Credibility Theory. Christoph Chlubna. 10. Januar / 18
|
|
- Monica Hermann
- vor 5 Jahren
- Abrufe
Transkript
1 10. Januar / 18
2 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
3 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
4 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
5 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
6 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
7 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
8 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18
9 Was ist 1 statistisches Verfahren 2 Bewertung von Versicherungsprodukten 3 basiert auf den zwei Konzepten des individuellen und kollektiven Risikos 3 / 18
10 Was ist 1 statistisches Verfahren 2 Bewertung von Versicherungsprodukten 3 basiert auf den zwei Konzepten des individuellen und kollektiven Risikos 3 / 18
11 Was ist 1 statistisches Verfahren 2 Bewertung von Versicherungsprodukten 3 basiert auf den zwei Konzepten des individuellen und kollektiven Risikos 3 / 18
12 Was ist 1 statistisches Verfahren 2 Bewertung von Versicherungsprodukten 3 basiert auf den zwei Konzepten des individuellen und kollektiven Risikos 3 / 18
13 Das Problem der Risikobewertung Die zugrunde liegende Aufgabe der Bewertung des Riskos besteht in der Bestimmung der sogenannten reinen Risikoprämie P i = E[X i ]. Dazu betrachten wir eine Versicherung mit einem Portfolio bestehend aus I versicherten Risiken mit i = 1, 2,..., I. In einer wohldefinierten Versicherungsperiode erzeugt das Risiko i 1 eine Anzahl an Schäden N i, 2 mit den Schadenshöhen Y (v) i (v = 1, 2,..., N i ), 3 welche zusammen den Gesamtschaden X i = N i v=1 Y (v) i ergeben. 4 / 18
14 Das Problem der Risikobewertung Die zugrunde liegende Aufgabe der Bewertung des Riskos besteht in der Bestimmung der sogenannten reinen Risikoprämie P i = E[X i ]. Dazu betrachten wir eine Versicherung mit einem Portfolio bestehend aus I versicherten Risiken mit i = 1, 2,..., I. In einer wohldefinierten Versicherungsperiode erzeugt das Risiko i 1 eine Anzahl an Schäden N i, 2 mit den Schadenshöhen Y (v) i (v = 1, 2,..., N i ), 3 welche zusammen den Gesamtschaden X i = N i v=1 Y (v) i ergeben. 4 / 18
15 Individuelles Risiko Das individuelle Risiko erzeugt Gesamtschäden X j mit (j = 1, 2,..., n). Mit den Beobachtungen aus vergangenen Perioden X = (X 1,..., X n) als Basis, wollen wir nun die Gesamtschäden für zukünftige Perioden schätzen, zum Beispiel X n+1. Hierzu müssen wir einige Standardannahme über die Verteilungsfunktion der Zufallsvariablen X j treffen: 1 (Stationärität) Alle X j s sind identisch verteilt mit Verteilungsfunktion F (x). 2 (Bedingte Unabhängigkeit) Die stochastischen Größen X j mit j = 1, 2,..., n sind bedingt unabhängig (mit Verteilung F (x)). 5 / 18
16 Individuelles Risiko Das individuelle Risiko erzeugt Gesamtschäden X j mit (j = 1, 2,..., n). Mit den Beobachtungen aus vergangenen Perioden X = (X 1,..., X n) als Basis, wollen wir nun die Gesamtschäden für zukünftige Perioden schätzen, zum Beispiel X n+1. Hierzu müssen wir einige Standardannahme über die Verteilungsfunktion der Zufallsvariablen X j treffen: 1 (Stationärität) Alle X j s sind identisch verteilt mit Verteilungsfunktion F (x). 2 (Bedingte Unabhängigkeit) Die stochastischen Größen X j mit j = 1, 2,..., n sind bedingt unabhängig (mit Verteilung F (x)). 5 / 18
