Podcasts about binomialverteilung

Es gibt eine auffällige Häufung von Todesfällen unter AfD-Kandidaten vor der Kommunal-Wahl in Nordrhein-Westfalen. Wie wahrscheinlich ist es, dass dies ein zufälliges Ereignis ist? Im Video wird eine Abschätzung mittels Poisson-Verteilung vorgenommen und mit einer Monte-Carlo-Simulation überprüft. Infos zu den Todesfällen: https://www.nzz.ch/international/sech... ►WEITERE INFORMATIONEN VON TEAM RIECK: 1. Statistische Grundkonzepte & Fallstricke Häufungen wirken oft auffälliger, als sie statistisch sind. Zentrales Problem: das Multiple-Testing (Look-Elsewhere-Effekt). Ex post wirkt ein seltenes Ereignis überraschend, ex ante ist die Wahrscheinlichkeit für irgendeine Auffälligkeit viel höher. Beispiel: Ein beliebiges auffälliges Kfz-Kennzeichen zu sehen ist wahrscheinlich, ein exakt vorhergesagtes extrem unwahrscheinlich. Die Poisson-Verteilung ist für seltene Ereignisse in großen Populationen handlicher als die Binomialverteilung. Ein Signifikanzniveau (z. B. 0,34%) zeigt Seltenheit, ist aber kein Beweis für Kausalität. Es rechtfertigt nur weitere Prüfung. 2. Ereignisdefinition & Datenbasis Die Wahrscheinlichkeit hängt stark ab von: Zahl der Fälle (genau k vs. mindestens k). Abgegrenzter Population (nur Partei A oder alle Kandidaten). Zeitfenster (Monat vs. Jahr). Seriöse Schätzungen erfordern Sterbetafeln, die Alters- und Geschlechtsstruktur der Kandidaten und den exakten Zeitraum. Ohne diese bleibt alles spekulativ. 3. Kontext & Vergleiche Eine isolierte Zahl ist bedeutungslos. Notwendig ist: Altersstruktur: Parteien mit älteren Kandidaten haben höhere Grundsterblichkeit. Vergleich zu anderen Parteien: Nur einseitige Häufungen sind auffällig. Historische Daten: Gab es ähnliche Schwankungen früher? Dies kalibriert die Erwartung. 4. Alternative Erklärungen Clustering: Räumliche oder zeitliche Häufungen entstehen zufällig und sind kein Kausalbeweis. Medienecho: Früh mediale Aufmerksamkeit erhöht die Wahrnehmung weiterer Fälle, die sonst unbeachtet geblieben wären. So entsteht ein scheinbarer Trend. 5. Handlungsempfehlungen Aktuar-Gutachten: Erwartete Todesfälle berechnen, mit Demografie und Zeitraum. Forensik: Obduktionen klären natürliche vs. unnatürliche Ursachen. Transparente Schwellenwerte: Klare Kriterien, ab wann Zufall nicht mehr plausibel ist und Ermittlungen nötig sind. 6. Kognitive Verzerrungen Confirmation Bias: Daten werden passend zur eigenen Überzeugung interpretiert. Ankerheuristik: Erste, oft falsche Schätzwerte prägen die Debatte. Gegenmittel: Systematische Gedankenexperimente und kritische Reflexion. #profrieck #afd #wahrscheinlichkeit

Die Anwendung der Binomialverteilung, einer diskreten Verteilung, hängt an drei wesentlichen Voraussetzungen, welche in diesem Podcast vorgestellt werden. Es wird in der Prüfung nicht gesagt, dass die Binomialverteilung anzuwenden ist, dies muss der Prüfling von alleine erkennen. Sie ist wichtig für CFA Level 1, Quantitative Methods, Common Probability Distributions.   Mehr Informationen zu weiteren Themen zum CFA Exam in unserem Blog auf www.daniel-lambert.de/blog und in Lamberts YouTube-Channel. Im Lambert-Onlineshop https://daniel-lambert.de/produkt-kategorie/chartered-financial-analyst/ geht es auch zu den Mindmaps, die den gesamten Prüfungsstoff für CFA Level 1 gehirn-gerecht und merk-würdig zusammenfassen.

