Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa
|
|
- Outi Kähkönen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa SHV-harjoitustyö (suppea) Teija Talvensaari Suomen Aktuaariyhdistyksen kuukausikokous
2 Esityksen sisältö Johdanto Vahinkovakuutusten hinnoittelusta Yleistetyt lineaariset mallit lyhyesti Esimerkki vahinkotiheysmallista Spatiaalinen analyysi ja tasoitusmenetelmät Esimerkki kotivakuutuksen aluehinnoittelusta Yhteenveto
3 Johdanto 1/2 Vahinkovakuutusten hinnoittelussa hyödynnetään tilastollisia menetelmiä ja yhtiön omaa dataa vakuutuksista ja vahingoista Vakuutuksen riskimaksu vastaa odotettavissa olevaa, keskimääräistä vahingosta aiheutuvaa tappiota Yleistettyjen lineaaristen mallien avulla tutkitaan, miten vahinkotiheys ja keskivahinko riippuvat eri selittävistä tekijöistä Maantieteellinen sijainti on yleisesti käytetty tekijä vahinkovakuutustuotteiden hinnoittelussa Maantieteellisenä yksikkönä voidaan käyttää esimerkiksi postinumeroa tai kuntaa
4 Johdanto 2/2 Aluetekijän käyttäminen mallissa sellaisenaan ongelmallista Yksittäisiä postinumeroita liikaa ja dataa yksittäiseltä alueelta vähän Aineistoon voidaan sovittaa ensin malli ilman aluetekijää ja sen jälkeen hyödyntää mallin antamia jäännöstermejä eli residuaaleja Residuaaleihin voidaan soveltaa spatiaalisia tasoitusmenetelmiä Pyritään poistamaan satunnaiskohinaa, niin että jäljelle jäisi vain aluetekijästä johtuvaa vaihtelua Alueet saadaan luokiteltua ja aluetekijä voidaan sisällyttää malliin muiden tekijöiden kanssa
5 Yleistetyistä lineaarisista malleista Laajasti käytössä vahinkovakuutusten hinnoittelussa Klassisten lineaaristen mallien laajennus Ei normaalijakaumaoletusta, vaan vastemuuttujan jakaumat oletetaan kuuluvan samaan eksponenttiperheeseen Tiheysfunktiot ovat muotoa ;, =exp ( ) + (, ) Sisältää muun muassa Poisson- ja Gamma-jakaumat Linkkifunktio kuvaa vastemuuttujan odotusarvot selittävien muuttujien arvojen lineaariseksi ennusteeksi = =, E =
6 Yleistetyt lineaariset mallit -esimerkki vahinkotiheysmallista Kotivakuutuksen irtaimiston rikkoutumisvahinkoaineisto Vahinkotiheydelle sovitetaan multiplikatiivinen Poisson-malli linkkifunktiona log-linkkifunktio =log ( ) Tariffitekijöinä mallissa kohteen pinta-ala, vakuutuksenottajan ikä ja kohteen tyyppi (koti-irtaimisto, vapaa-ajan asunnon irtaimisto), pinta-ala ja ikä luokiteltuna sopiviin luokkiin Mallinnus tehty Emblem-hinnoitteluohjelmistolla (Towers Watson)
7 Vahinkotiheysmalli mallin antamat kertoimet Vakuutuksenottajan ikä 2,5 Rescaled Predicted Values - ikäluokka 16% 2,0 1,5 1,0 0,5 14% 12% 10% 8% 6% 4% 2% Weight (%) Model Prediction at Base levels Model Prediction + 2 Standard Errors Model Prediction - 2 Standard Errors Esim. 30-vuotias vakuutuksenottaja, koti-irtaimisto 60 m 2 vahinkotiheys= 1,96 % 2,15 1,07 1,00=4,51 % 0,0 0% 01_alle_30 02_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _yli_80 Pinta-ala Kohdetyyppi 3,0 2,5 2,0 1,5 1,0 0,5 0,0 Rescaled Predicted Values - pinta-alaluokka 20% 15% 10% 5% 0% 1,2 1,0 0,8 0,6 0,4 0,2 0,0 Rescaled Predicted Values - kohdetyyppi Koti-irtaimisto Vapaa-ajan asunnon irtaimisto 200% 180% 160% 140% 120% 100% 80% 60% 40% 20% 0% 01_alle_30 02_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _yli_199
8 Spatiaalinen analyysi Spatiaalisen tilastotieteen menetelmiä voidaan hyödyntää paikkatiedon analysoinnissa Spatiaaliset tasoitusmenetelmät perustuvat oletukseen, että vierekkäisillä alueilla voidaan olettaa olevan samanlaiset riskitasot, jos luotettavaa tietoa ei ole käytössä Tasoitusmenetelmiä olemassa useita, esim. Painotettu etäisyyteen perustuva menetelmä (weighted-distance smoothing) Vierekkäisyyteen perustuva menetelmä (adjacency-based smoothing) Spatiaalisen tasoituksen ideana on poistaa jäännöstermeistä satunnaiskohinaa, niin että jäljelle jäisi vain aluetekijästä johtuvaa vaihtelua
9 Spatiaaliset tasoitusmenetelmät Vierekkäisyyteen perustuva tasoitus (adjacency-based smoothing) Perustuu Bayesin todennäköisyysteoriaan Maantieteellisen havaintoyksikön informaatiota painotetaan naapurihavaintoyksiköiden informaatiolla Vahinkojen lukumäärän uskottavuusfunktio: ~Poisson vakuutusvuodet ( ) Aluevaikutuksen priorijakauma: ~N,
10 Esimerkki kotivakuutuksen aluehinnoittelusta Vahinkotiheysmalli kotivakuutuksen rikkoutumisvahinkoaineistolle Maantieteellisenä yksikkönä käytetään postinumeroa Ulkoisena datana väkilukuaineisto Alkuperäisestä aineistosta otetaan mukaan 70 prosentin satunnaisotos analysoitavaksi ja loput 30 prosenttia jätetään testiaineistoksi mallin sopivuustarkasteluja varten Residuaaleihin sovelletaan vierekkäisyyteen perustuvaa tasoitusta Analyysit tehty Classifier-ohjelmistolla (Towers Watson)
11 Mallin antamat residuaalit ryhmiteltynä 10 luokkaan
12 Tasoitetut residuaalit tasoitusparametrin arvoilla
13 Vahinkotiheysmalli, aluetekijän vaikutus Vahinkotiheydelle sovitetaan uudelleen malli, jossa aiempien tekijöiden lisäksi mukana luokiteltu aluetekijä 2,0 Rescaled Predicted Values - alue 1,8 20% 1,6 1,4 15% 1,2 1,0 0,8 0,6 10% 5% Weight (%) Model Prediction at Base levels Model Prediction + 2 Standard Errors Model Prediction - 2 Standard Errors 0,4 0, %
14 Ennusteiden vertaaminen testiaineiston havaittuihin arvoihin Alkuperäisestä aineistosta jätetty 30 % analyysien ulkopuolelle testiaineistoksi Claim frequency 0,055 0,050 0,045 0,040 0,035 0,030 0,025 0,020 Std Fitted vs Std Observed (out of analysis) Weight Primary: Weight Secondary: Std Weight Std Fitted Observed - Out of analysis 0, Std Fitted Band 0
15 Yhteenveto Aluetekijä on nykyään laajasti käytössä vahinkovakuutuksen hinnoittelussa Voidaan käyttää erilaisia menetelmiä maantieteellisen riskin analysoimiseksi ja alueellisten luokkien muodostamiseksi Spatiaalisissa tasoitusmenetelmissä hyödynnetään ympäröivien alueiden informaatiota, kun yksittäisistä alueista ei ole tarpeeksi dataa Sopivan tasoitusparametrin valinnalla keskeinen merkitys Tulosten validointi erityisen tärkeää ennen johtopäätösten tekemistä
Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa
Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa SHV-harjoitustyö (suppea) Teija Talvensaari 5.9.2014 Sisällysluettelo Abstract... 1 1 Johdanto... 2 2 Yleistetyt lineaariset
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotYleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotMatemaatikkona vakuutusyhtiössä. Sari Ropponen Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Kumpulan kampus
Matemaatikkona vakuutusyhtiössä Sari Ropponen Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Kumpulan kampus Miksi vakuutusmatemaatikoilla on töitä Vakuutusyhtiölaki (2008/521) 6. luku Vakuutusyhtiössä
LisätiedotVakuutusmatematiikan sovellukset a) miksi lineaariset mallit eivät välttämättä sovi käytettäväksi vakuutusalalla
Y1. a) miksi lineaariset mallit eivät välttämättä sovi käytettäväksi vakuutusalalla b) yleistetty lineaarinen malli voidaan esittää seuraavasti ja edelleen matriisimuodossa: Y = g -1 (Xβ + ξ) + ε. Selitä
LisätiedotVakuutusyhtiö Mopokone Oyj:llä on seuraavat maksettujen korvausten tilastot koskien mopedivakuutuksia, jotka ovat voimassa kalenterivuoden kerrallaan:
SHV Vakuutusmatematiikan sovellukset 30.11.2006 1 1. (10p) Vakuutusyhtiö Mopokone Oyj:llä on seuraavat maksettujen korvausten tilastot koskien mopedivakuutuksia, jotka ovat voimassa kalenterivuoden kerrallaan:
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotMATEMAATIKKONA VAKUUTUSYHTIÖSSÄ. Sari Ropponen Suomen Aktuaariyhdistyksen kokous Helsingin Yliopisto, Kumpulan kampus
MATEMAATIKKONA VAKUUTUSYHTIÖSSÄ Sari Ropponen 11.10.2016 Suomen Aktuaariyhdistyksen kokous Helsingin Yliopisto, Kumpulan kampus VAKUUTUSMATEMAATIKON ASEMA TUNNISTETTU TÄRKEÄKSI yhtiölaki (2008/521) 6.
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotVahinkovakuutusasiakkaiden tuotepysyvyyden mallintaminen. SHV-työ. Anne Setämaa-Kärkkäinen
Vahinkovakuutusasiakkaiden tuotepysyvyyden mallintaminen SHV-työ Anne Setämaa-Kärkkäinen 22.1.2017 1 Abstract The protability of insurance business can be calculated reliably only after all the claims
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
LisätiedotMuutama ajatus vahinkovakuutustuotteiden hinnoittelusta SAY-Kuukausikokous 12.9.2012. Janne Kaippio
Muutama ajatus vahinkovakuutustuotteiden hinnoittelusta SAY-Kuukausikokous 12.9.2012 Janne Kaippio Mikä ihmeen LähiTapiola? Keskinäinen vahinkovakuutusyhtiö: 19 itsenäistä alueyhtiötä + keskusyhtiö (keskusyhtiöllä
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotOngelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?
Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus
LisätiedotKorvausvastuun ennustejakauma bootstrap-menetelmän avulla
Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLoad
Tampereen yliopisto Tilastollinen mallintaminen Mikko Alivuotila ja Anne Puustelli Lentokoneiden rakennuksessa käytettävien metallinkiinnittimien puristuskestävyys Matematiikan, tilastotieteen ja filosofian
LisätiedotSopimusteoria: Salanie luku 3.2
Sopimusteoria: Salanie luku 3.2 Antti Pirjetä Taloustieteiden kvantitatiiviset menetelmät Helsingin kauppakorkeakoulu 12.2.2008 1 Kilpaillut markkinat, yksi tai useampi päämies Agenttien 1 ja 2 tuottamat
LisätiedotMat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
LisätiedotTässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:
4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä
LisätiedotTutkimuksen suunnittelu / tilastolliset menetelmät. Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk 25.8.2011
Tutkimuksen suunnittelu / tilastolliset menetelmät Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk 25.8.2011 Kvantitatiivisen tutkimuksen vaiheet Suunnittelu Datan keruu Aineiston analysointi
LisätiedotKertausluento. Tilastollinen päättely II - 2. kurssikoe
Kertausluento Tilastollinen päättely II - 2. kurssikoe Yleistä tietoa TP II -2. kurssikokeesta 2. kurssikoe maanantaina 6.5.2019 klo 12.00-14.30 jossakin Exactumin auditoriossa Kurssikokeeseen ilmoittaudutaan
LisätiedotAjoneuvovakuutusten hinnoittelu tilastollisista lähtökohdista
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Jari-Pekka Piiroinen Ajoneuvovakuutusten hinnoittelu tilastollisista lähtökohdista Luonnontieteiden tiedekunta Matematiikka Toukokuu 2017 Tampereen yliopisto Luonnontieteiden
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
LisätiedotHierarkkiset koeasetelmat. Heliövaara 1
Hierarkkiset koeasetelmat Heliövaara 1 Hierarkkiset koeasetelmat Kaksiasteista hierarkkista koeasetelmaa käytetään tarkasteltaessa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan kahden tekijän
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 14..2017 Ratkaisuehdotuksia 1. Olkoon θ positiivinen parametri, ja asetetaan 2θ 1 y exp y 2 /θ), kun y > 0 fy; θ) = 0, muuten
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotTilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto
Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa Tapio Nummi Tampereen yliopisto Runkokäyrän ennustaminen Jotta runko voitaisiin katkaista optimaalisesti pitäisi koko runko mitata etukäteen. Käytännössä
LisätiedotJohdatus geospatiaaliseen tutkimukseen
LYY-menetelmä työpaja, 15.2.2012, Joensuu Johdatus geospatiaaliseen tutkimukseen Olli Lehtonen Historia- ja maantieteiden laitos Itä-Suomen yliopisto SISÄLLYS: Paikkatieto Spatiaalinen autokorrelaatio
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotVahinkojen selvittelykuluvaraus vahinkovakuutuksessa
Vahinkojen selvittelykuluvaraus vahinkovakuutuksessa SHV-harjoitustyö Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Mika Sirviö Vakuutuskeskus Vakuutuskeskuksen muodostavat: Liikennevakuutuskeskus
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
LisätiedotGeenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto
Kytkentäanalyysin teoriaa Pyritään selvittämään tiettyyn ominaisuuteen vaikuttavien eenien paikka enomissa Perustavoite: löytää markkerilokus jonka alleelit ja tutkittava ominaisuus (esim. sairaus) periytyvät
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotLogistinen regressio, separoivat hypertasot
Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotToimialan ja yritysten uudistuminen
Toimialan ja yritysten uudistuminen - mahdollisuuksia ja karikoita Jari Kuusisto MIT Sloan School of Management University of Vaasa 1 Jari Kuusisto University of Vaasa Esityksen rakenne Metsäsektorin lähtötilanne
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu 1.1 Noudattakoon satunnaismuuttuja X normaalijakaumaa a) b) c) d) N(5, 15). Tällöin P (1.4 < X 12.7) on likimain
LisätiedotViikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
Lisätiedot5 Osa 5: Ohjelmointikielen perusteita
5 Osa 5: Ohjelmointikielen perusteita 5.1 Omat funktiot R on lausekekieli: Kaikki komennot kuten funktiokutsut ja sijoitusoperaatiot ovat lausekkeita. Lausekkeet palauttavat jonkin arvon. Lausekkeita voidaan
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotEpävarmuus ja riskinarviointi: tiedon paloja, näytön synteesiä
Epävarmuus ja riskinarviointi: tiedon paloja, näytön synteesiä Taustaa: WTO, SPS agreement 1995. Set principles that WTO members can use in establishing national standards for food safety and animal and
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
LisätiedotSuhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2011 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Eräässä suuressa yrityksessä
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Lisätiedot4.2 Useampi selittävä muuttuja (kertausta)
14.2.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 14.2.2019 4.2 Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = + + + + Malliin liittyvät oletukset i ~ N(0, 2 ) ja i:t ovat
LisätiedotLineaariset luokittelumallit: regressio ja erotteluanalyysi
Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla
LisätiedotAjalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna. Salla Multimäki
Ajalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna Salla Multimäki 27.3.2017 Ajalliset muunnokset: miksi mitä miten? Animaation hyödyt ja haasteet Käyttäjän kapasiteetin rajallisuus Kartografiset
LisätiedotHoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla
Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito
LisätiedotDiskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma
Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotSpatiaalinen metsää kuvaava malli ja sen soveltaminen metsäninventointiin
Spatiaalinen metsää kuvaava malli ja sen soveltaminen metsäninventointiin Lauri Mehtätalo Univ. of Joensuu, Faculty of Forest Sciences 22. huhtikuuta 28 Sisältö 1 Spatiaalisista pisteprosesseista 1 1.1
LisätiedotTILASTOLLINEN LAADUNVALVONTA
1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008 2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotVertailutietoa nuorten kotivakuutuksista
Vakuutus- ja rahoitusneuvonta Porkkalankatu 1 00180 Helsinki Puh. (09) 6850 120 Fax (09) 6850 1220 www.fine.fi Vertailutietoa nuorten kotivakuutuksista Vakuutus- ja rahoitusneuvonta, Hanna Salo 2011 Tässä
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotElämänlaatu. Minna-Liisa Luoma,tutkimuspäällikkö Minna-liisa.luoma@thl.fi. 28.10.2014 Esityksen nimi / Tekijä 1
Elämänlaatu Minna-Liisa Luoma,tutkimuspäällikkö Minna-liisa.luoma@thl.fi 28.10.2014 Esityksen nimi / Tekijä 1 Elämänlaadun määritelmiä Keskeistä kaikissa elämänlaadun määritelmissä on inhimillisen, subjektiivisen
LisätiedotBayesiläinen tilastollinen vaihtelu
Bayesiläinen tilastollinen vaihtelu Janne Pitkäniemi FT, dos. (biometria), joht. til. tiet Suomen Syöpärekisteri Hjelt-instituutti /Helsingin yliopisto Periaatteet Tilastollinen vaihtelu koskee perusjoukon
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotMännyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto 9.6.2003
Männyn laaturajojen integrointi runkokäyrän ennustamisessa Laura Koskela Tampereen yliopisto 9.6.2003 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa
Lisätiedot6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely
3.12.2018/1 MTTTP5, luento 3.12.2018 6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely H 0 : = 0 Oletetaan, että populaatiossa viallisia %. Olkoon X 1, X
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotYleistetyn lineaarisen mallin perusteita
Yleistetyt lineaariset mallit II Jarkko Isotalo - TILTS18 Kertausta syksy 2009-kevät 2010 Yleistetyn lineaarisen mallin perusteita Kaikissa yleistetyissä lineaarisissa malleissa on seuraavat kolme komponenttia:
LisätiedotIlmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen!
8069 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2013 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOLLA 9! Ilmoittaudu Weboodissa 4.3.2013 klo
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotTosi elävä virtuaalimalli Mika Karaila Tutkimuspäällikkö Valmet Automation
Tosi elävä virtuaalimalli 27.4.2017 Mika Karaila Tutkimuspäällikkö Valmet Automation Agenda Teollinen internet Uudet teknologiat: VR & MR Soveltaminen käytännössä Yhteenveto & demo 2 Teollinen internet
LisätiedotElämänkatsomustieto. Arto Vaahtokari Helsingin yliopiston Viikin normaalikoulu arto.vaahtokari@helsinki.fi. Sari Muhonen
Elämänkatsomustieto Arto Vaahtokari Helsingin yliopiston Viikin normaalikoulu arto.vaahtokari@helsinki.fi OPPIAINEEN TEHTÄVÄ Elämänkatsomustiedon opetuksen ydintehtävänä on edistää oppilaiden kykyä etsiä
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
Lisätiedot