Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa

Koko: px
Aloita esitys sivulta:

Download "Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa"

Transkriptio

1 Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa Kuolevuusseminaari Anne Puustelli

2 2 Väitöskirja-artikkelit I. Puustelli, A., Koskinen, L., Luoma, A., Bayesian modelling of financial guarantee insurance. Insurance: Mathematics and Economics, 43, The initial version of the paper was presented in AFIR Colloquium, Stockholm, Sweden, II. Luoma, A., Puustelli, A., Koskinen, L., Bayesian analysis of equity-linked savings contracts with American-style options. Accepted in Quantitative Finance. The initial version of the paper titled Bayesian analysis of participating life insurance contracts with American-style options was presented in AFIR Colloquium, Rome, Italy, III. Luoma, A., Puustelli, A. Hedging equity-linked life insurance contracts with American-style options in Bayesian framework. The initial version of the paper titled Hedging against volatility, jumps and longevity risk in participating life insurance contracts a Bayesian analysis was presented in AFIR Colloquium, Munich, Germany, IV. Luoma, A., Puustelli, A., Koskinen, L., A Bayesian smoothing spline method for mortality modelling. Annals of Actuarial Science, 2, Cambridge University Press.

3 3 Takausvakuutus 75 % posterioriennusteväli 50 % posterioriennusteväli Havaittu aineisto Mediaaniennuste Eläketurvakeskuksen TyEL takaisinlainojen takausvakuutuksesta muodostuneiden tappioiden jakauma Mallina regressiomalli, jossa yhtenä selittäjänä edellisen vuoden tappioiden määrä suhteessa kaikkiin takauksiin ja toisena selittäjänä ko. vuoden ennustettu BKT:n kasvunopeus (mallinnettu Hamiltonin mallilla)

4 4 Säästöhenkivakuutus

5 5 Bayesiläisyys vakuutustieteessä "Actuaries have been using Bayesian methods in a credibility framework since Whitney (1918), but many have been slow to extend them for use in other natural contexts. Kuolevuusmallinnuksessa Bayesiläistä analyysiä Heligman & Pollard malli Dellaportas, P., Smith, A.F.M. & Stavropoulos, P. (2001). Bayesian analysis of mortality data. Journal of the Royal Statistical Society. Series A, 164, Lee-Carter malli Czado, C., Delwarde, A. & Denuit, M. (2005). Bayesian Poisson log-linear mortality projections. Insurance: Mathematics and Economics, 36,

6 6 Data Data HMD-tietokannasta (Human Mortality Database) Ikä-kohortti data, kuolevuudet (Death rates) ja altistukset (Exposure to risk) Kuolevuudet samana vuonna syntyneille, jolloin tarkasteluajankohta kahtena eri kalenterivuonna (vrt. ikä-periodi datassa kuolevuudet kalenterivuonna, jolloin tarkasteltavat henkilöt kahtena eri vuonna syntyneitä) Kohortin riippuvuus säilyy ja kohortin koko voidaan ottaa huomioon Estimoinnissa käytetään vuosina syntyneistä ja vuotiaita

7 7 Mallit

8 8 Estimointi Bayesiläisessä mallinnuksessa

9 9 Mallin hyvyystarkastelut Cairns et al.* listasivat stokastisen kuolevuusmallin hyvyyskriteerit 1. Kuolevuuksien pitää olla positiivisia 2. Mallin pitää olla sopusoinnussa historiallisen aineiston kanssa 3. Pitkän aikavälin dynamiikan pitää olla biologisesti järkevää 4. Parametrien estimaattien pitää olla robusteja suhteessa aineiston kokoon 5. Mallin ennusteiden pitää olla robusteja suhteessa aineiston kokoon 6. Ennusteiden epävarmuuden ja keskiennusteiden pitää olla uskottavia ja yhteensopivia kuolevuuden historiallisen trendin ja vaihtelun kanssa 7. Mallin pitää olla suoraviivaisesti implementoitavissa analyyttisin menetelmin tai nopeilla numeerisilla algoritmeilla 8. Mallin pitää olla suhteellisen vähäparametrinen 9. Mallilla tulee voida generoida ennustepolkuja ja laskea ennusterajoja 10. Mallin rakenteen pitää mahdollistaa parametriepävarmuuden huomioiminen simuloinnissa 11. Ainakin joissakin maissa mallin pitää sisältää stokastinen kohorttivaikutus 12. Mallilla pitää olla epätriviaali korrelaatiorakenne *Cairns, A.J.G., Blake, D. & Dowd, K. (2008). Modelling and management of mortality risk: a review. Scandinavian Actuarial Journal, 2,

