Korvausvastuun ennustejakauma bootstrap-menetelmän avulla

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Korvausvastuun ennustejakauma bootstrap-menetelmän avulla"

Transkriptio

1 Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen

2 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä Yhteenveto 2

3 Korvausvastuu vahinkovakuutuksessa Korvausvastuu = sattuneiden vahinkojen maksamattomat korvaukset Korvausvastuu (kollektiivivaraus) arvioidaan riskiltään samanlaisten vakuutusten joukolle yhteisesti Ennuste pyritään yleensä saamaan odotusarvon tasolle sattumisvuosi kehitysvuosi ? ?? ??? ???? ????? 3

4 Korvausvastuu vahinkovakuutuksessa Halutaan tietää enemmän kuin vain odotusarvo: Riskienhallinta Korvausvastuun riittävyys Kuinka suuri varmuuslisä odotusarvon lisäksi? Solvenssi II,, reserviriski Sisäiset mallit Ennustevirhe Ennustejakauma Simuloinnin hyödyntäminen 4

5 Korvausvastuun arviointi Poisson-malli ylihajonnalla (over-dispersed Poisson, ODP) Stokastinen malli Mallinnetaan inkrementaalisten korvausten odotusarvot Ennusteet sovittamalla malli havaittuihin korvauksiin Varianssi kuvaa todellisen arvon vaihtelua odotusarvosta Ottaa huomioon korvausten taustalla olevan satunnaisuuden Vain stokastisessa mallissa saadaan arvioitua ennustevirheen suuruutta ja muodostettua ennustejakauma! 5

6 Ennustevirhe Todellisen arvon ja ennusteen välinen ero Mitä pienemmäksi ennustevirhe arvioidaan, sitä tarkempi on ennuste* Käytetylle mallille arvioitu ennustevirheen vaihtelu ei saisi olla liian suuri Karkeasti esitettynä: Ennustevirhe = estimointivirhe + prosessivirhe Mallin sovittamisesta aiheutuva epävarmuus. Millaista vaihtelua puhdas satunnaisuus aiheuttaa? Saadaan mallissa oletetusta varianssista. Tiedetäänkö vielä, mikä on suurin arvo, jonka korvausvastuu saa esim. 90 % todennäköisyydellä? * Ennustevirhettä mitataan varianssin ja hajonnan avulla (mean square error of prediction, prediction error) 6

7 Ennustejakauma Kertoo korvausvastuun kaikki mahdolliset arvot ja todennäköisyydet, joilla korvausvastuu toteutuu enintään kyseisen arvon suuruisena Odotusarvo vastaa korvausvastuun odotusarvoa Hajonta mittaa ennustevirheen suuruutta Saadaan paljon hyödyllistä tietoa varmuuslisän määrittämiseksi ja korvausvastuun riittävyyden arvioimiseksi Koska korvausvastuu on tulevien korvausten summa, joilla jokaisella on oma jakaumansa, ennustejakauman laskeminen analyyttisesti on raskasta 90 % Korvausvastuu, 7

8 Bootstrap-/simulointimenetelmä Bootstrap-menetelmä Korvataan teoreettiset päätelmät useasti toistetuilla empiirisillä päätelmillä: Tuotetaan pseudo-korvauskolmio alkuperäisestä korvauskolmiosta (otanta takaisinpanolla) Lasketaan tuleville korvauksille uudet odotusarvot alkuperäisellä menetelmällä Edelliset vaiheet toistetaan useita kertoja Simulointi odotusarvojen vaihtelu alkuperäisestä kertoo estimointivirheen suuruudesta Simuloidaan realisaatiot tuleville korvauksille niille oletetuista jakaumista ottaa huomioon prosessivirheen tuottaa realisaation korvausvastuusta 8

9 Bootstrap-/simulointimenetelmä Korvausvastuun mallin määrittely ja sovitus (ODP), jäännösten laskenta Bootstrap- vaihe Uusien estimaattien laskenta (mallin sovitus uuteen korvauskolmioon tai chain-ladder -menetelmän hyödyntäminen) (estimointivirhe) Simulointivaihe (prosessivirhe) Uusi korvauskolmio (jäännösten otanta takaisinpanolla) Toteutuvien korvausten simulointi jakaumasta, jonka odotusarvo ja varianssi edellisestä kohdasta Toistetaan useita kertoja. Joka kierroksen jälkeen simuloinnin tulokset talletetaan. Tuloksista lasketut korvausvastuut muodostavat ennustejakauman 9

