größe: px
Ab Seite anzeigen:

Download "Versicherungsmathematische Analyse des Bonus Malus Systems in der KFZ Haftpflichtversicherung"

Transkript

1 Versicherungsmathematische Analyse des Bonus Malus Systems in der KFZ Haftpflichtversicherung Institut für Statisti Technische Universität Graz Betreuer Ao.Univ.-Prof. Dipl.-Ing. Dr.techn. Wolfgang Müller Autor Katharina Stangl Grubweg 15a 8580 Köflach Graz, im April 2007

2 Inhaltsverzeichnis 0 Kurze Einführung 3 1 Das österreichische Bonus-Malus System Einleitung Um- und Einstufungsregelungen Entwiclung des Bonus-Malus Systems von 1977 bis Das disrete Bonus Malus System Modellbildung Die Gesamtosten des Versicherten bei unendlicher Laufzeit Die Gesamtosten der Versicherung bei unendlicher Laufzeit Disrete stochastische dynamische Programmierung Einführung Anwendung der DSDP zur Bestimmung der Schwellenwerte 30 3 Das zeitstetige Bonus Malus System Der Poissonprozess Modellbildung Die Gesamtosten des Versicherten bei unendlicher Laufzeit Die Gesamtosten der Versicherung bei unendlicher Laufzeit Parameterschätzung Die dem österreichischen Bonus Malus System zugrunde liegende Marovette Übergangsmatrix im österreichischen Bonus Malus System Schätzung und Ergebnisse Methode der leinsten Quadrate Ergebnisse Interpretation der Ergebnisse Korretur der Arbeit von Zacs und Levison Modellannahmen und Kostengleichungen Kosten im disreten Modell

3 5.1.2 Kosten im zeitstetigen Modell Richtige Werte des in der Arbeit angeführten Beispiels Problemstellung angewandt auf das österreichische Bonus Malus System Herleitung der verschiedenen Funtionen und Gleichungssysteme Numerische Werte Schwellwerte und Risien für eine Wahl der Parameter Strategien für verschiedene Parameterwahlen Erwartete Kosten bei unendlicher Laufzeit Vergleich der Werte und Interpretation der Ergebnisse Schwellwerte, Risien und Strategien Kosten des Versicherten und der Versicherung Schlussfolgerungen 73 A Theorie der Marovetten 74 B Einige in der Diplomarbeit verwendete Verteilungen 77 B.1 Disrete Verteilungen B.1.1 Geometrische Verteilung B.1.2 Poissonverteilung B.2 Stetige Verteilungen B.2.1 Exponentialverteilung B.2.2 Gammaverteilung C Mathematica Programme 79 C.1 Programm zur Bestimmung der Schwellwerte und Risien C.2 Programm zur Bestimmung der Kosten des Versicherten und der Versicherung für das disrete Stopproblem C.3 Programm zur Bestimmung der Kosten des Versicherten und der Versicherung für das zeitstetige Stopproblem C.4 Simulationsprogramm für das disrete Modell C.5 Simualtionsprogramm für das zeitstetige Modell

4 Kapitel 0 Kurze Einführung Jeder, der schon einmal einen Unfall verursacht hat, fragt sich, ob es sich auszahlt, diesen Unfall der Versicherung zu melden und somit in eine höhere Prämienstufe eingestuft zu werden, oder ob man den Schaden lieber selber zahlen soll. Genau damit beschäftigt sich meine Diplomarbeit. Im ersten Kapitel erläre ich die Grundzüge des österreichischen Bonus Malus Systems mit den zugehörigen Ein bzw. Umstufungsregelungen. Außerdem wird die Entwiclung des Bonus Malus Systems in den letzten Jahren beschrieben. Das zweite Kapitel befasst sich mit dem disreten, das dritte Kapitel mit dem zeitstetigen Bonus Malus System. Für beide Fälle werden das Modell und die Kostenfuntion sowohl des Versicherten als auch der Versicherung beschrieben. Den wichtigsten Teil des zweiten Kapitels bildet die disrete stochastische dynamische Programmierung mit deren Hilfe die optimalen Schwellwerte bestimmt werden önnen ab denen ein Schaden der Versicherung gemeldet wird. Um die optimalen Werte für das österreichische Bonus Malus System so realistisch wie möglich angeben zu önnen, habe ich versucht, einige wichtige Parameter wie z.b. die Unfallwahrscheinlicheit zu schätzen. Wie in Kapitel 4 erläutert wird ist das mit den mir zur Verfügung stehenden Daten nicht zufriedenstellend möglich. Die Hauptquelle meiner Diplomarbeit ist eine Arbeit von Zacs und Levison [10]. Ausgehend von den in dieser Arbeit angeführten Gleichungen für die Kosten habe ich zuerst versucht das in der Arbeit angeführte Beispiel mit den entsprechend berechneten Kostenwerten nachzuvollziehen. Da ich nicht auf diese Werte geommen bin, habe ich sowohl die Kosten des Versicherten, als auch die der Versicherung mittels Simulation berechnet. Auf Grund der erhaltenen Kostenwerte bemerte ist, dass die angegebenen Kostengleichungen nicht richtig sein önnen, außer die für die Kosten des Versicherten im disreten BMS. Ich werde daher 3

5 in meiner Diplomarbeit an den entsprechenden Stellen darauf hinweisen, wo der Fehler in der Arbeit von Zacs und Levison gelegen ist. Außerdem werde ich im fünften Kapitel noch genauer auf die Fehler und deren Entdecung eingehen. Im sechsten Kapitel meiner Diplomarbeit habe ich die aus den vorhergehenden Kapiteln erhaltenen Ergebnisse auf das österreichische Bonus Malus System angewandt. Weiters habe ich für eine realitätsnahe Parameterwahl sowohl Schwellwerte, als auch erwartete Kosten des Versicherten bzw. der Versicherung bestimmt. Im Anhang sind neben einer urzen Einführung über Marov Ketten und einer Auflistung der in meiner Diplomarbeit verwendeten Verteilungen auch die Mathematica Programme zu finden, mit denen ich die Schwellwerte und die erwarteten Kosten bestimmt habe. Achtung: Leider habe ich nach dem Binden meiner Arbeit noch ein paar leine Fehler entdect. Sie wurden in dieser Version von mir orrigiert. 4