10 Mallin konsistenttius historiallisen aineiston kanssa 10 Mallin hyvyyttä voidaan testata replikoidun aineiston avulla Generoidaan parametrien posteriorijakaumat Parametriarvojen avulla replikoidaan havaittua dataa vastaava aineisto Mallin 1 tapauksessa multinormaalijakaumasta Mallin 2 tapauksessa rekursiivisesti generoimalla kuolemien lukumääriä binomijakaumasta ja päivittämällä sen perusteella seuraavan ajanhetken eletyt henkilövuodet (exposures) Replikoidusta datasta voidaan johtaa testisuureita esimerkiksi MSE:lle ja kohortin sisäiselle autokorrelaatiolle Voidaan verrata alkuperäisen aineiston ja replikoidun aineiston konsistenttiutta Kuvien tulkinnassa replikoitu aineisto on konsistentti alkuperäisen aineiston kanssa, jos pisteet ovat tasaisesti 45 kulmassa piirretyn viivan molemmin puolin.

11 11 Malli 1 Malli selittää aineiston autokorrelaation Korkeimmilla ikäluokilla alkuperäisessä aineistossa keskineliövirhe pienempi kuin replikoidussa aineistossa Mallin hyvyystestit Malli 2 Malli ei ehkä täysin selitä aineiston negatiivista autokorrelaatiota Malli selittää aineiston korkeiden ikäluokkien keskineliövirheen

12 12 Parametriestimaattien robustisuus Parametrien robustisuutta tutkittu vertaamalla kahden eri aineiston posteriorijakaumia Aineisto 1: iät 40 70, kohortit (nuoret) Aineisto 2: iät 60 90, kohortit (vanhat)

13 13 Parametrien robustisuus mallissa 1 vanhat vanhat nuoret nuoret nuoret vanhat vanhat nuoret

14 14 Parametrien robustisuus mallissa 2 vanhat nuoret nuoret vanhat

15 15 Ennustaminen Perustuu posterioriennustejakaumiin Generoidaan parametrien posteriorijakaumat Parametriarvojen avulla ennustetaan epätasapainoisen aineiston puuttuva osa Mallin 1 tapauksessa ehdollisesta multinormaalijakaumasta olettaen havaittu aineisto tunnetuksi Mallin 2 tapauksessa rekursiivisesti generoimalla kuolemien lukumääriä binomijakaumasta ja päivittämällä sen perusteella seuraavan ajanhetken eletyt henkilövuodet (exposures). Päivittäminen aloitetaan kunkin kohortin ensimmäisestä puuttuvasta arvosta. Aineiston koon vaikutus ja ennusteen vertaaminen havaittuun kuolevuuteen Valitaan estimointiaineistot niin, että ennustettu kuolevuus tunnetaan. Estimoinnista jätetään kuitenkin pois havainnot aineiston oikeasta alakulmasta. Ennustetaan kuolevuuksia 70- ja 90-vuotiaille Aineisto 1: kohortit , iät (70-vuotiaiden ennuste) ja (90-vuotiaiden ennuste) Aineisto 2: kohortit , iät (70-vuotiaiden ennuste) ja (90-vuotiaiden ennuste)

16 Ennustaminen Aineiston koon vaikutus ja ennusteen tarkkuus mallissa 1 16 havaittu kuolevuus 1 vuoden ennuste havaittu kuolevuus 9 vuoden ennuste havaittu kuolevuus pieni aineisto suuri aineisto 17 vuoden ennuste havaittu kuolevuus 25 vuoden ennuste

17 Ennustaminen Aineiston koon vaikutus ja ennusteen tarkkuus mallissa 2 17 havaittu kuolevuus 1 vuoden ennuste havaittu kuolevuus 9 vuoden ennuste havaittu kuolevuus 17 vuoden ennuste havaittu kuolevuus 25 vuoden ennuste pieni aineisto suuri aineisto

