Modellbildung und Simulation
|
|
- Sofia Beck
- vor 8 Jahren
- Abrufe
Transkript
1 Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper
2 Value at Risk (VaR)
3 Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das im Besitz einer Institution oder eines Individuums ist. Quantil: Quantile sind Punkte einer sortierten Messreihe. Der Wert des p-quantils einer Verteilung gibt an, welcher Wert die unteren p-% der Datenwerte von den oberen (1 - p)-% trennt. Wenn man etwa das 5%-Quantil einer Verteilung angibt, so besagt dies, dass 5% aller Datenwerte kleiner sind als der betreffende Datenwert und 95% größer oder gleich diesem Wert WS 2007/2008 Modellbildung und Simulation 3
4 Value at Risk (VaR) VaR bezeichnet ein Risikomaß, das den geschätzten, maximalen (Marktwert-)Verlust eines Portfolios nach einer vorgegebenen Haltedauer angibt, der mit einer bestimmten Wahrscheinlichkeit unter üblichen Marktbedingungen nicht überschritten wird. Mit anderen Worten: Der VaR ist als derjenige Portfolioverlust definiert, der innerhalb eines bestimmten Zeitraumes nur mit vorgegebener Wahrscheinlichkeit noch höher ausfallen kann. Cremers, Heinz; Value at Risk-Konzepte für Marktrisiken; Hochschule für Bankwirtschaft. WS 2007/2008 Modellbildung und Simulation 4
5 Entwicklung des Konzepts Dennis Weatherstone verlangte während seiner Zeit als Vorsitzender der USamerikanischen Investmentbank J.P. Morgan täglich um Uhr einen einseitigen Risiko-Bericht, in dem das gesamte Portfolio des Handelsbestandes der Bank sowie eine Schätzung der maximal möglichen Verluste in den folgenden 24 Stunden dargestellt waren. Weatherstone war es einfach leid, dass die Marktrisiken der verschiedenen Finanzinstrumente mit unterschiedlichen Methoden gemessen wurden. Sein bisheriger Report enthielt eine Unmenge von Beta-Faktoren und Volatilitäten, gearing factors, Deltas, Gammas und Thetas. Er wollte ein einheitliches Risiko-Maß für alle Finanzinstrumente haben. Dies war die Geburtsstunde des Report 4.15 (1994). Dieser Report basiert auf einer Methodik, die als Value at Risk bezeichnet wird. Quelle: WS 2007/2008 Modellbildung und Simulation 5
6 Value at Risk WS 2007/2008 Modellbildung und Simulation 6
7 VaR im Einsatz Wir berechnen den Value-at-risk sowohl für interne als auch externe Meldezwecke mit einem Konfidenzniveau von 99%, gemäß den Bestimmungen der Bank für Internationalen Zahlungsausgleich (BIZ). Für interne Meldezwecke legen wir eine Haltedauer von einem Tag zu Grunde. Für aufsichtsrechtliche Meldezwecke beträgt die Haltedauer zehn Tage. Die statistischen Parameter, die für die Value-at-risk-Berechnung erforderich sind, werden auf Basis einer Beobachtungszeitreihe über die letzten 261 Handelstage (was mindestens einem Kalenderjahr entspricht) bestimmt, wobei jede Beobachtung gleich gewichtet wird. Generell benutzen wir zur Value-at-risk-Berechnung das Monte Carlo-Simulationsverfahren, wobei wir annehmen, dass Änderungen in den Risikofaktoren einer Normalverteilung oder logarithmischen Normalverteilung folgen. Die Informationen sind Teil des Konzernabschlusses der Deutschen Bank zum ( WS 2007/2008 Modellbildung und Simulation 7
8 Berechnung des VaR Monte Carlo Simulation Sammlung und Analyse historischer Daten. Modellierung der Verteilung. Simulation von Kursentwicklungen gemäß der modellierten Verteilung. Große Zahl an Simulationen. Prognose von Kursentwicklungen. Berechnung des monetären Risikos für die Entwicklung des Portfolios. WS 2007/2008 Modellbildung und Simulation 8
9 Monte Carlo Simulation In den 1940er Jahren im Kontext der Atomforschung für die Abschätzung der Wechselwirkung zwischen Neutronen und Materie entwickelt. Einsatz zur Lösung analytisch nicht lösbarer Probleme. Basis ist die Durchführung von Zufallsexperimenten. Der Name geht auf die berühmte Spielbank zurück. Prinzipiell könnten Zufallszahlen auch mit einem Roulette erzeugt werden. WS 2007/2008 Modellbildung und Simulation 9
10 Verteilung von Zufallsvariablen Roulette wie sind die Zahlen des Roulette verteilt? Gleichverteilt, da jede Zahl gleich wahrscheinlich ist. Wie ist die Größe erwachsener Frauen eines Kulturkreises verteilt? Normalverteilt eine mittlere Größe wird relativ häufig gefunden während Extremwerte sehr selten auftreten. WS 2007/2008 Modellbildung und Simulation 10
