DEMOGRAFIA. Arto Luoma Tampereen yliopisto, Suomi. Syksy Demografia, syksy 2015 Tampereen yliopisto 1 / 39
|
|
- Lotta Myllymäki
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 DEMOGRAFIA Arto Luoma Tampereen yliopisto, Suomi Syksy 2015 Demografia, syksy 2015 Tampereen yliopisto 1 / 39
2 Sisältö Demografia, syksy 2015 Tampereen yliopisto 2 / 39
3 Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Demografia, syksy 2015 Tampereen yliopisto 3 / 39
4 Mitä demografia on? Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Demo- tulee muinaiskreikan sanasta δῆμος (deemos, maa, kansa, kaupunki ) ja -grafia sanasta γράφω (grafoo, kirjoittaa, piirtää, kuvata ). Demografia eli väestötiede tarkoittaa ihmispopulaatioiden tilastollista tutkimusta. Yleisemmässä tapauksessa se voi tutkia mitä tahansa dynaamista (ajassa muuttuvaa) elävää populaatiota. Analyysi voi kattaa koko yhteiskunnan mutta voi myös rajoittua osaryhmiin esim. koulutuksen, uskonnon tai etnisyyden mukaan. Demografia tutkii populaation koon ja ikäjakauman muutoksia ajan (tai paikan) suhteen. Muutokset aiheutuvat syntymistä, kuolemista ja muuttoliikkeestä. Formaali demografia rajoittuu populaatioprosessien mittaamiseen. Yhteiskunnallinen demografia analysoi myös taloudellisten, yhteiskunnallisten, kulttuuristen ja biologisten tekijöiden vaikutusta muutoksiin. Demografia, syksy 2015 Tampereen yliopisto 4 / 39
5 Aineiston keruu: Suorat menetelmät Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Kehittyneissä maissa väestötietoja saadaan parhaiten kerättyä rekistereistä. Syntymien ja kuolemien lisäksi rekistereistä saadaan mm. siviilisäädyn ja asuinpaikan muutokset. Toinen yleisesti käytetty suora menetelmä on väestönlaskenta. Väestön lukumäärän laskemisen lisäksi kerätään yksilötason tietoa, kuten ikä, sukupuoli, siviilisääty, lukutaito/koulutus, työllistyminen, ammatti ja maantieteellinen sijainti, sekä perheitä ja talouksia koskevaa tietoa. Väestönlaskenta tehdään tyypillisesti kymmenen vuoden välein, joten se ei ole paras menetelmä syntyvyyden ja kuolleisuuden seuraamiseen. Maissa, joissa rekisteröinti ei ole kattavaa, väestönlaskentaa voidaan käyttää tähänkin tarkoitukseen (esim. Kiina). Suomen väestönlaskenta 2010, ks. Demografia, syksy 2015 Tampereen yliopisto 5 / 39
6 Aineiston keruu: Epäsuorat menetelmät Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Epäsuoria menetelmiä tarvitaan, kun täydellistä tietoa ei ole saatavilla, esimerkiksi kehitysmaissa ja historiallisessa demografiassa. Yksi vaihtoehto on ns. sisar-menetelmä, jossa tutkija kysyy naisilta, kuinka moni heidän sirasirstaan on kuollut tai saanut lapsia ja missä iässä. Tulosten perusteella on mahdollista epäsuorasti estimoida syntyvyys ja kuolleisuus koko populaatiossa. On myös menetelmiä, jotka perustuvat kysymyksiin sisaruksista, vanhemmista ja lapsista. Demografia, syksy 2015 Tampereen yliopisto 6 / 39
7 Perusyhtälö Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Demografian perusyhtälö on missä Populaatio t+1 = Populaatio t +LuonnollinenLisäys t +Nettomuutto t, LuonnollinenLisäys t = Syntymät t Kuolemat t ja Nettomuutto t = Maahanmuutto t Maastamuutto t. Demografia, syksy 2015 Tampereen yliopisto 7 / 39
