Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Größe: px
Ab Seite anzeigen:

Download "Risiko und Symmetrie. Prof. Dr. Andrea Wirth"

Transkript

1 Risiko und Symmetrie Prof. Dr. Andrea Wirth

2 Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie haben es geschafft Zusammenfassung Hochschule Karlsruhe - Seite 2 - Andrea Wirth

3 1. Einleitung Ein Risiko ist ein Problem, das erst noch auftreten muss und ein Problem ist ein Risiko, das bereits aufgetreten ist. Bevor ein Risiko eintritt ist es eine abstrakte Vorstellung. Es kann das Unternehmen beeinflussen, muss es aber nicht. Die Tatsache, dass Sie das Risiko ignorieren, muss sich nicht nachteilig auswirken. Trotzdem begehen Sie einen Kunstfehler und werden nur nicht entdeckt. Risikomanagement ist eine systematische Vorgehensweise über Korrekturmaßnahmen nachzudenken, bevor ein Problem auftritt. Dem Risikomanagement gegenüber steht das Krisenmanagement. Dabei geht es darum eine Lösung für das Problem zu finden, nachdem es aufgetreten ist. Hochschule Karlsruhe - Seite 3 - Andrea Wirth Quelle: DeMarco, Lister: Bärentango

4 1. Einleitung Ein Risiko ist ein Problem, das erst noch auftreten muss und ein Problem ist ein Risiko, das bereits aufgetreten ist Und was hat jetzt der Risikobegriff mit Symmetrie zu tun? Hochschule Karlsruhe - Seite 4 - Andrea Wirth Quelle: DeMarco, Lister: Bärentango

5 1. Einleitung Umgangssprachlicher Risikobegriff Ein Risiko ist ein Problem, das erst noch auftreten muss Man könnte auch sagen, das Risiko ein Ziel nicht zu erreichen: downside risk. Dem gegenüber steht die Chance, dass man besser ist als das Ziel, das man sich gesetzt hat: upside risk. Ein kleines Beispiel: Angenommen, Sie produzieren Gummibärchen, die einen Zentimeter groß sein sollen. Das Risiko ist, dass Sie Ärger mit Ihrer Qualitätskontrolle bekommen, da ihre Gummibärchen kleiner oder größer als 1 cm sind, z.b.: 1,2 oder 0,8 cm. Eine Chance gibt es nur für den Kunden, der die größeren Gummibärchen geniest. Noch ein kleines Beispiel: Angenommen, Sie kaufen Aktien zum Preis (dem aktuellen Börsenkurs) von Das Risiko ist, dass Sie viel Geld verlieren, die Chance hingegen unglaublicher Reichtum. Hochschule Karlsruhe - Seite 5 - Andrea Wirth

6 Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie haben es geschafft Zusammenfassung Hochschule Karlsruhe - Seite 6 - Andrea Wirth

7 2. Risiko Mathematische Grundlagen Darstellung über eine Wahrscheinlichkeitsverteilung Mit welcher Wahrscheinlichkeit treten welche Meßwerte auf? Ermittelbar über Stichproben, deren Messung und die mathematische Ableitung einer sog. Dichtefunktion mit Erwartungswert und Standardabweichung Wahrscheinlichkeit 0,4 0,15 0,15 0,1 0,1 0,05 0,05 Mathematisch formuliert ist das die Dichtefunktion der Gummibärchen 1 cm Länge der Gummibärchen Und wo ist jetzt unser Risiko? Hochschule Karlsruhe - Seite 7 - Andrea Wirth

