Klausurkolloquium. Aufgabe 2: Risikocontrolling. Aufgabe 3: Organisation des Konzerncontrollings. Dipl.-Kfm. Axel Fietz
|
|
- Klara Katja Mann
- vor 7 Jahren
- Abrufe
Transkript
1 Klausurkolloquium Aufgabe 2: Risikocontrolling Aufgabe 3: Organisation des Konzerncontrollings Dipl.-Kfm. Axel Fietz
2 Aufgabe 2: Risikocontrolling Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 2
3 Aufgabe 2 a) (5 Punkte) Was versteht man unter dem Value-at-Risk? Definieren Sie! Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 3
4 Aufgabe 2 a) Der Value-at-Risk kann definiert werden als die in Geldeinheiten gemessene mit einer vorgegebenen Wahrscheinlichkeit (Konfidenzniveau) innerhalb eines bestimmten Zeitraums nicht überschrittene absolute (negative) Wertänderung einer risikobehafteten Vermögensposition Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 4
5 Aufgabe 2 b) (15 Punkte) Die künftige Wertänderung einer risikobehafteten Vermögensposition sei normalverteilt. Der Mittelwert der Wertveränderung innerhalb des betrachteten Zeitraums betrage 1 Geldeinheit (GE), die Standardabweichung betrage 4,729 GE. Bestimmen Sie mit Hilfe der unten angegebenen Daten den Value-at-Risk dieser Vermögensposition bei einem Konfidenzniveau von 99% Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 5
6 Aufgabe 2 b) (15 Punkte) Skizzieren Sie ebenfalls auf Basis der unten angegebenen Daten die entsprechende Verteilung und tragen Sie den Value-at-Risk dort ein. Nutzen Sie dafür die im Lösungsbogen angegebene Vorlage Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 6
7 Aufgabe 2 b) Wertänderung (x) f (x) kumuliertes f(x) Wertänderung (x) f (x) kumuliertes f(x) -20 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , f(x) -12 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , x 19 0, , , , , , , , , , , , , , , , Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 7
8 Aufgabe 2 b) Bei einem Konfidenzniveau von 99 % wird mit 99 %iger Wahrscheinlichkeit innerhalb des betrachteten Zeitraums der Wert der Vermögensposition um nicht mehr als 10 Geldeinheiten, oder anders herum nur mit 1 %iger Wahrscheinlichkeit um mehr als 10 GE sinken. Dieser Betrag ist der gesuchte Value-at-Risk Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 8
9 Wahrscheinlichkeitsdichte Aufgabe 2 b) f(x) Wertänderung (x) f (x) kumuliertes f(x) Wertänderung (x) f (x) kumuliertes f(x) -20 0, , , , ,084 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,03-9 0, , , , kumuliertes f(x) -8 0, , , , ,02-7 0, , , , ,01-6 0, , , , , , , , , , , , , , , , , , Wertänderung 20 0, , , , , , , , , , , , x Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 9
10 Aufgabe 2 c) (7,5 Punkte) Ein Problem bei der Bewertung eines Risikos stellen mögliche Wechselwirkungen mit anderen Risiken dar. Von besonderer Bedeutung ist dabei der durch Korrelationskoeffizienten beschriebene Grad der Abhängigkeit zwischen Risiken Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 10
11 Aufgabe 2 c) Was bedeutet es jeweils, wenn die Abhängigkeit zwischen zwei Risiken A und B durch einen Korrelationskoeffizienten in Höhe von 1, -1, 0 beschrieben wird? Geben Sie für die einzelnen Fälle jeweils ein plausibles Beispiel an! Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 11
12 Aufgabe 2 c) Korrelationskoeffizient zwischen zwei Risiken ist 1 : Die beiden Risiken sind perfekt positiv abhängig. Tritt Risiko A ein, so folgt diesem Ereignis zwangsläufig der Eintritt von Risiko B. Beispiel: Eine Aufgabe auf dem kritischen Pfad (Netzplan) eines Projektes kann nicht termingerecht erfüllt werden. In der Folge kann das Gesamtprojekt nicht termingerecht abgeschlossen werden Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 12
13 Aufgabe 2 c) Korrelationskoeffizient zwischen zwei Risiken ist -1 : Die beiden Risiken sind perfekt negativ abhängig. Tritt Risiko A ein, so kann auf keinen Fall mehr Risiko B eintreten. Beispiel: Warenlager brennt ab. Risiko des Diebstahls der dort gelagerten Ware entfällt Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 13
14 Aufgabe 2 c) Korrelationskoeffizient zwischen zwei Risiken ist 0 : Die beiden Risiken sind unabhängig voneinander. Der Eintritt von Risiko A hat keinen Einfluss auf den Eintritt von Risiko B. Beispiel: Eine Maschine fällt aufgrund eines Bedienungsfehlers durch einen Mitarbeiter aus. Unabhängig davon kann ein Kunde des Unternehmens noch offen stehende Rechnungen nicht begleichen Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 14
15 Aufgabe 2 d) (5 Punkte) In welchem Verhältnis stehen die Begriffe Unsicherheit, Ungewissheit und Risiko zueinander? Wie lassen sie sich voneinander abgrenzen? Erläutern Sie kurz! Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 15
16 Aufgabe 2 d) In Abgrenzung von Sicherheit über die Zukunft wird zwischen den Ausprägungen Risiko und Ungewissheit als Formen von Unsicherheit unterschieden. Sicherheit vs. Unsicherheit (Risiko i.w.s.) Risiko i.e.s. (Unsicherheit 1. Ordnung) Ungewissheit (Unsicherheit 2. Ordnung) Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 16
17 Aufgabe 2 d) Die Unsicherheit bezeichnet das umgangssprachliche Risiko im weiteren Sinne. Dieses Risiko ist jedoch nur (entscheidungs-)relevant, wenn man in einer Entscheidungssituation vor dem Problem steht, dass eine einmal gewählte Handlungsalternative nicht mehr oder nur verbunden mit Zusatzkosten revidiert werden kann (mangelnde Planelastizität) Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 17
18 Aufgabe 2 d) Risiko im engeren Sinne oder auch Unsicherheit 1. Ordnung liegt vor, wenn sich einer künftigen Situation objektive oder subjektive Wahrscheinlichkeiten bezüglich des Eintritts verschiedener Ausprägungen zuordnen lassen Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 18
19 Aufgabe 2 d) Dagegen spricht man von Ungewissheit bzw. Unsicherheit 2. Ordnung, wenn für eine zukünftige Situation keine Eintrittswahrscheinlichkeiten zu bestimmen sind Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 19
20 Aufgabe 2 e) (7,5 Punkte) Für die aggregierte Bewertung von operationellen Risiken lassen sich unter anderem Simulationsverfahren wie die Historische Simulation oder die Monte-Carlo-Simulation einsetzen. Worin besteht der wesentliche Unterschied dieser beiden Verfahren? In welche zwei Schritte lässt sich die Durchführung einer Monte-Carlo-Simulation einteilen? Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 20
21 Aufgabe 2 e) Unterschied Historische Simulation (HS)/Monte-Carlo- Simulation (MCS): Die Historische Simulation stützt sich zur Prognose zukünftiger Eintrittswahrscheinlichkeiten und Schadensausmaße operationeller Risiken auf Stichproben aus vergangenheitsbezogenen Daten. In der Monte-Carlo-Simulation werden mit Hilfe eines stochastischen Prozesses auf Basis zuvor bestimmter Verteilungsparameter generierte Zufallszahlen genutzt Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 21
22 Aufgabe 2 e) Zwei Schritte der Monte-Carlo-Simulation: Bestimmung eines stochastischen Prozesses (Modell) zur Beschreibung möglicher Verteilungen für die Eintrittswahrscheinlichkeit und das Schadensausmaß operationeller Risiken, sowie Bestimmung der benötigten Prozessparameter Simulation fiktiver Werte für Eintrittswahrscheinlichkeiten und Schadensausmaße mit Hilfe von Zufallszahlen und Bildung einer Schadensverteilung zur Bestimmung des OVaR Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 22
23 Aufgabe 3: Organisation des Konzerncontrollings Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 23
24 Aufgabe 3 a) (9 Punkte) Die hierarchische Einbindung des lokalen Controllings kann innerhalb eines Konzerns auf unterschiedliche Arten erfolgen. Die folgenden Abbildungen skizzieren drei mögliche Unterstellungsformen der lokalen Controller Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 24
25 Aufgabe 3 a) Benennen und erklären Sie kurz die in den Abbildungen 1, 2 und 3 dargestellten Formen der hierarchischen Einbindung des lokalen Controllings Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 25
26 Aufgabe 3 a) 1 Konzernleitung Konzerncontrolling Leitung Tochterunternehmen Controlling Unterstellung Zentralcontroller Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 26
27 Aufgabe 3 a) Der lokale Controller untersteht fachlich und disziplinarisch dem Zentralcontroller: In dieser Unterstellungsvariante wird das Konzerncontrolling weitgehend zentralisiert durchgeführt. Der lokale Controller ist vom Management des Tochterunternehmens unabhängig, woraus ggf. Durchsetzungs- und Akzeptanzprobleme entstehen können, die die Effizienz der lokalen Controllingtätigkeit erheblich mindern. Dieses Risiko kann durch intensive Kommunikation und Kooperation zwischen dem lokalen Controlling und der lokalen Leitung begrenzt werden Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 27
28 Aufgabe 3 a) 2 Konzernleitung Konzerncontrolling Leitung Tochterunternehmen Controlling Unterstellung Teilbereichsleiter Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 28
29 Aufgabe 3 a) Der lokale Controller untersteht fachlich und disziplinarisch dem Leiter der lokalen Einheit: Der lokale Controller besitzt ein Höchstmaß an Unabhängigkeit vom Zentralcontrolling. Dies impliziert zugleich einen hohen Kommunikations- und Koordinationsaufwand in der Controllingstruktur. Die starke Abhängigkeit des lokalen Controllers vom Leiter der lokalen Einheit kann dazu führen, dass die Konzernziele und - strategien von den Tochtergesellschaften in der Durchführung ihrer lokalen Betriebs- und Geschäftsprozesse nicht konsequent berücksichtigt werden Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 29
30 Aufgabe 3 a) 3 Konzernleitung Konzerncontrolling Leitung Tochterunternehmen Controlling Dotted-Line -Prinzip Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 30
31 Aufgabe 3 a) Der lokale Controller untersteht fachlich dem Zentralcontroller und disziplinarisch dem Leiter der lokalen Einheit: In diesem Fall legt der zentrale Controller insbes. die Rahmenbedingungen für die Planungs- und Kontrollprozesse sowie die Ausgestaltung der Controllingsysteme fest. Der lokale Controller ist stark in die Entscheidungsprozesse des Tochterunternehmens eingebunden. Die Doppelunterstellung erfordert allerdings Regelungen zur Reduzierung effizienzmindernder Macht- und Kompetenzkonflikte Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 31
32 Aufgabe 3 b) (11 Punkte) Nennen Sie stichpunktartig die jeweiligen Vorund Nacheile, die mit obigen Formen der hierarchischen Einbindung des lokalen Controllings verbunden sind Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 32
33 Aufgabe 3 b) Unterstellung Zentralcontroller: Vorteile Einheitliche Durchführung des Controllingkonzepts Gegengewicht zu Entscheidungen des Teilbereichs Starke Betonung des integrativen Koordinationsaspektes Schnelle Durchsetzung neuer Konzepte Nachteile Wahrnehmung des Spezialcontrollers als Spion der Zentrale Informationsblockade des Teilbereichs Spezialcontroller wird isoliert Geringe Akzeptanz Unabhängigkeit gegenüber dem Teilbereichsleiter Wird nicht zur Entscheidungsunterstützung herangezogen Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 33
34 Aufgabe 3 b) Unterstellung Teilbereichsleiter: Vorteile Gute und vertrauliche Zusammenarbeit mit dem Teilbereich Hohe Akzeptanz im Teilbereich Guter Zugang zu formellen und informellen Informationsquellen Möglichkeit, Teilbereich bei Entscheidungen zu unterstützen Nachteile Controller-Konzept wird vernachlässigt Verstärkung des Partikularismus Berichterstattung an den Zentralcontroller wird vernachlässigt Mangelnde Distanz und Objektivität zu Teilbereichsaktivitäten Starkes Eingehen auf Teilbereichsbedürfnisse Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 34
35 Aufgabe 3 b) Dotted-Line-Prinzip: Vorteile Schnelle Information der Zentrale Kompromiss zwischen zwei Extremen Möglichkeit, Teilbereichserfordernisse mit Controllingnotwendigkeiten zu verbinden Flexible Einflussnahme auf Spezialcontroller Nachteile Teilbereichsspezifische Besonderheiten werden zu wenig beachtet Doppelunterstellung erzeugt Dauerkonflikte Wird weder von dem Teilbereichsleiter noch vom Zentralcontroller akzeptiert Objektivität und Neutralität nicht gewährleistet Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 35
36 Noch Fragen? Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 36
37 Nicht Klausurrelevant KE 2 ( Instrumente des Konzerncontrolling ), Kapitel 5 und 6 KE 3 ( Risikocontrolling ), Kapitel Klausurkolloquium - Übungsklausur Aufgabe 2 + Aufgabe 3 37
Aufgabe 1: Organisation des Konzerncontrollings 60 Punkte
Aufgabe 1: Organisation des Konzerncontrollings 60 Punkte Dr. Klaus Derfuß Agenda Lehrstuhl für Betriebswirtschaftslehre, insbes. 1 Aufgabenstellung 2 Exkurs: Stellenbeschreibung 3 Aufgabe 1a) 4 Aufgabe
MehrAufgabe 1: Organisation des Konzerncontrollings. Dipl.-Kfm. Klaus Derfuß
Aufgabe 1: Organisation des Konzerncontrollings Dipl.-Kfm. Klaus Derfuß Aufgabe 1a, 5 Punkte Definieren Sie kurz die Begriffe konzernspezifischer Kontext und beteiligungsspezifischer Kontext und konkretisieren
MehrAufgabe 3: Risikocontrolling 18 Punkte
Aufgabe 3: Risikocontrolling 18 Punkte Dipl.-Ök. Christine Stockey 27.01.2011 Dipl.-Ök. Christine Stockey 1 Agenda 1 Aufgabe 3a) 2 Aufgabe 3b) «27.01.2011 Dipl.-Ök. Christine Stockey 2» Agenda 1 Aufgabe
MehrIWW Studienprogramm. Aufbaustudium. XVIII Beteiligungscontrolling. Lösungshinweise zur 3. Musterklausur
Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen IWW Studienprogramm Aufbaustudium XVIII Beteiligungscontrolling zur 3. Musterklausur
MehrInvestition und Risiko. Finanzwirtschaft I 5. Semester
Investition und Risiko Finanzwirtschaft I 5. Semester 1 Gliederung Ziel Korrekturverfahren: Einfache Verfahren der Risikoberücksichtigung Sensitivitätsanalyse Monte Carlo Analyse Investitionsentscheidung
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrAufgabe 1. Kolloquium zur Klausurnachbesprechung Konzerncontrolling Wintersemester 2010/2011. Dr. Klaus Derfuß
Aufgabe 1 Kolloquium zur Klausurnachbesprechung Konzerncontrolling Wintersemester 2010/2011 Dr. Klaus Derfuß Agenda Lehrstuhl für Betriebswirtschaftslehre, insbes. 1 Aufgabenstellung 2 Exkurs: Stellenbeschreibung
MehrKlausurkolloquium. Musterlösung Aufgabe 2: Risikocontrolling. Dipl.-Kfm. Axel Fietz
Klausurkolloquium Musterlösung Aufgabe 2: Risikocontrolling Dipl.-Kfm. Axel Fietz Aufgabe 2a) Skizzieren Sie kurz den Ablauf eines typischen Risikomanagement-Prozesses und stellen Sie stichpunktartig den
MehrQuantifizierung im Risikomanagement
Quantifizierung im Risikomanagement Grundlagen, Instrumente und Anwendungsbeispiele Prof. Dr. Bruno Brühwiler November 2016 1. Ausgangslage Im Business-Risikomanagement werden Eintrittswahrscheinlichkeiten
MehrAufgabe 2: Instrumente des Konzerncontrolling. Dipl.-Ök. Christine Stockey
Aufgabe 2: Instrumente des Konzerncontrolling Dipl.-Ök. Christine Stockey Aufgabe 2a, 5 Punkte Was versteht man unter Verrechnungspreisen? Nennen Sie die Ziele des Einsatzes von Verrechnungspreisen im
Mehr2. Entscheidungsregeln. Handhabung von Unsicherheit
II Agenda 1. Sensitivitätsanalyse 2. Entscheidungsregeln 3. Dialektische Planung 2 1. Sensitivitätsanalyse 3 Definition: Sensitivitätsanalyse = Sensibilitätsanalyse Empfindlichkeitsanalyse Verfahren zur
MehrRisikomanagement - Prozessmodelle im Kontext von Verträgen Nutzen und Standards
- Prozessmodelle im Kontext von Verträgen Nutzen und Standards CMS Reich-Rohrwig Hainz Rechtsanwälte GmbH Gauermanngasse, 00 Wien 5. September 05 Referentin: Claudia Gerlach Willkommen Seit 03/04 selbstständige
MehrModellbildung 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:
MehrLösungshinweiseshinweise zur Einsendearbeit 2 zum Kurs 41520, Banken und Börsen, SS 2008
1 Lösungshinweise zur Einsendearbeit 2: SS 2008 Banken und Börsen, Kurs 41520 Aufgabe 1: Value at Risk a) Die UNIVERSALBANK möchte den Value at Risk als Risikokennzahl zur Messung bankspezifischer Risiken
MehrModerne Methoden der Datenverarbeitung in der Physik I
Moderne Methoden der Datenverarbeitung in der Physik I Prof. Dr. Stefan Schael / Dr. Thomas Kirn I. Physikalisches Institut MAPLE II, Krypthographie Wahrscheinlichkeit Zufallszahlen, Wahrscheinlichkeitsdichten,
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Mehr3 Wahrscheinlichkeitstheorie
Einige mathematische Konzepte 3 Wahrscheinlichkeitstheorie 3.1 Wahrscheinlichkeit Die Wahrscheinlichkeitstheorie modelliert Situationen, in denen Unsicherheit über bestimmte Aspekte der Umwelt vorherrscht.
MehrManagement von Betrugsrisiken in Versicherungsunternehmen
Jessica Knoll Management von Betrugsrisiken in Versicherungsunternehmen Nomos Inhaltsverzeichnis Abbildungsverzeichnis 13 Tabellenverzeichnis 18 Verzeichnis der Anlagen im Anhang ^ 19 Abkürzungsverzeichnis
MehrBewertung Strukturierter Produkte mittels Value-at-Risk
Bewertung Strukturierter Produkte mittels Value-at-Risk Bachelorarbeit in Banking & Finance am Institut für schweizerisches Bankwesen der Universität Zürich bei Prof. Dr. R. Volkart Verfasser: Matthias
MehrBWL 2 Organisation und Personal
BWL 2 Organisation und Personal Name: Vorname: Matrikelnummer: Studiengang: WI - MB Semester: 4. Semester - Gruppe B Prüfungsdatum: 21.06.2013 Lehrveranstaltung: BWL 2 Dozent/in: Dr. Nicola Herchenhein
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrBewertung von biometrischen Risiken in der bav
Bewertung von biometrischen Risiken in der bav Ralf Knobloch Fachhochschule Köln Gliederung 1. Biometrische Risiken in der bav 2. Das Modell 3. Risikomaße 4. Einfaches Beispiel 5. Schlussbemerkungen 2
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
Mehr3. Entscheidungen bei mehreren Szenarien. Entscheidungen. bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
3. Entscheidungen bei mehreren Szenarien Entscheidungen bei Sicherheit A i und x i sowie die Zielfunktion determinieren das Entscheidungsproblem bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrBerechnung MCR unter Solvency II
Berechnung MCR unter Solvency II Berechnung MCR unter Solvency II Die Wahl des richtigen Risikomaßes Sina Wiesinger 29. März 2018 Überblick 1 Einleitung 2 Grundlagen 3 Eigenschaften von Risikomaßen 4 Risikomaße
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
Mehrbav Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013
Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013 3. Bewertung von biometrischen Risiken in der bav Fachhochschule Köln, Schmalenbach Institut für Wirtschaftswissenschaften
MehrPfadregel. 400 Kugeln durchlaufen die möglichen Pfade. Das Diagramm zeigt das Ergebnis am Ende der Versuchsdurchführung.
Würfelsimulation 1) Bezeichnen Sie in den Säulendiagrammen (Histogrammen - 2. Graphik) die senkrechten Achsen und vervollständigen Sie im ersten Diagramm die Achseneinteilung. Lesen Sie im Histogramm für
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrModellierung von Zins- und Spread-Risiken
11. Januar 2017-08:30 Risikomessung Modellierung von Zins- und Spread-Risiken Maik Schober Die Veränderung des risikolosen Zinses und der Creditspreads sind zwei relevante Risikofaktoren für festverzinsliche
MehrInformationen zur SVSP Risikokennzahl
Informationen zur SVSP Risikokennzahl 1 Was bedeutet Value at Risk (VaR) Value at Risk (VaR) ist die in der Finanzbranche am weitesten verbreitete Methode um das Marktrisiko einer Investition abzuschätzen.
MehrRisikoaggregation und simulation im IT- gestützten Risikomanagementprozess»
Risikoaggregation und simulation im IT- gestützten Risikomanagementprozess» GRC-Erfahrungsaustausch März/ April 2017 Marco Mannes 1. Kapitel Vorstellung der EnBW 2 Profil EnBW Energie Baden-Württemberg
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrWS 2010/11. Risikomanagement II. Übung zum Thema: Value at Risk. (Lösung)
Risikomanagement II Übung zum Thema: Value at Risk (Lösung) 1 Aufgabe 1 Erläutern Sie die Struktur der Value at Risk Risikobemessung! 2 Grundlagen: Value at Risk (VaR) Zentrales Messkonzept zur Quantifizierung
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrModerne Finanztheorie in der Steuerlehre oder umgekehrt?
Moderne Finanztheorie in der Steuerlehre oder umgekehrt? Ein Beispiel aus der Erbschaftsteuer Prof. Dr. Markus Diller, Dipl.-Kfm. Thomas Späth Frühjahrstagung der Kommission Betriebswirtschaftliche Steuerlehre,
MehrGefördert durch: dynaklim-kompakt
Gefördert durch: dynaklim-kompakt Risiko & Co. - Begriffe und Abgrenzungen 1 Problemstellung Ein Basisproblem, das immer auftritt, wenn es um Risiko geht, ist die Existenz unterschiedlicher Risikodefinitionen
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
Mehr1. IT-Grundschutz-Tag 2014
1. IT-Grundschutz-Tag 2014 ISO 31000 i. V. m. IT-Grundschutz 13.02.2014 Michael Pravida, M.A. Agenda Einführung Risk assessments nach ISO 31000 Anknüpfungspunkte zw. ISO 31000 und IT-GS Anwendungshinweise
MehrInformationsveranstaltung "Digitalisierung im KMU" Herzlich willkommen. Zusammen erfolgreich.
Informationsveranstaltung "Digitalisierung im KMU" Herzlich willkommen Zusammen erfolgreich. Umgang mit dem IT Risiko Patrick Schmid, Dacor Informatik AG Zusammen erfolgreich. Dacor Informatik AG Patrick
MehrWirtschaftsstatistik-Klausur am
Wirtschaftsstatistik-Klausur am 0.07.017 Aufgabe 1 Ein Handy- und PC-Hersteller verfügt über ein exklusives Filialnetz von 900 Filialen. Der Gewinn (in GE) der Filialen ist in der folgenden Tabelle nach
MehrStudienbrief (Auszug) Sportbetriebswirt. Betriebswirtschaftslehre. Bilder: vic&dd, 2011 Benutzung unter Lizenz von Shutterstock.
Studienbrief (Auszug) Sportbetriebswirt Bilder: vic&dd, 2011 Benutzung unter Lizenz von Shutterstock.com 1 Grundbegriffe der Wirtschaftsprozess der Unternehmung Betrachtet man den Leistungs- und den Finanzprozess
MehrFachhochschule Schmalkalden, M.Sc. Annette Liebermann. Betriebswirtschaftslehre 1/ Wirtschaftswissenschaften. Übung
Fachhochschule Schmalkalden, M.Sc. Annette Liebermann Betriebswirtschaftslehre 1/ Wirtschaftswissenschaften Übung Organisatorisches Dozent: M. Sc. Annette Liebermann Fakultät Informatik www.multimediamarketing.org
MehrBedingte Wahrscheinlichkeiten
Bedingte Wahrscheinlichkeiten Bei der Betrachtung der Ereignisse A und B eines Zufallsexperiments muss man die beiden im folgendem beschrieben zwei Situationen unterscheiden. 1. Das Ereignis A und B tritt
MehrPROJEKTMANAGEMENT RISIKOMANAGEMENT
Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für Softwaretechnik Dipl. Ing. Gerhard Strubbe IBM Deutschland GmbH Executive Project Manager (IBM), PMP (PMI) gerhard.strubbe@de.ibm.com
MehrEinführung in die Betriebswirtschaftslehre
Einführung in die Betriebswirtschaftslehre Entscheidungstheorie Wintersemester 2006/2007 Prof. Dr. M. Ponader Literatur Bartscher, Susanne, Bomke, Paul, Unternehmensführung, Stuttgart 1995; Kapitel 3:
MehrMarketing. Kapitel 3. Marketinginformationen
Fakultät Informatik, Professur Wirtschaftsinformatik, insb. Multimedia Marketing Marketing Kapitel 3 Marketinginformationen Inhalte Kapitel 3 3 Marketinginformationen 3.2 Absatzprognosen Lernziele: Aufgaben
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrProblem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst.
2.7 Validierung durch Backtesting Problem aller bisheriger Methoden: Ergebnis ist nur so gut wie das Modell selbst. Modell besteht im Wesentlichen aus zwei Faktoren: 1. Einflussgrößen 2. Modellierungsalgorithmus
MehrComputational Finance
Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude
MehrProfessionelles Projektmanagement in der Praxis. Veranstaltung 6 Teil 4 (16.06.2003):
Professionelles Projekt-Management in der Praxis Veranstaltung 6 Teil 4 (16.06.2003): Prof. Dr. Phuoc Tran-Gia, FB Informatik, Prof. Dr. Margit Meyer, FB Wirtschaftswissenschaften, Dr. Harald Wehnes, AOK
MehrMATHEMATIK 3 STUNDEN
EUROPÄISCHES ABITUR 2013 MATHEMATIK 3 STUNDEN DATUM : 10. Juni 2013, Vormittag DAUER DER PRÜFUNG: 2 Stunden (120 Minuten) ERLAUBTES HILFSMITTEL Prüfung mit technologischem Hilfsmittel 1/6 DE AUFGABE B1
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrMessung von Rendite und Risiko. Finanzwirtschaft I 5. Semester
Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Mehrecofinance antwortet auf die Finanzkrise Release ITS 8.1.0
antwortet auf die Finanzkrise Release ITS 8.1.0 ITS erhält neue Funktionalitäten zu Banken- und Firmenfusionen, eine erweiterte Liquiditätsplanung und sorgt für ein verbessertes Risk Management Graz, 02.
MehrAufbau der Klausur Controlling 2
Aufbau der Klausur Controlling 2 Erster Teil der Klausur Bearbeitungsdauer 60 Minuten (d. h. 60 Punkte) Genau ein Thema aus mehreren Themen ist zu beantworten Es sind Zusammenhänge problemorientiert zu
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
MehrNeue Institutionenökonomik, Aufgabe 18 Seite 1
Neue Institutionenökonomik, Aufgabe 18 Seite 1 Allgemeine Informationen zum Principal-Agent-Modell Es geht hier nun um die Vertragsausgestaltung zwischen dem Eigentümer (Prinzipal) einer Firma und dem
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
Mehr2.4 Entscheidung bei Risiko
2.4 Entscheidung bei Risiko Entscheidung bei Risiko nimmt an, dass für jeden Zustand S j seine Eintrittswahrscheinlichkeit P(S j ) bekannt ist Eintrittswahrscheinlichkeiten bestimmbar als statistische
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrDie Bedeutung von Abhängigkeitsstrukturen in der Rückversicherung. Dresdner Versicherungsforum 23. Juni 2006 Dr. Ekkehard Kessner
Die Bedeutung von Abhängigkeitsstrukturen in der Rückversicherung Dresdner Versicherungsforum 23. Juni 2006 Dr. Ekkehard Kessner Abhängigkeiten von Risiken Die Kenntnis über ursächliche oder statistisch
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrEinsatz Risikobewertung, Entscheidungsfindung und Simulation
Einsatz von @Risk: Risikobewertung, Entscheidungsfindung und Simulation Case Study Insolvenzwahrscheinlichkeit eines Unternehmens Risikoregister 1 Case Study: Insolvenzwahrscheinlichkeit eines Unternehmens
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistik-Klausur vom
Statistik-Klausur vom 09.02.2009 Bearbeitungszeit: 90 Minuten Aufgabe 1 a) Ein Unternehmen möchte den Einfluss seiner Werbemaßnahmen auf den erzielten Umsatz quantifizieren. Hierfür werden die jährlichen
MehrRisikomanagement und Risikocontrolling in Industrieund Handelsunternehmen
Risikomanagement und Risikocontrolling in Industrieund Handelsunternehmen Herausgegeben von Günther Gebhardt und Helmut Mansch Empfehlungen des Arbeitskreises Finanzierungsrechnung" der Schmalenbach-Gesellschaft
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
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
MehrKlausurkolloquium. Musterlösung Produktionscontrolling: Lineare Programmierung
Klausurkolloquium Musterlösung Produktionscontrolling: Lineare Programmierung Fallstudie Die GOGO GmbH ist ein mittelständisches gewinnorientiertes Unternehmen. Das taktische Produktionsprogramm einer
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
MehrOrganisationsstruktur (176)
Organisationsstruktur (176) Was ist eine Organisationsstruktur? Eine Organisationsstruktur ist ein System von generellen Regelungen für die Verteilung von Zuständigkeiten auf organisatorische Einheiten.
MehrQuantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
MehrAufgabe 2. Kolloquium zur Klausurnachbesprechung Instrumente des Controlling Wintersemester 2013/2014. Thomas Hahn
Aufgabe 2 Kolloquium zur Klausurnachbesprechung Instrumente des Controlling Wintersemester 2013/2014 Thomas Hahn Agenda 1 Aufgabe 2a 2 Aufgabe 2b 3 Aufgabe 2c 4 Aufgabe 2d 2» Agenda 1 Aufgabe 2a 2 Aufgabe
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
MehrMonte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
Gott würfelt nicht Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo- Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrLernzielkatalog für das Modul Projektmanagement
Lernzielkatalog für das Modul Projektmanagement Quellen: - DEUTSCHES INSTITUT FÜR NORMUNG E.V.,2016. DIN ISO 21500:2016-02, Leitlinien Projektmanagement (ISO 21500:2012); Berlin: Beuth, 2016-02. - Patzak,
MehrAnalysis. 1.2 Bestimmen Sie die maximalen Intervalle, in denen die Funktion f a echt monoton zu- bzw. abnimmt.
1.0 Gegeben sind die reellen Funktionen f :xaf (x); D = R a a f a Analysis 1 3 fa (x) = (ax + 27x) mit a R a 0. 27 Der Graph einer solchen Funktion wird mit bezeichnet. 1.1 Berechnen Sie die Nullstellen
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrAnhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen
Anhang 4 Bias durch Überdiagnose von papillären Mikrokarzinomen Bias durch Überdiagnose von papillären Mikrokarzinomen H. Bertelsmann AG Epidemiologie und Medizinische Statistik Universität Bielefeld Dezember
MehrLehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm
Lehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm A b s c h l u s s k l a u s u r z u r V o r l e s u n g K a p i t a l m a r k t t h e o r i e W i n t e r s e m e s t e r 1 9 9 9 / 2
MehrEarned Value Management. Einstiegsbeispiel reloaded Norbert Paul. Projektmanagement - SS V7 & V8
Earned Value Management Einstiegsbeispiel reloaded 2016 Norbert Paul 31 Einstiegsbeispiel für Earned Value Management Ich mäh den Rasen für 10 in einer Stunde Ich hab 30 min gearbeitet. Wie weit bin ich?
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Mehr