8 Avainkäsitteitä Määritelmä Aineiston keruu Perusyhtälö Avainkäsitteitä Syntyvyys on vuoden aikana elävänä syntyneiden määrä 1000 henkeä kohden. Hedelmällisyys on vuoden aikana elävänä syntyneiden määrä 1000 hedelmällisessä iässä (15-49) olevaa naista kohden. Ikäkohtainen hedelmällisyys on vuoden aikana elävänä syntyneiden määrä 1000 tiettyyn ikäryhmään (yleensä 15-19, jne) kuuluvaa naista kohden. on vuoden aikana kuolleiden määrä 1000 henkeä kohti. Imeväiskuolleisuus on vuoden aikana alle yhden vuoden iässä kuolleiden määrä 1000 henkeä kohti. Elinajanodote on keskimääräinen jäljellä oleva elinaika tietynikäiselle henkilölle nykyisen kuolleisuuden vallitessa. Demografia, syksy 2015 Tampereen yliopisto 8 / 39
9 Aineistotyypit Elinaika Selviytymisfunktio Kuolevuus Demografia, syksy 2015 Tampereen yliopisto 9 / 39
10 aineistot Aineistotyypit Elinaika Selviytymisfunktio Kuolevuus aineisto voidaan esittää seuraavissa muodoissa (vrt. Kohorttiaineistossa henkilöitä koskevat tiedot ryhmitellään syntymävuoden mukaan. Aineisto on täydellinen yhden kohortin osalta vasta, kun kaikki kohorttiin kuuluvat, tiettynä vuonna syntyneet henkilöt, ovat kuolleet. Määritettäessä ikäkohtaista kuolevuutta aineistoa on kerättävä kahden peräkkäisen kalenterivuoden aikana. (Jos henkilö on syntynyt vuonna 2000 ja hän on syntynyt 7.helmikuuta, hän on 10 vuoden ikäinen ). Periodiaineistossa tiedot ryhmitellään iän ja kalenterivuoden mukaan. Yksittäinen henkilö on tarkasteluryhmässä vain osan vuotta, ellei ole syntynyt uudenvuodenpäivänä. Yksi ryhmä siis kattaa kahtena eri vuotena syntyneitä henkilöitä. Demografia, syksy 2015 Tampereen yliopisto 10 / 39
11 Elinaika satunnaismuuttujana Aineistotyypit Elinaika Selviytymisfunktio Kuolevuus Vastasyntyneen henkilön elinaikaa (vuosina) voidaan kuvata positiivisia arvoja saavalla satunnaismuuttujalla X, jonka tiheysfunktio on f(x). Tällöin kertymäfunktio F(x) = x 0 f(t)dt antaa todennäköisyyden, että henkilön elinikä on enintään x. Todennäköisyys, että hetkellä x elossa oleva henkilö kuolee aikavälillä (x, z], on ehdollinen todennäköisyys P(X z ja X > x) P(X z X > x) = P(X > x) = F(z) F(x). 1 F(x) Demografia, syksy 2015 Tampereen yliopisto 11 / 39
12 Selviytymisfunktio ja elinaikaodote Aineistotyypit Elinaika Selviytymisfunktio Kuolevuus Funktiota S(x) = 1 F(x) kutsutaan selviytymisfunktioksi. Se antaa todennäköisyyden, että henkilön elinikä on enemmän kuin x (vuotta). Syntyneen elinaikaodote on elinajan odotusarvo 1 e 0 = E(X) = 0 tf(t)dt = 0 S(t)dt. Henkilön, jonka ikä on tasan x, jäljellä olevan eliniän odotusarvo on e x = E(X X > x) x = x t f(t) S(x) dt x = x S(t) S(x) dt. 1 Osoita harjoitustehtävänä, että kaavan kaksi viimeistä lauseketta ovat yhtäsuuria. Demografia, syksy 2015 Tampereen yliopisto 12 / 39
13 Kuolevuusfunktio Aineistotyypit Elinaika Selviytymisfunktio Kuolevuus Kun tarkastellaan kuoleman ehdollista todennäköisyyttä hyvin lyhyenä aikavälinä (x, x + x] olettaen, että henkilö on elossa hetkellä x, ja suhteutetaan tämä aikavälin pituuteen x, päädytään kuolevuuden käsitteeseen. Matemaattisesti kuolevuus määritellään raja-arvona µ(x) = lim x 0+ F(x+ x) F(x) x(1 F(x)) = F (x) 1 F(x). Voidaan osoittaa (harjoitus), että kuolevuus- ja selviämisfunktioiden välillä vallitsee seuraava yhteys: ( x ) S(x) = exp µ(t)dt. 0 Demografia, syksy 2015 Tampereen yliopisto 13 / 39
