Lebensdauer eines x-jährigen

Slides:



Advertisements
Ähnliche Präsentationen
Definition [1]: Sei S eine endliche Menge und sei p eine Abbildung von S in die positiven reellen Zahlen Für einen Teilmenge ES von S sei p definiert.
Advertisements

O-Notation in der Informatik
Modellierung und Schätzung von Variogrammen
Stochastik in der Sek. II Sabrina Schultze.
Forschungsstrategien Johannes Gutenberg Universität Mainz
1 Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen) Prof. Dr. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen) Tobias Lauer.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen) Prof. Dr. Th. Ottmann.
Kapitel 5 Stetigkeit.
K. Desch - Statistik und Datenanalyse SS05
1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität Algorithmen für Peer-to-Peer-Netzwerke Sommersemester Vorlesung.
1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität Algorithmen für Peer-to-Peer-Netzwerke Sommersemester Vorlesung.
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Materialien zu Übung 9 Bälle in Körbe Ranged.
Induktive Statistik.
Statistische Methoden II
Statistische Methoden II SS 2007 Vorlesung:Prof. Dr. Michael Schürmann Zeit:Freitag (Pause: ) Ort:Hörsaal Loefflerstraße Übungen.
Konfidenzintervalle Intervallschätzung
Statistische Methoden II SS 2008 Vorlesung:Prof. Dr. Michael Schürmann Zeit:Freitag (Pause: ) Ort:Hörsaal Makarenkostraße (Kiste)
Bitte mein Manuskript (liegt im Bibliotheksgebäude aus) nicht nach Außerhalb tragen. Die Weitergabe an Dritte (d. h. an Personen, die nicht Hörer der Vorlesung.
TESTS. Worum es geht Man möchte testen, ob eine bestimmte Annahme (Hypothese) über Parameter der Realität entspricht oder nicht. Beobachtung (Stichprobe)
Die Student- oder t-Verteilung
Erwartungswert und Varianz I Der endliche Fall Erwartungswert Varianz.
Konfidenzintervalle Intervallschätzung Jeder Beobachtung wird ein Intervall C( ) der reellen Zahlen zugeordnet Niveau Dabei ist die Wahrscheinlichkeit,
Statistische Methoden I SS 2005 Vorlesung:Prof. Dr. Michael Schürmann Zeit:Freitag (Pause: ) Ort:Hörsaal Loefflerstraße Übungen.
Statistische Methoden I SS 2005
Hier noch ein Beispiel zur bedingten Wahrscheinlichkeit Drei Personen A, B und C befinden sich im Gefängnis. Einer von den dreien ist zum Tode verurteilt,
Klausurtermin (laut Prüfungsamt) Probeklausur Freitag, 13. Juni 2003 statt Vorlesung.
Achtung Vorlesung am Montag, den 21. Juni Zeit: Uhr Ort: Kiste.
II. Wahrscheinlichkeitstheorie
Die Vorlesung am 14. Mai (Tag nach Himmelfahrt) wird auf Montag, den 17. Mai verlegt! Zeit: 16 Uhr Ort: Kiste Nächste Woche!!!!
Wahrscheinlichkeitstheorie. Statistische Methoden I WS 2009/2010 Einleitung: Wie schätzt man die Zahl der Fische in einem See? Zur Geschichte der Statistik.
III. Induktive Statistik
Die Vorlesung am 14. Mai (Tag nach Himmelfahrt) wird verlegt. Der Nachholtermin wird noch bekannt gegeben.
Erwartungswert und Varianz I Der endliche Fall Erwartungswert Varianz.
Statistische Methoden II SS 2003
Extra-SPSS-Kurse Durchführung: Birte Holtfreter Termine Di Mi Mi Ort PC-Pool Loefflerstarße.
Bedingte Wahrscheinlichkeiten Die Belegschaft eines Betriebes wird nach Rauchern und Nicht- rauchern eingeteilt. Dabei ergibt sich die folgende Tabelle:
Wahrscheinlichkeitstheorie. Statistische Methoden I WS 2002/2003 Zur Geschichte der Statistik I. Beschreibende Statistik 1. Grundlegende Begriffe 2. Eindimensionales.
Grundbegriffe der (deskriptiven) Statistikder Wahrscheinlichkeitstheorie.
Statistische Methoden I WS 2004/2005 Probeklausur Freitag, 21. Januar statt Vorlesung - In 2 Wochen In 2 Wochen!
Verteilungsfunktion der Normalverteilung I. Verteilungsfunktion der Normalverteilung II.
Grundbegriffe der (deskriptiven) Statistik
Test auf Normalverteilung
Maximum-Likelihood-Schätzer ( diskreter Fall) Likelihood-Funktion mit oder M-L-Schätzer.
Achtung Vorlesung am Montag, den 21. Juni Zeit: Uhr Ort: Kiste.
Unser neuntes Tutorium
Binomialverteilung: Beispiel
Wahrscheinlichkeitsrechnung
Allgemeine stetige Verteilungen und konkrete Anwendungen
Ausgleich von Sterbetafeln
Normalverteilung bei stetigen Zufallsgrößen
Wahrscheinlichkeitsverteilung
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/
STATISIK LV Nr.: 0028 SS Mai 2005.
STATISIK LV Nr.: 0028 SS Mai 2005.
STATISIK LV Nr.: 0021 WS 2005/ Oktober 2005.
STATISIK LV Nr.: 1852 WS 2005/ Dezember 2005.
Kapitel 13 Zeitreihen und Zeitreihen-Modelle
Stetige Verteilungen Das Uhrenbeispiel Dichtefunktion
1 (C) 2002, Hermann Knoll, HTW Chur, Fachhochschule Ostschweiz Wahrscheinlichkeitsverteilung Lernziele: Wahrscheinlichkeitsverteilung und der Wahrscheinlichkeitsdichte.
Stetige Kleinste-Quadrate-Approximation
7. Formale Sprachen und Grammatiken
Stochastik ganz kurz Beispiel diskret Würfelwurf Beispiel stetig
K. Desch - Statistik und Datenanalyse SS05
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung
Die Binomialverteilung
Der Wiener Prozess und seltene Ereignisse
Didaktik III GTR im Mathematikunterricht Folgen – Exponentinal- und Logarithmusfunktion Klasse
Aufgabenstellung  gegeben ist die zeitliche Entwicklung der global gemittelten bodennahen Temperatur im Zeitraum (Dateiname= ytemp2m.obs, ascii-
 Präsentation transkript:

