Kaksiosaisen kuolevuusperusteen parametriestimointi ja pääoma-arvokertoimet. Samu Salminen ja Tuomas Hakkarainen

Koko: px
Aloita esitys sivulta:

Download "Kaksiosaisen kuolevuusperusteen parametriestimointi ja pääoma-arvokertoimet. Samu Salminen ja Tuomas Hakkarainen"

Transkriptio

1 Kaksiosaisen kuolevuusperusteen parametriestimointi ja pääoma-arvokertoimet Samu Salminen ja Tuomas Hakkarainen

2 Sisältö 1 Nykyinen yksiosainen Gompertz-kuolevuusmalli Nykyperusteen määritelmä ja parametrit Nykyperusteen vahinkosuhteet Kaksiosainen kuolevuusperuste Kaksiosaisen kuolevuusperusteen määritelmä Parametrien estimointi aineistosta Vuoden 2016 toteumakuolevuuden estimointi Suorasovitteet toteumakuolevuuteen Ikätriggerin valinta Suorasovitteiden parametrit Ikäsiirtoparametrin b 2 valinta Suorasovitteiden ln(ˆµ x ) kääntäminen ikäsiirtomalliksi N- ja D-luvut kaksiosaisessa kuolevuusperusteess 4.1 D-luvut kaksiosaisessa kuolevuusperusteessa N-luvut kaksiosaisessa kuolevuusperusteessa Ikäsiirrot diskonttaus- ja kommutaatiofunktioissa Yhteenveto 25 1

3 Luku 1 Nykyinen yksiosainen Gompertz-kuolevuusmalli Nykyinen yksiosainen Gompertz-kuolevuusmalli on ollut käytössä työeläkejärjestelmässä sen alusta asti. Sen etuina on katsottu olevan mm. mallin yksinkertaisuus. Aluksi parametrin b 2 avulla huomioitiin ainoastaan sukupuolten välinen ero kuolevuudessa. Vuodesta 1987 alkaen parametrista b 2 tehtiin kymmenvuotiskohorttikohtainen. Tämän muutoksen avulla malli huomioi myös kuolevuuden alenemisen. Mallin valinnalla ja osuvuudella on merkitystä vanhuuseläkeliikkeessä, sillä se määrää pääoma-arvokertoimet, joilla varaudutaan vastaisten ja alkaneiden vanhuuseläkkeiden suorituksiin tulevaisuudessa. 1.1 Nykyperusteen määritelmä ja parametrit Määritelmä 1.1. Nykyisen yksiosaisen kuolevuusperusteen (Gompertz) kuolevuusintensiteetti µ iässä x saadaan kaavalla µ x = a 1 e a 2(x+b 2 ) = e a 2(x+b 2 )+ln(a 1 ), missä x > 0, a 1 > 0, a 2 > 0. Kuolevuusmallin parametreihin on vuosien saatossa tehty useita muutoksia TEL:n/TyEL:n kuolevuuksien muutosten vuoksi. Viimeisin parametrimuutos kuolevuusperusteeseen tehtiin vuoden 2001 lopussa, jota edelsi muutos vuoden 1996 lopussa. Lisäksi vuonna 2008 tehtiin tekninen muutos 90-luvun kohortin huomioimiseksi. Tällä hetkellä naisten kuolevuus vastaa 7 vuotta nuoremman miehen kuolevuutta (ikäsiirtoparametrien sukupuolten välinen ero on 7) ja ikäsiirtoparametri olettaa kuolevuuden alentuvan yhdellä vuodella kymmenessä vuodessa. 2

4 Määritelmä 1.2. TyEL:n Gompertz-kuolevuusmallin laskuperusteiden 2014 mukaiset parametrit. a 1 = e 0,57 a 2 = 0, 095 0, v x < , 1930 v x < , 1940 v x < , 1950 v x < , 1960 v x < 1970 b 2,mies = 4, 1970 v x < , 1980 v x < , 1990 v x < , 2000 v x < , 2010 v x < , v x < , 1930 v x < , 1940 v x < , 1950 v x < , 1960 v x < 1970 b 2,nainen = 11, 1970 v x < , 1980 v x < , 1990 v x < , 2000 v x < , 2010 v x < Nykyperusteen vahinkosuhteet Kuolevuusperusteen osuvuutta mitataan vastuiden kautta lasketun vahinkosuhteen mukaan. Vahinkosuhteella tarkoitetaan kuolevuusperusteen mukaan teoreettisesti vapautuvan vastuun ja toteutuneen kuolleilta vapautuneen vastuun suhdetta. Vuonna v x-ikäisiä henkiinjääviä on teoreettisen kuolevuuden mukaan lukumääräsuhteena (1.3) exp µ x+t dt e µx, jolloin kuolleiden ja henkiinjäävien suhde on 1 e µx. Vuoden v ikäkohtainen vanhuuseläkeliikkeen vahinkosuhde lasketaan e µx kaavalla rs v,x = 1 e µx ( V V A e µx v,x + V v,x) V Ev,x V (µ x µ2 x)( V v,x V A E V v,x + V V v,x) := V v,x(q) Ev,x V, missä V v,x V A on vuoden v lopussa elossaolevien x ikäisten alkanut vanhuuseläkevastuu ja V v,x V vastaava vastainen vanhuuseläkevastuu. EV v,x on toteutunut kuolleilta x-ikäisiltä vapautunut vanhuuseläkevastuu. Kokonaisvahinkosuhde vuonna v saadaan summaamalla 3

5 osoittajan ja nimittäjän termit yli ikien. Kokonaisvahinkosuhde on ollut tappiollinen vuosina Vaikka kokonaisvahinkosuhde on saatu säännöllisten täydennysten (parametrimuutosten) avulla pidettyä hallinnassa, ovat sukupuolikohtaiset vahinkosuhteet poikenneet toisistaan merkittävästi. Vuosi v rs v (yhteensä) rs v rs v ,7 % 103,8 % 100,0 % ,9 % 104,4 % 95,5 % ,0 % 102,1 % 96,5 % ,8 % 105,2 % 99,5 % ,7 % 109,5 % 94,5 % ,2 % 107,9 % 97,8 % Taulukko 1.1: TyEL:n vanhuuseläkeliikkeen vahinkosuhteet vuosina Sukupuolikohtaisten vahinkosuhteiden lisäksi kymmenvuotiskohorttikohtaiset vahinkosuhteet ovat poikenneet toisistaan merkittävästi vuosittain. Alla on taulukoitu vuoden 2013 vahinkosuhteet kohorteittain ja sukupuolittain. Syntymävuosikymmen rs v (yhteensä) rs v rs v >80-luku 43,9 % 34,7 % 70,0 % 80-luku 66,8 % 60,1 % 94,7 % 70-luku 106,9 % 104,6 % 115,5 % 60-luku 114,1 % 122,0 % 95,0 % 50-luku 105,7 % 105,7 % 105,7 % 40-luku 106,7 % 107,9 % 103,7 % 30-luku 110,7 % 116,2 % 101,3 % <30-luku 79,3 % 93,4 % 65,8 % Taulukko 1.2: TyEL:n vanhuuseläkeliikkeen vahinkosuhteet vuonna 2013 sukupuolittain ja kymmenivuotiskohorteittain Huomionarvoista on se, että vahinkosuhteet ovat tappiollisia kohorteissa, joissa vastuupaino on tällä hetkellä suuri (1940- ja 1950-syntyneet sekä miehillä 1960-syntyneet). Kokonaisvahinkosuhde painuu tappiolliseksi pääosin näiden tappiollisten kohorttien vuoksi. Vanhoissa i'issä kuolevuusperuste tuottaa merkittävää ylijäämää, eli todellinen kuolevuus on korkeampaa kuin nykyperuste ennustaa (1920-luvulla ja sitä ennen syntyneillä). Tämä ylijäämä ei kuitenkaan riitä nostamaan kokonaisvahinkosuhdetta positiiviseksi. 4

