T E I L I I I M O D E L L V E R T E I L U N G E N
|
|
- Georg Fuhrmann
- vor 8 Jahren
- Abrufe
Transkript
1 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 1 T E I L I I I M O D E L L V E R T E I L U N G E N
2 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S W A H R S C H E I N L I C H K E I T S V E R T E I L U N G E N Themen - wahrscheinlichkeitsverteilungen - erwartungswert, varianz - bewertung von verteilungen: nutzen - korrelation - ungleichungen - barwert im modell 'verteilungen' Literatur Erwin Kreyszig Statistische methoden und ihre anwendungen Vandenhoeck & Ruprecht 1977 Morris H. DeGroot Probability and statistics Addison Wesley 1975 Ulrich Krengel Einführung in die wahrscheinlichkeitstheorie und statistik Vieweg 1998 H. U. Gerber Lebensversicherungsmathematik Springer 1986, seiten Bowers, Gerber, Hickman, Jones, Nesbit Actuarial mathematics The society of actuaries 1986 Zadeh L.A. Fuzzy sets Information and control 8, , 1965 Zadeh L. A. Probability measures of fuzzy events Journal of mathematical analysis and applications 23, 1968
3 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 3 ALLGEMEINES STOCHASTISCHES MODELL Modell 'personengesamtheit' Prinzip: berechnung einmalzahlung (barwert), die zu stochastischem zahlungsstrom äquivalent ist, mittels zinseszinsrechnung und gewichtung mit wahrscheinlichkeiten. Rechtfertigung: bei vielen policen ist die durchschnittlich bezahlte leistung annähernd gleich dem barwert (gesetz der grossen zahlen). Nachteil: keine information über bandbreite und wahrscheinlichkeit der möglichen leistungen. Bei vielen policen kann differenz zwischen summe der effektiven leistungen und summe der theoretischen barwerte sehr gross sein. Modell 'verteilungen' Prinzip: wahrscheinlichkeitsverteilung über allen möglichen diskontierten zahlungsbeträgen. Rechtfertigung: vollständige information. Nachteil: aufwändige mathematische modellierung
4 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 4 BEISPIEL TODESFALLVERSICHERUNG 2-jährige todesfallversicherung zins null Todesfallleistung 1. jahr: 1000 mit q 1 = 0.1 Todesfallleistung 2. jahr: 2000 mit q 2 = 0.2 Barwert: (1-0.1) = 460 Verteilung: Leistung 0 mit ws 0.72 = (1-0.1) (1-0.2) Leistung 1000 mit ws 0.10 Leistung 2000 mit ws 0.18 = (1-0.1) 0.2 Erwartungswert = Varianz = Kovarianz = Korrelation = wahrscheinl. 2. jahr tot 2. jahr lebend 1. jahr tot 1. jahr lebend leistung 2. jahr tot 2. jahr lebend 1. jahr tot 1. jahr lebend
5 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 5 WAHRSCHEINLICHKEITSVERTEILUNG Ereignisse e i e = {e 1,..., e m } Partition/zerlegung von e e 1... e m = e, e i e k = für i k Wahrscheinlichkeitsverteilung Partition von e mit W(e) = 1: W(e 1 ) W(e m ) = 1 W(e i e k ) = 0 i k Zufallsvariable z(e i ) = z i funktion von ereignissen in reele zahlen W(z i ) = W(e i ) Erwartungswert µ = E[z(e)] = z(e 1 )W(e 1 ) z(e m )W(e m ) Gesetz der grossen zahlen Wird ein zufallsprozess mit einer bestimmten wahrscheinlichkeitsverteilung unter gleichen voraussetzungen aber unabhängig voneinander wiederholt, dann strebt der durchschnitt Z n der n beobachteten zufallszahlen z in wahrscheinlichkeit gegen den erwartungswert der verteilung: lim W( µ-z n <ε) = 1 für n
6 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 6 ERWARTUNGSWERTE: 1-DIMENSIONALE VERTEILUNG Verkettung µ g z = E[g(z(e))] = g(z(e 1 ))W(e 1 ) g(z(e m ))W(e m ) Lineare transformation E[az(e)+b] = a E[z(e)]+b µ az+b = aµ z + b Varianz, streuung σ 2 = E[(z(e)-E[z(e)]) 2 ] E[(az(e)+b-E(az(e)+b)) 2 ] = a 2 E[(z(e)-E[z(e)]) 2 ] σ 2 az+b = a 2 σ 2 z Standardabweichung σ Verschiebungssatz σ 2 = E[z(e) 2 ] - µ 2
7 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 7 ERWARTUNGSWERT: 2-DIMENSIONALE VERTEILUNGEN 2-dimensionale wahrscheinlichkeits-verteilung W(e 1,d 1 ) W(e 1,d n ) +... W(e m,d 1 ) W(e m,d n ) = 1 Zufallsvariablen z(e,d), f(e), g(d) Erwartungswert µ z = E[z(e,d)] = z(e 1,d 1 )W(e 1,d 1 )+... +z(e m,d n )W(e m,d n ) Kovarianz COV(f,g) = E[(f-µ f )(g-µ g )] Korrelationskoeffizient ρ(f,g) = COV(f,g)/ σ f σ g COV(f,g) 2 σ 2 f σ 2 g -1 ρ(f,g) +1 e i und d j unabhängig => COV(f,g) = ρ(f,g) = 0 Korrelation ρ(f,g) </=/> 0: f und g sind negativ/nicht/positiv korreliert g = a f+b <=> ρ(f,g) = sgn(a) Addition von zufallsvariablen z(e,d) = f(e) + g(d) µ f+g = µ f + µ g σ 2 f+g = σ 2 f + σ 2 g + 2 COV(f,g) = σ 2 f + σ 2 g + 2 ρ(f,g) σ f σ g Multiplikation von zufallsvariablen z(e,d) = f(e) g(d) µ fg = µ f µ g + COV(f,g) = µ f µ g + ρ(f,g) σ f σ g
8 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 8 BEISPIEL ZU ERWARTUNGSWERT I 2-dimensionale wahrscheinlichkeitsverteilung W(X,Y) y1 y2 y3 X x x x Y Erwartungswert und varianz von X W X W*X (X-Mx)² W*(.)² x x x Mx = Vx = Erwartungswert und varianz von Y W Y W*Y (Y-My)² W(Y-My)² y y y My = Vy = Kovarianz und korrelation XundY X Y W (.)*(.) W*(.) x1,y x1,y x1,y x2,y x2,y x2,y x3,y x3,y x3,y Cov = Cor =
9 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 9 BEISPIEL ZU ERWARTUNGSWERT II Erwartungswert und varianz bei additiven zufallsvariablen X+Y W W*(X+Y)(X+Y-M)^2 W*(...) x1+y x1+y x1+y x2+y x2+y x2+y x3+y x3+y x3+y Mx+y = Vx+y = Mx+y = Vx+y = * Erwartungswert und kovarianz bei multiplikativen zufallsvariablen X*Y W W*X*Y (XY-M)^2 W*(...) x1*y x1*y x1*y x2*y x2*y x2*y x3*y x3*y x3*y Mx*y = Vx*y = Mx*y = 1.800*
