Grundlagen der Versicherungsproduktion
|
|
- Helga Kappel
- vor 5 Jahren
- Abrufe
Transkript
1 Grundlagen der Versicherungsproduktion Dr. Andrea Boos Bitte beachten Sie, dass dieser Foliensatz in keiner Weise den Besuch der Vorlesung ersetzen kann. Die Folien bilden das Gerüst für die Vorlesung und werden in den Veranstaltungen um wesentliche Inhalte und Beispiele ergänzt. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 1
2 1. Schadenprozesse und Schadenverteilungen 1.1. Stochastische Prozesse Charakteristika der Dienstleistung Versicherung: zeitraumbezogen (Zeit) und stochastisch (Zufall) Modellierung: dynamische und stochastische Beschreibungsmodelle Stochastische Prozesse Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 2
3 Denn: stochastische Prozesse modellieren stochastische Zeitabläufe. Beispiel: (endliche) Zeitreihe x 1 = x(t 1 ), x 2 = x(t 2 ),..., x n = x(t n ), wobei x i der Wert einer Zufallsgröße zum Zeitpunkt t i ist, also z.b.: Schadenzahl einer versicherungstechnischen Einheit in gleichlangen Beobachtungsintervallen oder Gesamtschadensumme eines Kollektivs zu bestimmten Zeitpunkten. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 3
4 Abb. 1.1.: Zeitreihe N(t i ) t 1 t 2 t 3 t 4 t 5 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 4
5 Zeitreihe (Abb. 1.1.) ist Beispiel für stochastischen Prozess {N(t i ) i} mit diskretem Zeitparameter t. Beispiel für einen stochastischen Prozess {X(t) t 0} mit stetigem Zeitparameter t: die Gesamtschadensumme eines Kollektivs im Zeitintervall [0,t] (Abb. 1.2.). Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 5
6 Abb. 1.2.: stochastischer Prozess X(t) t 1 t 2 t 3 t 4 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 6
7 Es sei N(t) die Anzahl der Schäden im Zeitintervall [0,t]. Dann geben die Realisationen des stochastischen Prozesses {N(t)t 0} eine Antwort auf die Frage: Wieviele Schäden sind im Zeitintervall [0,t] eingetreten? Die Realisationen des Schadenzahlprozesses können in Form von Punktprozessen bzw. Zählprozessen abgebildet werden. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 7
8 Der Punktprozess bildet Eintrittszeitpunkte t i der zufälligen Ereignisse (Schäden) ab, der zugehörige Zählprozess gibt an, wieviele zufällige Ereignisse (Schäden) innerhalb eines bestimmten Zeitintervalles eingetreten sind. Der Zählprozess ist also die Summe der zufälligen Ereignisse eines Punktprozesses. Abb. 1.3.: Punktprozess n(t i ) 1 t 1 t 2 t 3 t 4 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 8
9 Abb. 1.4.: Zählprozess n(t i ) t 1 t 2 t 3 t 4 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 9
10 Charakteristika stochastischer Prozesse bzw. von Punkt- und Zählprozessen sind die Eigenschaften der Zuwächse eines Zählprozesses Für s < t ist N(t) N(s) die Anzahl der Schäden im Zeitintervall (s,t]. Insb.: N 1 = N(1) N(0), N 2 = N(2) N(1),... N 1, N 2, N 3,... modelliert die Schadenzahl eines Versicherungsnehmers oder eines Kollektivs im Jahr 1, 2, 3,... Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 10
11 Sind für alle disjunkten Zeitintervalle (t i-1,t i ], i = 1,..., n, die Zuwächse N(t i ) N(t i-1 ) stochastisch unabhängig, d.h. Schadenzahl im Jahr t i-1 beeinflusst Schadenzahl im Jahr t i nicht, dann ist dies ein Prozess mit Unabhängigen Zuwächsen Prozesse mit unabhängigen Zuwächsen lassen epidemische Effekte (Wahrscheinlichkeitsansteckung) oder Lerneffekte ( aus Schaden wird man klug ) nicht zu. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 11
12 Ist die Wahrscheinlichkeit von n Schäden in einem Zeitintervall nur abhängig von der Länge des Intervalls, nicht aber von dessen Lage auf der Zeitachse ( Stationarität in der Zeit ), d.h., ist die Eintrittswahrscheinlichkeit von Schäden im Sommer im Vergleich zum Winter gleich, dann ist dies ein Prozess mit stationären Zuwächsen (homogenen Zuwächsen) Gegenbeispiel: Wahrscheinlichkeit von Waldbränden oder die bei winterlichen Straßenverhältnissen höhere Unfallwahrscheinlichkeit Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 12
13 Die Zuwächse N(t + h) N(s + h) haben für alle h 0 die gleiche Verteilung wie N(t) N(s) für alle s t, d.h. h h ( ] ( ] s t s+h t+h Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 13
14 Ist die Wahrscheinlichkeit, dass in einem kleinen Zeitintervall mehr als ein Ereignis eintritt, klein im Vergleich zur Länge des betrachteten Zeitintervalls, d.h. es gibt keine Massenkarambolagen, also mehrere Schadenereignisse gleichzeitig, dann ist dies ein Regulärer Prozess Folge: Der zu einem regulären Prozess zugehörige Zählprozess ist eine Treppenfunktion mit Sprunghöhe 1 (vgl. Abb und 1.4.). Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 14
15 Sind in einem Zeitpunkt mehrere Ereignisse möglich, ist die Höhe der Treppenstufe im Zählprozess also nicht mehr notwendigerweise gleich 1, erhält man Modelle für die Schadensumme bzw. den Gesamtschaden in einem Kollektiv innerhalb bestimmter Zeitintervalle oder für das Phänomen der Massenkarambolage, das durch das zeitgleiche Eintreten mehrerer zufälliger Ereignisse (Schäden) charakterisiert ist. Modellierung: Verallgemeinerter Punktprozess Verallgemeinerter Zählprozess Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 15
16 Abb. 1.5.: Verallgemeinerter Punktprozess n(t i ) t 1 t 2 t 3 t 4 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 16
17 Abb. 1.6.: Verallgemeinerter Zählprozess n(t i ) t 1 t 2 t 3 t 4 t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 17
18 1.2. Homogener Poisson-Prozess und gemsichter Poisson- Prozess Ein Zählprozess {N(t) t 0} heißt homogener Poisson-Prozess, wenn 1. N(0) = 0 2. N(t) besitzt unabhängige Zuwächse, 3. N(t) besitzt stationäre Zuwächse, 4. N(t) ist ein regulärer Prozess, 5. für alle t > 0 gilt: 0 < P(N(t) > 0) < 1. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 18
19 Aus diesen Axiomen kann gefolgert werden, dass es eine Konstante > 0 gibt, mit P(N(t) n) e t ( t) n n! Die Anzahl der Schäden im Intervall [0,t] folgt somit einer Poisson- Verteilung: E(N(t)) = Var(N(t)) = t Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 19
20 Zu den Bedingungen 1. bis 5.: 1. Normierung 2. unabhängige Zuwächse, also keine Kettenreaktionen, 3. stationäre Zuwächse, also Ausschluss saisonaler Effekte, 4. regulärer Prozess, also Ausschluss multipler Ereignisse, 5. im Intervall [0,t] kann ein Schaden eintreten, muss aber nicht. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 20
21 Gemischter Poisson-Prozess Erweiterung des homogenen Poisson-Prozesses: Heterogenitätsmodell oder Modell der schwankenden Grundwahrscheinlichkeiten homogene Kollektive sind durch für alle Risiken (versicherungstechnische Einheiten) identische Zufallsgesetzmäßigkeiten charakterisiert. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 21
22 Jeder VN eines homogenen Kollektivs besitzt den gleichen Schadenerwartungswert, die gleiche Schadenvarianz usw.. Rechtfertigung homogener Kollektive: Die Kollektive werden auf der Basis objektiver, messbarer Kriterien, die ex ante bekannt sind also auf der Basis: objektiver Risikofaktoren bzw. Tarifvariablen, gebildet. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 22
23 Subjektive Risikofaktoren, also solche Kriterien, die i.d.r. ex ante unbekannt sind, die meist nicht messbar sind, da an eine Person gebunden sind, bleiben bei dieser Form der Risikoklassifikation unberücksichtigt. Konsequenz: Die Kollektive sind nicht so homogen, wie unterstellt. Das Kollektiv ist relativ homogen bzgl. der objektiven Risikofaktoren. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 23
24 Die individuellen Zufallsgesetzmäßigkeiten, der individuelle Schadenerwartungswert, die individuelle Schadenvarianz usw. sind nicht für alle Risiken des Kollektivs gleich, vielmehr rufen die unberücksichtigten Risikofaktoren eine beträchtliche Heterogenität in dem Kollektiv hervor. In einem homogenen Kollektiv ist die durchschnittliche Schadenzahl für alle Risiken des Kollektivs identisch. Liegt als Schadenzahlmodell der homogene Poisson-Prozess zugrunde, gilt für alle Risiken des homogenen Kollektivs pro Periode: E(N) = Var(N) =. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 24