6 Luku 2 Kaksiosainen kuolevuusperuste Määritellään kohortti- ja sukupuolikohtaisten vahinkosuhde-ennusteiden tasaamiseksi kaksiosainen Gompertz-kuolevuusmalli, jossa tietyssä ikäsiirretyssä iässä k muutetaan jäljellä olevan elinajan jakauman parametreja vastaamaan aineistosta havaittua kuolevuuden käyttäytymistä. 2.1 Kaksiosaisen kuolevuusperusteen määritelmä Määritelmä 2.1. Kaksiosaisen kuolevuusperusteen kuolevuusintensiteetti µ x on a 11 e (x+b 2 ), kun x + b 2 k µ x = a 21 e a 22(x+b 2 ), kun x + b 2 > k. Parametrit riippuvat kaksiosaisessa mallissa siis ikäsiirretystä iästä x + b 2. Kun ikäsiirtoparametri b 2 valitaan vakioksi rajaiän k molemmin puolin, on µ:n määritelmä yksikäsitteinen. Parametrin k kiinnittämisen jälkeen parametrit a i1 ja a i2, i 1, 2 voidaan estimoida sovittamalla logaritmiseen toteumakuolevuuteen suorat pienimmän neliösumman menetelmällä parametrin k molemmille puolille. Koska ikäsiirto b 2 ei riipu rajasta k, voidaan myös kaksiosaisen mallin pohjalta N x ja D x taulukoida vastaamaan ikäsiirtämättömiä ikiä, jolloin x-ikäiselle tiettyyn kohorttiin kuuluvalle henkilölle voidaan N- ja D-luvut hakea ikäsiirtämättömästä taulukosta ikäsiirron b 2 mukaisesti. Seuraavissa osioissa esitellään parametrien johtaminen havaintoaineistosta sekä N- ja D- lukujen laskeminen uudella kaksiosaisella sovitteella. 5

7 Luku 3 Parametrien estimointi aineistosta 3.1 Vuoden 2016 toteumakuolevuuden estimointi Kaksiosaisen kuolevuusperusteen parametrit on laskettu sovittamalla ensin kaksiosainen log-lineaarinen suora vuoden 2016 estimoituun riskiperusteanalyysin mukaiseen kuolevuuteen valitun rajaiän k mukaisesti. Vuoden 2016 TyEL-kuolevuus on ennustettu alentamalla vuosien riskiperusteanalyysien ikäkohtaista liukuvaa keskiarvokuolevuutta Lee-Miller-mallin antamalla väestökuolevuuteen pohjautuvalla mallilla. Käytetty Lee-Miller-malli pohjautuu vuosien väestökuolevuuksiin ja se antaa ikäkohtaisen kuolevuuden vakiomuutoksen, jolla kuolevuus alenee vuodessa keskimäärin noin 1,61 % miehillä ja naisilla noin 1,83 %. Vuoden 2016 ikäkohtainen kuolevuusintensiteetti lasketaan kaavalla (3.1) µ 2016 tot,x = (1 x) ( ) v=2009 ( µ v tot,x ), missä x on ikäkohtainen Lee-Miller mallin antama kuolevuuden muutos vuodessa. Malli olettaa muutoksen vuodessa vakioksi tietyssä iässä. Tällä tekniikalla saadaan vuodelle 2016 seuraavat kuolevuusintensiteetit 6

8 Ikä µ x µ x 18 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,00071 Ikä µ x µ x 46 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,01203 Ikä µ x µ x 74 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,33829 Taulukko 3.1: Estimoidut TyEL-kuolevuudet i'ittäin vuonna

9 3.2 Suorasovitteet toteumakuolevuuteen Vuoden 2016 ennustettuun toteumakuolevuuteen tehdään pienimmän neliösumman menetelmällä suorasovitteet molemmille sukupuolille (3.2) ln(ˆµ 2016 x ) = α 1 x + β 1, kun 40 x k 90 α 2 x + β 2, kun 40 < k < x 90, missä α 1 = ( k (k ) x=40 xln(µ2016 (k ) ) ( k ) ( tot,x) x=40 x k x=40 ln(µ2016 ( k ) ( k ) 2 x=40 x2 x=40 x tot,x) ) α 2 = (90 k) ( 90 x=k+1 xln(µ2016 tot,x) ) ( 90 x=k+1 x) ( 90 x=k+1 ln(µ2016 tot,x) ) (90 k) ( 90 x=k+1 x2) ( 90 x=k+1 x) 2 β 1 = β 2 = ( k x=40 ln(µ2016 tot,x) ) ( k ) x=40 x2 (k ) ( k ( k x=40 x2 ) tot,x) ) ( x=40 x k x=40 xln(µ2016 ( k ) 2 x=40 x ( 90 x=k+1 ln(µ2016 tot,x) ) ( 90 x=k+1 x2) ( 90 x=k+1 x) ( 90 x=k+1 xln(µ2016 tot,x) ) (90 k) ( 90 x=k+1 x2) ( 90 x=k+1 x) 2. ) 3.3 Ikätriggerin valinta Parametri k on mallissa suhteellisen vapaasti valittavissa. Optimaalisen rajaiän k selvittämiseksi on tarkasteltu miesten ja naisten logaritmisiin toteumakuolevuuksiin sovitettujen kaksiosaisten suorien selitysasteita. Sovitteita on tehty sekä TyEL:n riskiperusteanalyysien mukaisiin että Tilastokeskuksen julkaisemiin väestökuolevuuksiin. Kuolevuuden satunnaisuuden vuoksi sovitteet on tehty viiden vuoden liukuviin keskiarvokuolevuuksiin. Lisäksi sovitteet on laskettu ainoastaan ikävälin toteumakuolevuuksien pohjalta, koska nuorilla ja vanhoilla pieni havaintomäärä ja tätä kautta kuolevuuden satunnaisuus aiheuttavat sovitteisiin epätarkkuutta. Vastuupaino on myös näissä i'issä 8

10 pienehkö, joten näille havainnoille ei ole perusteltua antaa painoarvoa sovitteissa. Kaksiosaisen suorasovitteen selitysaste on laskettu kaavalla ( 90 ) 2 x=40 ln(ˆµ v 1 x) 90 ( ) x=40 ln(µv tot,x) (3.3) R 2 v = 90 x=40 ( ln(µ v tot,x) 1 ( ) 90 x=40 ln(µv tot,x) Selitysasteiden valossa tasaisimman parannuksen sekä TyEL- että väestökuolevuuden selitysasteisiin tuottaa valinta k = 70, joka parantaa esimerkiksi TyEL:n vuosien keskiarvokuolevuuteen sovitettuna selitysastetta noin 0,15 %-yksikköä miehillä ja 0,49 %-yksikköä naisilla verrattuna koko ikäväliin sovitettuun yksittäiseen suoraan. Vuosien väestön keskiarvokuolevuuksissa vastaavat parannukset ovat 0,36 %-yksikköä ja 1,62 %-yksikköä. 10 vuoden liukuvaan väestökuolevuuteen sovitettuna optimiraja k näyttää olevan matalampi kuin TyEL:n kuolevuuteen sovitettuna. Valinta k = 70 tuottaa molemmissa kuolevuuksissa merkittävät selitysasteen parannukset etenkin naisilla. ) Suorasovitteiden parametrit Valitsemalla k = 70 ja sovittamalla suorat pienimmän neliösumman menetelmällä vuoden 2016 ennustettuun toteumakuolevuuteen ikävälille saadaan ln(ˆµ , 1027x 11, 18, kun 40 x 70 x,mies) ln(ˆµ 2016 x,nainen) 0, 1217x 12, 68, kun 70 < x 90 0, 1031x 11, 84, kun 40 x 70 0, 1416x 14, 77, kun 70 < x 90. Huomionarvoista näissä sovitteissa on se, että ikäsiirtoparametria b 2 ei ole otettu huomioon, vaan suorasovitteissa b 2 = 0 ja sovitteet mallintavat ainoastaan vuoden 2016 kuolevuutta. Ikäsiirto on kuitenkin edelleen mallin toiminnan kannalta relevantti, jotta kuolevuuden aleneminen saadaan huomioitua. Yllä olevat suorasovitteet käännetään myöhemmin ikäsiirtomalliksi. 3.5 Ikäsiirtoparametrin b 2 valinta Nykyperusteen ikäsiirto b 2 olettaa kuolevuuden alenevan vastaamaan yhtä ikävuotta alempaa kuolevuutta jokaisessa kymmenessä vuodessa (-1 ikäsiirto per kymmenvuotiskohortti). Tämä oletus on nykyperustetta tarkasteltaessa havaittu riittämättömäksi. 9

11 Käytännössä ikäsiirtovalintaa rajoittaa järjestelmäteknisellä tasolla se, että ikäsiirron on oltava jokaisella kohortilla kokonaisluku (pääoma-arvot haetaan taulukoista ikäsiirron avulla). Näin ollen ikäsiirtoa ei ole mahdollista valita täysin optimaalisesti estimoimalla havaintoaineistosta. Kaksi vuotta kymmenessä vuodessa alentaa kuolevuutta liikaa, jolloin sovitteista tulee yliturvaavia lyhyellä aikavälillä riippumatta optimaalisesta lähtötason sovituksesta. Olettamalla kuolevuuden alentuvan 5 vuotta kymmenessä vuodessa, 3 saadaan ikäkohtaiset vahinkosuhteet tasattua. Tällainen kuolevuuden aleneminen voidaan rakentaa malliin valitsemalla b 2 parametrin muutos kymmenvuotiskohorteille sykleissä... 2, 2, 1, 2, 2, 1, Koska kaksiosaisessa kuolevuusperusteessa parametrit a 1 ja a 2 ovat jo sukupuolikohtaiset, voidaan ikäsiirtoihin tehdä oletus b 2,mies = b 2,nainen = b 2 kaikille kohorteille. Oletus ei ole välttämätön mallin järjestelmätekniseen toimivuuteen, mutta sen hylkääminen ei myöskään tuo lisäarvoa mallin sopivuuteen. Ylempänä sovitetut suorat eivät ota kantaa ikäsiirtoon, vaan sovitteesta laskettu kuolevuus olettaa b 2 = 0. Käytännössä ikäsiirron nollakohdasta täytyy mallissa tehdä oma oletuksensa. Lisäksi koska kahden kohortin välinen ikäsiirto ei ole vakio (kuolevuus alenee 5 3 vuotta kymmenessä vuodessa), täytyy myös ikäsiirtojen jaksottamiseksi tehdä päätös. Ikärajan k efektiivisyyden riippuessa parametrista b 2, ei ikäsiirron nollatasoa voida valita suoraan vastasyntyneelle kuten sovitteet olettavat (tarkasteluhetkellä 2010-luvulla syntyneet). Esimerkiksi 1960-luvulla syntyneillä ikäsiirretty ikä ylittäisi tällöin parametrin k jo iässä 61 (jos valitaan kohortille ikäsiirto b 2 = +9). Perusteltu valinta ikäsiirron nollakohdalle on kohortti, jossa tällä hetkellä on suuri vastuupaino. Mallin valitut ikäsiirrot ovat 5, v x < , 1930 v x < , 1940 v x < , 1950 v x < , 1960 v x < 1970 b 2 =. 3, 1970 v x < , 1980 v x < , 1990 v x < , 2000 v x < , 2010 v x <

12 3.6 Suorasovitteiden ln(ˆµ x ) kääntäminen ikäsiirtomalliksi Aiemmin johdettiin pienimmän neliösumman menetelmällä parametrit α i ja β i, i 1, 2. 5 Koska ikäsiirtomallissa ikäsiirto kasvaa keskimäärin (approksimaatio) lisää yhdessä 3 10 ikävuodessa, vastaa sovitteissa ikää x ikäsiirtomallissa ikä x + 1x = 7x ja kääntäen ikää 6 6 x ikäsiirtomallissa vastaa sovitteissa ikä 6x. Tämän havainnon jälkeen sovitettu malli 7 voidaan muuttaa ikäsiirtomalliksi vaatimalla ln(µ x ) = ln ( a i1 e ) ( ) a i2(x+b 2 ) 6x = ln(a i1 ) + a i2 x + a i2 b 2 = ln(ˆµ x ) = α i + β i, i 1, 2 7 ( a i2 x = α 6x ) i 7. ln(a i1 ) + a i2 b 2 = β i Koska valituilla ikäsiirroilla sovitushetkellä b 2 = 10 x = 0, saadaan a i1 = e β i+10a i2, joten ikäsiirretyn mallin parametreiksi saadaan a i1 = exp β i α i 7 a i2 = 6α i 7. Määritelmä 3.4. Suoraan vuoden 2016 ennustettuun toteumakuolevuuteen sovitettuna kaksiosaisen kuolevuusperusteen kuolevuusintensiteetti µ on e 6 7 1,027 11,18 e 6 7 0,1027 (x+b2), kun x + b 2 70 µ x,mies = e 6 7 1,217 12,68 e 6 7 0,1217 (x+b2), kun x + b 2 > 70 e 6 7 1,031 11,84 0,02 e 6 7 0,1031 (x+b2), kun x + b 2 70 µ x,nainen = e 6 7 1,416 14,77 0,02 e 6 7 0,1416 (x+b2), kun x + b 2 > 70. Naisille on parametrin a 1 eksponenttifunktion potenssiin tehty 0, 02 tasokorjaus. Korjaustarve syntyy siitä, että valittu ikäsiirto ei naisilla aivan riitä seuraamaan kuolevuuden alenemista. 11

13 Luku 4 N- ja D-luvut kaksiosaisessa kuolevuusperusteessa 4.1 D-luvut kaksiosaisessa kuolevuusperusteessa Funktio D(x) := D x kuvaa vastasyntyneen elossaolotodennäköisyyttä iässä x korolla syntymähetkelle diskontattuna. (4.1) D x = e x 0 (µt+δ)dt, x 0 Integraali aukikirjoitettuna (yksiosaisella perusteella) D x saadaan muotoon D x = e µx a 2 + µ 0 a 2 δx, x 0 Koska kaksiosaisessa mallissa kuolevuusintensiteetin µ t kaava riippuu siitä, onko t+b 2 k vai t + b 2 > k (k = 70), merkitään µ 1,t, kun t + b 2 k µ t = µ 2,t, kun t + b 2 > k ja otetaan käyttöön seuraavat merkinnät eri parametrein lasketuille D x funktioille D 1,x := e x 0 (µ 1,t+δ)dt = e µ 1,x + µ 1,0 δx D 2,x := e x 0 (µ 2,t+δ)dt = e µ 2,x a 22 + µ 2,0 a 22 δx, x 0, x 0. Ikäsiirtämättömät D i,x, i 1, 2 on taulukoitu seuraavalla sivulla. Korkokantana on käytetty rahastokorkoa i 0 = 3,0 %, jolloin δ = ln(1 + i 0 ). 12

14 Ikä D 1,x D 1,x 0 1, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D 1,x D 1,x 44 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D 1,x D 1,x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.1: Ikäsiirtämättömät D 1,x -parametrit

15 Ikä D 2,x D 2,x 0 1, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D 2,x D 2,x 44 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D 2,x D 2,x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.2: Ikäsiirtämättömät D 2,x -parametrit

16 Lause 4.2. Kaksiosaisen kuolevuusperusteen ikäsiirtämätön D x saadaan kaavalla D 1,x, kun x k (4.3) D x = D 1,k D 2,x, kun x > k. D 2,k Todistus. Oletetaan x k, jolloin µ t µ 1,t kaikilla t [0, x]. D-luvuksi saadaan D x = e x 0 (µt+δ)dt = e x 0 (µ 1,t+δ)dt = D 1,x. Jos x > k, saadaan µ t = µ 1,t, kun t [0, k] ja µ t = µ 2,t, kun t [k, x], jolloin D x = e x 0 (µt+δ)dt k x = exp (µ 1,t + δ)dt (µ 2,t + δ)dt 0 k k x = exp (a 11 e a12t + δ)dt (a 21 e a22t + δ)dt 0 k a11 = exp a 11e a12k δk a 21e a22x + a 21e a22k + δk δx a 22 a 22 µ1,0 = exp µ 1,k δk + µ 2,k µ 2,x + δk δx a 22 a 22 µ1,0 = exp µ exp µ2,0 1,k a 22 µ 2,x a 22 δx δk exp µ2,0 a 22 µ 2,k a 22 δk = D 2,x D 1,k D 2,k. Kaksiosaisen kuolevuusperusteen lauseen 4.2. mukaiset ( k = 70) ikäsiirtämättömät D- luvut on taulukoitu seuraavalla sivulla. Ikäsiirretyn D-luvun voi pääoma-arvojen laskentaan hakea taulukosta ikäsiirron b 2 avulla (kuten yksiosaisessakin kuolevuusperusteessa). Ikäsiirtojen huomioimista kommutaatio- ja diskonttausfunktioissa on vielä tarkasteltu myöhemmässä kappaleessa

17 Ikä D x D x 0 1, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D x D x 44 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä D x D x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.3: Ikäsiirtämättömät D x -parametrit kaksiosaisella kuolevuusperusteella

18 4.2 N-luvut kaksiosaisessa kuolevuusperusteessa Funktio N(x) := N x kuvaa vastasyntyneen iässä x alkavan elinikäisen yksikköeläkkeen korolla syntymähetkeen diskontattujen korvausten yhteenlaskettua odotusarvoa. (4.4) Nx = x D t dt, x 0. Yksiosainen kuolevuusperusteen N-luvut saadaan approksimoitua Simpsonin 1 3 -säännön mukaisesti olettamalla N x 126 x 2 i=0 127 x 2 i=0 N x 0, kun x 129, jolloin N 128 D D (D x+2i + 4D x+2i+1 + D x+2i+2 ) + D 128+D 129 2, x [0, 126] ja x = 2n, n N 1 3 (D x+2i + 4D x+2i+1 + D x+2i+2 ), x [0, 127] ja x = 2n + 1, n N. Kaksiosaisen kuolevuusperusteen N-lukuja ei suoraan saada vastaavanlaisella approksimaatiolla lauseen 4.2. mukaisista D-luvuista, vaan ne on laskettava yksiosaisen perusteen N-lukujen avulla. Kaksiosaisen kuolevuusperusteen N-lukujen laskemiseksi otetaan käyttöön merkinnät N 1,x = N 2,x = x x D 1,t dt, x 0 D 2,t dt, x 0. ja Kyseiset N-luvut voidaan laskea käyttäen ylläkuvattua approksimaatiota N j,x 126 x 2 i=0 127 x 2 i=0 1 3 (D j,x+2i + 4D j,x+2i+1 + D j,x+2i+2 ) + D j,128+d j,129 2, x [0, 126] ja x = 2n 1 3 (D j,x+2i + 4D j,x+2i+1 + D j,x+2i+2 ), x [0, 127] ja x = 2n + 1, missä j 0, 1 ja n N. Approksimoidut N 1,x ja N 2,x on taulukoitu seuraavilla sivuilla. 17

19 Ikä N 1,x N 1,x 0 30, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N 1,x N 1,x 44 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N 1,x N 1,x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.4: Ikäsiirtämättömät N 1,x -parametrit

20 Ikä N 2,x N 2,x 0 30, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N 2,x N 2,x 44 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N 2,x N 2,x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.5: Ikäsiirtämättömät N 2,x -parametrit

21 Lause 4.5. Kaksiosaisen kuolevuusperusteen ikäsiirtämätön N x saadaan kaavalla (4.6) Nx = N1,x N 1,k + N D 1,k 2,k, kun D 2,k x k D N 1,k 2,x, kun D 2,k x > k. D Todistus. Oletetaan x > k, jolloin lauseen 4.2. perusteella D t D 1,k 2,t D 2,k [x, [. N-luvuksi saadaan kaikilla t N x = x D t dt = x D 2,t D 1,k D 2,k dt = D 1,k D 2,k x D 2,t dt = N 2,x D 1,k D 2,k. D Jos x k, lauseen 4.2. perusteella saadaan D t = D 1,t, kun t [x, k] ja D t = D 1,k 2,t, kun D 2,k t ]k, [, jolloin N x = = = x k x x D t dt D 1,t dt + D 1,t dt k k D 1,k D 2,t dt D 2,k = N 1,x N 1,k + N 2,k D 1,k D 2,k. D 1,t dt + D 1,k D 2,k k D 2,t dt Kaksiosaisen kuolevuusperusteen (k = 70) ikäsiirtämättömät N-luvut on taulukoitu seuraavalla sivulla. Ikäsiirretyn N x -luvun voi hakea pääoma-arvojen laskentaan (kts. kappale 4.3) taulukosta ikäsiirron b 2 avulla (kuten yksiosaisessakin kuolevuusperusteessa). Myös vastuun- ja maksunlaskennassa käytetty N w, missä w kuvaa henkilön eläkkeellejäämisikää, voidaan hakea taulukosta kohorttiin liitetyn ikäsiirron avulla, koska ikäsiirto b 2 ei riipu henkilön iästä. Ikäsiirtojen huomioimista kommutaatio- ja diskonttausfunktioissa on vielä tarkasteltu myöhemmässä kappaleessa

