Vi tittar också på Makehams fördelning som är den mest tillämpade livslängdsmodellen i Sverige. Historia om livslängdstabeller 2
|
|
- Martin Viklund
- för 7 år sedan
- Visningar:
Transkript
1 Abstract Den här föreläsningen introducerar en stokastisk modell för livslängder. Speciellt definierar vi livslängd, fördelningsfunktion, dödlighetsintensitet och överlevelsefunktion. Vi tittar också på Makehams fördelning som är den mest tillämpade livslängdsmodellen i Sverige. Contents Page Historia om livslängdstabeller Sannolikhetsteoretisk modell Livslängdsfördelningens egenskaper 5 Parametriska livslängdsmodeller 6 Makehams fördelning 8 Page 1 of 11
2 Historia om livslängdstabeller Tidpunkterna då de första nationella livslängdstabellerna publicerades har varierat kraftigt mellan olika länder. Sverige (1755) var det första landet att göra det och därefter följde ett flertal länder. Exempel är Holland (1816), Frankrike (1817), Norge (181), England (1843), Tyskland (1871), Schweiz (1876) och USA (19). Observera att i många länder producerades det regionala livslängdstabeller långt innan de nationella tabellerna såg dagens ljus. Ett flertal personer har gjort framträdande arbeten inom ramen för att etablera livslängdstabeller inom livförsäkring De historiskt mest kända personerna är demoivre (179), Gompertz (185), Makeham (186), Sang (1868) och Weibull (1939). I Sverige gjordes en framträdande insats av Pehr Wargentin ( ) vars arbete lade grunden till Statistiska centralbyrån som grundades Pehr Wargentins övriga arbete innehöll många intressanta konklusioner som bar frukt även före Sannolikhetsteoretisk modell Låt livslängden T för en godtyckligt vald individ vara en icke-negativ kontinuerlig stokastisk variabel med fördelningsfunktionen F (x) = P (T x), x Täthetsfunktionen f definieras genom f(x) = F (x), x Sannolikhetsteoretisk modell continued on next page... Page of 11
3 µ x dx F (x + dx) F (x) 1 F (x) 1 F (x + dx) F (x) µ x = lim dx dx 1 F (x) µ x 1 F (x + dx) F (x) dx 1 F (x) = f(x) 1 F (x) #1 Låt T x vara en icke-negativ stokastisk variabel som representerar återstående livslängd vid åldern x för en godtycklig individ. Fördelningsfunktionen för T x definieras som F x (t) = P (T x t), t. Funktionen l x definieras som överlevelsefunktionen till den återstående livslängden T x genom l x (t) = 1 F x (t) = P (T x > t), t. Funktionsvärdet l x (t) är alltså sannolikheten för en x-årig individ att leva i ytterligare minst t år. P (T x > t) = l (x + t), t l (t) = l (x) d(1 F (t)) dt = f(t) l x (t) = l (x + t), t µ x = l (x) l (x) = d(ln ) dx # = e x µ sds Page 3 of 11
4 Låt oss titta på några typiska kurvor: man kvinna.8.7 man kvinna Täthetsfunktion Fördelningsfunktion # Ålder Ålder #4 P (T x t) = 1 / P (T x > t) = / = e x+t µ x s ds P (T x t) = 1 e x+t µ x s ds P (T x t) lim t t = µ x #5 F x (t) = P (T x t) = P (T x + t T > x) = F (x + t) F (x) 1 F (x) Den ettåriga dödsrisken q x för åldern x definieras som q x = P (T x 1) Page 4 of 11
5 q x = 1 e x+1 x+1 µ x s ds µ s ds x µ s konstant på (x, x + 1) = µ x+ 1 ger ln(1 q x ) µ x+ 1 ty q x = 1 e x+1 x µ s ds. Antag q x litet, serieutveckla ln(1 q x ) q x qx/ = q x (1 + q x /) #6 1 qx Förläng HL med (1 q x /) ln(1 q x ) - q /4 x qx. 1 q x / 1 q x / µ x+ 1 q x 1 q x q x µ x µ x+ 1 #7 Livslängdsfördelningens egenskaper P (T t) = F (t) = t f(s) ds lim F (t) = 1 lim l(t) = 1 t t l (t) = d (1 F (t)) = f(t) dt #1 f x (t) = f(x + t) 1 F (x) = l (x + t) = µ x+t, t Låt T x vara den återstående livslängden för en godtycklig individ med åldern x. Med förväntad återstående livslängd för T x menar vi e x = E(T x ) E(X) = [1 F (x)] dx # Page 5 of 11
