n IIP[N = n] x IIP[X = x] (a) Berechnen Sie die Nettoprämie und die Varianz für das Risiko S = N

Größe: px
Ab Seite anzeigen:

Download "n IIP[N = n] x IIP[X = x] (a) Berechnen Sie die Nettoprämie und die Varianz für das Risiko S = N"

Transkript

1 Aufgabe (Risikomodelle) Ein kollektiver Versicherungsvertrag erzeugt in einem Jahr N Schäden mit Schadenhöhen {X k }, wobei alle Zufallsvariablen unabhängig sind. Die Verteilung von N ist gegeben durch n 0 3 IIP[N = n] Die Schäden haben die Verteilung (in Einheiten von 000 e) x IIP[X = x] (a) Berechnen Sie die Nettoprämie und die Varianz für das Risiko S = N k= X k. (b) Berechnen Sie die Nettoprämie für einen Vertrag, bei dem das Versicherungsunternehmen nur einen Schaden erstattet, unter der Annahme, dass der Versicherungsnehmer am Ende des Jahres den grössten eingetretenen Schaden meldet. Hinweis: Betrachten Sie die Fälle N =,, 3 jeweils getrennt. Lösung: (a) Nettoprämie und Varianz berechnen sich mit der Waldschen Formel. Wir haben IIE[N] = = 0.9, Var[N] = ( 0.9) (0.) 0. + (.) 0. + (.) 0. =.09, und IIE[X] = = 9 Var[X] = ( 4) ( 9) = 759. Daraus ergibt sich aus den Waldschen Formeln IIE[S] = IIE[N]IIE[X] = = 7. Var[S] = IIE[N] Var[X] + Var[N]IIE[X] = =

2 (b) Sei M der maximale Schaden. Treten drei Schäden auf, so kann der grösste Schaden ein, zwei oder dreimal auftreten, also IIP[M = 00 N = 3] = = 0.7, IIP[M = 0 N = 3] = = 0.386, IIP[M = 0 N = 3] = = 0.79, IIP[M = 5 N = 3] = = Somit erhalten wir IIE[M N = 3] = = Treten Schäden auf, erhalten wir analog IIP[M = 00 N = ] = = 0.9, IIP[M = 0 N = ] = = 0.3, IIP[M = 0 N = ] = = 0.33, IIP[M = 5 N = ] = 0.4 = 0.6. IIE[M N = ] = = 9.5. Es ist klar, dass IIE[M N = ] = IIE[X] = 9. Damit ergibt sich IIE[M] = IIE[M N = ]IIP[N = ] + IIE[M N = ]IIP[N = ] + IIE[M N = 3]IIP[N = 3] = =

3 Aufgabe (Risikomodelle) Eine Beratungsfirma modelliert eine Versicherungssparte als kollektives Modell S = N k= X k mit N Schäden und Schadenhöhen X k, wobei alle Zufallsvariablen unabhängig sind. Die Schadenzahl N hat die Poisson-Verteilung mit Erwartungswert λ = 3, und die Schadenhöhen sind lognormal LN(0.5,9) verteilt mit Dichte f(x) = { 3x π exp (ln x } 0.5) I (0, ) (x). 8 Um das Risikokapital für diese Versicherungssparte zu bestimmen, braucht man den VaR zum Niveau 99.5%, das heisst, den Wert K für den IIP[S K] = Als Vereinfachung approximiert die Beratungsfirma die Verteilung des Gesamtschadens S als Lognormalverteilung mit dem gleichen Erwartungswert und der gleichen Varianz wie S. Berechnen Sie das Risikokapital auf Basis der Lognormalapproximation. Lösung: Aus der Formelsammlung finden wir den Erwartungswert der Lognormalverteilung IIE[X] = exp{µ + σ } = 48.4 und die Varianz exp{µ + σ }(exp{σ } ) = Dies gibt das zweite Moment IIE[X ] = exp{µ + σ } = Für die zusammengesetzte Poissonverteilung S erhalten wir somit Mittelwert IIE[S] = λiie[x] = λ exp{µ+ σ } = und die Varianz Var[S] = λiie[x ] = λ exp{µ+ σ } = Bezeichnen wir die Parameter der Approximation mit m und s. Dann erhalten wir exp{s } = Var[S] IIE[S] = λ exp{µ + σ } λ exp{µ + σ } = exp{σ } λ = 70. Das ist s = ln( + λ exp{σ }) = Der zweite Parameter erhalten wir aus exp{m + s } = λ exp{µ + σ }, also e m = λ exp{µ + σ }/ λ + λ exp{σ } = 3 exp{µ} + λ exp{ σ } = 8.565, das heisst, m = [3 ln λ + µ ln( + λ exp{ σ })] =.48. Für den VaR benötigen wir das 99.5%-Quantil der Normalverteilung. In der Formelsammlung finden wir.58. Der gesuchte Wert wird also ln K = m +.58s, also λ K = 3 exp{µ} + λ exp{ σ } exp{.58 + λ exp{σ } = 090.