14 Tunnusluvut q x L x m x Laskenta e x Esimerkki Demografia, syksy 2015 Tampereen yliopisto 14 / 39
15 Tunnusluvut Tunnusluvut q x L x m x Laskenta e x Esimerkki Ns. elinaikataulukossa (life table) on estimoitu tiettyä populaatiota koskevia elinaikaan liittyviä tunnuslukuja. Niissä käytetään seuraavanlaisia merkintöjä. m x : kuolleisuus iässä x q x : todennäkäisyys, että henkilö, jonka tarkka ikä on x, kuolee ennen tarkkaa ikää x+1. d x : kuolleiden lukumäärä l 0 henkeä kohti tarkkojen ikien x ja x+1 välissä l x : elossa olevien lukumäärä l 0 henkeä kohti tarkassa iässä x (yleensä oletetaan l 0 = ) L x : elettyjen vuosien määrä tarkkojen ikien x ja x+1 välissä l 0 henkeä kohti T x : tarkan iän x jälkeen eletty vuosien määrä l 0 henkeä kohti e x : jäljellä olevan elinajan odote tarkassa iässä x Demografia, syksy 2015 Tampereen yliopisto 15 / 39
16 kon lukujen laskeminen Tunnusluvut q x L x m x Laskenta e x Esimerkki Kuolleiden lukumäärä iässä x on d x = l x l x+1, missä l x on selviytyneiden määrä tarkassa iässä x. Nyt kuoleman todennäköisyys ikävuoden x aikana (tähän ikään selvinneillä) on q x = [S(x) S(x+1)]/S(x) ja se voidaan estimoida kaavalla ˆq x = d x /l x. Keskimääräinen elinaika tarkkojen ikien x ja x + 1 välissä on x+1 x S(t)dt ja tätä voidaan estimoida lausekkeella L x /l 0, missä L x on ikävuotta x vastaava elettyjen vuosien määrä kuolleisuusaineistossa l 0 henkeä kohden. Demografia, syksy 2015 Tampereen yliopisto 16 / 39
17 kon lukujen laskeminen (jatkoa) Tunnusluvut q x L x m x Laskenta e x Esimerkki Olkoon a x jäljellä olevan elinajan odotusarvo henkilölle, joka kuolee ikävuoden x aikana. Tällöin x+1 x jota vastaa arvio S(t)dt = a x S(x)+(1 a x )S(x+1) = S(x) [S(x) S(x+1)](1 a x ), L x = l x d x (1 a x ). kkoa laskettaessa oletetaan yleensä, että kuolevuus kasvaa lineaarisesti välillä (x,x+1), jolloin a x = 1/2 ja L x = l x d x /2 = (l x +l x+1 )/2. Ensimmäisen elinvuoden aikana tätä oletusta ei voi tehdä, joten a 0 on arvioitava muulla tavoin. Demografia, syksy 2015 Tampereen yliopisto 17 / 39
18 kon lukujen laskeminen (jatkoa) Tunnusluvut q x L x m x Laskenta e x Esimerkki Kuolevuus m x liittyy ikävuoteen x ja on siten diskreetti vastine jatkuvalle kuolevuudelle (kuolevuusintensiteetille) µ(x). Se voidaan määritellä m x = S(x) S(x+1). S(t)dt x+1 x Vastaava estimaatti 2 on ˆm x = d x /L x. Tämä voidaan kehitellä muotoon ˆm x = d x l x d x (1 a x ) = d x /l x 1 (d x /l x )(1 a x ) = ˆq x 1 ˆq x (1 a x ), mistä saadaan yhteys estimaattien ˆq x ja ˆm x välille. 2 Tätä merkitään usein M x. Demografia, syksy 2015 Tampereen yliopisto 18 / 39
19 kon lukujen laskeminen (jatkoa) Tunnusluvut q x L x m x Laskenta e x Esimerkki Käänteisesti voidaan ratkaista ˆq x estimaatin ˆm x funktiona: Yhtälöstä ˆq x = ˆm x 1+(1 a x )ˆm x. ˆq x = d x l x = l x l x+1 l x saamme l x l x+1 = ˆq x l x, josta edelleen l x+1 = l x ˆq x l x = l x (1 ˆq x ) = l xˆp x, missä on merkitty ˆp x = 1 ˆq x. Kun lähtötietoina on annettu L 0,L 1,... ja d 0,d 1,..., edellä esitettyjen yhtälöiden avulla voidaan laskea ensin ˆm 0, ˆm 1,..., sitten ˆq 0,ˆq 1,..., ja viimeksi l 1,l 2,... Demografia, syksy 2015 Tampereen yliopisto 19 / 39
