Voir 4ème de couverture / Voir 4ème de couverture

Ulm, Univ., Diss., 2007.

Thesis (Doctoral)--Technische Universität Carolo-Wilhelmina zu Braunschweig, 1983.

Stuttgart, Univ., Diss., 2006.

Techn. Universiẗat, Diss., 2001--Berlin.

Techn. University, Diss., 2003--Berlin.

Die vorliegende Arbeit stellt einen Algorithmus vor, der mittels Regression aus den Meldungen von Feuerwehrkräften unter Atemschutz ihre Einsatzzeit prognostiziert. Der erste Teil der Arbeit befasst sich mit den Grundlagen und Vorbereitungen für die Entwicklung des Algorithmus. Dies beinhaltet eine kurze Einführung in die Thematik, da die wenigsten Erfahrung mit den Vorgängen in der Feuerwehr haben werden. Zudem werden die Daten, die für diesen Algorithmus betrachtet wurden, erklärt und analysiert. Des Weiteren wird in dieser Arbeit das Verfahren vorgestellt, welches der Algorithmus nutzt, um die Einsatzzeiten zu ermitteln. Im zweiten Teil geht es um die Implementierung des Algorithmus. Zuerst werden Sonderfälle betrachtet, die nicht mit dem normalen Verfahren gelöst werden können. Danach wird zunächst die Implementation des Algorithmus selbst mit Ausschnitten aus dem Quellcode präsentiert. Darauf folgt die Vorstellung einer Anwendung, die den Algorithmus nutzt, um im Einsatz die berechneten Werte anzuzeigen und um Daten an den Algorithmus zu geben. Anschlieÿend werden die prognostizierten Werte eines Testlaufs mit den realen Werten verglichen. Zum Schluss gibt es eine kurze Zusammenfassung sowie ein paar Ideen für Verbesserungen und Anpassungen.:1 Einleitung 1.1 Zielstellung und Methodik 1.2 Thematische Abgrenzung 1.3 Aufbau der Arbeit 2 Analyse der Einsatzdaten 2.1 Erzeugung der Daten im Einsatz 2.2 Resultierende Anforderungen 2.3 Auswertung der vorliegenden Daten 2.4 Betrachtete Modelle 3 Das Gauÿ-Newton-Verfahren 3.1 Einführung in das Verfahren 3.2 Schrittweitenregelung 3.2.1 Die einfache Schrittweitenregel 3.2.2 Die Armijo-Schrittweitenregel 3.2.3 Die Powell-Wolfe-Schrittregel 3.2.4 Vergleich der Schrittweitenregeln 4 Entwicklung des Prognosealgorithmus 4.1 Mehr Gewichte als Datenpunkte 4.2 Schwierigkeiten bei kürzer aufeinanderfolgenden Eingaben 4.3 Implementation des Algorithmus 5 Nutzung des Prognosealgorithmus 5.1 Der Prototyp 5.2 Einbindung des Algorithmus 5.2.1 Berechnung der Gesamtzeit 5.2.2 Berechnung des Restdrucks 5.3 Atemschutzüberwachung nach FwDV 7 5.3.1 Vorgaben der FwDV 7 5.3.2 Umsetzung der FwDV 7 5.4 Weitere hilfreiche Funktionen 5.4.1 Rückzugserinnerung 5.4.2 Verbesserung der Prognosen 5.5 Nutzung der Anwendung bei einer Einsatzübung 6 Zusammenfassung und Ausblick Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Liste der Algorithmen Anhang Selbständigkeitserklärung

Ein Ausfallkorb (Default Basket, Basket Default Swap, BDS) ist die Bündelung einer relativ geringen Anzahl einzelner Kreditpositionen. Der Sicherungsgeber (Investor) verpflichtet sich, den i-ten Forderungsausfall zu übernehmen und wird als ith-to-default-Käufer bezeichnet. Da es sich um die Bündelung einer relativ geringen Anzahl von, möglicherweise sehr heterogenen Kreditpositionen handelt, lassen sich herkömmliche Modellierungsansätze aus dem Kreditrisiko nicht direkt zur Risikobewertung anwenden. Der vorliegende Beitrag stellt deshalb Möglichkeiten vor, eine Risikobewertung für Ausfallkörbe vorzunehmen. Der Modellierungsansatz über das Ein-Faktormodell ist dabei sehr stark an die typische Kreditrisikomodellierung angelehnt, weicht aber in einigen Punkten auch erheblich davon ab. Zentrales Anliegen dieses Artikels ist es daher, die wesentlichen Mechanismen zu verdeutlichen, welche die Risikobewertung in diesem Modell beeinflussen. Hierbei wird insbesondere das Zusammenspiel von Abhängigkeitsstruktur (in Form der Korrelation), Ausfallwahrscheinlichkeiten der Einzelpositionen und den Ausfallwahrscheinlichkeiten für die Risikogeber betrachtet.

Stuttgart, Univ., Diss., 2004.

Techn. University, Diss., 2006--Darmstadt.