10 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 10 VERTEILUNGSFUNKTION Verteilungsfunktion der zufallsvariablen z G(t) = W(z t) G(- ) = 0, G(+ ) = 1, G monton steigend Verteilungsfunktion der diskreten verteilung G(t) = Σ W(z i ), wobei z i t Stetige verteilungsfunktion G(t) = g(y) dy, wobei integriert wird von minus unendlich nach t mit dichtefunktion g(y) = G(y)' g(y) dy = 1, integration von minus nach plus unendlich Erwartungswert einer stetigen verteilung µ = y g(y) dy, integration von minus nach plus unendlich
11 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 11 UNGLEICHUNGEN MIT ERWARTUNGSWERTEN Beschränkte zufallsvariable a f(e) b: a E[f(e)] b Ungleichung von markov 0 f(e): W(f(e) t) E[f(e)]/t für t>0 Ungleichung von chebyshev W( f(e) - E[f(e)] t) σ 2 / t 2 für t>0 Ungleichung von jensen g(x) konvex: E[g(f(e))] g(e[f(e)]) g(x) konkav: E[g(f(e))] g(e[f(e)]) Schwarzsche ungleichung E[f g] 2 E[f 2 ] E[g 2 ] Ungleichung von Steffensen f,g 0, f' g' 0 => E[f g] E[f] E[g]
12 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 12 NUTZEN VON VERTEILUNGEN Nutzen Der wert, den eine person dem eintreffen eines ereignisses beimisst, werde als dessen nutzen bezeichnet (subjektiver begriff). Nutzenfunktion Eine funktion u von den ereignissen e i in die menge der reellen zahlen sei eine nutzenfunktion, wenn gilt: nutzen von e 1 grösser/gleich/kleiner nutzen von e 2, <=> u(e 1 ) >/=/< u(e 2 ). Ordnung von verteilungen Der nutzen einer verteilung F 1 ist grösser/gleich/kleiner als nutzen einer verteilung F 2 <=> U(F 1 ) >/=/< U(F 2 ) mit U(F) = Σ u(e i ) w(e i ) i=1,...,n Beweis anhand axiomensystem Äquivalente nutzenfunktionen Zwei nutzenfunktionen u 1 und u 2 erzeugen die gleiche ordnung auf den verteilungen dann und nur dann, wenn u 1 = a u 2 +b mit a>0 Eigenschaften der nutzenfunktion Ist die nutzenfunktion auf einer zufallsvariablen z(e i ) definiert, so ist die nutzenfunktion u(z) eine reelle funktion einer reellen variablen und es kann von den eigenschaften der nutzenfunktion gesprochen werden.
13 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 13 INTERPRETATION BARWERT ALS ERWARTUNGSWERT Barwert V(T,{K j,t j,w j }) = Σ j T w j v tj-t K j Zufallsvariable z j = v tj-t K j z j = 0 auf den zeitpunkt T diskontierte zahlung K j keine zahlung Partition Wahrscheinlichkeit im zeitpunkt T des eintreffens von z j : T w j Wahrscheinlichkeit im zeitpuntk T des nichteintreffens von z j : 1 - Tw j Erwartungswert des cashflows K j E[K j ] = T w j v tj-t K j + (1 - T w j ) 0 Erwartungswert des cashflows K E [K] = E[ j K j ] = j E[K j ] = V(T,{K j,t j,w j }) addition von zufallsvariablen!
14 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 14 FUZZY SETS Crisp set Menge der klassischen mengentheorie: X={x 1, x 2,..., x n } Fuzzy set (X,m) Crisp set X={x 1, x 2,..., x n } Abbildung m: A [0,1] m(x i ) = m i membershipgrade: {m 1, m 2,..., m n } Leere menge (X,m) ist eine leere menge m(x i ) = 0 für i=1,...,n Teilmenge (X,a) ist eine teilmenge von (X,b) a i (x i ) b i (x i ) für i=1,...,n Gleiche mengen (X,a) ist gleich (X,b) a i (x i ) = b i (x i ) für i=1,...,n Komplementmenge (X,a) ist das komplement von (X,b) a i (x i ) = 1-b i (x i ) für i=1,...,n Vereinigungsmenge (X,c) ist die vereinigungsmenge von (X,a) und (X,b) c i (x i ) = max(a i (x i ),b i (x i )) für i=1,...,n Schnittmenge (X,c) ist die schnittmenge von (X,a) und (X,b) c i (x i ) = min(a i (x i ),b i (x i )) für i=1,...,n
15 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 15 WAHRSCHEINLICHKEIT EINES FUZZY EREIGNISSES Wahrscheinlichkeit eines fuzzy ereignisses nach Zadeh Gegeben w(x 1 ), w(x 2 ),..., w(x n ) W((X,m)) = m(x 1 ) w(x 1 ) + m(x 2 ) w(x 2 ) m(x n ) w(x n ) Nutzenerwartungswert (u(x 1 ) m(x 1 ) w(x 1 ) + u(x 2 ) m(x 2 ) w(x 2 ) u(x n ) m(x n ) w(x n )) / W((X,m))
16 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 16 AUFGABEN 13 A) Todesfallversicherung über 2 jahre Man berechne die fehlenden grössen auf der folie 'beispiel todesfallversicherung' B * ) Gesetz der grossen zahlen Man modelliere auf dem computer einen würfel mit W(1)=0.1, W(2)=0.1, W(3)=0.1, W(4)=0.2, W(5)=0.2, W(6)=0.3 und simuliere mit hilfe von zufallszahlen 1000 würfe. Die ergebnisse sind graphisch darzustellen. Man berechne erwartungswert und varianz und vergleiche sie mit den theoretischen werten. Wie lassen sich zufallsergebnisse mit einer vorgegeben verteilung generieren? C) Erwartungswert Man vereinfache den ausdruck E[f(e)-E[f(e)]] D * ) Underwriting mit fuzzy logic Präsentation artikel Hannover Rück E) Unabhängigkeit Gegeben sei eine zweidimensionale wahrscheinlichkeitsverteilung mit den wahrscheinlichkeiten W(e i,d j ). Man gebe die notwendige und hinreichende bedingung für die unabhängigkeit der ereignisse e und d an. F * ) Korrelation Es sind zwei zufallsvariablen x und y gegeben: die varianz von x ist 9, die varianz von y ist 4, der korrelationskoeffizient ist -1/6. Bestimme die varianz von x+y und die varianz von x-3y+4.