20 kon lukujen laskeminen (jatkoa) Tunnusluvut q x L x m x Laskenta e x Esimerkki Jäljellä olevan elinajan odote henkilölle, jonka täsmällinen ikä on x, on e x = 1 S(x) x S(t)dt = 1 S(x) ω 1 i=x i+1 i S(t)dt, missä ω on oletettu maksimaalinen elinikä. Vastaava estimaatti on ê x = 1 ω 1 L i = T x, l x l x i=x missä T x = ω 1 i=x L i on tarkan iän x jälkeen eletty elinvuosien määrä (tutkimusaineistossa l 0 henkeä kohti). Demografia, syksy 2015 Tampereen yliopisto 20 / 39
21 Esimerkki: Periodi-elinaikataulu naisille 2012 Tunnusluvut q x L x m x Laskenta e x Esimerkki mx qx lx dx Lx Tx ex Laskemme luvut 3-vuotiaille. Kuolemien määrä on 7 ja altistus elettyä henkilövuotta, joten ˆm 3 = 7/29833 = ˆq 3 = ˆm 3 /(1+0.5ˆm 3 ) = ˆp 3 = 1 ˆq 3 = l 4 = ˆp 3 l 3 = = d 3 = l 3 l 4 = = L 3 = l 3 0.5d 3 = T 3 = L 3 +L = = ê 3 = T 3 /l 3 = Demografia, syksy 2015 Tampereen yliopisto 21 / 39
22 De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Demografia, syksy 2015 Tampereen yliopisto 22 / 39
23 Parametrisia elinaikamalleja De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli 8 4 Log kuolleisuus 1997 (naiset) Ikä Kuva 1: De Moivre (vuodelta 1724) µ(x) = 1/(86 x), 0 x 86. Demografia, syksy 2015 Tampereen yliopisto 23 / 39
24 Parametrisia elinaikamalleja (jatkoa) Log kuolleisuus 1997 (naiset) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Ikä Kuva 2: Gompertz (1824) µ(x) = b e f (x g). Työeläkevakuutuksen vanhuuseläkevakuutuksessa käytetyt parametrin arvot ovat b = , f = ja g = 12 naisille. Demografia, syksy 2015 Tampereen yliopisto 24 / 39
25 Parametrisia elinaikamalleja (jatkoa) Log kuolleisuus 1997 (naiset) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Ikä Kuva 3: Makeham (1860) µ(x) = a + b e f (x g). Suomessa vapaaehtoisessa henkivakuutuksessa käytetty malli. Kun x < 72, a = , b = 1.15, f = 0.055ln10 ja g = naisilla. Demografia, syksy 2015 Tampereen yliopisto 25 / 39
26 Parametrisia elinaikamalleja (jatkoa) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli 8 4 Log kuolleisuus 1997 (naiset) Ikä Kuva 4: Weibull (1939) µ(x) = b x n. Käyrä sovitettu käyttäen ikävuosien havaintoja. Demografia, syksy 2015 Tampereen yliopisto 26 / 39
27 Parametrisia elinaikamalleja (jatkoa) Log kuolleisuus 1997 (naiset) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Ikä Kuva 5: Logistinen malli µ(x) = 1/[s(1 + e (x µ)/s )]. Käyrä sovitettu käyttäen ikävuosien havaintoja. Demografia, syksy 2015 Tampereen yliopisto 27 / 39
28 Parametrisia elinaikamalleja (jatkoa) Log kuolleisuus 1997 (naiset) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Ikä Kuva 6: Beardin malli (1963) µ(x) = b/[s(1+e (x µ)/s )]. Käyrä sovitettu käyttäen ikävuosien havaintoja. Demografia, syksy 2015 Tampereen yliopisto 28 / 39
29 Dynaamisia, semiparametrisia elinaikamalleja Finland: female death rates ( ) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Log death rate Age Kuva 7: Haaste dynaamiselle elinaikamallille: kuolevuuden kehitys erilaista eri ikäluokissa. Naisten kuolevuudet vuosina 1930, 1970 ja Demografia, syksy 2015 Tampereen yliopisto 29 / 39
