BONUS MALUS SYSTEME UND MARKOV KETTEN

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "BONUS MALUS SYSTEME UND MARKOV KETTEN"

Transkript

1 Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

2 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 2 von 61

3 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 3 von 61

4 Prolog: Internet Portale Internet Portale liefern im allgemeinen einen Vergleich von Prämien für das nächste Jahr, aber keinen Vergleich von Prämien für spätere Jahre und keinen Vergleich von Versicherungsleistungen. Die Prämien für spätere Jahre hängen von den zukünftigen Schadenzahlen und damit von dem verwendeten Bonus Malus System ab. Bei Verwendung eines Bonus Malus Systems verringert sich die Prämie für das Folgejahr bei einem schadenfreien aktuellen Jahr und erhöht sich die Prämie für das Folgejahr in Abhängigkeit von der Anzahl der Schäden im aktuellen Jahr. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 4 von 61

5 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 5 von 61

6 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 6 von 61

7 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 7 von 61

8 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 8 von 61

9 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 9 von 61

10 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 10 von 61

11 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 11 von 61

12 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 12 von 61

13 Beispiel (1) Wir betrachten ein Bonus Malus System mit vier Klassen i 2 f1, 2, 3, 4g und den zugehörigen Prämienniveaus h(i) bezüglich einer Grundprämie : Klasse i Prämienniveau h(i) 1 125% 2 100% 3 80% 4 64% Interpretation der Klassen des Bonus Malus Systems: Klasse 1: Malus Klasse Klasse 2: Einstiegsklasse Klassen 3 und 4: Bonus Klassen TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 13 von 61

14 Beispiel (2) Für das Bonus Malus System sollen die folgenden Einstufungs und Übergangsregeln gelten: Jeder neue Versicherungsnehmer wird in die Einstiegsklasse 2 eingestuft. Meldet der Versicherungsnehmer keinen Schaden, so wird er im folgenden Jahr eine Klasse höher eingestuft (oder bleibt in Klasse 4). Meldet der Versicherungsnehmer einen Schaden, so wird er im folgenden Jahr eine Klasse niedriger eingestuft (oder bleibt in Klasse 1). Meldet der Versicherungsnehmer mindestens zwei Schäden, so wird er im folgenden Jahr zwei Klassen niedriger (oder in Klasse 1) eingestuft. Möglicher Verlauf eines Versicherungsvertrages: Jahr Klasse 2! 3! 1! 2! 3! 4 % % % % % Schäden TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 14 von 61

15 Beispiel (3) Mögliche Übergänge: neue alte Klasse Klasse Die Übergangswahrscheinlichkeiten von einer alten zu einer neuen Klasse werden durch eine Übergangsmatrix 0 1 0, 3 0, 3 0, 1 0 Q := B 0, 7 0 0, 2 0, 1 0 0, 7 0 0, 2 A 0 0 0, 7 0, 7 beschrieben (deren Koordinaten noch zu begründen sind). TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 15 von 61

16 Beispiel (4) Die Einstufungsregel wird durch eine Anfangsverteilung q q := dargestellt (Einstufung eines neuen Versicherungsnehmers in die Einstiegsklasse 2). 0 Die Koordinaten der Übergangsmatrix Q = (q i,j ) i,j2f1,2,3,4g und der Anfangsverteilung q = (q i ) i2f1,2,3,4g werden wie folgt interpretiert: q i ist die Wahrscheinlichkeit dafür, dass ein neuer Versicherungsnehmer sich bei Beginn des Vertrages in der Klasse i befindet. q i,j ist die Wahrscheinlichkeit dafür, dass ein Versicherungsnehmer nach Ablauf eines Versicherungsjahres von Klasse j nach Klasse i wechselt. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 16 von C A