6 e x = t l (x + t) dt = t = 1 ( ) [t ] t= t= l(x + s) ds = µ x+t dt = dt Parametriska livslängdsmodeller Exempel.1. Den enklaste livslängdsmodellen är modellen med konstant dödlighetsintensitet, det vill säga µ x = c, x där c är en positiv parameter. Genom att tillämpa resultaten i ovanstående avsnitt i detta kapitel får vi = e x µ sds = e cx En följd av detta samband är att = e x+t µ x s ds = e ct Täthetsfunktionen för T x ges av f x (t) = µ x+t = c e ct Parametriska livslängdsmodeller continued on next page... Page 6 of 11
7 och den förväntade återstående medellivslängden e x är lika med c 1. Exempel.. Vi betraktar en livslängdsfördelning med en högsta tillåten levnadsålder w och en dödlighetsintensitet som ges av µ x = 1 w x, x < ω Genom att återigen tillämpa definitionen av, se Definition??, får vi = e x µ s ds = e x 1 w s ds = e [ln(w s)]s=x s= = = e ln(w x) ln(w ) = e ln(1 x/w) = = 1 x w, x < w Observera att är lika med noll utanför intervallet x < w. En följd av (1) är att = 1 t w x Täthetsfunktionen för T x ges alltså av f x (t) = µ x+t = 1 w x som ej beror av t. Fördelningen för T x är då likformig på [, ω x] och därför är den återstående medellivslängden e x = (w x)/. Observera att man lätt kan formulera täthetsfunktionen för den totala livsläng- Parametriska livslängdsmodeller continued on next page... Page 7 of 11
8 den, T, som f(t) = 1 w, t < ω Då gäller naturligtvis, i linje med konstaterandet ovan om T x, att livslängden, T, är likformigt fördelad på intervallet [, ω]. Makehams fördelning Livslängdsmodellen definieras genom följande antagande om utseendet på dödlighetsintensiteten µ x = α + βe γx, x Observera att för x = får vi µ = α + β > i den händelse minst en av parametrarna är positiva. ln() = x µ s ds = αx + β γ (eγx 1), x Eftersom Makehams fördelning är så viktig i tillämpningarna fram-över skall vi härleda en del egenskaper för fördelningen. Vi kan relativt enkelt beräkna fördelningsfunktionen genom att vidareutveckla uttrycket för ovan. Vi får att F (x) = 1 e αx β γ (eγx 1), x Täthetsfunktionen kan då skrivas Makehams fördelning continued on next page... Page 8 of 11
9 f(x) = (α + βe γx ) e αx β γ (eγx 1), x Vid tillämpningen av Makehammodellen har man genom åren arbetat med olika parameteruppsättningar; exempel är 1. L39. L55 3. G64 4. M64 5. M9 Detta är den parameteruppsättningen som är absolut mest vanlig i branschen, dock med en del varianter. Grundkommittén; M 9 definieras genom µ x = α + β 1 γ(x f), x där man, som vi skall gå igenom nedan i mer detalj, har valt parametrarna α =, 1, β =, 1 och γ =, 44. f = {, om man 6, om kvinna 6. M1 1 3 µ x = 1 +, 1 e,44 ln(1 ) (x f ), x PM har valt en modell där man försökt anpassa en dödlighetsintensitet speciellt till observerad dödlighet i åldrarna 61-9 år. Det innebär att anpassningen är inte fullt så god för andra åldrar. Makehams fördelning continued on next page... Page 9 of 11