30 Dynaamisia, semiparametrisia elinaikamalleja (jatkoa) Main effects Interaction De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli ax Age bx 1 kt (adjusted) Age Year Kuva 8: Lee Carter -malli (1992): log(m x,t ) = a x + b x k t + e x,t, missä m x,t on kuolevuus iässä x vuonna t, a x on keskimääräinen ikäkohtainen kuolevuus, k t on ajassa tapahtuvaa muutosta kuvaava faktori, b x on ikäkohtainen kerroin, ja e x,t on virhetermi. Aineistona vuotiaiden naisten kuolevuudet Demografia, syksy 2015 Tampereen yliopisto 30 / 39
31 Dynaamisia, semiparametrisia elinaikamalleja (jatkoa) Finland: female death rates ( ) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Log death rate Age Kuva 9: Lee Carter -malli välillä alisovittaa ja välillä ylisovittaa kuolevuudet. Sovitukset merkitty katkoviivalla. Naisten kuolevuudet vuosina 1930, 1970 ja Demografia, syksy 2015 Tampereen yliopisto 31 / 39
32 Dynaamisia, semiparametrisia elinaikamalleja (jatkoa) Finland: female death rates ( ) De Moivre Gompertz Makeham Weibull Logistic Beard Dynaamisia malleja Funktionaalinen malli Log death rate Age Kuva 10: Funktionaalinen malli (2007): log(m x,t ) = a x + J j=1 b(j) x k (j) t + e x,t, missä a x on keskimääräinen ikäkohtainen kuolevuus, k (j) t :t ovat ajassa tapahtuvaa muutosta kuvaavia faktoreita, b x (j) :t ikäkohtaisia kertoimia, ja e x,t on virhetermi. Tässä J = 2. Naisten kuolevuudet vuosina 1930, 1970 ja Demografia, syksy 2015 Tampereen yliopisto 32 / 39
33 Merkitys Funktionaalinen malli Väestö Demografia, syksy 2015 Tampereen yliopisto 33 / 39
34 Demografisten muuttujien ennustaminen Merkitys Funktionaalinen malli Väestö Demografisten muutosten ennakoiminen on tärkeää mm. seuraavista syistä: eläkejärjestelmien kestävyys terveydenhoitokulujen ennakointi vaikutukset taloudelliseen kasvuun vaikutukset maailmanpoliittiseen tasapainoon Katso tarkempi analyysi: Chapter 7: Societal Risk Management and Changing Demographics, in Skipper and Kwon (2007). Demografia, syksy 2015 Tampereen yliopisto 34 / 39
35 (jatkoa) Main effects Interaction Merkitys Funktionaalinen malli Väestö ax Age Basis function Age kt (adjusted) Year Kuva 11: Lee Carter -mallin ennustaminen perustuu prosessin k t aikasarjaennustamiseen. Demografia, syksy 2015 Tampereen yliopisto 35 / 39
36 (jatkoa) Main effects Interaction Merkitys Funktionaalinen malli Väestö ax Age Basis function Age kt (adjusted) Year Kuva 12: Lee Carter -mallin ennustaminen perustuu prosessin k t aikasarjaennustamiseen. Demografia, syksy 2015 Tampereen yliopisto 36 / 39
37 (jatkoa) Main effects Interaction Merkitys Funktionaalinen malli Väestö Mean Age Basis function Age Basis function Age Coefficient Coefficient Year Year Kuva 13: Funktionaalisen mallin ennustaminen perustuu faktorien k (1) t,k (2) t,... aikasarjaennustamiseen. Demografia, syksy 2015 Tampereen yliopisto 37 / 39
38 Suomen väestön ikäjakauman ennuste vuosille 2020, 2030 ja 2040 Finland: total population ( ) Merkitys Funktionaalinen malli Väestö Population Age Kuva 14: Ikäjakauman ennuste perustuu Lee Carter -malliin ja imeväisikäisten (0-vuotiaiden) määrän ennustamiseen yksinkertaisella aikasarjamallilla. Estimointiaineisto vuosilta Demografia, syksy 2015 Tampereen yliopisto 38 / 39