17 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S L E I S T U N G S - V E R T E I L U N G E N Themen - verteilung lebensdauer - verteilung todesfallversicherung - verteilung erlebensfallversicherung - verteilung gemischte versicherung Literatur H. U. Gerber Lebensversicherungsmathematik Springer 1986 Seiten 24-34
18 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 18 DIE STOCHASTISCHE LEBENSDAUER Lebensdauer als zufallsvariable T(x) zukünftige lebensdauer einer person mit alter x zufallsvariable W(T t x) wahrscheinlichkeit für einen x-jährigen innert t jahren zu sterben bedingte wahrscheinlichkeit q(t x) = t 1 q x = d x+t /l x = W(T t+1 x) - W(T t x) wahrscheinlichkeit für einen x-jährigen als x+t-jähriger zu sterben q(t x) > 0 q(t x) = 0 für 0 t ω-x sonst q(0 ω) = 1 Verteilungsfunktion G x (t) = W(T t x) G x (t) = 0 für t 0 G x (t) = 1 für t ω-x+1 Dichtefunktion g für differenzierbare verteilungsfunktion G g x (t) = G x (t)'
19 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 19 VERTEILUNG VERBLEIBENDE LEBENSDAUER VERTEILUNG q(t,x) DER VERBLEIBENDEN LEBENSDAUER ALTER 20 WAHRSCHEINLICHKEIT MÄNNER FRAUEN VERBLEIBENDE LEBENSDAUER MÄNNER: ERWARTUNGSWERT = 53.3 STANDARDABWEICHUNG = 13.8 FRAUEN : ERWARTUNGSWERT = 59.6 STANDARDABWEICHUNG = 12.3 VERTEILUNGSFUNKTION G DER VERBLEIBENDEN LEBENSDAUER ALTER 20 WAHRSCHEINLICHKEIT MÄNNER FRAUEN VERBLEIBENDE LEBENSDAUER MÄNNER: ERWARTUNGSWERT = 53.3 STANDARDABWEICHUNG = 13.8 FRAUEN : ERWARTUNGSWERT = 59.6 STANDARDABWEICHUNG = 12.3
20 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 20 VERTEILUNGSFUNKTION UND WAHRSCHEINLICHKEITEN Zusammenhang teile II und III tq x = G x (t) t 0 = (l x -l x+t )/l x tp x s tq x = 1 - G x (t) = W(s < T s+t x) = G x (s+t) - G x (s) = s+t q x - s q x tp x+s = W(T > s+t T>s, x) = (1 - G x (s+t))/(1 - G x (s)) tq x+s = W(T s+t T>s, x) = (G x (s+t) - G x (s))/(1 - G x (s)) s+tp x s tq x = 1 - G x (s+t) = (1 - G x (s)) (1 - G x (s+t)) / (1 - G x (s)) = s p x t p x+s = (1 - G x (s)) (G x (s+t)- G x (s))/(1 - G x (s)) = s p x t q x+s
21 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 21 STERBE- UND ÜBERLEBENSWAHRSCHEINLICHKEITEN Wahrscheinlichkeit für einen x-jährigen als x+t-jähriger zu sterben q(t x), t = 0, 1,... t q(t x) = 1, t = 0, 1,... q(t x) = t 1 q x = d x+t /l x q(0 x) = q x q(t x) = p(0 x) p(0 x+1)... p(0 x+t-1) q(0 x+t) = p(t-1 x) q(0 x+t) q(t x) = q(x+t 0) / p(x-1 0) Wahrscheinlichkeit für einen x-jährigen das alter x+t zu überleben p(t x) t = 0, 1,... p(0 x) = 1 - q(0 x) p(t x) = t+1 p x = l x+t+1 /l x p(0 x) = p x p(t x) = p(0 x) p(0 x+1)... p(0 x+t) p(t x) = p(x+t 0) / p(x-1 0) p(t x) = p(t-1 x) - q(t x)
22 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 22 ERWARTUNGSWERT UND VARIANZ DER LEBENSDAUER Partition der lebensdauer q(0 x) + q(1 x) q(ω-x x) = 1 Mittlere vollständige lebenserwartung o e x = (½) q(0 x) + (1+½) q(1 x) (ω-x+½) q(ω-x x) Mittlere lebenserwartung e x = (0) q(0 x) + (1) q(1 x) (ω-x) q(ω-x x) e x = o e x - ½ Varianz der lebensdauer Übungsaufgabe
23 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 23 BERECHNUNG VERTEILUNG DIE WAHRSCHEINLICHKEITSVERTEILUNG DER ZUKÜNFTIGEN LEBENSDAUER x/y 35 VERTEILUNG µ SM 78/83 SF 78/83 1-j. todesfallws 1-j. überl'ws t-j. überl'ws 1-j. aufg. todesfallws t q(0 t) q(0 t) p(0 t) p(0 t) p(t x) p(t y) q(t x) q(t y)
24 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 24 LEISTUNGSVERTEILUNG Allgemeine versicherungsform x Eintrittsalter L x+j Leistung bei tod im alter x+j, j=0, 1,..., ω-x t j Alter bei auszahlung der leistung L x+j Z x+j Wert der leistung L x+j im zeitpunkt x Z x+j = L x+j v tj-x, j=0, 1,..., ω-x W x+j Wahrscheinlichkeit von Z x+j W x+j = q(j x), j=0, 1,..., ω-x Zufallsvariable Z i = f(t(x)) mit wahrscheinlichkeit W i Erwartungswert der leistungsverteilung µ = Σ j Z x+j W x+j = Σ j L x+j v tj-x q(j x) j=0, 1,..., ω-x Nettoeinmalprämie nach modell 'personengesamtheit' Varianz der leistungsverteilung σ 2 = Σ j (L x+j v tj-x - µ) 2 q(j x) j=0, 1,..., ω-x Gerber seite 24: Die nettoeinmalprämie wiederspiegelt das vom versicherer getragene risiko in keiner weise.
25 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 25 TODESFALLVERSICHERUNG Verteilung todesfallversicherung Eintrittsalter x, dauer n L x+j = L für j=0, 1,..., n-1 = 0 sonst t j = x+j+1 µ = j L v j+1 q(j x) j=0, 1,..., n-1 σ 2 = j (L v j+1 - µ) 2 q(j x) j=0, 1,..., n-1 Abhängigkeit von der Leistungshöhe µ(l) = L µ(1) σ 2 (L) = L 2 σ 2 (1)
26 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 26 TODESFALLVERSICHERUNG: DIAGRAMM I LEISTUNGSVERTEILUNG TODESFALLVERSICHERUNG: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
27 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 27 TODESFALLVERSICHERUNG: DIAGRAMM II LEISTUNGSVERTEILUNG TODESFALLVERSICHERUNG: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
28 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 28 ERLEBENSFALLVERSICHERUNG Leistungsverteilung L x+j t j = L für j=n, n+1,..., ω-x = 0 sonst = x+n LEISTUNGSVERTEILUNG ERLEBENSFALLVERSICHERUNG: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN 0.80 WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
29 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 29 GEMISCHTE VERSICHERUNG I Leistungsverteilung L x+j = L für j=0, 1,..., ω-x t j = x+j+1 für j=0,1,..., n-1 = x+n sonst LEISTUNGSVERTEILUNG GEMISCHTE VERSICHERUNG: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN 0.80 WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
30 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 30 GEMISCHTE VERSICHERUNG II LEISTUNGSVERTEILUNG GEMISCHTE VERSICHERUNG: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN 0.03 WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
31 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 31 AUFGABEN 14 A) Mittlere lebenserwartung Man berechne die mittlere lebenserwartung als funktion der l x. B) Erwartungswert und standardabweichung lebensdauer In der graphik der folie 'verteilung verbleibende lebensdauer' ist der erwartungswert und die standardabweichung der verbleibenden lebensdauer angegeben. Man berechne den erwartungswert und die standardabweichung der verteilung des sterbealters. C * ) Vergleich leibrente und zeitrente Was gilt: a x </=/> a ex? a ex = v+v v h +(e x -h)v h+1, wobei h gleich dem abgerundeten wert von e x ist. D * ) Varianz gemischte versicherung Man leite formelmässig den zusammenhang der varianz der leistungsverteilung der gemischten versicherung aus den erwartungswerten und varianzen der erlebensfall- und todesfallversicherung her. Wie gross ist die korrelation zwischen todes- und erlebensfallversicherung bei den gezeigten beispielen? E) Einjährige sterbewahrscheinlichkeiten Die wahrscheinlichkeiten q(t x) = t 1 q x t=0,1,... seien gegeben. Man bestimme daraus die einjährigen sterbewahrscheinlichkeiten q x+t t=0,1,... F * ) Unterjährige sterbewahrscheinlichkeiten Präsentation artikel Gerber