17 Beispiel (5) Im Jahr k 2 f0, 1, 2, : : : g ist die Wahrscheinlichkeitsverteilung auf die Klassen f1, 2, 3, 4g durch den Vektor q [k] := Q k q Es gilt 1 0 q [k] = P 4 i=1 q[k] i = 1. Dabei bezeichnet der Vektor 1 die Summe der Einheitsvektoren e i und die Matrix Q k die k te Potenz der Matrix Q mit Q 0 := I, wobei I die Einheitsmatrix bezeichnet (deren Spaltenvektoren die Einheitsvektoren sind). Interpretation der Koordinaten von q [k] analog zu der der Koordinaten von q [0] = q TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 17 von 61

18 Beispiel (6) Desweiteren ist die Prämienstruktur des Bonus Malus Systems durch den Vektor 0 1 1, 25 h := B 1, 00 0, 80 A 0, 64 gegeben. Daraus ergibt sich für das erwartete Prämienniveau im Jahr k 2 f0, 1, 2, : : : g und damit h 0 q [k] = h 0 q [k] 4X i=1 h i q [k] i = h 0 Q k q TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 18 von 61

19 Beispiel (7) k , 3 0, 16 q [k] B 1 C B 0 C B 0, 35 C 0 0, , 49 0, 129 0, 210 0, 181 0, 480 h 0 q [k] 1 0, , , 8230 k 8 16 : : : , 106 0, 103 0, 103 q [k] B 0, 171 C B 0, 167 0, 219 0, 219 A : : : B 0, 167 0, 219 A 0, 504 0, 511 0, 511 h 0 q [k] 0, , 7979 : : : 0, 7979 Das erwartete Prämienniveau stabilisiert sich bei 79, 79%. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 19 von 61 1 C A

20 Beispiel (8) Fragen: Unter welchen Bedingungen stabilisieren sich für jede Anfangsverteilung q die Wahrscheinlichkeitsverteilungen q [k] für k! 1? Unter welchen Bedingungen stabilisieren sich für jede Anfangsverteilung q die erwarteten Prämien h 0 q [k] für k! 1? Wegen q [k] = Q k q betreffen diese Fragen die Struktur der Übergangsmatrix Q. Wie ist die Übergangsmatrix zu bestimmen? TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 20 von 61

21 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 21 von 61

22 Stochastische Vektoren und Matrizen Ein Vektor q 2 R m heißt stochastischer Vektor, wenn 0 q und 1 0 q = 1 gilt. Eine Matrix Q 2 R m m heißt stochastische Matrix, wenn für alle j 2 f1, : : :, mg der j te Spaltenvektor Qe j von Q ein stochastischer Vektor ist. Lemma. Sei Q 2 R m m eine stochastische Matrix und sei q 2 R m ein stochastischer Vektor. Dann gilt: 1 0 Q = 1 0. Qq ist ein stochastischer Vektor. Für alle k 2 N ist Q k eine stochastische Matrix. Für alle k 2 N ist Q k q ein stochastischer Vektor. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 22 von 61

23 Invarianz (1) Sei Q eine stochastische Matrix. Ein stochastischer Vektor q heißt invariant unter Q, wenn gilt. Qq = q Lemma. Sei q ein stochastischer Vektor, für den die Folge fq k qg k2n0 konvergent ist. Dann ist der stochastische Vektor invariant unter Q. q := lim k!1 Qk q Problem: Finde Bedingungen an Q, die die Existenz eines invarianten stochastischen Vektors gewährleisten. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 23 von 61

24 Invarianz (2) Der stochastische Vektor q := C A 0 0, 103 0, 167 0, 219 0, C A ist invariant unter der stochastischen Matrix Q := 0 0, 3 0, 3 0, 1 0 0, 7 0 0, 2 0, 1 0 0, 7 0 0, , 7 0, 7 1 C A TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 24 von 61

25 Ergodizität (1) Eine stochastische Matrix Q heißt schwach ergodisch, wenn es einen stochastischen Vektor q gibt mit lim k!1 Qk e j = q für alle j 2 f1, : : :, mg. (stark) ergodisch, wenn es einen stochastischen Vektor q gibt mit lim k!1 Qk e j = q und q i = e 0 i q > 0 für alle i, j 2 f1, : : :, mg. Die Einheitsmatrix ist nicht schwach ergodisch. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 25 von 61