8 2. Risiko Mathematische Grundlagen Erwartungswert und Standardabweichung Der Erwartungswert ist der Wert, der sich bei einer oftmaligen Wiederholung eines Experiments als Mittelwert der tatsächlichen Ergebnisse ergibt. Die Standardabweichung wird oft als Risikomaß verwendet und ist ein Maß für die Streuung ihrer Werte um den Mittelwert. Wahrscheinlichkeit σ = 0,05 cm Verteilung nach Reduzierung der Streuung / Risiken E(X) = µ = x = σ = Var(X) = i i p * x i x * f(x) E((X µ ) 2 im diskreten Fall im stetigen Fall ) = E(X 2 ) (E(X)) 2 σ = 0,1 cm μ = 1 cm Ausgangsverteilung Länge der Gummibärchen Ziel des Risikomanagements ist die Reduzierung der Streuung / Risiken Hochschule Karlsruhe - Seite 8 - Andrea Wirth Quelle: z.t. Wikipedia

9 Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie haben es geschafft Zusammenfassung Hochschule Karlsruhe - Seite 9 - Andrea Wirth

10 3. Anwendungsbeispiel - Gummibärchen Maßnahmen des Risikomanagement oder Ihr pfiffiger Qualitätsmanager passt ihre Maschinen so an, dass geringere Abweichungen vorliegen. Ergebnis ist eine Wahrscheinlichkeitsverteilung - nun mit einer geringeren Streuung. Wo liegt das Problem der Abweichung oder auch Ihr Risiko? Wahrscheinlichkeit Leider können Sie alle Gummibärchen, die größer als 1,1 oder kleiner als 0,9 cm sind nicht verkaufen. Sie verlieren den Umsatz und stiften die Bärchen der Hochschule Karlsruhe. μ = 1 cm Länge der Gummibärchen Hochschule Karlsruhe - Seite 10 - Andrea Wirth Das Risiko ist, dass die Gummibärchen außerhalb des Intervalls [0,9cm; 1,1cm] liegen. Im Gummibärchen-Fall liegt eine symmetrische Verteilung und ein symmetrisch zu interpretierendes Risiko vor.

11 3. Gummibärchen und Anwendung im Six-Sigma-Konzept Analyse der Wertanteile: Aufgrund der Normalverteilung sind Aussagen über den Anteil der Werte in den Intervallen um den Erwartungswert bekannt. Anwendung im Qualitätsmanagement: Six-Sigma-Konzept (6σ-Konzept) z.b. bei der Produktion (von Gummibärchen). Wahrscheinlichkeit 68% aller Gummibärchen liegen im Intervall [μ-σ; μ+σ]. 99,9997 % aller Gummibärchen liegen im Intervall [μ-6σ; μ+6σ] oder nur 0,0003% außerhalb. μ-6σ μ-σ μ μ+σ μ+6σ Länge der Gummibärchen Qualitätsvorgaben orientieren sich für die produzierten Güter oft am Six-Sigma-Konzept: d.h. der Ausschussanteil unserer Gummibärchen darf nur bei 0,0003% liegen. Hochschule Karlsruhe - Seite 11 - Andrea Wirth

12 3. Anwendungsbeispiel - Aktienkauf Modellierung der Aktiengewinne und -verluste Der Erwartungswert ist der wahrscheinlichkeitsgewichtete Wert, den Ihre Aktien nach einer gewissen Zeit haben. Selbstverständlich tritt dieser Wert nicht mit Sicherheit, sondern mit einer (Standard-)Abweichung auf. Auch hier nehmen wir - nicht realitätsnah aber verständlich eine Normalverteilung an. Wo liegt jetzt hier Ihr Risiko? Wahrscheinlichkeit Die Kursentwicklung von 1100 bereitet Ihnen viel Freude und stellt auch kein Risiko, sondern eine Chance dar. Als negativ bzw. als Risiko empfinden Sie einen Wert kleiner als μ = Wert Ihrer Aktien Hochschule Karlsruhe - Seite 13 - Andrea Wirth Das Risiko ist, dass die Aktie weniger als 1000 wert ist. Im Aktien-Fall liegt eine symmetrische Verteilung aber ein asymmetrisch zu interpretierendes Risiko vor.

13 3. Aktien und Anwendung im Value-at-Risk-Konzept Anwendung im Risikocontrolling: Value-at-Risk-Konzept z.b. in einer Bank zur Risikoüberwachung der Anlagen, Kredite, Aktien und Wertpapiere Der Value-at-Risk ist das Verlustpotential, das mit einer bestimmten Wahrscheinlichkeit in einem bestimmten Zeitraum in der Zukunft zu erwarten ist. Wahrscheinlichkeit Konkret besagt ein Value-at-Risk in Höhe von 50, dass der erwartete Verlust eines Zeitraums in 5% aller Fälle 50 übersteigen wird oder in 95% aller Fälle unter 50 liegen wird. 900 μ = Wert Ihrer Aktien Für das Management: Abschätzung der Verlusthöhe Z.B. 1-Tages-Value-at-Risk der Deutschen Bank: mit einer Wahrscheinlichkeit von einem Prozent liegt der Verlust am nächsten Arbeitstag bei 121 Mio. Hochschule Karlsruhe - Seite 14 - Andrea Wirth

14 3. Erweiterung - asymmetrische Verteilungsfunktionen Bislang: Einfache symmetrische Verteilungsfunktionen zur Veranschaulichung symmetrisch und asymmetrisch zu interpretierender Risiken Eine weitere Verteilungsfunktion: Anlagevolumen Z.B. Messung finanzwirtschaftlicher Marktrisiken Kreditvolumen Z.B. Messung von Kreditausfallrisiken Zentrale Aufgabe ist die Messung der Risiken, die Abschätzung des Verlustpotentials und die darauf aufsetzende Strategie. Hochschule Karlsruhe - Seite 15 - Andrea Wirth

15 Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie haben es geschafft Zusammenfassung Hochschule Karlsruhe - Seite 16 - Andrea Wirth

16 4. Und was hat nun Symmetrie mit Risiko zu tun? Risiken müssen symmetrisch oder asymmetrisch interpretiert werden und zwar je nach zugrundeliegendem Sachverhalt. Viele dieser Verfahren finden Einsatz in der Praxis (insbesondere bei Gummibärchen). Erst muss der Sachverhalt analysiert und modelliert werden und dann darf man die mathematischen Ergebnisse anwenden. Genau dazu braucht man Mathematiker und ihre Modelle um die Zusammenhänge sauber darzustellen und zu systematisieren. Hochschule Karlsruhe - Seite 17 - Andrea Wirth

17 4. Zusammenfassung Besten Dank für Ihre Aufmerksamkeit und viel Spaß mit dem Aktienkauf, den Gummibärchen und der Mathematik! Hochschule Karlsruhe - Seite 18 - Andrea Wirth

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

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

Mehr

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

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

Monte Carlo Simulation (Grundlagen)

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

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

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

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

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

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

Mehr

Überblick. Überblick

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

Mehr

Modellbildung und Simulation

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

Mehr

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

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

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Wie kann man Risiko messen?

Wie kann man Risiko messen? Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität

Mehr

Commercial Banking. Kreditportfoliosteuerung

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

Mehr

$ % + 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

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Datenanalyse und Statistik

Datenanalyse und Statistik Datenanalyse und Statistik p. 1/44 Datenanalyse und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Datenanalyse und Statistik p. 2/44 Daten Schätzung Test Mathe

Mehr

Value at Risk Einführung

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

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 18 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 18 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

Mehr

Quantilsschätzung als Werkzeug zur VaR-Berechnung

Quantilsschätzung 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

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

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

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

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

Mehr

Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29.

Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29. Prüfung KMU-Finanzexperte Modul 6 Risk Management Teil 2: Financial RM Prüfungsexperten: Markus Ackermann Sandro Schmid 29. Januar 2008 Prüfungsmodus Prüfungsdauer schriftliche Klausur 60 Minuten Punktemaximum:

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

Das Black-Scholes Marktmodell

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

Mehr

Veröffentlicht in RISIKO MANAGER 24/2012. S. 1 u. 6 11. Bank-Verlag GmbH, Köln

Veröffentlicht in RISIKO MANAGER 24/2012. S. 1 u. 6 11. Bank-Verlag GmbH, Köln !!!! Veröffentlicht in RISIKO MANAGER 24/2012 Neue Wege in der regulatorischen Messung des Marktrisikos: Expected Shortfall statt Value-at-Risk S. 1 u. 6 11 Bank-Verlag GmbH, Köln Quantil GmbH E-Mail:

