Prof. Dr. Michael Kohler

 

Diplom-, Bachelor und Masterarbeiten

Vergeben und betreut werden Diplom-, Bachelor- und Masterarbeiten in den Bereichen Finanzmathematik, Versicherungsmathematik und Statistik. Voraussetzungen für eine erfolgreiche Bearbeitung sind sehr gute Kenntnisse in Wahrscheinlichkeitstheorie und ihrer maßtheoretischen Grundlagen. Je nach Themengebiet werden außerdem noch Kenntnisse in Finanzmathematik bzw. in Versicherungsmathematik bzw. in der Mathematischen Statistik vorausgesetzt. Die entsprechenden Kenntnisse sollten zumindest teilweise in von mir abgehaltenen Vorlesungen erworben worden sein.

Interessenten sollten neben einer einführenden Vorlesung in die Wahrscheinlichkeitstheorie und Statistik zumindest die Vorlesung "Wahrscheinlichkeitstheorie" und (im Hinblick auf die maßtheoretischen Grundlagen) auch die Vorlesung "Integrationstheorie" gehört haben. Je nach Thema sollte man außerdem noch die Vorlesungen "Mathematische Statistik", "Finanzmathematik" und / oder "Schadenversicherungsmathematik" gehört haben.

Die Themenvergabe erfolgt in meiner Sprechstunde. Dabei kläre ich üblicherweise in einem persönlichen Gespräch ab, ob genügend Vorkenntnisse zur Bearbeitung einer Abschlussarbeit in der Mathematischen Statistik vorliegen, und ob ein Thema mit oder ohne Implementierung (z.B. in R oder Matlab) gewünscht wird. Anschliessend überlege ich mir bis zur nächsten Sprechstunde einen Themenvoschlag. 

Anmerkung: Die Notenverteilung bei den von Januar 2013 bis Juni 2014 bewerteten (und von mir betreuten) 37 Bachelorarbeiten war wir folgt:

sehr gut: 46% (davon 14% mit Note 1.0), gut: 49%, befriedigend: 5%

Im Jahr 2024 abgeschlossene Masterarbeiten sind:

1.  On the rate of convergence of an over-parametrized deep random feature neural network regression estimate. Wurde bearbeitet von Maximilian Kopp.
2.  On the rate of convergence of an over-parametrized deep neural network regression estimate with ReLU activation functon learned by gradient descent. Wurde bearbeitet von Isabel Dyson.
3.  Zur Konvergenzrate von mittels Gradientenabstieg und ohne Regularisierung gelernter einschichtiger neuronaler Netze. Wurde bearbeitet von Marcel Mörbitz.
4.  Schätzung von Regressionsfunktionen durch überparametrisierte neuronale Netze mit ReLU-Aktivierungsfunktion. Wurde bearbeitet von Max Scharpf.
5.  Zur Konvergenzrate eines überparametrisierten und mittels Gradientenabstiegs gelernten Transformer-Klassifikators. Wurde bearbeitet von Corinne Scheld.
6.  On Theory and Practice of Transformer Classifier Networks. Wurde bearbeitet von Lukas Klarner.
7.  Zur universellen Konsistenz einer durch Gradientenabstieg gelernten überparametrisierten Schätzung eines tiefen neuronalen Netzes. Wurde bearbeitet von Emmanuel Kamate.
8.  Zur Schätzung von Regressionsfunktionen durch mittels Gradientenabstieg gelernten überparametrisierten tiefen neuronalen Netzen. Wurde bearbeitet von Stefan-Dehu Reuter.
9.  Lernen von Bildklassifikatoren basierend auf tiefen faltenden neuronalen Netzen mittels (stochastischem) Gradientenabstieg und Ueberparametrisierung. Wurde bearbeitet von Floride Tchoua.
10.  Estimation of a Regression Function by Deep Over-Parametrized Neural Networks: Theory and Practice. Wurde bearbeitet von Ozan Yavuz.

Im Jahr 2024 abgeschlossene Bachelorarbeiten sind:

1.  Bewertung Amerikanischer Optionen mit regressionsbasierten Monte Carlo Verfahren. Wurde bearbeitet von Tim Schättler.
2.  Der Satz von Stone. Wurde bearbeitet von Torben Schmanke.
3.  Bewertung von Amerikanischen Optionen mit regressionsbasierten Monte-Carlo-Verfahren. Wurde bearbeitet von Marcel de Spiegelhauer.
4.  Der Satz von Stone und seine Anwendungen. Wurde bearbeitet von Carsten Rothmund.
5.  Schätzung der Verteilung des Gesamtschadens in der Schadenversicherungsmathematik. Wurde bearbeitet von Jago Ecknig.
6.  Principles of Insurance Mathematics. Wurde bearbeitet von Daniel Stjepanovic.
7.  Schadenreservierung bei lang andauernder Schadenabwicklung. Wurde bearbeitet von Alexander Diener.
8.  Estimation of a Regression Function using Kernels: Theory and Practice. Wurde bearbeitet von Catharina Köhler.
9.  Zur Schätzung univariater Regressionsfunktionen durch überparametrisierte tiefe neuronale Netze mit ReLU-Aktivierungsfunktion. Wurde bearbeitet von Maurice Bardel.

Im Jahr 2023 abgeschlossene Masterarbeiten sind:

1.  Estimation of a function of low local dimensionality by deep neural networks with ReLU activation function. Wurde bearbeitet von Johannes Englert.
2.  Zur Konvergenzrate eines durch Gradientenabstieg gelernten überparametrisierten tiefen neuronalen Netze Schätzers. Wurde bearbeitet von Alexander Pelzer.
3.  Analysis of the rate of convergence of an over-parametrized convolutional neural network image classifier learned by gradient descent. Wurde bearbeitet von Alisha Sänger.
4.  Zur Konvergenzrate eines überparametrisierten Bildklassifikators basierend auf mittels Gradientenabstieg gelernten faltenden neuronalen Netzen. Wurde bearbeitet von Anton Kastner.
5.  Zur Konvergenzrate von unter Verwendung eines Gradientenabstiegs gelernten überparametrisierten neuronale Netze Regressionsschätzern. Wurde bearbeitet von Regina Drachenberg.
6.  Bildklassifikation mit durch Gradientenbstieg gelernten tiefen neuronalen Netzen: Theorie und Praxis. Wurde bearbeitet von Florian Hertzner.
7.  Analyse des L2-Fehlers von mittels Gradientenbstiegs ohne Regularisierung gelernten überparametrisierten Regressionsschätzern basierend auf tiefen neuronalen Netzen. Wurde bearbeitet von Jan Cedric Klaft.

Im Jahr 2023 abgeschlossene Bachelorarbeiten sind:

1.  Regressionssschätzung mit neuronalen Netzen. Wurde bearbeitet von Linda Thelen.
2.  Der Satz von Stone. Wurde bearbeitet von Lene Janus.
3.  Grundprinzipien der Versicherungsmathematik. Wurde bearbeitet von Jorina Schmidt.
4.  Zur universellen Konsistenz bei der Regressionssschätzung mit Kernen. Wurde bearbeitet von Jonas Dinges.
5.  Zur universellen Konsistenz der Schätzung einer Regressionsfunktion durch den Partitionenschätzer. Wurde bearbeitet von Yannick Gläßer.
6.  Nichtparametrische Schätzung von Regressionsfunktionen. Wurde bearbeitet von Paul Markert.
7.  Zur Berechnung der Prämien in der Lebensversicherungsmathematik. Wurde bearbeitet von Tylliam Fogue.
8.  Introduction to Life Insurance Mathematics. Wurde bearbeitet von Barbara Weidmann.
9.  Zur Bildung von Ausprägungsklassen und zur Auswahl von Tarifmerkmalen in der Schadenversicherungsmathematik. Wurde bearbeitet von Paula Essel.
10.  Eine Einführung in die nichtparametrische Regressionsschätzung. Wurde bearbeitet von Merret Jung.
11.  Zur Tarifkalkulation in der Schadenversicherungsmathematik. Wurde bearbeitet von Sonja Gagel.
12.  Bewertung amerikanischer Optionen unter Verwendung von neuronalen Netzen. Wurde bearbeitet von Taha Benjama.
13.  Zur Dichtheit neuronaler Netze in der Klasse der stetigen Funktionen. Wurde bearbeitet von Jonas Möschl.