26 Ergodizität (2) Lemma. Sei Q schwach ergodisch. Dann gibt es genau einen (unter Q invarianten) stochastischen Vektor q derart, dass für jeden stochastischen Vektor q lim k!1 Qk q = q und gilt. n 1 X1 lim Q k q = q n!1 n k=0 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 26 von 61

27 Ergodizität (3) Satz. Sei Q eine stochastische Matrix. Dann sind äquivalent: Q ist stark ergodisch. Es gibt ein k 2 N mit e 0 i Qk e j > 0 für alle i, j 2 f1, : : :, mg. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 27 von 61

28 Ergodizität (4) Folgerung. Sei Q eine stochastische Matrix mit Dann ist Q stark ergodisch. Beispiel. Die stochastische Matrix ist stark ergodisch. q 1,1 > 0 q i,i+1 > 0 für i 2 f1, : : :, m 1g q i,i 1 > 0 für i 2 f2, : : :, mg Q := 0 0, 3 0, 3 0, 1 0 0, 7 0 0, 2 0, 1 0 0, 7 0 0, , 7 0, 7 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 28 von 61 1 C A

29 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 29 von 61

30 Markov Ketten (1) Sei M := f1, : : :, mg N eine endliche Menge und sei fy k g k2n0 eine Folge von Zufallsvariablen mit Werten in M. Wir bezeichnen M als Zustandsraum der Folge fy k g k2n0. Die Verteilung von Y k ist durch die Wahrscheinlichkeiten q (k) i := P[fY k = ig] mit i 2 M und damit durch den stochastischen Vektor q (k) := 0 bestimmt. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 30 von 61 q (k) 1... q (k) m 1 C A

31 Markov Ketten (2) Die Folge fy k g k2n0 heißt (homogene) Markov Kette, wenn es eine stochastische Matrix Q 2 R m m und einen stochastischen Vektor q 2 R m gibt derart, dass für alle n 2 N0 und i 0, i 1, : : :, i n 2 M " n # \ P fy k = i k g k=0 =! ny q ik,i k 1 k=1 q i0 gilt. In diesem Fall gilt q (0) = q und wir nennen Q die Übergangsmatrix und q die Anfangsverteilung der Markov Kette fy k g k2n0. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 31 von 61

32 Markov Ketten (3) Lemma. Sei fy k g k2n0 eine Markov Kette mit Übergangsmatrix Q und Anfangsverteilung q. Für alle k 2 N0 gilt q (k) = Q k q Insbesondere gilt q (0) = q. Für alle k 2 N0 und i, j 2 M gilt P[fY k+1 = igjfy k = jg] = q i,j Für alle n 2 N0 und i 0, i 1, : : :, i n, i n+1 2 M gilt " # n\ P fy n+1 = i n+1 g fy k = i k g = P[fY n+1 = i n+1 gjfy n = i ng] k=0 (Markov Eigenschaft). TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 32 von 61

33 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 33 von 61

34 Konstruktion (1) Zur Konstruktion eines Bonus Malus Systems auf der Grundlage von Schadenzahlen für einen homogenen Bestand betrachten wir eine Folge von Zufallsvariablen fn k g k2n0 mit Werten in N0, einen Zustandsraum M := f1, : : :, mg N mit m 2, eine Abbildung ' : M N0! M und eine Abbildung h : M! (0, 1). Wir interpretieren N k als die zufällige Anzahl der Schäden im Jahr k, M als die Menge der möglichen Bonus Malus Klassen und h(m) als die Menge der möglichen Prämienniveaus und bezeichnen ' als Übergangsfunktion. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 34 von 61