32 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S R E N T E N U N D P R Ä M I E N Themen - die wahrscheinlichkeitsverteilung einer leibrente - die wahrscheinlichkeitsverteilung der nettoprämie - die wahrscheinlichkeitsverteilung des saldos - risikozuschlag - stochastischer zins Literatur Gerber, seiten Bezüglich 'nutzentheorie' siehe vorlesung B. Koller: risiko und versicherung
33 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 33 WAHRSCHEINLICHKEITSVERTEILUNG DER RENTE Vorschüssige temporäre sofort beginnenden leibrente der höhe 1 L x+j = ä j+1 für j=0, 1,..., n-1 = ä n sonst t j = x ä x:n = ä 1 q(0 x) + ä 2 q(1 x) ä n q(n-1 x) ä n q(ω-x x)
34 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 34 RENTE: DIAGRAMM I LEISTUNGSVERTEILUNG VORSCHÜSSIGE RENTE: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
35 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 35 RENTE: DIAGRAMM II LEISTUNGSVERTEILUNG VORSCHÜSSIGE RENTE: EINTRITTSALTER x = 30 DAUER n = MÄNNER FRAUEN WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG MANN: ERWARTUNGSWERT = STANDARDABWEICHUNG = FRAU: ERWARTUNGSWERT = STANDARDABWEICHUNG =
36 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 36 PRÄMIENVERTEILUNG Jährliche konstante prämie P L x+j = P ä j+1 für j=0, 1,..., n-1 = P ä n sonst t j = x Berechnungsprinzip für nettoprämien (äquivalenzprinzip) Man berechne die prämien so, dass: erwartungswert der prämienverteilung = erwartungswert der leistungsverteilung Nettoeinmalprämie Degenerierte prämienverteilung
37 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 37 SALDOVERTEILUNG Wahrscheinlichkeitsverteilung saldo Differenz leistungen und prämien nach lebensdauer Konstante prämie gemäss äquivalenzprinzip Todesfallversicherung der höhe 1 gegen konstante jahresprämien x n P x Eintrittsalter Dauer Netto-jahresprämie (=erwartungswert leistungsvert.) Λ x+j = v j+1 für j=0, 1,..., n-1 = 0 sonst Π x+j = P x ä j+1 für j=0, 1,..., n-1 = P x ä n sonst Z x+j W x+j = Π x+j - Λ x+j = q(j x) Saldoverteilung Verteilung der ein- und ausgaben zu beginn der versicherung Verteilung deckungskapital mit T=0 Erwartungswert = 0 wegen äquivalenzprinzip Risikoprämie risikoprämie = netto/bedarfsprämie + risikozuschlag Risikozuschlag: wie weit muss saldoverteilung nach rechts verschoben werden, damit verteilung akzeptabel?
38 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 38 DER SALDO: DIAGRAMM SALDOVERTEILUNG TODESFALLVERS. GEGEN JAHRESPRÄMIEN: EINTRITTSALTER x = 30 DAUER n = 35 ZINS = 4.0% MÄNNER WAHRSCHEINLICHKEIT DISKONTIERTER SALDO PRÄMIE = ERWARTUNGSWERT = STANDARDABWEICHUNG =
39 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 39 RISIKOZUSCHLAG Definition Der risikozuschlag ist diejenige prämienkomponente, die der versicherer für die übernahme des zufallsrisikos verlangt. Der risikozuschlag ist nicht dazu da, die kosten oder den gewinn zu decken. Risikozuschlag im modell 'personengesamtheiten' Nettoprämien-formel mit rechnungsgrundlagen 1. ordnung Nettoprämien-formel mit rechnungsgrundlagen 2. ordnung plus sicherheitszuschlag: P (1+b) µ, b>0 Berechnung risikozuschlag im modell 'personengesamtheiten' willkürlich - nur im modell 'verteilungen' exakt begründ- und berechenbar! Risikozuschlag im modell 'verteilungen' Varianzprinzip P[L] = E[L] + c σ 2, c>0 Standardabweichungsprinzip P[L] = E[L] + c σ, c>0
40 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 40 NUTZENÄQUIVALENZPRINZIP Nutzenfunktion des geldes u(x) mit u'(x)>0 und u"(x)<0 x zufallsvariable 'geld' Nutzenäquivalenzprinzip K eigenkapital der versicherungsgesellschaft L leistungsverteilung P[K;L] einmalprämie u(k) = E[u(K+P[K;L]-L)] Nullnutzenprinzip Nutzenäquivalenzprinzip mit K=0 u(0) = E[u(P[0;L]-L)]
41 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 41 BREAK-EVEN-PRÄMIE Entscheidung aus sicht versicherer Versicherungsabschluss nutzen von K+P[K;L]-L: Kein versicherungsabschluss nutzen von K: E[u(K+P[K;L]-L)] u(k) Mindestprämie P[K;L]: u(k) = E[u(K+P[K;L]-L)] Positiver risikozuschlag E[L] P[K;L] Beweis u(k) = E[u(K+P[K;L]-L)], u'>0 u''<0 Wegen ungleichung von Jensen u(k) = E[u(K+P[K;L]-L)] u(e[k+p[k;l]-l]) = u(k+p[k;l]-e[l]) Da u monoton steigend K K+P[K;L]-E[L]
42 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 42 SPEZIALFALL EXPONENTIALPRINZIP Exponentialprinzip Nutzenäquivalenzprinzip mit exponentieller nutzenfunktion u(x) = (1-e -Ax )/A, A risikoaversionmass Prämie P[L] = ln(e[e AL ])/A Wegen (1-e -AK )/A = E[(1-e -A(K+P-L) )/A -e -AK = E[-e -A(K+P-L) ] 1 = e -AP E[e AL ] e AP = E[e AL ] Beispiel gerber i=4%, q x gemäss De Moivre mit schlussalter 100 A =
43 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 43 STOCHASTISCHER ZINS Definition stochastischer zins Höhe des bewertungs-zinsfusses als zufallsvariable Probleme Bewertungszinsfuss dient der quantifizierung der zeitpräferenz des versicherers - deswegen konstanter zins plausibel. Bewertungszinsfuss nicht abhängig vom delkredere-risiko. langfristige zinsentwicklung kaum mit wahrscheinlichkeiten zu quantifizieren Zukünftige lebensdauer verschiedener personen sind annähernd unabhängige zufallsvariablen. Bei fixem zins daher gewinn/verlust aus verschiedenen versicherungen unabhängig voneinander. Dadurch verteilung gewinn/verlust eines portefeuilles relativ leicht berechenbar, insbesondere ergibt sich deren varianz aus der summe der einzelnen varianzen. Auch approximation der verteilung gut möglich (grenzwertsätze). Bei annahme stochastischer zins geht unabhängigkeit der risiken verloren. Vorgehen Keine modellierung mit stochastischem zins Sensitivitätsanalysen: berechnungen mit verschiedenen, ev. vom kalenderjahr abhängigen zinsfüssen (zinskurve)
44 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 44 AUFGABEN 15 A) Variable prämie Gegeben sei eine variable, jährliche prämienzahlung. Man bestimme L und t der prämienverteilung. B * ) Exponentialprinzip Man berechne für die gemischte versicherung aus kapitel 14 die prämie nach dem exponentialprinzip und zwar für verschiedene A. C * ) Internal rate of return Man berechne für eine gemischte versicherung gegen nettoeinmalprämie die wahrscheinlichkeitsverteilung der internal rate of return. D * ) Erwartungswert lebenslängliche todesfallversicherung Ist der erwartungswert der lebenslänglichen todesfallversicherung kleiner/gleich/grösser als v ex+1, (e x mittlere lebenserwartung)?
45 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S S T O C H A S T I S C H E S D E C K U N G S K A P I T A L Themen - verteilung deckungskapital todesfall-versicherung - Thiele differentialgleichung Literatur Gerber 64ff Bowers et al. 215ff
46 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 46 VERTEILUNG DECKUNGSKAPITAL Gemischte versicherung L x+j = v j+1 - P ä j+1 für j=0, 1,..., n-1 = v n - P ä n sonst t j = x Beispiel 15 V 20 VERTEILUNG DISKONTIERTE LEISTUNG Deckungskapital Gemischte Versicherung Mann, i=4%, x=20, n=45, T= MÄNNER WAHRSCHEINLICHKEIT DISKONTIERTE LEISTUNG EW = , STABW =
47 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 47 THIELESCHE DIFFERENTIALGLEICHUNG TV kontinuierliches deckungskapital P T kontinuierliche prämie Q T kontinuierliche todesfallleistung L T kontinuierliche erlebensfallleistung l T kontinuierliche zahl der lebenden δ zinsintensität µ T sterbeintensität TV' = P T - µ T (Q T - T V) - L T + δ TV
48 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 48 AUFGABEN 16 A * ) Prämienrückgewähr Man leite die leistungsverteilung einer erlebensfallversicherung gegen jahresprämien mit prämienrückgewähr (ohne zinsen) im todesfall her. B * ) Survival distributions Präsentation kapitel 3 aus 'Actuarial Mathematics' von Bowers, Gerber, Hickman, Jones, Nesbitt
49 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S V E R S I C H E R U N G A U F V E R B U N D E N E L E B E N Themen - wahrscheinlichkeiten für verbundene leben - leistungsverteilungen für ausgewählte versicherungen - barwerte Literatur - Krengel - Bowers, Gerber, Hickman, Jones, Nesbit
50 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 50 VERSICHERUNG AUF VERBUNDENE LEBEN Versicherung auf verbundene leben Versicherung deren leistung von der kombination leben/tod eines paares oder einer personengruppe abhängt. Beispiele - Anwartschaftliche witwenrente - Anwartschaftliche waisenrente - Versicherung von ehepaaren - Teilhaberversicherung
51 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 51 ABGELEITETE WAHRSCHEINLICHKEITEN FÜR PAARE Wahrscheinlichkeit "auf das erste leben" nq xy stirbt np xy wahrscheinlichkeit, dass mindestes 1 person während n jahren wahrscheinlichkeit, dass beide n jahre überleben nq xy + n p xy = 1 Wahrscheinlichkeit "auf das letzte leben" nq^xy np^xy wahrscheinlichkeit, dass beide innert n jahren sterben wahrscheinlichkeit, dass mindestens 1 person n jahre überlebt nq^xy + n p^xy = 1 Annahme: unabhängige ereignisse nq xy = n q x + n q y - n q x n q y np xy = n p x n p y nq^xy = n q x n q y np^xy = n p x + n p y - n p x n p y
52 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 52 SPEZIELLE WAHRSCHEINLICHKEITEN FÜR PAARE Annahme: unabhängigkeit a) wahrscheinlichkeit, dass beide n jahre überleben. np xy = n p x n p y b) wahrscheinlichkeit, dass mindestens 1 person innert n jahren stirbt. nq xy = n q x + n q y - n q x n q y c) wahrscheinlichkeit, dass beide innert n jahren sterben. nq^xy = n q x n q y d) wahrscheinlichkeit, dass mindestens 1 person n jahre überlebt. np^xy = n p x + n p y - n p x n p y e) wahrscheinlichkeit, dass genau 1 person n jahre überlebt. np 1 xy f) wahrscheinlichkeit, dass x im n+1. jahr stirbt und zwar vor y g) wahrscheinlichkeit, dass x innert n jahren stirbt, nach y h) wahrscheinlichkeit, dass x innert n jahren stirbt, vor y
53 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 53 FUZZY MEMBERSHIP Indikator/charakteristische funktion o Menge A o A (x) = 1 wenn x A o A (x) = 0 wenn x A Fuzzy membership grade Grad mit dem das element x zur menge A gehört o A (x) [0,1] Rechenregeln B = A c : o B = 1 - o A B = A 1 A 2... A n : o B = min(o A1, o A2,..., o An ) B = A 1 A 2... A n : o B = max(o A1, o A2,..., o An ) W(A) = E[o A (x)]
54 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 54 TODESFALLWAHRSCHEINLICHKEIT FÜR VERBUNDENE LEBEN Grundwahrscheinlichkeit q(r,s x,y) Wahrscheinlichkeit, dass die x-jährige person als x+r-jährige und die y-jährige person als y+s-jährige stirbt. r s q(r,s x,y) = 1 r=0,1, s=0,1, Berechnung Bei unabhängigkeit der ereignisse 'tod von x' und 'tod von y' gilt: q(r,s x,y) = q(r x) q(s y) = r 1 q x s 1 q y Zusammengesetzte wahrscheinlichkeit o rs fuzzy membershipgrade W = r s o rs q(r,s x,y) r=0,1,... s=0,1,... Erwartungswert µ = r s o rs q(r,s x,y) v t(r,s) L x+r,y+s r=0,1,... s=0,1,...