6 Kapitel 1 Das österreichische Bonus-Malus System 1.1 Einleitung Da heutzutage beinahe jeder österreichische Haushalt über mindestens ein Auto verfügt, nimmt die KFZ-Haftpflichtversicherung einen sehr großen Stellenwert in den meisten Versicherungsgesellschaften ein. Aus diesem Grund ist es den Versicherungen aber auch den Versicherten ein großes Anliegen gerechte Prämiensätze festzulegen. Das ursprüngliche österreichische BMS besteht aus 18 Prämienstufen, die mit 0 bis 17 bezeichnet werden, und 9 sogenannten Tariflassen, welche aus jeweils 2 Prämienstufen gebildet werden. Heutzutage hat jedoch jede Versicherung das Recht zusätzliche Prämienstufen einzuführen (z.b. die Prämienstufen A bis C, die als Superbonusstufen bezeichnet werden) oder aber den jeweiligen stufenabhängigen Prozentsatz (siehe nächster Abschnitt) flexibler zu gestalten. Außerdem steht es einem Versicherungsunternehmen frei Selbstbehalte bei Schadensforderungen zu verlangen. Da es somit viele verschiedene BM Systeme gibt, habe ich mich dazu entschlossen, für die in meiner Diplomarbeit durchgeführten Berechnungen das ursprüngliche BMS heranzuziehen. 1.2 Um- und Einstufungsregelungen Beruhend auf bestimmten Mermalen wie z.b der W- bzw. PS-Zahl werden die Kraftfahrzeuge in sogenannte Tarifgruppen unterteilt. Jede dieser Tarifgruppen 5

7 hat eine bestimmte Grundprämie, von der ausgehend man, je nachdem in welcher Prämienstufe man sich befindet, einen bestimmten Prozentsatz bezahlen muss. (siehe nachfolgende Tabelle) Wie aus der Tabelle ersichtlich, muss jemand, der sich in einer der beiden höchsten Stufen befindet, viermal so viel an Prämie bezahlen, wie jemand aus Stufe 0 oder 1. Ausgehend von der Grundprämie sind also im schlimmsten Fall das Doppelte, im besten Fall hingegen nur die Hälfte zu bezahlen.[8] Prämienstufe Prozentsätze 0 50% 1 50% 2 60% 3 60% 4 70% 5 70% 6 80% 7 80% 8 100% 9 100% % % % % % % % % Tabelle 1.1: Prozentsatz der Prämie in der jeweiligen Stufe des ursprünglichen BMS Die Umstufung folgt folgendem Schema:[9] Nach schadenfreiem Verlauf jedes Zeitraumes vom 1.Otober bis zum 30.September des folgenden Jahres (Beobachtungszeitraum) wird die Prämie jeweils zur nächsten Hauptfälligeit (Monat, in dem der Versicherungsvertrag abgeschlossen wurde) ab dem dem Beobachtungszeitraum folgenden 1.Jänner nach der nächst niedrigeren Prämienstufe bemessen. Ein Beobachtungszeitraum gilt als schadenfrei verlaufen, wenn ein zu berücsichtigender Versicherungsfall eingetreten ist und der Versicherungsvertrag mindestens neun Monate bestanden hat. Bei Neueinstufung in Stufe 9 erfolgt die 6

8 Umstufung bereits wenn nur 6 Monate in den ersten Beobachtungszeitraum fallen. Für jeden zu berücsichtigenden Versicherungsfall wird die Prämie zur nächsten Hauptfälligeit ab dem dem Beobachtungszeitraum folgenden 1.Jänner um drei Prämienstufen höher als zuvor bemessen, höchstens jedoch bis zur Stufe 17. Wenn man eine Malus-Einstufung verhindern will, so muss man dem Versicherer innerhalb von 6 Wochen die erbrachte Schadensleistung rücerstatten. Dies ann sich bei leineren Schäden durchaus rechnen. Drei Beispiele zur Erlärung: 1. Wird ein KFZ am angemeldet, so genügt der Zeitraum bis als Beobachtungszeitraum. Somit ommt der KFZ-Haftpflichtvertrag zur nächsten Hauptfälligeit am bei Schadensfreiheit in die B/M-Stufe 08. Bei weiterer Schadensfreiheit gilt bei der nächsten Hauptfälligeit am die B/M-Stufe Wird das KFZ am angemeldet, so genügt der Zeitraum bis NICHT als Beobachtungszeitraum. Deshalb wird der Beobachtungszeitraum bis verlängert. Bei Schadensfreiheit bis zu diesem Datum ommt der KFZ-Haftpflichtvertrag dann bei der nächsten Hauptfälligeit am (eventuell auch der ) in die B/M-Stufe 08. Bei weiterer Schadensfreiheit gilt bei der nächsten Hauptfälligeit am (eventuell ist das auch der ) die B/M-Stufe Wird das KFZ am angemeldet, so ist das Versicherungsjahr ident mit dem Beobachtungszeitraum bis Somit ommt der KFZ- Haftpflichtvertrag zur nächsten Hauptfälligeit am bei Schadensfreiheit in die B/M-Stufe 08. Bei weiterer Schadensfreiheit gilt bei der nächsten Hauptfälligeit am die B/M-Stufe 07. 7

9 1.3 Entwiclung des Bonus-Malus Systems von 1977 bis 1997 Als das Bonus Malus System 1977 in Österreich eingeführt wurde, mussten natürlich alle Versicherungsnehmer in der Stufe 9 beginnen. Im darauffolgenden Jahr waren dann auf Grund der Umstufungsregelungen lediglich die Stufen 8, 9, 12, 15 und 17 möglich. Erst 1986 war es den ersten Versicherten möglich, die Bonusstufe 0 zu erreichen. Bis 1997 wurde vom Verband der Versicherungsunternehmen Österreichs die nachfolgende Tabelle erstellt, heutzutage gibt es diese leider nicht mehr. Es wird nur mehr ungefähr ermittelt wie viele Personen in den Bonusstufen bzw. in den Malusstufen zu finden sind, wie groß der Prozentsatz in den Stufen 17 und 16, 8 und 9 bzw. 0 und 1 ist.[1] 8

10 Prämienstufe ,00 0,07 0,17 0,22 0,25 0,25 0,26 0,23 0,22 0,14 0,08 0,07 0, ,03 0,12 0,18 0,15 0,14 0,16 0,16 0,11 0,06 0,06 0, ,03 0,25 0,26 0,24 0,33 0,37 0,30 0,27 0,28 0,21 0,14 0,12 0, ,21 0,43 0,36 0,29 0,39 0,44 0,33 0,28 0,22 0,18 0,15 0, ,23 0,68 0,45 0,31 0,42 0,50 0,36 0,26 0,20 0,19 0, ,29 1,75 1,04 1,37 1,87 1,34 1,15 1,24 1,33 1,06 0,74 0,68 0, ,75 2,09 1,25 1,56 2,23 1,53 1,29 1,40 1,17 0,97 0,85 0, ,04 2,34 1,31 1,58 2,49 1,61 1,33 1,19 1,11 1,01 1, ,00 30,07 19,88 18,31 21,72 16,89 16,14 15,88 16,57 15,71 15,62 13,98 13,65 11, ,61 16,06 7,93 7,50 13,31 7,99 6,92 7,21 8,15 7,26 6,14 5,87 5, ,03 13,26 6,44 6,01 12,64 6,91 5,73 6,02 5,82 5,64 5,38 4, ,20 11,52 5,46 5,02 12,38 6,23 4,98 5,07 5,40 5,21 5, ,22 10,14 4,73 4,37 12,19 5,76 4,89 5,00 4,99 4, ,94 9,06 4,19 3,85 11,96 5,98 4,72 4,65 4, ,78 8,19 3,75 3,43 5,10 6,09 5,98 5, ,44 7,43 3,36 4,36 5,01 5,49 5, ,40 6,79 4,86 4,40 4,55 4, ,50 36,69 40,15 41,11 44,61 Tabelle 1.2: Verteilung der Versicherten auf die einzelnen Prämienstufen 9

11 Kapitel 2 Das disrete Bonus Malus System 2.1 Modellbildung Es wird von einem K+1 stufigen BMS ausgegangen, in welchem sowohl die Prämien π i, i = 0,..., K als auch die Selbstbehalte d i, i = 0,... K der einzelnen Stufen fixiert sind. Der Übergang von der einen zur anderen Stufe ann entweder zu direten Zeiten oder aber zeitstetig (siehe nächstes Kapitel) vollzogen werden. Für die Prämien π i und Selbstbehalte d i gilt Folgendes: und 0 < π 0 < π 1 < < π K (2.1) 0 d 0 d 1 d K. (2.2) Weiters sei für jede Stufe eine Zeitperiode der Länge T ( = 0,..., K) definiert. Wenn sich eine Kunde in der Stufe befindet und innerhalb der Zeitperiode T eine Forderung einreicht, so wechselt er nach Ende dieser Periode in eine niedrigere Stufe. Andererseits wechselt er in eine höhere Stufe, sobald er eine Forderung einreicht. Ein Kunde bleibt in der untersten Stufe solange er nicht fordert, und in der höchsten Stufe K solange er Forderungen einreicht. Erst wenn er nach der letzten Forderung innerhalb einer Periode der Länge T K nicht fordert, ann er in eine niedrigere Stufe wechseln. Es ann vorommen, dass sich ein Kunde in der Stufe 0 oder der Stufe K sehr lange aufhält. In den übrigen Stufen 1 bis K-1 ist die Verweildauer jedoch höchstens T 1, T 2,..., T K 1 Jahre. Im österreichischen 10