Im Jahr 2022 abgeschlossene Masterarbeiten sind:

1.  Zur Konvergenzrate von tiefen rekurrenten neuronalen Netzeschätzern. Wurde bearbeitet von Robert Scherf.
2.  On the rate of convergence of a classifier based on a Transformer encoder. Wurde bearbeitet von Falko Helm.
3.  Zur Konvergenzrate von einschichtigen Neuronale-Netze-Regressionsschätzern. Wurde bearbeitet von Nils Törner.
4.  Analyse der Codierung des Inputs bei einem Transformer Netzwerk. Wurde bearbeitet von Jan Schuchter.
5.  On the optimal rate of convergence in estimation of multivariate regression functions by neural networks. Wurde bearbeitet von Jonas Gunkel.
6.  On the estimation of a regression function defined on a manifold by neural networks. Wurde bearbeitet von Nadine Ritter.
7.  Estimation of a Regression Function by Shallow Neural Networks with Random Inner Weights. Wurde bearbeitet von Olivia Ludwig.
8.  Analysis of Convolutional Neural Network Image Classifiers In a Rotationallly Symmetric Model. Wurde bearbeitet von Lea Folger.
9.  Obere und untere Schranken zur Konvergenzgeschwindigkeit einschichtiger neuronaler Netze. Wurde bearbeitet von Michaela Langrock.
10.  On the Estimation of a Regression Function by Over-Parametrized Neural Networks. Wurde bearbeitet von Yanik Weißmüller.
11.  Schätzung einer Regressionsfunktion durch mittels Gradientenabstieg mit fester bzw. variabler Schrittweite gelernter neuronaler Netze. Wurde bearbeitet von Patrick Nowak.
12.  Klassifikation von Bildern durch faltende neuronale Netze in einem stochastischen Modell mit Pooling. Wurde bearbeitet von Jan Moritz.
13.   Klassifikation von Bildern durch faltende neuronale Netze in einem rotationssymmetrischen Modell. Wurde bearbeitet von Julian Martin.
14.  Mustererkennung mit Transformer-Netzwerken: Theorie und Praxis. Wurde bearbeitet von Konstantin Kontohow-Beckers.
15.  Zur Konvergenzrate eines durch Minimierung der Kreuzentropie gelernten Klassifikators basierend auf einem Tranfformer Encoder. Wurde bearbeitet von Lucas Endres.

Im Jahr 2022 abgeschlossene Bachelorarbeiten sind:

1.  Schätzung einer Regressionsfunktion durch tiefe neuronale Netze. Wurde bearbeitet von Xingu Cao.
2.  On the denseness of deep neural networks with sigmoidal activation function in the class of continuous functions. Wurde bearbeitet von Hanieh Haddad.
3.  Bewertung amerikanischer Optionen mittels regressionsbasierter Monte-Carlo-Verfahren basierend auf tiefen neuronalen Netzen. Wurde bearbeitet von Florian Eidt.

Im Jahr 2021 abgeschlossene Masterarbeiten sind:

1.  Estimating multivariate Regression Functions via deep neural Networks. Wurde bearbeitet von Julian Keinrath.
2.  Bildklassifikation mit faltenden neuronalen Netzen: Theorie und Praxis. Wurde bearbeitet von Dimitra Androni.
3.  Regressionschätzung durch vollständig verbundene tiefe neuronale Netze. Wurde bearbeitet von Raphael Sollbach.
4.  Image classification using deep convolutional neural networks with cross-entropy loss. Wurde bearbeitet von Eric Herbert.
5.  Zur Konvergenzgeschwindigkeit von neuronale Netze Schätzern mit einer verdeckten Schicht. Wurde bearbeitet von Clarissa Kreh.
6.  Schätzung von Regressionsfunktionen auf Mannigfaltigkeiten. Wurde bearbeitet von Akilavan Ganeshkumar.

Im Jahr 2021 abgeschlossene Bachelorarbeiten sind:

1.  Zur Anwendung der nichtparametrischen Regression in der Finanzmathematik. Wurde bearbeitet von Regina Drachenberg.
2.  Zur Dichtheit von neuronalen Netzen mit ReLU-Aktivierungsfunktion in der Menge der stetigen Funktionen. Wurde bearbeitet von Corinne Scheld.
3.  Der Satz von Hattendorff in der Lebensversicherungsmathematik. Wurde bearbeitet von Zarah Neumann.
4.  Schätzung der mittleren Schadenhöhen in der Schadenversicherungsmathematik. Wurde bearbeitet von Frederic Rahm.
5.  Bewertung Amerikanischer Optionen mit Hilfe von durch Backpropagation gelernten Neuronalen Netzen. Wurde bearbeitet von Max Scharpf.
6.  Estimation of a Regression Function using Deep Neural Networks. Wurde bearbeitet von Sang Hyeon Lee.
7.  Bewertung amerikanischer Optionen durch tiefe neuronale Netze. Wurde bearbeitet von Gabriel Mansour.
8.  Bewertung Amerikanischer Optionen mithilfe von neuronalen Netzen. Wurde bearbeitet von Stefan-Dehu Reuter.
9.  Das Deckungskapital in der Lebensversicherungsmathematik. Wurde bearbeitet von Annika Bäuerle.
10.  Eine Einführung in die nichtparametrische Regressionsschätzung. Wurde bearbeitet von Patrick Becker.
11.  Zur Dichtheit von tiefen neuronalen Netzen mit ReLU-Aktivierungsfunktion in der Menge der stetigen Funktionen. Wurde bearbeitet von Linus Strauch.

Im Jahr 2020 abgeschlossene Masterarbeiten sind:

1.  Quantifizierung von Unsicherheit bei geschätzter Verteilung der Eingangsparameter. Wurde bearbeitet von Maximilian Pilz.
2.  Analyse der Konvergenzgeschwindigkeit eines durch Gradientenabstiegs gelernten Neuronale-Netze-Regressionsschätzters. Wurde bearbeitet von Philip Grobe.
3.  On the rate of convergence of fully connected very deep neural network regression estimates. Wurde bearbeitet von Timo Seiche.
4.  Zur Konvergenzgeschwindigkeit von sehr tiefen vollständig verbundenen neuronalen Netzen in der nichtparametrischen Regression. Wurde bearbeitet von Markus Beckmann.
5.  Analyse der Konvergenzgeschwindigkeit eines einfach berechenbaren Neuronale-Netze-Regressionsschätzers. Wurde bearbeitet von Adrian Gabel.
6.  Konvergenzrate von sehr tiefen Neuronale-Netze-Regressionsschätzern mit ReLU-Aktivierungsfunktion. Wurde bearbeitet von Johanna Klein.
7.  MARS and Deep Learning: A Connection. Wurde bearbeitet von Isabelle Gerlach.
8.  Approximation von glatten Funktionen mit sehr tiefen neuronalen Netzen. Wurde bearbeitet von Oliver Pellmann.
9.  Ein einfach berechenbarer Neuronale-Netze-Regressionsschätzer in einem Projection-Pursuit-Modell. Wurde bearbeitet von Markus Junker.
10.  Aktuariell-ökonomische Bewertung von Versicherungsbeständen in der Lebensversicherung. Schadenhöhe. Wurde bearbeitet von Stefan Schadt.
11.  Zur Schätzung von Regressionsfunktionen mit niedriger lokaler Dimension durch tiefe neuronale Netze. Wurde bearbeitet von Anny Zheng.
12.  Zwei Resultate zur Approximation glatter Funktionen durch sehr tiefe neuronale Netze. Wurde bearbeitet von Christopher Spahn.
13.  Schätzung einer Regressionsfunktion durch tiefe neuronale Netze mit ReLU-Aktivierungsfunktion. Wurde bearbeitet von Audrey Youmbi.
14.  Schätzung einer Regressionsfunktion durch überparametrisierte tiefe neuronale Netze. Wurde bearbeitet von Fabian Dick.
15.  Estimation of a regression function by deep-overparametrized neural networks. Wurde bearbeitet von Luisa Komkowski.
16.  Approximation von glatten Funktionen durch sehr breite tiefe neuronale Netze. Wurde bearbeitet von Hakki Altin.
17.  Bildklassifikation mit faltenden tiefen neuronalen Netzen. Wurde bearbeitet von Nicolette Dieringer.
18.  Schätzung einer Regressionsfunktion durch sehr tiefe bzw. sehr breite neuronale Netze. Wurde bearbeitet von Bilke Buch.
19.  Zur Konvergenzrate von tiefen und sehr breiten neuronalen Netzen. Wurde bearbeitet von Melissa Kreh.
20.  Zur Konvergenzrate von faltenden neuronalen Netzen bei der Bildklassifikation. Wurde bearbeitet von Kristin Pritzel.