Mehr

Statistik im Bachelor-Studium der BWL und VWL

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

Mehr

Systematik und ökonomische Relevanz traditioneller Performancemaße

Systematik und ökonomische Relevanz traditioneller Performancemaße Systematik und ökonomische Relevanz traditioneller Performancemaße Vortrag an der Universität Hamburg am 18. Juni 2001 PD Dr. Marco Wilkens IFBG der Georg-August-Universität Göttingen 1 Gliederung 1. Einleitung

Mehr

Universität 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. 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

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Stichwortverzeichnis. 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348

Stichwortverzeichnis. 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348 50-50-Situation 36 α-stufe 249 λ 259, 264, 323 σ 190 A Abzählbar unendlich (Mengentyp) 40 Abzählproblem 106 Abzählregel 95 Additionsregel

Mehr

Themenarbeit HTA.SWE.S08 Pascal Ming 23.Juni 2008

Themenarbeit HTA.SWE.S08 Pascal Ming 23.Juni 2008 Themenarbeit HTA.SWE.S08 Pascal Ming 23.Juni 2008 Einleitung Risikomanagement nach HTAgil Risikomanagement nach Bärentango Risikomanagement in Wikipedia Vergleich Aufgabe Risikomanagement(Jörg Hofstetter)

Mehr

Beispielarbeit. MATHEMATIK (mit CAS)

Beispielarbeit. MATHEMATIK (mit CAS) Abitur 2008 Mathematik (mit CAS) Beispielarbeit Seite 1 Abitur 2008 Mecklenburg-Vorpommern Beispielarbeit MATHEMATIK (mit CAS) Hinweis: Diese Beispielarbeit ist öffentlich und daher nicht als Klausur verwendbar.

Mehr

Binäre abhängige Variablen

Binäre 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

Mehr

Value-at-Risk. Kann man das Risiko steuern? Finanzwirtschaft VI Matthias Paesel Hochschule Magdeburg-Stendal (FH)

Value-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

Mehr

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN GLIEDERUNG Intro Risiko-Management Was bedeutet Risiko-Managment? Wie wird Risiko-Management umgesetzt? Nutzen von Risiko-Management Relevanz

Mehr

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer

Delta-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

Mehr

Hinweise zur Fehlerrechnung im Grundpraktikum der Physik

Hinweise zur Fehlerrechnung im Grundpraktikum der Physik Grundpraktikum der Physik Hinweise zur Fehlerrechnung im Grundpraktikum der Physik Sascha Hankele sascha@hankele.com Patrick Paul patrick.paul@uni-ulm.de 11. Mai 2011 Inhaltsverzeichnis 1 Einführung und

Mehr

Protokoll Grundpraktikum I: F7 Statistik und Radioaktivität

Protokoll Grundpraktikum I: F7 Statistik und Radioaktivität Protokoll Grundpraktikum I: F7 Statistik und Radioaktivität Sebastian Pfitzner 13. Mai 013 Durchführung: Sebastian Pfitzner (553983), Anna Andrle (55077) Arbeitsplatz: Platz Betreuer: Michael Große Versuchsdatum:

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Bank I/II. (Deutsch) (Bank Management & Financial Intermediation) Hinweise:

Bank I/II. (Deutsch) (Bank Management & Financial Intermediation) Hinweise: Name: Matrikelnummer: Bank I/II (Deutsch) (Bank Management & Financial Intermediation) Hinweise: Schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur und auf jeden Bogen. Als Hilfsmittel ist

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

RISIKOMANAGEMENT IM ENERGIEHANDEL

RISIKOMANAGEMENT IM ENERGIEHANDEL 23.04.2015 8. Gasfachliche Tagung der VNG Verbundnetz Gas AG RISIKOMANAGEMENT IM ENERGIEHANDEL Thomas Herbst, Leiter Konzernrisikomanagement Risikomanagement beinhaltet die Erkennung, Analyse und den Umgang

Mehr

Messmittelfähigkeit. Andreas Masmünster, Quality Control Event, 30. Juni 2011

Messmittelfähigkeit. Andreas Masmünster, Quality Control Event, 30. Juni 2011 Messmittelfähigkeit Andreas Masmünster, Quality Control Event, 30. Juni 2011 Agenda Messmittel Allgemeines Methode 1 Methode 2 Ziel der Methoden Praktischer Teil nach Methode 2 Formblatt Schlussfolgerung

Mehr

Finanzwirtschaft. Foliensatz Vertiefungskurs aus ABWL: im Sommersemester 2004. 400 026 / 2 und 7 Univ. Ass. Dr. Matthias G.

Finanzwirtschaft. Foliensatz Vertiefungskurs aus ABWL: im Sommersemester 2004. 400 026 / 2 und 7 Univ. Ass. Dr. Matthias G. Universität Wien Institut für Betriebswirtschaftslehre ABWL IV: Finanzwirtschaft 400 026/2+7 Univ. Ass. Dr. M.G. Schuster Foliensatz Vertiefungskurs aus ABWL: Finanzwirtschaft im Sommersemester 2004 400

Mehr

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

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

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

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

Mehr

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

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

Mehr

Risikomanagement-Modell Ein praxisorientiertes Risikoanalyse-Modell für die Bauwirtschaft

Risikomanagement-Modell Ein praxisorientiertes Risikoanalyse-Modell für die Bauwirtschaft 36 RISIKOMANAGEMENT-MODELL NETZWERK BAU > Nr. 01/03 Stempkowski Rainer Rudolf Rüdiger Sadleder Christian Risikomanagement-Modell Ein praxisorientiertes Risikoanalyse-Modell für die Bauwirtschaft >> Im

Mehr

VTAD Düsseldorf 2008. Aktienrenditen steigern. Technische und Fundamental-Analyse verblüffend einfacher BörsenMathematik kombinieren

VTAD Düsseldorf 2008. Aktienrenditen steigern. Technische und Fundamental-Analyse verblüffend einfacher BörsenMathematik kombinieren VTAD Düsseldorf 2008 Dipl.-Math. Rainer Schwindt Aktienrenditen steigern Technische und Fundamental-Analyse verblüffend einfacher BörsenMathematik kombinieren Version: 1.0 Der BörsenMathematiker Zinseszins

Mehr

Klausur zur Vorlesung Finanz- und Bankmanagement

Klausur zur Vorlesung Finanz- und Bankmanagement Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz- und Bankwirtschaft [Aufkleber] Klausur zur Vorlesung Finanz- und Bankmanagement Prof. Dr. Marco Wilkens 06. Februar 2012

Mehr

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation Simulationsverfahren Schwerpunkt: Monte Carlo Simulation Agenda 1. Was ist eine Simulation? 2. Verschiedene Arten von Simulation 3. Einsatzgebiete von Simulationen 4. Geschichte der MC Simulation 5. Warum

Mehr

OPERATIONS MANAGEMENT. - Supply Chain Management - SCM: Definition

OPERATIONS MANAGEMENT. - Supply Chain Management - SCM: Definition OPERATIONS MANAGEMENT - Supply Chain Management - SCM: Definition Management des Güterflusses innerhalb eines Zuliefer- und Abnehmernetzwerkes, so dass die richtigen Güter zum richtigen Zeitpunkt in der

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

Risikoaggregation und allokation

Risikoaggregation und allokation 2. Weiterbildungstag der DGVFM Risikoaggregation und allokation Einführung in das Thema Prof. Dr. Claudia Cottin, FH Bielefeld Dr. Stefan Nörtemann, msg life Hannover, 21. Mai 2015 2. Weiterbildungstag

Mehr

Portfoliotheorie. Von Sebastian Harder

Portfoliotheorie. Von Sebastian Harder Portfoliotheorie Von Sebastian Harder Inhalt - Begriffserläuterung - Allgemeines zur Portfoliotheorie - Volatilität - Diversifikation - Kovarianz - Betafaktor - Korrelationskoeffizient - Betafaktor und

Mehr

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen

Mehr

6522: Capital Markets and Risk Management

6522: Capital Markets and Risk Management (Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als: 9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung

Mehr

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

Mehr

Konfidenzintervalle so einfach wie möglich erklärt

Konfidenzintervalle so einfach wie möglich erklärt Konfidenzintervalle so einfach wie möglich erklärt Wolfgang Ludwig-Mayerhofer, Universität Siegen, Philosophische Fakultät, Seminar für Sozialwissenschaften Vorbemerkung: Es handelt sich um die Anfang

Mehr

Risikomanagement: Hintergrund und Ziele

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

Mehr

Statistik Musterlösungen

Statistik Musterlösungen Statistik Musterlösungen Regina Tüchler & Achim Zeileis Institut für Statistik & Mathematik Wirtschaftsuniversität Wien 1 Grundbegriffe (1.23) Skript Reaktionen auf Videofilm. Aussagen M, E, P, S h(m)

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

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

Statistik II. Statistik II, SS 2001, Seite 1 von 5

Statistik II. Statistik II, SS 2001, Seite 1 von 5 Statistik II, SS 2001, Seite 1 von 5 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer

Mehr

Einfache Statistiken in Excel

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

Mehr

Vorlesung. Informationsökonomik und die Theorie der Firma

Vorlesung. Informationsökonomik und die Theorie der Firma Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

ZERTIFIKATE spielend beherrschen

ZERTIFIKATE spielend beherrschen UDI ZAGST / MICHAEL HUBER RUDI ZAGST / MICHAEL HUBER ZERTIFIKATE ZERTIFIKATE spielend beherrschen spielend beherrschen Der Performance-Kick Der Performance-Kick für Ihr für Portfolio Ihr Portfolio inanzbuch

Mehr

LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK

LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK III. In einer Region haben 60 % der Haushalte einen Internetanschluss. Das Diagramm veranschaulicht die Anteile der Zugangsgeschwindigkeiten unter den Haushalten

Mehr

Name:... 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

Mehr

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

Aufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981)

Aufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981) Aufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981) Prof. Dr. Isabel Schnabel The Economics of Banking Johannes Gutenberg-Universität Mainz Wintersemester 2009/2010 1 Aufgabe 100 identische Unternehmer

Mehr

Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann

Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben 5 37073 Göttingen Telefon: + 49 551 39-44 33 + 49 551 39-44 42 Arbeitsbericht

Mehr

Sendezeit Programm: 10.05 Uhr Bayern 2 ID/Prod.-Nr.: Produktion: Arbeitstage: 2 Karlheinz Kron, Partners Vermögensmanagement

Sendezeit Programm: 10.05 Uhr Bayern 2 ID/Prod.-Nr.: Produktion: Arbeitstage: 2 Karlheinz Kron, Partners Vermögensmanagement Manuskript Notizbuch Titel AutorIn: Redaktion: Analyse und Bewertung von Wertpapieren Rigobert Kaiser Wirtschaft und Soziales Sendedatum: 22.04.15 Sendezeit Programm: 10.05 Uhr Bayern 2 ID/Prod.-Nr.: Produktion:

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

Mehr

Zählstatistik. Peter Appel. 31. Januar 2005

Zählstatistik. Peter Appel. 31. Januar 2005 Zählstatistik Peter Appel 31. Januar 2005 1 Einleitung Bei der quantitativen Analyse im Bereich von Neben- und Spurenelementkonzentrationen ist es von Bedeutung, Kenntnis über die möglichen Fehler und

Mehr

GEPRÜFTE / -R INDUSTRIEMEISTER / -IN METALL / NEU

GEPRÜFTE / -R INDUSTRIEMEISTER / -IN METALL / NEU SITUATIONSAUFGABE 35 Bei der Durrchführung einer FMEA wird in der Stufe zwei nach der Bedeutung der potentiellen Folgen eines Fehlers gefragt und schließlich die Frage nach der Wahrscheinlichkeit der Entdeckung

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

Patientensicherheit und Risikomanagement in Reha-Kliniken

Patientensicherheit und Risikomanagement in Reha-Kliniken Patientensicherheit und Risikomanagement Patientensicherheit und Risikomanagement in Reha-Kliniken IQMG-Jahrestagung Berlin November 2013 1 Grundlagen des Risikomanagements Die größten Risiken im Krankenhaus:

Mehr

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

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

Mehr

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

Vorstellung Diplomarbeit Thema: Reduzierung von EPC-Sorry-Reklamationen Pkw mithilfe der Six Sigma-Methode

Vorstellung Diplomarbeit Thema: Reduzierung von EPC-Sorry-Reklamationen Pkw mithilfe der Six Sigma-Methode Vorstellung Diplomarbeit Thema: Reduzierung von EPC-Sorry-Reklamationen Pkw mithilfe der Six Sigma-Methode Global Service & Parts Florian Gerhard, GSP/OIW 13.02.2009 Daimler AG Daimler AG Organigramm Seite

Mehr

Versicherungsmathematik in 50 Minuten. Schnellbleiche für Unwissende. Vortrag vom 10. Dezember 2008 an der Universität Basel Prof. Dr.

Versicherungsmathematik in 50 Minuten. Schnellbleiche für Unwissende. Vortrag vom 10. Dezember 2008 an der Universität Basel Prof. Dr. Versicherungsmathematik in 50 Minuten Schnellbleiche für Unwissende Vortrag vom 10. Dezember 2008 an der Universität Basel Prof. Dr. Herbert Lüthy 1 Inhalt 1. Was ist Versicherungsmathematik? 2. Bedeutung

Mehr

Prozent ist genug die Money-Management-Formel für pfiffige Anleger

Prozent ist genug die Money-Management-Formel für pfiffige Anleger 8 Ein Prozent ist genug die Money-Management-Formel für pfiffige Anleger Der Grundsatz der erfahrensten Spekulanten ist, sich nicht mit den Aktien zu verheiraten. Wenn Ihr aber in die Schlingen der Spekulation

Mehr

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes

Mehr

Risikokapital Definition und Allokation

Risikokapital Definition und Allokation Risikokapital Definition und Allokation Rolf Stölting Köln Münchener Rück Munich Re Group Einige ragen intern und unserer Kunden Wie viel Kapital benötigen wir für unser Geschäft? Welche unserer Teilportefeuilles

Mehr

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und

Mehr

P(A B) = P(A) + P(B) P(A B) P(A B) = P(A) + P(B) P(A B) Geometrisch lassen sich diese Sätze einfach nachvollziehen (siehe Grafik rechts!

P(A B) = P(A) + P(B) P(A B) P(A B) = P(A) + P(B) P(A B) Geometrisch lassen sich diese Sätze einfach nachvollziehen (siehe Grafik rechts! Frequentistische und Bayes'sche Statistik Karsten Kirchgessner In den Naturwissenschaften herrscht ein wahrer Glaubenskrieg, ob die frequentistische oder Bayes sche Statistik als Grundlage zur Auswertung

Mehr

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

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

Mehr

Abschlussklausur der Vorlesung Bank I, II:

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

Mehr

TRENDSTATISTIK - Oktober 2009 - Trendstatistik. Ausgezeichnet mit dem SIMATIC Machine Vision Award

TRENDSTATISTIK - Oktober 2009 - Trendstatistik. Ausgezeichnet mit dem SIMATIC Machine Vision Award TRENDSTATISTIK - Oktober 2009 - Trendstatistik Ausgezeichnet mit dem SIMATIC Machine Vision Award 1 Bedeutung Das Definitionsproblem 1. Was bedeutet Trendstatistik? Der Begriff scheint etwas ungewohnt

Mehr