35 Konstruktion (2) Wir betrachten ferner eine Zufallsvariable Y 0 mit Werten in M und setzen für k 2 N Y k := '(Y k 1, N k 1 ) Dann nimmt auch Y k mit k 2 N nur Werte in M an. Wir interpretieren Y 0 als die zufällige Einstiegsklasse im Jahr 0, Y k mit k 2 N als die zufällige Bonus Malus Klasse im Jahr k (die durch die Bonus Malus Klasse Y k 1 und die der Anzahl der Schäden N k 1 im Vorjahr bestimmt ist), und h(y k ) als das zufällige Prämienniveau im Jahr k (das durch die neue Bonus Malus Klasse Y k bestimmt ist). TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 35 von 61

36 Verteilung der Schadenzahlen Wir nehmen an, dass die Folge fn k g k2n0 unabhängig und identisch verteilt und ist. unabhängig von Y 0 Für r 2 N0 setzen wir Wir setzen ferner p r := P[fN k = rg] := E[N k ] = 1X r P[fN k = rg] = r=0 1X r p r r=0 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 36 von 61

37 Notation Der Vektor q mit q i := P[fY 0 = ig] ist ein stochastischer Vektor (Anfangsverteilung). Für alle r 2 N0 ist die Matrix Q (r) mit q (r) i,j := j 1 falls '(j, r) = i 0 sonst eine stochastische Matrix (Übergangsmatrix für den Fall von r Schäden). Wegen P 1 r=0 = 1 ist auch die Matrix Q := 1X p r Q (r) r=0 eine stochastische Matrix (Übergangsmatrix). TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 37 von 61

38 Ergebnis Satz. Die Folge fy k g k2n0 ist eine Markov Kette mit Übergangsmatrix Q und Anfangsverteilung q. Aufgrund des Satzes ist für alle k 2 N0 der Vektor q [k] := Q k q ein stochastischer Vektor mit q [k] i = P[fY k = ig] für alle i 2 M. Die Anfangsverteilung q und die Übergangsmatrix Q des Bonus Malus Systems ist damit aus den Eigenschaften des stochastischen Prozesses fn k g k2n0 abgeleitet. Im Hinblick auf die Konvergenz der erwarteten jährlichen Prämienniveaus bleibt die Ergodizität der Übergangsmatrix Q zu prüfen. Diese ist durch die Übergangsregel ' bestimmt. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 38 von 61

39 Beispiel (9) Wir betrachten ein Bonus Malus System mit vier Klassen. Der Wechsel der Klasse nach Ablauf eines Versicherungsjahres sei durch die folgenden Ein und Umstufungsregeln bestimmt: Jeder Versicherungsnehmer wird zunächst in die Einstiegsklasse 2 eingestuft. Meldet der Versicherungsnehmer keinen Schaden, so wird er im folgenden Jahr eine Klasse höher eingestuft (oder bleibt in der höchsten Klasse 4). Meldet der Versicherungsnehmer einen Schaden, so wird er im folgenden Jahr eine Klasse niedriger eingestuft (oder bleibt in der niedrigsten Klasse 1). Meldet der Versicherungsnehmer zwei (oder mehr) Schäden, so wird er im folgenden Jahr zwei Klassen niedriger (oder in die Klasse 1) eingestuft. Wir wählen also M := f1, 2, 3, 4g. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 39 von 61

40 Beispiel (10) Des weiteren sei die Verteilung der Anzahl der Schäden N k im Versicherungsjahr k 2 N0 durch gegeben. Dann gilt = E[N k ] = 0, 4. r p r 0 0,7 1 0,2 2 0,1 Aufgrund der Einstufungsregel für das Versicherungsjahr 0 setzen wir q 2 = P[fY 0 = 2g] := 1 und erhalten damit die Anfangsverteilung 0 q = TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 40 von C A

41 Beispiel (11) Aufgrund der Umstufungsregel definieren wir die Übergangsfunktion ' : M N0! M durch mit j 2 M und erhalten zunächst '(j, 0) := minfj + 1, 4g '(j, 1) := maxfj 1, 1g '(j, 2) := maxfj 2, 1g Q (0) = Q (1) = TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 41 von 61 1 C A 1 C A