4 3 Aufgabe (Tarifierung) Ein Versicherungsunternehmen will ein Risiko X mit dem Erwartungswert 500 und der Standardabweichung 88,68 tarifieren. a) Berechnen Sie für den Fall, dass die Verteilung von X nicht bekannt ist, die Deckungssumme v a mit Hilfe der Ungleichung von Cantelli so, dass Schäden mit einer Wahrscheinlichkeit von mindestens 0,96 voll gedeckt sind, d.h., mit einer Wahrscheinlichkeit von höchstens in 0,04 wird nur die Deckungssumme geleistet. b) Berechnen Sie für den Fall, dass X (0,.000)-gleichverteilt ist, die Deckungssumme v b so, dass Schäden mit einer Wahrscheinlichkeit von 0,96 voll gedeckt sind. c) Vergleichen Sie die Ergebnisse von a) und b). d) Berechnen Sie im Fall b) die Nettorisikoprämie. e) Berechnen Sie im Fall b) die Bruttorisikoprämie, nach dem Standardabweichungsprinzip mit dem Parameter = 0,. Lösung a) Mit dem Erwartungswert undder Standardabweichung von X gilt nach der Ungleichung von Cantelli für k + = 5 und damit für k = 4,899 PX 500 4,899 88,68 0,04 5 und folglich die Deckungssumme v a =500+4,889 88,68 =.94,4. b) Falls bekannt ist, dass X (0,.000)-gleichverteilt ist (Erwartungswert 500), ergibt sich die Deckungssumme v b aus der Gleichung X v 0, P b = 0, 00 dx 0,00 (.000 vb ), vb und damit v b = = 960. c) Die Standardabweichung bei b) ist und damit gleich groß wie bei a). Die Abschätzung nach Cantelli liefert im Vergleich zum Fall b) mit einer bekannten Verteilung ein schlechteres hier sogar irrelevantes Ergebnis. d) Für die Entschädigung X b gilt: E b X EX 0,00( x v ) dx 500 0,00 xdx 500 0, b 499,.000 vb b.000v e) Die Varianz beträgt bei der Begrenzung der Entschädigung auf die Deckungssumme v b : Var X b vb 0 0,00x 8.575,36 dx v.000 b vb 0,00dx E( X b 0 ) 0,00 (Var(X b ) ist damit etwas kleiner als Var(X)=.000 / = ,33) , ,

5 Die Bruttorisikoprämie H(X b ) nach dem Standardabweichungsprinzip mit dem Parameter =0, beträgt folglich H(X b ) = 499, + 0, 8.575,34 0,5 = 57,94. 4 Aufgabe (Tarifierung) Das Bonus-Malus-System eines Versicherungsunternehmens hat die 3 Klassen 0, und. Einstiegsklasse ist die Klasse 0 mit der Basisprämie BP (nach dem Nettorisikoprinzip). Bei einem schadenfreien Verlauf wird ein Versicherungsnehmer im Folgejahr eine Klasse höher eingestuft oder er bleibt in der höchsten Klasse. Im Schadenfall wird er im Folgejahr in die Klasse 0 eingestuft. In den (Schadenfreiheits-)Klassen und erhalten die Versicherungsnehmer einen Rabatt von 0% bzw. 0% auf die Basisprämie BP. Dem Versicherungsunternehmen ist bekannt, dass sein Kollektiv zu 40% aus Versicherungsnehmern des Typs A und zu 60% aus Versicherungsnehmern des Typs B besteht. Ein Versicherungsnehmer des Typs A bleibt im Lauf eines Jahres mit einer Wahrscheinlichkeit von 0,8 schadenfrei; ein Versicherungsnehmer des Typs B mit einer Wahrscheinlichkeit von 0,5. Die Schadenereignisse treten unabhängig voneinander auf. Im Schadenfall beträgt der Erwartungswert des Jahresgesamtschadens.000. a) Berechnen Sie den Erwartungswert des Schadenbedarfs. b) Berechnen Sie die Verteilung der Versicherungsnehmer des Typs A und B auf die Klassen 0, und drei Jahre nach ihrem Einstieg in die Klasse 0. c) Zeigen Sie, dass sich diese Verteilung nach drei Jahren nicht mehr ändert. d) Berechnen Sie die Basisprämie BP für den stationären Fall. Hinweis: BP ist so zu bestimmen, dass der Erwartungswert der Prämieneinnahme ab dem 4. Jahr gleich dem Erwartungswert der Schadenzahlungen ist. Lösung a) Der Erwartungswert des Schadenbedarfs ist der gemäß der Zusammensetzung des Kollektivs gewichtete Erwartungswert des Jahresgesamtschadens eines beliebig herausgegriffenen Versicherungsnehmers, von dem nicht bekannt ist, ob er zum Typ A oder B gehört: 0,4 (0,.000) + 0,6 (0,5.000) = 380 Dies ist die gewichtete Summe der Gesamtschadenerwartungswerte der Versicherungsnehmer des Typs A und B. b) Mit Hilfe des Markovgraphen der Zugehörigkeit der Versicherungsnehmer in den ersten vier Jahren, d.h. nach Ablauf der ersten 3 Jahre, erhält man für die verschiedenen Typen:

6 Typ A Klasse 0,64 0,64 Klasse 0,8 0,6 0,6 Klasse 0 0, 0, 0, Typ B Jahr Jahr Jahr 3 Klasse 0,5 0,5 Klasse 0,5 0,5 0,5 Klasse 0 0,5 0,5 0,5 Jahr Jahr Jahr 3 Anmerkung: Einfacher und eleganter kann die Aufgabe mit Hilfe von Übergangsmatrizen und Zustandsvektoren gelöst werden c) Nach dem. Jahr ändert sich die Verteilung nicht mehr. Bereits nach Jahren ist also die stationäre Verteilung erreicht. d) Bei der Berechnung der BP ist zu beachten, wie sich die Versicherungsnehmer der Typen A und B auf die drei Klassen verteilen, in denen unterschiedliche Rabatte gewährt werden. Es gilt die Äquivalenz des Erwartungswerts von Beitrags- und Schadenzahlungen, summiert über die drei Klassen: 380 = 0,4 0,64 0,8 BP + 0,6 0,5 0,8 BP + 0,4 0,6 0,9 BP + 0,6 0,5 0,9 BP + 0,4 0, BP + 0,6 0,5 BP = 0,8974 BP Damit ist BP = 43,45 die gesuchte Basisprämie.

7 Aufgabe 5 (Schadenreservierung) Das folgende Abwicklungsdreieck für Zuwächse enthält für die Anfalljahre 007 bis 00 die Prämien und die Schadenzahlungen in den Abwicklungsjahren 0 bis 3: Anfall Abwicklungsjahr k Prämie jahr i 0 3 π i Es wird angenommen, dass ein Abwicklungsmuster für Schadenquotenzuwächse vorliegt und dass alle Schäden bis zum Ende des Abwicklungsjahres 3 vollständig abgewickelt werden. Hinweis: Nehmen Sie keine Rundungen vor. (a) Berechnen Sie die additiven Schadenquotenzuwächse und schätzen Sie die (für alle Anfalljahre identische) erwartete Endschadenquote. (b) Schätzen Sie unter Verwendung der Prämien die Abwicklungsmuster für Anteile und für (Abwicklungs )Quoten. (c) Schätzen Sie mit dem additiven Verfahren die Reserve für 00. (d) Schätzen Sie mit dem additiven Verfahren den Endschadenstand S 00,3 für 00. (e) Man könnte daran denken, zur Schätzung der erwarteten Endschadenquote den Schätzer κ := 00 i=007 ŜAD i,3 00 i=007 π i (mit ŜAD 007,3 := S 007,3 ) zu verwenden. Beurteilen Sie diesen Schätzer im Hinblick auf (a).

