Distribution-free calculation of the standard error of Chain Ladder reserve estimates
|
|
- Erna Fleischer
- vor 6 Jahren
- Abrufe
Transkript
1 Distribution-free calculation of the standard error of Chain Ladder reserve estimates David Fischinger 31. März 2018 David Fischinger 31. März / 41
2 Inhaltsverzeichnis 1) Einleitung 2) Chain Ladder 3) Notation und grundlegende Resultate 4) Berechnung des MSE und des Standardfehlers 5) Beispiele David Fischinger 31. März / 41
3 Einleitung Einleitung David Fischinger 31. März / 41
4 Einleitung Spätschäden IBNR-Schäden ( incurred but not reported ) bereits eingetreten, aber dem Versicherungsunternehmen noch nicht bekannt IBNER-Schäden ( incurred but not enough reserved ) am Ende des Geschäftsjahres bereits bekannt, Höhe aber noch abschätzbar David Fischinger 31. März / 41
5 Einleitung Spätschäden viele Methoden zur Berechnung der Rückstellung für die Spätschäden z.b Chain Ladder Verfahren oft deutlich andere Ergebnisse Herausforderung von bisherigen Daten auf Spätschäden zu schließen Standardfehler als Maß für Unsicherheit der verwendeten Daten Vergleichsmöglichkeit mit anderen Verfahren David Fischinger 31. März / 41
6 Einleitung Grundlage Paper Distribution-free calculation of the standard error of Chain Ladder reserve estimates von Thomas Mack von 1993 Ziel: möglichst einfache Formel für den Standardfehler des Schätzers der Chain Ladder Rückstellung herleiten David Fischinger 31. März / 41
7 Chain Ladder Chain Ladder David Fischinger 31. März / 41
8 Chain Ladder Vorgehensweise Vergangenheit Abwicklungsdreiecke Zukunft David Fischinger 31. März / 41
9 Chain Ladder Schadensdreieck David Fischinger 31. März / 41
10 Chain Ladder Schadensdreieck David Fischinger 31. März / 41
11 Chain Ladder Schadensdreieck David Fischinger 31. März / 41
12 Chain Ladder Schadensdreieck David Fischinger 31. März / 41
13 Notation und grundlegende Resultate Notation und grundlegende Resultate David Fischinger 31. März / 41
14 Notation und grundlegende Resultate Notation Definition Die Zufallsvariablen C ik sind die kumulierten Claims eines Schadenjahres i wobei 1 i I für ein Entwicklungsjahr k mit 1 k I. Der Wert von C ik ist uns bekannt für i + k I + 1 Definition Die Zufallsvariablen R i sind die zu schätzenden Schadenreserven für ein Schadenjahr i = 2,..., I und sind definiert durch R i = C ii C i,i +1 i und die gesamte Schadenreserve durch R = I i=2 R i David Fischinger 31. März / 41
15 Notation und grundlegende Resultate Notation David Fischinger 31. März / 41
16 Notation und grundlegende Resultate Annahmen des Chain Ladder Verfahren 1) Entwicklungsfaktoren: Entwicklungsfaktoren f 1,..., f I 1 > 0 Sie erfüllen: E(C i,k+1 C i1,..., C ik ) = C ik f k 1 i I, 1 k I 1 (1) f k wird geschätzt durch ˆf k := I k j=1 C j,k+1 I k j=1 C j,k 1 k I 1 David Fischinger 31. März / 41
17 Notation und grundlegende Resultate Annahmen des Chain Ladder Verfahren 2) Ulimate Claims und Schadenreserven Die zukünftigen Ultimate Claims C ii werden geschätzt durch Ĉ ii := C i,i +1 i ˆf I +1 i... ˆf I 1 und die Schadensreserven R i durch ˆR i = C i,i +1 i (ˆf I +1 i... ˆf I 1 1). 3) Unabhängigkeit {C i1,..., C ii }, {C j1,..., C ji }, i j sind unabhängig (2) David Fischinger 31. März / 41
18 Notation und grundlegende Resultate Satz 3.1 Sei D := {C ik i + k I 1} die Menge aller bisher beobachteten Daten. Mit den Voraussetzungen (1) und (2) folgt E(C ii D) = C i,i +1 i f I +1 i... f I 1 David Fischinger 31. März / 41
