CERA - Klausur Quantitative Methoden des ERM
|
|
- Nadja Messner
- vor 6 Jahren
- Abrufe
Transkript
1 CERA - Klausur Quantitative Methoden des ERM Hinweise: Als Hilfsmittel ist ein Taschenrechner zugelassen. Die Gesamtpunktzahl beträgt 0. Die Klausur ist bestanden, wenn mindestens 48 Punkte erreicht werden. Aufgaben. Risikomaße, Komonotonie. (0 Punkte) Die Zufallsgrößen X und Y seien komonoton. Die Verteilungsfunktion F von X lautet { 0 ; x < F (x) = ; x. x Die Verteilungsfunktion G von Y lautet { 0 ; y < G(y) = ; y. y 3 a) (5 Punkte) Definieren Sie Komonotonie und geben Sie eine ökonomische Interpretation an. b) (8 Punkte) Berechnen Sie Value at Risk und Expected Shortfall von Y zum Niveau 0,999. (Erinnerung: ES α = α α VaR z(y ) dz.) c) (5 Punkte) Bestimmen Sie die gemeinsame Verteilungsfunktion H des Zufallsvektors (X, Y ). d) ( Punkte) Stellen Sie das obere partielle Moment. Ordnung von X + Y zur Schwelle 5 als Integral bezüglich der gemeinsamen Verteilungsfunktion H von (X, Y ) dar.. Risikomaße und multivariate Modellierung (0 Punkte) a) (0 Punkte) Zeigen Sie anhand eines selbstgewählten Beispiels, dass der Value at Risk im Allgemeinen nicht subadditiv ist. Diskutieren Sie kurz die Relevanz der Subadditivität für praktische Anwendungen. b) (0 Punkte) Der Zufallsvektor X = (X,..., X d ) sei multivariat normalverteilt. Sei M die Menge aller Risikopositionen der Form L = d i= λ ix i. Zeigen Sie, dass für α > 0.5 VaR α kohärent ist auf M.
2 3. Bayesianische Statistik. (5 Punkte) Seien X P ois(λ) und λ Gamma(, ). Hinweis. Die Dichte der Gamma-Verteilung mit den Parametern α, β > 0 lautet f(x) = βα Γ(α) xα exp( βx) (0, ) (x). a) (9 Punkte) Leiten Sie die a-posteriori Verteilung des Parameters und die Randverteilung von X her. b) (6 Punkte) Wir testen H 0 : λ gegen H : λ >. Geben Sie für die Beobachtung x = die a-posteriori Wahrscheinlichkeit für H 0 und die Testentscheindung unter der gewichteten 0- Verlustfunktion an. 4. Copulas. (5) a) (8 Punkte) Die bivariate Pareto-Verteilung hat die Überlebensfunktion ( x F (x, x ) = + x ) α + für x, x, α, β, β > 0. β β Berechnen Sie die zugehörige Überlebenscopula Ĉ, d.h. die copula mit der Eigenschaft, dass F (x,..., x d ) = Ĉ( F (x ),..., F d (x d )). b) (7 Punkte) Definieren Sie für zwei Zufallsvariablen X and X mit stetiger Randverteilung den Koeffizient der lower tail dependence λ l. Begründen Sie, dass λ l mit Hilfe der copula von X und X ausgedrückt werden kann. Warum ist tail dependence potentiell wichtig bei der Messung von Finanzrisiken? 5. Risk Integration. (8 Punkte) Betrachten Sie eine Versicherung mit zwei business lines (Investment und underwriting), deren Verlust (negative P& L) durch die Zufallsvariablen L i, i =, gegeben ist. Jede business line hat ein eigenes Risikomanagement-System und es sei bekannt, dass L N(µ, σ ) und dass L LN(µ, σ ) (d.h. ln L ist N(µ, σ )-verteilt). Allerdings gibt es kein firmenweites Risikomanagementmodell, so dass die Verteilung von L = (L, L ) nicht bekannt ist. a) (8 Punkte) ( Konstruieren Sie mit Hilfe der Gauss copula mit Parameter ρ ein konsistentes Modell für die Verteilungsfunktion F von L und beschreiben Sie einen Algorithmus, um Datenpunkte gemäß F zu simulieren. b) (6 Punkte) Diskutieren Sie eine Methode zur Schätzung von ρ, falls Beobachtungen L,..., L 0 aus den letzten 0 Jahren zur Verfügung stehen. c) (4 Punkte) Führen Sie kurz einige Vor- und Nachteile des in a) und b) beschriebenen Ansatzes zur Risikoaggregation auf.
3 P (3) (3,4)=.0467 P () (,4)=0.994 P () (,3)= P () (,4)= P () (,3)= P () (,)=0.955 P () (3,4)=0.940 P (0) (0,4)= P (0) (0,3)= P (0) (0,)=0.887 P (0) (0,)= P () (,4)=0.805 P () (,3)= P (0) (,4)=0.647 P (0) (,3)=0.738 P (0) (,)=0.857 P () (3,4)= P (0) (,4)=0.653 P (0) (,3)= P (0) (3,4)= Zinsmodelle. (4 Punkte) Betrachten Sie den obigen Baum der Diskontierungsfaktoren P (i) (t, T ) in einem Ho-Lee-Modell, wobei der obere Index (i) die Anzahl der bisherigen Aufwärtsbewegungen und [t, T ] das Zeitintervall der Diskontierung angibt. Die risikoneutrale Wahrscheinlichkeit für eine Aufwärtsbewegung beträgt π = 0.5. Berechnen Sie zum Zeitpunkt 0 den Preis eines Caplets mit Auszahlungszeitpunkt t = 3 und Strike Kreditrisiko. (8 Punkte) a) (0 Punkte) Beschreiben Sie die Modellierung des Konkurses einer Firma im Merton-Modell. Zeigen Sie, dass sich der Preis einer Firmenanleihe als Preis eines ausfallfreien Bonds abzüglich einer Put-Option darstellen lässt und bewerten Sie die Firmenanleihe mit der Black-Scholes Formel. Wie wirkt sich eine Erhöhung der Volatilität des Firmenwerts auf den Preis der Firmenanleihe aus? Diskutieren Sie ökonomische Implikationen. b) (8 Punkte) Betrachten Sie ein einfaches Kreditrisikomodell in reduzierter Form mit konstanter Zinsrate r > 0 und konstanter hazard-rate γ > 0 (unter dem zur Bewertung verwendeten risikoneutralen Maß Q. Geben Sie in Abhängigkeit von r und γ den Preis in t = 0 einer ausfallbehafteten Anleihe mit Nennwert an. Nehmen Sie dabei an, dass im Fall eines Konkurses zum Zeitpunkt τ T ein Betrag von 0.5 direkt in τ an den Halter der Anleihe ausgezahlt wird.
4 Lösungen. Risikomaße, Komonotonie. a) Zwei Zufallsvariablen X und X sind komonoton, falls es eine Zufallsvariable Z und wachsende Funktionen v, v mit X i = v i (Z), i =,, gibt. Komonotonie stellt eine perfekte Abhängigkeit dar; insbesondere ist bei komonotonen Risiken keine Diversifikation möglich. b) Die Gleichung = 0, 999 (VaR 0,999 (Y )) 3 führt auf den Value at Risk VaR 0,999 (Y ) = 0. Der Expected Shortfall ergibt sich zu ES 0,999 (Y ) = 0, 999 = 000 0,999 0,999 VaR z (Y ) dz ( ) /3 dz z = 500 [ ( z) /3 ] 0,999 = 5. c) Wegen der Komonotonie hat der Zufallsvektor (X, Y ) die Copula C(u, v) = min(u, v), so dass wir die gemeinsame Verteilungsfunktion { ; x > y 3 H(x, y) = C(F (x), G(y)) = y 3 ; x y 3 x erhalten. d) Das obere partielle Moment. Ordnung von X + Y zur Schwelle 5 ist gegeben durch UPM,5 (X + Y ) = (x + y 5) [5, ) (x + y) dh(x, y).. Risikomaße, multivariate Modelle. a) Hier gibt es viele Möglichkeiten. Im folgenden betrachten wir zwei ausfallbehaftete Anleihen mit unabhängigem default und identischer Ausfallwahrscheinlichkeit von p = 0.9%. Der heutige Preis der Anleihen sei gleich 00, der Nennwert sei 05, und die recovery rate sei gleich Null. Sei L i der Verlust (negative P&L) von Anleihe i. Es gilt e { (05 00) = 5 (no default, probability p = 0.99) L i = (0 00) = 00 (default, probability p = 0.009). Setze α = Es gilt P (L i < 5) = 0 und P (L i 5) = 0.99 > α und daher t VaR α (L i ) = 5.
5 Betrachte nun L = L + L, d.h. ein Portfolio das je eine Anleihe jeder Firma enthält. Wegen der vorausgesetzten Unabhängigkeit der Ausfälle folgt 0 (no default, probability ( p) = 0.98) L = (05 00) = 95 (exactly default, probability p( p) ) 00 ( defaults, probability p ) Insbesondere ist P (L 0) = 0.98 < 0.99 und P (L 95) > 0.99 und somit VaR α (L) = 95 Daher ist V ar α in diesem Beispiel nicht kohärent. Subadditivität eines Risikomaßes ist insbesondere wesentlich wenn risk taker (Händler/underwriter) gemäß risikoadjustierten Performance-Maßen bewertet werden und wenn gleichzeitig mit sehr schiefen Verlustverteilungen operiert wird. Ein nicht-subadditives Maß kann in solchen Situationen zu optimalen (aus Sicht des risk takers) Portfolien führen, die hohe Konzentrationsrisiken aufweisen. Wichtig ist Subadditivität auch bei limit-systemen. b) Sei L = d j= λ j X j und analog für L, und sei L = L + L Es gilt L i N(µ i, σi ), i =, und L N(µ L, σl ) (hier verwendet man, dass Linearkombinationen von multivariat normalverteilten Zufallsvariablen wieder multivariat normal sind). Es gilt offensichtlich µ L = µ + µ und σl = σ + ρσ σ + σ (σ + σ ) Hier bezeichnet ρ [, ] die Korrelation zwischen L und L. Es folgt VaR α (L i ) = µ i + σ i φ (α) und somit wegen φ (α) > 0 (da α > 0.5) VaR α (L) = µ L + σ L φ (α) µ + µ + (σ + σ )φ (α) = VaR α (L ) + VaR α (L ) 3. Bayesianische Statistik. a) Wir rechnen jeweils modulo einer Konstanten und nutzen bei der Identifikation der Ergebnisse aus, dass eine Dichte entsteht. Wir bezeichnen die a-priori Dichte mit π(λ), die Beobachtungsdichte mit f(x λ), die Randverteilungsdichte mit m(x) sowie die a-posteriori Dichte mit π(λ x). Wir erhalten π(λ x) = f(x λ)π(λ) m(x) f(x λ)π(λ) λ x exp( λ)λ exp( λ) = λ +x exp( λ) +x Γ( + x) λ(+x) exp( λ) Die a posteriori Verteilung ist also Gamma( + x, ).
6 Für die Randverteilung m(x) erhalten wir m(x) = f(x λ)π(λ) π(λ x) / +x = x!γ() Γ( + x) ( ) Γ( + x) +x =. x! b) Da λ x a posteriori Gamma( + x, )-verteilt ist, erhalten wir P π (λ H 0 x = ) = 0 3 Γ(3) λ exp( λ) dλ = λ exp( λ) dλ 0 Γ(, 3) =, wobei Γ(z, α) = z 0 λα exp( λ) dλ die unvollständige Gammafunktion bezeichnet. Unter der gewichteten Verlustfunktion 0 ; ϕ = H0 (θ) L(θ, ϕ) = a 0 ; θ H 0, ϕ = 0 a ; θ H, ϕ = erhalten wir die Testentscheidung ϕ π () = ( a a 0 +a, ( ) Γ(, 3) wobei ϕ π () = Annahme von H 0 bzw. ϕ π () = 0 Ablehnung von H 0 aufgrund der Beobachtung x = bedeuten. 4. Copulas. a) Wir verwenden die Formel ), Ĉ(u,..., u d ) = F ( F (u ),..., F d (u d)). Eine direkte Rechnung liefert Fi (u) = β i (u α ). Einsetzen ergibt Ĉ(u, u ) = (u /α + u /α ) α ; dies ist die Clayton copula mit Parameter θ = α.
7 b) Der Koeffizient der lower tail dependence des Zufallsvektors (X, X ) ist λ l (X, X ) = lim q 0 + P (X F (q) X F (q)) = lim q 0 + C(q, q) q nach Definition der bedingten Wahrscheinlichkeit. Lower tail dependence ist ein Indikator für die Wahrscheinlichkeit des Auftretens von gemeinsamen Extremereignissen im linken tail der Verteilung. 5. Risk-Integration. a) Verwendet man die Gauss copula Cρ Ga zur Konstruktion eines mathematischen Modells, so ergibt sich für die gemeinsame Verteilung F (l, l ) = C Ga ρ (F (l ), F (l )) mit F (l) = Φ ( (l µ)/σ ), F = Φ ( (ln l µ)/σ ) und Φ der VF der Standardnormalverteilung. Für die Gauss-copula ergibt sich folgende explizite Formel C Ga ρ (u, u ) == Φ (u ) Φ (u ) π( ρ exp ) / { (s ρs s + s ) ( ρ ) Zur Simulation verwendet man die inverse Aussage von Sklars Theorem: } ds ds. Schritt. Simuliere Z, Z unabhängig, N(0, ) und setze X = Z, X = ρz + ρ Z. Dann ist U = (Φ(X ), Φ(X )) gemäß Cρ Ga -verteilt. Schritt. Setze L = (F (U ), F (U )). b) Die einfachste Methode zur Schätzung von ρ basiert auf Kendall s τ. Es gilt ρ τ (L, L ) = π arcsin ρ. Ein Momentenschätzer für ρ τ ist Kendall s Rangkorrelationskoeffizient. Für die gegebenen 0 Beobachtungen erhält man ˆρ τ = ( ) 0 sign((l n, L m, )(L n, L m, )) n< m q0 Alternativ können natürlich auch Maximum Likelihood Methoden verwendet werden. c) Vorteile des Ansatzes: Man hat ein mathematisch konsistentes Modell und eine Prinzipienbasierte Methode zur Bestimmung der Gesamtverlustverteilung und des aggregierten Risikokapitals. Nachteil: Die Ergebnisse (Gesamtkapital und Kapitalallokation) hängen natürlich von der Wahl der copula und ihrer Parameter ab so dass der skizzierte Aggregationsansatz ein substantielles Modellrisiko beinhaltet.
8 6. Zinsmodelle. Die Auszahlung eines Caplets mit Strike K zum Zeitpunkt t ist mit dem variablen Zins (L (i) (t, t) K) + L (i) (t, T ) = ( ) T t P (i) (t, T ). Wir erhalten für den Preis P des Caplets mit Auszahlungszeitpunkt t = 3: [ P = (0, 04 0, 5 + 0, 04 0, 5) P () (, 3) (0, 5 P (0) (, ) + 0, 5 P () (, )) ] + (0, 347 0, 5 + 0, 347 0, 5) P (0) (, 3) 0, 5 P (0) (, ) 0, 5 P (0) (0, ) = 0, 054 Auszahlungsprofil Caplet für t=3 0 L () (,3) = L () (,) = ,04 L (0) (0,) = 0.05 L () (,3) = 0.4 0,04 L (0) (,) = ,347 L (0) (,3) = , Kreditrisiko. a) In Merton s Modell tritt der Ausfall der betrachteten Firma im Zeitpunkt T ein, falls der Wert V T der assets kleiner als der Nennwert B der Verbindlichkeiten ist. Man erhält für den Wert der Firmenanleihe bei Fälligkeit, dass B T = min(v T, B) = B (B V T ) +.
9 Unter den Annahmen des Merton-Modells folgt für den Preis in t < T, B t = Bp 0 (t, T ) P BS (t, V t ; r, σ V, B, T ), wobei der Preis eines Europ. Puts im Black-Scholes Modell gegeben ist durch P BS (t, V t ; r, σ V, B, T ) = Be r(t t) Φ( d t, ) V t Φ( d t, ), Vereinfachen liefert B t = p 0 (t, T )BΦ(d t, ) + V t Φ( d t, ). Der Preis des Bonds ist fallend in σ. Dies ist sinnvoll, da eine höhere Volatilität zu einer höheren Ausfallwahrscheinlichkeit führt, und da die bondholder an dem upside potential höherer Volatilität nicht partizipieren, denn die maximal mögliche Auszahlung ist durch B beschränkt. b) Die Auszahlung der Anleihe kann in zwei Teile zerlegt werden. Falls kein Ausfall eintritt so erhält man den Nennwert; der Preis dieses survival claims ist (mit T = ) Der Preis des recovery payments ist E Q (e rt {τ>t } ) = e rt Q(τ > T ) = e (r+γ)t. E Q( 0.5e rτ ) T {τ T } = 0.5 e rt γe γt dt = 0.5 γ ( e (r+γ)t ). r + γ 0
Copula 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
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
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
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)
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:...
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
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
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
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X
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
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
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
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
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
MehrNikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen
Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen IGEL Verlag Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen 1.Auflage 2009 ISBN: 978 3 86815 358
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7
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
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrNachholklausur zur Vorlesung Schätzen und Testen I. 04. April Bitte ausfüllen und unterschreiben!!!
Nachholklausur zur Vorlesung Schätzen und Testen I 04. April 2013 Volker Schmid, Ludwig Bothmann, Julia Sommer Aufgabe 1 2 3 4 5 6 Punkte Note Bitte ausfüllen und unterschreiben!!! Name, Vorname: Matrikelnummer:
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
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrKompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse
Kompaktskript zur Vorlesung Statistische Verfahren der Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P.
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
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
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
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrMonte 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
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrWiederholung der Hauptklausur STATISTIK
Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrOptionspreistheorie Seminar Stochastische Unternehmensmodelle
Seminar Stochastische Unternehmensmodelle Lukasz Galecki Mathematisches Institut Universität zu Köln 1. Juni 2015 1 / 30 Inhaltsverzeichnis 1 Was ist eine Option? Definition einer Option Übersicht über
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrMertonscher Firmenwertansatz zur Modellierung von Kreditrisiken
Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und
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
MehrBeispiel 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,
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrHerzlich Willkommen zur letzten Vorlesung in. Statistik 2. vor Weihnachten
Herzlich Willkommen zur letzten Vorlesung in Statistik 2 vor Weihnachten Was sollen wir heute machen? Vorlesung? Übung? Weihnachtsfeier? Was sollen wir heute machen? Vorlesung? Übung? Weihnachtsfeier?
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
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
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
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
MehrInstitut für Stochastik, SoSe K L A U S U R , 13:
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
Mehr5. Vorlesung Wintersemester
5. Vorlesung Wintersemester 1 Bewegung mit Stokes scher Reibung Ein dritter Weg, die Bewegungsgleichung bei Stokes scher Reibung zu lösen, ist die 1.1 Separation der Variablen m v = αv (1) Diese Methode
MehrSeminar: Finanzmathematik. Bewertung von Barriere Optionen im Black-Scholes Modell sowie die Symmetrie von P. Carr
Seminar: Finanzmathematik Bewertung von Barriere Optionen im Black-Scholes Modell sowie die Symmetrie von P. Carr Deniz Atug 4. April 2010 Zusammenfassung Die vorliegende Arbeit gibt eine Einführung in
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,
MehrSeminar Quantitatives Risikomanagement
Seminar Quantitatives Risikomanagement Kreditrisikomanagement II Fabian Wunderlich Mathematisches Institut der Universität zu Köln Sommersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents 1
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrSprungprozesse in der Finanzmathematik
Sprungprozesse in der Finanzmathematik Stefan Kassberger Frankfurt School of Finance and Management Antrittsvorlesung am 22.3.2012 1. Empirische Beobachtungen 2. Jump-Prozesse und alternative Verteilungen
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
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
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
Mehr