42 Beispiel (12) Q (2) = C A und sodann die Übergangsmatrix der Markov Kette fy k g k2n0. Q = p 0 Q (0) + p 1 Q (1) + p 2 Q (2) 0 1 0, 3 0, 3 0, 1 0 = B 0, 7 0 0, 2 0, 1 0 0, 7 0 0, 2 A 0 0 0, 7 0, 7 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 42 von 61

43 Beispiel (13) Darstellung der Daten im Standardtableau: Schadenzahl Klasse i Wahrscheinlichkeit r p r , , ,1 q i TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 43 von 61

44 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 44 von 61

45 Kollektives Modell Wir verfeinern nun unsere Annahmen an die Folge der Schadenzahlen fn k g k2n0 und beziehen die Schadenhöhen mit ein: Wir nehmen an, dass für jedes Jahr k 2 N0 ein kollektives Modell hn k, fx k,s g s2n i vorliegt, also die Folge der Schadenhöhen fx k,s g s2n unabhängig und identisch verteilt und unabhängig von N k ist, dass die kollektiven Modelle voneinander unabhängig sind, dass die Folge fn k g k2n0 identisch verteilt und unabhängig von Y 0 ist, und dass die Familie fx k,s g k2n0, s2n identisch verteilt ist. Wir setzen := E[N] und := E[X ]. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 45 von 61

46 Erwarteter Gesamtschaden Der Gesamtschaden in Jahr k 2 N0 ist definiert als S k := N X k X k,s s=1 Für den erwarteten Gesamtschaden gilt dann E[S k ] = E[N] E[X ] = Wir können daher zur Vereinfachung annehmen, dass die erwarteten Schadenhöhen alle gleich 1 sind ( = 1), und erhalten E[S k ] = TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 46 von 61

47 Erwartete Prämie (1) Wir bezeichnen die noch zu bestimmende Grundprämie pro Jahr mit Aufgrund des zufälligen Prämienniveaus h(y k ) ist auch die Prämie Z k := h(y k ) im Versicherungsjahr k 2 N0 zufällig. Für die erwartete Prämie gilt mx E[Z k ] = E[ h(y k )] = E[h(Y k )] = h(i) P[fY k = ig] i=1 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 47 von 61

48 Erwartete Prämie (2) Mit h = 0 h(1). h(m) 1 C A ergibt sich aus der letzten Gleichung mx E[Z k ] = h(i) P[fY k = ig] = h 0 q [k] i=1 = h 0 Q k q Problem: Bestimme die Grundprämie in Abhängigkeit von der Laufzeit des Versicherungsvertrages. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 48 von 61

49 Äquivalenzprinzip für ein einzelnes Jahr Das Äquivalenzprinzip für Jahr k 2 N0 besteht in der Forderung Für die Grundprämie gilt daher E[Z k ] = E[S k ] und damit h 0 Q k q = = (h 0 Q k q) 1 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 49 von 61

50 Äquivalenzprinzip für mehrere Jahre (1) Das Äquivalenzprinzip auf der Basis der ersten n Jahre besteht in der Forderung n X1 E[Z k ] = k=0 n X1 E[S k ] k=0 Für die Grundprämie [n] auf der Basis der ersten n Jahre gilt daher und damit n X1 [n] h 0 n X1 Q k q = [n] h 0 Q k q = n k=0 k=0 [n] =! 1 n X1 1 h 0 Q k q n k=0 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 50 von 61

51 Äquivalenzprinzip für mehrere Jahre (2) Spezialfälle: Ist q invariant unter Q, so gilt Q k q = q und damit [n] = h 0 q für alle n 2 N0. Ist Q schwach ergodisch und q invariant unter Q, so gilt lim n!1 [n] = h 0 q Daher kann in diesem Fall für einen hinreichend langen Planungshorizont n 2 N0 die Grundprämie [n] näherungsweise durch / h 0 q bestimmt werden. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 51 von 61