10 Bootstrap-/simulointimenetelmä Korvausvastuun odotusarvo Tuloksista 75 % jäänyt pienemmäksi kuin ,030 0,025 0,020 0,015 0,010 0,005 0, Reserve Hajonta on 249, joka on 2 % korvausvastuun odotusarvosta 10

11 Yhteenveto Ennustevirhettä arvioimalla saadaan käsitys siitä, kuinka paljon toteutuvat korvaukset voivat poiketa ennusteestaan Korvausvastuun riittävyyden varmistamiseksi ennustejakauma tuo hyödyllistä lisätietoa myös riskienhallintaa, sisäistä mallinnusta ja tulevia viranomaisvaatimuksia varten (Solvenssi II) Bootstrap-/simulointimenetelmällä saadaan helposti arvio ennustevirheestä ja ennustejakaumasta Vaatii taustalle stokastisen mallin, esim. Poisson-mallin ylihajonnalla. Datan tunteminen, mallin valinta ja tulosten analysointi on edelleen tärkeää Esim. menetelmällä saatu arvio keskimääräisestä ennustevirheestä ei sisällä virhettä siitä, että on valittu väärä malli mallinnettavalle ilmiölle 11

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Suppea SHV-työ Sari Ropponen 13.11.2008 Sisällysluettelo Abstract...1 1 Johdanto...2 2 Korvausvastuun arviointi...4 2.1 Korvauskolmio lähtötietona...4

Lisätiedot

Arvioi korvausvastuun kokonaismäärä PPCI-menetelmällä. Ratkaisuohje: Maksettujen korvausten inkrementaalinen kolmio

Arvioi korvausvastuun kokonaismäärä PPCI-menetelmällä. Ratkaisuohje: Maksettujen korvausten inkrementaalinen kolmio Y1. Arvioi korvausvastuun kokonaismäärä PPCI-menetelmällä. Maksettujen korvausten inkrementaalinen kolmio 1 2 3 4 2012 13 000 4 000 400 100 2013 12 000 3 500 300 2014 10 000 3 000 2015 8 000 Vahinkojen

Lisätiedot

Vahinkovakuutuksen vakavaraisuusvalvonnan kehittämishaasteet: Vastuuvelan Best Estimaten laskeminen. Aktuaariyhdistyksen kuukausikokous 26.4.

Vahinkovakuutuksen vakavaraisuusvalvonnan kehittämishaasteet: Vastuuvelan Best Estimaten laskeminen. Aktuaariyhdistyksen kuukausikokous 26.4. Vahinkovakuutuksen vakavaraisuusvalvonnan kehittämishaasteet: Vastuuvelan Best Estimaten laskeminen Aktuaariyhdistyksen kuukausikokous 26.4.2007 Pasi Laaksonen Vastuuvelka Solvenssi II: kehikossa Vastuuvelka

Lisätiedot

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty Laitos Institution Department Matemaattis-luonnontieteellinen Tekijä Författare Author Helena

Lisätiedot

Mittaustulosten tilastollinen käsittely

Mittaustulosten tilastollinen käsittely Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe

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-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Vahinkojen selvittelykuluvaraus vahinkovakuutuksessa

Vahinkojen selvittelykuluvaraus vahinkovakuutuksessa Vahinkojen selvittelykuluvaraus vahinkovakuutuksessa SHV-harjoitustyö Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Mika Sirviö Vakuutuskeskus Vakuutuskeskuksen muodostavat: Liikennevakuutuskeskus

Lisätiedot

Simulointi. Varianssinhallintaa Esimerkki

Simulointi. Varianssinhallintaa Esimerkki Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 8: Parametrien estimointi ja luottamusvälit Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia.