8 Lösung: (a) Es gilt und damit κ AD = ζ 3 AD = 8 = 0, ζ AD = = 0, ζ AD = ζ AD 0 = 3 k= = 0, 70 = 0, 450 ζ AD k = 0, , , , 045 = 0, 900 (b) Es gilt ϑ AD k = AD ζ k / κ AD und damit Mit γ AD k ϑ AD 0 = 0, 450/0, 900 = 0, 50 ϑ AD = 0, 70/0, 900 = 0, 30 ϑ AD = 0, 35/0, 900 = 0, 5 ϑ AD 3 = 0, 045/0, 900 = 0, 05 = k AD l=0 ϑ l ergibt sich daraus γ 0 AD = 0, 50 γ AD = 0, , 30 = 0, 80 γ AD = 0, , , 5 = 0, 95 γ 3 AD = (c) Es gilt R AD 00 = = 3 k= Ẑ AD 00,k = 3 k= ζ AD k π 00 ( ) 0, , , = 98 (d) Es gilt Ŝ AD 00,3 = S 00,0 + R AD 00 = = 376

9 (e) Es gilt (in allgemeiner Notation mit n := 3 und j := i 007) und damit j=0 Ŝ AD j,n = = = = ( n j j=0 k=0 ( n k k=0 ( k=0 k=0 Z j,k + Z j,k + j=0 ζ AD k ζ AD k n k π j + j=0 j=0 π j k=n j+ j=n k+ Ẑ AD j,k Ẑ AD j,k j=n k+ ) ) ) ζ k AD π j κ = n j=0 ŜAD j,n n j=0 π j = k=0 = κ AD Der Schätzer κ stimmt daher mit dem unter (a) verwendeten Schätzer κ AD überein. ζ AD k

10 Aufgabe 6 (Schadenreservierung) Das folgende Abwicklungsdreieck für Zuwächse enthält die Prämien für die Anfalljahre 007 bis 00, die Schadenzahlungen für die Anfalljahre 007 bis 00 in den Abwicklungsjahren 0 bis 3 sowie externe Schätzer für das Abwicklungsmuster für Anteile: Anfall Abwicklungsjahr k Prämie jahr i 0 3 π i ϑ extern k 0,60 0,5 0,0 0,05 (a) Schätzen Sie die Reserve für 0 mit dem Loss Development Verfahren. (b) Schätzen Sie die Reserve für 0 mit dem Cape Cod Verfahren. (c) Schätzen Sie die Reserve für 0 mit dem Bornhuetter Ferguson Verfahren unter der Annahme, dass die erwartete Endschadenquote κ für alle Anfalljahre gleich ist, und unter Verwendung des externen Schätzwertes κ extern = 0, 8. (d) Vergleichen Sie die Ergebnisse.