18 18 Ennustaminen Ennustevälit Perustuu posterioriennustejakaumiin Ennustetaan kohortin 1941 kuolevuutta Estimoinnissa käytetään kohortteja ja ikiä Aineistoa ikään 65 asti, ennuste vuoteen Lasketaan tasoitusparametrin 95 % posterioriväli sekä 95 % posterioriennusteväli havaitulle logaritmoidulle kuolevuudelle

19 19 Ennustevälit Malli 1 Tasoitusparametrin 95 % posterioriväli ja 95 % posterioriennusteväli havaitulle logaritmoidulle kuolevuudelle samaa suuruusluokkaa Mallin 2 ennusteväli kapeampi, kertoo paremmasta mallisovitteesta Malli 2

20 20 Yhteenveto Aineistona käytetään ikä-kohortti aineistoa Mallit perustuvat tasoittaviin kaksiulotteisiin kuutiosplineihin, jotka saadaan muodostettua sopivilla priorijakaumilla Kaksi mallia Havaittuihin kuolevuuksiin perustuva malli Havainnoimattomiin, teoreettisiin kuolevuuksiin perustuva malli, jolloin mallinnetaan suoraan havaittuja kuolemalukumääriä Mallien hyvyyttä testataan Cairnsin kriteereillä Testaus yhteensopivuudesta historiallisen aineiston kanssa Parametrien ja ennusteiden robustisuuden testaus Mallien huono puoli: Estimointiaineiston kokoa pitää rajoittaa

21 21 Lisätietoa Kaikkien artikkeleiden laskennat on tehty R-ohjelmistolla, tietyt laskentaintensiivisimmät osiot C++:lla. Koodit ja datat ovat osoitteessa Artikkelin 3 koodeista ollaan työstämässä R-pakettia, jota ei ole vielä julkaistu Väitöskirja on ladattavissa osoitteesta

Kuolevuusseminaari 9.4.2013

Kuolevuusseminaari 9.4.2013 Kuolevuusseminaari 9.4.2013 Jari Niittuinperä Kuolevuuseminaari 19.3. Vakuutusalan viimeaikaiset kuolevuustutkimukset Prosessi ja siihen liittyvät haasteet (data, mallintaminen, laskenta, tulosten verifiointi)

Lisätiedot

Harjoitus 7 : Aikasarja-analyysi (Palautus )

Harjoitus 7 : Aikasarja-analyysi (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

Matemaattisia malleja kuolevuusriskin hallintaan

Matemaattisia malleja kuolevuusriskin hallintaan Helena Aro* Teemu Pennanen *Matematiikan ja systeemianalyysin laitos, Aalto-yliopisto Department of Mathematics, King s College London, UK Suomen Aktuaariyhdistyksen kuolevuusseminaari, 24.4.2013 MandatumLife

Lisätiedot

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä

Lisätiedot

Kuolevuusseminaari

Kuolevuusseminaari Kuolevuusseminaari 19.03.2013 K2012: Henkivakuutuksen kuolevuustutkimus Henkivakuutettujen pitkän ajan kuolevuusennuste 1 Aihealueet Taustaa Kuolevuusennuste: menetelmän valinta Kuolevuusennuste: lähtöaineiston

Lisätiedot

Bayesilainen päätöksenteko / Bayesian decision theory

Bayesilainen päätöksenteko / Bayesian decision theory Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

KiEL-kuolevuuden arviointi

KiEL-kuolevuuden arviointi KiEL-kuolevuuden arviointi Kuolevuustason arviointi pienelle populaatiolle Aktuaariyhdistyksen kuolevuusseminaari 26.5.2015 Risto Louhi Kuolevuusselvityksen tausta KiEL-eläkemenoa ennustettaessa pitkän

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa 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

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. 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

Lisätiedot

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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:

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 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

Lisätiedot

Työajanodotteet ja niiden erot

Työajanodotteet ja niiden erot Työajanodotteet ja niiden erot Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012 TERMIT & KÄSITTEET Työajanodote (Working-life Expectancy) Kielitoimiston sanakirjan (2006)

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

Kuolevuus Eläketurvakeskuksen pitkän aikavälin laskelmissa. Heikki Tikanmäki

Kuolevuus Eläketurvakeskuksen pitkän aikavälin laskelmissa. Heikki Tikanmäki Kuolevuus Eläketurvakeskuksen pitkän aikavälin laskelmissa Heikki Tikanmäki 23.5.2017 Johdanto Kuolevuus vaikuttaa työeläkemenoon monta kautta Eläkkeiden päättyvyys Elinaikakerroin Eläkeiät Eläketurvakeskuksen

