Die Modellierung mehrdimensionaler Daten mittels Extremwertcopulas wird in den verschiedensten Wissenschaftsbereichen mit immer größer werdendem Interesse genutzt. Vor allem in der Finanzwelt und Hydrologie ist diese Methode mittlerweile weit verbreitet. Doch auch meteorologische Ereignisse hängen oft von mehreren Variablen ab. Bisher werden dennoch häufig Wettervariablen unbhängig voneinander modelliert. Ziel dieser Arbeit ist es, aufzuzeigen, wie bekannte statistische Methoden zusammengeführt werden können, um so mehrdimensionale meteorologische Daten zu modellieren. Nach einer Einführung in die verschiedenen notwendigen statistischen Methoden, wird eine komplette Modellierung der gegebenen bivariaten Wetterzeitreihen vorgeführt werden. Mittels SARIMA-Modellen werden die univariaten Wetterzeitreihen unabhängig voneinander modelliert. Für die resultierenden Residuen wird mittels verschiedener vorgestellter Tests aufgezeigt, wie sich eine passende Extremwertcopula finden lässt. Schlussendlich wird diese Modellierung für die Bepreisung hypothetischer Wetterderivate mittels Monte- Carlo-Methoden genutzt.     «

Die Modellierung mehrdimensionaler Daten mittels Extremwertcopulas wird in den verschiedensten Wissenschaftsbereichen mit immer größer werdendem Interesse genutzt. Vor allem in der Finanzwelt und Hydrologie ist diese Methode mittlerweile weit verbreitet. Doch auch meteorologische Ereignisse hängen oft von mehreren Variablen ab. Bisher werden dennoch häufig Wettervariablen unbhängig voneinander modelliert. Ziel dieser Arbeit ist es, aufzuzeigen, wie bekannte statistische Methoden zusammengeführt...     »

Modeling multidimensional data with extreme value copulas is used in various fields of science with an ever-greater interest. Especially in the world of finance and Hydrology this method is now widely used. In fact, meteorological events often depend on several variables. So far, however, weather variables are often modeled independently. The aim of this thesis is to show how well-known statistical methods can be combined to model multidimensional meteorological data. After an introduction to the various necessary statistical methods a complete modeling of bivariate meteorological time series will be presented. With the use of SARIMA models the univariate meteorological time series are fitted independently. By using various tests we show how to fit a matching extreme value copula. Finally, these modeling methods are used to price hypothetical weather derivatives using Monte Carlo.     «

Modeling multidimensional data with extreme value copulas is used in various fields of science with an ever-greater interest. Especially in the world of finance and Hydrology this method is now widely used. In fact, meteorological events often depend on several variables. So far, however, weather variables are often modeled independently. The aim of this thesis is to show how well-known statistical methods can be combined to model multidimensional meteorological data. After an introduction to th...     »