19 Notation und grundlegende Resultate Beweis. Um den Beweis übersichtlicher zu gestalten, definieren wir uns zuerst E i (X ) := E(X C i1,..., C i,i +1 i ) E(C ii D) = E i (C ii ) = E i ( E(CiI C i1,..., C i,i 1 ) ) = E i (C i,i 1 f I 1 ) = E i (C i,i 1 ) f I 1 = etc. = E i (C i,i +1 i ) f I +1 i... f I 1 = C i,i +1 i f I +1 i... f I 1 David Fischinger 31. März / 41
20 Notation und grundlegende Resultate Unverzerrte und unkorrelierte Schätzer Definition Ein Schätzer ˆθ heißt erwartungstreu bzw. unverzerrt für eine Zufallsvariabel θ, wenn gilt E[ˆθ] = θ Definition Zwei Schätzer ˆθ 1 und ˆθ 2 heißen unkorreliert wenn gilt also die COV ( ˆθ1, ˆθ 2 ) = 0 ist. E[ ˆθ 1 ˆθ 2 ] = E[ ˆθ 1 ]E[ ˆθ 2 ] David Fischinger 31. März / 41
21 Notation und grundlegende Resultate Satz 3.2 Mit den Annahmen (1) und (2) ist der Schätzer ˆf k unverzerrt und unkorreliert für 1 k I 1. David Fischinger 31. März / 41
22 Notation und grundlegende Resultate Beweis. Unverzerrtheit: Sei B k := {C ij j k, i + j I + 1}, 1 k I. Mit der Voraussetzung (1) und (2) folgt E(C i,k+1 B k ) = E(C i,k+1 C i1,..., C ik ) = C ik f k Zusammen der Definition von ˆf k und der Linearität des Erwartungsertes folgt dann E(ˆf k B k ) = I k j=1 E(C j,k+1 B k ) I k C jk j=1 = f k David Fischinger 31. März / 41
23 Notation und grundlegende Resultate Beweis. Dieses führt zu E(ˆf k ) = E(E(ˆf k B k )) = f k, 1 k I 1 Unkorreliertheit von ˆf k und ˆf j : Sei j < k, dann gilt E(ˆf j ˆf k ) = E(E(ˆf j ˆf k B k )) = E(ˆf j E(ˆf k B k )) = E(ˆf j )f k = E(ˆf j )E(ˆf k ) David Fischinger 31. März / 41
24 Notation und grundlegende Resultate Satz 3.3 Unter den Annahmen (1) und (2) ist Ĉ ii = C i,i +1 i ˆf I +1 i... ˆf I 1 ein unverzerrter Schätzer für E(C ii D) und ˆR i = Ĉ ii C i,i +1 i ein unverzerrter Schätzer für R i. David Fischinger 31. März / 41
25 Notation und grundlegende Resultate Beweis. Wir wissen bereits: E(C ii D) = C i,i +1 i f I +1 i... f I 1 Wiederholung des vorherigen Beweises für das Produkt von paarweise verschiedenen ˆf k, führt zu Weiters gilt E(ˆf I +1 i... ˆf I 1 ) = f I +1 i... f I 1 E(Ĉ ii ) = C i,i +1 i E(ˆf i+1 i... ˆf I 1 ) = C i,i +1 i f I +1 i... f I 1 = E(C ii D) womit die Unverzerrtheit folgt. Analog lässt sich die zweite Behauptung zeigen. David Fischinger 31. März / 41
26 Berechnung des MSE und des Standardfehlers Berechnung des MSE und des Standardfehlers David Fischinger 31. März / 41
27 Berechnung des MSE und des Standardfehlers MSE Definition Der bedingte mittlere quadratische Fehler (MSE) des Schätzers Ĉ ii von C ii ist gegeben durch mse(ĉ ii ) = E((Ĉ ii C ii ) 2 D) wobei D = {C ik i + k I + 1} die Menge aller bereits zur Verfügung stehenden Daten ist. Für den MSE gilt mse( ˆR i ) = E(( ˆR i R i ) 2 D) = E((Ĉ ii C ii ) 2 D) = mse(ĉ ii ) und damit mse(ĉ ii ) = Var(C ii D) + (E(C ii D) Ĉ ii ) 2 David Fischinger 31. März / 41
28 Berechnung des MSE und des Standardfehlers Varianz der C ik Schätzer der Chain Ladder Faktoren ˆf k sind C ik -gewichtetes Mittel Var(C i,k+1 C i1,..., C ik ) soll invers proportional zu C ik sein, also Var(C i,k+1 C i1,..., C ik ) = C ik σ 2 k 1 i I, 1 k I 1 (3) mit unbekannten Parametern σ 2 k für 1 k I 1. Diese Forderung ist eine weitere, implizite Annahme, die aus dem Chain Ladder verfahren resultiert David Fischinger 31. März / 41
29 Berechnung des MSE und des Standardfehlers Schätzer für die Varianz der C ik Genauso wie für den Schätzer ˆf k lässt sich zeigen, dass ˆσ k 2 = 1 I k ( Ci,k+1 C ik I k 1 C ik i=1 ˆf k ) 2, 1 k I 2 ein unverzerrter Schätzer für σ 2 k, 1 k I 2 ist. Für die Wahl von ˆσ I 2 1 gibt es zwei Möglichkeiten: 1. Wenn ˆf I 1 = 1 ˆσ 2 I 1 = 0 2. ( ) ˆσ ˆσ I = min I 2 ˆσ I 2, min(ˆσ I 2 3, ˆσ2 I 2 ) 3 David Fischinger 31. März / 41
30 Berechnung des MSE und des Standardfehlers Satz 4.1 (Varianzzerlegung) Für die Varianz einer Zufallsvariable X gilt Var(X ) = E ( Var(X Y ) ) + Var ( E(X Y ) ) David Fischinger 31. März / 41
31 Berechnung des MSE und des Standardfehlers Beweis. Sei U := E(X Y ) eine Zufallsvariable mit Erwartungsert E(U) = E ( E(X Y ) ) = E(X ) Für die Varianz gilt: Var(U) = E(U 2 ) ( E(U) ) 2 = E(U 2 ) ( E(X ) ) 2 Andererseits hat die bedingte Varianz den Erwartungswert E ( Var(X Y ) ) = E ( E(X 2 Y ) ) E(U 2 ) = E(X 2 ) E(U 2 ) Damit erhalten wir E ( Var(X Y ) ) + Var ( E(X Y ) ) = E(X 2 ) ( E(X ) 2) = Var(X ) David Fischinger 31. März / 41
32 Berechnung des MSE und des Standardfehlers Satz 4.2 Unter den Annahmen (1), (2) und (3) können wir den mse( ˆR i ) durch mse( ˆR i ) = Ĉ 2 ii I 1 k=i +1 i ˆσ 2 k ˆf 2 k ( Ĉ I k ik C jk j=1 schätzen, wobei Ĉ ik = C i,i +1 i ˆf I +1 i..., k > I + 1 i die geschätzten Werte der zukünftigen C ik sind und Ĉ i,i +1 i = C i,i +1 i gilt. Der Standardfehler von ˆR i ist dann definiert durch s.e( ˆR i ) = mse( ˆR i ) ) David Fischinger 31. März / 41
33 Berechnung des MSE und des Standardfehlers Satz 4.3 Mit der Notation und den Vorraussetzungen des vorherigen Satzes kann der MSE der gesamten Reserve ˆR durch mse( ˆR) = [ I (s.e( ˆR i ) ) ( I 2 + ĈiI i=2 j=i+1 2ˆσ k 2 ˆf k 2 I k I +1 i C nk n=1 ) I 1 Ĉ ji ] geschätzt werden. Der Standardfehler von ˆR ist dann wiederum definiert durch s.e( ˆR) = mse( ˆR) David Fischinger 31. März / 41
34 Beispiele Beispiele David Fischinger 31. März / 41
35 Beispiele D.A.S Rechtsschutz AG David Fischinger 31. März / 41
36 Beispiele D.A.S Rechtsschutz AG David Fischinger 31. März / 41
37 Beispiele D.A.S Rechtsschutz AG David Fischinger 31. März / 41
38 Beispiele ÖBV VVaG David Fischinger 31. März / 41
39 Beispiele ÖBV VVaG David Fischinger 31. März / 41
40 Beispiele ÖBV VVaG David Fischinger 31. März / 41
41 Beispiele Vielen Dank für Ihre Aufmerksamkeit! David Fischinger 31. März / 41
Schadenversicherungsmathematik
Schadenversicherungsmathematik Teil 3: Schadenreservierung Dr. Ulrich Riegel, Swiss Re Europe S.A. Mathematisches Institut LudwigMaximiliansUniversität München Wintersemester 2015/16 Dr. Ulrich Riegel,
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrBeurteilung konkurrierender Information in der Reservierung
Beurteilung konkurrierender Information in der Reservierung Mathias Zocher Allianz Suisse, Aktuariat Nichtleben Dresden, 21. Oktober 2011 Inhalt 1 Einführung: Reservierung 2 Ein Problem: divergierende
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrLineare Regression (Ein bisschen) Theorie
Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrPrüfungskolloquium Aktuar SAV Biel, 20. November 2008 Dr. Stephan Clerc-Dändliker
Welche Genauigkeit kann bei der Bestimmung von Rückstellungen unter Berücksichtigung sowohl von Prozess- Risiko als auch von Parameter- und Messfehlern erwartet werden? Prüfungskolloquium Aktuar SAV Biel,
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrLineare Modelle in der Schadenreservierung
Lineare Modelle in der Schadenreservierung Klaus D Schmidt Gemeinsame Arbeit mit Klaus Th Hess, Kathrin Kloberdanz, Alexander Ludwig, Carsten Pröhl, Christiane Schmeißer, Katrin Thänert, Mathias Zocher