11 Lösung: (a) Für das Loss Development Verfahren werden die aktuellen Schadenstände sowie die externen Schätzer des Abwicklungsmusters für Quoten benötigt: Anfall Abwicklungsjahr k Prämie jahr i 0 3 π i γ extern k 0,60 0,85 0,95,00 Für die Schätzung der Reserve für 0 werden die Loss Development Schätzer der Endschadenstände für 009 und 00 benötigt. Man erhält und damit α LD 009 = ŜLD 009,3 = S 009, / γ extern = /0, 85 = 60 α LD 00 = ŜLD 00,3 = S 00,0 / γ extern 0 = 50/0, 60 = 50 R 0 LD = ẐLD 00, + ẐLD extern 009,3 = ϑ α LD = 0, , = ϑ extern 3 α LD 009 (b) Für das Cape Cod Verfahren wird die Cape Cod Schadenquote κ CC benötigt. Dazu bestimmt man zunächst die verbrauchten Prämien γ extern k π 00 k : Daraus ergibt sich Anfall Abwicklungsjahr k Prämie jahr i 0 3 π i , , γ extern k 0,60 0,85 0,95,00 κ CC = 3 k=0 S 00 k,k 3 = k=0 γextern k π 00 k , , = 0, 9 und für die a priori Schätzer α i CC erhält man = κ CC π i der erwarteten Endschadenstände α CC 009 = ŜCC 009,3 = κ CC π 009 = 0, 9 30 = 79 α CC 00 = ŜCC 00,3 = κ CC π 00 = 0, = 35

12 Für die Reserve für 0 ergibt sich daraus extern 009,3 = ϑ α 00 CC + = 0, , = 45, 45 R CC 0 = ẐCC 00, + ẐCC ϑ extern 3 α CC 009 (c) Beim Bornhuetter Ferguson Verfahren sind als a priori Schätzer der erwarteten Endschadenstände die Schätzer α i extern = κ extern π i zu verwenden. Wegen κ extern κ CC = 0, 8 0, 9 = 0, 9 ergibt sich sofort R 0 BF CC = 0, 9 R 0 = 0, 9 45, 45 = 40, 905 (d) Die Reserve für 0 ist beim Loss Development Verfahren am niedrigsten und beim Cape Cod Verfahren am höchsten. Der Ausreißer S 008, wirkt sich beim Loss Development Verfahren auf die Reserve für 0 nicht aus, da das Anfalljahr 008 bereits Ende 0 abgewickelt ist und externe Schätzer für das Abwicklungsmuster verwendet werden. Der Ausreißer S 008, wirkt sich dagegen beim Cape Cod Verfahren über die Cape Cod Schadenquote aus. Außerdem gehen die niedrigen Prämien für 007 und 008 mit einem hohen Gewicht in die Cape Cod Schadenquote ein.

13 7 Aufgabe (Rückversicherung und Risikoteilung) Ein Rückversicherer bietet seinem Zedenten in der Hagelversicherung eine Stop-Loss Rückversicherung mit Priorität a und Haftung h an. Für die Hagel-Jahresschadenquote X wird angenommen, dass X eine um x0 a nach rechts verschobene Exponentialverteilung besitzt. (a) Geben Sie eine allgemeine Formel für die Schadenerwartung des Stop-Loss Rückversicherers in Prozent der Jahresprämieneinnahme des gedeckten Portfolios an. (b) Bestimmen Sie die Stop-Loss-Schadenerwartung gemäß (a) für den speziellen Fall Lösung a 95%, h 45%, E( X ) 90% und Var( X ) 40%. Alle diese Werte sind Prozentangaben der Jahresprämieneinnahme des gedeckten Portfolios. (a) X besitzt die Verteilungsfunktion ( ) ( ( ) ) [ ) ( ) ( ) Damit gilt für die Schadenerwartung des Stop-Loss-Vertrags ah E min max X a, 0, h F( x) dx e dx e e a ah a x xo a xo h (b) Aus E( X ) x0 0.9 und Var( X ) 0.4 folgt 0.4 und x Damit gilt für die Schadenerwartung des Stop-Loss-Vertrags E min max X 0.95, 0, e e 8.77% 8 Aufgabe (Rückversicherung und Risikoteilung) Für die Exzess-Schadenlast ( ) einer unlimitierten Schadenexzedentenrückversicherung erwartet ein Rückversicherer einen Betrag von 4 (burning cost). Hierfür möchte er mit dem Zedenten ein variables Entgelt, eine sogenannte Gleitprämie P P = m + min(s, M) min(s, m) mit einem Mindestentgelt von m = 3 und einem Höchstentgelt M (M > m) vereinbaren. Sicherheitszuschläge sollen unberücksichtigt bleiben. Ferner soll der Zedent im Mittel natürlich nicht mehr bezahlen, als wenn ein Festpreis vereinbart wäre. (a) Beschreiben Sie die Wirkung der Gleitprämie. (b) Berechnen Sie die Höhe des Höchstentgelts unter der Annahme, dass gilt: S ~ 0, 0,8Par 5, b mit einem geeigneten b, 0 0 d.h. PS ( 0) 0, und 5 P( S x) 0,8 ( x 0). 5 x b

14 Lösung (a) { Anstelle einer Festprämie von ES ( ) zahlt der EVer dem RVer einen von der Schadenquote des Ereignisjahres abhängigen Betrag. Hierzu wird eine Vorausprämie festgelegt, die sich aus der Minimalprämie von m ergibt und im Laufe der Abwicklung adjustiert wird, maximal bis zum Betrag von M. b 5 5 (b) Es gilt E( S) 0,8 dx 0,8 5x b 0 Wegen ES ( ) 4 folgt b. Folglich gilt m 5 E min S, m P( S x) dx 0 x 5 dx 4,5 5 m Aus E( P) E( S) 4 folgt m E min S, M E min S, m M also 9 Aufgabe (Zusatzaufgabe I) m Der Gesamtschaden S eines Portfolios eines Erstversicherers wird im kollektiven Modell durch S = X X N beschrieben, wobei N, X, X,... stochastisch unabhängig sind mit P(N = 0) = 0,5; P(N = ) = 0,; P(N = ) = P(N = 3) = P(N = 4) = P(N = 5) = P(N = 6) = P(N = 6) = 0,05; P(X i = 00) = P(X i = 00) = 0,4; P(X i = 400) = P(X i = 600) = 0,. a) Berechnen Sie Erwartungswert und Varianz von S. b) Berechnen Sie die Nettorisikoprämie für den Einzelschadenexzedenten-Rückversicherungsvertrag mit Priorität 00. Lösung Wir schreiben X für X i. a) E[N] = 0, + ( ) 0,05 =, Var(N) = E[N ] - E[N] = 0, + ( ) 0,05 4 = 7,5 4 = 3,5. E[X] = 0,4 ( ) + 0. ( ) = 0, Var(X) = E[S] = E[X] E[N] = 440, Var(S) = E[N] Var(X) + E[X] Var(N) = b) Z = max(x - 00; 0): E[Z] = ( ) 0, = 60, Nettorisikoprämie = E[N] E[Z] = 0.

15 0 Aufgabe (Zusatzaufgabe II) Ein Rückversicherer modelliert die Schäden (in Mio Euro) von Sturmkatastrophen durch die Paretoverteilung mit der Dichte f(x) = b a ( a x ) b+i(a, ) (x). Es wird angenommen, dass die Schäden unabhängig sind. Für die Logarithmen der Schäden gilt n ln X k = 7.7 k= und n (ln X k ) = k= Der maximale Schaden ist X M = Der Rückversicherer möchte die erwartete Höhe eines neuen Rekordes schätzen, das heisst, den Erwartungswert eines Schadens, der höher als X M ist. (a) Schätzen Sie die Parameter a und b (mit der Momentenmethode für ln X k ). Hinweis: Substituieren Sie z = ln x in der Berechnung der Momente. (b) Nehmen Sie an, dass die Sturmschäden Paretoverteilt mit den geschätzten Parameters â und ˆb sind. Wie hoch wird ein neuer Rekord im Mittel? Lösung: (a) Der Erwartungswert von ln X wird a a b b ln x x b+ dx = a b ln a Für das zweite Moment von ln x finden wir a a b b(ln x) x b+ dx = a b ln a Daraus erhalten wir den Schätzer zbe (b+)z e z dz = ln a + b. z be (b+)z e z dz = (ln a) + b = b + ( ln a + b ). ˆb = N (ln X k ) ( N N k= =.74 N ) ln X k k= ( ) ln a + b

16 und â = exp { N N ln X k ˆb } = k= (b) Wir haben IIP[X > x] = a b x b für x > a. Also ist für x > m = X M > a IIP[X > x X > m] = ab x b a b m b = mb x b. Das heisst, bedingt auf X > m ist X Paretoverteilt mit Parameter m und b. Damit ergibt sich für den bedingten Erwartungswert IIE[X X > m] = mb/(b ). Setzen wir b = ˆb, ergibt sich der Erwartungswert für einen neuen Rekord

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

E[X] = = 113. Nach den Gleichungen von Wald gilt für den Gesamtschaden S E[S] = E[N] E[X] = = 226 Aufgabe 1 (Risikomodelle) Ein Versicherungsvertrag erzeugt pro Jahr N Schäden mit Schadenhöhen {X k } k N, wobei alle Zufallsvariablen stochastisch unabhängig sind. Die Schadenhöhen haben die Verteilung

Mehr

Klausur zum Grundwissen Schadenversicherungsmathematik

Klausur zum Grundwissen Schadenversicherungsmathematik Klausur zum Grundwissen Schadenversicherungsmathematik Ch. Hipp, M. Morlock, H. Schmidli und K.D. Schmidt Mai 2012 in Köln Die Klausur besteht aus 8 Aufgaben und zwei Zusatzaufgaben. Eine oder zwei Zusatzaufgaben

Mehr

Das Bornhuetter Ferguson Prinzip. Über Gemeinsamkeiten bekannter Reservierungsverfahren

Das 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,

Mehr

Bericht zur Prüfung im Mai 2006 über Schadenversicherungsmathematik (Grundwissen)

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

Mehr

7.2 Moment und Varianz

7.2 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

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

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

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS 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,

Mehr

5. Spezielle stetige Verteilungen

5. 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

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige 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

Mehr

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen

Einführung 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

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik für Naturwissenschaften, Teil 2 Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die

Mehr

Schadenversicherungsmathematik

Schadenversicherungsmathematik Schadenversicherungsmathematik Teil 4: Risikoteilung Dr. Ulrich Riegel Mathematisches Institut LudwigMaximiliansUniversität München Wintersemester 2015/16 Dr. Ulrich Riegel Schadenversicherungsmathematik

Mehr

7.5 Erwartungswert, Varianz

7.5 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

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und

Mehr

Übungsblatt 9. f(x) = e x, für 0 x

Übungsblatt 9. f(x) = e x, für 0 x Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

Stochastik und Statistik für Ingenieure Vorlesung 4

Stochastik 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

Mehr

Stochastische Eingangsprüfung, 17.05.2008

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

Mehr

(8 + 2 Punkte) = = 0.75

(8 + 2 Punkte) = = 0.75 Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

2 Aufgaben aus [Teschl, Band 2]

2 Aufgaben aus [Teschl, Band 2] 20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood

Mehr

Einführung in die Maximum Likelihood Methodik

Einführung in die Maximum Likelihood Methodik in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

Die Varianz (Streuung) Definition

Die 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

Mehr

Exponentialverteilung

Exponentialverteilung Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Klausur Stochastik und Statistik 31. Juli 2012

Klausur Stochastik und Statistik 31. Juli 2012 Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Ü b u n g s b l a t t 13

Ü b u n g s b l a t t 13 Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen 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

Mehr

8 Die Exponentialverteilung

8 Die Exponentialverteilung 8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine

Mehr

Bericht zur Priifung im M~rz 2002 fiber Mathematik der Schadenversichemng (Gmndwissen) E[Xl + Epr]

Bericht zur Priifung im M~rz 2002 fiber Mathematik der Schadenversichemng (Gmndwissen) E[Xl + Epr] Bericht zur Priifung im M~rz 2002 fiber Mathematik der Schadenversichemng (Gmndwissen) Christian Hipp (Karlsruhe) und Martin Morlock (Giessen) Zu jedem der Gebiete Grundlagen, Pr~imienkalkulation, Solvabilit~it,

Mehr

Spezielle stetige Verteilungen

Spezielle stetige Verteilungen Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen

Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock

Mehr

Diskrete Wahrscheinlichkeitstheorie - Probeklausur

Diskrete Wahrscheinlichkeitstheorie - Probeklausur Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

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

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung

Mehr

Seminar stabile Zufallsprozesse

Seminar 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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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.