22 Ikä N x N x 0 30, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N x N x 44 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ikä N x N x 88 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Taulukko 4.6: Ikäsiirtämättömät N x -parametrit kaksiosaisella kuolevuusperusteella

23 4.3 Ikäsiirrot diskonttaus- ja kommutaatiofunktioissa Diskonttaus- ja kommutaatiofunktioiden avulla lasketaan vanhuuseläkkeiden maksun- sekä vastuunlaskennassa käytettävät pääoma-arvot. Ikäsiirtämättömästä taulukosta ikäsiirron b 2 ja iän x perusteella haettu D- tai N-luku ei suoraan vastaa ikäsiirron b 2 mukaan laskettua arvoa. Pääoma-arvokertoimissa kyseiset luvut kuitenkin esiintyvät aina osamäärissä, jolloin osoittautuu, että ikäsiirretty pääomaarvo voidaan kuitenkin laskea ikäsiirtämättöminä taulukoitujen diskonttaus- ja kommutaatiofunktioiden avulla. Kyseinen ilmiö on olemassa myös nykyisessä yksiosaisessa kuolevuusperusteessa (Aho & Sankala [1]), eikä siihen tule muutosta kaksiosaisen kuolevuusperusteen myötä. Tässä kappaleessa on esitetty pääoma-arvokertoimien laskennan toimivuus myös kaksiosaiselle mallille. Määritelmä 4.7. Olkoon x henkilön ikä ja w eläkeikä. Jos x w, niin oletetaan, että vastainen vanhuuseläke tulee heti maksettevaksi. Tällöin nykyhetkeen korolla diskontattu yksikköeläkkeiden tulevien korvausten odotusarvo on (4.8) Ā V x:w = Nw D x N x D x, kun x w, kun x w Tässä kappaleessa osoitetaan, että kaksiosaisen kuolevuusperusteen ikäsiirretylle vanhuuseläkkeiden vakuutusmaksu- ja korvausvastuun pääoma-arvokertoimelle ĀV x:w pätee (4.9) Ā V x:w(b 2 ) = ĀV x+b 2 :w(0). Lause Ikäsiirretty D(x, b 2 ) saadaan ikäsiirtämättömästä D-luvusta kaavalla (4.11) D x := D(x, b 2 ) = D(x + b 2, 0) e b. 2δ Todistus. Oletetaan x + b 2 k, jolloin ikäsiirretty µ t (b 2 ) µ 1,t (b 2 ) kaikilla t [0, x]. 22

24 Ikäsiirretyksi D-luvuksi saadaan D(x, b 2 ) = e x 0 (µt(b 2)+δ)dt = e x 0 (µ 1,t(b 2 )+δ)dt = exp a 11 e (x+b 2 ) δx + a 11 e (b 2 ) exp a 11 e (x+b 2 ) δ(x + b 2 ) + a 11 = exp a 11 e (b 2) δb 2 + a 11 exp µ 1,x+b 2 (0) + a 11 δ(x + b 2 ) = exp µ 1,0(b 2 ) + a 11 δb 2 = D 1(x + b 2, 0) e b 2δ. Viimeisessä vaiheessa käytettiin tulkinnallista lisäoletusta µ 0 (b 2 ) = µ 0 = a 11 kaikilla b 2 Z. Oletus on perusteltavissa sillä, että vastasyntyneen elossaolotodennäköisyys iässä 0 täytyy olla 1 riippumatta kyseisen kohortin ikäsiirrosta, jolloin D(0, b 2 ) sisältää ikäsiirron kautta ainoastaan korkotermin. Jos x+b 2 > k, saadaan µ t (b 2 ) = µ 1,t (b 2 ), kun t [0, k b 2 ] ja µ t (b 2 ) = µ 2,t (b 2 ), kun t [k b 2, x], jolloin D(x, b 2 ) = e x 0 (µt(b 2)+δ)dt k b2 = exp (µ 1,t (b 2 ) + δ)dt = exp a11 = exp = = exp exp 0 k b2 e b 2 a 11e a12(k) a 11 a 11e (x+b 2 ) exp a 11 exp µ 1,x+b 2 (0) x (µ 2,t (b 2 ) + δ)dt k b 2 x (a 11 e (t+b 2 ) + δ)dt (a 21 e a 22(t+b 2 ) + δ)dt 0 k b 2 δk a 21e a22(x+b2) + a 21e a22(k) + δk δx a 22 a 22 a δ(x + b 2 ) exp 11 a 11e (k) δ(k) a 11 a 11e b 2 a δb 2 exp 21 a 22 a 21e a 22 (k) a 22 δ(k) a δ(x + b 2 ) exp 11 µ 1,k(0) δ(k) a 11 µ 1,0(b 2 ) a δb 2 exp 21 a 22 µ 2,k(0) a 22 δ(k) = D 2(x + b 2, 0) D 1(k,0) D 2 (k,0) e b 2δ. 23

25 Koska lauseen 4.2. mukaisesti ikäsiirtämättömät D-luvut saadaan kaavalla D 1 (x, 0), kun x k (4.12) D(x, 0) = D 2 (x, 0) D 1(k, 0), kun x > k, D 2 (k, 0) voidaan ikäsiirretyt D-luvut kirjoittaa e b2δ D 1 (x + b 2, 0) D(x, b 2 ) = e b2δ D 2 (x + b 2, 0) D 1(k, 0) D 2 (k, 0) eli D(x, b 2 ) = e b 2δ D(x + b 2, 0) kaikilla x N ja b 2 Z., kun x + b 2 k, kun x + b 2 > k, Lause Ikäsiirretty N(x, b 2 ) saadaan ikäsiirtämättömästä N -luvusta kaavalla (4.14) Nx := N(x, b 2 ) = N(x + b 2, 0) e b. 2δ Todistus. Väite seuraa suoraan lauseesta 4.10., sillä N(x, b 2 ) = = x x = 1 e b 2δ = 1 e b 2δ = 1 e b 2δ D(t, b 2 )dt ( 1 t+b2 k x x D(t + b 2, 0) e b 2δ + 1 t+b2 >k D 2 (t + b 2, 0) D ) 1(k,0) D 2 (k,0) dt e b 2δ ( 1 t+b2 kd(t + b 2, 0) + 1 t+b2 >kd 2 (t + b 2, 0) D 1(k, 0) D 2 (k, 0) D(t + b 2, 0)dt x+b 2 D(t, 0)dt = N(x + b 2, 0) e b. 2δ ) dt Lause Kaksiosaisen kuolevuusperusteen pääoma-arvolle ĀV x:w pätee (4.16) Ā V x:w(b 2 ) = ĀV x+b 2 :w(0). Todistus. Väite seuraa lauseista ja 4.13., sillä ikäsiirto b 2 ei riipu iästä x eikä eläkeiästä w, joten N(w, b 2 ) D(x, b 2 ) = eb2δ N(w + b2, 0) e b 2δ D(x + b 2, 0) = N(w + b 2, 0) N(x, D(x + b 2, 0) ja b2 ) D(x, b 2 ) = eb2δ N(x + b2, 0) e b 2δ D(x + b 2, 0) = N(x + b 2, 0) D(x + b 2, 0) 24

26 Luku 5 Yhteenveto Määritelmä 5.1. TyEL:n uuden kaksiosaisen kuolevuusperusteen kuolevuusintensiteetti µ iässä x saadaan kaavalla a 11 e (x+b 2 ), kun x + b 2 70 µ x = a 21 e a 22(x+b 2 ), kun x + b 2 > 70, missä parametrit a ij i, j 1, 2 riippuvat sukupuolesta ja ikäsiirto määräytyy ainoastaan syntymävuosikymmenen mukaan: a 11,mies = e 6 7 1,027 11,18,mies = 6 0, a 21,mies = e 6 7 1,217 12,68 a 22,mies = 6 0, a 11,nainen = e 6 7 1,031 11,86,nainen = 6 0, a 21,nainen = e 6 7 1,416 14,79 a 22,nainen = 6 0, , v x < , 1930 v x < , 1940 v x < , 1950 v x < , 1960 v x < 1970 b 2 =. 3, 1970 v x < , 1980 v x < , 1990 v x < , 2000 v x < , 2010 v x <

27 Kirjallisuutta [1] Jaakko Aho ja Mikko Sankala: Eläketurvakeskuksen käsikirjoja, Pääomaarvokertoimet, 02/2011 [2] Jaakko Tuomikoski, Janne Sorainen ja Satu Kilponen: Eläketurvakeskuksen käsikirjoja, Lakisääteisen työeläkevakuutuksen vakuutustekniikkaa, 2007:4 [3] Martti Pesonen, Pentti Soininen ja Tapani Tuominen: Henkivakuutusmatematiikka, Suomen Vakuutusalan Koulutus ja Kustannus Oy,

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

TELA/Laskuperusteasiain neuvottelukunta TYÖNTEKIJÄN ELÄKELAIN MUKAISEN ELÄKEVAKUUTUKSEN YLEISTEN LASKUPERUSTEIDEN MUUTOKSEN PERUSTELUT

TELA/Laskuperusteasiain neuvottelukunta TYÖNTEKIJÄN ELÄKELAIN MUKAISEN ELÄKEVAKUUTUKSEN YLEISTEN LASKUPERUSTEIDEN MUUTOKSEN PERUSTELUT TELA/Laskuperusteasiain neuvottelukunta 19.11.2015 TYÖNTEKIJÄN ELÄKELAIN MUKAISEN ELÄKEVAKUUTUKSEN YLEISTEN LASKUPERUSTEIDEN MUUTOKSEN PERUSTELUT Kuolevuus Muut muutokset Muutoksia haetaan olettaen, että

Lisätiedot

Gompertz-kuolevuusmallin laajennus työntekijät eläkelaissa (TyEL)

Gompertz-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

Lisätiedot

ELÄKETURVAKESKUKSEN KÄSIKIRJOJA. Pääoma-arvokertoimet SERGEI LAHTI SARI TORO

ELÄKETURVAKESKUKSEN KÄSIKIRJOJA. Pääoma-arvokertoimet SERGEI LAHTI SARI TORO ELÄKETURVAKESKUKSEN KÄSIKIRJOJA 01 2018 Pääoma-arvokertoimet SERGEI LAHTI SARI TORO ELÄKETURVAKESKUKSEN KÄSIKIRJOJA 01 2018 Pääoma-arvokertoimet SERGEI LAHTI SARI TORO Eläketurvakeskus 00065 ELÄKETURVAKESKUS

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

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

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

Eläketurvakeskus 02/2011 ELÄKETURVAKESKUKSEN KÄSIKIRJOJA. Pääoma-arvokertoimet. Jaakko Aho ja Mikko Sankala PENSIONSSKYDDSCENTRALEN

Eläketurvakeskus 02/2011 ELÄKETURVAKESKUKSEN KÄSIKIRJOJA. Pääoma-arvokertoimet. Jaakko Aho ja Mikko Sankala PENSIONSSKYDDSCENTRALEN 02/2011 ELÄKETURVAKESKUKSEN KÄSIKIRJOJA Pääoma-arvokertoimet Jaakko Aho ja Mikko Sankala Eläketurvakeskus PENSIONSSKYDDSCENTRALEN 02/2011 ELÄKETURVAKESKUKSEN KÄSIKIRJOJA Pääoma-arvokertoimet Jaakko Aho

Lisätiedot

Kertoimien laskentakaava on seuraava:

Kertoimien laskentakaava on seuraava: Muistio 1 (7) Kertasuorituskertoimet 1.1.2017 alkaen Sisällys 1 Yleistä kertasuorituksista 2 Lapseneläkkeen kertasuorituskertoimet 1 Yleistä kertasuorituksista... 1 2 Lapseneläkkeen kertasuorituskertoimet...

Lisätiedot

Eläkettä saavien lasten Lesken ja entisen Lasten kerroin

Eläkettä saavien lasten Lesken ja entisen Lasten kerroin Muistio 1 (6) Perhe-eläkkeen kertasuorituksessa käytettävät lasten lukumäärästä riippuvat kertoimet Sisällys 1 Yleistä edunsaajien lukumäärästä riippuvista kertoimista... 1 2 Kertoimet 1.1.2017 alkaen...

Lisätiedot

Tilasto vanhuuseläkevastuiden kuolevuusperustetäydennyksestä

Tilasto vanhuuseläkevastuiden kuolevuusperustetäydennyksestä Eläketurvakeskus Muistio 1 (5) Tilasto vanhuuseläkevastuiden kuolevuusperustetäydennyksestä 31.12.2016 Johdanto Vuoden 2016 keskeisiä laskuperustemuutoksia oli kuolevuusperustemuutos. Se oli osa työmarkkinajärjestöjen

Lisätiedot

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND 110 SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND WORKING PAPERS ISSN 0781-4410 SUOMEN AKTUAARIYHDISTYS The Actuarial Society of Finland 110 Hakkarainen, Tuomas TyEL-kuolevuuden ennustamisesta

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Kuolevuusseminaari

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

Lisätiedot

LAUSUNTO NS. VANHOISTA ELÄKKEISTÄ AIHEUTUVIEN VASTUIDEN ARVON- MÄÄRITYKSESTÄ KUNNAN JA KUNTAYHTYMÄN KIRJANPIDOSSA

LAUSUNTO NS. VANHOISTA ELÄKKEISTÄ AIHEUTUVIEN VASTUIDEN ARVON- MÄÄRITYKSESTÄ KUNNAN JA KUNTAYHTYMÄN KIRJANPIDOSSA KIRJANPITOLAUTAKUNNAN LAUSUNTO 3/96 KUNTAJAOSTO Tämä lausunto on kumottu 7.4.2009 ja korvattu lausunnolla 89/2009 16.9.1996 LAUSUNTO NS. VANHOISTA ELÄKKEISTÄ AIHEUTUVIEN VASTUIDEN ARVON- MÄÄRITYKSESTÄ

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Vastepintamenetelmä. Kuusinen/Heliövaara 1 Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,

Lisätiedot

Valtion eläkemaksun laskuperusteet 2010

Valtion eläkemaksun laskuperusteet 2010 VALTIOKONTTORI PÄÄTÖS Dnro 3/30/2010 Valtion eläkemaksun laskuperusteet 2010 Valtiokonttori on 15.1.2010 hyväksynyt nämä laskuperusteet noudatettavaksi laskettaessa valtion eläkelaissa tarkoitettuja työnantajan

Lisätiedot

DEMOGRAFIA. Arto Luoma Tampereen yliopisto, Suomi. Syksy Demografia, syksy 2015 Tampereen yliopisto 1 / 39

DEMOGRAFIA. Arto Luoma Tampereen yliopisto, Suomi. Syksy Demografia, syksy 2015 Tampereen yliopisto 1 / 39 DEMOGRAFIA Arto Luoma Tampereen yliopisto, Suomi Syksy 2015 Demografia, syksy 2015 Tampereen yliopisto 1 / 39 Sisältö Demografia, syksy 2015 Tampereen yliopisto 2 / 39 Määritelmä Aineiston keruu Perusyhtälö

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m ) Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä

Lisätiedot

Asetuksessa annettavien kertoimien perusteet vuodesta 2017 alkaen: yksinkertaistettu malli

Asetuksessa annettavien kertoimien perusteet vuodesta 2017 alkaen: yksinkertaistettu malli Muistio 1 (7) Asetus eläkkeen muuntamisesta eläkkeellesiirtymisikään vuodesta 2017 alkaen Tässä muistiossa käydään läpi sosiaali- ja terveysministeriön asetuksen eläkkeen vähentämisestä ja muuntamisesta

Lisätiedot

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND 107 SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND WORKING PAPERS ISSN 0781-4410 SUOMEN AKTUAARIYHDISTYS The Actuarial Society of Finland 107 Martikainen, Sari Valtion eläkemaksun laskuperusteet

Lisätiedot

7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi

7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi 7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi Z p [x]/(m), missä m on polynomirenkaan Z p [x] jaoton polynomi (ks. määritelmä 3.19).

Lisätiedot

ERITYISPERUSTEET EU-ELÄKESIIRTOLAISTA

ERITYISPERUSTEET EU-ELÄKESIIRTOLAISTA ELÄKETURVAKESKUS liite 1 Suunnitteluosasto 1.12.2016 ERITYISPERUSTEET EU-ELÄKESIIRTOLAISTA Sisällysluettelo 1 Soveltamisala... 1 2 Vakuutustekniset suureet... 1 3 Laskentaan liittyvät ajankohdat... 2 4

Lisätiedot

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että

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

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

Määräykset 5/2012. Eläkesäätiön eläkevastuun laskuperusteet. Dnro FIVA 3/01.00/2012. Antopäivä 14.6.2012. Voimaantulopäivä 1.7.

Määräykset 5/2012. Eläkesäätiön eläkevastuun laskuperusteet. Dnro FIVA 3/01.00/2012. Antopäivä 14.6.2012. Voimaantulopäivä 1.7. Määräykset 5/2012 Eläkesäätiön eläkevastuun laskuperusteet Dnro FIVA 3/01.00/2012 Antopäivä 14.6.2012 Voimaantulopäivä 1.7.2012 FINANSSIVALVONTA puh. 010 831 51 faksi 010 831 5328 etunimi.sukunimi@finanssivalvonta.fi

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. 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

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. 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

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

Lisätiedot

ERITYISPERUSTEET EY-ELÄKESIIRTOLAISTA

ERITYISPERUSTEET EY-ELÄKESIIRTOLAISTA ELÄKETURVAKESKUS Suunnittelu- ja laskentaosasto ERITYISPERUSTEET EY-ELÄKESIIRTOLAISTA Kokooma, viimeisin perustemuutos vahvistettu 25.3.2003. Sisällysluettelo 1 SOVELTAMISALA...1 2 VAKUUTUSTEKNISET SUUREET...1

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET. Kokooma 23.1.2008. Viimeisin perustemuutos on vahvistettu 3.2.1998.

TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET. Kokooma 23.1.2008. Viimeisin perustemuutos on vahvistettu 3.2.1998. TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET Kokooma 23.1.2008. Viimeisi perustemuutos o vahvistettu 3.2.1998. TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET Sisällysluettelo

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka 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

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollinen 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

Lisätiedot

Eläkkeellesiirtymisikä työeläkejärjestelmässä vuonna 2018

Eläkkeellesiirtymisikä työeläkejärjestelmässä vuonna 2018 Eläkkeellesiirtymisikä työeläkejärjestelmässä vuonna 2018 Aiheet Työeläkkeelle siirtyneiden määrä Eläkkeellesiirtymisiän kehitys Työllisyys Työllisen ajan odote 2 Eläkkeelle siirtymisen myöhentämistavoitetta

Lisätiedot

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1 Vastepintamenetelmä Vilkkumaa / Kuusinen 1 Motivointi Varianssianalyysissa tutkitaan tekijöiden vaikutusta vasteeseen siten, että tekijöiden tasot on ennalta valittu. - Esim. tutkitaan kemiallisen prosessin

Lisätiedot

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa 8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

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

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu

Lisätiedot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 Kertaus. Lineaarinen optimointitehtävä on muotoa: 1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään

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

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 6.3.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitysten luonnehdinta ei sido ylioppilastutkintolautakunnan arvostelua. Lopullisessa

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f

Lisätiedot

Julkaistu Helsingissä 19 päivänä joulukuuta /2013. sosiaali- ja terveysministeriön asetus

Julkaistu Helsingissä 19 päivänä joulukuuta /2013. sosiaali- ja terveysministeriön asetus SUOMEN SÄÄDÖSKOKOELMA Julkaistu Helsingissä 19 päivänä joulukuuta 2013 1015/2013 Sosiaali- ja terveysministeriön asetus merimieseläkekassan vakuutusteknisen vastuuvelan laskuperusteista ja perusteista

Lisätiedot

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4. DI matematiikan opettajaksi: Täydennyskurssi, kevät Luentorunkoa ja harjoituksia viikolle 3: ti 33 klo 3:-5:3 ja to 4 klo 9:5-: Käydään läpi differentiaaliyhtälöitä Määritelmä Olkoon A R n n (MatLab:ssa

Lisätiedot

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi

Lisätiedot

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2. 2. kl:n DY:t Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.) Lause Olkoon f(x 2, x 1, t) funktio, ja oletetaan, että f, f/ x 1 ja f/ x

Lisätiedot

Numeerinen analyysi Harjoitus 1 / Kevät 2017

Numeerinen analyysi Harjoitus 1 / Kevät 2017 Numeerinen analyysi Harjoitus 1 / Kevät 2017 Palautus viimeistään perjantaina 3.3. Tehtävä 1: Oheinen MATLAB-funktio toteuttaa eksponenttifunktion evaluoinnin. 1 function y = seriesexp ( x ) 2 oldsum =

Lisätiedot

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 219 / orms.1 Talousmatematiikan perusteet 1. Laske integraalit a 6x 2 + 4x + dx, b 5. harjoitus, viikko 6 x + 1x 1dx, c xx 2 1 2 dx a termi kerrallaan kaavalla ax n dx a n+1 xn+1 +C. 6x 2 + 4x +

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi

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

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan

Lisätiedot

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

Lisätiedot

802320A LINEAARIALGEBRA OSA II

802320A LINEAARIALGEBRA OSA II 802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

Kaksisuuntainen varianssianalyysi. Heliövaara 1 Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän

Lisätiedot

Julkaistu Helsingissä 31 päivänä joulukuuta /2013 Sosiaali- ja terveysministeriön asetus

Julkaistu 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen

Lisätiedot

Projektin arvon aleneminen

Projektin arvon aleneminen Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen

Lisätiedot

Kertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0

Kertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0 Kertaus K. a) 6 4 64 0, 0 0 0 0 b) 5 6 = 5 6 = =, 0 c) d) 4 4 4 7 4 ( ) 7 7 7 7 87 56 7 7 7 K. a) b) c) d) 6 6 a a a, a > 0 6 6 a a a a, a > 0 5 5 55 5 5 5 5 5 5 5 5 5 5 a a a a a ( a ) a a a, a > 0 K.

Lisätiedot

8.1 Ehdolliset jakaumat

8.1 Ehdolliset jakaumat 8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.

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

Matematiikan tukikurssi

Matematiikan 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

Lisätiedot

TILASTOTIEDE KÄYTÄNNÖN TUTKIMUKSESSA, 8 10 OP Luennoi: yliopisto-opettaja Pekka Pere. Logaritmin muutos ja suhteellinen muutos

TILASTOTIEDE KÄYTÄNNÖN TUTKIMUKSESSA, 8 10 OP Luennoi: yliopisto-opettaja Pekka Pere. Logaritmin muutos ja suhteellinen muutos TILASTOTIEDE KÄYTÄNNÖN TUTKIMUKSESSA, 8 10 OP. 22.9.-11.12.2009. Luennoi: yliopisto-opettaja Pekka Pere. Aputuloksia Logaritmin muutos ja suhteellinen muutos Lähtökohta on approksimaatio log(1 + δ) δ,

Lisätiedot

Mitä eläkeuudistuksesta seuraa? Työeläkepäivä 13.11.2014 Jukka Rantala

Mitä eläkeuudistuksesta seuraa? Työeläkepäivä 13.11.2014 Jukka Rantala Mitä eläkeuudistuksesta seuraa? Työeläkepäivä 13.11.2014 Jukka Rantala Eläkeratkaisu: 65-vuotiaana eläkkeelle pääsevä mies ei halua isänsä kohtaloa, joka kuoli puoli vuotta ennen odotettua eläkeratkaisua.

Lisätiedot

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia) Kahden suoran leikkauspiste ja välinen kulma (suoraparvia) Piste x 0, y 0 on suoralla, jos sen koordinaatit toteuttavat suoran yhtälön. Esimerkki Olkoon suora 2x + y + 8 = 0 y = 2x 8. Piste 5,2 ei ole

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

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

802320A LINEAARIALGEBRA OSA I

802320A LINEAARIALGEBRA OSA I 802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä

Lisätiedot

Määräykset 4/2012. Eläkekassan vastuuvelan laskuperusteet. Dnro FIVA 2/01.00/2012. Antopäivä 14.6.2012. Voimaantulopäivä 1.7.2012

Määräykset 4/2012. Eläkekassan vastuuvelan laskuperusteet. Dnro FIVA 2/01.00/2012. Antopäivä 14.6.2012. Voimaantulopäivä 1.7.2012 Määräykset 4/2012 Eläkekassan vastuuvelan laskuperusteet Dnro FIVA 2/01.00/2012 Antopäivä 14.6.2012 Voimaantulopäivä 1.7.2012 FINANSSIVALVONTA puh. 010 831 51 faksi 010 831 5328 etunimi.sukunimi@finanssivalvonta.fi

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

Maximum likelihood-estimointi Alkeet

Maximum likelihood-estimointi Alkeet Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen

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

Pienimmän Neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

MS-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. 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

Lisätiedot

SHV-harjoitustyö VAPAAMUOTOISEN TYÖELÄKEVAKUUTUKSEN KUOLEVUUS

SHV-harjoitustyö VAPAAMUOTOISEN TYÖELÄKEVAKUUTUKSEN KUOLEVUUS SHV-harjoitustyö VAPAAMUOTOISEN TYÖELÄKEVAKUUTUKSEN KUOLEVUUS Piia Kolehmainen 3.04.009 Sisällysluettelo Johdanto... Vapaamuotoinen ryhmäeläkevakuutus... 3 Kuolevuuden merkitys ja käyttö eläkevakuutuksissa...

Lisätiedot

k-kantaisen eksponenttifunktion ominaisuuksia

k-kantaisen eksponenttifunktion ominaisuuksia 3.1.1. k-kantaisen eksponenttifunktion ominaisuuksia f() = k (k > 0, k 1) Määrittely- ja arvojoukko M f = R, A f = R + Jatkuvuus Funktio f on jatkuva Monotonisuus Funktio f aidosti kasvava, kun k > 1 Funktio

Lisätiedot

Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on

Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on Derivaatta Erilaisia lähestymistapoja: geometrinen (käyrän tangentti sekanttien raja-asentona) fysikaalinen (ajasta riippuvan funktion hetkellinen muutosnopeus) 1 / 19 Derivaatan määritelmä Määritelmä

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 Lineaariavaruus eli Vektoriavaruus 1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus

Lisätiedot

1 Rajoittamaton optimointi

1 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

Lisätiedot

2.2.1 Ratkaiseminen arvausta sovittamalla

2.2.1 Ratkaiseminen arvausta sovittamalla 2.2.1 Ratkaiseminen arvausta sovittamalla Esimerkki: lomitusjärjestäminen (edellä) Yleistys: Ratkaistava T (1) c T (n) g(t (1),..., T (n 1), n) missä g on n ensimmäisen parametrin suhteen kasvava. (Ratkaisu

Lisätiedot

TELA/Laskuperustejaos 16.10.2014 TYEL:N MUKAISEN ELÄKEVAKUUTUKSEN ERITYISPERUSTEIDEN PERUSTELUT

TELA/Laskuperustejaos 16.10.2014 TYEL:N MUKAISEN ELÄKEVAKUUTUKSEN ERITYISPERUSTEIDEN PERUSTELUT TYEL:N MUKAISEN ELÄKEVAKUUTUKSEN ERITYISPERUSTEIDEN PERUSTELUT 1. Vuoden 2015 vakuutusmaksu 1.1. Vuoden 2015 vakuutusmaksun rakenne Vuoden 2015 maksutasoa määrättäessä on käytetty seuraavia taloudellisia

Lisätiedot

H5 Malliratkaisut - Tehtävä 1

H5 Malliratkaisut - Tehtävä 1 H5 Malliratkaisut - Tehtävä Eelis Mielonen 30. syyskuuta 07 a) 3a (ax + b)3/ + C b) a cos(ax + b) + C a) Tässä tehtävässä päästään harjoittelemaan lukiosta tuttua integrointimenetelmää. Ensimmäisessä kohdassa

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