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia. SHV - TUTKINTO Vakavaraisuus 30.9.2010 klo 9-15 1(5) 1. Henkivakuutusosakeyhtiö Tuoni myöntää yksilöllisiä henkivakuutuksia (sijoitussidonnaisia, laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka 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

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

Parametrin estimointi ja bootstrap-otanta

Parametrin estimointi ja bootstrap-otanta Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

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

LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS

LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS Helsinki 26..200 4 2 5 Seminaari 26..200 Mikko Hakola Laskentatoimen osaaminen Testatut tahot Selvittäjiä Yrittäjiä KLT-kirjanpitäjiä Virallisen

Lisätiedot

MATEMAATIKKONA VAKUUTUSYHTIÖSSÄ. Sari Ropponen Suomen Aktuaariyhdistyksen kokous Helsingin Yliopisto, Kumpulan kampus

MATEMAATIKKONA 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.

Lisätiedot

Vakavaraisuusvaade vahinkovakuutuksessa

Vakavaraisuusvaade vahinkovakuutuksessa Vakavaraisuusvaade vahinkovakuutuksessa Aktuaariyhdistyksen solvenssiseminaari Antti Pulkkinen ja Sari Ropponen 18.5.2010 5/25/10 1 Sisältö QIS5[-luonnoksen] tärkeimmät muutokset SCR: yleiskuva SCR non-life

Lisätiedot

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollisia peruskäsitteitä ja Monte Carlo Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia

Lisätiedot

Matemaatikot ja tilastotieteilijät

Matemaatikot ja tilastotieteilijät Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat

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

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen

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

Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan

Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan Projektisuunnitelma 11.2.2009 Toimeksiantajat: Pöyry Infra Oy (Pekka

Lisätiedot

LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ

LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ Aktuaarijaosto 28.6.2016 LIIKENNEVAKUUTUKSEN RISKITUTKIMUS VUODELLE 2017 LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN 2011-2015 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ KORVAUKSET / VAKUUTUSVUOSI

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

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen 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 ),

Lisätiedot

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,

Lisätiedot

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden 1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma

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

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

Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu

Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu (Valmiin työn esittely) 11.4.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Työn tavoite Tutkia evoluutioalgoritmia (Lee

Lisätiedot

Vakuutusmatematiikan sovellukset klo 9-15

Vakuutusmatematiikan sovellukset klo 9-15 SHV - tutkinto Vakuutusmatematiikan sovellukset 19.11.2009 klo 9-15 1. Erään vakuutuslajin hinnoittelu perustuu kahteen tariffitekijään A ja B. Taustaoletuksena on, että yksittäisessä tariffitekijöiden

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS. Aktuaarijaosto 30.6.2015 LIIKENNEVAKUUTUKSEN RISKITUTKIMUS VUODELLE 2016 HUOM: ajoneuvoryhmittelyä on tarkennettu vs. edellinen riskitutkimus (harmaat palkit kuvassa) LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO-

Lisätiedot

Tilastotieteen aihehakemisto

Tilastotieteen aihehakemisto Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet

Lisätiedot

Matemaatikkona vakuutusyhtiössä. Sari Ropponen Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Kumpulan kampus

Matemaatikkona 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

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 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

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen 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

Lisätiedot

Skenaariot suurpetokantojen verotuksen suunnittelussa

Skenaariot suurpetokantojen verotuksen suunnittelussa Skenaariot suurpetokantojen verotuksen suunnittelussa Katja Holmala Riistapäivät 19.1.2016 Esityksen rakenne Tausta Mallit ilveksen populaatiokehityksestä Malli 1: populaatiomalli Malli 2: skenaario- eli

Lisätiedot

Ennustaminen ARMA malleilla ja Kalmanin suodin

Ennustaminen 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

Lisätiedot

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS. Aktuaarijaosto 7.8.212 LIIKENNEVAKUUTUKSEN KORJATTU RISKITUTKIMUS VUODELLE 213 LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA 27-211 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ

Lisätiedot

Identifiointiprosessi

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

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

D ( ) E( ) E( ) 2.917

D ( ) E( ) E( ) 2.917 Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,

Lisätiedot

VARIANSSIANALYYSI ANALYSIS OF VARIANCE

VARIANSSIANALYYSI ANALYSIS OF VARIANCE VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.

Lisätiedot

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,

Lisätiedot

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia.

