Markierte Punktprozesse und abstrakte kollektive Modelle
|
|
- Ina Fürst
- vor 5 Jahren
- Abrufe
Transkript
1 Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Markierte Punktprozesse und abstrakte kollektive Modelle Anke Todtermuschke 21. Oktober 2011
2 Gliederung 1 Modellierung einer Folge von Schäden durch einen markierten Punktprozess (MPP) 2 Der Zusammenhang zwischen einem abstrakten kollektiven Modell und einem markierten Punktprozess 3 Ein spezieller markierter Punktprozess 4 Zusammenfassung und Ausblick
3 Modellierung Schadenfolge Gliederung 1 Modellierung einer Folge von Schäden durch einen markierten Punktprozess (MPP) 2 Der Zusammenhang zwischen einem abstrakten kollektiven Modell und einem markierten Punktprozess 3 Ein spezieller markierter Punktprozess 4 Zusammenfassung und Ausblick
4 Modellierung Schadenfolge allgemeiner Hintergrund Versicherung besitzt Portfolio von Risiken Modellierung der eintretenden Schäden neben Schadeneintrittszeitpunkt besitzt jeder Schaden weitere Merkmale, z.b. Schadenhöhe oder Meldedauer Annahme, dass Schäden nacheinander eintreten, sonst Betrachtung von Schadenereignissen
5 Modellierung Schadenfolge Der einfache Punktprozess Es sei (Ω, F, P ) ein vollständiger Wahrscheinlichkeitsraum. Definition Eine Folge {τ n } n N von R + -wertigen Zufallsvariablen heißt einfacher Punktprozess, wenn sie die folgenden drei Eigenschaften erfüllt: (1) P[{0 < τ 1 τ 2...}] = 1, (2) P[{τ n < τ n+1 } {τ n < }] = P[{τ n < }] für alle n N, (3) P[{ lim n τ n = }] = 1. Interpretation: Eintrittszeitpunkte der Schäden
6 Modellierung Schadenfolge abgeleitete Größen Zunächst definieren wir die Familie {η t } t R+ durch η t (ω) := χ {τj t}(ω) j=1 mit η t (ω) =, falls τ j t ist für unendlich viele j N. Des Weiteren leiten wir die Zufallsgröße η durch η(ω) := sup η n (ω) n N ab und nennen sie die Gesamtschadenzahl.
7 Modellierung Schadenfolge Der markierte Punktprozess Es sei E eine beliebige Menge. (E, E) sei ein Messraum mit E E Markenraum E \ E sei ein beliebiges Element irrelevante Marke Nun definieren wir den Messraum (E, E ) durch E := E { }, ( E := σ E { { } }).
8 Modellierung Schadenfolge Der markierte Punktprozess Definition {τ n } n N sei ein einfacher Punktprozess und {ζ n } n N eine Folge E -wertiger Zufallsgrößen. Die Folge der Zufallspaare {(τ n, ζ n )} n N heißt markierter Punktprozess mit dem Markenraum E, wenn folgende Eigenschaften für alle n N erfüllt sind: (1) P[{ζ n E} {τ n < }] = P[{τ n < }], (2) P[{ζ n = } {τ n = }] = P[{τ n = }]. Interpretation: Eintrittszeitpunkte und Merkmale der Schäden Idee: Einteilung der Schäden in Kategorien
9 Modellierung Schadenfolge Die Zerlegung des MPP Sei m N und die Familie {C i } i {1,...,m} B(R + ) E eine Zerlegung des Raumes R + E. Wir definieren nun für alle i {1,..., m} und alle j N 0 die Abbildung ν i j : Ω N 0 { }: ν i 0(ω) := 0, ν i j(ω) := inf { k N ν i j 1(ω) < k und (τ k, ζ k )(ω) C i } für j N (mit νj i(ω) =, wenn (τ k, ζ k )(ω) / C i für alle k N mit νj 1 i (ω) < k gilt).
10 Modellierung Schadenfolge Die Zerlegung des MPP Anschließend definiert man die Folge {(τ i j, ζi j )} j N durch: (τ i j, ζ i j)(ω) := { (τ k, ζ k )(ω) falls νj i (ω) = k mit k N, (, ) falls νj i(ω) = für ω Ω. Satz {(τ i j, ζi j )} j N ist ein MPP. Für beliebiges i {1,..., m} kann man analog zu erst die Familie {ηt} i t R+ und die Größe η i ableiten.