39 Kirjallisuutta Merkitys Funktionaalinen malli Väestö Chiang C.L. The life table and its applications. Robert E Krieger Publishing Company: Malabar, Keyfitz, N, and Caswell. H. Applied mathematical demography, Springer-Verlag: New York, 2005 Hyndman, R.J., and Ullah, S. Robust forecasting of mortality and fertility rates: a functional data approach. Computational Statistics Data Analysis, 51, , Lee, R.D, and Carter, L. Modeling and Forecasting the Time Series of U.S. Mortality, Journal of the American Statistical Association 87, , Pesonen M, Soininen P and Tuominen T. Henkivakuutusmatematiikka, Suomen vakuutusalan koulutus ja kustannus oy, 2. painos, 2000 Preston, S.H., Heuveline, P., and Guillot, M. Demography: measuring and modeling population processes. Blackwell, 2001 Skipper, H.D., and Kwon, W.J. Risk Management and Insurance: Perspectives in Global Economy, Blackwell, 2007 Demografia, syksy 2015 Tampereen yliopisto 39 / 39
Kuolevuusseminaari
Kuolevuusseminaari 19.03.2013 K2012: Henkivakuutuksen kuolevuustutkimus Henkivakuutettujen pitkän ajan kuolevuusennuste 1 Aihealueet Taustaa Kuolevuusennuste: menetelmän valinta Kuolevuusennuste: lähtöaineiston
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
LisätiedotKansanterveystiede L2, sivuaine, avoin yo, approbatur. Väestörakenne, sosiodemografiset tekijät ja kansanterveys
Kansanterveystiede L2, sivuaine, avoin yo, approbatur VÄESTÖN TERVEYS L2 Väestörakenne, sosiodemografiset tekijät ja kansanterveys 13.09.2013 Kurssin johtaja: Prof. Eero Lahelma, eero.lahelma@helsinki.fi
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
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotMUUTOKSET VALTIMOTAUTIEN ESIINTYVYYDESSÄ
MUUTOKSET VALTIMOTAUTIEN ESIINTYVYYDESSÄ Yleislääkäripäivät 2017 Veikko Salomaa, LKT Tutkimusprofessori 23.11.2017 Yleislääkäripäivät 2017 / Veikko Salomaa 1 SIDONNAISUUDET Kongressimatka, Novo Nordisk
Lisätiedot, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä
Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
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
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
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotTyöajanodotteet 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)
LisätiedotVÄESTÖENNUSTE
KANSANELÄKELAITOKSEN AKTUAARIJULKAISUJA 6 VÄESTÖENNUSTE 2004 2075 Population projection Finland 2004-2075 500 Väestö ikäryhmittäin, 2004 = 100 Population by age groups, 2004 = 100 400 0-29 30-59 300 60-69
LisätiedotTyEL-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
LisätiedotHarjoitus 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
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotKansanterveystiede L3, L2, sivuaine, avoin yo, approbatur. Väestörakenne: kansanterveyden tarkastelun perusta
Kansanterveystiede L3, L2, sivuaine, avoin yo, approbatur VÄESTÖN TERVEYS L3 Väestörakenne: kansanterveyden tarkastelun perusta 10.10.2012 Kurssin johtaja: Prof. Eero Lahelma, eero.lahelma@helsinki.fi