25 Um die durch subjektive Risikofaktoren hervorgerufene Heterogenität abzubilden, wird die durchschnittliche Schadenzahl als Zufallsvariable mit Verteilungsfunktion U aufgefasst. Die Verteilungsfunktion U heißt: Strukturfunktion oder mischende Verteilung Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 25
26 1. Risiken eines homogenen Kollektivs sind identisch bzgl. der objektiven Risikofaktoren. Die vorhandene relative Homogenität wird durch eine für alle Risiken des Kollektivs identische Strukturfunktion modelliert. 2. Die durch subjektive Risikofaktoren hervorgerufene Heterogenität wird durch die für jedes Risiko unterschiedliche ex-post Ausprägung (Realisation) der Zufallsvariablen modelliert. spiegelt die individuelle Schadenneigung wieder. U(): Wählt man aus einem Kollektiv zufällig ein Risiko aus, dann ist die Wahrscheinlichkeit, dass die individuelle Schadenneigung dieses Risikos kleiner oder gleich einem 0 ist, gerade gleich U( 0 ). Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 26
27 Für die Schadenzahlverteilung eines solchen Risikos gilt: P(N(t) n) 0 t n! n e t du( ) Falls U eine Dichte u besitzt: P(N(t) n) 0 t n! n e t u( ) d Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 27
28 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 28 Ist die Strukturfunktion eine Gammaverteilung mit Dichte Dann gilt: 1 k c e k c ( 1 k) ) u( n k 1 k c k 0 n t n c t t t c c n 1 n k d e c (k) 1 n! t) ( e (t) p
29 Dies ist eine negative Binomialverteilung, mit E (N(t)) kt c Var(N(t)) kt c 1 t c Ein mit einer Gammaverteilung gemischter Poisson-Prozess heißt: Pólya-Prozess Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 29
30 1.3. Schadensummenverteilungen Exponentialverteilung nur ein Parameter, wenig flexibel, theoretisches Interesse (n-fache Faltung ist berechenbar, vgl. Kap Modelle des Gesamtschadens) f (x) 0 e x,, x x 0 0 F(x) 1 0 e x,, x x 0 0 E(X) 1 Var(X) 1 2 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 30
31 Exponentialverteilung für = 2 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 31
32 Logarithmische Normalverteilung Zufallsgröße X ist lognormalverteilt mit Parametern µ und σ 2, wenn die Zufallsvariable Y mit Y = logx normalverteilt mit Parametern µ und σ 2 ist. E(X) e E(Y) Var(X) e 2 2 e 2 1 Var(Y) 2 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 32
33 Logarithmische Normalverteilung für verschiedene Parameter Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 33
34 Gammaverteilung hohe Flexibilität, 2 Parameter (a,b), für a = 1: Exponentialverteilung, häufige Anwendung z.b. als Strukturfunktion beim gemischten Poisson-Prozess (vgl. VT II, Kap und ) f (x) a b x (a) a1 e bx, x 0 E(X) a b und Var(X) a 2 b Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 34
35 Gammaverteilung für b = 1 und verschiedene a a = 1 a = 2 a = 5 a = 0,5 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 35
36 Pareto-Verteilung logarithmische Form der Exponentialverteilung f (x) x 1 F(x) 1 x (x ) E(X) 1 Var(X) Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 36
37 Pareto-Verteilung für β = x 0 = 1000 und α = 3 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 37
38 Betaverteilung Definitionsbereich: ]a,b[ mit Parametern p,q (p,q > 0). Sehr flexibel; Modell für Schadensatzverteilung, falls a = 0 und b = 1. Für a und b beliebig, ideal als Modell für den Gesamtschaden. f (x) 1 B(p, q) p1 x a b x pq1 b a q1 a x b; p,q,a,b 0 E(X) a p p q b a Var(X) b a 2 pq 2 p q p q 1 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 38
39 Betaverteilung für verschiedene Verteilungsparameter Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 39
40 Normalverteilung: Gaußsche Glockenkurve. Normalverteilung hat zentrale Bedeutung als Schadensummen- und Gesamtschadenverteilung. (Zentraler Grenzwertsatz). Definitionsbereich: ]-,+ [ bzw. [0, + [. 2 Parameter: = E(S) und 2 = Var(S). Standardnormalverteilung: = 0 und = 1. Transformation u = (x-)/ führt jede Normalverteilung in die Standardnormalverteilung über. f (x) 1 2 e 2 x2 2 2 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 40
41 Standardnormalverteilung Φ(0,1) Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 41
42 1.4. Gesamtschadenprozesse Möglichkeiten der Modellierung des Gesamtschadens bzw. der Gesamtentschädigung eines Versicherungsnehmers bzw. eines Kollektivs. 1. Diskrete Modellierung: S 1, S 2, S 3,..., S n Gesamtschaden im Jahr 1, 2, 3,..., n. Kritik: großer Informationsverlust bezüglich der Zusammensetzung des Gesamtschadens aus Schadenzahl und Einzelschadenhöhe. Darüber hinaus werden Schwankungen innerhalb einzelner Perioden nicht erfasst. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 42
43 2. Zeitstetige Modellierung: S(t) Gesamtschaden im Zeitintervall [0,t] Zusammenhang zwischen diskreter und zeitstetiger Modellierung: Betrachte Zuwächse: S(t) S(t-1) = Gesamtschaden in der Periode t, d.h. aus zeitstetiger Modellierung folgt die diskrete Modellierung des Gesamtschadens. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 43
44 3. zeitstetige Modellierung unter Berücksichtigung der Komponenten des Gesamtschadens, der Schadenzahl und der Schadensumme Es sei: N(t) Schadenzahlprozess X i Höhe des i-ten Schadens. Dann ist der Gesamtschaden S(t) die Summe der Einzelschäden X i: N(t) S(t) X i i0 Problem: doppelt stochastische Summe Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 44
45 Beachte: Schadenhöhe ist zeitunabhängig, d.h. z.b. inflations- oder trendbereinigt. Realisationen eines Gesamtschadenprozesses S(t) darstellbar als verallgemeinerte Punkt- und Zählprozesse. Stochastische Gesetzmäßigkeit von S(t)? Annahmen: 1. Schadenhöhe zeitunabhängig 2. Einzelschadenhöhen X i sind i.i.d. (identically, independent distributed), X ~ F 3. Schadenzahl N und Schadenhöhe X sind stochastisch unabhängig Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 45
46 P(S(t) 1000) =? Das Ereignis, dass die Gesamtschadensumme im Zeitintervall [0,t] kleiner gleich ist, kann auf verschiedene Weise eintreten: 1. im Zeitintervall [0,t] kein Schaden oder 2. im Zeitintervall [0,t] ein Schaden und die Schadenhöhe dieses Schadens ist kleiner gleich 1000 (x ) oder 3. im Zeitintervall [0,t] zwei Schäden und die Schadenhöhe dieser beiden Schäden ist kleiner gleich 1000 (x 1 + x ) oder Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 46
47 4. im Zeitintervall [0,t] drei Schäden und die Schadenhöhe dieser drei Schäden ist kleiner gleich 1000 (x 1 + x 2 + x ) oder 5. usw. P(S(t) x) = P(N(t) = 0) + P(N(t) = 1)P(X ) + P(N(t) = 2)P(X 1 + X ) + P(N(t) = 3)P(X 1 + X 2 + X ) +... entspricht und (stochastische Unabhängigkeit) + entspricht oder Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 47
48 P(S(t) x) n0 P(N(t) n) P n i0 X i x n P Xi x ist die bedingte Wahrscheinlichkeit, dass die i0 Gesamtschadensumme x ist, wenn die Anzahl der eingetretenen Schäden gleich n ist. Diese Wahrscheinlichkeit wird über die n-fache Faltung F* n (x) berechnet Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 48
49 P(S(t) x) n0 P(N(t) n) F* n (x) F* n (x) = F F F F F (n-mal) F G G(z x)df(x) F(z y)dg(y) f g z g(z x)f(x)dx f(z 0 z 0 y)g(y)dy Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 49
50 Beispiel: Berechnung der 2-fachen Faltung der Exponentialverteilung Dichte der Exponentialverteilung: f(x) = ae -ax f f z 0 ae a(zx) ae ax dx z 0 a 2 e 2 az z 2 az a e x a e z Die n-fache Faltung einer Verteilung ist nur in selten Fällen - wie z.b. bei der Exponentialverteilung - in einer geschlossenen Form, hier eine Gammaverteilung, darstellbar. az dx 0 Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 50
51 Verallgemeinerter Poisson-Prozess Gesamtschadenprozess, bei dem der Schadenzahlprozess ein Poisson-Prozess ist. P(S(t) x) mit P(N(t) n) n0 e P(N(t) t ( t) n! n n) F* n (x) Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 51
52 Gemischter verallgemeinerter Poisson-Prozess Gesamtschadenprozess, bei dem der Schadenzahlprozess ein gemischter Poisson-Prozess ist. P(S(t) x) n0 P(N(t) n) F* n (x) P(N(t) n) e t t 0 n! n du( ) Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 52
53 Kontrollfragen zu Schadenprozesse und Schadenverteilungen 1. Gegeben sei der folgende Punktprozess. Leiten Sie den assoziierten Zählprozess ab. Abb.1: Punktprozess f(t i ) t 1 t 2 t 3 t 4 t 5 t 2. Erläutern Sie an mindestens zwei Beispielen, welche zufälligen Ereignisse durch den Punktprozess der Abbildung 1 modelliert werden können. 3. Beschreiben Sie die Eigenschaften des homogenen Poisson-Prozesses. 4. Erläutern Sie anhand von drei Beispielen, inwieweit der homogene Poisson-Prozess ein idealtypisches Abbild der Realität ist. 5. Beschreiben Sie das Konzept des gemischten Poisson-Prozesses. 6. Beschreiben Sie den Pólya-Prozess. 7. Was wird mit der Strukturfunktion modelliert? 8. Beschreiben Sie drei allgemeine Formen zur Modellierung des Gesamtschadens. Erläutern Sie die Vor- und Nachteile dieser Modelle. 9. Erklären Sie charakteristische Eigenschaften der Exponentialverteilung, der Pareto-Verteilung und der Gammaverteilung. 10. Beschreiben Sie die Komponenten des Gesamtschadenprozesses. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 53
54 11. Beschreiben Sie den verallgemeinerten Poisson-Prozess. 12. Beschreiben Sie den gemischten verallgemeinerten Poisson-Prozess. Institut für Risikomanagement und Versicherung der LMU München VP Kapitel 1. Seite 54
Versicherungstechnik. Sommersemester Dr. Andrea Boos
Versicherungstechnik Sommersemester 2012 Dr. Andrea Boos Versicherungstechnik Dr. Andrea Boos Institut für Risikoforschung und Versicherungswirtschaft http://www.inriver.bwl.uni-muenchen.de boos@lmu.de
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
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
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
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
Mehr1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.
1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
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)
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr1. 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,
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 26. Juni 2009 Stetige Verteilungen, & ZGS Wiederholung Stetige Zufallsvariable Definition Eigenschaften, Standardisierung Zusammenhang von Poisson-
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrCredibility Theory. Christoph Chlubna. 10. Januar / 18
10. Januar 2012 1 / 18 Gliederung 1 Was ist 2 Das Problem der Risikobewertung 3 Das individuelle Risiko 4 Die verschiedenen Prämienarten 5 Die Risikofunktion 6 Die Prämie im einfachen Modell 2 / 18 Gliederung
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
MehrErneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Für den Poisson-Prozess und (reguläre) diskrete Markov-Prozesse impliziert die Markov-Eigenschaft, dass die Zwischenzeiten bzw. Verweildauern exponentialverteilt
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrE[X] = = 113. Nach den Gleichungen von Wald gilt für den Gesamtschaden S E[S] = E[N] E[X] = = 226
Aufgabe 1 (Risikomodelle) Ein Versicherungsvertrag erzeugt pro Jahr N Schäden mit Schadenhöhen {X k } k N, wobei alle Zufallsvariablen stochastisch unabhängig sind. Die Schadenhöhen haben die Verteilung
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
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........................
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
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........................
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
Mehr