Pojistná matematika 2 KMA/POM2E
|
|
- Emil Šmíd
- před 8 lety
- Počet zobrazení:
Transkript
1 Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna tel ondrej.pavlacka@upol.cz web: (informace + podkladové materiály) Konzultační hodiny (LS 2016): Středa 13:30 15:00 Čtvrtek 9:15 10:45 Doporučuji domluvit se dopředu přes .
2 Matematické modelování v NŽP
3 Matematické modelování v NŽP Jde o součást teorie rizika (zahrnuje rovněž problematiku finančního rizika). Motivace pro tvorbu matematických modelů: model může nahradit nedostatečný počet dat, často lze pomocí jednoduchých mat. vztahů popsat chování rozsáhlých pojistných kmenů, lze tak statisticky testovat vlastnosti pojistných kmenů, aj.
4 1. Modely počtu škod (poj. nároků)
5 Modely počtu škod (poj. nároků) Modely vycházející z pravděpodobnostního rozdělení náhodné veličiny n, která označuje počet pojistných nároků (PU, škod) obvykle na jednu pojistnou smlouvu během jednoho roku. Náhodná veličina n může nabývat hodnot 0,1,2, s určitými p-stmi.
6 Modely počtu škod (poj. nároků) Binomické rozdělení K přirozené, 0 < p < 1. n počet zdarů v K nezávislých pokusech, p p-st zdaru, 1-p p-st nezdaru,
7 Modely počtu škod (poj. nároků) Poissonovo rozdělení,,,,,,,,,,,,, l > 0 limitní případ binomického rozdělení n počet zdarů ve velkém počtu nezávislých pokusů s malou p-stí zdaru
8 Modely počtu škod (poj. nároků) Negativní binomické rozdělení (Pólyovo) pro přirozené a: a > 0, n počet nezdarů před a-tým zdarem v nezávislých pokusech s p-stí zdaru p
9 Modely počtu škod (poj. nároků) Smíšené Poissonovo rozdělení parametr l je náhodný s f-cí hustoty f(l): Použití: u poj. kmenů s heterogenními riziky, např. v pojištění proti lesnímu požáru, kde riziko vzniku požáru (a tedy počet škod) závisí na typu počasí. Příklad na tabuli + MS Excel.
10 Smíšené Poissonovo rozdělení
11 Modely počtu škod (poj. nároků) Rozdělení binomické Poissonovo negativní binomické Vlastnost E(n) > var (n) E(n) = var (n) E(n) < var (n)
12 Modely počtu škod (poj. nároků) Počet škod na 1 smlouvu za 1 rok Skutečný počet smluv Modelovaný počet smluv: Poissonovým rozd. Modelovaný počet smluv: negat. binom. rozd a více Celkem
13 Modely počtu škod (poj. nároků) Nechť NV n: počet škod za 1 rok v N nezávislých poj. smlouvách, tj. n = n 1 + n n N :
14 Modely počtu škod (poj. nároků) Jsou-li pojistné smlouvy homogenní se stejnou škodní frekvencí q1: Příklad na tabuli Je-li N hodně velké, tj. jde-li o rozsáhlejší pojistný kmen, lze Poissonovo rozdělení asymptoticky aproximovat normálním rozdělením:
15 Příklady I. V pojištění domácnosti byly pozorovány hodnoty: Riziko Počet smluv Doba pozorování Počet škod Živelní události rok 12 Odcizení rok 250 Odpovědnost roky 35 a) P-st, že v poj. kmeni s pojistkami nevznikne během 1 roku více než 300 škod? b) Jaký rozsah poj. nároků (počet škod) může pojišťovna během 1 roku očekávat se spolehlivostí 95%?
16 II. Vypočtěte: 1. průměrný počet odcizených aut v tarifní skupině o smlouvách během 1 roku, jestliže škodní frekvence činí q 1 = 0, , počet krádeží na každou pojistnou smlouvu je NV s Poissonovým rozdělením s parametrem q 1, NV jsou vzájemně nezávislé; 2. Pravděpodobnost, že počet krádeží bude během následujících 2 po sobě jdoucích letech za předchozích předpokladů vyšší než 110.
17 2. Modely výše škod
18 Modely výše škod Modely vycházející z pravděpodobnostního rozdělení náhodné veličiny X, která označuje výši škody. Většinou X 0 nebo 0 X H (či 0 X M). Rozdělení náhodné veličiny X je popsáno hustotou f(x).
19 Modely výše škod Logaritmicko-normální rozdělení, s >0, R Použití: v pojištění úrazovém, havarijním, požárním zděných budov, proti vichřicím, aj.
20 Modely výše škod Gama rozdělení a>0, b>0
21 Modely výše škod Speciální případ Gama rozdělení (a=, b=1): Exponenciální rozdělení Exp(l), l >0 Použití Exp(l): modelování doby mezi pojistnými nároky.
22 Modely výše škod Beta rozdělení a>0, b>0, c>0 Funkce hustoty má v případě a<1, b<1 tvar písmene U, čehož se využívá k modelování výše škod v požárním pojištění (velmi malé nebo velmi velké škody).
23 Modely výše škod Paretovo rozdělení a>0, b>0 f X (x) = ba b /x (b+1), x a E(X) = ab/(b-1), b>1 var (X) = a 2 b/[(b-1) 2 (b-2)], b>2 Tzv. rozdělení s těžkými konci. Použití: např. v pojištění nemocenském, požárním dřevěných budov, kde lze čekat odlehlé extrémní hodnoty počtu škod.
24 Příklady 1. Určete střední hodnotu, rozptyl, směrodatnou odchylku a pravděpodobnost, že výše škody (v i-té smlouvě) překročí 4 mil. Kč. Rozdělení výše škody bylo odhadnuto na log-normální: Výše škody (v tis. Kč) Počet škod nad Celkem 100
25 2. Nechť X je náhodná veličina popisující výši škody u 1 smlouvy během 1 roku s rozdělením logn(5; 1,44). Určete pravděpodobnost, že výše škody leží v intervalu 50$, $. 3. Nechť průměrná výše škody u 1 smlouvy je 310$ a směrodatná odchylka činí 420$. Během 1 roku bylo pozorováno 520 škod. Určete pravděpodobnost, že celková škoda převýší $.
26 4. Výše pojistného nároku v portfoliu pojistných smluv je uváděna ve stovkách dolarů a lze ji popsat Paretovým rozdělením s parametry b = 3, a = 2. Určete pravděpodobnost, že výše nároku přesáhne 500 $. Určete průměrnou výši nároku přesahujícího 500 $.
27 3. Složené pojistné modely
28 Složené pojistné modely O náhodné veličině S = X 1 + X X n označující celkovou výši škody v rámci n pojistných nároků (tj. součet náhodného počtu náhodných veličin ) se říká, že má složené pravděpodobnostní rozdělení (compound distribution). Vzniká složením rozdělení náhodné veličiny n a rozdělení náhodných veličin X 1,X 2,,X n.
29 Složené pojistné modely Platí: Jsou-li náhodné veličiny X 1,X 2,,X n iid, tj. nezávislé a stejně rozdělené (X i = X, i=1,2,,n) a n a X jsou nezávislé s konečnými momenty E(n), var(n), E(X) a var(x), pak E(S) = E(n)*E(X), var(s) = E(n)*var(X) + var(n)*[e(x)] 2.
30 Složené pojistné modely Složené Poissonovo rozdělení: CP(l, F), kde a p-stní rozdělení výše škod X je dáno distribuční funkcí F: E(S) = E(n)*E(X) = l* E(X), var(s) = E(n)*var(X) + var(n)*[e(x)] 2 = = l*var(x) + l* [E(Xi)] 2 = l* E(X 2 ).
31 Příklad V souboru pojistných smluv 1 tarifní skupiny byly pozorovány následující počty škod: Počet škod (na 1 smlouvu) Počet smluv Celkem Distribuční funkce pro výši škody je dána předpisem F(x) = 1 e -0,001*x, x 0. Odhadněte očekávané (průměrné) náklady na krytí škod pro 100 smluv platných během 1 roku a směrodatnou odchylku těchto nákladů.