52 Beispiel (14) Mit q [1] := q gilt k , 3 0, 16 q [k] B 1 C B 0 C B 0, 35 C 0 0, , 49 0, 129 0, 210 0, 181 0, 480 h 0 q [k] 1 0, , , 8230 k 8 16 : : : , 106 0, 103 0, 103 q [k] B 0, 171 C B 0, 167 0, 219 0, 219 A : : : B 0, 167 0, 219 A 0, 504 0, 511 0, 511 h 0 q [k] 0, , 7979 : : : 0, 7979 TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 52 von 61 1 C A

53 Beispiel (15) Außerdem gilt = 0, 4 Für die Grundprämien [n] und die asymptotische Grundprämie ergibt sich daraus [1] := lim n!1 [n] = / h 0 q n [n] 0, , , , 4477 n [n] 0, , 4825 : : : 0, 5013 Die Approximation ist nicht besonders gut. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 53 von 61

54 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 54 von 61

55 Beispiel (14) Wir wenden das bisher betrachtete Bonus Malus System auf einen Bestand mit zwei Arten von Risiken an, die sich in der Schadenneigung unterscheiden. Der Bestand ist also inhomogen. Für die Risiken vom Typ A bzw. B sei die Verteilung der Anzahl der Schäden N k im Versicherungsjahr k 2 N0 durch r p r 0 0,7 1 0,2 2 0,1 bzw. r p r 0 0,5 1 0,3 2 0,2 gegeben. Die erwartete Anzahl der Schäden ist dann 0, 4 bzw. 0, 7 Daher besitzen die Risiken vom Typ A eine geringere Schadenneigung als die Risiken vom Typ B. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 55 von 61

56 Beispiel (15) Die unterschiedlichen Verteilungen der Anzahl der Schäden führen auf unterschiedliche Standardtableaus r p r , , ,1 q i bzw. r p r , , ,2 q i und damit auf unterschiedliche Übergangsmatrizen 0 0, 3 0, 3 0, 1 0 0, 7 0 0, 2 0, 1 0 0, 7 0 0, , 7 0, 7 1 C A bzw. 0 0, 5 0, 5 0, 2 0 0, 5 0 0, 3 0, 2 0 0, 5 0 0, , 5 0, 5 1 C A TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 56 von 61

57 Beispiel (15) mit unterschiedlichen invarianten stochastischen Vektoren 0 0, 103 0, 167 0, 219 0, C A bzw. 0 0, , , , 1923 und unterschiedlichen asymptotischen Prämienniveaus 0, 7979 bzw. 0, C A Daher ergeben sich mit 0, 5013 bzw. 0, 7251 auch unterschiedliche asymptotische Grundprämien für die Risiken vom Typ A bzw. B. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 57 von 61

58 Beispiel (16) Von einem Risiko ist im allgemeinen nicht bekannt, ob es ein Risiko vom Typ A oder ein Risiko vom Typ B ist. Daher muss eine einheitliche Grundprämie für alle Risiken des Bestandes bestimmt werden. Dies geschieht natürlicherweise durch die Wahl der Grundprämie := # A A + # B B wobei # A bzw. # B mit # A, # B 2 (0, 1) und # A + # B = 1 den Anteil und A bzw. B die Grundprämie der Risiken vom Typ A bzw. B bezeichnet. Auch die Anteile der Risiken vom Typ A bzw. B sind im allgemeinen nicht bekannt und müssen geschätzt werden. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 58 von 61

59 Übersicht Prolog: Internet Portale Bonus Malus Systeme: Ein Beispiel Invarianz und Ergodizität Markov Ketten Bonus Malus Systeme: Anfangsverteilung und Übergangsmatrix Kalkulation der Grundprämie Anwendung auf einen inhomogenen Bestand Probleme TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 59 von 61

60 Probleme Die Konstruktion eines Bonus Malus Systems wirft zahlreiche Probleme auf: Wahl der Anzahl der Klassen. Wahl der Übergangsregel. Wahl der Prämienniveaus der einzelnen Klassen. Wahl des Planungshorizontes. Darüber hinaus ergeben sich Probleme der Statistik: Überprüfung der Unabhängigkeitsannahmen. Schätzung der Verteilung der Schadenzahlen. Schätzung der Verteilung der Schadenhöhen. Schätzung der Anteile der unterschiedlichen Arten von Risiken in einem inhomogenen Bestand. TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 60 von 61