55 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 55 VERTEILUNG LEBENSDAUER EINES PAARES y x LEBENSDAUER FÜR PAARE UNABHÄNGIGE RISIKEN WAHRSCHEINLICHKEIT
56 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 56 WAHRSCHEINLICHKEITEN FÜR PAARE: BEISPIELE I Annahme: unabhängige wahrscheinlichkeiten n = 2, x = 30, y = 20 q(r,s 30,20) x y q(1 x) a WAHRSCHEINLICHKEITSVERTEILUNG EINES PAARES 0.25 WAHRSCHEINLICHKEIT
57 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 57 WAHRSCHEINLICHKEITEN FÜR PAARE: BEISPIELE II a b c d
58 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 58 WAHRSCHEINLICHKEITEN FÜR PAARE: BEISPIELE III e f g h
59 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 59 VERSICHERUNGEN AUF VERBUNDENE LEBEN Todesfallversicherung, zahlbar beim 1. tod Steigende 3-jährige todesfallversicherung, zahlbar beim 2. tod Erlebensfallversicherung, zahlbar wenn x lebt Erlebensfallversicherung, zahlbar wenn beide leben Gemischte versicherung, zahlbar beim 2. tod Vorschüssige leibrente, zahlbar solange beide leben Nachschüssige temporäre leibrente, zahlbar solange x lebt Anwartschaftliche lebenslängliche witwenrente siehe ODS-datei 17
60 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 60 MODELLIERUNG VERBUNDENE LEBEN Leistungsverteilung bei n verbundenen leben: n-dimensionale verteilung der diskontierten leistungen Erwartungswert, varianz, nutzenerwartungswert der diskontierten leistung
61 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 61 KOMMUTATIONSZAHLEN AUF MEHRERE LEBEN Definition l xy...z D xy...z N xy...z = l x l y... l z = v x l x l y... l z = t D x+t y+t... z+t
62 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 62 BARWERTE: RENTEN AUF VERBUNDENE LEBEN Verbindungsrente auf das erste leben, zahlbar wenn beide leben ä xy:n = (N xy - N x+n:y+n ) / D xy Verbindungsrente auf das letzte leben, zahlbar wenn mind. 1 person noch lebt ä^xy:n = ä x:n + ä y:n - ä xy:n Verbindungsrente auf drei leben, zahlbar wenn mindestens zwei personen noch leben ä xy:n + ä xz:n + ä yz:n - 2 ä xyz:n
63 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 63 ANWARTSCHAFTLICHE WITWENRENTE, INDIVIDUELLE METHODE Überlebensrente, rente fällig nach dem tod von x, zahlbar solange y lebt, jedoch längstens während n jahren ä x y:n = ä y:n - ä xy:n Beweis
64 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 64 ANWARTSCHAFTLICHE WITWENRENTE, KOLLEKTIVE METHODE Zivilstand unbekannt h x wahrscheinlichkeit des mannes, bei tod im alter x verheiratet zu sein y(x) durchschnittsalter der witwe bei tod des mannes im alter x t v x+t l x+t q x+t h x+t+½ a y(x+t+½) t=0, 1,..., ω-x a y(x+t+½) = (a y(x+t) + a y(x+t+1) ) / 2
65 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 65 WAHRSCHEINLICHKEIT BEIM TODE VERHEIRATET ZU SEIN x=y h(x) h(y)
66 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 66 BARWERTE: ERLEBENSFALL- UND TODESFALLVERSICHERUNG Erlebensfall-versicherung auf erstes leben, zahlbar, wenn beide personen nach n jahren noch leben: ne xy = v n n p xy = D x+n:y+n / D xy Erlebensfall-versicherung auf letztes leben, zahlbar wenn mindestens eine person nach n jahren noch lebt: ne^xy = v n n p^xy = n E x + n E y - n E xy Todesfall-versicherung auf erstes leben, zahlbar beim ersten tod na xy = v ä xy:n - a xy:n Todesfall-versicherung auf letztes leben, zahlbar beim letzten tod na^xy = n A x + n A y - n A xy
67 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 67 BARWERTE UND PRÄMIEN FÜR GEMISCHTE VERSICHERUNG Gemischte versicherung auf erstes leben A xy:n = n A xy + n E xy = 1 - d ä xy:n ä xy:n P xy:n = A xy:n P xy:n = 1 / (ä xy:n ) - d Gemischte versicherung auf letztes leben A^xy:n = n A^xy + n E^xy = 1 - d ä^xy:n ä^xy:n P^xy:n = A^xy:n P^xy:n = 1 / (ä^xy:n) - d
68 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 68 AUFGABEN 17 A * ) Wahrscheinlichkeiten für paare Im folgenden betrachte man ein paar mit den altern x=30 (mann) und y=20 (frau). Man bestimme anhand der sterbetafel SM78/83 die wahrscheinlichkeit, dass... unabhängigkeit vorausgesetzt. a) die erste person im 3. jahr stirbt (die erste person kann x oder y sein). b) die zuletzt sterbende person im 3. jahr stirbt. c) beide personen im 3. jahr sterben. d) mindestens eine person im 3. jahr stirbt. e) nur eine person im 3. jahr stirbt. f) keine person im 3. jahr stirbt. g) der erste todesfall in der zeit vom 3. bis zum 5. jahr eintritt. B * ) Wahrscheinlichkeiten für 3 personen Gesucht sind folgende wahrscheinlichkeiten für drei personen mit den altern x, y und z: a) Die wahrscheinlichkeit, dass mindestens eine person nach n jahren aber innerhalb von n+m jahren stirbt. b) Die wahrscheinlichkeit, dass eine person innerhalb n jahren, eine zwischen n und n+1 jahren und eine nach n+1 jahren stirbt. C) Wahrscheinlichkeiten für 5 personen An einer bestimmten krankheit sterben 10% der davon befallenen personen. Wie gross ist die wahrscheinlichkeit, dass von 5 patienten a) alle geheilt werden b) genau 3 sterben c) wenigstens 2 sterben D * ) Multiple life Präsentation kapitel 9 aus 'Actuarial Mathematics' von Bowers, Gerber, Hickman, Jones, Nesbitt. E * ) Dependent life model Präsentation kapitel 9.6 aus 'Actuarial Mathematics' von Bowers, Gerber, Hickman, Jones, Nesbitt.
69 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S G E S A M T S C H A D E N V E R T E I L U N G Thema - gesamtschadenverteilung - erwartungswert und varianz - approximation durch theoretische verteilung Literatur Gerber S. 91ff 123-files 18gesamtshdnvrtlfaltung
70 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 70 GESAMTSCHADENVERTEILUNG Gesamtschadenverteilung Gesucht wahrscheinlichkeitsverteilung der leistungen eines portefeuilles, wenn verteilungen der einzelnen risiken gegeben. Portefeuille n S h E[S h ] VAR[S h ] versicherungen schaden eines jahres der versicherung h erwartungswert der versicherung h varianz der versicherung h Gesamtschaden des portefeuilles Zufallsvariable S = S 1 + S S n n-dimensionale verteilung E[S] = E[S 1 ] + E[S 2 ] E[S n ] Unabhängigkeit der s 1,s 2,...,s n W(S 1 +S S n ) = W(S 1 ) W(S 2 )... W(S n ) VAR[S] = VAR[S 1 ]+ VAR[S 2 ] VAR[S n ] Spezialfall S i = S j und unabhängigkeit E[S] = n E[S 1 ] VAR[S] = n VAR[S 1 ] σ S = n ½ σ 1 Problem Reduktion der n-dimensionalen wahrscheinlichkeitsverteilung auf eine 1-dimensionale verteilung => faltungsoperation
71 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 71 FALTUNG GESAMTSCHADENVERTEILUNG Beispiel
72 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 72 IDENTISCHE EINFACHE RISIKEN Einfaches risiko W(0) = 1-p W(S) = p Portefeuille n unabhängiger, identischer einfacher risiken Binomialverteilung W(mS) = n! / (m!(n-m)!) p m (1-p) n-m S µ = n p S σ 2 = n p (1-p) S 2 Variationskoeffizient σ / µ = n -½ (1-p) ½ p -½ Ausgleich im kollektiv
73 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 73 NORMALVERTEILTE RISIKEN Normalverteilteilung W(s) = 1 / σ (2π) ½ exp(-½ (s-µ) 2 /σ 2 )
74 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 74 BINOMIAL- UND NORMALVERTEILUNG Für grosse werte von n lässt sich die binomialverteilung durch die normalverteilung annähern, wobei der erwartungswert gleich n p und die varianz gleich n p (1-p) gesetzt wird. Beispiel APPROX. BINOMIAL- DURCH NORMALVERTEILUNG WAHRSCHEINLICHKEIT BINOMIALVERTEILUNG NORMALVERTEILUNG GESAMTSCHADEN n = 100 q = erwartungswert = 5.0 standardabweichung = 2.179
75 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 75 ZENTRALER GRENZWERTSATZ S 1... S n seien unabhängige zufallsvariablen, die alle die gleiche verteilung mit gleichem erwartungswert µ und gleicher varianz σ 2 haben. Es sei S = S S n. Dann ist die zufallsvariable Z(n) = (S(n) - n µ) / σ (n) ½ asymptotisch normalverteilt mit dem mittelwert 0 und der varianz 1.