12 BMS gilt T 1 = = T K 1 = 1. Weiters ist aus dem ersten Kapitel beannt, dass, wenn man eine Forderung einreicht am Ende des Jahres um 3 Stufen hinaufsteigt, wenn man nicht fordert eine Stufe hinab. Somit erhält man für einen gegebenen Kunden eine Folge von Indizes {J n ; n 1}, welche die Prämienstufen angibt, d.h. J n {0, 1,..., K}. Im österreichischen BMS ist K = 17 und J 0 = 9 die Anfangsstufe. Aus der Strutur des BMS geht hervor, dass {J n ; n 1} eine Marov Kette mit K+1 Zuständen beschreibt. (Definition und allgemeine Eigenschaften von Marovetten siehe Anhang A.) Angenommen ein Kunde, der sich in der Stufe befindet, verursacht einen Jahresgesamtschaden in der Höhe von X Einheiten. Nun stellt sich die Frage, ob er diesen der Versicherung melden oder ihn selber bezahlen soll. Wenn X leiner als der in der Stufe festgelegte Selbstbehalt ist, dann ist es besser, wenn der Kunde den Schaden selber bezahlt. Wenn jedoch X > d, dann muss sich der Kunde überlegen, ob er fordert oder nicht. Wenn er den Schaden selber bezahlt, dann wechselt er in eine niedrigere Stufe, in der die Prämie geringer ist. Wenn er fordert, dann wechselt er in eine höhere Stufe mit einer höheren Prämie. Er muss sich somit überlegen, wie groß X d im Verhältnis zu dem erwarteten Verlust durch den Wechsel in eine niedrigere Stufe ist. Es geht nun darum, dass ein Kunde sogenannte Schwellwerte s 0, s 1,..., s K festlegt (s d für = 0,..., K). Somit wird ein Kunde in Stufe eine Forderung einreichen, wenn X > s. Der Vetor der Schwellenwerte s = (s 0,..., s K ) t wird Strategie genannt. Bemerung: Hier werden nur sehr einfache (stationäre) Strategien betrachtet. I.A. önnen die Schwellwerte von der Vertragsdauer bzw. der Zeit seit Vertragsabschluss abhängen (oder noch allgemeiner von der gesamten Geschichte bis zum gegenwärtigen Zeitpunt, vgl. Kapitel 2.4). Sei D n der totale Schaden eines Versicherten im n ten Jahr, F (x) die ummulative Verteilungsfuntion von D n. Es wird angenommen, dass F beannt und die D 0, D 1,... unabhängig identisch verteilt sind. Die Wahrscheinlicheit eines Unfalles bzw. eines Schadens innerhalb eines Jahres sei F (0) = p KU. G(x) bezeichne die totale jährliche Schadensverteilung unter der Bedingung, dass ein Schaden aufgetreten ist, G(0) = 0. Somit gilt: F (x) = p KU + (1 p KU )G(x), (x 0). (2.3) Nach einer empirischen Untersuchung von Lemaire [5] ann G als approximativ Gamma verteilt angenommen werden, d.h. 11

13 G(x ν) = (1/Γ(ν)) x 0 u ν 1 e u du. (2.4) Dabei bezeichnet ν > 0 den sogenannten Formparameter. Die Gamma Funtion ist definiert durch Γ(ν) = und erfüllt 0 t ν 1 e t dt (2.5) Γ(ν + 1) = νγ(ν), (2.6) Γ(ν + 1) = ν!, falls ν ganzzahlig ist. (2.7) Die Übergangsmatrix von {J n } hängt vom Vetor s = (s 0,..., s K ) der Schwellwerte ab. Sie wird mit P (s) bezeichnet. Im österreichischen BMS gilt: F (s i ), falls 0 i K, j = max(0, i 1) P ij (s) = 1 F (s i ), falls 0 i K, j = min(i + 3, K) 0, sonst Im Folgenden werden nun optimale Strategien und ihr Zusammenhang mit den Prämien betrachtet. Es wird von einem zufälligen Kunden einer speziellen Population ausgegangen. Deshalb werden alle Funtionen und Parameter als jene der Population betrachtet und als beannt angenommen. 2.2 Die Gesamtosten des Versicherten bei unendlicher Laufzeit Die Kosten, die sich bei einem Schaden im n ten Jahr für einen Versicherten in Stufe ergeben, sind { π + αd r (s ) = n, D n < s π + αd, D n s wobei man entweder den Schaden selbst bezahlt oder den Selbstbehalt der jeweiligen Stufe plus die Prämienrate. α bezeichnet dabei einen Disontierungsfator 12

14 (0 < α < 1). Hinter dem Disontierungsfator steht die wirtschaftliche Idee, dass Kosten, die in der Zuunft auftreten, in ihren gegenwärtigen Wert disontiert werden. Wenn z.b. Kosten im Wert von 3 Einheiten zur Zeit n auftreten, dann haben sie zum Zeitpunt 0 den Wert 3α n. Disontierte Kosten ermöglichen somit den Vergleich zu verschiedenen Zeitpunten. r (s ) sind also die Kosten, die sich im ten Jahr ergeben, disontiert auf den Jahresbeginn (an dem die Prämie π fällig ist, nicht aber die am Jahresende fälligen Kosten D bzw. d ). Die jährlich zu erwartenden disontierten Kosten eines Kunden in Stufe mit Schwellwert s sind R (s ) = E[r (s )] = π + αe[d n I {Dn <s }] + αe[d I {Dn s }] = = π + α s Aus 2.8 folgt mittels partieller Integration 0 xdf (x) + αd (1 F (s )). (2.8) s R (s ) = π + αd αd F (s ) + α 0 xdf (x) = π + αd αd F (s ) + α[xf (x) s = π + αd αd F (s ) + αs F (s ) α = π + αd αf (s )(d s ) α s 0 0 s s 0 0 F (y)dy] F (y)dy F (y)dy. (2.9) Sei R(s) der K + 1-dimensionale Vetor mit Elementen R (s ), = 0,..., K. Bezeichne C i (s) die zu erwartenden zuünftigen disontierten Gesamtosten, wenn man sich in Stufe i befindet, d.h. Dann gilt C i (s) = E[ α n R Jn (s Jn ) J 0 = i]. (2.10) n=0 C i (s) = R i (s i ) + E[ α n R Jn (s Jn ) J 0 = i] n=1 13