LisätiedotTilastokeskuksen väestöennuste Kuolevuuslaskelmat. Markus Rapo, Tilastokeskus
Tilastokeskuksen väestöennuste Kuolevuuslaskelmat Markus Rapo, Tilastokeskus Esityksessäni Hieman historiaa ja taustaa Tilastokeskuksen väestöennuste luonne ja tulkinta Kuolleisuuslaskelmat Tilastokeskuksen
LisätiedotJulkaistu Helsingissä 31 päivänä joulukuuta /2013 Sosiaali- ja terveysministeriön asetus
SUOMEN SÄÄDÖSKOKOELMA Julkaistu Helsingissä 3 päivänä joulukuuta 03 Sosiaali- ja terveysministeriön asetus tapaturmavakuutuslain 8 e :n 3 momentin mukaisen haittarahan kertakorvauksen perusteista Annettu
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotVäestö. GE2 Yhteinen maailma Leena Kangas-Järviluoma
Väestö GE2 Yhteinen maailma Leena Kangas-Järviluoma Väkiluku maailmassa elää tällä hetkellä yli 7 mrd ihmistä Population clock väestön määrään ja muutoksiin vaikuttavat luonnolliset väestönmuutostekijät
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
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
Lisätiedot(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.
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotKaksiosaisen kuolevuusperusteen parametriestimointi ja pääoma-arvokertoimet. Samu Salminen ja Tuomas Hakkarainen
Kaksiosaisen kuolevuusperusteen parametriestimointi ja pääoma-arvokertoimet Samu Salminen ja Tuomas Hakkarainen 3.6.2015 Sisältö 1 Nykyinen yksiosainen Gompertz-kuolevuusmalli 2 1.1 Nykyperusteen määritelmä
LisätiedotTyöajanodotteet 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)
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotTyEL-kuolevuusperusteesta
TyEL-kuolevuusperusteesta 26.5.2015 29.5.2015 Kuolevuusperusteesta Tuomas Hakkarainen 1 Tarve kuolevuusperusteelle TyEL-vakuutuksessa Työnantajan eläkevakuutuksen vanhuuseläkevastuut ovat pitkäikäisiä,
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
Lisätiedoty (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x
BM0A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 4, Kevät 017 Päivityksiä: 1. Ratkaise differentiaaliyhtälöt 3y + 4y = 0 ja 3y + 4y = e x.. Ratkaise DY (a) 3y 9y + 6y = e 10x (b) Mikä on edellisen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
Lisätiedotsaadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 208 4 Funktion raja-arvo 4 Määritelmä Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: fx) A < ε aina, kun 0 < x a < δ, saadaan kvanttorien järjestystä vaihtamalla
LisätiedotMatematiikan peruskurssi 2
Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotSARJAT JA DIFFERENTIAALIYHTÄLÖT
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 43 0.5 0.4 0.3 0.2 0.1 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.1 0.2 0.3 0.4 0.5 0.6 0.7 1 0.8 0.6 0.4 0.2 0.2 0.4 0.6 0.8 1 Kuva 12. Esimerkin 4.26(c kuvauksen
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
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
Lisätiedot2. Viikko. CDH: luvut (s ). Matematiikka on fysiikan kieli ja differentiaaliyhtälöt sen yleisin murre.
2. Viikko Keskeiset asiat ja tavoitteet: 1. Peruskäsitteet: kertaluku, lineaarisuus, homogeenisuus. 2. Separoituvan diff. yhtälön ratkaisu, 3. Lineaarisen 1. kl yhtälön ratkaisu, CDH: luvut 19.1.-19.4.
LisätiedotKansanterveystiede L2, L3, sivuaine, avoin yo, approbatur. Väestörakenne: kansanterveyden tarkastelun perusta
Kansanterveystiede L2, L3, sivuaine, avoin yo, approbatur VÄESTÖN TERVEYS L2 Väestörakenne: kansanterveyden tarkastelun perusta 13.09.2012 Kurssin johtaja: Prof. Eero Lahelma, eero.lahelma@helsinki.fi
LisätiedotDiskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
LisätiedotGompertz-kuolevuusmallin laajennus työntekijät eläkelaissa (TyEL)
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty Laitos Institution Department Matemaattis-luonnontieteellinen Tekijä Författare Author Samu
Lisätiedotb) Jos Ville kaataisikin karkit samaan pussiin ja valitsisi sieltä sattumanvaraisen karkin, niin millä todennäköisyydellä hän saisi merkkarin?
MAA1-harjoituskoe RATKAISUT 1. Villellä on kaksi karkkipussia. Ensimmäisessä pussissa on 3 salmiakkiufoa, 2 merkkaria ja 5 liitulakua. Toisessa pussissa on 5 merkkaria, 3 liitulakua ja 4 hedelmäkarkkia.
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
Lisätiedotw + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
Lisätiedotf (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2
BMA581 - Differentiaalilaskenta ja sovellukset Harjoitus 4, Syksy 15 1. (a) Olisiko virhe likimain.5, ja arvio antaa siis liian suuren arvon. (b) Esim (1,1.5) tai (,.5). Funktion toinen derivaatta saa
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
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotKuolevuusseminaari 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)
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotDifferentiaaliyhtälöt I Ratkaisuehdotuksia, 2. harjoitus, kevät Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d
Differentiaaliyhtälöt I Ratkaisuehdotuksia,. harjoitus, kevät 016 1. Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d dx ): (a) y + xy = xe x, (b) (1 + x ) y xy = (1 + x ), (c) y sin x y = 1 cos
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotKuolevuus 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
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotFinanssisitoumusten suojaamisesta
Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta
LisätiedotTehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)
1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 26.3.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 6, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 6, Kevät 2018 Päivityksiä: Ratkaisuja päivitetty paljon. 1. Fiktiivisellä saarella asuu pieniä otuksia, joiden elinkaari on seuraavanlainen: jokainen
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotVäestöennusteet suunnittelun välineenä
et suunnittelun välineenä Tilastokeskuksen väestöennusteen luonne ja tulkinta Ennakoinnin ajokortti -koulutus 25.9.2012 Marja-Liisa Helminen, yliaktuaari Tilastokeskus Esityksessäni Hieman väestöennusteiden
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, 2952018, Ratkaisut (Sarja A) 1 Anna kaikissa kohdissa vastaukset tarkkoina arvoina Kohdassa d), anna kulmat
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
Lisätiedot9. 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
LisätiedotMuuttoliike ja väestön ikääntyminen
analyysit Muuttoliike ja väestön ikääntyminen Juha M. Alho Vaikka muuttoliike voi tuoda maahan työikäisiä henkilöitä, yleisesti ajatellaan, ettei se voisi merkittävästi vaikuttaa väestön ikärakenteen vanhenemiseen.
LisätiedotUsean vakuutetun henkivakuutukset
Usean vakuutetun henkivakuutukset Kati Suontausta Matematiikan- ja tilastotieteen laitos Helsingin yliopisto 24. syyskuuta 2012 1 Sisältö 2 1 Johdanto Tämä pro gradu -tutkielma käsittelee henkivakuutuksia
LisätiedotKopulafunktiot. Joonas Ollila 12. lokakuuta 2011
Kopulafunktiot Joonas Ollila 12. lokakuuta 2011 Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään. Kopula-sanan alkuperä Kopula tarkoittaa
Lisätiedotsin x cos x cos x = sin x arvoilla x ] π
Matematiikan johdantokurssi, syksy 08 Harjoitus 0, ratkaisuista. Todenna, että = + tan x. Mutta selvitäppä millä reaaliarvoilla se oikeasti pitää paikkansa! Ratkaisu. Yhtälön molemmat puolet ovat määriteltyjä
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
Lisätiedot