76 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 76 AUFGABEN 18 A * ) Wahrscheinlichkeit und mehrdeutigkeit Man präsentieren den artikel von Martin Gardner B * ) Formeln zur beruflichen vorsorge Man präsentiere und kommentiere die formelsammlung C * ) Sterbegesetze Man wähle für die sterbegesetze von Makeham und Koller realistische parameter und bestimme grafisch die wahrscheinlichkeitsverteilung. Man variiere die parameter und zeige den einfluss auf die form der verteilung.
77 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 77 T E I L IV M O D E L L M A R K O V P R O Z E S S E
78 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S M A R K O V P R O Z E S S E Themen - Theorie der markovprozesse - Beispiele Literatur DeGroot Morris H. Probability and statistics Addison Wesley 1975 Krengel U. Einführung in die wahrscheinlichkeitstheorie und statistik Vieweg 1998 Gnedenko B. W. Lehrbuch der wahrscheinlichkeitsrechung Verlag Harri Deutsch, 1980
79 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 79 BEDINGTE VERTEILUNG 2-dimensionale wahrscheinlichkeitsverteilung w(x i,y j ) i = 1,..., m j = 1,...,n Grenzverteilung w(x i ) = w(x i,y 1 ) w(x i,y n ), i=1,...,m Bedingte wahrscheinlichkeit w(x i y j ) = w(x i,y j ) / w(y j ) Bedingte wahrscheinlichkeitsverteilungen w(x 1 y j ), w(x 2 y j ),...,w(x m y j ) j=1,...,n
80 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 80 BEDINGTER ERWARTUNGSWERT Zufallsvariable z(x): z(x 1 ), z(x 2 ),..., z(x m ) Bedingter erwartungswert E[z(X) y j ] = z(x 1 ) w(x 1 y j )+... +z(x m ) w(x m y j ) Additivität E[a z 1 (X)+b z 2 (X) y j ] = a E[z 1 (X) y j ] + b E[z 2 (X) y j ] Unabhängigkeit E[z(X) y j ] = E[z(X)], falls x und y unabhängig Satz vom iterierten erwartungswert E[z(X)] = E[E[z(X) y]] = E[z(X) y 1 ] W(y 1 )+...+E[z(X) y n ] W(y n ) Satz von der iterierten varianz VAR[z(X)] = E[VAR[z(X) Y]] + VAR[E[z(X) Y]] Beispiel UNI_LEBM_19-Koller-BedingterErwartungswert.ods
81 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 81 MATRIZENRECHNUNG (m,n)-matrix A m n zahlen a ij, angeordnet in m zeilen und n spalten: a a 1n A = (a ik ) = a m1... a mn Gleichheit Zwei matrizen A und B sind gleich, A = B, wenn sie gleiche spaltenund gleiche zeilenzahl haben und wenn für alle indizes gilt: a ij = b ij. Matrizenmultiplikation Das produkt C = A*B ist definiert, wenn die spaltenzahl von A gleich der zeilenzahl von B ist: c ik = a i1 b 1k + a i2 b 2k a in b nk Rechenregeln Assoziativgesetz: A*(B*C) = (A*B)*C Kommutativgesetz gilt nicht: A*B B*A Beispiel 4 5 (1,2,3) 6 7 = (40,46) 8 9
82 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 82 MODELLIERUNG DYNAMISCHER PROZESS Bestandsmodell zustände zu einem gewissen zeitpunkt bsp. l x zustandswahrscheinlichkeit primär Flussmodell veränderung über einen gewissen zeitraum bsp. d x ausgangslage muss bekannt sein (bsp. l 0 = 100'000) übergangswahrscheinlichkeit primär Exaktheit der modellierung zeitachse: abhängig von abständen t i, t i+1 zustände: präzise, vage Diskret, kontinuierlich zeitachse und/oder zustände diskret oder kontinuierlich keine eigenschaft der natur - eigenschaft des modells!
83 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 83 STOCHASTISCHER PROZESS Stochastischer prozess System, das zeitlich, zufallsbedingt eine folge von zuständen durchläuft. In jedem beobachteten zeitpunkt befindet sich das system in genau 1 zustand. Diskreter zeitparameter Die folge von zuständen wird nur in diskreten zeitabständen t=0, 1,... m beobachtet. Endlicher prozess Die anzahl der möglichen zustände j=1,..., n ist endlich. Zustandswahrscheinlichkeiten Wahrscheinlichkeit w(z t =j), dass sich das system im zeitpunkt t im zustand j befindet. w(z t =1) + w(z t =2) w(z t =n) = 1 Übergangswahrscheinlichkeiten Bedingte wahrscheinlichkeit w(z t+1 =j Z 0 =i 0, Z 1 =i 1,..., Z t =i t ) dafür, dass sich das system im zeitpunkt t+1 im zustand j befindet, unter der annahme, dass es die zustände i 0, i 1,..., i t durchlaufen hat. j w(z t+1 =j Z 0 =i 0, Z 1 =i 1,..., Z t =i t ) = 1 j=1,...,n Trajektorie Folge von zuständen (Z 0 =i 0, Z 1 =i 1,..., Z t =i t ) die das system durchlaufen hat. Punkt in einem t+1-dimensionalen raum, jede dimension mit n ausprägungen. Trajektorie klassische lebensversicherung
84 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 84 MARKOV-PROZESS Markov-prozess (markov-kette) Stochastischer prozess, wobei die übergangswahrscheinlichkeiten zwischen t und t+1 nur von den zuständen im zeitpunkt t abhängen und nicht von früheren zuständen: w(z t+1 =j Z 0 =i 0,Z 1 =i 1... Z t =i t ) = w(z t+1 =j Z t =i t ) j w(z t+1 =j Z t =i t ) = 1 j=1,...,n Matrix M(1 t) der einjährigen übergangswahrscheinlichkeiten w(z t+1 =1 Z t =1)... w(z t+1 =n Z t =1) w(z t+1 =1 Z t =n)... w(z t+1 =n Z t =n) Die summe der zeilen ist 1 Stochastische matrix Matrix M mit nichtnegativen elementen, deren zeilensummen gleich 1 sind.
85 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 85 M-STUFIGE ÜBERGANGSWAHRSCHEINLICHKEITEN Chapman-Kolmogorow-gleichung w(z t+m+s =j Z t =i) = k w(z t+m+s =j Z t+m =k) w(z t+m =k Z t =i) k=1,...,n 2-stufige übergangswahrscheinlichkeiten w(z t+2 =j Z t =i) = k w(z t+2 =j Z t+1 =k) w(z t+1 =k Z t =i) k=1,...,n Matrix der 2-stufigen übergangswahrscheinlichkeiten M(2 t) = M(1 t) * M(1 t+1) Berechnung r-stufiger übergangswahrscheinlichkeit M(r t) = M(s t) * M(r-s t+s) r>s (assoziativgesetz)
86 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 86 ZUSTANDSWAHRSCHEINLICHKEITEN Anfangszustand, (1,n)-matrix Wahrscheinlichkeiten der zustände im zeitpunkt 0 (verteilung) M(0) = ( w(z 0 =1), w(z 0 =2),..., w(z 0 =n) ) Endzustand, (1,n)-matrix Wahrscheinlichkeiten der zustände im zeitpunkt t (verteilung) M(t) = ( w(z t =1), w(z t =2),..., w(z t =n) ) w(z t =j) = k w(z t =j Z 0 =k) w(z 0 =k) j = 1,...,n M(t) = M(0) * M(t 0) Deterministischer anfangszustand i w(z 0 =i) = 1 w(z t =j) = w(z t =j Z 0 =i) j = 1,...,n
87 UNI BASEL VwA 2010 KOLLER: MATHEMATIK DER LEBENSVERSICHERUNG II S. 87 POISSONPROZESS Poissonprozess N(t) anzahl schäden im zeitraum 0,t N(0) = 0 W( N(t+h) - N(t) = k N(s), s t ) = e -λh (λh) k / k! Eigenschaften Stationärer prozess: die wahrscheinlichkeit für das auftreten von k schäden hängt nur von der länge des beobachteten intervalles h ab und nicht vom zeitpunkt t Unabhängigkeit: die anzahl schäden disjunkter zeitintervalle sind unabhängig voneinander Ordinarität: die wahrscheinlichkeit simultaner schäden ist null Exponentialverteilte zustands-verweildauer: die zeitintervalle zwischen 2 schäden sind unabhängig voneinander und exponentialverteilt mit parameter λ. Poissonprozess als markovprozess Zustände: anzahl schäden, kumuliert (zählprozess) Zeitintervall: h=1 (ohne beschränkung der allgemeinheit) Wahrscheinlichkeit anfangszustände: 'null schäden' mit wahrscheinlickeit 1, sonst 0 Übergangsmatrix: p 0 p 1 p 2 p p 0 p 1 p p 0 p p wobei p k = e -λ (λ) k / k! Zustände im zeitpunkt m: e -mλ (mλ) k / k!