11 Zshg. zwischen AKM und MPP Gliederung 1 Modellierung einer Folge von Schäden durch einen markierten Punktprozess (MPP) 2 Der Zusammenhang zwischen einem abstrakten kollektiven Modell und einem markierten Punktprozess 3 Ein spezieller markierter Punktprozess 4 Zusammenfassung und Ausblick
12 Zshg. zwischen AKM und MPP Ein abstraktes kollektives Modell Es sei ein abstraktes kollektives Modell gegeben, wobei N, {(T j, Z j )} j N N eine diskrete Zufallsgröße mit Werten in N 0 sei, {(T j, Z j )} j N eine Folge von Zufallsgrößen mit Werten in R + E sei und für alle t R + die Gleichung P [{T = t}] = 0 gelte. D. h., die Folge {(T j, Z j )} j N ist i.i.d. und unabhängig von N.
13 Zshg. zwischen AKM und MPP Konstruktion der Folge {(T (j), Z (j) )} j N Es sollen jetzt die ersten N Paare der Folge {(T j, Z j )} j N nach der Größe der ersten Koordinate geordnet werden. Dazu definieren wir für jedes n N und i {1,..., n} die Zufallsvariable: R n i := inf{j {1,..., n} R n k j für alle k < i, T n:j = T i }. Wir konstruieren nun die Folge {(T (j), Z (j) )} j N : n χ {R n (T (j), Z (j) ) := k =j} (T k, Z k ) χ {N=n} j N, n=j k=1 (, ) j > N.
14 Zshg. zwischen AKM und MPP Zusammenhang zum MPP Satz {(T (j), Z (j) )} j N ist ein MPP. Leiten wir wie erst die Familie {N t } t R+ durch N t := j=1 χ {T(j) t} ab, dann gilt sup N n = N. n N
15 Zshg. zwischen AKM und MPP Zerlegung des AKM Die Familie {C i } i {1,...,m} B(R + ) E sei definiert wie erst. Zusatzannahme: Es gelte für alle i {1,..., m} P [{(T, Z) C i }] (0, 1). Für alle i {1,..., m} sei N N i := χ {(Tj,Z j ) C i }. j=1
16 Zshg. zwischen AKM und MPP Die Zerlegung des AKM Nun definieren wir für alle i {1,..., m} und alle j N 0 die Abbildung ν i;j : Ω N 0 { }: ν i;0 (ω) := 0, ν i;j (ω) := inf{k N ν i;j 1 (ω) < k und (T k, Z k )(ω) C i } für j N (mit ν i;j (ω) =, wenn (T k, Z k )(ω) / C i für alle k N mit ν i;j 1 (ω) < k gilt).
17 Zshg. zwischen AKM und MPP Die Zerlegung des AKM Wir definieren nun die Folge {(T i;j, Z i;j )} j N wie folgt. Sei (t, z) R + E beliebig gewählt. Für alle i {1,..., m}, j N und ω Ω sei { (T k, Z k )(ω) falls ν i;j (ω) = k mit k N, (T i;j, Z i;j )(ω) := (t, z) falls ν i;j (ω) =. Für alle i {1,..., m} und alle j N gilt: (T i;j, Z i;j ) ist eine Zufallsgröße mit Werten in R + E. P [{(T i;j, Z i;j ) C i }] = 1.
18 Zshg. zwischen AKM und MPP Eigenschaften der Zerlegung Satz Für jedes i {1,..., m} ist das Paar N i, {(T i;j, Z i;j )} j N ein abstraktes kollektives Modell mit P [{(T i;j, Z i;j ) D}] = P [{(T, Z) D} {(T, Z) C i }] für alle j N und D B(R + ) E.
19 Zshg. zwischen AKM und MPP Zusammenhang Idee: MPP {(T (j), Z (j) )} j N zerlegen ordnen abstraktes kollektives Modell N, {(T j, Z j )} j N zerlegen MPP {(T i (j), Zi (j) )} j N ordnen abstraktes kollektives Modell N i, {(T i;j, Z i;j )} j N
20 Ein spezieller MPP Gliederung 1 Modellierung einer Folge von Schäden durch einen markierten Punktprozess (MPP) 2 Der Zusammenhang zwischen einem abstrakten kollektiven Modell und einem markierten Punktprozess 3 Ein spezieller markierter Punktprozess 4 Zusammenfassung und Ausblick
21 Ein spezieller MPP verallgemeinerter inhomogener PP Definition Ein Schadenzahl-Prozess {N t } t R+ heißt verallgemeinerter inhomogener Poisson-Prozess, wenn für beliebiges n N und alle t 0, t 1,..., t n R + mit 0 = t 0 < t 1 <... < t n, sowie k 1,..., k n N 0 n P [ {N tj N tj 1 = k j }] = j=1 gilt, wobei R n j=1 ( e α µ[(t j 1,t j ]] α µ[(tj 1, t j ]] ) k j k j! dq(α) Q : B(R) [0, 1] eine beliebige Verteilung mit Q[(0, )] = 1 und α dq(α) < und R µ : B(R + ) [0, ] ein Maß mit der Eigenschaft, dass für alle s, t R + die Bedingungen µ[(s, t]] < und µ[{s}] = 0 erfüllt sind, sei.