15 = R i (s i ) + P ij E[ α n R Jn (s Jn ) J 1 = j] j {0,...,K} = R i (s i ) + α j {0,...,K} n=1 P ij C j (s). Fasst man die C i (s) zu einem Vetor C(s) = (C 0 (s),..., C K (s)) zusammen, ist das obige Gleichungssystem äquivalent mit der Matrix Gleichung (I αp )C(s) = R(s). (2.11) Aus der nachfolgenden Proposition 2.1 folgt, dass I αp für 0 < α < 1 stets invertierbar ist. Man erhält C(s) = (I αp ) 1 R(s). (2.12) Proposition 2.1: Ist P die Matrix der Übergangswahrscheinlicheiten einer endlichen Marovette und α [0, 1), dann ist I αp stets invertierbar. Beweis: Mit P ist auch P n für jedes n 0 eine stochastische Matrix und hat daher Zeilensummennorm 1. Daraus folgt, dass für α [0, 1) R = n=0 αn P n onvergent ist. Wegen R(I αp ) = (I αp )R = I ist R zu I αp invers. q.e.d. Das Gleichungssystem (2.11) ist ident zu dem aus der Arbeit von Zacs, Levison. Es ann jedoch auch auf eine etwas andere Art hergeleitet werden. Diese im Folgenden beschriebene Methode lässt sich auf das zeitsteige BMS übertragen. Bezeichne mit S n den Schaden im n ten Jahr, X n die disontierten Gesamtosten des Versicherten ab dem Jahr n (disontiert auf den Beginn des Jahres n) und J n der Stufe des Versicherten im Jahr n. Dann werden die Kosten des sich in der -ten Stufe befindenden Versicherten wie folgt bestimmt. C = π + E[X 1 J 1 = ] = π + P (S 1 = 0 J 1 = )E[αX 2 S 1 = 0, J 1 = ] +P (S 1 > s J 1 = )E[αd + αx 2 S 1 > s, J 1 = ] +P (0 < S 1 s J 1 = )E[αS 1 + αx 2 0 < S 1 s, J 1 = ] (2.13) 14

16 Da S 1 = 0, S 1 > s und 0 < S 1 s unabhängig von J 1 = sind, folgt P (S 1 = 0 J 1 = ) = P (S 1 = 0) = F (0) (2.14) P (S 1 > s J 1 = ) = P (S 1 > s ) = 1 F (s ) (2.15) und P (0 < S 1 s J 1 = ) = F (s ) F (0). (2.16) Weiters gilt, dass die Bedingung S 1 = 0, J 1 = äquivalent mit der Bedingung J 2 = max( 1, 0), J 1 = ist und somit gilt auf Grund der Maroveigenschaft E[ S 1 = 0, J 1 = ] = E[ J 2 = max( 1, 0)]. (2.17) Ähnlich dazu überlegt man sich, dass E[ S 1 > s, J 1 = ] = E[ J 2 = min( + 3, K)] (2.18) und E[ 0 < S 1 s, J 1 = ] = E[ J 2 = max( 1, 1)]. (2.19) Somit erhält man C = π + F (0)αE[X 2 J 2 = max( 1, 0)] +(1 F (s ))(αd + αe[x 2 J 2 = min( + 3, K)] +(F (s ) F (0))(αE[S 1 0 S 1 s ] + αe[x 2 J 2 = max( 1, 0)] = π + F (0)αC ( 1) 0 + (1 F (s ))(αd + αc (+3) K ) +(F (s ) F (0))(αE[S 1 0 S 1 s ] + αc ( 1) 0 ) Als nächster Schritt muss nun noch E[S 1 0 S 1 s ] bestimmt werden. 15

17 E[S 1 0 S 1 s ] = = = = 1 S 1 dp P (S 1 (0, s ]) 0 S 1 s 1 xdp S1 (x) F (s ) F (0) (0,s ] 1 xdf (x) F (s ) F (0) (0,s ] 1 (1 p) xdg(x) F (s ) F (0) (0,s ] Zusammen ergibt sich C = F (s )αc ( 1) 0 + (1 F (s ))αc (+3) K +π + α(1 p) xdg(x) + αd (1 F (s )). (2.20) (0,s ] Wegen (2.8) folgt daraus wiederum (2.11). 2.3 Die Gesamtosten der Versicherung bei unendlicher Laufzeit Ähnlich zu der Bestimmung der Kosten des Versicherten bei unendlicher Laufzeit bezeichne auch hier S n den Schaden im n ten Jahr, X n die disontierten Gesamtosten der Versicherung ab dem Jahr n (disontiert auf das Jahr n) und J n die Stufe des Versicherten im Jahr n. Dann werden die Kosten für die Versicherung von einem sich in der -ten Stufe befindenden Versicherten wie folgt bestimmt. Mit den gleichen Überlegungen wie vorhin gilt V = E[X 1 J 1 = ] = P (S 1 s J 1 = )E[X 1 S 1 s, J 1 = ] +P (S 1 > s J 1 = )E[X 1 S 1 > s, J 1 = ] = F (s )E[αX 2 S 1 s, J 1 = ] +(1 F (s ))E[α(S 1 d + X 2 ) S 1 > s, J 1 = ] 16

18 = F (s )αe[x 2 J 2 = max( 1, 1)] +(1 F (s ))( αd + αe[x 2 J 2 = min( + 1, K)] +αe[s 1 S 1 > s, J 1 = ] = F (s )αv ( 1) 1 + α(1 F (s ))(V (+1) K d ) +(1 F (s ))αe[s 1 S 1 > s ]. Auch hier muss noch E[S 1 S 1 > s ] bestimmt werden. E[S 1 S 1 > s ] = = = 1 S 1 dp P (S 1 > s ) S 1 >s 1 xdf S1 (x) 1 F (s ) s 1 p xdg(x) 1 F (s ) s Somit erhält man für 0 K V = αf (s )V ( 1) 0 +α(1 F (s ))(V (+3) K d )+α(1 p) xdg(x) (2.21) s oder V = αf (s )V ( 1) 0 + α(1 F (s ))V (+3) K + (R (s ) π ). (2.22) In Matrixschreibweise oder (I αp )V (s) = R(s) π (2.23) V (s) = (I αp ) 1 (R(s) π). (2.24) In der Arbeit von Zacs und Levison wurde bei der Herleitung des Gleichungssystems (2.21) beim bedingten Erwartungswert E[S 1 S 1 > s ] der Fator 1 p 1 F (s ) vergessen. Welche Auswirungen dies auf die Kosten hatte, wird in Kapitel 5 besprochen. 17

19 2.4 Disrete stochastische dynamische Programmierung In diesem Kapitel wird eine Einführung in die stochastische dynamische Programmierung gegeben. Als Quelle diente das Buch von Heyman [3] Einführung Die stochastische dynamische Programmierung wird auch Marovsches Entscheidungsproblem (MEP) genannt. Zuständen: Sie werden benötigt um die atuelle Bedingung des Systems zu beschreiben. Der Zustandsraum S ist eine endliche Menge und bezeichnet die Menge aller Systemzustände. Für das BMS sind die Zustände gleich den Stufen des BMS, also S = {0..., K}. Ationen: Sie stehen dem Kunden zur Verfügung und hängen vom atuellen Zustand des Sytems ab. Bezeichne A i die Menge der im Zustand i zur Verfügung stehenden Ationen. A = i S A i bezeichne die Menge aller Ationen, D := i S {i} A i die Menge der in den Zuständen i gewählten Ationen. Im BMS gilt A i = [d i, ). Wenn die Ation a A i gewählt wird, so bedeutet dies, dass ein Schwellwert a festgelegt wird und nur Jahresgesamtschäden X mit X a gemeldet werden. Kosten: Die Kostenfuntion C : D R mit C(i, a) den Einschrittosten oder jährlichen Kosten, wenn im Zustand i die Ation a gewählt wird. Im BMS gilt C(i, a) = R i (a). (Weiters gibt es bei einem Marovschen Entscheidungsproblem sogenannte terminale Kosten u : S R, sie sind im BMS jedoch u 0.) Übergangswahrscheinlicheitsverteilung: Sie hängt sowohl vom atuellen Zustand, als auch von der gewählten Ation, nicht jedoch von der Zeit ab. Jedem (i, a) D wird die Wahrscheinlicheitsverteilung (P ij (a)) j S zugeordnet (d.h. P ij (a) 0, j S P ij(a) = 1). Im BMS sieht dies wie folgt aus (mit F der Verteilungsfuntion des Jahresgesamtschadens): P ij (a) = F (a), j = max(i 1, 0) 1 F (a), j = min(i + 3, K) (0 i, j K) 0, sonst 18

20 Entscheidungszeitpunte: Sie geben an, zu welchen Zeitpunten eine Entscheidung getroffen wird und werden mit t T bezeichnet. Wir werden uns mit dem Fall beschäftigen in dem T disret ist, also t = 1, 2,... N für endlichen Zeithorizont bzw. t = 1, 2,... für unendlichen Zeithorizont. Optimalitätsriterien: Wir werden die disontierten Gesamtosten bei eindlichem und unendlichem Zeithorizont als Optimalitätsriterien heranziehen. Zu ihrer Formulierung benötigen wir noch einige Begriffe. Definition 2.2 Betrachtet man den Verlauf der Entwiclung bis zum Zeitpunt n, dann werden nacheinander die Zustände i 0, i 1,..., i n durchlaufen und Ationen a 0,..., a n 1 ausgewählt. (i 0, a 0,..., i n 1, a n 1, i n ) (2.25) heißt Vorgeschichte zur Zeit n. Sei H n die Menge aller möglichen Vorgeschichten zur Zeit n. Die Auswahl einer Ation zum Zeitpunt n wird durch eine Entscheidungsfuntion f : H n A (2.26) beschrieben. Sei F n die Menge aller Entscheidungsfun- mit f((i 0,..., i n )) A in tionen zur Zeit n. Definition 2.3 (i) Eine (deterministische) Strategie ist eine Folge δ = (δ n ) n 0 von Entscheidungsfuntionen δ n F n. Die Menge aller Strategien wird mit bezeichnet. Für das BMS bedeutet dies, dass die Schwellwerte in Abhängigeit der Zeit und der gesamten Vorgeschichte gewählt werden. (ii) Eine Strategie heißt Marovsch, wenn die Auswahl der Ation nur vom Zeitpunt und vom gegenwärtigen Zustand abhängt, d.h. δ = (δ n ) n 0 mit mit δ n (i 0, a 0,..., i n 1, a n 1, i n ) = δ n (i n ) (2.27) δ n F 0 := {f : S A mit f(i) A i für alle i}. (2.28) Im BMS werden die Schwellwerte somit in Abhängigeit von der Zeit und dem gegenwärtigen Zustand gewählt. 19

21 (iii) Eine Strategie heißt stationär, wenn die Auswahl der Ation nur vom gegenwärtigen Zustand abhängt, d.h. δ n (i 0,..., i n ) = f(i n ) für alle n 1 mit f F 0. Für die Schwellwerte im BMS bedeutet dies, dass sie unabhängig von der Zeit nur in Abhängigeit von der gegenwärtigen Stufe gewählt werden. Sie spielen eine wichtige Rolle in der Theorie von MEP s für unendlichen Zeithorizont.[7] Angenommen das System (bzw. ein Kunde) befindet sich zur Zeit t im Zustand i S t, wobei mit S t die möglichen Zustände zur Zeit t bezeichnet werden. Wenn das System die Ation a A i wählt, so erhält das System ein unmittelbares Entgelt und die Wahrscheinlicheitsverteilung für den nächsten Zustand des Systems ist festgesetzt. Dieses Entgelt wird mit r t (i, a) bezeichnet. Ein negatives r t (i, a) wird Kosten genannt. r t (i, a) wird erwartetes Entgelt genannt, wenn das Entgelt der atuellen Periode vom Zustand des Systems zum nächsten Entscheidungszeitpunt abhängt. In diesem Fall bezeichnet r t (i, a, j) das erhaltene Entgelt zum Zeitpunt t, wenn der Zustand des Systems zur Zeit t i ist, Ation a A i gewählt wird und das System zur Zeit t + 1 im Zustand j ist. Das erwartete Entgelt zur Zeit t ist r t (i, a) = j S t+1 r t (i, a, j)p t (j i, a) (2.29) mit p t (j i, a) der Wahrscheinlicheit, dass das System im Zustand j S t+1 ist, wenn die Ation a A i,t im Zustand i zur Zeit t gewählt wurde. Im österreichischen BMS gilt j S t+1 p t (j i, a) = 1. (2.30) Wie in der Definition von stationären Strategien urz erwähnt, spielen sie eine sehr wichtige Rolle in Problemstellungen für unendlichen Zeithorizont. Das bedeutet, dass die Menge der Zustände, die Menge der für einen bestimmten Zustand erlaubten Ationen, das Entgelt, die Übergangsfuntionen und die Menge der Entscheidungsfuntionen für jeden Zustand dieselben sind. Somit ann der Index t weggelassen werden. Unter der Voraussetzung, dass alle Daten stationär sind und mit f F 0 einer zufälligen Entscheidungsfuntion, seien r f (i) = r(i, f(i)) und p f (j i) = p(j i, f(i)) die Ein Perioden Wahrscheinlicheitsfuntion bzw. das Ein Perioden Entgelt, wenn sich das System im Zustand i befindet und die mit der Entscheidungsfuntion f(i) zusammenhängende Ation gewählt wurde. Dann gilt r f (i) = a A i r(i, a)p (f(i) = a) (2.31) 20