61 Vielen Dank für Ihre Aufmerksamkeit! TU Dresden, Bonus Malus Systeme und Markov Ketten Folie 61 von 61

Solvency II und die Standardformel

Solvency II und die Standardformel Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs

Mehr

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Risikoteilung und Rückversicherung

Risikoteilung und Rückversicherung Wissenschaftliche Zeitschrift der Technischen Universität Dresden 55 (2006) Heft 3 4 Risiko Manuskripteingang: 1.6.2005 Angenommen am: 9.3.2006 Klaus Th. Hess und Klaus D. Schmidt Risikoteilung und Rückversicherung

Mehr

Abhängigkeiten zwischen Großschäden

Abhängigkeiten zwischen Großschäden Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung I. Typen von Abhängigkeiten

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

E[X] = = 113. Nach den Gleichungen von Wald gilt für den Gesamtschaden S E[S] = E[N] E[X] = = 226

E[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

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Suchmaschinen und Markov-Ketten 1 / 42

Suchmaschinen und Markov-Ketten 1 / 42 Suchmaschinen und Markov-Ketten 1 / 42 Zielstellung 1 Wir geben einen kurzen Überblick über die Arbeitsweise von Suchmaschinen für das Internet. Eine Suchmaschine erwartet als Eingabe ein Stichwort oder

Mehr

2.2 Lineare Gleichungssysteme (LGS)

2.2 Lineare Gleichungssysteme (LGS) 2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +

Mehr

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel

Mehr

Bericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen)

Bericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen) Bericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen) Christian Hipp (Karlsruhe) und Martin Morlock (Giessen) Am 6. Mai 2006 fand in Köln die DAV-Prüfung zur Schadenversicherungsmathematik

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Q4. Markov-Prozesse in diskreter Zeit

Q4. Markov-Prozesse in diskreter Zeit Q4. Markov-Prozesse in diskreter Zeit Gliederung 1.Stochastische Prozesse Ein Überblick 2.Zeitdiskrete Markov-Prozesse 3.Vom Modell zum Markov-Prozess 4.Klassifikation von Zuständen 5.Stationäre und transiente

Mehr

Google s PageRank. Eine Anwendung von Matrizen und Markovketten. Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23.

Google s PageRank. Eine Anwendung von Matrizen und Markovketten. Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23. Google s PageRank Eine Anwendung von Matrizen und Markovketten Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23. September 2009 Dr. Werner Sandmann Institut für Mathematik Technische Universität

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt: Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

Markovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015

Markovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015 Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $ Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Die Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche" Punkte mit inhomogenen K

Die Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche Punkte mit inhomogenen K Kapitel IV Projektive Geometrie In diesem Kapitel wird eine kurze Einführung in die projektive Geometrie gegeben. Es sollen unendlich ferne Punkte mit Hilfe von homogene Koordinaten eingeführt werden und

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme 52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Einführung in die Theorie der Markov-Ketten. Jens Schomaker

Einführung in die Theorie der Markov-Ketten. Jens Schomaker Einführung in die Theorie der Markov-Ketten Jens Schomaker Markov-Ketten Zur Motivation der Einführung von Markov-Ketten betrachte folgendes Beispiel: 1.1 Beispiel Wir wollen die folgende Situation mathematisch

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

MUSTER 2 FÜR DIE ABITURPRÜFUNG AM BERUFLICHEN GYMNASIUM AB DEM SCHULJAHR 2016/2017. Teil 1: Keine Hilfsmittel zugelassen.