Lisätiedot

TyEL-kuolevuusperusteesta

TyEL-kuolevuusperusteesta TyEL-kuolevuusperusteesta 26.5.2015 29.5.2015 Kuolevuusperusteesta Tuomas Hakkarainen 1 Tarve kuolevuusperusteelle TyEL-vakuutuksessa Työnantajan eläkevakuutuksen vanhuuseläkevastuut ovat pitkäikäisiä,

Lisätiedot

Kuolevuusseminaari 19.03.2013

Kuolevuusseminaari 19.03.2013 Kuolevuusseminaari 19.03.2013 Jari Niittuinperä Finanssivalvonta Finansinspektionen Financial Supervisory Authority Eläkevakuutuksen uusi myyntiargumentti! Finanssivalvonta Finansinspektionen Financial

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.

Lisätiedot

Finanssisitoumusten suojaamisesta

Finanssisitoumusten suojaamisesta Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta

Lisätiedot

Testit järjestysasteikollisille muuttujille

Testit järjestysasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten

Lisätiedot

STOKASTISET PROSESSIT

STOKASTISET PROSESSIT TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

1. Tutkitaan tavallista kahden selittäjän regressiomallia

1. Tutkitaan tavallista kahden selittäjän regressiomallia TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 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

Lisätiedot

Testit laatueroasteikollisille muuttujille

Testit laatueroasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten

Lisätiedot

MOTTI metsäsuunnittelussa ja siihen liittyvässä tutkimuksessa

MOTTI metsäsuunnittelussa ja siihen liittyvässä tutkimuksessa MOTTI metsäsuunnittelussa ja siihen liittyvässä tutkimuksessa Jari Hynynen Metla, Vantaan toimintayksikkö SIMO-seminaari 2.11.2007 / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014

TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014 TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA LUKIJAN NÄKÖKULMA 2 TAUSTAKYSYMYKSIÄ 3 Mitä tutkimusmenetelmiä ja taitoja opiskelijoille tulisi opettaa koulutuksen eri vaiheissa?

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET

TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

Vakuutuksen ja riskienhallinnan tutkimus

Vakuutuksen ja riskienhallinnan tutkimus Juhlaluento Vakuutuksen ja riskienhallinnan tutkimus Professori Lasse Koskinen Toukokuu 2016 Vakuutus ja riskienhallinta Riskienhallinta ja vakuutustoiminta muodostavat sattuman ja epävarmuuden hallintaan

Lisätiedot

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot

Tilastollinen päättely, 10 op, 4 ov

Tilastollinen päättely, 10 op, 4 ov Tilastollinen päättely, 0 op, 4 ov Arto Luoma Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede 3304 TAMPEREEN YLIOPISTO Syksy 2006 Kirjallisuutta Garthwaite, Jolliffe, Jones Statistical Inference,

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

Työajanodotteet ja niiden erot. Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012

Työajanodotteet ja niiden erot. Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012 Työajanodotteet ja niiden erot Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012 TERMIT & KÄSITTEET Työajanodote (Working-life Expectancy) Kielitoimiston sanakirjan (2006)

Lisätiedot

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa. NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille

Lisätiedot

Johnson, A Theoretician's Guide to the Experimental Analysis of Algorithms.

Johnson, A Theoretician's Guide to the Experimental Analysis of Algorithms. Kokeellinen algoritmiikka (3 ov) syventäviä opintoja edeltävät opinnot: ainakin Tietorakenteet hyödyllisiä opintoja: ASA, Algoritmiohjelmointi suoritus harjoitustyöllä (ei tenttiä) Kirjallisuutta: Johnson,

Lisätiedot

Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä

Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä Antti Penttinen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Metodifestivaalit Jyväskylän yliopisto 21.5.2013 Suunnitelma

Lisätiedot

Johdatus regressioanalyysiin. Heliövaara 1

Johdatus regressioanalyysiin. Heliövaara 1 Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Taustaa: NMDD-projekti 2011-2012 Rahoitus: pohjoismaiden ministerineuvosto Vast.tutkija: Maarten Nauta, DTU Epävarmuusanalyysin Bayes-mallinnus,