Lebensdauer eines x-jährigen Manuel Sampl Proseminar Bakkalaureat TM 13.12.2005

Modell Person mit Alter x zukünftige Lebensdauer T = T(x) x+T Todesalter der Person

Verteilsfunktion von T T eine Zufallsvariable Verteilsfunktion G(t) = Pr(T ≤ t), t ≥ 0. t fest G(t) die Wahrscheinlichtkeit, innerhalb von t Jahren zu sterben

Verteilsfunktion von T stetig Wahrscheinlichkeitsdichte g(t) = G‘(t) Beispiel g(t) dt = Pr(t < T < t + dt) Wahrscheinlichkeit des Todes in diesem Intervall

Symbolik internationale Symbolik in der Versicherungsmathematik tqx = G(t) tpx = 1 – G(t) sItqx = Pr(s < T < s+t) = G(s+t) – G(s) = s+tqx - sqx

Bedingte Wahrscheinlichkeiten tpx+s eine bedingte Wahrscheinlichkeit tpx+s = Pr(T > s+t I T > s) = (1 – G(s+t)) / (1 – G(s)) tqx+s = Pr(T ≤ s+t I T > s) = (G(s+t) – G(s)) / (1 – G(s))

Lebenserwartung ėx als Symbol für die E(T) des x-jährigen ∞ ėx = ∫t g(t) dt Verteilsfuntkion von T ∞ ∞ ėx = ∫(1 – G(t)) dt = ∫tpx dt 0 0

Vereinfachungen der Notation Präfixe der Symbole tqx , tpx , sItqx für t =1 qx , px , sIqx

Die Sterblichkeitsintensität Definition μx+t = g(t) / (1 – G(T)) = - d/dt ln(1 – G(t)) weil g(t) dt = Pr(t < T < t+dt) und tpx = 1 – G(t) alternativer Ausdruck Pr(t < T < t+dt) = tpx μx+t dt

Lebenserwartung Schreibweisen ėx = ∫t tpx μx+t dt ėx = ∫t g(t) dt ∞ ėx = ∫t tpx μx+t dt ėx = ∫t g(t) dt ∞ ∞ ėx = ∫(1 – G(t)) dt = ∫tpx dt 0 0

Analytische Verteilung von T analytisch bzw. „mathematisch“, falls G(t) durch eine einfache Formel beschrieben wird Vorteil wenig Paramter Nachteil ungenau

Beispiele von analytischen Verteilungen

De Moivre (1724) oberstes Alter ω T gleichverteilt im Intervall (0 , ω-x) g(t) = 1 / (ω – x) Sterblichkeitsintensität μx+t = 1 / (ω – x – t) für 0 < t < ω – x wachsende Funktion

Gompertz (1824) exponentielles Wachstum μx+t = B cx+t mit B, c, t > 0 Vergleich zu De Moivre bessere Beschreibung menschlichen Alterns oberstes Alter ω überflüssig

Makeham (1860) Verallgemeinerung von Gompertz μx+t = A + B cx+t mit A > 0

konstante Sterblichkeitsintensität Gompertz μx+t = B cx+t c = 1 Makeham μx+t = A + B cx+t B = 0

Weibull (1939) Wachstum μx+t = k (x + t)n mit k, n > 0 nicht exponentiell wie eine Potenz μx+t = k (x + t)n mit k, n > 0

Die gestutzte Lebensdauer Modell μx+t = g(t) / (1 – G(T)) = - d/dt ln(1 – G(t)) Pr(t < T < t+dt) = tpx μx+t dt

Zufallsvariabelen K = K(x) S = S(x)

Sei K = [T] die ganzzahlig gestutzte zukünftige Lebensdauer Pr(K = k) = Pr(k < T < k+1) für k = 0, 1, ... Erwartungswert von K heißt die gestutzte Lebenserwartung bezeichnet mit ex

Sei S der Bruchteil des Jahres im Todesjahr S im Intervall ( 0 , 1 ) T = K + S Approximation mit S = ½ ėx ≈ ex + ½ als Näherung

Verwendung in der Praxis um die vollständige Lebenserwartung auszurechnen Vorteil einfacher auszuwerten Nachteil nicht ganz so genau