11 Mittelwert, Varianz, Standardabweichung Mittelwert: µ x T = t = 1 x( t)/ T Varianz: T 2 2 x = x t x t = 1 σ ( ( ) µ ) / T Standardabweichung: σ x = σ 2 x WS 2007/2008 Modellbildung und Simulation 11
12 Statistische Kenngrößen einer Stichprobe (empirisch) Erwartungswert: µ x N = i = 1 x i / N Empirische Varianz: N 2 2 σ x = ( xi µ x ) /( N 1) i = 1 Empirische Standardabweichung: 2 x = σ x σ WS 2007/2008 Modellbildung und Simulation 12
13 Berechnung der empirischen Standardabweichung N ( ) 2 N 2 N X X i = 1 i i = 1 i σ x = N ( N 1) Besonderheit: Erwartungswert muss vorab nicht berechnet werden WS 2007/2008 Modellbildung und Simulation 13
14 Normalverteilung (Gauß-Verteilung) Johann Carl Friedrich Gauß ( ) Die Normalverteilung (Gauß-Verteilung) ist die wichtigste kontinuierliche Wahrscheinlichkeitsverteilung. Ihre Wahrscheinlichkeitsdichte wird als Gaußdichte oder Glockenkurve bezeichnet. Der zentrale Grenzwertsatz besagt, dass eine Summe von n unabhängigen, gleichverteilten Zufallsvariablen in der Grenze n gegen unendlich normalverteilt ist. Eine Normalverteilung wird durch Mittelwert und Varianz vollständig definiert. WS 2007/2008 Modellbildung und Simulation 14
15 Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung: f ( x) = 1 e 2π x 2 / 2 WS 2007/2008 Modellbildung und Simulation 15
16 Beispiele Interaktive Demo: WS 2007/2008 Modellbildung und Simulation 16
17 Charakteristische Wertebereiche 68,27% aller Werte einer normalverteilten Zufallsvariablen liegen innerhalb des Intervalls µ σ x µ + σ 95,45% aller Werte einer normalverteilten Zufallsvariablen liegen innerhalb des Intervalls µ (2 σ ) x µ + (2 σ ) WS 2007/2008 Modellbildung und Simulation 17
18 Beispiel Quelle: WS 2007/2008 Modellbildung und Simulation 18
19 Beispiel (IQ) Ein Intelligenztest sei so normiert, dass der mittlere IQ 100 beträgt und eine Varianz von 225 gemessen wird. Für einen Probanden wird ein IQ von 130 ermittelt. Schätzen Sie bitte den Anteil der Untersuchungsgruppe ab, der einen geringeren IQ im Test erreichen wird. Ca. 97,7% der Probanden erreichen einen IQ unter 130. WS 2007/2008 Modellbildung und Simulation 19
20 Glossar multivariat: Die gemeinsame Verteilung mehrerer Zufallsvariablen wird als multivariate Zufallsverteilung bezeichnet. univariat: Die Verteilung einer einzelnen Zufallsvariablen wird als univariate Zufallsverteilung bezeichnet. WS 2007/2008 Modellbildung und Simulation 20
21 Erwartungsvektor und empirische Kovarianzmatrix µ x N = n= 1 x( n)/ N cov X cov( x1, x1) cov( x1, xm ) = cov( xm, x1) cov( xm, xm ) N cov( x, x ) = ( x µ )( x µ )/( N 1) = cov( x, x ) i j i i j j j i n= 1 WS 2007/2008 Modellbildung und Simulation 21
22 Korrelation Die Korrelation ist ein Maß für die Beziehung zwischen zwei Zufallsvariablen. Hinweis: Eine starke Korrelation lässt keine Aussage über den kausalen Zusammenhang zwischen Zufallsvariablen zu. Die Komponente cov( xi, x j ) der Kovarianzmatrix der multivariaten Normalverteilung einer Modellgröße ist ein Maß für die Korrelation der i-ten Komponente der Modellgröße mit der j-ten Komponente der Modellgröße. WS 2007/2008 Modellbildung und Simulation 22
23 Scheinkausalität Der Rückgang der Störche korreliert stark mit dem Rückgang der Geburtenrate. Daher sind Störche doch für unsere Fortpflanzung zuständig. Diese Folgerung ist nicht zulässig. Erklärung: Die fortschreitende Industrialisierung hat sowohl zu einem Rückgang der Störche als auch zu einem Rückgang der Geburtenrate geführt. WS 2007/2008 Modellbildung und Simulation 23
24 Berechnung des Korrelationskoeffizienten ρ ( x, x ) 1 2 = σ cov( x, x ) 1 2 ( x ) ( x ) σ 1 2 ρ ( x, x ) = 0 : 1 2 Unabhängigkeit der beiden Variablen ρ ( x, x ) = 1: 1 2 exakte positive lineare Abhängigkeit ρ ( x, x ) = 1: 1 2 exakte negative lineare Abhängigkeit WS 2007/2008 Modellbildung und Simulation 24
25 Mehrdimensionale Gaußdichte f ( x) = n 1 (2 π ) det(cov ) x e 1 ( ) T (cov ) 1 x µ x x ( x µ x ) 2 WS 2007/2008 Modellbildung und Simulation 25
26 Multivariate Normalverteilung (2-dimensional) Interaktive Demo: WS 2007/2008 Modellbildung und Simulation 26
27 Glossar Modellgröße: Die zu modellierende Größe. Beispiel: Wert bzw. Preis der Bestandteile des Portfolios (Rohdaten). eine sinnvolle Parametrisierung ist die Berechnung relativer Änderungen. empirisch: Die Prognose wird aus historischen Beobachtungen, Simulationen oder subjektiven Einschätzungen gewonnen. parametrisch: Die Prognose wird auf der Basis der Annahme des Typs der zu Grunde liegenden Verteilung und der Schätzung der erforderlichen Parameter der Verteilung gewonnen. WS 2007/2008 Modellbildung und Simulation 27
28 Konzepte zur Berechnung des VaR Historische Simulation Monte Carlo Simulation WS 2007/2008 Modellbildung und Simulation 28
29 Historische Simulation Verfahren: historisch/empirisch Historische Beobachtungen der Modellgrößen werden gesammelt. Aus den historischen Beobachtungen werden Wertänderungen des aktuellen Portfolio berechnet. Aus der geordneten (empirischen) Messreihe der berechneten Änderungen des Portfolio wird das Quantil bestimmt. Hinweis: Für die Anwendung der historischen Simulation muss keine Annahme über die zu Grunde liegende Verteilung getroffen werden. WS 2007/2008 Modellbildung und Simulation 29
30 Monte Carlo Simulation Verfahren: parametrisch/empirisch An Hand empirischer Daten werden die Parameter einer zu Grunde gelegten Verteilung der Modellgrößen geschätzt. Es werden zufällig Werte (Wertänderungen) erzeugt, die der geschätzten Verteilung gehorchen. Für jede zufällig erzeugte Wertänderung wird die Auswirkung auf das aktuelle Portfolio berechnet. Aus der geordneten (empirischen) Messreihe der simulierten Änderungen des Portfolio wird das Quantil bestimmt. WS 2007/2008 Modellbildung und Simulation 30
31 Zufallsprozesse Radioaktiver atomarer Zerfall Thermisches Rauschen (Widerstand) Zufallsprozesse sind reale physikalische Prozesse. Zur Durchführung von Simulationen werden häufig Zufallszahlen benötigt. Nur sehr selten werden zur Erzeugung von Zufallszahlen reale Zufallsprozesse beobachtet. WS 2007/2008 Modellbildung und Simulation 31
32 Zufallsgeneratoren Meist werden für Simulationen Zufallsgeneratoren eingesetzt, die algorithmisch Zufallszahlen erzeugen. Hierbei handelt es sich um deterministische Pseudo-Zufallszahlen, die sich periodisch wiederholen. Es werden also immer die selben Zufallszahlen aufeinander folgen. WS 2007/2008 Modellbildung und Simulation 32
33 Beispiel rand() unter BSD-Unix (Linear Kongruenter Generator LCG) x( n) = ( a x( n 1) + c) mod m a c m = = = 2 31 Periode: 2 31 x ist die aktuell berechnete Zufallszahl, die von der vorher berechneten eindeutig abhängt. Daher ist die Initialisierung von x von großer Bedeutung. WS 2007/2008 Modellbildung und Simulation 33
34 Anwendung Initialisierung erfolgt über einen Seed (Saat)-Wert. Häufig wird die aktuelle Systemzeit verwendet. srand( time(0)) Der von rand() generierte Wert liegt im Bereich: 0 x m Für die Erzeugung von Zufallszahlen aus einem speziellen Wertebereich sollte das Ergebnis von rand() sollte mit m und dem gewünschten Wertebereich skaliert werden. Üblicherweise kann m als Konstante abgefragt werden. WS 2007/2008 Modellbildung und Simulation 34
35 Erzeugung normalverteilter Zufallszahlen Eine Normalverteilung N ist mit einer Kovarianzmatrix cov und einem Erwartungsvektor µ x x vollständig definiert. Zufallsvektoren y, die der Normalverteilung N genügen, können durch folgende Operation erzeugt werden: y = Du + µ x, wobei u ein Zufallsvektor ist, der einer Standardnormalverteilung folgt, und D die untere Dreiecksmatrix der Cholesky-Zerlegung der Kovarianzmatrix ist. WS 2007/2008 Modellbildung und Simulation 35
36 Cholesky-Zerlegung B sei die Kovarianzmatrix cov. x B T = DD wird als Cholesky-Zerlegung bezeichnet. Die Koeffizienten d ij der Matrix D können in folgender Weise berechnet werden: 0 für i < j i 1 2 dij = bii d ik für i = j k= 1 > d j 1 1 b ij d ik d jk für i j jj k= 1 WS 2007/2008 Modellbildung und Simulation 36
37 Erzeugung standardisierter normalverteilter Zufallszahlen 1. Erzeugung zweier gleichverteilter unabhängiger Zufallszahlen x 1 und x 2 zwischen 0 und Umformungen: v = 2x 1, v = 2x 1, s = v + v Falls s 1, zurück zu 1. u = v (2/ s)ln( s), u = v (2/ s)ln( s) u 1 und u 2 sind zwei unabhängige Zufallszahlen, die der Standardnormalverteilung folgen. WS 2007/2008 Modellbildung und Simulation 37
38 Zusammenfassung 1. Berechnung von Kovarianzmatrix und Erwartungsvektor. 2. Berechnung der Cholesky-Zerlegung der Kovarianzmatrix. 3. Erzeugung von Zufallsvektoren, die der Standardnormalverteilung folgen. 4. Auf Basis des Erwartungsvektors und der Cholesky-Zerlegung der Kovarianzmatrix kann für jeden erzeugten Zufallsvektor aus 3. ein Zufallsvektor generiert werden, der der Normalverteilung folgt, die durch die in 1. berechneten Parameter definiert wird. WS 2007/2008 Modellbildung und Simulation 38
39 Berechnung des VaR mit einer Monte Carlo Simulation An Hand historischer Daten werden der Erwartungsvektor und die empirische Kovarianzmatrix für den Vektor der Kursänderungen geschätzt. Wobei der Vektor die Kurse der Papiere enthält, die im aktuellen Portfolio enthalten sind. Es wird eine große Zahl von Zufallsvektoren erzeugt, die der geschätzten Normalverteilung der Kursänderungen der Werte des Portfolios folgen. Für jede zufällig erzeugte Wertänderung wird die Auswirkung auf das aktuelle Portfolio berechnet. Aus der geordneten (empirischen) Messreihe der simulierten Änderungen des Portfolio wird das Quantil bestimmt. WS 2007/2008 Modellbildung und Simulation 39
40 Berechnung des VaR Monte Carlo Simulation Sammlung und Analyse historischer Daten. Modellierung der Verteilung. Simulation von Kursentwicklungen gemäß der modellierten Verteilung. Große Zahl an Simulationen. Prognose von Kursentwicklungen. Berechnung des monetären Risikos für die Entwicklung des Portfolios. WS 2007/2008 Modellbildung und Simulation 40
Modellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrMonte-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
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrStatistische 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
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrMonte Carlo Simulation (Grundlagen)
Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrFüllmenge. 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
Mehri 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
MehrGüte 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
MehrForschungsstatistik 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
Mehr9. 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,
Mehrgeben. 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
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrData 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
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrStatistik 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
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrKorrelation (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
MehrRisiko und Symmetrie. Prof. Dr. Andrea Wirth
Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrAusarbeitung 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
MehrGemischte 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:
MehrKlausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 09
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrDas Black-Scholes Marktmodell
Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrDie drei Kernpunkte der modernen Portfoliotheorie
Die drei Kernpunkte der modernen Portfoliotheorie 1. Der Zusammenhang zwischen Risiko und Rendite Das Risiko einer Anlage ist die als Varianz oder Standardabweichung gemessene Schwankungsbreite der Erträge
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrPortfoliotheorie. Von Sebastian Harder
Portfoliotheorie Von Sebastian Harder Inhalt - Begriffserläuterung - Allgemeines zur Portfoliotheorie - Volatilität - Diversifikation - Kovarianz - Betafaktor - Korrelationskoeffizient - Betafaktor und
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrRisikodiversifikation. Birgit Hausmann
diversifikation Birgit Hausmann Übersicht: 1. Definitionen 1.1. 1.2. diversifikation 2. messung 2.1. messung im Überblick 2.2. Gesamtaktienrisiko und Volatilität 2.3. Systematisches und Betafaktor 2.4.
MehrRekursionen. 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
MehrDiana Lange. GENERATIVE GESTALTUNG Arten des Zufalls
Diana Lange GENERATIVE GESTALTUNG Arten des Zufalls RANDOM int index = 0; while (index < 200) { float x = random(0, width); float y = random(0, height); float d = random(40, 100); ellipse(x, y, d, d);
MehrFelix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009
Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4
MehrVerteilungsmodelle. 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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrPVL 3 - Roulette. (5 Punkte) Abgabe bis 20.12.2015
PVL 3 - Roulette (5 Punkte) Abgabe bis 20.12.2015 Beim Roulette wird in jeder Runde eine von 37 Zahlen (0-36) ausgespielt. Dabei können Geldbeträge direkt auf eine Zahl zwischen 1 und 36 gesetzt werden
Mehr5. 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.
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrDelta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer
Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden
MehrSoftwaretechnologie -Wintersemester 2013/2014 - Dr. Günter Kniesel
Übungen zur Vorlesung Softwaretechnologie -Wintersemester 2013/2014 - Dr. Günter Kniesel Übungsblatt 3 - Lösungshilfe Aufgabe 1. Klassendiagramme (9 Punkte) Sie haben den Auftrag, eine Online-Videothek
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrBeispiel 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.
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrErfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.
Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrSOFTWARE FÜR PRG-APPLIKATIONEN
SOFTWARE FÜR PRG-APPLIKATIONEN Autor: Frank Bergmann Letzte Änderung: 04.12.2014 09:09 1 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis... 2 2 Allgemeines... 3 3 Installation und Programmaufruf... 3 4 Einstellungen...
MehrMessung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes
von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrValue-at-Risk. Kann man das Risiko steuern? Finanzwirtschaft VI Matthias Paesel Hochschule Magdeburg-Stendal (FH)
Value-at-Risk Kann man das Risiko steuern? Gliederung I. Was versteht man unter Value-at-Risk? II. Anwendung des Value-at-Risk III. Grenzen des Value-at-Risk IV. Fazit V. Literatur Was versteht man unter
MehrSTATISTIK. Erinnere dich
Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrAgile Vorgehensmodelle in der Softwareentwicklung: Scrum
C A R L V O N O S S I E T Z K Y Agile Vorgehensmodelle in der Softwareentwicklung: Scrum Johannes Diemke Vortrag im Rahmen der Projektgruppe Oldenburger Robot Soccer Team im Wintersemester 2009/2010 Was
MehrPrüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement
Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement Die Prüfung zur Vorlesung Finanzierungstheorie und Wertpapiermanagement umfasst 20 Multiple Choice Fragen, wofür insgesamt 90 Minuten zur
MehrEinleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.
Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrModellbildungssysteme: Pädagogische und didaktische Ziele
Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrEinführung in die Java- Programmierung
Einführung in die Java- Programmierung Dr. Volker Riediger Tassilo Horn riediger horn@uni-koblenz.de WiSe 2012/13 1 Wichtig... Mittags Pommes... Praktikum A 230 C 207 (Madeleine) F 112 F 113 (Kevin) E
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrDer monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik).
1) Handytarif Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik). Euro Gesprächsminuten Tragen Sie in der folgenden Tabelle ein, welche Bedeutung
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrB 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
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrTechnische Analyse der Zukunft
Technische Analyse der Zukunft Hier werden die beiden kurzen Beispiele des Absatzes auf der Homepage mit Chart und Performance dargestellt. Einfache Einstiege reichen meist nicht aus. Der ALL-IN-ONE Ultimate
MehrRisikoeinstellungen empirisch
Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
Mehr