10 µ x = { α + β e γ x, x ω µ ω + k(x ω), x ω där = e x µ sds. x µ s ds = αω + β γ (eγω 1) + µ ω (x ω) + k ( x ω ω(x ω)) = = αω + β γ (eγω 1) + µ ω (x ω) + k (x ω). Om vi nu skall jämföra olika parameteruppsättningar kan det göras med förväntad återstående livslängd: Makehams fördelning continued on next page... Page 1 of 11
11 Tabell Kvinnor Kvinnor Kvinnor Män Män Män 5 år 65 år 8 år 5 år 65 år 8 år , 13, 5,4,4 1, 4,9 R3 6,9 15, 6,4 6,1 14,5 5,9 M64 31,6 19, 9,1 8, 16, 7,1 M9 39,4 5,6 13,5 33,7,4 9,6 DUS 36,1,1 1,3 33, 19,6 8,6 Page 11 of 11
Modeller för livslängd och dödlighet
Kapitel 1 Modeller för livslängd och dödlighet Tillsammans med tekniken att förränta kapital är studier av livslängden de viktigaste delarna inom livförsäkring. Försäkringshändelser inom livförsäkring
Läs merMatematisk statistik TMS064/TMS063 Tentamen
Matematisk statistik TMS64/TMS63 Tentamen 29-8-2 Tid: 4:-8: Tentamensplats: SB Hjälpmedel: Bifogad formelsamling och tabell samt Chalmersgodkänd räknare. Kursansvarig: Olof Elias Telefonvakt/jour: Olof
Läs merSF1911: Statistik för bioteknik
SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merFöreläsning 8 för TNIU23 Integraler och statistik
Föreläsning 8 för TNIU Integraler och statistik Krzysztof Marciniak ITN, Campus Norrköping, krzma@itn.liu.se www.itn.liu.se/ krzma ver. - 9--6 Inledning - lite om statistik Statistik är en gren av tillämpad
Läs merVåra vanligaste fördelningar
Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver
Läs merOberoende stokastiska variabler
Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen DEL A
SF165 Envariabelanalys Lösningsförslag till tentamen 15-4-7 DEL A 1. Låt f(x) = arcsin x + 1 x. A. Bestäm definitionsmängden till funktionen f. B. Bestäm funktionens största och minsta värde. (Om du har
Läs merLösningar till uppgifter från Milton-Arnold, kap 3 4 Matematisk statistik
Sida 1 Lösningar till uppgifter från Milton-Arnold, kap 3 4 Matematisk statistik 3.7, 3.11 Ympning används för att få en planta att växa på ett rotsystem tillhörande en annan växt. Elementarsannolikheterna
Läs merSF1633, Differentialekvationer I Tentamen, torsdagen den 7 januari Lösningsförslag. Del I
Institutionen för matematik, KTH Serguei Shimorin SF6, Differentialekvationer I Tentamen, torsdagen den 7 januari 26 Lösningsförslag Del I Moduluppgift En liter av lösningen som innehåller 2 gram av kemiska
Läs merExempel för diskreta och kontinuerliga stokastiska variabler
Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat
Läs merSTOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik, GA 08 januari 2015. Lösningar
STOCKHOLMS UNIVERSITET MT712 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, GA 8 januari 215 Lösningar Tentamen i Livförsäkringsmatematik I, 8 januari 215 Uppgift 1 a) Först konstaterar
Läs merEn trafikmodell. Leif Arkeryd. Göteborgs Universitet. 0 x 1 x 2 x 3 x 4. Fig.1
10 En trafikmodell Leif Arkeryd Göteborgs Universitet Tänk dig en körfil på en landsväg eller motorväg, modellerad som x axeln i positiv riktning (fig.1), och med krysset x j som mittpunkten för bil nummer
Läs merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
Läs merNya antaganden om dödlighet i tryggandegrunderna Bilaga 1
PROMEMORIA Datum 2007-11-02 Författare Bengt von Bahr Dnr 07-2156-200 Nya antaganden om dödlighet i tryggandegrunderna Bilaga 1 Finansinspektionen P.O. Box 6750 SE-113 85 Stockholm [Sveavägen 167] Tel
Läs mer1 Föreläsning V; Kontinuerlig förd.
Föreläsning V; Kontinuerlig förd. Ufallsrummet har hittills varit dsikret, den stokastisk variabeln har endast kunnat anta ett antal värden. Ex.vis Poissonfördeln. är antal observationer inom ett tidsintervall
Läs merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merSvenskarnas dödlighet - ett alternativ till Makeham & Lee-Carter
Svenskarnas dödlighet - ett alternativ till Makeham & Lee-Carter Jimmy Calén Masteruppsats i försäkringsmatematik Master Thesis in Actuarial Mathematics Masteruppsats 2017:11 Försäkringsmatematik September
Läs merLaborationer till kursen Livförsäkringsmatematik I
Laborationer till kursen Livförsäkringsmatematik I OBS: Texten i laborationerna är till viss del formulerad för att passa med Excel. Valet av verktyg för att genomföra laborationerna är emellertid ingalunda
Läs merTAMS17/TEN1 STATISTISK TEORI FK TENTAMEN ONSDAG 10/ KL
TAMS17/TEN1 STATISTISK TEORI FK TENTAMEN ONSDAG 1/1 18 KL 8.-13.. Examinator och jourhavande lärare: Torkel Erhardsson, tel. 8 14 78. Tillåtna hjälpmedel: Formelsamling i matematisk statistik utgiven av
Läs merTentamen i Livförsäkringsmatematik I, 22 mars 2006
STOCKHOLMS UNIVERSITET MS 2070 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, GA 22 mars 2006 Lösningar Tentamen i Livförsäkringsmatematik I, 22 mars 2006 Uppgift 1 a) Eftersom T x är likformigt
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merSF1625 Envariabelanalys Tentamen Lördagen den 11 januari, 2014
SF65 Envariabelanalys Tentamen Lördagen den januari, 04 Skrivtid: 9:00-4:00 Tillåtna hjälpmedel: inga Examinator: Bengt Ek, Maria Saprykina Tentamen består av nio uppgifter som vardera ger maximalt fyra
Läs merLaboration 1 - Utjämning med Makehams formel
Laborationer OBS: Texten i laborationerna är till viss del formulerad för att passa med Excel. Valet av verktyg för att genomföra laborationerna är emellertid ingalunda nödvändigt att vara Excel. För att
Läs merD 1 u(x, y) = e x (1 + x + y 2 ), D 2 u(x, y) = 2ye x + 1, (x, y) R 2.
Differentialekvationer I Modellsvar till räkneövning 4 De frivilliga uppgifterna U1 och U2 påminner om nyttiga kunskaper, och räknas inte för extrapoäng (fråga vid behov). U1. Sök en potentialfunktion
Läs merStudietips inför kommande tentamen TEN1 inom kursen TNIU23
Studietips inför kommande tentamen TEN1 inom kursen TNIU23 Lämplig ordning på sammanfattande studier inom denna kurs: Inled med att grundligt studera föreläsningsanteckningarna Därefter läs tillhörande
Läs merSF1626 Flervariabelanalys Lösningsförslag till tentamen DEL A
SF66 Flervariabelanals Lösningsförslag till tentamen --9 EL A. En kulle beskrivs approximativt av funktionen 5 hx, ) + 3x + i lämpliga enheter där hx, ) är höjden. Om du befinner dig i punkten,, ) på kullen,
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merBoken är tänkt att ersätta tidigare kurslitteratur som används i kursen Livförsäkringsmatematik I som ges vid Stockholms universitet.
Livförsäkringsmatematik andra upplagan Inledning Litteraturen för inledande kurser inom livförsäkring på svenska högskolor och universitet har, på grund av den omfattande utvecklingen i livförsäkringsbranschen
Läs merUppgift 1 a) En kontinuerlig stokastisk variabel X har fördelningsfunktion
Avd. Matematisk statistik TENTAMEN I 5B57 MATEMATISK STATISTIK FÖR T och M ONSDAGEN DEN 9 OKTOBER 25 KL 8. 3.. Examinator: Jan Enger, tel. 79 734. Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs merOm existens och entydighet av lösningar till ordinära differentialekvationer
Om existens och entydighet av lösningar till ordinära differentialekvationer Anders Källén 11 maj 2016 1 Introduktion I det här kapitlet ska vi diskutera vad vi allmänt kan säga om lösningar till ett system
Läs merInstitutionen för Matematik, KTH Lösningar till tentamen i Analys i en variabel för I och K (SF1644) 1/ e x h. (sin x) 2 1 cos x.
Institutionen för Matematik, KTH Lösningar till tentamen i Analys i en variabel för I och K (SF644) /6 29. Bestäm med derivatans definition d dx ex. Derivatans definition är f (x) = lim h h ( f(x + h)
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merProblemsamling i Sannolikhetsteori
Problemsamling i Sannolikhetsteori till An Intermediate Course in Probability av Allan Gut Sammanställd av Harald Lang 22/5-05 Kapitel 0 (Introduction) Man har ett seriesystem med två enheter som går sönder
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska
Läs merFöreläsning 2, Matematisk statistik för M
Repetition Stok. Var. Diskret Kont. Fördelningsfnk. Föreläsning 2, Matematisk statistik för M Erik Lindström 25 mars 2015 Erik Lindström - erikl@maths.lth.se FMS012 F2 1/16 Repetition Stok. Var. Diskret
Läs merKovarians och kriging
Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs mer(a) på hur många sätt kan man permutera ordet OSANNOLIK? (b) hur många unika 3-bokstavskombinationer kan man bilda av OSANNO-
Tentamenskrivning för TMS6, Matematisk Statistik. Onsdag fm den 1 maj, 217. Examinator: Marina Axelson-Fisk. Tel: 1-7724996 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte (bifogas).
Läs mer, för 0 < x < θ; Uppgift 2
TAMS17/TEN1 STATISTISK TEORI FK TENTAMEN FREDAG 1/4 2016 KL 08.00-12.00. Examinator och jourhavande lärare: Torkel Erhardsson, tel. 28 14 78. Tillåtna hjälpmedel: Formelsamling i matematisk statistik utgiven
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merMatematisk statistik 9 hp Föreläsning 3: Transformation och simulering
Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering Anna Lindgren 8+9 september 216 Anna Lindgren - anna@maths.lth.se FMS12/MASB3: transform 1/11 Stokastisk variabel Kvantil Stokastisk
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merStatistiska metoder för säkerhetsanalys
F10: Intensiteter och Poissonmodeller Frågeställningar Konstant V.v.=Var Cyklister Poissonmodeller för frekvensdata Vi gör oberoende observationer av de (absoluta) frekvenserna n 1, n 2,..., n k från den
Läs merStatistiska metoder för säkerhetsanalys
F9: Intensiteter 3 september 213 Egenskaper Återstående livslängd Storm Poissonprocess (igen) Händelsen A inträffar enligt en Poissonprocess med intensitet l. N A (t) = antal gånger A inträffar i (, t)
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merLösningar av uppgifter hörande till övning nr 5.
Lösningar av uppgifter hörande till övning nr 5. H.7 a) Antag att p är ett polynom med grad p < n. Då kan p skrivas som en linjärkombination av ortogonalpolynomen p k, där k < n. Alltså är p c k p k, m
Läs merTAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler
TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det
Läs merTentamen : Lösningar. 1. (a) Antingen har täljare och nämnare samma tecken, eller så är täljaren lika med noll. Detta ger två fall:
Tentamen 010-10-3 : Lösningar 1. (a) Antingen har täljare och nämnare samma tecken, eller så är täljaren lika med noll. Detta ger två fall: x 5 0 och 3 x > 0 x 5 och x < 3, en motsägelse, eller x 5 0 och
Läs merFördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.
Övning 1 Vad du ska kunna efter denna övning Diskret och kontinuerlig stokastisk variabel. Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Funktioner av s.v:er, Flera stokastiska variabler. Marginell sannolikhetsfunktion och -täthetsfunktion. Oberoende sv:er, Maximum och minimum av oberoende
Läs merFöreläsning 4, Matematisk statistik för M
Föreläsning 4, Matematisk statistik för M Erik Lindström 1 april 2015 Erik Lindström - erikl@maths.lth.se FMS012 F4 1/19 Binomialfördelning Beteckning: X Bin(n, p) Förekomst: Ett slumpmässigt försök med
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs mer2.5 Partiella derivator av högre ordning.
2.3 Kedjeregeln Pass 4 Antag att: 1. funktionen f( x) = (f 1 (x 1, x 2,..., x n ),..., f m (x 1, x 2,..., x n )) är dierentierbar i N R n ; 2. funktionen g( t) = (g 1 (t 1, t 2,..., t p ),..., g n (t 1,
Läs mer1 Stokastiska processer. 2 Poissonprocessen
1 Stokastiska processer En stokastisk process är en stokastisk variabel X(t), som beror på en parameter t, kallad tiden. Tiden kan vara kontinuerlig, eller diskret (i vilket fall man brukar beteckna processen
Läs merUppdaterade uppgifter 1-10 till Krzysztofs häfte
Uppdaterade uppgifter 1-10 till Krzysztofs häfte Dessa uppgifter ersätter de tio uppgifterna som fanns i slutet av Krzysztofs häfte som tar upp teorin från föreläsning 8 inom kursen TNIU23. 1) Låt c för
Läs merTATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer
TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer Johan Thim 0 januari 207 Introduktion En differentialekvation (DE) i en variabel är en ekvation som innehåller både
Läs merFöreläsning 7: Stokastiska vektorer
Föreläsning 7: Stokastiska vektorer Johan Thim johanthim@liuse oktober 8 Repetition Definition Låt X och Y vara stokastiska variabler med EX = µ X, V X = σx, EY = µ Y samt V Y = σy Kovariansen CX, Y definieras
Läs merSF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 11-14, 16/11-28/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp gy, IT, W, X 2011-10-26 Sammanfattning av föreläsningarna 11-14, 16/11-28/11 2012. Här lär vi oss använda transformer för att
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen DEL A
SF1625 Envariabelanalys Lösningsförslag till tentamen 2012-10-17 DEL A 1. Visa att ekvationen x 3 12x + 1 = 0 har tre lösningar i intervallet 4 x 4. Motivera ordentligt! (4 p) Lösningsförslag. Vi skall
Läs mer5B1134 Matematik och modeller Lösningsförslag till tentamen den 11 oktober 2004
KTH Matematik 5B4 Matematik och modeller Lösningsförslag till tentamen den oktober 4. Två av sidlängderna i en triangel är 8 m och m. En av vinklarna är 6. a) Bestäm alla möjliga värden för den tredje
Läs merTentamen TMA044 Flervariabelanalys E2
Tentamen TMA044 Flervariabelanalys E2 205-0-05 kl. 4.00-8.00 Examinator: Peter Hegarty, Matematiska vetenskaper, Chalmers Telefonvakt: Dawan Mustafa, telefon: 0703 088 304 Hjälpmedel: bifogat formelblad,
Läs merb) Beräkna sannolikheten att en mottagen nolla har sänts som en nolla. (7 p)
Avd. Matematisk statistik TENTAMEN I SF90 OCH SF905 SANNOLIKHETSTEORI OCH STATISTIK, FREDAGEN DEN 4:E MARS 204 KL 4.00 9.00. Kursledare: För D och Media: Gunnar Englund, 073 32 37 45 Kursledare: För F:
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merTATA42: Föreläsning 2 Tillämpningar av Maclaurinutvecklingar
TATA42: Föreläsning 2 Tillämpningar av Maclaurinutvecklingar Johan Thim 24 mars 29 Entydighet Om vi har ett polynom som approimerar en snäll funktion bra, kan vi då vara säkra på att koefficienterna i
Läs merLösningar till tentamen i Transformmetoder okt 2007
Lösningar till tentamen i Transformmetoder okt 7. Låt Y (s beteckna Laplacetransformen till funktionen y. Laplacetransformering av den givna ekvationen ger: varav följer att. (a För s > a är Y (s + s Y
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merStatistiska metoder för säkerhetsanalys
F3: Slumpvariaber och fördelningar Diskret Kontinuerlig Slumpvariabler Slumpvariabler = stokastiska variabler = random variables = s.v. Heter ofta X, Y, T. Diskreta kan anta ändligt eller uppräkneligt
Läs merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merLufttorkat trä Ugnstorkat trä
Avd. Matematisk statistik TENTAMEN I SF1901 och SF1905 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 18:E OKTOBER 2012 KL 14.00 19.00. Examinator: Tatjana Pavlenko, tel 790 8466. Tillåtna hjälpmedel:
Läs merz = z 2. z = z 2 z /z 2 = 1 1 z = x + c z(x) = x + c = ln x + c + c 2 y(x) = ln y = 0 y(x) = c 2
Differentialekvationer II Modellsvar: Räkneövning 1 1. Lös differentialekvationen y = (y ) 2 med hjälp av substitutionen z(x) = y (x). Kommentar: detta är standard substitutionen för differentialekvationer
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merLäsanvisningar till kapitel 4
Kapitel 4 Läsanvisningar till kapitel 4 Taylors sats samt Cauchyuppskattningar och några konsekvenser Taylorserier är något ni är bekannt med sedan era reellanalyskurser. Höjdpunkten i detta avsnitt säger
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 3 Johan Lindström 4 september 7 Johan Lindström - johanl@maths.lth.se FMSF7/MASB F3 /3 fördelningsplot log- Johan Lindström - johanl@maths.lth.se
Läs merTMS136. Föreläsning 10
TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis
Läs merKonvergens och Kontinuitet
Kapitel 7 Konvergens och Kontinuitet Gränsvärdesbegreppet är väldigt centralt inom matematik. Som du förhoppningsvis kommer ihåg från matematisk analys så definieras tex derivatan av en funktion f : R
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA241/9MA341, STN2) 213-1-11 kl 14 18 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs merDIFFERENTIALEKVATIONER. INLEDNING OCH GRUNDBEGREPP
DIFFERENTIALEKVATIONER INLEDNING OCH GRUNDBEGREPP Differentialekvation (DE) är en ekvation som innehåller derivator av en eller flera okända funktioner ORDINÄRA DIFFERENTIAL EKVATIONER i) En differentialekvation
Läs merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
Läs merDemonstration av laboration 2, SF1901
KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion
Läs merStandardfel (Standard error, SE) SD eller SE. Intervallskattning MSG Staffan Nilsson, Chalmers 1
Standardfel (Standard error, SE) Anta vi har ett stickprov X 1,,X n där varje X i has medel = µ och std.dev = σ. Då är Det sista kalls standardfel (eng:standard error of mean (SEM) eller (SE) och skattas
Läs merFöresläsningsanteckningar Sanno II
Föresläsningsanteckningar 1 Gammafunktionen I flera av våra vanliga sannolikhetsfördelningar ingår den s.k. gamma-funktionen. Γ(p) = 0 x p 1 e x dx vilken är definierad för alla reella p > 0. Vi ska här
Läs merAnteckningar för kursen "Analys i en Variabel"
Anteckningar för kursen "Analys i en Variabel" Simone Calogero Vecka 4 Viktig information. Dessa anteckningar är inte avsedda som en ersättning för kurs litteratur men bara som en kort sammanfattning av
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merTNA004 Analys II Tentamen Lösningsskisser
TNA004 Analys II Tentamen 20-06-0 Lösningsskisser. a) De båda kurvorna skär varandra i x 0 och x. På intervallet 0 x är x x. Området D är då det skuggade i figuren nedan, där även en tunn rektangel är
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs mer