Auf der Gulasch Programmiernacht (GPN16) des Entropia e.V. in der Hochschule für Gestaltung und dem ZKM in Karlsruhe trafen sich Stephan Ajuvo und Sebastian Ritterbusch für einen Cross-Over Podcast vom damals TM Podcast und dem Modellansatz Podcast um über die Geschichte von Finanzen und Mathematik zu plaudern. Der damalsTM Podcast befasst sich damit, wie es kam, dass es kam, so dass es ist, wie es ist- und hatte in der letzten Zeit schon eine Reihe zu Geld (Geld I, Geld II, Geld III), wo die Entwicklung der Zahlungsmittel bisher bis zum 2. Weltkrieg behandelt wurden. Die Ökonomie zählt zu den Sozialwissenschaften, die oft Theorien auf Annahmen behandeln, während die Mathematik als Geisteswissenschaft sich gerne auch mal sehr exakt mit Theorien fernab der Realität befassen kann. Die Kryptographie ist jedoch ein schönes Beispiel, wie aus abstrakten mathematischen Theorien der Algebra und der Zahlentheorie plötzlich sehr reale Anwendungen aus unserem Alltag wurden. Mit Kryptoanalyse konnte man sowohl einfache Transpositionschiffren als auch die Enigma durch mathematische Verfahren knacken. Bevor vereinheitlichte Geldeinheiten eingeführt wurden, waren schon früh Objekte mit Geldfunktion eingesetzt, wo oft die Seltenheit und Wertigkeit des Materials schon für sich einen gewissen Wert sicherte. Ebenso früh kam es zu Geldversprechen wie dem Agrarkredit (zurück bis hin zum Codex Hammurapi), mit denen jetzige Ausgaben durch versprochene spätere Erntegewinne beglichen werden konnten. Dies führte zum Konzept des Zinses, mit dem das Verlustrisiko durch Ausfall und die erst spätere Zugängigkeit des Geldes bewerten kann. Das Größenordnung des Zehnt war gesellschaftlich zwar als Steuer akzeptiert, wurde jedoch als Zins schnell als Wucher gesehen, da der Zinseszins sehr schnell anwuchs. Daraus entstand auch die Gegenbewegung des Zinsverbots, das auch heute noch im Islamischen Bankwesen zu Umgehungsgeschäften führt. Die mit Geldgeschäften oft assoziierten Geldwechsler hatten als Arbeitsmittel eine Bank, die namensgebend für unsere heutigen Banken ist, und woran das Wort bankrott auch heute noch erinnert. Neben astronomischen Berechnungen, wie der Berechnung des Osterfests, war die Geldwirtschaft früh ein großes Anwendungsfeld für die Mathematik. Ein wichtiges Berechnungsmodell waren die Abzinsung und die Zinsformel, mit der man die Werte zwischen jetzt und in Zukunft unter Berücksichtigung des Zinses umrechnen konnte. Hier war das exponentielle Wachstum der Kreditentwicklung unter Zinseszinsen für viele nicht zu übersehen. Aber selbst, wenn man diese Berechnung beherrschte, so gab es das Zinsänderungsrisiko, das besonders bei langfristigen Verträgen zu erheblichen Änderungen zu den Kalkulationen führen konnte. Verschiedene Zinssätze verschiedener Landesherren führte auch unmittelbar zu unterschiedlichen Wechselkursen zwischen den lokalen Währungen der Landesherren. Zusätzlich gab es schon früh den Effekt der Teuerung oder Inflation oft durch unkontrolliertes Geldmengenwachstum. Ein Beispiel ist hier die Inflation durch die Entdeckung Amerikas. Es war damals noch nicht klar, wie der tatsächliche Wert des Geldes auch durch einen Warenkorb identifiziert werden kann. Ein sehr grobes aber dafür sehr leicht zugängiges aktuelles Indiz für den Wert verschiedener Währungen ist der Big-Mac Index. Aus der Anforderung des waren- und ortsübergreifenden Handels wurden die Börsen geboren: Hier konnten Waren und Währungen im Jetzt, aber auch in der Zukunft in Termingeschäften gehandelt werden. Schnell etablierte sich hier auch die Spekulation, die über Risikoübernahme zu einem wichtigen Bestandteil der Wirtschaft wurde. Ein bekanntes Beispiel für eine Fehlentwicklung ist die Tulpenkrise, bei der es zu einer Finanzblase bis hin zum Börsencrash kam, und exemplarisch für spätere Immobilienblasen wurde. Die Effekte konnten durch Hebeleffekte noch verstärkt werden, wenn Fremdkapital für mehr erwartete Rendite eingesetzt wurde. Eine Renditebetrachtung ist auch für die persönliche Finanzplanung sehr wichtig- so sollte jeder die Altersvorsorge frühzeitig angehen und dabei Risikoklassen und die Diversifikation zur Risikoverteilung beachten. Aus der Erfahrung, dass viele Finanzprodukte und Anlageberater die zugrunde liegenden Indices oft nur in der Vergangenheit schlagen, haben sich Finanzcommunities wie The Motley Fool gebildet, um sich gegenseitig zu informieren. Mathematisch kann man die Optimalität einer Investition auch als Multikriterielle Optimierung zwischen Rendite und Risiko im Sinne der Volatilität verstehen: Hier stellt sich heraus, dass hier zwischen den Kriterien abgewogen werden muss, und es nicht ein Optimum gibt, sondern die Linie der Pareto-Optimalität. Jedoch darf man nicht einfach aus der vergangenen Entwicklung auf Rendite und Risiko schließen: Gerade Ponzi-Systeme scheinen eine hohe Rendite bei geringer Volatilität und Risiko zu liefern, wo die Zinsen früherer Anleger nur durch die Investitionen durch angelockte Neuanleger bezahlt werden, und was natürlich nicht ewig funktionieren kann, und viele werden ihren Einsatz verlieren. Plant man Investitionen in Güter, so sollte man daher genau recherchieren, wie es um den Gegenstand steht. Bei Immobilien gibt ist eine Begehung mit Fachpersonen möglich und ein Blick in Bodenrichtwertkarten ist sehr sinnvoll. Bei Aktien kann man hingegen auf Basis der veröffentlichten Informationen und Kennzahlen Fundamentalanalysen bilden. Alle diese Modelle sind aber immer Komplexitätsreduktionen, die irgendwann ihre Gegenbeispiel finden können und dann zu Geldverlust führen. Neben der schwierigen Bewertung von Aktien wird es richtig spannend, wenn notwendigerweise auch Termingeschäfte oder Derivate der Aktien oder Wirtschaftsgüter berücksichtigt werden: Diese werden im Markt unmittelbar benötigt, sind jedoch vom Basiswert und der allgemeinen Marktsituation abhängig. Optionen können auf der einen Seite Geschäfte absichern, können jedoch auf der anderen Seite bei einem hohem Hebel auch sehr spekulativ und entsprechend gefährlich sein. Für eine mathematische Bewertung von Optionen wird ein Markt mit Arbitragefreiheit vorausgesetzt, um andere künstliche Einflüsse auszuschließen. Dann können analytisch Optionskennzahlen (die Griechen) bestimmt werden, um aus dem komplexen Markt ein Gefühl für den Wert zu erhalten. Umgekehrt kann man aber auch konstruktiv eine Bewertung mit dem Cox-Ross-Rubinstein-Modell berechnen. Der Kursverlauf wird hier vereinfacht wie der Kugellauf durch ein Galtonbrett angenommen, wo eine Richtung für einen fallenden Kurs, die andere für einen steigenden Kurs steht. Dies führt im vereinfachten Fall zu einer Binomialverteilung oder im Grenzfall zu einer Normalverteilung der möglichen Kurse am Ende der Laufzeit. Damit kann die Option auf Basis von Volatilität und Rendite des Basiswerts mit einem diskreten Modell bewertet werden. Das vereinfachte Cox-Ross-Rubinstein-Modell lässt sich unter weiteren Annahmen immer feiner diskretisieren und man erhielt 1973 das Black-Scholes-Modell, wo nun in dieser stochastischen Differentialgleichung der Brownsche Prozess Anwendung findet. Der Brownsche Prozess ist der beobachteten zufälligen brownschen Molekularbewegung entlehnt. Aus diesem komplexen Modell können nun einfache geschlossene Formen für die Bewertung von vielen Optionenstypen berechnet werden, was 1997 zur Verleihung des renommierten Preises der Wirtschaftswissenschaften geführt hatte. Leider ergaben sich schnell Widersprüche in der Überprüfung des Modells am echten Markt: Es entsteht der Volatilitäts-Smile, der den Unterschied der Vorhersage zur tatsächlichen Situation darstellt. Interessanterweise trat der von Devisen bekannte Effekt bei Aktien erst nach dem Börsencrash von 1987 auf. Podcasts S. Ritterbusch: Digitale Währungen, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 32, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. W. Härdle: Risikobewertung, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 41, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. S. Ajuvo, L. Schult: Geld I, Gespräch im damalsTM Podcast, Folge 2, 2015. S. Ajuvo, Steffen P., L. Schult: Geld II, Gespräch im damalsTM Podcast, Folge 5, und im VorHundert Podcast, Folge 18, 2015. S. Ajuvo, L. Schult: Geld III, Gespräch im damalsTM Podcast, Folge 21, 2016. L. Mirlina, F. Dehnen: Qwirkle-Gruppe. Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 76, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. http://modellansatz.de/qwirkle-gruppe GPN16 Special J. Breitner: Incredible Proof Machine, Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 78, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/incredible-proof-machine M. Fürst: Probabilistische Robotik, Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 95, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/probabilistische-robotik S. Ajuvo: Finanzen damalsTM, Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 97, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/finanzen-damalstm

Ein Sechser im Lotto - wer träumt nicht davon? Ob sich das Träumen lohnt, lässt sich mit dem Hypothesentest und der Binomialverteilung abschätzen. Wie das geht, erfahren Sie hier.

Die Prävalenz von Antikörpern gegen Leptospiren wurde bei 3463 Seren aus 1213 zufällig gewählten bayerischen Milchvieh- und Mutterkuhherden bestimmt. Zirka drei Blutproben je Herde von Rindern im Alter von 6 Monaten bis ca. 2 Jahre wurden mittels MAR (mikroskopische Agglutinationsreaktion) gegen sechs Serovare untersucht. Die Prävalenz von Seren mit Titern von ≥ 1:100 lag für die Serovare hardjo bei 1,04 %, canicola bei 0,09 %, grippotyphosa bei 0,75 %, icterohaemorrhagiae bei 0,26 %, pomona bei 0,00 % und für Serovar bratislava bei 0,14 %. Auf Herdenbasis wurde Serovar hardjo wegen des enzootischen Charakters der Hardjo-Infektion getrennt betrachtet. Basierend auf der Hypothese, dass drei seronegative Proben aus einer Herde eine enzootische Infektion nahezu ausschließen, wurde die Prävalenz von Hardjo-Verdachtsherden mit 1,48 % (18 von 1213 Herden) berechnet. Die 18 Betriebe wurden alle in Südbayern entlang der Alpen gefunden. In dieser Region liegt die Herdenprävalenz bei 5,86 % bei einem Konfidenzintervall von 4,10 %-8,56 % (Binomialverteilung, Vertrauensbereich 95 %). Für die übrigen Serovare war keine regionale Anhäufung zu erkennen. Bei 1,98 % der Herden (Konfidenzintervall 1,45 %-2,76 %) war mindestens eine der drei Proben seropositiv. Zum Zeitpunkt der Blutentnahme wurden die Landwirte zu aktuellen und früheren klinischen Erkrankungen, Leistungsdaten (Milchertrag, Reproduktion) und epidemiologischen Daten befragt. In Herden mit Verdacht auf L.-Hardjo-Infektionen bzw. Infektionen mit anderen Serovaren im Vergleich zu Herden ohne Reagenten war kein signifikanter Unterschied bezüglich aktueller oder zurückliegender Anhäufung von klinischen Erkrankungen mit einem Verdacht auf Leptospirose gefunden worden. Auch war bei den Reproduktionsdaten und bei der Milchleistung kein signifikant negativer Effekt erkennbar. Bei den Herden mit Reagenten gegen Serovar hardjo wurde die Abgabe von Pensionsvieh höchst signifikant öfter praktiziert als bei den übrigen Herden (p < 1,95-14, Fisher´s Exact Test). Dieses Merkmal ist auch abhängig von der Region, da die Sammelweiden im Alpenbereich sehr weit verbreitet sind. Abortfrüchte (N = 154), die von Hoftierärzten zur Diagnostik eingesandt wurden, wurden mittels Leptospira-spezifischer Real-time-PCR untersucht. Als Probe wurde Labmageninhalt verwendet. Bei einem Fetus konnte Leptospira-interrogans-spezifische DNS nachgewiesen werden. Die Anzucht der Leptospiren aus dem Labmageninhalt gelang nicht. Begleitende Seren von Kühen mit Fehlgeburt und Seren von anderen Rindern des Bestandes wurden aus 47 Betrieben zusätzlich zur Abortfrucht eingesandt. Bei 7 (15 %) Betrieben wurden Serovar-hardjo-spezifische Antikörper (MAR 1:200–1:3200) diagnostiziert.