17 Individuelle Prämie Definition: Die individuelle Prämie eines Risikos mit Risikoprofil θ ist gegeben durch µ(θ) := P ind (θ) = E[X n+1 θ]. 6 / 18
18 Individuelle Prämie Definition: Die individuelle Prämie eines Risikos mit Risikoprofil θ ist gegeben durch µ(θ) := P ind (θ) = E[X n+1 θ]. 6 / 18
19 Kollektive Prämie Definition: Die Wahrscheinlichkeitsverteilung U(θ) nennt man die Strukturfunktion des Kollektivs. Definition: Die kollektive Prämie, oder auch Tarifstufe genannt, ist gegeben durch µ 0 := P coll = µ(θ)du(θ) = E[X n+1 ]. Θ 7 / 18
20 Kollektive Prämie Definition: Die Wahrscheinlichkeitsverteilung U(θ) nennt man die Strukturfunktion des Kollektivs. Definition: Die kollektive Prämie, oder auch Tarifstufe genannt, ist gegeben durch µ 0 := P coll = µ(θ)du(θ) = E[X n+1 ]. Θ 7 / 18
21 Kollektive Prämie Definition: Die Wahrscheinlichkeitsverteilung U(θ) nennt man die Strukturfunktion des Kollektivs. Definition: Die kollektive Prämie, oder auch Tarifstufe genannt, ist gegeben durch µ 0 := P coll = µ(θ)du(θ) = E[X n+1 ]. Θ 7 / 18
22 Das Zwei-Urnen Modell und die Bayes Prämie 1 Bedingt durch das Ereignis Θ = θ sind die X 1, X 2,... unabhängig und identisch verteilt mit Verteilungsfunktion F θ. 2 Θ ist eine stochastische Größe mit Verteilung U. 8 / 18
23 Das Zwei-Urnen Modell und die Bayes Prämie 1 Bedingt durch das Ereignis Θ = θ sind die X 1, X 2,... unabhängig und identisch verteilt mit Verteilungsfunktion F θ. 2 Θ ist eine stochastische Größe mit Verteilung U. 8 / 18
24 Bayes Prämie Definition: Die Bayes Prämie ist definiert duch µ(θ) = P Bayes := E[µ(Θ) X]. 9 / 18
25 Bayes Prämie Definition: Die Bayes Prämie ist definiert duch µ(θ) = P Bayes := E[µ(Θ) X]. 9 / 18
26 Risikofunktion Sei L(θ, T (x)) die Verlustfunktion, wenn θ der wahre Parameter ist. Die Risikofunktion des Schätzers T ist gegeben durch R T (θ) := E θ [L(θ, T )] = L(θ, T (x))df θ (x). R n 10 / 18
27 Risikofunktion Sei L(θ, T (x)) die Verlustfunktion, wenn θ der wahre Parameter ist. Die Risikofunktion des Schätzers T ist gegeben durch R T (θ) := E θ [L(θ, T )] = L(θ, T (x))df θ (x). R n 10 / 18
28 Bayes Risiko Definition: Das Bayes Risiko des Schätzers T, mit Bezug auf die a priori Verteilung U(θ) ist gegeben durch R(T ) := R T (θ)du(θ). Θ 11 / 18
29 Bayes Risiko Definition: Das Bayes Risiko des Schätzers T, mit Bezug auf die a priori Verteilung U(θ) ist gegeben durch R(T ) := R T (θ)du(θ). Θ 11 / 18
30 Quadratische Verlustfunktion Eine besondere Form der Verlustfunktion ist die quadratische Verlustfunktion L(θ, T (x)) = (µ(θ) T (x)) 2. Satz: Der Bayes Schätzer bezüglich der quadratischen Verlustfunktion ist gegeben durch µ(θ) = E[µ(Θ) X]. 12 / 18
31 Quadratische Verlustfunktion Eine besondere Form der Verlustfunktion ist die quadratische Verlustfunktion L(θ, T (x)) = (µ(θ) T (x)) 2. Satz: Der Bayes Schätzer bezüglich der quadratischen Verlustfunktion ist gegeben durch µ(θ) = E[µ(Θ) X]. 12 / 18
32 Quadratische Verlustfunktion Eine besondere Form der Verlustfunktion ist die quadratische Verlustfunktion L(θ, T (x)) = (µ(θ) T (x)) 2. Satz: Der Bayes Schätzer bezüglich der quadratischen Verlustfunktion ist gegeben durch µ(θ) = E[µ(Θ) X]. 12 / 18
33 Die Prämie im einfachen Modell Modellannahme Das einfache Modell 1 Die stochastischen Größen X j mit (j = 1,..., n) sind, bedingt in Θ = θ, unabhängig mit identischer Verteilungsfunktion F θ und bedingten Momenten µ(θ) = σ 2 (θ) = E[X j Θ = θ], Var[X j Θ = θ]. 2 Θ ist eine stochastische Größe mit Verteilung U(θ). 13 / 18
34 Die Prämie im einfachen Modell Modellannahme Das einfache Modell 1 Die stochastischen Größen X j mit (j = 1,..., n) sind, bedingt in Θ = θ, unabhängig mit identischer Verteilungsfunktion F θ und bedingten Momenten µ(θ) = σ 2 (θ) = E[X j Θ = θ], Var[X j Θ = θ]. 2 Θ ist eine stochastische Größe mit Verteilung U(θ). 13 / 18
35 Die Prämie im einfachen Modell Satz: Die Prämie unter den Annahmen des einfachen Modells ist gegeben durch mit µ(θ) = αx + (1 α)µ 0, X = 1 n n j=1 X j, µ 0 = E[µ(Θ)], α = n. n+ σ2 τ 2 14 / 18
36 Die Prämie im einfachen Modell Satz: Die Prämie unter den Annahmen des einfachen Modells ist gegeben durch mit µ(θ) = αx + (1 α)µ 0, X = 1 n n j=1 X j, µ 0 = E[µ(Θ)], α = n. n+ σ2 τ 2 14 / 18
37 Die Prämie im einfachen Modell 1 µ 0 ist der beste Schätzer, der auf dem a priori-wissen allein basiert. Der quadratische Verlust ist E[(µ 0 µ(θ)) 2 ] = Var(µ(Θ)) = τ 2 2 X ist der bestmögliche, lineare und individuell erwartungstreue Schätzer, der nur auf dem Beobachtungsvektor X basiert. Mit quadratischem Verlust E[(X µ(θ)) 2 ] = E[σ 2 (Θ)/n] = σ 2 /n. 15 / 18
38 Die Prämie im einfachen Modell 1 µ 0 ist der beste Schätzer, der auf dem a priori-wissen allein basiert. Der quadratische Verlust ist E[(µ 0 µ(θ)) 2 ] = Var(µ(Θ)) = τ 2 2 X ist der bestmögliche, lineare und individuell erwartungstreue Schätzer, der nur auf dem Beobachtungsvektor X basiert. Mit quadratischem Verlust E[(X µ(θ)) 2 ] = E[σ 2 (Θ)/n] = σ 2 /n. 15 / 18
39 Die Prämie im einfachen Modell 1 µ 0 ist der beste Schätzer, der auf dem a priori-wissen allein basiert. Der quadratische Verlust ist E[(µ 0 µ(θ)) 2 ] = Var(µ(Θ)) = τ 2 2 X ist der bestmögliche, lineare und individuell erwartungstreue Schätzer, der nur auf dem Beobachtungsvektor X basiert. Mit quadratischem Verlust E[(X µ(θ)) 2 ] = E[σ 2 (Θ)/n] = σ 2 /n. 15 / 18
40 Die Prämie im einfachen Modell 1 κ = σ2 τ 2 wird der Koeffizient genannt. Er kann auch durch κ = ( σ ) µ 2 ( τ ) 0 µ 2 dargestellt werden. 0 τ ist der Koeffizient für die Variation von µ(θ). Er ist ein Maß für die µ 0 Heterogenität eines Portfolios. σ = E[Var[X µ 0 j Θ]]/E[X j ] ist ein Maß für die Variation innerhalb der Risikokategorien. 2 α ist das sogenannte Gewicht. Es wächst, wenn 1 Die Zahl an beobachteten Jahren n wächst, τ 2 µ, das Maß für die Heterogenität des Portfolios, wächst, 0 σ 3 µ, die Variation innerhalb der Risikokategorien, sinkt / 18
41 Die Prämie im einfachen Modell 1 κ = σ2 τ 2 wird der Koeffizient genannt. Er kann auch durch κ = ( σ ) µ 2 ( τ ) 0 µ 2 dargestellt werden. 0 τ ist der Koeffizient für die Variation von µ(θ). Er ist ein Maß für die µ 0 Heterogenität eines Portfolios. σ = E[Var[X µ 0 j Θ]]/E[X j ] ist ein Maß für die Variation innerhalb der Risikokategorien. 2 α ist das sogenannte Gewicht. Es wächst, wenn 1 Die Zahl an beobachteten Jahren n wächst, τ 2 µ, das Maß für die Heterogenität des Portfolios, wächst, 0 σ 3 µ, die Variation innerhalb der Risikokategorien, sinkt / 18