22 Ein spezieller MPP verallgemeinerter inhomogener PP Spezialfälle: homogener PP mit Parameter λ (0, ) inhomogener PP mit Intensitätsfunktion λ : R + R + gemischter PP bzgl. der Verteilung Q µ Q λ λ δ 1 λ(r) dλ(r) λ δ1 Q
23 Ein spezieller MPP Modellannahmen Annahmen: 1 Es sei {N t } t R+ ein verallgemeinerter inhomogener Poisson-Prozess bzgl. einer Verteilung Q und mit einem endlichem Intensitätsmaß µ. Für alle n N und ω Ω sei T n (ω) definiert durch mit inf :=. T n (ω) := inf{t R + N t (ω) n} {T n } n N ist ein einfacher Punktprozess.
24 Ein spezieller MPP Die Modellannahmen 2 Weiterhin sei eine Folge von Zufallsgrößen {Zn} o n N mit Werten in E gegeben mit den Eigenschaften: (i) Die Folge sei σ ({T n } n N )-bedingt unabhängig. (ii) Für alle n N und alle B E gelte: P [{Zn o B} σ ({T n } n N )] = P [{Zn o B} σ(t n )]. (iii) Es existiere ein Markov-Kern K : R + E [0, 1], der für alle n N eine bedingte Verteilung von Zn o unter der Hypothese ist, dass T n = t ist. Für alle n N und ω Ω definieren wir Z n (ω) durch { Z o Z n (ω) := n(ω) falls T n (ω) <, falls T n (ω) =. {(T n, Z n )} n N ist ein MPP.
25 Ein spezieller MPP Die Zerlegung des speziellen MPP Idee: Ausnutzung des Zusammenhangs zwischen einem MPP und einem abstrakten kollektiven Modell. Problem: Existiert auf (Ω, F, P ) ein AKM, aus dem sich mittels der Konstruktion gerade der spezielle MPP herleiten lässt?
26 Ein spezieller MPP Die Zerlegung des speziellen MPP Ausweg: Konstruktion eines neuen Wahrscheinlichkeitsraumes (ˆΩ, ˆF, ˆP ) MPP {(T j, Z j)} j N zerlegen Kopie MPP {( ˆT (j), Ẑ(j))} j N ordnen zerlegen abstraktes kollektives Modell ˆN, {( ˆTj, Ẑj)} j N zerlegen MPP {(T i j, Z i j)} j N Kopie MPP {( ˆT i (j), Ẑi (j))} j N ordnen abstraktes kollektives Modell ˆNi, {( ˆT i;j, j N Ẑi;j)}
27 Ein spezieller MPP Die Zerlegung des speziellen MPP Ergebnisse: Die Verteilung der markierten Punktprozesse {(T i j, Zi j )} j N konnte bestimmt werden. Die aus den markierten Punktprozessen abgeleiteten Prozesse {Nt i } t R+ sind selbst verallgemeinerte inhomogene Poisson-Prozesse. Im Spezialfall, dass {N t } t R ein inhomogener Poisson-Prozess ist, sind auch die Prozesse {N i t } t R+ inhomogene Poisson-Prozesse.
28 Zusammenfassung und Ausblick Gliederung 1 Modellierung einer Folge von Schäden durch einen markierten Punktprozess (MPP) 2 Der Zusammenhang zwischen einem abstrakten kollektiven Modell und einem markierten Punktprozess 3 Ein spezieller markierter Punktprozess 4 Zusammenfassung und Ausblick
29 Zusammenfassung und Ausblick Schlussbemerkungen Modellierung von Schäden durch einen MPP Betrachtung des Zusammenhangs zwischen einem AKM und einem MPP Untersuchung der Zerlegung eines speziellen MPP s mittels dieses Zusammenhangs bisher keine Annahmen bzgl. der Struktur des Markenraums Untersuchung spezieller Strukturen Berücksichtigung von Abhängigkeiten zwischen den Merkmalen Funktioniert die Vorgehensweise auch unter anderen Verteilungsannahmen?
30 Schlussbemerkungen Vielen Dank für Ihre Aufmerksamkeit!
31 Literatur Hess, K. Th.: Random Partitions of Samples. In: Dresdner Schriften zur Versicherungsmathematik 1/2000 Jacobsen, M., Point Process Theory and Applications - Marked Point and Piecewise Deterministic Processes. Boston - Basel - Berlin, Birkhäuser, 2006 Larsen, C.R.: An individual claims reserving model. In: ASTIN Bulletin 37 (2007), p Norberg, R.: Prediction of outstanding liabilities in non-life insurance. In: ASTIN Bulletin 23 (1993), p Norberg, R.: Prediction of outstanding liabilities II. In: ASTIN Bulletin 29 (1999), p.5-25 Rolski, T., Schmidli, H., Schmidt, V. und Teugels, J.: Stochastic Processes for Insurance and Finance. Chichester - New York - Weinheim, Wiley, 1999 Schmidt, K.D.: Lectures on Risk Theory. Stuttgart, Teubner, 1996
Hawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrMarkov Ketten und Bonus Malus Systeme
Grund Stoch Markov Ketten Bonus Malus Probleme L 1 / 46 Markov Ketten und Bonus Malus Systeme Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden TU Wien 19. Mai 2010
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrZufällige Tessellationen II: komplexere Modelle
Zufällige Tessellationen II: komplexere Modelle Seminar: Stochastische Geometrie und ihre Anwendungen Benjamin Lang Universität Ulm 15. Januar 2010 Ziel: Warum braucht man komplexere Modelle? angemessenes
MehrSeminar in Statistik - FS Nonparametric Bayes. Handout verfasst von. Ivo Francioni und Philippe Muller
Seminar in Statistik - FS 2008 Nonparametric Bayes Handout verfasst von Ivo Francioni und Philippe Muller Zürich, 17. März 2008 1 EINLEITUNG 1 1 Einleitung Bis jetzt haben wir in der Bayes schen Statistik
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrSeminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrStochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong 8.01.010 1 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen.
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrVorstellung der Kopplung bei Markovketten
Vorstellung der Kopplung bei Markovketten Leonie Weinhold 13. Mai 2011 1 Einleitung In der Wahrscheinlichkeitstheorie und ihren Anwendungen ist die Coupling- Methode ein wichtiges Instrument, um z.b. Aussagen
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
MehrDas Boolesche Modell. Olaf Wied. November 30, 2009
November 30, 2009 Inhalt 1. Einführung und Definition 2. Eigenschaften 3. Modell mit konvexen Körnern 4. Statistiken und Anwendung in R Keim - Korn Modell Punkte im R d um jeden Punkt: beliebige, kompakte
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
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........................
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrBonus Malus Systeme und Markov Ketten
/ 5 onus Malus Systeme und Markov Ketten Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden 6. Dresdner Kolloquium zur Mathematik und ihrer Didaktik 8. Februar 2 2 /
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
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
MehrOptimal Stochastic Control of Dividends and Capital Injections
Optimal Stochastic Control of Dividends and Capital Injections Natalie Scheer 11.07.2011 / Köln Versicherungsmathematisches Kolloquium Stochastische Kontrolle Problemstellung Proportionale Kosten Proportionale
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
MehrBootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle
Bootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle [Dudoit, van der Laan, Pollard: Multiple Testing. Part I Single-Step Procedures for Control of General Type-I-Error Rates]
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrBayesianische FDR (Teil 1)
Bayesianische FDR (Teil 1) Mareile Große Ruse Seminar Multiples Testen 08.11.2010 Übersicht Übersicht Übersicht Alternative: Übersicht Alternative: Übersicht Alternative: Bedingte Wahrscheinlichkeit (Ω,
MehrGrundlagen der Versicherungsproduktion
Grundlagen der Versicherungsproduktion Dr. Andrea Boos Bitte beachten Sie, dass dieser Foliensatz in keiner Weise den Besuch der Vorlesung ersetzen kann. Die Folien bilden das Gerüst für die Vorlesung
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........................
