IST DIE AGGREGATIONSFORMEL FÜR SOLVENZKAPITALIEN
|
|
- Alexandra Astrid Pfaff
- vor 6 Jahren
- Abrufe
Transkript
1 IST DIE AGGREGATIONSFORMEL FÜR SOLVENZKAPITALIEN UNTER SOLVENCY II STABIL? EINE KRITISCHE ANALYSE DIETMAR PFEIFER INSTITUT FÜR MATHEMATIK
2 1. Zur Begriffsbestimmung des SCR 2
3 1. Zur Begriffsbestimmung des SCR The SCR corresponds to the economic capital a (re)insurance undertaking needs to hold in order to limit the probability of ruin to 0.5%, i.e. ruin would occur once every 200 years. The SCR is calculated using Value-at-Risk techniques, either in accordance with the standard formula, or using an internal model: all potential losses, including adverse revaluation of assets and liabilities, over the next 12 months are to be assessed. The SCR reflects the true risk profile of the undertaking, taking account of all quantifiable risks, as well as the net impact of risk mitigation techniques. Proposal for a Directive of the European Parliament and of the Council on the taking-up and pursuit of the business of Insurance and Reinsurance - Solvency II, COMMISSION OF THE EUROPEAN COMMUNITIES, Brussels,
4 1. Zur Begriffsbestimmung des SCR The solvency margin is a buffer in a company s assets covering its liabilities. For the supervisor, it is important that the policyholders are protected, but it is also important for him to ensure the stability of the financial market. In view of this, the definition of the solvency margin (SM) given by Pentikäinen (1952) is our benchmark: The solvency margin, SM, is the difference between assets, A, and liabilities. L: SM = A L. If we put some restrictions on the assets, e.g., that they should be of good quality, we have by this definition what could be called the available solvency margin (ASM). nach: Sandström (2006), p. 9 4
5 1. Zur Begriffsbestimmung des SCR nach: Sandström (2006), p. 9 5
6 1. Zur Begriffsbestimmung des SCR In the second phase of the EU project Solvency II, the commission introduced two distinct levels of solvency: an upper level, called solvency capital Requirement (SCR), an a lower level, the minimum capital requirement (MCR). The two levels are emanating as percentiles from a hypothetical (skew) distribution. 6 nach : Sandström (2006), p. 185 f.
7 1. Zur Begriffsbestimmung des SCR Beispiel aus der aktuellen QIS4-Runde: BSCR SCRop Adj SCR SCR Gesamtberechnung Basis-Solvenzkapitalanforderung (BSCR) und geschätzte zukünftige Überschussbeteiligung BSCR AdjFDB nbscr Ergebnisse vt. Risiko Aggregation der Risiken Marktrisiko Ausfallrisiko Leben Kranken NichtlebenAggregiert Risiko vor Anrechnung der zukünft. ÜB Risiko nach Anrechnung der zukünft. ÜB Lower boundary of risk (TS.VI.H.8) Korrelation mit SCRmkt 100% 25% 25% 25% 25% Korrelation mit SCRdef 25% 100% 25% 25% 50% Korrelation mit SCRlife 25% 25% 100% 25% 0% Korrelation mit SCRhealth 25% 25% 25% 100% 25% Korrelation mit SCRnl 25% 50% 0% 25% 100% 7
8 1. Zur Begriffsbestimmung des SCR 6. Struktur Eigenmittel QIS4 reply QIS4 reply QIS4 reply Benchmark SCR Bedeckung 683,9% 683,9% 683,9% 100% (Tier 1 Basiseigenmittel + Tier 2 Basiseigenmittel) / gesamte Eigenmittel 29,8% 29,8% 29,8% 33% (Tier 3 Basiseigenmittel + Tier 3 ergänzende Eigenmittel) / gesamte Eigenmittel 43,7% 43,7% 43,7% 33% MCR Bedeckungsquote 683,8% 683,8% 683,8% 100% Tier 1 Basiseigenmittel / (Tier 1 + Tier 2 Basiseigenmittel) 100,0% 100,0% 100,0% 50% 8
9 2. Risikomessung unter Solvency II 9
10 2. Risikomessung unter Solvency II Solvency Capital Requirement (SCR) je Risiko wird hier im Sinne von Sandström (2006) verstanden als Differenz zwischen einem geeigneten Risikomaß und gewissen Eigenmitteln (etwa Netto-Prämien = Erwartungswert als Basisgröße), der erforderliche Kapitalbedarf wird entsprechend als SCR- Level bezeichnet. Bei normalverteilten Risiken ist das SCR ein Vielfaches der Standardabweichung des Risikos, dessen Größe nur vom Risikoniveau abhängt Das SCR für das Gesamtrisiko wird als Wurzel der korrelationsadjustierten Summe von Quadraten der einzelnen SCR s dargestellt ( Wurzelformel der NAIC / IAA; Solvency II-Standardformel). 10
11 Definition (kohärentes Risikomaß): 2. Risikomessung unter Solvency II Ein Risikomaß R auf einer geeigneten Menge D Z der nichtnegativen Zufallsvariablen (Risiken) heißt kohärent im Sinne von ARTZNER, DELBAEN, EBER und HEATH (1999), wenn es die folgenden Eigenschaften besitzt: [1] [2] [3] [4] R ist positiv homogen, d.h. ( ) = c R( X ) R cx R ist translationsinvariant, d.h. R ist monoton, d.h. R ist subadditiv, d.h. ( c) ( ) für alle c > 0 und X D; R X + = R X + c für alle c > 0 und X D; ( ) ( ) R X R Y für alle XY, D mit X Y; ( ) ( ) ( ) R X + Y R X + R Y für alle XY, D. 11
12 2. Risikomessung unter Solvency II Die internationale Diskussion über Risikomaße als Basis für die Bestimmung des Zielkapitals für Solvency II (IAA, DAV, SST) in Bezug auf das versicherungstechnische Gesamtrisiko S konzentriert sich im Wesentlichen auf den Value at Risk: VaR ( ) ( ) 1 α S : = q1 S F α = S ( 1 α) = inf{ x FS( x) 1 α} und den 1 : ( α ) = VaRu ( S) du α. Expected Shortfall: ES ( S) = E S S VaR ( S) α α 0 Bemerkung: VaR ist im Allgemeinen nicht kohärent (verletzt die Subadditivität), ES ist stets kohärent. 12
13 2. Risikomessung unter Solvency II VaR α SCR α SCR α μ ES α ES α : Mittel aller Werte oberhalb von VaR α 13
14 2. Risikomessung unter Solvency II Wurzelformel: SCR n 2 gesamt= SCRi + 2 ρi j SCRi SCRj ì= 1 i< j n 2 ( ( ) μ ) 2 ( ) ( )( ( ) j) = R X + ρ R X μ R X μ i i ij i i j i= 1 i< j berücksichtigt Abhängigkeiten über die paarweisen Korrelationen ρ ij ( i j) E( Xi) E( X j) Var( Xi ) Var( X j ) E X X = 14
15 2. Risikomessung unter Solvency II BSCR SCRop Adj SCR SCR Gesamtberechnung Basis-Solvenzkapitalanforderung (BSCR) und geschätzte zukünftige Überschussbeteiligung BSCR AdjFDB nbscr Ergebnisse vt. Risiko Aggregation der Risiken Marktrisiko Ausfallrisiko Leben Kranken NichtlebenAggregiert Risiko vor Anrechnung der zukünft. ÜB Risiko nach Anrechnung der zukünft. ÜB Lower boundary of risk (TS.VI.H.8) Korrelation mit SCRmkt 100% 25% 25% 25% 25% Korrelation mit SCRdef 25% 100% 25% 25% 50% Korrelation mit SCRlife 25% 25% 100% 25% 0% Korrelation mit SCRhealth 25% 25% 25% 100% 25% Korrelation mit SCRnl 25% 50% 0% 25% 100% MAPLE 15
16 2. Risikomessung unter Solvency II Eine Idee der Wurzelformel ist die Darstellung des Value at Risk (VaR) als Risikomaß zur Berechnung des erforderlichen Risikokapitals für ein Einzelrisiko X als ( ) VaRα X i = μ i + k α σ i, k, α i mit Erwartungswert μ und Standardabweichung σ 0. i i Sind die Risiken X normalverteilt, gilt i k α 1 k α ( =Φ 1 α) mit x 2 u π 2 1 x du = ϕ u du 2 Φ ( ) = exp ( ), wobei unabhängig von μ und für i= 1,, n ist. i σ i x 16
17 2. Risikomessung unter Solvency II Ähnlich: Der Expected Shortfall (ES) für normalverteilte Einzelrisiken X i ist gegeben durch Kommentar: ( k ) 2 α 2 e 2πα σ ( ) = μi + i = μi + 1 i =Φ ( 1 α) ES X i α τ σ mit. k α Bei Normalverteilung ist VaR ein kohärentes Risikomaß, wenn kα 0 gilt, 1 d.h. für α. 2 Bei (gemeinsamer!) Normalverteilung ist die gegenseitige Abhängigkeitsstruktur der Risiken vollständig und eindeutig durch die paarweisen Korrelationen bestimmt. Bei Normalverteilung ist die Wurzelformel konsistent mit der Definition des SCR, und zwar sowohl für VaR als auch für ES. 17 α
18 2. Risikomessung unter Solvency II Aber: Bei Nicht-Normalverteilung ist VaR im Allgemeinen kein kohärentes Risikomaß. Bei Nicht-Normalverteilung (oder nicht gemeinsamer Normalverteilung) ist die gegenseitige Abhängigkeitsstruktur der Risiken nicht eindeutig durch die paarweisen Korrelationen bestimmt. Bei Nicht-Normalverteilung ist das der Wurzelformel zu Grunde liegende Prämienprinzip (Standardabweichungsprinzip) nicht kohärent ( Verletzung der Monotonie). 18
19 Beispiel 1: 2. Risikomessung unter Solvency II 1 Sei ( ρ) ρ Σ = mit ρ ] und der Zufallsvektor [ 1,1 ρ 1 Mischung verteilt: X X nach folgender 1 = X 2 Dann gilt: X 1 1 P = N ( 0, Σ ( ρ) ) + N ( 0, Σ( ρ) ) mit ρ 1,1 [ ]. 2 2 X P i = N (0,1) für i = 1, 2, aber X besitzt für ρ 0 keine gemeinsame Normalverteilung Dichte von X für ρ = 0,8 MAPLE 19
20 2. Risikomessung unter Solvency II X, X sind unkorreliert S: = X + X ist nach folgender Mischung verteilt: S 1 1 P = N + ρ + ρ 2 2 ( 0, 2 2 ) N ( 0, 2 2 ) Dichte von S für ρ = 0,8 zum Vergleich: Dichte der N (0,2) -Verteilung (Fall ρ = 0 ) 20
21 2. Risikomessung unter Solvency II Es gilt wegen SCR = VaR (beachte: α α μ = 0 für i = 1, 2 ) i ( ) SCR ( ) 2 2 SCRα( S; ρ ) > SCRα( S;0) = SCRα X1;0 + α X 2 ;0 für ρ 0 Beispielberechnungen für α = 0,005 (Solvency II-Standard): ρ 0,5 0,6 0,7 0,8 0,9 0,99 1,00 SCR α ( S; ρ) 6,98 7,44 7,91 8,37 8,84 9,26 9,30 Zum Vergleich: es ist SCR α ( S;0) = 5,15. Damit unterschätzt die Wurzelformel das wahre SCR um bis zu 45%! 21
22 2. Risikomessung unter Solvency II Beispiel 2: Sei X1 über [ 0,1 ] stetig gleichverteilt. Betrachte 1 : = + X X Dann gilt aber X1 X 2, ( ) = μ + 2σ = + = 1, 077 > 1, 039 = + = μ + 2σ = R( X ) R X Wie die Portfoliotheoretiker bislang Risiken gemessen haben, wird der Wirklichkeit nicht gerecht. Dem zu Grunde liegen viele falsche Annahmen darunter die der Gaußschen Normalverteilung. Im Ergebnis werden Risiken an den Finanzmärkten signifikant unterschätzt. Honorar-Professor Benoit B. Mandelbrot, Yale University 22
23 3. Beta-verteilte Risiken 23
24 3. Beta-verteilte Risiken Die Auswirkungen der Wurzelformel lassen sich besonders leicht unter der Annahme von Beta-Verteilungen veranschaulichen. Für ganzzahlige Parameter sind die Dichten und die Verteilungsfunktionen der Faltung nämlich durch Polynome darstellbar ( Berechnung z.b. mit einem Computeralgebra-System). Nachfolgend verwendete Bezeichnung: n+ m n m + fx ( x; n, m) = ( n+ m+ 1) x (1 x),0 x 1; n,m = { 0 n } (Dichte der B( n+ 1, m+ 1)-Verteilung). 24
25 3. Beta-verteilte Risiken Faltungsdichte f ( i; n, m, n, m ) = f ( i; n, m ) f ( i ; n, m ): S X 1 1 Y 2 2 x fx( y; n1, m1) fy( x y; n2, m2) dy, 0 x 1 0 fs ( x; n1, m1, n2, m2) = 1 fx( y; n1, m1) fy( x y; n2, m2) dy, 1 x 2. x 1 zugehörige Verteilungsfunktion: x fs ( u; n1, m1, n2, m2) du, 0 x 1 0 FS ( x; n1, m1, n2, m2) = x FS(1) + fs( u; n1, m1, n2, m2) du, 1 x
26 3. Beta-verteilte Risiken Beispiele: 26
27 3. Beta-verteilte Risiken 27
28 3. Beta-verteilte Risiken Beispiele für SCR s mit α {0,01; 0,005 }, individuell und aggregiert (zwei unabhängige Summanden): ( nm, ) (0,0) (1,0) (2,0) (3,0) (0,1) (0,2) (0,3) SCR X (0.01) SCR (0.005 X ) ( nm), (1,2) (1,3) (1,4) (2,1) (3,1) (4,1) SCR X (0.01) SCR X (0.005)
29 3. Beta-verteilte Risiken ( n, m, n, m ) Dichte f SCR (0.01) S S SCR (0.01) Fehler in % Zeile 1: (0,0,0,0) Zeile 2: (1,0,1,0) Zeile 3: (2,0,2,0) Zeile 4: (3,0,3,0) Zeile 5: (0,1,0,1)
30 3. Beta-verteilte Risiken ( n, m, n,m ) Dichte f SCR (0.01) S S SCR (0.01) Fehler in % Zeile 6: (0,2,0,2) Zeile 7: (0,3,0,3) Zeile 8: (0,1,1,0) Zeile 9: (0,2,2,0) Zeile 10: (0,3,3,0)
31 3. Beta-verteilte Risiken ( n, m, n,m ) Dichte f SCR (0.01 ) S S SCR (0.01) Fehler in % Zeile 11: (1,2,2,1) Zeile 12: (1,3,3,1) Zeile 13: (1,4,4,1) Zeile 14: (4,8,8,4)
32 3. Beta-verteilte Risiken ( n, m, n, m ) Dichte f SCR (0.005) S S SCR (0.005) Fehler in % Zeile 1: (0,0,0,0) Zeile 2: (1,0,1,0) Zeile 3: (2,0,2,0) Zeile 4: (3,0,3,0) Zeile 5: (0,1,0,1)
33 3. Beta-verteilte Risiken ( n, m, n,m ) Dichte f SCR (0.005 ) S S SCR (0.005) Fehler in % Zeile 6: (0,2,0,2) Zeile 7: (0,3,0,3) Zeile 8: (0,1,1,0) Zeile 9: (0,2,2,0) Zeile 10: (0,3,3,0)
34 3. Beta-verteilte Risiken ( n, m, n,m ) Dichte f SCR (0.005 ) S S SCR (0.005) Fehler in % Zeile 11: (1,2,2,1) Zeile 12: (1,3,3,1) Zeile 13: (1,4,4,1) Zeile 14: (4,8,8,4)
35 3. Beta-verteilte Risiken Approximationen für den symmetrischen Fall ( n, m, n, m ) = (0, n, n,0) : n + 2 SCR α S ( α; n) SCR app( α ; n) = 1 n + 1 1/( n+ 2) SCR ( ;n) SCR ( α n α ; n) = α + app 2 ( 1) 1 n 1 n ( n + 1) + 1 1/( n 1) 35
36 3. Beta-verteilte Risiken mit SCR ( α; n) lim = L( α) = n SCR ( α; n) app ( 1+ lnα) + ( 1+ ln(1 α) ) 2 2 ln α 36
37 Beispiele für SCR s mit α 3. Beta-verteilte Risiken { } 0, 01; 0,005 für aggregierte unkorrelierte, aber stochastisch abhängige Risiken ( Gittercopula, ähnlich wie Kontingenztafeln): 1 1 Die Größen in den (hier beispielhaft) 9 Teilquadraten entsprechen den Höhen der Copula-Dichte in dem jeweiligen Teilquadrat. Bei der hier getroffenen Wahl sind die (uniformen) Randrisiken X und Y unkorreliert (Fall ( n1, m1, n2, m 2) = (0,0,0,0) ). Bezeichnung: γ = ( abc,, ) mit den Nebenbedingungen abc,, > 0, 1 a+ b <, 3 a+ c<
38 3. Beta-verteilte Risiken c b a
39 3. Beta-verteilte Risiken 0, x 0 9a 2 1 x, 0 x ( a+ [ b+ c] ) x + 32 ( a [ b+ c] ) x+ ( 2a+ [ b+ c] ), x ( 3 18 a 12 [ b+ c] ) x + ( a+ 27 [ b+ c] ) x+ 2 2 x ( a 57 [ b+ c] ), ( 3+ 14a+ 6[ b+ c] ) x + ( a 63[ ]) F 2 2(3; γ; x) = b+ c x+ 4 1 x ( a+ 213 [ b+ c] ), ( 2 22 a 4 [ b+ c] ) x + ( a 57[ b+ c] ) x x ( a 267 [ b+ c] ), ( 6+ 9a+ 3[ b+ c] ) x + 3( 4 6a 18[ b+ c] ) x+ 5 2 x ( a+ 18[ b+ c ]), 1, x 2. Dichte des Summenrisikos S = X + Y 39
40 3. Beta-verteilte Risiken 40
41 3. Beta-verteilte Risiken Q 2 ( 3; γ; 1 α) 1 2 α, 0 α, γ = 0,, α, α, = 2 2 α, 0 α, γ=,, α, 0 α, γ =,0, zugehörige Quantilfunktionen 41
42 3. Beta-verteilte Risiken SCR ( α ) S SCR ( α ) 2 2 γ = ( ) ( ) 0,, α γ =,, γ = (,0,0 ) Fehler in % Fehler in %
43 3. Beta-verteilte Risiken Beispiele für SCR s mit α {0, 01; 0,005} für aggregierte stochastisch abhängige Risiken mit oberer bzw.unterer Fréchet-Hoeffding-Schranke im Fall der Symmetrie ( n, m, n, m ) = (0, n, n,0) : Darstellung mit über 2 [ 0,1] stetig gleichverteilter Zufallsvariable U: X = F ( U;0, n) = 1 (1 U) 1 1/( n+ 1) X Y = F ( U; n,0) = U 1 1/( n+ 1) X Komonotonie bei oberer Fréchet-Hoeffding-Schranke X = F ( U;0, n) = 1 (1 U) 1 1/( n+ 1) X Y = F (1 U; n, 0) = (1 U) 1 1/( n+ 1) X Kontramonotonie bei unterer Fréchet-Hoeffding-Schranke 43
44 3. Beta-verteilte Risiken Im Fall der Komonotonie sind X und Y korreliert mit und ρ n ( n+ 2) ( n+ 3) = ( n+ 1)( n+ 3) n + 1 lim ρ n n 1/( n 1) π 1 2 π = 1= Γ + n Γ + 2 n + 1 Für das SCR des Summenrisikos ergibt sich exakt 1/( 1) 1/( 1) SCR n n S ( α; n) = (1 α) + α +. 44
45 3. Beta-verteilte Risiken Übersicht (SCR ( α; n) mit Korrelations-Korrektur): SCR ( α; n) SCR ( α ; n) S α n = 0 n = 1 n = 2 n = 3 n = 0 n = 1 n = 2 n = Fehler in % Fehler in %
46 3. Beta-verteilte Risiken SCR ( α; n) L( α) = lim n SCR ( α ; n ) S 46
47 3. Beta-verteilte Risiken Es gilt: ( A( α) B( α)) (36 3 π )( A( α) B( α)) 3 π A( α) B( α) (36 3 π ) L( α) = 3( A( α) B( α)) für 1 0 α, mit A( α) = ln(1 α), B( α) = lnα. 2 47
48 3. Beta-verteilte Risiken Im Fall der Kontramonotonie ist S 1, also SCR ( α; n) = 0! S Übersicht (SCR ( α ; n) mit Korrelations-Korrektur): SCR ( α ; n) α n = 0 n = 1 n = 2 n = 3 n = 10 n = 20 n = 50 n =
49 4. Zusammenfassung und Diskussion 49
50 4. Zusammenfassung und Diskussion Die Wurzelformel unterschätzt z.b. bei Beta-verteilten Risiken (aber auch bei anderen) tendenziell das wahre SCR sowohl bei Unabhängigkeit als auch bei stochastischer Abhängigkeit. Die von Sandström 2007 vorgeschlagene Schiefekorrektur ist häufig unwirksam, da die Wurzelformel auch bei Symmetrie der Verteilungen das wahre SCR unterschätzen kann (wie etwa bei Beta-Verteilungen). Die Wurzelformel reagiert nicht auf unterschiedliche SCR für das Gesamtrisiko bei unkorrelierten, aber stochastisch abhängigen Risiken. Fazit: die Wurzelformel erscheint aus mathematischer Sicht nicht geeignet, das Gesamt-SCR unter Solvency II aus den individuellen SCR verlässlich abzuleiten und steht daher im Widerspruch zur globalen 99,5%-Sicherheitsforderung der EU-Kommission. Es ist allerdings fraglich, ob es für dieses Problem überhaupt eine vernünftige Lösung gibt (die additive Variante wäre konsistent mit der Sicherheitsforderung, überschätzt aber dafür das wahre SCR (zu?) deutlich). 50
51 4. Zusammenfassung und Diskussion Literatur: Koryciorz, S. (2004). Sicherheitskapitalbestimmung und allokation in der Schadenversicherung. Eine risikotheoretische Analyse auf der Basis des Value-at-Risk und des Conditional Value-at-Risk. Mannheim: Verlag Versicherungswirtschaft. Sandström, A. (2007). Solvency II: Calibration for Skewness. Scandinavian Actuarial Journal 2, Sandström, A. (2005). Solvency. Models, assessment and regulation. Boca Raton: Chapman & Hall. Straßburger, D. (2006). Risk Management and Solvency - Mathematical Methods in Theory and Practice. Doktorarbeit, Carl von Ossietky Universität, Oldenburg. Straßburger, D. & Pfeifer, D. (2008). Solvency II: Stability problems with the SCR aggregation formula. Scandinavian Actuarial Journal 1, Straßburger, D. & Pfeifer, D. (2005). Dependence matters! Paper presented at the 36 th International ASTIN Colloquium, ETH Zurich, September 4 7, Zurich, Switzerland. 51
Oldenburger Forschungsprojekte zur Umsetzung von Solvency II bei KMVU
Oldenburger Forschungsprojekte zur Umsetzung von Solvency II bei KMVU 1. Oldenburger Versicherungstag 29.8.2007 Angelika May, Dietmar Pfeifer, Doreen Straßburger Gliederung 1. Warum Forschung mit / für
MehrDie Auswirkung von Rückversicherung auf die Eigenmittelanforderungen unter Solvency II Prof. Dr. Dietmar Pfeifer
Die Auswirkung von Rückversicherung auf die Eigenmittelanforderungen unter Solvency II Prof. Dr. Dietmar Pfeifer xxx 0 Agenda Der Aufbau der Solvenz-Bilanz Zur Begriffsbestimmung des SCR Die Auswirkung
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrDiversifikation und Korrelation - ein nur scheinbarer Zusammenhang?
Diversifikation und Korrelation - ein nur scheinbarer Zusammenhang? Anregungen zu einer kontroversen Diskussion DAV vor Ort Hamburg, 4.12.2013 (überarbeitete Fassung: 15.03.2016) Dietmar Pfeifer Schwerpunkt
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrBestimmung des Conditional Value-at-Risk (CVaR) bei Normal- bzw. Lognormalverteilung
Mannheimer Manuskripte u Risikotheorie, Portfolio Management und Versicherungswirtschaft r. 4 Bestimmung des Conditional Value-at-Risk (CVaR bei ormal- bw. Lognormalerteilung on PETER ALBRECHT UD SVE KORYCIORZ
MehrRisikomessung und Diversifikation unter Solvency II
Risikomessung und Diversifikation unter Solvency II 9. FaRis & DAV Symposium TH Köln, 4. Dezember 2015 Dietmar Pfeifer Schwerpunkt Versicherungs- und Finanzmathematik Agenda 1. Einführung 2. Die Solvency
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrInterne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz
Prüfungskolloquium SAV Prüfungskolloquium SAV Interne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz Biel, Biel, 23.11.2006 23.11.2006 Sandra Sandra Fehlmann Fehlmann Agenda Historischer
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrZur Person. Deutschland Aktuarielle Unternehmensberatung. Dynamic Financial Analysis - Risikomodellierung in der Sachversicherung -
Deutschland Aktuarielle Unternehmensberatung Dynamic Financial Analysis - Risikomodellierung in der Sachversicherung - Dr. Gero Nießen 17. Juni 2003 Zur Person Studium der Mathematik und Informatik an
MehrDynamische Risikomaße
Dynamische Risikomaße in der Unternehmenssteuerung Jochen Wolf FH Koblenz Ulm, 24.01.2012 Wolf FH Koblenz Dynamische Risikomaße Ulm, 24.01.2012 1 / 31 statische Risikomaße Agenda 1 statische Risikomaße
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrBERECHNUNG VON SCHWANKUNGSZUSCHLÄGEN IM PRICING VON RV-VERTRÄGEN
BERECHNUNG VON SCHWANKUNGSZUSCHLÄGEN IM PRICING VON RV-VERTRÄGEN SAV-Prüfungskolloquium am 19.11.2009 Dr. Katja Lord Aktuar Corporate Underwriting / Corporate Pricing Agenda 1. Schwankungszuschlag als
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrFakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik. Risikomaße Prof. Dr.
Fakultät Wirtschaftswissenschaften Lehrstuhl für Quantitative Verfahren, insbesondere Statistik Risikomaße 2016 Prof. Dr. Stefan Huschens ii Vorbemerkung Das vorliegende Skript ist aus einer Lehrveranstaltung
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrRisikomessung mit dem Conditional Value-at-Risk
Jendrik Hanisch Risikomessung mit dem Conditional Value-at-Risk Implikationen für das Entscheidungsverhalten. Bibliothek j k Mit einem Geleitwort von \* \, -^ Prof. Dr. Wolfgang Kürsten A; Verlag Dr. Kovac
MehrDiversifikation unter eingeschränkter Kapitalmobilität: ein gleichgewichtstheoretischer Ansatz
Diversifikation unter eingeschränkter Kapitalmobilität: ein gleichgewichtstheoretischer Ansatz Damir Filipovic Ludwig-Maximilians-Universität München Versicherungsmathematisches Kolloquium 24.Oktober 2005
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
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
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
MehrCERA - Klausur Quantitative Methoden des ERM
CERA - Klausur Quantitative Methoden des ERM 3.05.0 Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 0. Die Klausur ist bestanden, wenn mindestens 48 Punkte erreicht
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrSind Naturkatastrophen für die Versicherungswirtschaft noch kalkulierbar?
HANNOVER-FORUM 2005 Sind Naturkatastrophen für die Versicherungswirtschaft noch kalkulierbar? Sturm und Überschwemmung Zufälliges Zusammentreffen oder systematisches Phänomen? Prof. Dr. Dietmar Pfeifer
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrCERA - Klausur Quantitative Methoden des ERM
CERA - Klausur Quantitative Methoden des ERM 9.5.22 Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 2. Die Klausur ist bestanden, wenn mindestens 6 Punkte erreicht
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrGefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite
Gefährliche Wechselwirkung von Markt- und Kreditrisiko: Beispiel Fremdwährungskredite Thomas Breuer Martin Jandačka Klaus Rheinberger Martin Summer PPE Research Centre, FH Vorarlberg, Austria Oesterreichische
MehrRisikoaggregation 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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrKapitel 1. Einleitung. 1.1 Einführung in die Thematik und Motivation
1 Kapitel 1 Einleitung 1.1 Einführung in die Thematik und Motivation Im Zentrum des Interesses zahlreicher Fragestellungen der Finanzmarkttheorie sowie der angewandten Statistik stehen die Modellierung
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer Bergische Universität Wuppertal Dozent: M.Sc. Brice Hakwa
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrEINE EINFÜHRUNG IN COPULAS
EINE EINFÜHRUNG IN COPULAS Johanna Neslehova ETH Zürich Embrechts and Neslehova, 2006 1 The Perfect Storm Extreme, synchronized rises and falls in financial markets occur infrequently but they do occur.
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStochastische Approximation des Value at Risk
Stochastische Approximation des Value at Risk Annemarie Bitter Motivation Eines der wichtigsten Projekte der Versicherungswirtschaft ist derzeit die sogenannte Solvency-II-Richtlinie der Versicherungsaufsicht.
Mehr4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrDÜVA-Anwendertreffen, Köln, 7. November Agenda
ORSA und Proportionalität: Ein pragmatischer Vorschlag zur Umsetzung in KMU Prof. Dr. Dietmar Pfeifer Institut für Mathematik Schwerpunkt Versicherungs- und Finanzmathematik DÜVA-Anwendertreffen Köln,
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
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:
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrUnterspezifikation in der Semantik Hole Semantics
in der Semantik Hole Semantics Laura Heinrich-Heine-Universität Düsseldorf Wintersemester 2011/2012 Idee (1) Reyle s approach was developed for DRT. Hole Semantics extends this to any logic. Distinction
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrKlausur im Grundwissen Wertorientiertes Risikomanagement
Klausur im Grundwissen Wertorientiertes Risikomanagement 13.05.2011 Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 90. Die Klausur ist bestanden, wenn mindestens
MehrÜbungsblatt 6. Analysis 1, HS14
Übungsblatt 6 Analysis, HS4 Ausgabe Donnerstag, 6. Oktober. Abgabe Donnerstag, 23. Oktober. Bitte Lösungen bis spätestens 7 Uhr in den Briefkasten des jeweiligen Übungsleiters am J- oder K-Geschoss von
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrResearch Collection. Backward stochastic differential equations with super-quadratic growth. Doctoral Thesis. ETH Library. Author(s): Bao, Xiaobo
Research Collection Doctoral Thesis Backward stochastic differential equations with super-quadratic growth Author(s): Bao, Xiaobo Publication Date: 2009 Permanent Link: https://doi.org/10.3929/ethz-a-005955736
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrFragen vom 11.07.2014 zu SCR.6.39/SCR.6.41. (Loss-given default for risk-mitigating contracts)
Fragen vom 11.07.2014 zu SCR.6.39/SCR.6.41. (Loss-given default for risk-mitigating contracts) 1. Gemäß SCR.6.39. ist der risikobereinigte Wert der Hypothek folgendermaßen zu berechnen: Mortgage i = (Markt-)Wert
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mehr4. Bayes Spiele. S i = Strategiemenge für Spieler i, S = S 1... S n. T i = Typmenge für Spieler i, T = T 1... T n
4. Bayes Spiele Definition eines Bayes Spiels G B (n, S 1,..., S n, T 1,..., T n, p, u 1,..., u n ) n Spieler 1,..., n S i Strategiemenge für Spieler i, S S 1... S n T i Typmenge für Spieler i, T T 1...
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr