1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.

Wielkość: px
Rozpocząć pokaz od strony:

Download "1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%."

Transkrypt

1 1. LISTA Lista Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje on pod koniec pierwszego roku wypªata wynosi 1000, je±li»yje pod koniec drugiego roku wypªata wynosi 3000, je±li»yje on pod koniec trzeciego roku wypªata wynosi Obliczenia zrobi dla TT -PL97m oraz i = 4%. Porówna z wynikiem zadania Poda wzór na aktuarialn obecn warto± dla (30)-latka dla nast puj cego ubezpieczenia rentowego: (i) 1000 na koniec ka»dego miesi ca w wieku 30 do 40 lat, (ii) 2000 na koniec ka»dego miesi ca w wieku 40 do 50 lat, (iii) 5000 na koniec ka»dego miesi ca w wieku 50 do 60 lat, Poda dokªadny wynik dla TT -PL97m oraz i = 4%. 1.4 Zakªadaj c HU, obliczy Ā45, wiedz c,»e ä 45 = oraz A 45 = Pokaza,»e ā x:n obliczone dla staªego nat»enie ±miertelno±ci µ i sile stopy procentowej δ jest równe ā n obliczone przy sile stopy procentowej δ + µ. 1.6 Zaªó»my,»e Y jest obecn warto±ci renty ci gªej na caªe»ycie wypªacaj c 1 na rok dla (x)-latka. Dane jest ä x = 10 przy i = 1/24 = e δ 1, ä x = 6 przy i = e 2δ 1. Oblicz wariancj Y. 1.7 Udowodni nast puj ce zwi zki dotycz ce jednorazowej skªadki netto terminowej renty z doªu a x:n = ä x:n 1 + A 1 x:n, ä x:n = 1 + a x:n 1, a x:n = vä x:n A1 x:n,

2 2 1.8 Niech Y b dzie obecn warto±ci renty do»ywotniej dla 70-latka, gwarantuj cej mu wypªat 100 na pocz tku ka»dego roku. Obliczy Var(Y ) je±li wiadomo,»e A 69 = , 2 A 69 = , p 69 = 0.97, v = x-latek kupuje ubezpieczenia na»ycie pªatne na koniec roku ±mierci na 2-lata. Przy zawarciu umowy pªaci Π, a jesli prze»yje pierwszy ro pªaci Π/2. Zakªadaj c,»e skªadka jest netto, oblicz Π, wiedz c,»e: przyszªy czas»ycia ma rozkªad de Moivre'a z ω = 100, i = 4 oraz x = Udowodni P (Āx) = δāx. 1 Āx 1.11 Oblicz P x, je±li T 0 ma rozkªad wykªadniczy z g sto±ci (1/100)e x/100, x 0 oraz x = 40 i δ = 3% W przypadku jednostkowej polisy na caªe»ycie opªacanej skªadk o staªej intensyno±ci (powiedzmy Π), caªkowita strata ubezpieczyciela gdy ubezpieczony umrze w chwili t wynosi l(t) = v t Πā t. Wykaza,»e l(0) = 1, jest funkcja malej c i lim t l(t) = Π/δ. Wywnioskowa st d,»e istnieje dokªadnie jeden moment t 0, taki,»e caªkowita strata ubezpieczyciela wynosi 0, przed tym momentem jest dodatnia a po nim ujemna.

3 2. LISTA Lista Deniujemy nast puj ce modele dla ryzyka X. [1] Rozkªad»ycia osoby nowourodzonej ma dystrybuant : 0, x < 0, F 1 (x) = 0.01x, 0 x < 100, 1, x 100. Wsk. Rozwa»y najpierw zmienn losow Y o rozkªadzie jednostajnym U(0,1). Zastanowi si jak ztego skrzysta przy liczneiu charakterystyk X. [2] Kwota odszkodowania pªacona w dolarach za szkod automobilow ma dystrybuant : { F 2 (x) = 0, x < 0, 1 ( x+2000) 3, x 0. [3] Liczba szkód na polis w jednym roku ma dystrybuant : F 3 (x) = 0, x < 0, 0.5, 0 x < 1, 0.75, 1 x < 2, 0.87, 2 x < 3, 0.95, 3 x < 4, 1, x 4. [4] Wielko± odszkodowania za bª dy lekarskie ma rozkªad { F 4 (x) = 0, x < 0, 1 0.3e x, x 0. [5] Alternatywny model przyszªego czasu»ycia z [1]. Funkcja prze-»ycia jest dana wzorem S 5 (x) = { x, 0 x < 50, x, 50 x < 75

4 4 Podada funkcje g sto±ci (lub funkcj prawdopoobie«stwa) dla rozkªadów z modeli [1] do [3] i [5]. Co mo»na powiedzie o F 4. Obliczy ±redni, odchylenie standardowe, sko±no± i kurtoz dla rozkªadu z modelu [1][5]. 2.2 Rozkªad szkody w ubezpieczeniu samochodowym jest dany (wielko± szkody i w nawiasie prawdopodobie«stwo): 100 (0.4), 500 (0.2), 1000 (0.2), 2500 (0.1), (0.1). Obliczy funkcj prawdopodobie«stwa oraz warto± oczekiwan nadwy»ki straty (excess of loss) i wielko±ci Y L stop loss (lub cenzorowana z lewej po przesuni ciu) je±li d = 750. Wsk. e(d) = E (X d X > d) oraz E Y L = E (X d) Oblicz e(x) i E Y L dla modelu [1]. 2.4 Próba prosta rozmiaru 10 ma dwie szkody w wysoko±ci 400, siedem szkód 800, jedna Oszacowa empiryczn sko±no± pojedynczej szkody. 2.5 Wielko±ci szkód s 100, 200, 300, 400, 500 odpowiednio z prawdopodobie«stwami: 0.05, 0.20, 0.50, 0.20 i Obliczy sko±no± i kurtoz. 2.6 Dla modelu [2] obliczy Q 0.5 and Q Dla dystrybuanty F (x) = 1 x 2, x 1 obliczy wielko± modaln, ±redni i median. 2.8 Wielko± szkody po»arowej zale»y od czasu T = t trwania po»aru, i wyra»a si wzorem a(e bt 1). Pokaza,»e jesli T ma rozkªad wykªadniczy, to wielko± szkody ma rozkªad Pareto. Poda wspóªczynniki rozkªadu. 2.9 Z próby 1000 polis zdrowotnych oszacowano,»e 1300 jest ±redni rocznych korzy±ci wypªaconych z polisy, z odchyleniem standardowym 400. Na nast pny rok spodziewane jest,»e zostanie podpisanych 2500 kontraktów. Przy u»yciu centralnego twierdzenia granicznego oszacowa prawdopodobie«stwo,»e wypªacone korzy±ci b d wi ksze ni» 101% oszacowanej ±redniej. Zadania teoretyczne 2.10 Je±li X N (µ, σ 2 ), to VaR α (X) = µ + σφ 1 (α) oraz TVaR α (X) = µ + σ φ(φ 1 (α)) 1 α.

5 2. LISTA Policzy VaR α (X) oraz TVaR α (X) dla rozkªadu wykªadniczego oraz Pareto Pokaza,»e VaR α (X) ma nast puj ce wªasno±ci: monotoniczno± X Y implikuje VaR α (X) VaR α (Y ). dodatnia jednorodno± VaR α (cx)= c VaR α (X). niezmienniczo± na przesuni cia VaR α (X + c)= VaR α (X) + c Pokaza,»e je±li ryzyko X ma g sto± f, to TVaR α (X) = 1 α Q s ds 1 α. Czy jest prawd,»e wzór powy»szy jest prawdziwy dla wszystkich rozkªadów? 2.14 Niech X ma zero obci ty rozkªad geometryczny (TGeo(β) z Pr(X = k) = 1 β, gdzie (!) k = 1, 2,.... Poda funkcj VaR 1+β 1+β α(x) i TVaR α (X) Pokaza,»e rozkªady: Poissona, dwumianowy i ujemny dwumianowy nale» do klasy (a, b, 0). Dla ka»dego z nich pokaza p 0, a, b Napisa funkcje charakterystyczn rozkªadu normalnego N (µ, σ 2 ) Pokaza,»e oraz µ 3 = µ 3 3µ 2 2µ + 2µ 3 = µ 3 3σ 2 µ µ 3, µ 4 = µ 4 4µµ 3 +6µ 2µ 2 + 3µ 3 = µ 4 4µµ 3 + 6µ 2 σ 2 + µ 4.

6 6 3 Lista W 100 szkodach w 1995 r. byªo: 42 których wielko±ci byªy pomi dzy 0-300, 3 pomi dzy , 5 pomi dzy , 5 pomi dzy , 0 pomi dzy , 5 pomi dzy i pozostaªych 40-stu ponad 600. W nast pnych 3 latach przewiduje sie inacje na poziomie 10%. W oparciu o dane z roku 1995, okre±li w przybli»eniu prawdopodobie«stwo,»e w 1998 r. szkoda przekroczy Ryzyko X ma rozkªad Pareto (α, θ). Jaki rozkªad ma zmienna losowa Y = log(1 + X/θ). 3.3 Niech N ma rozkªad Poissona ze ±redni Λ. Jesli Λ ma rozkªad jednostajny w odcinku (0, 5), to ile wynosi przwdopdobie«stwo,»e N W mieszance 2-ch rozkªadów: z prawdopodobie«stwem p mamy rozkªad dwumianowych z m = 2, q = 0.5 i z prawdopodobie«stwem 1 p rozkªad dwumianowych z m = 4, q = 0.5. Poda jako funkcj p prawdopdobie«stwo,»e zmienna losowa przyjmuje warto± Ryzyko 1 ma rozkªad Pareto z parametrami α > 2 i θ. Ryzyko 2 ma rozkªad Pareto z parametrami 0.8α i θ. Na ka»de ryzyko jest wystawiona polisa z wspóªpªaceniem (deductible) wielko±ci k. Okresli oczekiwany koszt na strat dla ryzyka 1. Zbada granic gdy k ilorazu ±redniego kosztu na strat dla ryzyka 2 do ilorazu ±redniego kosztu na strat dla ryzyka Prawdopodobienstwo szkody w okresie ubezpieczenia wynosi 0.1. Je±li jest szkoda to benet ma rozkªad jednostajny od 500 do A wi c ryzyko jest postaci X = IB, gdzie I orac B s niezale»ne, I przyjmuje 1 z prawdopdobie«stwem 0.1 oraz 0 z prawdopdbie«stwm 0.9, oraz B ma odpowiedni rozkªad jednostajny. Oblicz ±redni, odchylenie standardowe ryzyka X % szkód ma rozkªad normalny z µ = 3000 i σ 2 = oraz 25% szkód ma rozkªad normalny z µ = 4000 i σ 2 = Jakie jest prawdopodobie«stwo, ze losowo wybrana szkoda jest wieksza ni» Dla modelu [4] oblicz E Y L i E Y P oraz oczekiwan wielko± sraty ubezpieczyciela przy franczyzie redukcyjnej. Przyj c d = 5000.

7 3. LISTA Dla ryzyka X zaprojektowano ubezpiecznie maj ce wkªad wªasny wraz z wspóªpªacenie i dopuszczalnym limitem w postaci 0 X < 10, Y = β(x d) d X < 60, β(x d) 60 X. Obliczy oczekiwan strat na szkod oraz oczekiwan strat na pªatno±, je±li X ma rozkªad wykªadniczy Exp(50), i Pareto (α, θ), gdzie α = 2 i θ = 50. Porówna otrzymane wyniki z odpowiednimi ±rednimi Dla ryzyka z modelu [2] z listy 7 obliczy oczekiwan wypªat na szkod i na pªatno±, jesli jest wkªad wªasny w wysoko±ci d = 500 oraz wspóªplacenie w wysoko±ci 20% przez ubezpiecznowgo (α = 0.8) Dla ryzyka z modelu [4] z listy 7 obliczy oczekiwan wypªat na szkod je±li jest wspóªpªacenie w wysoko±ci 20% przez ubezpieczonego i dopuszczalny limit w wysoko±ci Zadania teoretyczne Niech X 1,..., X n b d niezale»nymi szkodami o jednakowym rozkªadzie, maj ce 3-ci moment. Niech A = n j=1 X j. Obliczy ±redni, odchylenie standardowe, wspóªczynnik zmienno±ci, sko±no± oraz kurtoz A Rozpatrzy logarytm funkcji generuj cej momenty M X (t) = E e tx. Kolejne pochodne w zerze wyznaczaj tzw. kumulanty zmiennej losowej X; pierwsza kumulanta jest ±redni, druga jest wariancj a trzecia jest 3-cim momentem centralnym. Korzystaj c z tego wyznaczy ±redni, odchylenie standardowe, wspóªczynnik zmienno±ci, sko±no± rozkªadu gamma Rozkªad odwrotny gaussowski, inverse gaussian µ, θ ma g sto± ( ) 1/2 ) θ f(x) = exp ( θz2, x > 0 2πx 3 2x gdzie z = (x µ)/µ, ma funkcj tworz c moment [ ( )] θ M(t) = exp 1 1 2µ2 µ θ z.

8 8 Przez podstawienie β = µ 2 /θ przepisa ] µ (x µ)2 f(x) = exp [. (2πβx 3 ) 1/3 2βx Pokaza,»e przy tej parametryzacji { M(t) = exp µ } β [(1 2βt)1/2 1]. Obliczy funkcj tworz c P (z) zmieszanego rozkªadu Poissona z odwrotnym gaussowskim: p k = 0 λ k k! e λ f(λ) dλ W oznaczeniach z poprzedniego zadania pokaza,»e P (z) mo»na zapisa jako P (z) = exp {λ[p 2 (z) 1]}, gdzie λ = µ β [(1 + 2β)1/2 1] i P 2 (z) = [1 2β(z 1)]1/2 (1 + 2β) 1/2 1 (1 + 2β) 1/2.

9 4. LISTA Lista Statystyka liczby szkód w ubezpieczeniu komunikacyjnym jest dana w tabeli poni»ej. Zbada empiryczne k ˆp k ˆp k 1. Oszacowa ±redni i odchylenie standardowe. Zastanowi si co lepiej pasuje: rozkªad Poissona, rozkªad ujemny dwumianowy czy dwumianowy. Policzy iloraz ±redniej do wariancji. Co to mo»e mówi o rozkªadzie. no szkód, k liczba obserwacji total Prawdopodobie«stwo zaistnienia szkody wynosi 10% i w jej rezultacie ubezpieczyciel pªaci Badanie rynku wskazuje,»e potencjalni nabywcy s gotowi zapªaci 550 za ubezpieczenie od tej szkody. Ile polis musi by sprzedane, aby ubezpieczyciel miaª 99% szans na zysk od tego ubezpieczenia? 4.3 Plan ubezpieczenia dentystycznego pokrywa niektóre zabiegi dla pracowników i ich rodzin (do 2-ch zabiegów rocznie). Cz sto±ci p k liczby zabiegów w jednym roku zostaªa podana w tabeli 4.1 oraz koszty zabiegów (w setkach zªotych) w tabeli f k (tablica 4.2). Obliczy ±redni i wariancj caªkowitego kosztu na pracownika oraz funkcj prawdopodobie«stwa Pr(S = k) dla k = 0, 1, Dla portfela 29 polis z tablicy 4.3 policzy (wykorzystaj c np z R, lub Excell) ±redni, wariancj, sko±no± i kurtoz. W tablicy 4.4 podane s warto±ci r k obliczone przy u»yciu FFT.

10 10 no zabiegów, k p k Tablica 4.1: Warto±ci p k koszt x 100, k f k Tablica 4.2: Warto±ci f k. 4.5 Zaobserwowane ±rednie (i odchylenia standardowe) liczby szkód i wielko±ci indywidualnej szkody s 6.7 (2.3) i (52.14). Obliczy warto±c oczekiwan i wariancj zagregowanych szkód S. U»y normalnej i logarytmiczno normalnej aproksymacji dla rozkªadu S do obliczene (oszacowania) prawdopodobie«stwa,»e zagregowana szkoda przekroczy 140% ±redniego kosztu. Amount at Risk θ i Tablica 4.3: Portfel 29 polis

11 4. LISTA 9 11 k r k k r k k r k Tablica 4.4: Warto±ci r k = Pr(S k).

1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.

1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1. LISTA 6 1 1 Lista 6 1.1 Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci 3000. Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1

Bardziej szczegółowo

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8

Bardziej szczegółowo

MUMIO Lab 6 (składki, kontrakt stop-loss)

MUMIO Lab 6 (składki, kontrakt stop-loss) MUMIO Lab 6 (składki, kontrakt stop-loss) 1. (6p.) Niech X oznacza ryzyko (zmienn a losow a o własności P (X 0) = 1), a H( ) niech oznacza formułȩ kalkulacji składki (przyporz adkowuj ac a każdemu ryzyku

Bardziej szczegółowo

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast

Bardziej szczegółowo

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M = Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj

Bardziej szczegółowo

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka

Bardziej szczegółowo

Metody probablistyczne i statystyka stosowana

Metody probablistyczne i statystyka stosowana Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku

Bardziej szczegółowo

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )

Bardziej szczegółowo

Biostatystyka, # 5 /Weterynaria I/

Biostatystyka, # 5 /Weterynaria I/ Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Biostatystyka, # 4 /Weterynaria I/

Biostatystyka, # 4 /Weterynaria I/ Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek; EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4

Bardziej szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *

Bardziej szczegółowo

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Bardziej szczegółowo

3 Ubezpieczenia na życie

3 Ubezpieczenia na życie 3 Ubezpieczenia na życie O ile nie jest powiedziane inaczej, w poniższych zadaniach zakładamy HJP. 3.1. Zadania 7.1-7.26 z Miśkiewicz-Nawrocka, Zeug-Żebro, Zbiór zadań z matematyki finansowej. 3.2. Mając

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

In»ynierskie zastosowania statystyki wiczenia

In»ynierskie zastosowania statystyki wiczenia Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie

Bardziej szczegółowo

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych

Bardziej szczegółowo

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13 Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

Bardziej szczegółowo

= µ. Niech ponadto. M( s) oznacza funkcję tworzącą momenty. zmiennej T( x), dla pewnego wieku x, w populacji A. Wówczas e x wyraża się wzorem: 1

= µ. Niech ponadto. M( s) oznacza funkcję tworzącą momenty. zmiennej T( x), dla pewnego wieku x, w populacji A. Wówczas e x wyraża się wzorem: 1 1. W populacji B natężenie wymierania µ ( B ) x jest większe od natężenia wymierania ( A) µ x w populacji A, jednostajnie o µ > 0, dla każdego wieku x tzn. ( B) ( A) µ µ x = µ. Niech ponadto x M( s) oznacza

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...

Bardziej szczegółowo

Stacjonarne szeregi czasowe

Stacjonarne szeregi czasowe e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa

Bardziej szczegółowo

Informatyka. z przedmiotu RACHUNEK PRAWDOPODOBIE STWA

Informatyka. z przedmiotu RACHUNEK PRAWDOPODOBIE STWA Informatyka Zbiór przykªadowych prac kontrolnych oraz przykªadowych zada«egzaminacyjnych z przedmiotu RACHUNEK PRAWDOPODOBIE STWA Sprawdzian 1, M09-02 Zadanie 1 (1p) W rzucie dwiema kostkami obliczy prawdopodobie«stwo

Bardziej szczegółowo

Agata Boratyńska Statystyka aktuarialna... 1

Agata Boratyńska Statystyka aktuarialna... 1 Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej

Bardziej szczegółowo

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną

Bardziej szczegółowo

Zadania z rachunku prawdopodobie«stwa

Zadania z rachunku prawdopodobie«stwa STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k = Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują

Bardziej szczegółowo

Rozwini cia asymptotyczne dla mocy testów przybli»onych

Rozwini cia asymptotyczne dla mocy testów przybli»onych Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:

Bardziej szczegółowo

Matematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski

Matematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie

Bardziej szczegółowo

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =. Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,

Bardziej szczegółowo

Zadanie 1. Zadanie 2. Zadanie 3. Zadanie 4

Zadanie 1. Zadanie 2. Zadanie 3. Zadanie 4 Zadanie ODP = exp(, 4 )E W () = exp(, )E l (;+ ) (S()) ODP = exp(, )P (S() > ), gdzie oznacza miar martyngaªow. Przy MBS proces cen akcji ma posta S(t) = S() exp[t(µ, 5σ ) + σw t ], gdzie {W t, t } jest

Bardziej szczegółowo

MODELE LINIOWE i MIESZANE

MODELE LINIOWE i MIESZANE MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e

Bardziej szczegółowo

Zadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny:

Zadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Matematyka ubezpieczeń majątkowych 5.2.2008 r. Zadanie. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Pr ( N = k) = 0 dla k = 0,, K, 9. Liczby szkód w

Bardziej szczegółowo

1 Metody iteracyjne rozwi zywania równania f(x)=0

1 Metody iteracyjne rozwi zywania równania f(x)=0 1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0

Bardziej szczegółowo

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie

Bardziej szczegółowo

Wykªad 6: Model logitowy

Wykªad 6: Model logitowy Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3

Bardziej szczegółowo

E. Sadowska-Owczorz Statystyka i probabilistyka - zadania kwiecie«2018

E. Sadowska-Owczorz Statystyka i probabilistyka - zadania kwiecie«2018 1. Jest 50 pyta«egzaminacyjnych. Na ka»dej wylosowanej przez zdaj cego kartce napisane s trzy pytania. (a) Ile mo»e by ró»nych kartek? (b) Oblicz prawdopodobie«stwo,»e zdajacy odpowie co najmniej na jedno

Bardziej szczegółowo

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną

Bardziej szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka matematyczna - ZSTA LMO Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych

Bardziej szczegółowo

Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone

Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 3 i 4 1 / 25 MODEL RYZYKA INDYWIDUALNEGO X wielkość

Bardziej szczegółowo

CAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski

CAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych

Bardziej szczegółowo

f(x)dx gdy a, b (0, 100), f(x) = exp( 1

f(x)dx gdy a, b (0, 100), f(x) = exp( 1 Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA 1 i 2. 1. Właściciel domu określa wartość swojego majątku na 100j. Obawia się losowej straty spowodowanej pożarem. Doświadczenie agenta

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną:

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Zadanie. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Pr Pr ( = k) ( N = k ) N = + k, k =,,,... Jeśli wiemy, że szkód wynosi: k= Pr( N = k) =, to prawdopodobieństwo,

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA

PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F

Bardziej szczegółowo

AM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium

AM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Przeksztaªcenia liniowe

Przeksztaªcenia liniowe Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y

Bardziej szczegółowo

Statystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski

Statystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik

Bardziej szczegółowo

Elementarna statystyka

Elementarna statystyka Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH

MODELE MATEMATYCZNE W UBEZPIECZENIACH MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 6: SKŁADKI OKRESOWE Składki okresowe netto Umowę pomiędzy ubezpieczycielem a ubezpieczonym dotyczącą ubezpieczenia na życie nazywa się polisą ubezpieczeniową

Bardziej szczegółowo

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) = Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x

Bardziej szczegółowo

Podstawy statystycznego modelowania danych Analiza prze»ycia

Podstawy statystycznego modelowania danych Analiza prze»ycia Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate

Bardziej szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza

Bardziej szczegółowo

wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia

wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany

Bardziej szczegółowo

Zadanie 1. Zadanie 2. Zadanie 3

Zadanie 1. Zadanie 2. Zadanie 3 Zadanie R to rata miesi czna, odsetki w k-tej racie to ods k = R( v 8 k ), a spªata kapitaªu wyra»a si wzorem kap k = Rv 8 k, gdzie v = (, 5) /6. Dany jest ukªad nierówno±ci z którego wynika Rv 8 N R(

Bardziej szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka matematyczna - ZSTA LMO Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz

Bardziej szczegółowo

Rachunek ró»niczkowy funkcji jednej zmiennej

Rachunek ró»niczkowy funkcji jednej zmiennej Lista Nr 5 Rachunek ró»niczkowy funkcji jednej zmiennej 5.0. Obliczanie pochodnej funkcji Pochodne funkcji podstawowych. f() = α f () = α α. f() = log a f () = ln a '. f() = ln f () = 3. f() = a f () =

Bardziej szczegółowo

1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci

1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,

Bardziej szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan

Bardziej szczegółowo

Wektory w przestrzeni

Wektory w przestrzeni Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem

Bardziej szczegółowo

Statystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.

Statystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski. Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem

Bardziej szczegółowo

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p. Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )

Bardziej szczegółowo

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16 Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria

Bardziej szczegółowo

Pakiety statystyczne - Wykªad 8

Pakiety statystyczne - Wykªad 8 Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne

Bardziej szczegółowo

Pochodna funkcji jednej zmiennej

Pochodna funkcji jednej zmiennej Pochodna funkcji jednej zmiennej Denicja. (pochodnej funkcji w punkcie) Je±li funkcja f : D R, D R okre±lona jest w pewnym otoczeniu punktu D i istnieje sko«czona granica ilorazu ró»niczkowego: f f( +

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

1. Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: =

1. Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: = . Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: ~ 0,9g( t) 0 t < 50 g ( t) =,2 g( t) 50 t. opisuje ona śmiertelność

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 91...... Zadanie 1. (8 punktów) Liczebność pewnej populacji jest opisana równaniem różniczkowym: dn = r N(α N)(N β), (1) dt w którym, N(t) oznacza liczebność populacji w chwili t, a r > 0

Bardziej szczegółowo

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Podstawy statystycznego modelowania danych - Wykªad 7

Podstawy statystycznego modelowania danych - Wykªad 7 Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz

Bardziej szczegółowo

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści

Bardziej szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele wielorównaniowe. Estymacja parametrów Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Z Wikipedii, wolnej encyklopedii.

Z Wikipedii, wolnej encyklopedii. Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to

Bardziej szczegółowo

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B, Macierze Dziaªania na macierzach Niech b d dane macierze A = E = [ 2 3 0 3 2 3 2 0 [ 0 8, B = 4 2, F = [ 2 3, C = 3 2 2 3 0 0 0 4 0 6 3 0, G =, D = 0 2 0 2 0 3 0 3 0 2 0 0 2 2 0 0 5 0 2,, H = 0 0 4 0 0

Bardziej szczegółowo

Lista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Załóżmy, że w diploidalnej populacji kojarzącej się w sposób losowy, w loci o dwóch allelach A i a 36% osobników tej populacji ma genotyp aa. (a) Jaka cześć

Bardziej szczegółowo

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru

Bardziej szczegółowo