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia. SHV - TUTKINTO Vakavaraisuus 30.9.2010 klo 9-15 1(6) 1. Henkivakuutusosakeyhtiö Tuoni myöntää yksilöllisiä henkivakuutuksia (sijoitussidonnaisia, laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä

Lisätiedot

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat 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

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

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

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

Harha mallin arvioinnissa

Harha 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

Lisätiedot

Identifiointiprosessi

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

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Mitä kalibrointitodistus kertoo?

Mitä kalibrointitodistus kertoo? Mitä kalibrointitodistus kertoo? Luotettavuutta päästökauppaan liittyviin mittauksiin MIKES 21.9.2006 Martti Heinonen Tavoite Laitteen kalibroinnista hyödytään vain jos sen tuloksia käytetään hyväksi.

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden 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

Lisätiedot

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA 2009-2013 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA 2009-2013 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS. Aktuaarijaosto 2.7.2014 LIIKENNEVAKUUTUKSEN RISKITUTKIMUS VUODELLE 2015 LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA 2009-2013 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ

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

Vakuutusyhtiö Mopokone Oyj:llä on seuraavat maksettujen korvausten tilastot koskien mopedivakuutuksia, jotka ovat voimassa kalenterivuoden kerrallaan:

Vakuutusyhtiö 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:

Lisätiedot

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.

LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS. Aktuaarijaosto 6.8.213 LIIKENNEVAKUUTUKSEN RISKITUTKIMUS VUODELLE 214 LIIKENNEVAKUUTUKSEN KORVAUKSET AJONEUVO- RYHMITTÄIN VAKUUTUSVUOTTA KOHTI VUOSINA 28-212 KESKIMÄÄRIN vs. HENKILÖAUTOT, YKS.KÄYTTÖ KORVAUKSET

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia

Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia FORS-seminaari 2005 - Infrastruktuuri ja logistiikka Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia Ville Hyvönen EP-Logistics Oy Taustaa Ville Hyvönen DI (TKK, teollisuustalous, tuotannon

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio

Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio Ito-prosessit Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma Optimointiopin seminaari - Syksy 2000 / 1 Ito-prosessit Brownin liikkeen yleistys (Ito prosessi) x(t) : dx

Lisätiedot

LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN KESKIMÄÄRIN vs. vs. HENKILÖAUTOT, YKS.KÄYTTÖ

LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN KESKIMÄÄRIN vs. vs. HENKILÖAUTOT, YKS.KÄYTTÖ Aktuaarijaosto 21.6.2017 LIIKENNEVAKUUTUKSEN RISKITUTKIMUS VUODELLE 2018 LIIKENNEVAKUUTUKSEN RISKIMAKSUT AJONEUVO- RYHMITTÄIN 2012-2016 KESKIMÄÄRIN vs. vs. HENKILÖAUTOT, YKS.KÄYTTÖ HENKILÖAUTOT, YKS. KÄYTTÖ

Lisätiedot

Uskottavuusperusteisten luottamusvälien korjaaminen bootstrap-menetelmällä Pro gradu -esitelmä

Uskottavuusperusteisten luottamusvälien korjaaminen bootstrap-menetelmällä Pro gradu -esitelmä Uskottavuusperusteisten luottamusvlien korjaaminen bootstrap-menetelmllpro gradu -esitelm p. 1/35 Uskottavuusperusteisten luottamusvälien korjaaminen bootstrap-menetelmällä Pro gradu -esitelmä 29.4.2009

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

2. TILASTOLLINEN TESTAAMINEN...

2. TILASTOLLINEN TESTAAMINEN... !" # 1. 1. JOHDANTO... 3 2. 2. TILASTOLLINEN TESTAAMINEN... 4 2.1. T-TESTI... 4 2.2. RANDOMISAATIOTESTI... 5 3. SIMULOINTI... 6 3.1. OTOSTEN POIMINTA... 6 3.2. TESTAUS... 7 3.3. TESTIEN TULOSTEN VERTAILU...

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

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

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

KORJAUSVELAN LASKENTAMALLI KÄYTTÖÖN

KORJAUSVELAN LASKENTAMALLI KÄYTTÖÖN KORJAUSVELAN LASKENTAMALLI KÄYTTÖÖN KEHTO-foorumi Seinäjoki 23.10.2014 TAUSTAA Korjausvelan määrityshanke vuonna 2012-2013 Katujen ja viheralueiden korjausvelan periaatteita ei ollut aiemmin määritelty

Lisätiedot

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 15. maaliskuuta 2004 T-79.179: Stokastinen analyysi 8-1 Mihin tarvitaan stokastista analyysiä? Saavutettavuusanalyysissä

Lisätiedot

Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla

Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla Annukka Lehikoinen 02.12.2008 Helsingin yliopisto Bio- ja ympäristötieteiden laitos Luonnonvarojen käytön

Lisätiedot

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Ohjaaja: TkT Aki Vehtari Valvoja: Prof. Harri Ehtamo Kandidaattiseminaari 21 1.11.21 Esityksen rakenne Tausta Derivaattahavaintojen

Lisätiedot

Aki Taanila AIKASARJAENNUSTAMINEN

Aki Taanila AIKASARJAENNUSTAMINEN Aki Taanila AIKASARJAENNUSTAMINEN 26.4.2011 SISÄLLYS JOHDANTO... 1 1 AIKASARJA ILMAN SYSTEMAATTISTA VAIHTELUA... 2 1.1 Liukuvan keskiarvon menetelmä... 2 1.2 Eksponentiaalinen tasoitus... 3 2 AIKASARJASSA

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

P (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

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

Kirjanpitolautakunnan kuntajaosto LAUSUNTO 108 1 (5) 16.1.2015

Kirjanpitolautakunnan kuntajaosto LAUSUNTO 108 1 (5) 16.1.2015 Kirjanpitolautakunnan kuntajaosto LAUSUNTO 108 1 (5) 16.1.2015 LAUSUNTO POTILASVAKUUTUSVASTUUN KIRJAAMISOHJEIDEN MUUTTAMISESTA 1 Lausuntopyyntö Sairaanhoitopiiri A ja sairaanhoitopiiri B (myöhemmin hakijat)

Lisätiedot

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

Lisätiedot

PYHTÄÄN KUNTA RUOTSINPYHTÄÄN KUNTA

PYHTÄÄN KUNTA RUOTSINPYHTÄÄN KUNTA Liite 16 PYHTÄÄN KUNTA RUOTSINPYHTÄÄN KUNTA VT 7 MELUALUEEN LEVEYS 6.10.2005 SUUNNITTELUKESKUS OY RAPORTTI Turku / M. Sairanen VT 7, melualueen leveys 6.10.2005 SISÄLLYSLUETTELO 1. JOHDANTO... 1 2. LASKENNAN

Lisätiedot

Tasoitusmääräjärjestelmän sopeuttaminen solvenssi II ympäristöön

Tasoitusmääräjärjestelmän sopeuttaminen solvenssi II ympäristöön Tasoitusmääräjärjestelmän sopeuttaminen solvenssi II ympäristöön Suomen Aktuaariyhdistyksen vuosikokous 28.2.2012 Markku Miettinen 27.2.2012 1 Sisältö Perusperiaatteita uudelle TM järjestelmälle vahinkovakuutuksessa

Lisätiedot

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo

FoA5 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta

Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta Antti Lukkarinen, Metsäntutkimuslaitos, Rovaniemen toimintayksikkö Puun käyttö- ja markkinamahdollisuudet, PKM-tutkimusohjelman

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

ETRS89- kiintopisteistön nykyisyys ja tulevaisuus. Jyrki Puupponen Kartastoinsinööri Etelä-Suomen maanmittaustoimisto

ETRS89- kiintopisteistön nykyisyys ja tulevaisuus. Jyrki Puupponen Kartastoinsinööri Etelä-Suomen maanmittaustoimisto ETRS89- kiintopisteistön nykyisyys ja tulevaisuus Jyrki Puupponen Kartastoinsinööri Etelä-Suomen maanmittaustoimisto Valtakunnalliset kolmiomittaukset alkavat. Helsingin järjestelmä (vanha valtion järjestelmä)

Lisätiedot

Teoria. Prosessin realisaatioiden tuottaminen

Teoria. Prosessin realisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit

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