32 4. Pojistné modely v čase
33 Pojistné modely v čase Proces rizika: {T 1,X 1,T 2,X 2, } T i délka doby mezi uplatněním i-tého a (i-1)- ního nároku, X i výše škody jako i-té v čase, tj. v čase W i = T 1 + T T i Obvyklý předpoklad: T i, X i vzájemně nezávislé NV
34 Pojistné modely v čase Proces počtu pojistných nároků: {n t, t 0}, n t NV popisující počet poj. nároků do času t, Proces celkové výše pojistných nároků: {S t, t 0} S t NV popisující celkovou výši poj. nároků do času t, S t = X 1 + X Xn t.
35 Pojistné modely v čase Poissonův proces s intenzitou l: {T 1,X 1,T 2,X 2, }, s tím, že délky dob T i mají exponenciální rozdělení Exp(l), střední hodnota 1/l. Potom počet poj. nároků do času t (NV n t ) má Poissonovo rozdělení P(lt)
36 výše celkového poj. nároku do času t S t = X 1 + X Xn t, X i, i=1,..., n t, jsou nezávislé NV se stejným rozdělením (daným distribuční funkcí F), n t je NV s Poissonovým rozdělením P(lt) S t je NV se složeným Poissonovým rozdělením CP(l,F): Pojistné modely v čase
37 Příklad Během 1 roku bylo u smluv uplatňováno 140 pojistných nároků. Jaká je pravděpodobnost, že nedojde ke škodě u žádné smlouvy a) během následujících 2 let, b) během následujících 9 měsíců, při zachování škodní frekvence?
38 5. Pravděpodobnost ruinování
39 Pravděpodobnost ruinování Pravděpodobnost toho, že stav rezervy pojišťovny klesne pod nulu (na zápornou hodnotu). T i - doba mezi 2 poj. nároky, W i - čas uplatnění nároku ve R t rezerva v čase t výši X i X 1 X 2 výše škody v čase 2 R 0 X 3 pravděpodobnost ruinování Y = P{min R t < 0, t 0} W 1 W 2 W 3 T 1 T 2 T 3 t
40 Pravděpodobnost ruinování
41 Pravděpodobnost ruinování
42 6. Systémy bonus-malus
43 Systémy bonus - malus Bonus smluvně zaručená sleva ze základního pojistného podle počtu předchozích bezškodních roků, Malus přirážka k pojistnému podle počtu a výše pojistných nároků uplatněných v minulých letech pojištění.
44 Systémy bonus - malus Bonusová náročnost systému: (1-P /P)*100 (%) celk. pojistné s použitím bonusů celk. pojistné při hypotetickém vyloučení bonusů
45 Systémy bonus - malus Hlad po bonusu situace, kdy klient raději nepřizná pojišťovně škodu z důvodu poklesu v bonusové stupnici. Bonusový systém se obvykle stupňuje, např. slevy ve výši. 0 %, 20 %, 40 % a 50 % ze základního pojistného. Bonusový stupeň se řídí rozhodnou dobou = dobou nepřerušeného trvání pojištění, po kterou nebyl uplatněn pojistný nárok.
46 Systémy bonus - malus t (roky) 20% 40% bonus v % základního pojistného
47 Systémy bonus - malus Matematické modely systémů bonus-malus jsou založeny především na pravděpodobnostní teorii markovských řetězců, takže při jejich praktickém použití je nutné nejprve odhadnout pravděpodobnosti přechodů mezi jednotlivými stupni systému. Příklad na tabuli
Neživotní pojištění. Brno 2012
Neživotní pojištění Brno 2012 Osnova 1 Kalkulace pojistného 2 Tarifní skupiny Tarifní skupiny jsou homogenní skupiny pojistných smluv, pro něž je pojistné riziko přibližně stejné. V rámci každé tarifní
VícePojistná matematika 2 KMA/POM2E
Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VícePojistná matematika 2 KMA/POM2E
Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceTest z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY
VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový
VíceMatematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí
Matematické přístupy k pojištění automobilů Silvie Kafková 3. 6. září 2013, Podlesí Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3 Motivace Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceTomáš Cipra: Pojistná matematika: teorie a praxe. Ekopress, Praha 2006 (411 stran, ISBN: 80-86929-11-6, druhé aktualizované vydání) 1. ÚVOD...
Tomáš Cipra: Pojistná matematika: teorie a praxe. Ekopress, Praha 2006 (411 stran, ISBN: 80-86929-11-6, druhé aktualizované vydání) OBSAH I. POJIŠŤOVNICTVÍ A FINANCE 1. ÚVOD... 13 2. POJIŠTĚNÍ JAKO OCHRANA
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VíceBiostatistika Cvičení 7
TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceTest z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY
VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový
Vícepopulace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceNÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceSPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení
SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční
VícePříklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7
Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VícePojistná matematika 1 KMA/POM1
Pojistná matematika 1 KMA/POM1 RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační
VíceAplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik
Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Ondřej Pavlačka Praha, 18. ledna 2011 Cíle projektu Vytvořit matematický model pro oceňování přijímaného
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
VíceDiskrétní náhodná veličina
Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
Více24.11.2009 Václav Jirchář, ZTGB
24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
Více1. A c B c, 2. (A C) B, 3. A B C.
Příklad 1: V urně jsou kuličky tří barev. Nechť jevy A, B, C, postupně znamenají, že náhodně vybraná kulička je černá, červená, bílá. Určete význam následujících jevů: 1. A c B c, 2. (A C) B, 3. A B C.
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VíceStatistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží
Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceSystémové řešení nepojistitelných rizik. Hana Bártová Karel Hanzlík
Systémové řešení nepojistitelných rizik Hana Bártová Karel Hanzlík Projekt Systémové řešení nepojistitelných rizik byl podpořen Nadačním fondem pro podporu vzdělávání v pojišťovnictví Obsah obhajoby význam
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VíceFyzikální korespondenční seminář MFF UK
Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
VíceNáhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036
Příklad : Statistika A, doc. Kropáč, str. 6, příklad 2 K benzínovému čerpadlu přijíždí průměrně 4 aut za hodinu. Určete pravděpodobnost, že během pěti minut přijede nejvýše jedno auto. Pokus: Zjištění,
VíceŘízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT
Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VícePearsonůvχ 2 test dobré shody. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. Př. : Ve vjezdové skupině kolejí byly sledovány počty přijíždějících vlaků za hodinu. Za 5 dní (tedy 360 hodin) přijelo celkem 87 vlaků. Výsledky sledování jsou uvedeny v tabulce.
VíceCvičení ze statistiky - 7. Filip Děchtěrenko
Cvičení ze statistiky - 7 Filip Děchtěrenko Minule bylo.. Probrali jsme spojité modely Tyhle termíny by měly být známé: Rovnoměrné rozdělení Střední hodnota Mccalova transformace Normální rozdělení Přehled
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceRovnoměrné rozdělení
Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot
VíceStatistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
VíceVýpočet pravděpodobností
Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
Více6.1 Normální (Gaussovo) rozdělení
6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
Více4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY
4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být
Vícepravděpodobnosti, popisné statistiky
8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým
VíceVYBRANÁ ROZDĚLENÍ. DISKRÉTNÍ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ DISKRÉTNÍ NÁH. VELIČINY Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodná veličina (dále NV)? Číselné vyjádření výsledku náhodného pokusu. Jaké
Vícetazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve
Příklady k procvičení k průběžnému testu: 1) Při zpracování studie o průměrné výši měsíčních příjmů v České republice jsme získali data celkem od 8 tazatelů. Každý z těchto pěti souborů dat obsahoval odlišný
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipa.cz Pravděpodobnost a matematická statistika 2010 1.týden 20.09.-24.09. Data, tp dat, variabilita, frekvenční analýza histogram,
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
Více