MUSTER 2 FÜR DIE ABITURPRÜFUNG AM BERUFLICHEN GYMNASIUM AB DEM SCHULJAHR 2016/2017. Teil 1: Keine Hilfsmittel zugelassen. MINISTERIUM FÜR KULTUS, JUGEND UND SPORT BADEN-WÜRTTEMBERG MUSTER 2 FÜR DIE ABITURPRÜFUNG AM BERUFLICHEN GYMNASIUM AB DEM SCHULJAHR 21/217 Hauptprüfung LÖSUNGSVORSCHLAG FÜR DAS FACH Arbeitszeit Hilfsmittel

Mehr

Diskrete Modellierung

Diskrete Modellierung Diskrete Modellierung Wintersemester 2013/14 Prof. Dr. Isolde Adler Letzte Vorlesung: Korrespondenz zwischen der Page-Rank-Eigenschaft und Eigenvektoren zum Eigenwert 1 der Page-Rank-Matrix Markov-Ketten

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

Mehr

Risiko und Versicherung - Übung

Risiko und Versicherung - Übung Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

4. Vektorräume und Gleichungssysteme

4. Vektorräume und Gleichungssysteme technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume

Mehr

Einführung in Markoff-Ketten

Einführung in Markoff-Ketten Einführung in Markoff-Ketten von Peter Pfaffelhuber Version: 6. Juli 200 Inhaltsverzeichnis 0 Vorbemerkung Grundlegendes 2 Stationäre Verteilungen 6 3 Markoff-Ketten-Konvergenzsatz 8 0 Vorbemerkung Die

Mehr

5 Stetigkeit und Differenzierbarkeit

5 Stetigkeit und Differenzierbarkeit 5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.

Mehr

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse

Mehr

Markov-Prozesse. Markov-Prozesse. Franziskus Diwo. Literatur: Ronald A. Howard: Dynamic Programming and Markov Processes

Markov-Prozesse. Markov-Prozesse. Franziskus Diwo. Literatur: Ronald A. Howard: Dynamic Programming and Markov Processes Markov-Prozesse Franziskus Diwo Literatur: Ronald A. Howard: Dynamic Programming and Markov Processes 8.0.20 Gliederung Was ist ein Markov-Prozess? 2 Zustandswahrscheinlichkeiten 3 Z-Transformation 4 Übergangs-,

Mehr

Quantilsschätzung als Werkzeug zur VaR-Berechnung

Quantilsschätzung als Werkzeug zur VaR-Berechnung Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Andreas Fröhlich, Thomas Selhorst, Christoph Staubach FLI-Wusterhausen DVG Tagung Graz, September 2008 Institut für Epidemiologie Gliederung

Mehr

MLAN1 1 MATRIZEN 1 0 = A T =

MLAN1 1 MATRIZEN 1 0 = A T = MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.

Mehr

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Vektorräume und lineare Abbildungen

Vektorräume und lineare Abbildungen Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

9 Konvergenz und absolute Konvergenz von Reihen

9 Konvergenz und absolute Konvergenz von Reihen 9 Konvergenz und absolute Konvergenz von Reihen 9.2 Konvergenz von Reihen 9.5 Monotoniekriterium für Reihen 9.6 Konvergenzkriterium von Cauchy für Reihen 9.9 Rechenregeln für konvergente Reihen 9.10 Absolute

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 1 für Wirtschaftsinformatik Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen

Mehr

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω 5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

8. Übung zur Vorlesung Mathematisches Modellieren Lösung

8. Übung zur Vorlesung Mathematisches Modellieren Lösung Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es

Mehr

Die reellen Lösungen der kubischen Gleichung

Die reellen Lösungen der kubischen Gleichung Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................

Mehr

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau 312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010 Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver

Mehr

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153 3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Markov-Ketten-Monte-Carlo-Verfahren

Markov-Ketten-Monte-Carlo-Verfahren Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Musteraufgaben für das Fach Mathematik

Musteraufgaben für das Fach Mathematik Musteraufgaben für das Fach Mathematik zur Vorbereitung der Einführung länderübergreifender gemeinsamer Aufgabenteile in den Abiturprüfungen ab dem Schuljahr 013/14 Impressum Das vorliegende Material wurde

Mehr