MehrDas Bornhuetter Ferguson Prinzip. Über Gemeinsamkeiten bekannter Reservierungsverfahren
AbD 2V AbM BFV BFP Bsp Über Gemeinsamkeiten bekannter Reservierungsverfahren Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik TU Dresden Mathias Zocher Aktuariat Nichtleben Allianz Suisse Dresden,
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
MehrStochastische Modelle in der Schadenreservierung
Technische Universität Dresden Stochastische Modelle in der Schadenreservierung Vortrag an der Universität zu Köln am 17. November 2003 Gliederung 1. Abwicklungsdreiecke und Abwicklungsquadrate 2. Das
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrMasterarbeit. Credibility Chain Ladder
Eidgenössische Technische Hochschule Zürich Departement Mathematik Masterarbeit Credibility Chain Ladder Eingereicht von: Patrick Helbling Eingereicht am: 12.02.2014 Betreuer: Prof. Dr. Alois Gisler Vorwort
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrStochastik für Studierende der Informatik
Wiederholungs-/Fragestunde Peter Czuppon Uni Freiburg, 05. September 2016 Diese Zusammenfassung wurde mit Hilfe des Skriptes von Prof. Dr. Pfaffelhuber aus dem Sommersemester 2016 erstellt. Ferner deckt
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrModellanpassung. Einführung in die induktive Statistik. Statistik. Statistik. Friedrich Leisch
Modellanpassung Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München SS 2009 Statistik Statistik Wahrscheinlichkeitsrechnung: Gesetze bekannt,
MehrMultivariate Modelle in der Praxis
DRESDNER FORUM ZUR VERSICHERUNGSMATHEMATIK Multivariate Modelle in der Praxis 23. Juni 2006 Technische Universität Dresden Anja Schnaus A Berkshire Hathaway Company Inhalt Multivariates Chain-Ladder für
MehrPrüfungskolloquium SAV
Modellierung der Inflation in der Berechnung des Abwicklungsrisikos im SST in der Nichtlebenversicherung Prüfungskolloquium SAV Irina Sikharulidze, SST, FINMA 19. November 2010 Modellierung der Inflation
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrSolvency II and Nested Simulations - a Least-Squares Monte Carlo Approach
Grafik and - a Least-Squares Monte Carlo Approach Khischgee Turbat Technische Universität Wien 17. Februar 2016 Grafik 1 2 3 4 Grafik 5 6 Inhalt Grafik Großprojekt der EU-Kommission gültig ab dem 1. Jänner
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrSchadenversicherungsmathematik
Schadenversicherungsmathematik Prof. Dr. Michael Kohler Sommersemester 2009 Vorlesung orientiert sich an: Thomas Mack: Schadenversicherungsmathematik. Gesellschaft für Versicherungsmathematik, Verlag Versicherungswirtschaft,
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrDeterminanten - II. Falls n = 1, gibt es offenbar nur die identische Permutation, und für eine 1 1 Matrix A = (a) gilt det A = a.
Determinanten - II. Berechnung von Determinanten Wir erinnern, dass für A M(n n; K) gilt : det A = σ S n signσ a σ() a 2σ(2)...a nσ(n). Falls n =, gibt es offenbar nur die identische Permutation, und für
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrNotgepäck Genauigkeit
Notgepäck Genauigkeit Beat Hulliger Dienst Statistische Methoden, Bundesamt für Statistik 20.4.2006 1 Was ist Genauigkeit genau? Um zu beschreiben, was Genauigkeit in der Statistik ist, müssen wir untersuchen,
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
Mehr