42 Die Prämie im einfachen Modell 1 κ = σ2 τ 2 wird der Koeffizient genannt. Er kann auch durch κ = ( σ ) µ 2 ( τ ) 0 µ 2 dargestellt werden. 0 τ ist der Koeffizient für die Variation von µ(θ). Er ist ein Maß für die µ 0 Heterogenität eines Portfolios. σ = E[Var[X µ 0 j Θ]]/E[X j ] ist ein Maß für die Variation innerhalb der Risikokategorien. 2 α ist das sogenannte Gewicht. Es wächst, wenn 1 Die Zahl an beobachteten Jahren n wächst, τ 2 µ, das Maß für die Heterogenität des Portfolios, wächst, 0 σ 3 µ, die Variation innerhalb der Risikokategorien, sinkt / 18
43 Die Prämie im einfachen Modell Satz: Der quadratische Verlust der Prämie ist µ(θ) gegeben durch [ ( ) ] 2 E µ(θ) µ(θ) = (1 α)τ 2 = α σ2 n. 17 / 18
44 Die Prämie im einfachen Modell Satz: Der quadratische Verlust der Prämie ist µ(θ) gegeben durch [ ( ) ] 2 E µ(θ) µ(θ) = (1 α)τ 2 = α σ2 n. 17 / 18
45 Vielen Dank für die Aufmerksamkeit! 18 / 18
46 Vielen Dank für die Aufmerksamkeit! 18 / 18
Eine Einführung in die Credibility-Theorie
105.135 Seminar aus Finanz- und Versicherungsmathematik Eine Einführung in die Credibility-Theorie eingereicht von: Christoph Chlubna eingereicht am: 11. Februar 2012 Inhaltsverzeichnis
MehrEinleitung Definition Credibility Theorie Bühlmann-Straub Modell. Credibility Theory. Martin Klaudinger
Credibility Theory Martin Klaudinger 26.06.2012 Inhalt Einleitung Individuelle Prämie Kollektive Prämie Bayes Prämie Definition Credibility Theorie Bühlmann-Straub Modell Modell Annahmen Credibility Prämie
MehrSeminar aus Finanz- und Versicherungsmathematik. Credibilty Theorie. Klaudinger Martin SS 2012
Seminar aus Finanz- und Versicherungsmathematik Credibilty Theorie Klaudinger Martin 0925059 SS 2012 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Standardannahmen................................... 3 1.2 Individuelle
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Klassifikation und Regression: nächste Nachbarn Katharina Morik, Uwe Ligges 14.05.2013 1 von 24 Gliederung Funktionsapproximation 1 Funktionsapproximation Likelihood 2 Kreuzvalidierung
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrBAYES SCHE STATISTIK
BAES SCHE STATISTIK FELIX RUBIN EINFÜHRUNG IN DIE STATISTIK, A.D. BARBOUR, HS 2007 1. Einführung Die Bayes sche Statistik gibt eine weitere Methode, um einen unbekannten Parameter θ zu schätzen. Bisher
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
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
MehrStatistische Entscheidungstheorie
KAPITEL 6 Statistische Entscheidungstheorie 6.1. Verlustfunktion, Risiko, Minimax Schätzer Es sei (, A, (P θ ) θ ) ein statistisches Modell. Das heißt, ist die Menge aller möglichen Stichproben, A ist
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
Mehr2 Invarianz. 2.1 Definitionen
2 Invarianz 2.1 Definitionen Sei im folgenden immer eine W familie (P θ ) θ Θ (abgekürzte schreibweise (P θ )) auf einem Datenraum Y zugrunde gelegt. Definition [Transformationsgruppe]. Eine Menge G Abb(Y,
MehrWiederholungsklausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Wiederholungsklausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 8. Oktober 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten.
MehrBayes Inferenz Schätzen und Testen von Hypothesen. Helga Wagner Bayes Statistik WS 2010/11 301
Bayes Inferenz Schätzen und Testen von Hypothesen Helga Wagner Bayes Statistik WS 2010/11 301 Bayes Punktschätzung Entscheidungstheoretischer Ansatz: Wahl des Punktschätzers ist eine Aktion, die möglicherweise
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Sommer 204 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Vereinfachen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Thomas Vanck Statistik & Maschinelles Lernen Statistik: Deskriptive Statistik: Beschreibung (Tabellen,
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Embrechts ETH Zürich Sommer 2015 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 10 4 10
MehrGrundlagen der Versicherungsproduktion
Grundlagen der Versicherungsproduktion Dr. Andrea Boos Bitte beachten Sie, dass dieser Foliensatz in keiner Weise den Besuch der Vorlesung ersetzen kann. Die Folien bilden das Gerüst für die Vorlesung
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
MehrDistribution-free calculation of the standard error of Chain Ladder reserve estimates
Distribution-free calculation of the standard error of Chain Ladder reserve estimates David Fischinger 31. März 2018 David Fischinger 31. März 2018 1 / 41 Inhaltsverzeichnis 1) Einleitung 2) Chain Ladder
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrInstitut für Statistik der LMU. FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
Institut für Statistik der LMU FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER 2003 2003 Inhaltsverzeichnis 1 Elementare Wahrscheinlichkeitsrechnung 1 1.1 Die Axiome von Kolmogorov...........................
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, 2. Juli 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Konjugierte Prior Konjugierte Prior
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 26. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrE[X] = = 113. Nach den Gleichungen von Wald gilt für den Gesamtschaden S E[S] = E[N] E[X] = = 226
Aufgabe 1 (Risikomodelle) Ein Versicherungsvertrag erzeugt pro Jahr N Schäden mit Schadenhöhen {X k } k N, wobei alle Zufallsvariablen stochastisch unabhängig sind. Die Schadenhöhen haben die Verteilung
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrMarkov Ketten und Bonus Malus Systeme
Grund Stoch Markov Ketten Bonus Malus Probleme L 1 / 46 Markov Ketten und Bonus Malus Systeme Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden TU Wien 19. Mai 2010
MehrStatistische Methoden für Bauingenieure WS 2013/14. Literatur
Statistische Methoden für Bauingenieure WS 2013/14 Einheit 1: Einführung in die Wahrscheinlichkeitstheorie Univ.Prof. Dr. Christian Bucher Literatur C. Bucher: Computational analysis of randomness in structural
MehrKonjugierte Analyse einfacher Modelle Poisson-Modelle. Helga Wagner Bayes Statistik WS 2010/11 31
Konjugierte Analyse einfacher Modelle Poisson-Modelle Helga Wagner Bayes Statistik WS 2010/11 31 Example: Verkehrssicherheitsdaten 6 Time Series Plot 15 Time Series Plot 5 4 10 3 2 5 1 0 0 20 40 60 80
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
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
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
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
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
MehrAnreize -Vorlesung vom : Das Spence(1973)-Modell
Anreize -Vorlesung vom 2.12.2008: Das Spence(1973)-Modell Annette Kirstein Quelle: Salanié, Bernard (1997); The Economics of Contracts, MIT Press, 85-91. Gliederung 3.0 Einführung 3. Das Spence-Modell:
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrVorlesung 12a. Zerlegung der Varianz
Vorlesung 12a Zerlegung der Varianz 1 Im zufälligen Paar (X, Y ) 2 Im zufälligen Paar (X, Y ) sei Y reellwertig mit endlicher Varianz. Im zufälligen Paar (X, Y ) sei Y reellwertig mit endlicher Varianz.
MehrAufgabe (12 Punkte) Sei A A eine σ-algebra. (a) Man zeige: Ist X : Ω R A -messbar, dann ist X A-messbar. (b) Gilt die Umkehrung von (a)?
Am 5. Mai 2007 wurde zum dritten Mal eine stochastische Eingangsprüfung durchgeführt. Insgesamt konnten maximal 56 Punkte erreicht werden, zum Bestehen der Prüfung waren mindestens 26 Punkte notwendig.
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
MehrVorlesung 12a. Schätzen von Parametern. Teil 2
Vorlesung 12a Schätzen von Parametern Teil 2 1 Unser Logo der ersten Stunde: X P ϑ (X da) = ρ ϑ (da), ϑ Θ S 2 Ein Logo der Statistik: Θ ˆϑ t X S P ϑ (X da) = ρ ϑ (da), ϑ Θ Θ... Parameterraum S... Beobachtungsraum
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
Mehr