22 und p f (j i) = a A i p(j i, a)p (f(i) = a). (2.32) Für die n Schritt Übergangswahrscheinlicheit gilt, mit X t einer Zufallsvariablen, die den Zustand des Systems zur Zeit t angibt, und f(j) = δ(i,..., j) der gewählten stationären Strategie: Pij(f) n = P i1 (f) P 1 2 (f) 1 S 2 S = P f (X n = j X 0 = i). t 1 S P t 1 j(f) Das Optimalitätsriterium der erwarteten disontierten Kosten für endlichen Zeithorizont Wir betrachten das Entscheidungsproblem nur bis zum Zeitpunt N + 1. Sei H t die Vorgeschichte zur Zeit t, t = 1,..., N + 1 und A t = i S t A i,t. Dann ist H 1 = {S 1 }, H t = {S 1, A 1, S 2,..., A t 1, S t } = {H t 1, A t 1, S t }, t = 2,... N + 1. Das bedeutet, dass H t indutiv durch Terme von H t 1 definiert werden ann und somit für h t H t, h t = (i 1, a 1, i 2,..., a t 1, i t ) = (h t 1, a t 1, i t ) mit h t 1 H t 1. Sei δ = (δ n ) n 0 eine von der Vorgeschichte abhängige Strategie, mit δ n F n. Wenn eine Strategie δ gewählt und eine Vorgeschichte realisiert wird, so bezeichne mit Ht δ die zugehörige Vorgeschichte. Sei vn δ (i) gleich dem erwarteten Gesamtentgelt über den Planungshorizont, falls die Strategie δ verwendet wurde und sich das System zum ersten Entscheidungszeitpunt im Zustand i befunden hat. Diese ist gegeben durch N vn(i) δ = E δ,i [ r t (Xt δ, f t (Ht δ )) + r N+1 (XN+1)] δ (2.33) t=1 21

23 wobei mit Xt δ der Zustand des Systems zur Zeit t unter der Strategie δ bezeichnet wird und E δ,i den Erwartungswert in Abhängigeit von der Stratgie δ und dem Zustand i beschreibt. Unter der Bedingung, dass r t (i, a) für (i, t) S t A i,t begrenzt ist, existiert vn δ (i) und ist für alle Strategien δ und jedes N < begrenzt. Im Fall von disontierten Kosten ist der Disontierungsfator in obige Summation einzuführen. Dies ändert an den weiteren Auführungen jedoch nichts. Die Aufgabe des Kunden ist es nun zum Zeitpunt 1 eine Strategie δ, mit der Menge aller Strategien, mit größtem erwarteten Entgelt festzulegen. Wenn sowohl S t als auch A s,t endlich sind, gibt es nur endlich viele Strategien. Somit ist garantiert, dass so eine Strategie existiert und gefunden werden ann. Also besteht die Aufgabe des Kunden nun darin, eine Strategie δ zu finden, sodass v δ N (i) = max δ vδ N(i) v N(i), i S 1. (2.34) Die Strategie δ wird optimale Strategie und vn (i) wird optimale Wertfuntion genannt. Besteht die Aufgabe eines Kunden nun darin, Kosten zu minimieren, wie es im österreichischen BMS der Fall ist, so überlegt man sich folgendes. Sei V δ N (i) = v δ N (i). Finde δ mit v δ N (i) = V δ N (i) = max( v δ N(i)) = min(v δ N(i)). (2.35) Sei nun δ = (δ n ) n 0 eine von der Vorgeschichte abhängige Strategie. Für jedes t definiere das erwartete, zu den Zeitpunten t, t + 1,... N + 1 erhaltene Entgelt, wenn die Vorgeschichte zur Zeit t h t H t ist, durch Man beachte, dass u δ 1 = vn δ. Sei nun N+1 u δ t(h t ) = E δ,ht [ r n (Xn, δ δ n (Hn))]. δ (2.36) n=t u t (h t ) = sup δ u δ t(h t ). (2.37) Im Fall der Minimierung von Kosten definiert man wie vorhin ein U δ t mit U δ t = u δ t, sodass 22

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

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

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

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

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

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

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Diskrete Verteilungen

Diskrete Verteilungen KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder

Mehr

Derivate und Bewertung

Derivate und Bewertung . Dr. Daniel Sommer Marie-Curie-Str. 30 60439 Franfurt am Main Klausur Derivate und Bewertung.......... Wintersemester 2008/09 Klausur Derivate und Bewertung Wintersemester 2008/09 Aufgabe 1: Zinsurven,

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Kapitel 4: Irreduzible und aperiodische Markov Ketten 1

Kapitel 4: Irreduzible und aperiodische Markov Ketten 1 Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme

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

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

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

Mehr

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Leonhard Euler 1 Wann immer in den Anfängen der Analysis die Potenzen des Binoms entwickelt

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

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

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

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

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Sprechen wir über Zahlen (Karl-Heinz Wolff)

Sprechen wir über Zahlen (Karl-Heinz Wolff) Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

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

1 Lineare Gleichungssysteme

1 Lineare Gleichungssysteme MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

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

Black Jack - Kartenzählen

Black Jack - Kartenzählen Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches

Mehr

Lösungen zu den Übungsaufgaben aus Kapitel 5

Lösungen zu den Übungsaufgaben aus Kapitel 5 Lösungen zu den Übungsaufgaben aus Kapitel 5 Ü5.1: Die entsprechende Bellman sche Funktionalgleichung kann angegeben werden als: Vct (, ) = max qt D { r rt t ( min{ q t, c} ) min{ q t, c} Vc ( min{ q t,

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

IV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1

IV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1 IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten?

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Ich habe diesen Sommer mein Abi gemacht und möchte zum Herbst mit dem Studium beginnen Informatik natürlich! Da es in meinem kleinen Ort keine

Mehr

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien R. Brinmann http://brinmann-du.de Seite 4.0.2007 Bestimmen der Wahrscheinlicheiten mithilfe von Zählstrategien Die bisherigen Aufgaben zur Wahrscheinlicheitsrechnung onnten im Wesentlichen mit übersichtlichen

Mehr

Krankenversicherungsmathematik

Krankenversicherungsmathematik Krankenversicherungsmathematik Florian Peycha 8. Januar 2008 Inhaltsverzeichnis 1 Kopfschaden 1 1.1 Die Methode von Rusam..................... 2 1.2 Altersgruppenbildung....................... 3 1.3 Die

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

Vorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)

Vorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null) Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen

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

HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von.

HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von. HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Das Luzifer-Rätsel Prof. Dr. Hartmut Plesske Wintersemester 2008/09 von Max Nagl nagl@fh-konstanz.de Inhaltsverzeichnis Inhaltsverzeichnis

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann Abiturvorbereitung Mathematik -Dierentialrechnungc Max Hoffmann 1 Ganzrationale Funktionen Im Folgenden wollen wir uns mit ganzrationale Funktionen und der Untersuchung solcher beschäftigen. Dabei werden

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Einkommensteuertarif. Herleitung der Zahlenwerte

Einkommensteuertarif. Herleitung der Zahlenwerte Anhang D: Steuertarife in Deutschland Einommensteuertarif Herleitung der Zahlenwerte Prof Dr Andreas Pfeifer, Hochschule Darmstadt Februar 015 In diesem Beitrag wird erlärt, wie die Berechnungsformeln

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

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

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

Finanzmathematik. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt

Finanzmathematik. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Finanzmathematik Literatur Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band 1, 17. Auflage,

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

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

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

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

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008 Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung

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

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

16 Risiko und Versicherungsmärkte

16 Risiko und Versicherungsmärkte 16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss

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

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

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

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Argumente für die diskrete Realisierung der Fourierintegrale

Argumente für die diskrete Realisierung der Fourierintegrale Argumente für die diskrete Realisierung der Fourierintegrale Die Fouriertransformation gemäß der Beschreibung in Kapitel 3.1 weist aufgrund der unbegrenzten Ausdehnung des Integrationsintervalls eine unendlich

Mehr

Skizze zur Veranschaulichung der Legendretransformation

Skizze zur Veranschaulichung der Legendretransformation 9 Die thermodynamischen Funktionen G und H Ehe das Schema des vorherigen Abschnittes zur Konstruktion weiterer thermodynamischer Potentiale zu Ende gebracht wird, kurz einige Erläuterungen zur Legendretransformation.

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem

Mehr

Lösungsskizze. eine Sprungweite bis zum K-Punkt von ca. 111 Meter Lösungsskizze

Lösungsskizze. eine Sprungweite bis zum K-Punkt von ca. 111 Meter Lösungsskizze Zentrale schriftliche Abiturprüfungen im Fach Mathemati Lösungssizze und der Formel für die Keplersche Regel d A ( f( x) + 4 f( x) + f( x)) 3 (,9 + 4,9 +,67) 6 A,8. eine Sprungweite bis zum K-Punt von

Mehr

UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009

UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009 UNIVERSIÄ KARLSRUHE Institut für Anlysis HDoz. Dr. P. C. Kunstmnn Dipl.-Mth. M. Uhl Sommersemester 9 Höhere Mthemti II für die Fchrichtungen Eletroingenieurwesen, Physi und Geodäsie inlusive Komplexe Anlysis

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

13. Abzählen von Null- und Polstellen

13. Abzählen von Null- und Polstellen 13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.

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

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

III. Grundlagen der Lebensversicherungsmathematik III.5. Deckungskapital für Lebensversicherungsprodukte

III. Grundlagen der Lebensversicherungsmathematik III.5. Deckungskapital für Lebensversicherungsprodukte III. Grundlagen der Lebensversicherungsmathematik III.5. Deckungskapital für Lebensversicherungsprodukte Universität Basel Herbstsemester 2015 Dr. Ruprecht Witzel ruprecht.witzel@aktuariat-witzel.ch www.aktuariat-witzel.ch

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

DynaTraffic Einstiegsaufgaben

DynaTraffic Einstiegsaufgaben DynaTraffic Einstiegsaufgaben Bemerkung: Falls nichts anderes erwähnt, sind die Standard-Einstellungen zu einer Verkehrssituation von DynaTraffic zu verwenden. 1. Interpretation von Verkehrssituation und

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr