Bewertung von biometrischen Risiken in der bav
|
|
- Horst Bösch
- vor 6 Jahren
- Abrufe
Transkript
1 Bewertung von biometrischen Risiken in der bav Ralf Knobloch Fachhochschule Köln
2 Gliederung 1. Biometrische Risiken in der bav 2. Das Modell 3. Risikomaße 4. Einfaches Beispiel 5. Schlussbemerkungen 2
3 Biometrische Risiken in der bav Biometrische Risiken sind Risiken, die mit dem Leben von Personen zusammenhängen, z.b. Langlebigkeit Invalidität Hinterbliebene 3
4 Biometrische Risiken in der bav Betriebswirtschaftliche Definition des Begriffs Risiko : Risiko bezeichnet die Möglichkeit der negativen Abweichung von geplanten Zielen. (Risiko im engeren Sinne, wirkungsbezogene Definition) (vgl. z.b. Sartor/Bourauel S.3ff). Zielgröße = Deckungsmittel Abweichung = Benötigte Deckungsmittel vorhandene Deckungsmittel (Risiko: Abweichung >0) Wie kann es aufgrund biometrischer Risiken zu Abweichungen kommen? Falsche Einschätzung der aktuellen oder zukünftigen biometrischen Verhältnisse Zufällige Schwankungen 4
5 Biometrische Risiken in der bav Wie misst man biometrische Risiken vergangenheitsbezogen bzw. retrospektiv? Vergleich der tatsächlichen und den rechnungsmäßigen Häufigkeiten von biometrischen Ereignissen (Tod, Invalidität, ) über ein oder über mehrere Jahre Vergleich der tatsächlich benötigten und rechnungsmäßigen vorhandenen Deckungsmittel für biometrische Ereignisse über ein oder über mehrere Jahre Zukunftsbezogene bzw. prospektive Ansätze Value-at-Risk, Tail Value-at-Risk und Schadenverteilung in der Personenversicherung, Herrmann R., Blätter der DGVFM, Oktober 2006, Vol. 27, S Monte-Carlo-Simulation des kompletten Bestandsschicksals über einen langen Zeitraum, z.b. 100 Jahre 5
6 Das Modell Biometrisches Modell der bav: Aktiver Ausgeschiedener Arbeitnehmer Arbeitnehmer Invalidenrentner Altersrentner Hinterbliebenenrentner Ohne Anspruch (Vgl. Neuburger: Mathematik und Technik betrieblicher Pensionszusagen, Schriftenreihe Angewandte Versicherungsmathematik Heft 25, S. 57) 6
7 Das Modell Gegeben sei ein betriebliches Versorgungswerk (keine Vorgabe bezüglich des Durchführungswegs) mit n Personen. Betrachteter Zeitraum T Jahre. Zum Zeitpunkt t 0 vorhandene Deckungsmittel für die k -te Person: D k, k 1,2,,n. Leistungen an die k -te Person zum Zeitpunkt t : L k, t, k 1,2,,n, t 0,1,2,,T Prämie/Finanzierung für die k -te Person zum Zeitpunkt t : P k, t, k 1,2,,n, t 0,1,2,,T 7
8 Das Modell Zufallsvariablen Abweichung/Differenz k -te Person/ Verlust(+) und Gewinn(-) X k : T t 0 v t L k,t T t 0 v t P k,t D k (v = Abzinsungsfaktor) Abweichung/Differenz gesamt / Verlust(+) und Gewinn(-) X : n X k k 1 8
9 Das Modell Verteilung der Zufallsvariablen X? Faltung: X ist die Summe von n unabhängigen Zufallsvariablen. Problem: Für größere n und T rechentechnisch nicht bzw. schwer direkt kalkulierbar. Normalverteilung: X kann für große n als annähernd normalverteilt angenommen werden. Problem: Erwartungswert gut, Standardabweichung nicht bzw. schwer direkt kalkulierbar. Für kleinere oder inhomogene Bestände ist die Normalverteilungsannahme eventuell nicht erfüllt. 9
10 10 Das Modell Markov-Ansatz: Modellierung der Personenschicksale mit Markov-Ketten Problem: Erwartungswert gut, Standardabweichung nicht bzw. schwer direkt kalkulierbar. Monte-Carlo-Simulation: Die Verteilung von X kann durch eine hinreichend große Anzahl von Simulationen geschätzt werden. Dabei wird das Schicksal einer Person mithilfe von Zufallszahlen ausgewürfelt. Damit können Kennzahlen der Verteilung von X geschätzt werden: Erwartungswert, Standardabweichung, Value at Risk, Expected Shortfall,.
11 11 Risikomaße Zufallsvariable X: Gesamtabweichung/-differenz (Verlust(+), Gewinn(-)) Erwartungswert: Durchschnittlicher Wert, Lagemaß, aber kein Risikomaß Standardabweichung: Wurzel aus mittlerer quadratischen Abweichung vom Erwartungswert, Streuungsmaß, aber kein Risikomaß im engeren Sinne Value at Risk: Minimale Differenz unter den α 100% (z.b. 5%) schlechtesten Szenarien, Risikomaß (aber nicht immer kohärent, insbesondere ist i.a. die Subadditivität verletzt) Expected Shortfall: Durchschnittlicher Wert unter den α 100% (z.b. 5%) schlechtesten Szenarien, Risikomaß (immer kohärent), bei stetigen Verteilungen identisch mit Tail Value at Risk
12 12 Einfaches Beispiel Fiktiver Bestand: Nur Rentner 300 Männer: 60 Invalidenrentner, 225 Altersrentner, 15 Witwer 243 Frauen: 15 Invalidenrentner, 45 Altersrentner, 183 Witwen 60% Hinterbliebenenversorgung Durchführungsweg: Direktzusage Berechnungsannahmen: Rechnungszins: 3% p.a. Rentendynamik: 1,5% p.a. Biometrie: RT 2005 G (Rückstellungsberechnung und Simulation)
13 13 Einfaches Beispiel Beispiel 1: Invaliden- und Altersrente jeweils Jahresrente Witwen/-errente jeweils 720 Jahresrente Jahresrentensumme = Beispiel 2: Invaliden- und Altersrente im Mittel ca Jahresrente (Bandbreite 0 bis ) Witwen/-errente im Mittel ca. 720 Jahresrente (Bandbreite 0 bis ) Jahresrentensumme =
14 14 Einfaches Beispiel Beispiel 3: Invaliden- und Altersrente im Mittel ca Jahresrente (Ein Invalidenrentner als Ausreißer mit Jahresrente , Jg. 1973) Witwen/-errente im Mittel ca. 720 Jahresrente (Eine Witwe als Ausreißer mit Jahresrente , Jg. 1949) Jahresrentensumme = Beispiel 4: (Bestand wie Beispiel 2) Invaliden- und Altersrente im Mittel ca Jahresrente Witwen/-errente im Mittel ca. 720 Jahresrente Jahresrentensumme = Pausschale Absenkung der Sterbewahrscheinlichkeiten um 10% (Rückstellungsberechnung und Simulation)
15 15 Einfaches Beispiel (100 Simulationsläufe) Beispiel 1 Beispiel 2 Beispiel 3 Beispiel 4 (1) Jahresrentensumme (2) Rückstellung = Barwert (3) Erwarteter Barwert (=Mittelwert) (4) = (3)/(2) 1 0,32% 0,28% 0,10% 0,35% (5) Erwartete Abweichung (=Mittelwert) (6) Standardabweichung Abweichung (7) In Prozent der Rückstellung 1,85% 1,96% 7,82% 1,89% (8) Value at Risk Abweichung (NV,5%) (9) In Prozent der Rückstellung 3,36% 3,50% 12,96% 3,46% (10) Value at Risk Abweichung (geschätzt,5%) (11) In Prozent der Rückstellung 3,32% 3,33% 10,45% 3,35% (12) Expected Shortfall Abweichung (NV,5%) (13) In Prozent der Rückstellung 4,14% 4,32% 16,23% 4,25% (14) Expected Shortfall Abweichung (geschätzt,5%) (15) In Prozent der Rückstellung 4,02% 4,28% 11,23% 4,03% (16) Test auf Normalverteilung Nicht ablehnen Nicht ablehnen Ablehnen Nicht ablehnen Kolomogov Smirnov Test (5%) p Wert 69,8% 66,3% 4,6% 55,6%
16 16 Einfaches Beispiel (100 Simulationsläufe) Ausgangslage: Bestand aus Beispiel 2, Rückstellung 2 = Biometrische Risiken: Schwankungsrisiko, Risiko der Fehleinschätzung bei der Sterblichkeit (-10%) Risikobewertung (auf Basis der Simulation): VaR 4 + Erwarteter Barwert 4 ( Rückstellung 4 ) Rückstellung Tsd. 7,7% der Rückst. oder ES 4 + Erwarteter Barwert 4 ( Rückstellung 4 ) Rückstellung Tsd. 8,4% der Rückst.
17 17 Schlussbemerkungen Biometrische Risiken können auf Basis einer Monte-Carlo-Simulation mithilfe von Risikomaßen bewertet und analysiert werden. Nicht immer kann dabei die betrachtete Zufallsgröße als normalverteilt angenommen werden. Das gilt vor allem bei kleinen bzw. inhomogenen Beständen Das Schwankungsrisiko ist durch die Homogenität des Bestandes geprägt. Aktivenbestände: Was sind zukünftige Einnahmen? Einfluss des gewählten Finanzierungsverfahrens? Einfluss des gewählten Durchführungsweges? Bei Aktiven führen Sterblichkeitsabschläge nicht immer zu Verlusten! Risikomanagement in der betrieblichen Altersversorgung, Proc. zum 4. FaRis & DAV-Symposium am 14. Juni 2013, Cologne Open Science
18 18 Vielen Dank für Ihre Aufmerksamkeit
Risikomanagement in der betrieblichen Altersversorgung
Risikomanagement in der betrieblichen Altersversorgung FaRis & DAV Symposium, Köln, 14. Juni 2013 Fachhochschule Köln, Schmalenbach Institut für Wirtschaftswissenschaften Gliederung 1. Betriebliche Altersversorgung
MehrRichttafeln 2005 G Dr. Richard Herrmann
Richttafeln 2005 G Dr. Richard Herrmann qx-club Köln, 6. September 2005 Gliederung Grundgesamtheit in der betrieblichen Altersversorgung Ausscheideursachen und biometrische Maßzahlen in der betrieblichen
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
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
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
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
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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
MehrEinsatz Risikobewertung, Entscheidungsfindung und Simulation
Einsatz von @Risk: Risikobewertung, Entscheidungsfindung und Simulation Case Study Insolvenzwahrscheinlichkeit eines Unternehmens Risikoregister 1 Case Study: Insolvenzwahrscheinlichkeit eines Unternehmens
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
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
MehrKönnen Risiken aus technisch-ökonomischen Entwicklungen zuverlässig eingeschätzt werden? 1
Können Risiken aus technisch-ökonomischen Entwicklungen zuverlässig eingeschätzt werden? Ein Diskussionsbeitrag aus Sicht der mathematischen Statistik Prof. Dr. Dietmar Pfeifer Institut für Mathematik
MehrRentenportfolios. Frank Weber AXA Winterthur. Copyright 2009, SAS Institute Inc. All rights reserved.
Frank Weber AXA Winterthur Agenda Umfeld Rentenportfolios Risikofaktoren Risikoanalyse und Quantifizierung Simulationstool Anwendung Risk Dimension Umfeld 3-Säulen-System in der Schweiz Säule I AHV / IV
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
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
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrKollektives Sparen: Steuerung des Risikoausgleichs zwischen den Generationen
Versicherungsmathematisches Kolloquium, Universität zu Köln 12. Januar 2015 Kollektives Sparen: Steuerung des Risikoausgleichs zwischen den Generationen Prof. Dr. Oskar Goecke Fachhochschule Köln, Institut
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrWie kann man Risiko messen?
Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität
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
MehrInhalte Kurs Finanz- und Risikosteuerung
Inhalte Kurs Finanz- und Risikosteuerung Studieninhalte (DS = Doppelstunde á 90 Minuten) Grundlagen der Bankensteuerung Finanzmathematische Grundlagen 12 DS Dynamische Verfahren der Investitionsrechnung
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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:
MehrSVSP Risikoklassifizierung (Value at Risk) - FAQ
SVSP Risikoklassifizierung (Value at Risk) - FAQ 1. Mit welchen Methoden wird die Risikokennzahl berechnet? Der SVSP nutzt zur Berechnung von VaR die historische Simulation. Diese Methode ist weit verbreitet
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrKennzahlen zur Risikomessung und -steuerung
Wirtschaft Hendrik Hellwig Kennzahlen zur Risikomessung und -steuerung Diplomarbeit Philipps-Universität Marburg Wirtschaftswissenschaftliche Fakultät Professur für Allgemeine Betriebswirtschaftslehre
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
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
MehrPensionslasten im M&A-Prozess
Pensionslasten im M&A-Prozess Dr. Reiner Schwinger 19. September 2006 Copyright RAUSER AG Oskar-Kalbfell-Platz 14, 72764 Reutlingen, Tel.: +49 7121 3122-0 Dieses Dokument ist nur für den direkten Empfänger
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
MehrAnforderungen an Krankenversicherer unter SST und Solvency II. Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16.
Anforderungen an Krankenversicherer unter SST und Solvency II Prüfungskolloquium zum Aktuar SAV Michele Casartelli, 16. November 2012 Grundlagen Hauptziele von Solvenzvorschriften: Schutz von Versicherungsnehmern
MehrMinisterium für Schule und Weiterbildung NRW M LK HT 7 Seite 1 von 10. Unterlagen für die Lehrkraft. Abiturprüfung Mathematik, Leistungskurs
Seite 1 von 10 Unterlagen für die Lehrkraft Abiturprüfung 2012 Mathematik, Leistungskurs 1. Aufgabenart Stochastik mit Alternative 1 (ein- und zweiseitiger Hypothesentest) 2. Aufgabenstellung 1 siehe Prüfungsaufgabe
MehrInhalt: In der Studie werden beliebte Zertifikatetypen über unterschiedlichste Marktphasen hinweg modelliert und bewertet.
Kurzinformation zur Studie Ansprechpartner Dr. Andreas Beck ab@institut-va.de Motivation: Anleger haben i.d.r. Erfahrung mit Zertifikaten in nur einer Marktphase Der Siegeszug von Zertifikaten hat in der
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
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
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
MehrHäufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche
Lehrveranstaltung Empirische Forschung und Politikberatung der Universität Bonn, WS 2007/2008 Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche 30. November 2007 Michael
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
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
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrLösungen zu den Übungsaufgaben
Lösungen zu den Übungsaufgaben SS 004 Dr. H. Grunert Franzstraße 49, 06406 Bernburg Tel. 03471-66493, Fax 03471-66496 email: grunert @ mws-bbg.de Der Einfachheit halber werden alle Wahrscheinlichkeiten
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
MehrStatistik 2 RE Statistik f. Soziologen Klausur MÄRZ 2009 LÖSUNGSVORSCHLAG
1. Familie Feuerstein kauft sich ein neues Auto, vorher aber lassen sie ihr altes verschrotten. Auf dem Weg dorthin werden sie in einer Wohnstrasse, wo nur 30 km/h erlaubt sind, geblitzt. Als sie ihre
MehrBVK 2017 Entscheide des Stiftungsrates Hintergrundinformationen zu den Beweggründen
B 2017 Entscheide des Stiftungsrates Hintergrundinformationen zu den Beweggründen 27. April 2016 Aktuelles Umfeld für Pensionskassen Anlagesituation der Pensionskassen hat sich durch die anhaltend tiefen
MehrAnteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen
DAS THEMA: VERTEILUNGEN LAGEMAßE - STREUUUNGSMAßE Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen Anteile Häufigkeiten Verteilungen Anteile und Häufigkeiten Darstellung
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
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
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrStatistik-Übungsaufgaben
Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrGrundlagen der Probabilistik
Grundlagen der Probabilistik Gliederung Einleitung Theoretische Grundlagen der Stochastik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen
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
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrPocket Cards (Winning Probabilities) 6.1 Anzahl der Kombinationen Monte Carlo Simulation Ergebnisse 6
6 6.1 Anzahl der Kombinationen 6. Monte Carlo Simulation 3 6.3 Ergebnisse 6 in case you do not speak German ignore the description and jump to the preflop win probability tables in chapter 6.3 Poker Trainer
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 28. März 2014, 9.00-11.00 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
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
MehrMaRisk-relevante Anpassungen im Kreditportfoliomodell. GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH
im Kreditportfoliomodell GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH Agenda Überblick KPM-KG Bedeutung des Portfoliomodells für den MaRisk-Report MaRisk-relevante Anpassungen MaRisk-relevante
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
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
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,...,
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrAktuarielle Sonderfragen zur Neuregelung des Versorgungsausgleichs. 4. IVS-Forum, Baden-Baden, 29. Oktober 2009
Aktuarielle Sonderfragen zur Neuregelung des Versorgungsausgleichs 4. IVS-Forum, Baden-Baden, 29. Oktober 2009 Gliederung Der neue Versorgungsausgleich Grundkonzept und Gestaltungsspielräume Aufgaben mit
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
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
Mehr10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.
Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrAufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /
Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =
Mehr