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik 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............................

Mehr

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne

Mehr

Schadenversicherungsmathematik

Schadenversicherungsmathematik Schadenversicherungsmathematik Prof. Dr. Michael Kohler Sommersemester 2009 Vorlesung orientiert sich an: Thomas Mack: Schadenversicherungsmathematik. Gesellschaft für Versicherungsmathematik, Verlag Versicherungswirtschaft,

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente... Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 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,

Mehr

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass

Beweis: 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

Mehr

Einführung in die (induktive) Statistik

Einführung in die (induktive) Statistik Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung

Mehr

4 Statistik der Extremwertverteilungen

4 Statistik der Extremwertverteilungen In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung 0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und

Mehr

Vorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten

Vorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten Vorlesung 9b Bedingte Verteilungen und bedingte Wahrscheinlichkeiten 1 Voriges Mal: Aufbau der gemeinsamen Verteilung von X 1 und X 2 aus der Verteilung ρ von X 1 und Übergangswahrscheinlichkeiten P(a

Mehr

Abschlussprüfung an Fachoberschulen in Bayern Mathematik 2002, Stochastik S I Nichttechnische Ausbildungsrichtung

Abschlussprüfung an Fachoberschulen in Bayern Mathematik 2002, Stochastik S I Nichttechnische Ausbildungsrichtung Alexandra Steiner 7.5.005 A_NT_S_AS_Loes.mcd Abschlussprüfung an Fachoberschulen in Bayern Mathematik 00, Stochastik S I Nichttechnische Ausbildungsrichtung AUFGABENSTELLUNG:.0 Die Post eines kleineren

Mehr

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 Stetige Zufallsvariablen Theorie und Praxis K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung

Mehr

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Institut für Stochastik, SoSe K L A U S U R , 13:

Institut für Stochastik, SoSe K L A U S U R , 13: Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

Mehr

Grundlagen der Mathematik II (LVA U)

Grundlagen der Mathematik II (LVA U) Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs Höhere Mathematik 3 Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

3 Grundlagen statistischer Tests (Kap. 8 IS) 3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung

Mehr

Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen

Wahrscheinlichkeitstheorie 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

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen 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

Mehr

Eingangsprüfung Stochastik,

Eingangsprüfung Stochastik, Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x

Mehr

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer

3.4 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

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. 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

Mehr

Multivariate Verteilungen

Multivariate 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

Mehr

Kapitel V - Erwartungstreue Schätzfunktionen

Kapitel V - Erwartungstreue Schätzfunktionen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

Einige parametrische Familien für stochastische Prozesse

Einige 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:

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

Normalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.

Normalverteilung. 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)

Mehr

Diskrete Verteilungen

Diskrete Verteilungen KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder

Mehr

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent

Mehr

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012 Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält

Mehr

Einführung in die Induktive Statistik: Testen von Hypothesen

Einführung in die Induktive Statistik: Testen von Hypothesen Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte

Mehr

2. Übung zur Vorlesung Statistik 2

2. Übung zur Vorlesung Statistik 2 2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,

Mehr

Tag der Dresdner Aktuare

Tag der Dresdner Aktuare Tag der Dresdner Aktuare Lineare Modelle in der Schadenreservierung Alexander Ludwig Christiane Schmeiÿer Katrin Thänert 30.10.2009 1 / 58 Christiane Schmeiÿer Consultant, Mercer Deutschland GmbH LoB:

Mehr

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten

Vorlesung 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:

Mehr

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen 6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei

Mehr

Klausur zur Mathematik für Biologen

Klausur zur Mathematik für Biologen Mathematisches Institut der Heinrich-Heine-Universität DÜSSELDORF WS 2002/2003 12.02.2003 (1) Prof. Dr. A. Janssen / Dr. H. Weisshaupt Klausur zur Mathematik für Biologen Bitte füllen Sie das Deckblatt

Mehr

STETIGE VERTEILUNGEN

STETIGE VERTEILUNGEN STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen

Mehr

Zusammenfassung 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 Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

Klassische Risikomodelle

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

Mehr