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
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
MehrVersicherungstechnik. 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
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrSpezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
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
Mehr! # %& (! ) # +,.. # / #. + /
! # %& (! ) # +,.. # / #. + / Inhaltsverzeichnis Einführung 2 2 Die τ-topologie 2 3 Der Kullback-Leibler-Abstand 2 4 Empirische Maße 3 5 Der Satz von Sanov 3 6 Anmerkungen 3 7 Lemma 4 8 Beweis Satz von
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
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
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
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
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 2 Zufallsgrössen Bevor wir uns den Zufallsgrössen zuwenden (2.3), wollen wir noch kurz 2 Themen vorholen: Allgemeine Bemerkungen zu Abbildungen und Mengen
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
MehrBayesian analysis of spatial point processes in the neighbourhood of Voronoi. networks
Bayesian analysis of spatial point processes in the neighbourhood of Voronoi networks Judith Schmidt und Bettina Hund 02 Juli 2008 Seminar: Stochastische Geometrie und ihre Anwendungen - Zufa llige Netzwerke
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrDie Probabilistische Methode
Die Probabilistische Methode Wladimir Fridman 233827 Hauptseminar im Sommersemester 2004 Extremal Combinatorics Zusammenfassung Die Probabilistische Methode ist ein mächtiges Werkzeug zum Führen von Existenzbeweisen.
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrRandom Walks and Renewal Theory
Random Walks and Renewal Theory Christoph Weber 11.12.2015 Überblick Einleitung Random Walk - Die Irrfahrt Die Irrfahrt Rekurrenz und Transienz Die eindimensionale Irrfahrt Sprungzeiten und Sprunghöhen
MehrWechselkurse und Finanzmarkt-Indizes
8. Mai 2008 Inhaltsverzeichnis 1 Wechselkurse Einführung Wechselkurs US Dollar - Deutsche Mark Statistischer Prozess 2 Reinjektion Eigenschaften der Fluktuationen von x(τ) 3 Diffusion auf Finanzmärkten
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
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
Mehr1 Relevante Beispiele für Verteilungen auf R
Prof. Dr. H. Zähle Vorlesung Sachversicherungsmathemati, Anlage 1 Universität des Saarlandes, SS 2010 1 Relevante Beispiele Verteilungen auf R Wir bezeichnen die Menge aller W-Maße auf (R, B(R)) mit M
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrDas Boolesche Modell
mit konvexen Körnern 3.12.2009 mit konvexen Körnern Ziele des heutigen Seminars: ist sehr anwendungsbezogen. Daher ist unser Ziel, am Ende die folgenden statistischen Fragen zu beantworten: Wann ist das
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza)
SS 2013 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ss/dwt/uebung/ 10. Mai 2013
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
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,
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
MehrNicht-kooperative Spiele
Kapitel 1 Nicht-kooperative Spiele 1.1 Zwei-Personen-Spiele Definition 1: Ein Zwei-Personen-Spiel Γ besteht aus einem Paar nichtleerer Mengen S T zwei reellwertigen Funktionen φ 1 φ 2 auf dem kartesischen
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,
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
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
MehrÜbungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie
Dr. Christoph Luchsinger Übungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie Allgemeine Masse Herausgabe des Übungsblattes: Woche 13, Abgabe der Lösungen: Woche 14 (bis Freitag, 16.15 Uhr), Besprechung:
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
Mehr10 Der Satz von Radon-Nikodym
uch im Sinne einer Vorabinformation vor der Stochastik-Vorlesung wollen wir abschließend kurz absolut stetige Maße und den Satz von Radon-Nikodym streifen. Definition 10.1. Seien (, M) ein messbarer Raum
MehrPrimzahlen Primzahlsatz Satz von Szemerédi Verallg. von Green/Tao Anwendung. Arithmetische Progressionen von Primzahlen
Arithmetische Progressionen von Primzahlen Sei N := {1, 2, 3,... } die Menge der natürlichen Zahlen. Definition Eine Primzahl ist eine natürliche Zahl > 1, die nur durch 1 und durch sich selbst teilbar
MehrEine Eigenwertabschätzung und Ihre Anwendungen
Eine Eigenwertabschätzung und Ihre Anwendungen Marcel Hansmann, TU Chemnitz Hagen, den 09.02.2011 M. Hansmann (TU Chemnitz) Hagen, den 09.02.2011 1 / 32 Inhalt 1 Einleitung 2 Die Eigenwertabschätzung 3
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrInhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss
Zufällige Mosaike: Eine Einführung Zhanlong Tao, Tobias Krejci 27.05.2008 Seite 2 Zufällige Mosaike 27.05.2008 Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
Mehr