Im Jahr 2020 abgeschlossene Bachelorarbeiten sind:

1.  Schätzung einer Regressionsfunktion mit Kernen. Wurde bearbeitet von Patrick Nowak.
2.  Schätzung einer Regressionsfunktion durch stückweise konstante Funktionen. Wurde bearbeitet von Yoel Rodrigues.
3.  Regression representations for pricing American options in discrete time. Wurde bearbeitet von Björn Schäfer.
4.  Eine Einführung in die Schadenversicherungsmathematik. Wurde bearbeitet von Lea Folger.
5.  Zur Berechnung der Prämie in der Schadenversicherungsmathematik. Wurde bearbeitet von Nadine Ritter.
6.  Regressionsbasierte Monte-Carlo-Verfahren zur Bewertung von Amerikanischen Optionen. Wurde bearbeitet von Jonas Gunkel.
7.  Pricing of American Options and Optimal Stopping. Wurde bearbeitet von Christian Altenbockum.
8.  Damage reservation with long lasting settlement. Wurde bearbeitet von Alexander Pelzer.
9.  Schätzung der Verteilung des Gesamtschadens in der Versicherungsmathematik. Wurde bearbeitet von Julian Martin.
10.  Estimation of a Nonparametric Regression Function with Kernels. Wurde bearbeitet von Pascal Debes.
11.  Zur universellen Konsistenz in der nichtparametrischen Regression. Wurde bearbeitet von Marcel Mörbitz.
12.  Universelle Konsistenz des Nächste-Nachbarn-Schätzers. Wurde bearbeitet von Jennifer Mehlig.
13.  On the approximation of continuous functions by neural networks. Wurde bearbeitet von Isabel Dyson.
14.  Zur Tarifkalkulation in der Schadenversicherungsmathematik. Wurde bearbeitet von Sebastian Hoffmann.
15.  Die Formeln von Panjer und ihre Anwendungen in der Schadensversicherungsmathematik. Wurde bearbeitet von Luca Endres.
16.  Anwendungen von statistischen Testverfahren in der Schadenversicherungsmathematik. Wurde bearbeitet von Jan Klaft.
17.  Eine Einführung in die Lebensversicherungsmathematik. Wurde bearbeitet von Michaela Brettschneider.

Im Jahr 2019 abgeschlossene Masterarbeiten sind:

1.  Quantilschätzung in einem Simulationsmodell: Monte-Carlo versus numerische Integration. Wurde bearbeitet von Katrin Bauer.
2.  Estimation of Multivariate Regression Functions by Multilayer Neural Networks. Wurde bearbeitet von Perpetue Kuete Tiayo.
3.  Deep versus deeper learning in nonparametric regression. Wurde bearbeitet von Arseni Skryagin.
4.  Eine Orakel-Ungleichung für deep learning. Wurde bearbeitet von Jan Benzing.
5.  Regressionschätzung mit tiefen Neuronalen Netzen mit ReLU Aktivierungsfunktion. Wurde bearbeitet von Andreas Wolfenstetter.
6.  Schätzung einer Regressionsfunktion durch tiefe neuronale Netze: Theorie und Praxis. Wurde bearbeitet von Sebastian Seipp.
7.  Schätzung einer Dichte unter Verwendung eines fehlerbehafteten Simulationsmodells. Wurde bearbeitet von Fabian Schmidt.
8.  Density estimation based on improved surrogate model. Wurde bearbeitet von Wenjia Zhao.
9.  Zur optimalen Konvergenzgeschwindigkeit bei der Schätzung von Interaktionsmodellen. Wurde bearbeitet von Vera Groß.
10.  Analyse des Gradientenabstiegs in der Regressionsschätzung mit neuronalen Netzen. Wurde bearbeitet von Clara Hintner.
11.  Schätzung einer Regressionsfunktion in einem Projection-Pursuit-Modell durch stückweise Polynome. Wurde bearbeitet von Tolga Polat.
12.  Schätzung einer hochdimensionalen Regressionsfunktion durch mehrschichtige neuronale Netze. Wurde bearbeitet von Julia Weber.
13.  Estimation of a regression function in a projection pursuit model by neural networks. Wurde bearbeitet von Kim Kaiser.
14.  On the rate of convergence of a two hidden layer neural network estimator for Holder continuous regression functions. Wurde bearbeitet von Silvan Bielmeier.
15.  Schätzung einer Regressionsfunktion durch einen linearen Kleinste-Quadrate-Schätzer basierend auf neuronalen Netzen. Wurde bearbeitet von Benjamin Walter.
16.  Zur Konvergenzrate eines durch Gradientenabstiegs gelernten neuronale Netze Regressionsschätzers. Wurde bearbeitet von Lukas Dautenheimer.
17.  Exploiting low local dimensionality of regression functions with deep ReLU neural networks. Wurde bearbeitet von Laura Neuberger.

Im Jahr 2019 abgeschlossene Bachelorarbeiten sind:

1.  Anwendung neuronaler Netze in der Finanzmathematik. Wurde bearbeitet von Nazim Turan.
2.  Ein Dichtheitsresultat für neuronale Netze mit unbeschränkter Aktivierungsfunktion. Wurde bearbeitet von Stefan Rapp.
3.  Eine Einführung in die Lebensversicherungsmathematik. Wurde bearbeitet von Selina Drews.
4.  Schätzung einer multivariaten Regressionsfunktion durch tiefe neuronale Netze. Wurde bearbeitet von Konstantin Kontohow-Beckers.

Im Jahr 2018 abgeschlossene Masterarbeiten sind:

1. Quantifizierung von Unsicherheit basierend auf Ersatzmodellen mit nicht-deterministisch abhaengender Variable. Wurde bearbeitet von Sascha Kirmse.
2.Schaetzung von Quantilen in fehlerbehafteten Simulationsmodellen mit Hilfe bedingter Dichteschaetzer. Wurde bearbeitet von Franziska Wolfenstetter.
3.Zur starken universellen Konsistenz des Kernschätzers in der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Lisa Bier.
4.Estimation of multivariate regression functions by multilayer neural networks. Wurde bearbeitet von Guang Yang.
5.Schätzung von Quantilen in Simulationsmodellen unter Verwendung von numerischer Integration. Wurde bearbeitet von Johanna Kreß.
6.Deep versus deeper learning in der nichtparametrischen Regression. Wurde bearbeitet von Johannes Ball.
7.Zur Loesung hochdimensionaler Regressionsprobleme mithilfe von Deep Learning. Wurde bearbeitet von Sara Kaddar.
8.Zur Schaetzung der Unsicherheit in fehlerbehafteten Simulationsmodellen unter Verwendung von bedingter Dichteschaetzung. Wurde bearbeitet von Erik Mueller.
9.A linear neural network regression estrimate. Wurde bearbeitet von Alina Braun.
10.Zur optimalen Konvergenzrate des $L_1$-Fehlers des Kerndichteschätzers. Wurde bearbeitet von Anita Serra da Silva.
11.Tiefe neuronale Netze als nichtparametrische Regressionsschätzer. Wurde bearbeitet von Anil Mesvat.

Im Jahr 2018 abgeschlossene Bachelorarbeiten sind:

1. Wie bewertet man eine amerikanische Option? Wurde bearbeitet von Sven Thomas.
2. Regression-based Monte Carlo Methods for Pricing American Options. Wurde bearbeitet von Marcel Steinhardt.
3.Schätzung der Verteilung von Schadenzahl und Schadenhöhe im kollektiven Modell. Wurde bearbeitet von Laura Neuberger.
4.On Lower Minimax Rate of Convergence in Nonparametric Regression. Wurde bearbeitet von Lisa Klein.
5.Introduction in Insurance Mathematics. Wurde bearbeitet von Nicolette Dieringer.
6.The combinatorial method of Devroye and Lugosi. Wurde bearbeitet von Timo Seiche.
7.Schätzung einer Dichte mit Kernen. Wurde bearbeitet von Markus Beckmann.
8.Schadenreservierung bei lang andauernder Schadenabwicklung. Wurde bearbeitet von Kristin Pritzel.
9.Application of the combinatorial method to conditional density estimates. Wurde bearbeitet von Julian Keinrath.
10.On the computation of fluctuation loadings in non-life insurance mathematics. Wurde bearbeitet von Sandra Kühne.
11.Ein uniformes Gesetz der großen Zahlen. Wurde bearbeitet von Julian Wilde.

Im Jahr 2017 abgeschlossene Masterarbeiten sind:

1. Aussagen zur Konvergenzgeschwindigkeit des L1-Fehlers in der nichtparametrischen Dichteschätzung. Wurde bearbeitet von Faruk Dincer.
2.Nichtparametrische Schätzung zeitabhängiger Quantile. Wurde bearbeitet von Nadine Spohn.
3.Adaptive Schätzung von Quantilen in einem Simulationsmodell. Wurde bearbeitet von Jens Hahn.
4.Adaptive Schätzung von Quantilen in hochdimensionalen Simulationsmodellen. Wurde bearbeitet von Thao Vi Tran.
5.Adaptive Schätzung von Quantilen unter Verwendung von neuronalen Netzen. Wurde bearbeitet von Franziska Wolf.
6.Estimation of quantiles in a simulation model based on artificial neural networks. Wurde bearbeitet von Sevda Alaca.
7.Schätzung einer multivariaten Funktion mit Hilfe von neuronalen Netzen. Wurde bearbeitet von Johannes Kunz.
8.Analysis of a time-dependent density estimator. Wurde bearbeitet von Gabriel Pavlovic.
9.Konsistente Schätzung einer zu latenten Variablen gehörenden Regressionsfunktion. Wurde bearbeitet von Sebastian Kersting.
10.Schätzung einer multivariaten Funktion durch stückweise konstante Funktionen. Wurde bearbeitet von Robert Schmidt.
11.Schätzung von Quantilen ausgehend von einem fehlerbehafteten Simulationsmodell. Wurde bearbeitet von Sebastian Wickel.
12.Schaetzung von Quantilen in einem Simulationsmodell unter Verwendung von neuronalen Netzen. Wurde bearbeitet von  Anna-Maria Seibert.
13.Schätzung von Dichten ausgehend von einem fehlerhaften Simulationsmodell. Wurde bearbeitet von Sezan Cakkalkurt.
14.Die Konvergenzrate von Smoothing-Splineschaetzern mit gewichteten Daten mit zusaetzlichen Messfehlern in den abhaengigen Variablen. Wurde bearbeitet von Sophie Langer.
15. Uncertainty quantification in case of imperfect models: A non-Bayesian approach. Wurde bearbeitet von Xiqiang Gao.
16.Adaptive Schätzung von Dichten basierend auf verbesserten Simulationsmodellen. Wurde bearbeitet von Anne Dietzel.
17.Verbesserung eines Modells zur Quantifizierung von Unischerheit mit Hilfe realer Daten. Wurde bearbeitet von Safak Celik.
18.Adaptive Schätzung von Quantilen in einem Simulationsmodell unter Verwendung von Spline-Quasi-Interpolanten. Wurde bearbeitet von Sohejl Schachler.
19.Schätzung von Konfidenzintervallen für Quantile basierend auf verbesserten Simulationsmodellen. Wurde bearbeitet von Sebastian Käfer.
20.Schätzung von Konfidenzbändern von Dichten basierend auf verbesserten Simulationsmodellen. Wurde bearbeitet von Gülay Eryasar.
21.Verbesserung von Ersatzmodellen zur Quantifizierung von Unsicherheiten durch reale Daten. Wurde bearbeitet von Ioanna Veltcheva.

Im Jahr 2017 abgeschlossene Bachelorarbeiten sind:

1. Der Satz von Stone. Wurde bearbeitet von Julia Weber.
2.Der Satz von Stone und seine Anwendung auf den Partitionenschätzer. Wurde bearbeitet von  Lukas Dautenheimer.
3.Der Satz von Stone und seine Anwendung auf den Kernschätzer. Wurde bearbeitet von Maximilian Pilz.
4.Eine Einführung in die Dichteschätzung. Wurde bearbeitet von Christine Buck.
5.Zur universellen Konsistenz des Kernschätzers. Wurde bearbeitet von Aron Almedom.
6.Zur universellen Konsistenz des Partitionenschätzers. Wurde bearbeitet von Fatih Akdere.
7. The Glivenko-Cantelli Theorem. Wurde bearbeitet von Yannick Steiof.
8.Bewertung Amerikanischer Optionen durch Lösen eines optimalen Stoppproblems. Wurde bearbeitet durch Adrian Gabel.
9.Schätzung der Verteilung des Gesamtschadens. Wurde bearbeitet durch Hakki Altin.
10.Einführung in die Schadenversicherungsmathematik. Wurde bearbeitet von Audrey Youmbi.
11.Die einfaktorielle Varianzanalyse und ihre Anwendung in der Schadenversicherungsmathematik. Wurde bearbeitet von Yonas Mesfun.
12.Die Rolle des Deckungskapitals in der Lebensversicherungsmathematik. Wurde bearbeitet von  Bilke Buch.
13.Das Chain-Ladder-Verfahren. Wurde bearbeitet von Markus Junker.
14.Eine Aussage zur universellen Konsistenz in der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Anny Ning Zheng.
15.Eine Einführung in die Lebensversicherungsmathematik. Wurde bearbeitet von Fabian Dick.
16.Einführung in die nichtparametrische Regressionsschätzung. Wurde bearbeitet von Raphael Feikert.

Im Jahr 2016 abgeschlossene Masterarbeiten sind:

1.Zur adaptiven Wahl der Glättungsparameter in der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Dominik Hosenfeld.
2.Zur Schätzung von Ersatzmodellen für Computerexperimente im Hochdimensionalen. Wurde bearbeitet von Bendeikt Bauer.
3.Rekursive Schätzung von Quantilen in einem Simulationsmodell. Wurde bearbeitet von Christina Dosch.
4.Adaptive estimation of conditional densities. Wurde bearbeitet von Alexander Herbst.
5.Schätzung einer zeitabhängigen Dichte. Wurde bearbeitet von Olga Schulz.
6.Aussagen zur Konvergenzgeschwindigkeit in der multivariaten Dichteschätzung. Wurde bearbeitet von Stefan Lautenbach.
7.Schätzung von Interaktionsmodellen durch neuronale Netze. Wurde bearbeitet von Marco Vetter.
8.Schätzung von extremen Quantilen in einem Simulationsmodell. Wurde bearbeitet von Dominik Schmidt.
9.Nonparametric estimation of densities and quantiles. Wurde bearbeitet von Carsten Fischer.
10.Schätzung von Dichten und Quantilen in einem Simulationsmodell. Wurde bearbeitet von Tim Grasser.
11.Schätzung von Quantilen ausgehend von Daten mit zusätzlichen Messfehlern. Wurde bearbeitet von Nils Knauf.
12.Zur adaptiven Wahl der Bandbreite des Kerndichteschätzers. Wurde bearbeitet von Mischa Rohleder.
13.Nichtparametrische Qunatilschätzung basierend auf Ersatzmodellen und Importance Sampling. Wurde bearbeitet von Sascha Bauer.
14.Schätzung von Quantilen ausgehend von Daten mit Messfehlern. Wurde bearbeitet von Jonathan Hopf.
15.Schätzung von Quantilen in einem Simulationsmodell unter Verwendung von Importance Sampling. Wurde bearbeitet von Preetkamal Singh Pantalia.
16.Nichtparametrische Schätzungen basierend auf latenten Variablen. Wurde bearbeitet von Fabian Beisenherz.
17.Adaptive Schätzung von Quantilen in einem Simulationsmodell unter Verwendung von Importance Sampling. Wurde bearbeitet von Lukas Alt.
18.Schätzung einer Regressionsfunktion durch ein hierarchisches neuronales Netz. Wurde bearbeitet von Sebastian Zender.
19.Schätzung einer Funktion ausgehend von fehlerfreien Beobachtungen an zufälligen Punkten. Wurde bearbeitet von Marco Getrost.
20.Schätzung einer Funktion durch Interpolation eines Teiles der Daten. Wurde bearbeitet von Julian Bonin.

Im Jahr 2016 abgeschlossene Bachelorarbeiten sind:

1.Abschätzung von Überdeckungszahlen und die Beziehung zwischen Überdeckungs- und Packzahlen. Wurde bearbeitet von Sepiedeh Nouri.
2.Adaptive Wahl der Bandbreite eines nichtparametrischen Regressionsschätzers durch Unterteilung der Stichprobe. Wurde bearbeitet von Jan Benzing.
3.Datenabhängige Wahl von Parametern in der Mustererkennung mittels Unterteilung der Stichprobe. Wurde bearbeitet von Alexander Bandhauer.
4.Adaptive Dichteschätzung mit Kernen. Wurde bearbeitet von Melanie Gebert.
5.Zerlegungskoeffizient und Packzahlen. Wurde bearbeitet von Fulya Gevez.
6.Zur starken universellen Konsistenz des Partitionenschätzers. Wurde bearbeitet von Kerstin Merz.
7.Optimal exercising of American options in discrete time. Wurde bearbeitet von Kyu-Sung Choi.

Im Jahr 2015 abgeschlossene Masterrarbeiten sind:

1.Adaptive Density estimation in a simulation model. Wurde bearbeitet von Sascha Schünemann.
2.Schätzung von Quantilen basierend auf Spline-Ersatzmodellen. Wurde bearbeitet von Sebastian Starik.
3.

Estimation of a quantile in a high dimensional simulation model using importance sampling. Wurde bearbeitet von Liqun Zhu.

4.Nichtparametrische Schätzung einer Regressionsfunktion und ihrer Ableitungen. Wurde bearbeitet von Roman Schmidt.
5.Adaptive Dichteschätzung mit zusätzlichen kleinen Messfehlern. Wurde bearbeitet von Elena Wassermann.
6.Quantilschätzung in einem Simulationsmodell: Theorie und Anwendung. Wurde bearbeitet von Matthias Hansmann.
7.Schätzung von Quantilen basierend auf einem adaptiven Partitionenschätzer. Wurde bearbeitet von Fabian Ulsenheimer.
8.Schätzung von Sprungstellen einer Regressionsfunktion durch Kernschätzung. Wurde bearbeitet von Michael Fitzke.
9.Nichtparametrische Quantilschätzung unter Verwendung von Importance Sampling. Wurde bearbeitet von Nina Rothermel.
10.Nichtparametrische Schätzung eines Modells für latente Variablen. Wurde bearbeitet von Tim Schaffland.
11.Density Estimation in a Simulation Model. Diplomarbeit. Wurde bearbeitet von Maria Rivilis.
12.Adaptive Schätzung von bedingten Dichten. Wurde bearbeitet von Viktoria Wasmayr.
13.Nichtparametrische Schätzung eines Maximums von Quantilen. Wurde bearbeitet von Julia Mühlbauer.
14. Dichteschätzung in einem Simulationsmodell. Wurde bearbeitet von Yulia Feldman.
15.Nonparametric Quantile Estimation based on Nearest Neighbor Surrogate Models. Wurde bearbeitet von Nadine Brahm.
16.Eine L1 Theorie der bedingten Dichteschätzung. Wurde bearbeitet von Mirko Lang.

Im Jahr 2015 abgeschlossene Bachelorarbeiten sind:

1. Eine Einführung in die nichtparamterische Regressionsschätzung. Wurde bearbeitet von Jessica Strauss.
2.Universelle Konsistenz und Konvergenzgeschwindigkeit des Nächste-Nachbar-Schätzers. Wurde bearbeitet von Steffen Dechert.
3.Das Chain-Ladder-Verfahren. Wurde bearbeitet von Sphie Langer.
4.Universell konsistente Mustererkennung unter Verwendung vom Nächsten-Nachbar-Schätzer. Wurde bearbeitet von Aleksandar Cuca.
5.Empirischer Vergleich von Verfahren zur Wahl der Glättungsparameter in der nichtparametrischen Regression. Wurde bearbeitet von Saeid Talebi.
6.Die Formlen von Panjer in der Schadenversicherungsmathematik. Wurde bearbeitet von David Klein.
7.Zur universellen Konsistenz des Kernschätzers in der nichtparametrischen Regression. Wurde bearbeitet von Christian Müller.
8.Zur Konvergenzgeschwindigkeit des Kerndichteschätzers. Wurde bearbeitet von Maximilian Weiss.
9.Zerlegungskoeffizient und VC-Dimension. Wurde bearbeitet von Semih Ücüncü.
10.Der Satz von Pollard. Wurde bearbeitet von Timo Bochenko.
11.Schadenreservierung bei lang andauernder Schadenabwicklung. Wurde bearbeitet von Stephanie Bauer.
12.Schätzung der Verteilung des Gesamtschadens in der Schadenversicherungsmathematik. Wurde bearbeitet von Alan Schmollgruber.
13.Wahl des Parameters eines nichtparametrischen Regressionsschätzers durch Unterteilung der Stichprobe. Wurde bearbeitet von Momcilo Jurisic.
14.Der Kerndichteschätzer nach Rosenblatt und Parzen. Wurde bearbeitet von Tobias Beck.
15.Approximation von stetigen Funktionen durch neuronale Netze. Wurde bearbeitet von Vassilios Marakis.
16.Zur universellen Konsistenz des Nächsten-Nachbar-Regressionsschätzers. Wurde bearbeitet von Anne Dietzel.
17.Minimax rate of convergence for nonparametric regression in the case of unbounded data. Wurde bearbeitet von Anna-Maria Seibert.
18.Das Gesetz des iterierten Logarithmus. Wurde bearbeitet von Elisabeth Beiter.
19.Der Satz von Stone und seine Anwendung auf den Kernschätzer. Wurde bearbeitet von Sajia Mokhtarzada.
20.Der 2-Stichproben-t-Test und die Anwendung in der Schadenversicherungsmathematik. Wurde bearbeitet von Florian Klingenberg.
21.Die Konsistenz des Kerndichteschätzers. Wurde bearbeitet von Alexandra Büchling.
22.Eine Einführung in die Schadenversicherungsmathematik. Wurde bearbeitet von Phillipp Werner.
23.Die universelle Konsistenz des bedingten Kerndichteschätzers. Wurde bearbeitet von Sara Kaddar.
24.Die einfaktorielle Varianzanalyse und ihre Anwendung in der Schadenversicherungsmathematik. Wurde bearbeitet von Julian Mühlbauer.

Im Jahr 2014 abgeschlossene Diplom- und Masterarbeiten sind:

1. Schätzung von Sprungstellen einer Regressionsfunktion mit Anwendung auf reale Daten. Wurde bearbeitet von Viktor Dück.
2.Estimation of a density in a simulation model. Wurde bearbeitet von B. S. Djimi.
3.Optimale Konvergenzraten bei der fehlerfreien Regression bei adaptiv gewähltem Design. Wurde bearbeitet von Sebastian Wenz.
4.Bewertung von Amerikanischen Optionen mit regressionsbasierten Monte Carlo Verfahren mit geschätzten Preisprozessen. Wurde bearbeitet von Lukas Lenz.
5.Nichtparametrische Schätzung von stationären und ergodischen Zeitreihen. Wurde bearbeitet von Joachim Brechtel.
6.Adaptive density estimation based on real and artificial data. Wurde bearbeitet von Aljona Rebakovski.
7.Rekursive Schätzung eines Quantils unter Verwendung von importance sampling. Wurde bearbeitet von Lisa Kristl.
8.Nichtparametrische Schätzung des maximalen Quantils. Wurde bearbeitet von Sari Chalgoumi.
9.Rekursive Schätzung von Quantilen in einem Simulationsmodell. Wurde bearbeitet von Milena Berst.

Im Jahr 2014 abgeschlossene Bachelorarbeiten sind:

1. Das Fundamentallemma von Neyman and Pearson. Wurde bearbeitet von Guelay Eryasar.
2.Der Satz von Stone. Wurde bearbeitet vpm Tolga Polat.
3.Dual methods for pricing American options based on nearest neighbor estimates. Wurde bearbeitet von Stefan Laschow.
4.Empirischer Vergleich von Verfahren zur nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Sebastian Kerstin.
5.Der Partitionenschätzer für zensierte Daten. Wurde bearbeitet von Mischa Rohleder.
6.Universelle, schwache Konsistenz des Kernschätzers. Wurde bearbeitet von Fabian Rasch.
7.Der Kaplan-Meier Schätzer. Wurde bearbeitet von Nils Kohrt.
8. Die Konvergenzgeschwindigkeit des Kernschätzers mit naivem Kern. Wurde bearbeitet von Sascha Bauer.
9. Individual minimax lower bounds for nonparametric regression estimates. Wurde bearbeitet von Niklas Michaelis.
10.Der Satz von Stone. Wurde bearbeitet von Christine Erle.
11.Adaptive Dichteschätzung in einem Simulationsmodell. Wurde bearbeitet von Johannes Ball.
12.Adaptive Wahl der Bandbreite des Kerndichteschätzers bei Daten mit kleinen Messfehlern. Wurde bearbeitet von Benedikt Bauer.
13.Das Cape-Cod-Verfahren in der Schadenversicherungsmathematik. Wurde bearbeitet von Marco Vetter.
14.Die Konvergenzgeschwindigkeit des Kernschätzers in der nichtparametrischen Regression. Wurde bearbeitet von Jonathan Hopf.
15. Adaptive Wahl der Bandbreite des Kerndichteschätzers. Wurde bearbeitet von Marco Getrost.
16.Nichtparametrische Quantilsschätzung unter Verwendung von Importance Sampling. Wurde bearbeitet von Nils Knauf.
17.Mathematische Grundlagen beim Beweis der starken universellen Konsistenz des Kerndichteschätzers. Wurde bearbeitet von Arvid Aegerter.
18. Das kollektive Modell in der Schadenversicherungsmathematik. Wurde bearbeitet von S. Alaca.
19.Nichtparametrische Schätzung von Regressionsfunktionen mit Hilfe des Nächste-Nachbarn- und des Kernschätzers. Wurde bearbeitet von Shalva Danilov.
20.Der Satz von Stone und seine theoretischen Grundlagen. Wurde bearbeitet von Fabian Beisenherz.
21.Universelle Konsistenz des Partitionenschätzers. Wurde bearbeitet von Safak Celik.
22.Das Submartingalkonvergenztheorem und sein Beweis. Wurde bearbeitet von Sezan Cakkalkurt.
23.Die Konsistenz des k-nächste-Nachbarn-Schätzers. Wurde bearbeitet von Jonas Groth.
24.Zur Implementierung der kombinatorischen Wahl der Bandbreite des Kerndichteschätzers. Wurde bearbeitet von Gabriel Teschner.
25.Der Satz von Stone und seine Anwendung auf den Nächste-Nachbar-Schätzer. Wurde bearbeitet von V. Kocamer.
26.Mathematische Grundlagen zum Beweis der universellen Konsistenz des Kerndichteschätzers. Wurde bearbeitet von Michelle Bridi.
27.Eine Anwendung des Lemmas von Fatou in der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von P. S. Pantalia.
28.Der Satz von Pollard. Wurde bearbeitet von Ines Lehr.
29.Eine Einführung in die Schadenversicherungsmathematik. Wurde bearbeitet von Franziska Wolfenstetter.
30.Schwache universelle Konsistenz des Nächsten-Nachbar-Schätzers. Wurde bearbeitet von Johannes Kunz.
31.Optimalität von Aussagen zur universellen Konsistenz in der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Faruk Dincer.
32.Minimax Lower Bounds for Nonparametric Regression Estimates. Wurde bearbeitet von Nadine Spohn.
33.Zur Abschätzung von Stichprobenmitteln durch Erwartungswerte. Wurde bearbeitet von Stefan Lautenbach.
34.Ein uniformes starkes Gesetz der grossen Zahlen. Wurde bearbeitet von Daniel Hasler.
35.Individuelle Minimaxkonvergenzraten in der nichtparametrischen Regression. Wurde bearbeitet von Lukas Alt.
36.Empirischer Vergleich des Nächste-Nachbar- und des Partitionenschätzers anhand realer Daten. Wurde bearbeitet von Andreas Schmitt.
37.Pearson´s chi-squared Test. Wurde bearbeitet von Sebastian Zender.
38.Die kombinatorische Methode zur adaptiven Wahl eines Dichteschätzers. Wurde bearbeitet von Franziska Wolf.
39.Das Theorem von McDiarmid und seine Anwendung in der Dichteschätzung. Wurde bearbeitet von Jens Hahn.
40.Eine Einführung in die Kerndichteschätzung. Wurde bearbeitet von Felix Schliessmann.
41.Konsistenz und Konvergenzgeschwindigkeit des Kernschätzers in der nichtparametrischen Regression. Wurde bearbeitet von Lisa Bier.
42.Kombinatorische Aspekte der VC-Theorie. Wurde bearbeitet von Julian Bonin.
43.Das Grundprinzip der Lebensversicherungsmathematik. Wurde bearbeitet von Jana Dillmann.
44.Ein Resultat zur Konvergenzgeschwindigkeit in der nichtparametrischen Regression bei unbeschränkten Daten. Wurde bearbeitet von S. Schachler.
45.Der Satz von Glivenko-Cantelli und sein Beweis. Wurde bearbeitet von Robert Schmidt.
46.Universelle Konsistenz des Kerndichteschätzers. Wurde bearbeitet von Sebastian Käfer.
47.Verfahren zur Bestimmung von Marginalfaktoren in der Schadenversicherungsmathematik. Wurde bearbeitet von Thao Vi Tran.

Im Jahr 2013 abgeschlossene Diplom- und Masterarbeiten sind:

1.Empirischer Vergleich von Verfahren zur nichtparametrischen Regressionsschätzung. Masterarbeit. Wurde bearbeitet von Tim Weisgerber.
2. Implementierung eines Verfahrens zur Schätzung von Geschwindigkeitsfeldern mit Hilfe von Smoothing-Splines in MATLAB. Wurde bearbeitet von Sascha Christiansen.
3. Regressionschätzung unter Verwendung von künstlichen und realen Daten. Masterarbeit. Wurde bearbeitet von Daniela Burg.
4.Adaptive Dichteschätzung basierend auf realen und künstlichen Daten. Masterarbeit. Wurde bearbeitet von Frau Xenia Schulz.
5.Estimation of the density of residuals. Diplomarbeit. Wurde bearbeitet von Lion Hartung.
6. Optimal exercise of American options in discrete time in the case of Levy models. Wurde bearbeitet von Frau Boyana Ivanova.
7.Konsistenz und Konvergenzgeschwindigkeit bei der Schätzung der Dichte von Residuen. Wurde bearbeitet von Diana Miteva.
8.Schätzung einer Verteilung ausgehend von einer Stichprobe mit zusätzlichen kleinen Messfehlern. Masterarbeit. Wurde bearbeitet von Reinhard Tent.

 

 

Im Jahr 2013 abgeschlossene Bachelorarbeiten sind:

1. Empirischer Vergleich der Tests von Kolmogoroff-Smirnow und dessen nicht asymptotischer Variante. Wurde bearbeitet von Fabian Ulsenheimer.
2.Bewertung Amerikanischer Optionen als Lösung eines optimalen Stoppproblems unter Berücksichtigung auftretender Messbarkeits- probleme. Wurde bearbeitet von Isabella Frank.
3.Der Chi-Quadrat-Anpassungstest. Wurde bearbeitet von Lisa Kristl.
4.Universelle Konsistenz des Partitionenschätzers. Wurde bearbeitet von Yvon Delored Kamgaing.
5.Universelle Konsistenz des Partitionenschätzers. Wurde bearbeitet von Yun Suo.
6.Konvergenzratenresultat für den Kernschätzer bei unbeschränkter Prädiktorvariable. Wurde bearbeitet von Johannes Kilian.
7.Universelle Konsistenz des Kernschätzers. Wurde bearbeitet von Frau Zhu Zhu.
8.Regressionsbasierte Monte-Carlo-Verfahren zur Bewertung Amerikanischer Optionen bei geschätztem Preisprozess. Wurde bearbeitet von Qiachu Li.
9.Der Test von Kolmogoroff-Smirnow. Wurde bearbeitet von Chan Bao Huyen.
10.Tests bei monotonen Dichtequotienten. Wurde bearbeitet von Julia Mühlbauer.
11.Über die Verteilung der Prüfgröße beim Test von Kolmogorow-Smirnow. Wurde bearbeitet von Dennis Munkelberg.
12.Konvergenzgeschwindigkeit des 1-NN-Schätzers. Wurde bearbeitet von Pascal Mindt.
13.Ein uniformes starkes Gesetz der großen Zahlen. Wurde bearbeitet von Christian Pötz.
14.Der L1-Fehler des Kerndichteschätzers. Wurde bearbeitet von Marcia Rückbeil.
15.Der Satz von Pollard. Wurde bearbeitet von Dominik Schmidt.
16.On the rate of convergence of the partitioning regression estimate. Wurde bearbeitet von Dominik Knebel.
17. Optimalität des einseitigen Gauss-Tests. Wurde bearbeitet von Frau Nadine Smolarek.
18.  Dual methods for pricing American options based on kernel regression estimates. Wurde bearbeitet von Sascha Kirmse.

19.   

Minimax-Konvergenzraten - Untere Schranken. Wurde bearbeitet von Simon Heeg.
20. Minimax Lower Bounds - A Topic from the Field of Nonparametric Regression. Wurde bearbeitet von H. S. Roopra.
21.Schwache universelle Konsistenz des Partitionenschätzers. Wurde bearbeitet von Manuel Prause.
22.Individual Minimax Lower Bounds. Wurde bearbeitet von Marcel Weber.

Im Jahr 2012 abgeschlossene Diplom- und Masterarbeiten sind:

1. Eine Schätzung von Dehnungs-Wöhler-Linien. Masterarbeit.Wurde bearbeitet von Markus Kontny.
2. Grundlagen des optimalen Stoppens unter Ergodizität und Stationarität. Diplomarbeit. Wurde bearbeitet von Stefan Walter.
3. Pricing of Bermudan options using least-squares estimates with complexity penalties. Diplomarbeit. Wurde bearbeitet von Florian Trippel.
4.Wahl des optimalen Designs zur Schätzung der Dehnungs-Wöhlerlinie mittels Simulationen. Wurde bearbeitet von Herrn Achard.
5.Bewertung Amerikanischer Optionen auf Dividenden abwerfende Aktien mittels regressionsbasierter Monte Carlo Verfahren und Kleinsten-Quadrate-Schätzern bei unbeschränkter Auszahlungsfunktion. Wurde bearbeitet von Christian Beierlein.
6.Derivation and Implementation of a Nonparametric Estimation in the Context of a Latent Variable Model. Masterarbeit. Wurde bearbeitet von Dennis Weinbender.
7.L1-konsistente Schätzung der Dichte von Residuen. Wurde bearbeitet von Anne Kluge.
8.Schätzung von Dichten ausgehend von realen und künstlich erzeugten Daten unter Verwendung des 1-Nächsten-Nachbar-Schätzers. Wurde bearbeitet von Bianca Hinz.
9.Schätzung der Ableitung einer Regressionsfunktion als Inversenproblem. Masterarbeit. Wurde bearbeitet von Florian Müller.
10.Obere Schranken für Amerikanische Optionen in diskreter Zeit im Falle von stationären und ergodischen Daten. Masterarbeit. Wurde bearbeitet von Ann-Kathrin Bott.
11.Bewertung Amerikanischer Optionen mittels Kleinsten-Quadrate-Splineschätzern bei unbeschränkter Auszahlungsfunktion. Wurde bearbeitet von Laura Ströter.
12.Analyse von Kleinste-Quadrate Neuronale-Netze-Schätzern bei Vorliegen von Messfehlern in der unabhängigen Variablen (Masterarbeit). Wurde bearbeitet von Nangue Ngangwa Reynaud.
13.Density estimation in the finite information model. (Masterarbeit). Wurde bearbeitet von Lukas Lebisch.
14.Consistency of regression based Monte Carlo methods in case of estimated financial models (Masterarbeit). Wurde bearbeitet von Zizhen Huang.
15.Nichtparametrische Schätzung bedingter Verteilungen (Masterarbeit). Wurde bearbeitet von Gerard Yomba Ngangwa.
16.Empirical comparison of nonparametric regression estimates on real data (Masterarbeit). Wurde bearbeitet von Djipie Bokaha.

Im Jahr 2012 abgeschlossene Bachelorarbeiten sind:

1. Panjer-Algorithmus und kollektives Risikomodell. Wurde bearbeitet von Michael Fitzke.
2. Optimale Tests bei monotonen Dichtequotienten. Wurde bearbeitet von Christina Hofmeister.
3.Empirical Comparison of Nonparametric Regression Estimates - The k-NN and the Random Forrest Estimator. Wurde bearbeitet von Frau Prenzer.
4.Der Beweis des Satzes von Glivenko-Cantelli. Wurde bearbeitet von Herrn Chris-Gabriel Islam.
5.Theorem of Pollard. Wurde bearbeitet von Herrn Sebastian Wenz.
6.Regressionbasierte Monte Carlo Verfahren zur Bewertung amerikanischer Optionen unter Verwendung von Neuronalen Netzen. Wurde bearbeitet von Herrn Christian Ritter.
7.Regression-based Monte Carlo methods for pricing American options based on the partitioning estimate. Wurde bearbeitet von Herrn Dustin Hoffmann.
8.Universal consistency of the kernel density estimate. Wurde bearbeitet von Herrn Joachim Brechtel.
9.Empirischer Vergleich des Smoothing-Spline-Regressionsschätzers und des Partitionenschätzers anhand realer Daten. Wurde bearbeitet von Friedrich Gerny.
10.Empirischer Vergleich von Verfahren der nichtparametrischen Regressionschätzung. Wurde bearbeitet von Linda Fritzsche.
11.Regression-based Monte Carlo Estimates for Pricing American Options using the Kernel Estimate. Wurde bearbeitet von Christina Schmid.
12.Universelle Konsistenz des Kernschätzers. Wurde bearbeitet von Roman Schmidt.
13.Dichteschätzung basierend auf realen und künstlich erzeugten Daten. Wurde bearbeitet von Olga Schulz.
14.Regressionsbasierte Monte-Carlo-Verfahren zur Bewertung amerikanischer Optionen unter Verwendung des Kernschätzers. Wurde bearbeitet von Garret Barz.
15.Verfahren der nichtparametrischen Regressionsschätzung und beispielhafte Anwendung zur Bewertung amerikanischer Optionen. Wurde bearbeitet von Ann-Kathrin Rothenbächer.
16.Universal Consistency of the Kernel Density Estimate. Wurde bearbeitet von Janina Schimmel.
17.Empirischer Vergleich von Verfahren der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von Tim Schaffland.
18.Estimation of a density from contaminated data. Wurde bearbeitet von Christina Christ.
19. Der empirische Vergleich des Tests von Kolmogoroff-Smirnow und des Chi-Quadrat-Anpassungstests. Wurde bearbeitet von  Sebastian Starik.
20.  Optimality of the one-sided Gauß-Test. Wurde bearbeitet von Manuel Maasz.

Im Jahr 2011 abgeschlossene Diplom- und Masterarbeiten sind:

1.Credibility Theory. Wurde bearbeitet von Matthäus Kascha.
2.Pricing American Options by regression based Monte Carlo methods using Interaction Models based on Spline. Wurde bearbeitet von Xiping Wu.
3.Optimal exercising of American options in discrete time (master thesis). Wurde bearbeitet von Steve Charlie Kenmoe.
4.Optimal exercising of American options in discrete time - measurement problems (master thesis). Wurde bearbeitet von Meguy Kuete.
5.Optimale Parameterwahl bei der Bewertung von Amerikanischen Optionen mit Hilfe von GARCH-Modellen und regressionsbasierten Monte-Carlo-Verfahren unter Verwendung von nichtparametrischer Regression. Wurde bearbeitet von Dmytro Furer.
6.Optimales Ausüben von Amerikanischen Optionen in diskreter Zeit im Falle von GARCH-Modellen.
Eine Themenbeschreibung finden Sie hier als pdf-file. Wurde bearbeitet von Matthias Krug.
7.Vergleichende Darstellung von Verfahren zur Schadensreservierung bei lang andauernden Schadensabwicklungen. Wurde bearbeitet von Lihui Jin.
8.Bewertung Amerikanischer Optionen basierend auf GARCH Modellen unter Verwendung regressionsbasierter Monte-Carlo-Verfahren. Wurde bearbeitet von Nadine Dietz.
9. On data-based optimal stopping under stationarity and ergodicity. Wurde bearbeitet von Ying Zhao.
10.Ein Konsistenzresultat zur Schätzung von Geschwindigkeitsfeldern mit Hilfe von multivariaten Smoothing-Splines.
Eine Themenbeschreibung finden Sie hier als pdf-file. Wurde bearbeitet von Matthias Pausch.

Im Jahr 2011 abgeschlossene Bachelorarbeiten sind:

1.Regressionsschätzung durch lokale Mittelung mit Implementierung in R angewendet in der Finanzmathematik. Wurde bearbeitet von David Gleb Schmitt.
2. Performance Analyse und Optimierung von Videoload-Bannern. Wurde bearbeitet von Evgeniya Manasieva.
3. Aggregation of market risk. Wurde bearbeitet von Susanne Börner.
4. Pricing of American Options by regression-based Monte Carlo methods using local polynomial kernel estimates. Wurde bearbeitet von Velizara Miteva.

Im Jahr 2010 abgeschlossene Diplomarbeiten sind:

1.Einsatz der Regressionsschätzung zur Tiefenrekonstruktion von monokularen Fotografien. Wurde bearbeitet von Daniel Jones.
2.Parameterwahl bei der Bewertung von Amerikanischen Optionen mit Hilfe von Levy-Prozessen und regressionsbasierten Monte-Carlo-Verfahren unter Verwendung von nichtparametrischer Regression. Wurde bearbeitet von Manuel May.
3.Analyse der Konvergenzgeschwindigkeit von Monte-Carlo-Schätzern von oberen Schranken zur Bewertung Amerikanischer Optionen. Wurde bearbeitet von Tina Felber.
4.Einsatz der nichtparametrischen Regressionsschätzung zur Analyse des Verhaltens eines Verbrennungsmotors. Wurde bearbeitet von Mona Eberts.
5.Obere Schranken bei der Bewertung Amerikanischer Optionen mit reduzierter Zahl von geschachtelten Monte Carlo Schritten. Wurde bearbeitet von Christian Paul.
6.Optimales Ausüben von Amerikanischen Optionen in diskreter Zeit. Wurde bearbeitet von Norbert Sommer.
7.Die Schätzung der Regressionsfunktion unter Verwendung von L2-Boosting. Wurde bearbeitet von Alexandra Fischer.
8.Wahl von Glättungsparametern in der nichtparametrischen Regression durch Kombination von Experten. Wurde bearbeitet von Angela Armakola.
9.Bewertung Amerikanischer Optionen mit Hilfe von regressionsbasierten Monte-Carlo-Verfahren, dualen Methoden und Binomialbäumen. Wurde bearbeitet von Sören Friedrich.
10.Schätzung des Maximalwertes einer Regressionsfunktion. Wurde bearbeitet von Agnetha Pfuhl.
11.Schätzung des Geschwindigkeitsfeldes einer Strömung mittels nichtparametrischer Regressionsschätzung. Wurde bearbeitet von Ida Hertel.

Im Jahr 2010 abgeschlossene Bachelor-Arbeiten sind:

1.Consistency of regression-based Monte Carlo method for pricing American options in case of errors in modeling the pricing process (bachelor thesis). Wurde bearbeitet von Martina Gogova.
2.The dual approach for pricing American options. Wurde bearbeitet von Magdelina Maslarova.
3.Untersuchung von Verfahren zur Bewertung Amerikanischer Optionen mit Hilfe von Bäumen. Wurde bearbeitet von Reinhard Tent.
4.Bewertung Amerikanischer Basket Optionen mit Hilfe von Bäumen. Wurde bearbeitet von Lukas Lenz.
5.Darstellung der Grundlagen regressionsbasierter Monte-Carlo-Verfahren zur Bewertung Amerikanischer Optionen unter Verwendung von multivariaten Smoothing Splines. Wurde bearbeitet von Markus Kontny.
6.Pricing of American options by regression based Monte Carlo methods using additive models based on splines. Wurde bearbeitet von Sascha Schünemann.
7.Nonparametric Regression via Local Averaging. Wurde bearbeitet von Dennis Weinbender.
8.Darstellung der Grundlagen von regressionsbasierten Monte-Carlo-Verfahren zur Bewertung Amerikanischer Optionen unter Verwendung von Neuronalen Netzen - Implementierung des Schätzers in Matlab. Wurde bearbeitet von Christian Beierlein.
9.Darstellung der Grundlagen von regressionsbasierten Monte-Carlo-Verfahren zur Bewertung Amerikanischer Optionen unter Verwendung von Neuronalen Netzen - Implementierung des Schätzers in R. Wurde bearbeitet von Sebastian Küppers.
10.Pricing of American Options by Regression-based Monte Carlo Methods with multivariate smoothing splines. Wurde bearbeitet von Ivelin Tilev.
10.Regression-based Monte Carlo Methods for Pricing American Options Based on Local Polynomial Kernel Regression Estimates. Wurde bearbeitet von Xiayan Zhu.
11.Regressionsbasierte Monte-Carlo-Verfahren zur Bewertung Amerikanischer Optionen unter Verwendung von additiven Modellen basierend auf Splines. Wurde bearbeitet von Daniela Burg.

Im Jahr 2009 abgeschlossene Arbeiten sind:

1.Bewertung von Amerikanischen Optionen mit Hilfe von Levy-Prozessen und Monte-Carlo-Verfahren. Wurde bearbeitet von J. Hein.
2.Vergleichende Darstellung klassischer und moderner Verfahren der aktuariellen Schadenreservierung und deren Software-gestützte Implementierung. Diplomarbeit. Wurde bearbeitet von V. Velyanova.
3.Pricing of American Option by regression-based Monte Carlo algorithms using linear regression with extended basis functions. Bachelor thesis. Wurde bearbeitet von A. Hrstov.
4.Statistische Verfahren in der Prozessoptimierung. Diplomarbeit. Wurde bearbeitet von F. Reble.
5.Quantile estimation in the case of heavy-tailed financial data. Bachelor thesis. Wurde bearbeitet von P. Valkova.
6.Parameterschätzverfahren zur Modellierung operationeller Risiken von Finanzdienstleistern. Diplomarbeit. Wurde bearbeitet von J. Woitschek.
7.Stress testing risk weighted assets of credit portfolios (bachelor thesis). Wurde bearbeitet von Bhumija Agrawal.
8.Bewertung von Amerikanischen Optionen mit Hilfe von GARCH-Modellen und Monte-Carlo-Verfahren. Wurde bearbeitet von Jim Cholemkery.
9.Optimal exercising of an American option in discrete time (bachelor thesis). Wurde bearbeitet von Georgi Bengyuzov.

Vor 2009 bereits abgeschlossene Arbeiten sind:

1.Regressionsschätzung ausgehend von stationären Daten und ergodischen Daten, mit Anwendungen in der Finanzmathematik. Wurde bearbeitet von B. Puhl.
2.Konvergenzgeschwindigkeit in der nichtparametrischen Regressionsschätzung bei unbeschränkten Daten. Wurde bearbeitet von A. Fromkorth.
3.Konvergenzgeschwindigkeit von Plug-in-Klassifikationsregeln. Wurde bearbeitet von J. Balter.
4.Analyse der Konvergenzgeschwindigkeit des Partitionenschätzers bei Vorliegen von Messfehlern in der abhängigen Variablen, mit Anwendung bei der Bewertung Amerikanischer Optionen. Wurde bearbeitet von A. German.
6.Bestimmung von Marginalfaktoren in der Versicherungsmathematik mittels nichtparametrischer Regressionsschätzung - Konsistenzanalyse. Wurde bearbeitet von S. Helmsmüller.
7.Bewertung Amerikanischer Optionen mit regressionsbasierten Monte-Carlo-Verfahren und Smoothing-Splines. Wurde bearbeitet von B. Heidinger.
8.Bewertung Amerikanischer Optionen mit Hilfe von neuronalen Netzen mit zwei verdeckten Schichten. Wurde bearbeitet von O. Kliatchko.
9.Bewertung Amerikanischer Optionen mi Hilfe von Maxima von Minima von linearen Funktionen. Wurde bearbeitet von M. Ciftci.
10.Bestimmung von Marginalfaktoren in der Versicherungsmathematik mittels nichtparametrischer Regressionsschätzung - Konvergenzanalyse. Wurde bearbeitet von C. Sörensen.
12.Ein Algorithmus zur Bestimmung von Marginalfaktoren in der Versicherungsmathematik mit Hilfe von Verfahren der nichtparametrischen Regressionsschätzung. Wurde bearbeitet von C. Brittnacher.
13.Robustheit bei der Bewertung Amerikanischer Optionen mit Hilfe von regressionsbasierten Monte-Carlo-Verfahren, Teile I und II. Wurde bearbeitet von C. Eisinger und D. Pieter.
14.Regressionsschätzung mit Hilfe von neuronalen Netz mit zwei verdeckten Schichten. Wurde bearbeitet C. Warnken.