Zinseszins- und Rentenrechnung
Zinseszins- und Rentenrechnung 1 Berechnen Sie den Zeitpunkt, an dem sich das Einlagekapital K bei a) jährlicher b) monatlicher c) stetiger Verzinsung verdoppelt hat, wobei i der jährliche nominelle Zinssatz
MehrStatistische 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
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrLebensdauer eines x-jährigen
Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................
MehrBeispiel 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.
MehrW-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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
Mehrvorschüssige, lebenslängliche Leibrente (whole life annuity-due) Vorschüssige jährliche Zahlungen von 1, solange die versicherte Person am Leben ist.
4. Leibrenten vorschüssige, lebenslängliche Leibrente (whole life annuity-due) Vorschüssige jährliche Zahlungen von 1, solange die versicherte Person am Leben ist. NEP ä x : Y = 1 + v + v 2 + + v K = ä
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrPräsenzübungsaufgaben 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,...,
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrKlausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 09
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
Mehr16 Risiko und Versicherungsmärkte
16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrBericht zur Prüfung im Oktober 2003 über Mathematik der Lebensversicherung (Grundwissen)
Bericht zur Prüfung im Oktober 2003 über Mathematik der Lebensversicherung Grundwissen) Jürgen Strobel Köln) und Hans-Jochen Bartels Mannheim) Am 04.10.2003 wurde in Köln die zehnte Prüfung über Mathematik
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrRisiko 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
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
MehrData 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
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrIII. Grundlagen der Lebensversicherungsmathematik III.5. Deckungskapital für Lebensversicherungsprodukte
III. Grundlagen der Lebensversicherungsmathematik III.5. Deckungskapital für Lebensversicherungsprodukte Universität Basel Herbstsemester 2015 Dr. Ruprecht Witzel ruprecht.witzel@aktuariat-witzel.ch www.aktuariat-witzel.ch
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrKapitalversicherungen
Kapitalversicherungen Sanela Omerovic Proseminar Versicherungsmathematik TU Graz 11. Dezember 2007 Inhaltsverzeichnis 1 Einführung 1 2 Einfache Versicherungsformen 3 2.1 Todesfallversicherungen (Life Insurance)....................
MehrAustausch- 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:
MehrKapitalversicherungen
Kapitalversicherungen Birgit Scharwitzl 10. Dezember 2008 Inhaltsverzeichnis 1 Begriffe und wichtige Definitionen 2 1.1 Prämie................................................... 2 1.2 Gewinnbeteiligung............................................
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrStochastische 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)
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
Mehr9.2. 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
Mehr4 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
MehrKevin 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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrIm weiteren werden die folgenden Bezeichnungen benutzt: Zinsrechnung
4.2 Grundbegriffe der Finanzmathematik Im weiteren werden die folgenden Bezeichnungen benutzt: K 0 Anfangskapital p Zinsfuß pro Zeiteinheit (in %) d = p Zinssatz pro Zeiteinheit 100 q = 1+d Aufzinsungsfaktor
MehrRisikoeinstellungen empirisch
Risikoeinstellungen empirisch Risk attitude and Investment Decisions across European Countries Are women more conservative investors than men? Oleg Badunenko, Nataliya Barasinska, Dorothea Schäfer http://www.diw.de/deutsch/soep/uebersicht_ueber_das_soep/27180.html#79569
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrMarkovketten. 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
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
MehrDeckungskapital. Proseminar Versicherungsmathematik. TU Graz. 11. Dezember 2007
Deckungskapital Gülnur Adanç Proseminar Versicherungsmathematik TU Graz 11. Dezember 2007 1 Inhaltsverzeichnis 1 Deckungskapital 2 1.1 Prospektive und Retrospektive Methode.................... 3 1.1.1
MehrBestimmung 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,
Mehr13.5 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
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrZwei einfache Kennzahlen für große Engagements
Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Äquivalenzprinzip der Finanzmathematik Das Äquivalenzprinzip der Finanzmathematik für Vergleich von Zahlungen, welche
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrCodierungsverfahren SS 2011. Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur
Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur Wie die zyklischen BCH-Codes zur Mehrbitfehler-Korrektur eignen sich auch die sehr verwandten Reed-Solomon-Codes (= RS-Codes) zur Mehrbitfehler-Korrektur.
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrWirtschaftsmathematik für International Management (BA)
Wirtschaftsmathematik für International Management (BA) Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Lineare Algebra 4 Lineare Programme 5 Folgen und Reihen 6
MehrFinanzwirtschaft. Teil II: Bewertung
Sparpläne und Kreditverträge 1 Finanzwirtschaft Teil II: Bewertung Sparpläne und Kreditverträge Agenda Sparpläne und Kreditverträge 2 Endliche Laufzeit Unendliche Laufzeit Zusammenfassung Sparpläne und
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrRepetitionsaufgaben: Lineare Gleichungen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern
Mehr2. Mai 2011. Geldtheorie und -politik. Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6)
Geldtheorie und -politik Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6) 2. Mai 2011 Überblick Bestimmung des Zinssatzes im Markt für Anleihen Erklärung der Dynamik von Zinssätzen Überblick
MehrDefinition 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
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrEinführung 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:
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrRUPRECHTS-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
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrKommutationszahlen und Versicherungsbarwerte für Leibrenten 2001/2003
Kommutationszahlen und Versicherungsbarwerte für Leibrenten 2001/2003 Tabellen zur jährlich und monatlich vorschüssigen Zahlungsweise Statistisches Bundesamt Impressum Herausgeber: Statistisches Bundesamt
Mehr2. Gesundheitsfinanzierung
2. Gesundheitsfinanzierung Inhalte dieses Abschnitts 2.1 Grundmodell der Versicherung Versicherungsmotiv Optimale Versicherungsnachfrage Aktuarisch faire und unfaire Prämien 145 2.1 Grundmodell der Versicherung
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
Mehr$ % + 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
MehrKrankenversicherungsmathematik
Krankenversicherungsmathematik Florian Peycha 8. Januar 2008 Inhaltsverzeichnis 1 Kopfschaden 1 1.1 Die Methode von Rusam..................... 2 1.2 Altersgruppenbildung....................... 3 1.3 Die
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
Mehr