Lisätiedot

Epävarmuuden hallinta bootstrap-menetelmillä

Epävarmuuden hallinta bootstrap-menetelmillä 1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Epävarmuus ja riskinarviointi: tiedon paloja, näytön synteesiä

Epävarmuus 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

Lisätiedot

KUOLEVUUSPERUSTEJAOKSEN LOPPURAPORTTI 29.5.2015

KUOLEVUUSPERUSTEJAOKSEN LOPPURAPORTTI 29.5.2015 KUOLEVUUSPERUSTEJAOKSEN LOPPURAPORTTI 29.5.2015 1. Yhteenveto Telan Laskuperusteasiain neuvottelukunnan Kuolevuusperustejaos on tehnyt selvityksen TyEL:n mukaisessa vakuutuksessa noudatettavan kuolevuusperusteen

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

Tentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence

Tentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence Tentin materiaali Sivia: luvut 1,2,3.1-3.3,4.1-4.2,5 MacKay: luku 30 Gelman, 1995: Inference and monitoring convergence Gelman & Meng, 1995: Model checking and model improvement Kalvot Harjoitustyöt Tentin

Lisätiedot

Järjestyslukuihin perustuva eksponentiaalinen tasoitus ja volatiliteetin ennustaminen

Järjestyslukuihin perustuva eksponentiaalinen tasoitus ja volatiliteetin ennustaminen Tilastotieteen pro gradu -tutkielma Järjestyslukuihin perustuva eksponentiaalinen tasoitus ja volatiliteetin ennustaminen Ari Väisänen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos 14.6.2009

Lisätiedot

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori.

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori. Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen

Lisätiedot

30C00660 Tilastotieteen jatkokurssi Sessio 1 : Panu Erästö

30C00660 Tilastotieteen jatkokurssi Sessio 1 : Panu Erästö 30C00660 Sessio 1 : Panu Erästö Aloitustehtävä: pohdintaan ryhmissä Mitä todennäköisyysjakauma matemaattisesti tarkoittaa? Mitä (kaikkea) puhekielen (todennäköisyys)jakauma voi tarkoittaa? Mitä eroa on

Lisätiedot

Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto

Tilastolliset 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

Lisätiedot

Väestön ja eläkemenojen kehitys ilman suuria ikäluokkia

Väestön ja eläkemenojen kehitys ilman suuria ikäluokkia avaukset Väestön ja eläkemenojen kehitys ilman suuria ikäluokkia Kalle elo Seuraavien noin 20 vuoden aikana Suomessa on odotettavissa väestön nopea ikääntyminen, sillä sotien jälkeen syntyneet ikäluokat

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin

Lisätiedot

Approksimatiivinen päättely

Approksimatiivinen päättely 218 Approksimatiivinen päättely Koska tarkka päättely on laskennallisesti vaativaa, niin on syytä tarkastella ratkaisujen approksimointia Approksimointi perustuu satunnaiseen otantaan tunnetusta todennäköisyysjakaumasta

Lisätiedot

Muuttujien eliminointi

Muuttujien eliminointi 228 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy,

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan

Lisätiedot

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Juho Roponen 10.06.2013 Ohjaaja: Esa Lappi Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

Lisätiedot

TYÖAJANODOTTEET. Markku Nurminen Helsingin Yliopisto MarkStat Consultancy. Eläketurvakeskus 28.10.2010

TYÖAJANODOTTEET. Markku Nurminen Helsingin Yliopisto MarkStat Consultancy. Eläketurvakeskus 28.10.2010 TYÖAJANODOTTEET Markku Nurminen Helsingin Yliopisto MarkStat Consultancy Eläketurvakeskus 28.10.2010 1 TERMINOLOGIA Työajanodote (Työterveyslaitos) Tietynikäisen henkilön odotettavissa oleva aika työllisenä

Lisätiedot

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Santtu Saijets 16.6.2014 Ohjaaja: Juuso Liesiö Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

Lisätiedot

Tilastokeskuksen väestöennuste Kuolevuuslaskelmat. Markus Rapo, Tilastokeskus

Tilastokeskuksen väestöennuste Kuolevuuslaskelmat. Markus Rapo, Tilastokeskus Tilastokeskuksen väestöennuste Kuolevuuslaskelmat Markus Rapo, Tilastokeskus Esityksessäni Hieman historiaa ja taustaa Tilastokeskuksen väestöennuste luonne ja tulkinta Kuolleisuuslaskelmat Tilastokeskuksen

Lisätiedot

Harjoitukset 4 : Paneelidata (Palautus )

Harjoitukset 4 : Paneelidata (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

Seurantojen otoskoon arviointi RKTL:ssä

Seurantojen otoskoon arviointi RKTL:ssä Seurantojen otoskoon arviointi RKTL:ssä Mika Kurkilahti MTT 23.8.2012 Miksi seurantoja tehdään? RKTL:lle esitetään jatkuvasti paljon kysymyksiä Mikä on eläinkantojen koko ajallisesti ja alueellisesti,

Lisätiedot

ARTIKKELEITA. 1. Johdanto. 2. Regressiomalli ja ennustaminen. Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto

ARTIKKELEITA. 1. Johdanto. 2. Regressiomalli ja ennustaminen. Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto Kansantaloudellinen aikakauskirja 100. vsk. 4/2004 ARTIKKELEITA Vuoden 2004 alkoholiverotuksen muutoksen kulutusennusteet vuosille 2004 2012 Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Tilastollisen merkitsevyyden testaus (+ jatkuvan parametrin Bayes-päättely) Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden

Lisätiedot

TyEL-kuolevuuden ennustamisesta SHV-työ, joulukuu LähiTapiola-ryhmä / Tuomas Hakkarainen

TyEL-kuolevuuden ennustamisesta SHV-työ, joulukuu LähiTapiola-ryhmä / Tuomas Hakkarainen TyEL-kuolevuuden ennustamisesta SHV-työ, joulukuu 2011 21.3.2013 1 TyEL-kuolevuusperusteesta 1/2 Työntekijän eläkelain (TyEL) mukaan vakuutettujen henkilöiden vakuutusmaksuista rahastoidaan osa. Ehkäpä

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

Identifiointiprosessi II

Identifiointiprosessi II Identifiointiprosessi II Kertaus: informaatiokriteerit ja selittäjien testaaminen Mallin validointi Filosofisia mallinnusnäkökulmia Informaatiokriteerit Hyvyyskriteerin optimiarvo vs. parametrien lukumäärä

Lisätiedot

Black ja Scholes ilman Gaussia

Black ja Scholes ilman Gaussia Black ja Scholes ilman Gaussia Tommi Sottinen Vaasan yliopisto SMY:n vuosikokousesitelmä 19.3.2012 1 / 21 Johdanto Tarkastelemme johdannaisten, eli kansankielellä optioiden, hinnoittelua. Kuuluisin hinnoittelumalli

Lisätiedot

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Työeläkkeiden rahoituksesta ja sen riskien hallinnasta p.1/20

Työeläkkeiden rahoituksesta ja sen riskien hallinnasta p.1/20 Työeläkkeiden rahoituksesta ja sen riskien hallinnasta Teemu Pennanen Liikkeenjohdon systeemit, HKKK ja Matematiikka, TKK Työeläkkeiden rahoituksesta ja sen riskien hallinnasta p.1/20 Sisältö 1. Vanhuuseläkeongelma

Lisätiedot

Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa

Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa SHV-harjoitustyö (suppea) Teija Talvensaari Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Esityksen sisältö Johdanto

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

14.10.2009 Suomen Aktuaariyhdistys Mika Mäkinen

14.10.2009 Suomen Aktuaariyhdistys Mika Mäkinen 14.10.2009 Suomen Aktuaariyhdistys Mika Mäkinen johdantoa aiheeseen. Esitelmän aiheet perustuvat pitkälti Kansainvälisen Aktuaariyhdistyksen Kuolevuustyöryhmän (IAA Mortality Task Force) koostamiin tietoihin

Lisätiedot

Load

Load Tampereen yliopisto Tilastollinen mallintaminen Mikko Alivuotila ja Anne Puustelli Lentokoneiden rakennuksessa käytettävien metallinkiinnittimien puristuskestävyys Matematiikan, tilastotieteen ja filosofian

Lisätiedot

Tautikartoitus CAR- ja partitiomalleilla

Tautikartoitus CAR- ja partitiomalleilla Esimerkkeinä sydän- ja verisuonitaudit sekä keuhkosyöpä 1,2 1 Lääketieteellisen tekniikan ja laskennallisen tieteen laitos, TKK 2 Terveyden ja hyvinvoinnin laitos (THL) Terveydenhuollon uudet analyysimenetelmät

Lisätiedot

Bayesiläinen tilastollinen vaihtelu

Bayesiläinen tilastollinen vaihtelu Bayesiläinen tilastollinen vaihtelu Janne Pitkäniemi FT, dos. (biometria), joht. til. tiet Suomen Syöpärekisteri Hjelt-instituutti /Helsingin yliopisto Periaatteet Tilastollinen vaihtelu koskee perusjoukon

Lisätiedot

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

Johdatus regressioanalyysiin

Johdatus regressioanalyysiin Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet

Lisätiedot

ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI 1 JOHDANTO. Tuomas Airaksinen 1, Erkki Heikkola 2

ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI 1 JOHDANTO. Tuomas Airaksinen 1, Erkki Heikkola 2 ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI Tuomas Airaksinen 1, Erkki Heikkola 2 1 Jyväskylän yliopisto PL 35 (Agora), 40014 Jyväskylän yliopisto tuomas.a.airaksinen@jyu.fi

Lisätiedot

Henkivakuutusyhtiöiden kuolevuustutkimus K2012. Tarja Sirén

Henkivakuutusyhtiöiden kuolevuustutkimus K2012. Tarja Sirén Henkivakuutusyhtiöiden kuolevuustutkimus K2012 Tarja Sirén 09.03.2013 Abstract Life insurance companies need mortality forecast as they face mortality risk in their life insurance and longevity risk in

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto

Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Julian Voss, Quantum man, 2006 (City of Moses Lake, Washington, USA) Kolme näkökulmaa

Lisätiedot

Korko optioiden volatiliteettirakenteen estimointi

Korko optioiden volatiliteettirakenteen estimointi Aalto yliopisto Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2010 Korko optioiden volatiliteettirakenteen estimointi Pohjola konserni Projektisuunnitelma Robert Huuhilo Juhana Joensuu Teppo

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

NOPEAT TOIMIALOITTAISET SUHDANNETIEDOT - yritysten toimintaympäristön seurannassa. Turku 13.03.2008

NOPEAT TOIMIALOITTAISET SUHDANNETIEDOT - yritysten toimintaympäristön seurannassa. Turku 13.03.2008 NOPEAT TOIMIALOITTAISET SUHDANNETIEDOT - yritysten toimintaympäristön seurannassa Tiina Herttuainen (09) 1734 3619 palvelut.suhdanne@tilastokeskus.fi Turku 13.03.2008 13.03.2008 A 1 A) Budjettirahoitteinen

Lisätiedot

Korko-optioiden volatiliteettirakenteen estimointi

Korko-optioiden volatiliteettirakenteen estimointi Aalto-yliopisto Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2010 Korko-optioiden volatiliteettirakenteen estimointi Pohjola - konserni Väliraportti Robert Huuhilo Juhana Joensuu Teppo Luukkonen

Lisätiedot

Valuation of Asian Quanto- Basket Options

Valuation of Asian Quanto- Basket Options Valuation of Asian Quanto- Basket Options (Final Presentation) 21.11.2011 Thesis Instructor and Supervisor: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta

Lisätiedot

Ylikerroinstrategiat ja Poissonmallit vedonlyönnissä (aihe-esittely) Jussi Kolehmainen

Ylikerroinstrategiat ja Poissonmallit vedonlyönnissä (aihe-esittely) Jussi Kolehmainen Ylikerroinstrategiat ja Poissonmallit vedonlyönnissä (aihe-esittely) Jussi Kolehmainen 23.01.2012 Ohjaaja: Jussi Kangaspunta Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla

Lisätiedot

Bachelor level exams by date in Otaniemi

Bachelor level exams by date in Otaniemi Bachelor level exams by date in Otaniemi 2015-2016 (VT1 means that the place of the exam will be announced later) YOU FIND INFORMATION ABOUT THE PLACE OF THE EXAM IN OTAKAARI 1 U-WING LOBBY (M DOOR) Day

Lisätiedot

Logistinen regressio, separoivat hypertasot

Logistinen 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

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot