Kvantifisering av operasjonell risiko basert på kombinering av hendelsesdata og subjektive risikovurderinger
|
|
- Daniel Knut Christophersen
- 6 år siden
- Visninger:
Transkript
1 Kvantifisering av operasjonell risiko basert på kombinering av hendelsesdata og subjektive risikovurderinger Arne Bang Huseby 1 and Jan Thomsen 2 1 University of Oslo, Norway 2 Norges Bank Investment Management, Norway ESRA-seminar, Universitet i Oslo, 3. februar 2016
2 Kombinering av hendelsesdata and subjektive risikovurderinger Incidents Risk factors HENDELSER: Observasjoner av hendelser som har inntruffet med tilhørende konsekvenser (f.eks. økonomisk tap) RISIKO FAKTORER: Et ekspertpanel identifiserer potensielle risiko faktorer. For hver risikofaktor anslås hendelsesfrekvens og konsekvensfordeling.
3 Hovedutfordringer Bare nyere hendelser kan betraktes som relevante når man skal vurdere mulige fremtidige hendelser. Dette betyr at vi har relativt begrenset med data. Hovedpoenget med å inkludere de subjektivt identifiserte risikofaktorene er å ta hensyn til potensielle risikohendelser som ennå ikke har inntruffet. Det vil typisk være overlapp mellom type hendelser som har inntruffet, og de identifiserte risikofaktorene. Hendelsesdataene er i en form som gjør det umulig å sammenholde disse direkte med de subjektivt identifiserte risikofaktorene. Dette betyr at graden av overlapp er usikker. Det er erfaringsvis store forskjeller mellom de observerte hendelsene og de identifiserte risikofaktorene.
4 Sammensatte Poisson-prosesser N(t) = Antall hendelser i intervallet [0, t) X i = Konsekvensen av ite hendelse N(t) X i Z (t) = Hovedantagelser i=1 P(N(t) = n) = (λt)n e λt, n = 0, 1, 2,... n! X 1, X 2,... er uavhengige og identisk fordelte stokastiske variable med felles kumulativ sannsynlighetsfordeling F.
5 Summer av uavhengige sammensatte Poisson-prosesser Antall hendelser: N s (t) Po(λ s t), Konsekvenser: X s1, X s2,... F s, Z s (t) = X s1 + + X s,ns(t), s = 1,..., r s = 1,..., r s = 1,..., r Z (t) = Z 1 (t) + + Z r (t) Da er Z (t) en sammensatt Poisson-prosess. Antall hendelser er Po(λt)-fordelt, der λ = λ λ r, og konsekvensfordeling: F(x) = r s=1 λ s λ F s(x), dvs. en blanding av konsekvensfordelingene for Z 1 (t),..., Z r (t).
6 MC simulering av uavhengige sammensatte Poisson-processer METODE 1 STEP 1. Trekk N(t) Po(λt) STEP 2. Trekk X 1,..., X N(t) F(x) = r s=1 λs λ F s(x) N(t) X i Z (t) = i=1 METODE 2 STEP 1. Trekk N s (t) Po(λ s t), s = 1,..., r. STEP 2. Trekk X s1,..., X s,ns(t) F s (x), s = 1,..., r Z (t) = r Z s (t) = s=1 r s=1 N s(t) i=1 X si
7 Usikkerhet knyttet til hendelsesintensiteter Apriorifordeling for λ π(λ) = Aposteriorifordeling for λ βα Γ(α) λα 1 e βλ, λ > 0. π(λ τ, ν) = (β + τ)α+ν Γ(α + ν) λα+ν 1 e (β+τ)λ, λ > 0. der τ er lengden på intervallet prosessen har blitt observert i og ν er antall observerte hendelser i dette intervallet. BEMERK: Parameteren β kan fortolkes som et mål for styrken i den apriori innsikten. Mer presist: den apriori innsikten er sammenlignbar med å ha observert prosessen over et intervall av lengde β.
8 Usikkerhet knyttet til konsekvensfordelingen La F betegne den sanne konsekvensfordelingen for en gitt hendelse, la Y 1,..., Y ν betegne de tilgjengelige data, og innfør: S ν (x) = ν I(Y j x) = ν ˆF ν (x). j=1 Da følger det at: S ν (x) F(x) Bin(ν, F(x)). For hver x > 0 har vi også et apriori estimat for F(x), betegnet φ(x). For å kombinere dette med data, må vi utvide dette til en full apriorifordeling: F(x) Beta(cφ(x), c(1 φ(x))), x > 0, der c > 0 en passende valgt konstant.
9 Usikkerhet knyttet til konsekvensfordelingen (forts.) Vi får da at: E[F(x)] = φ(x), Var[F(x)] = φ(x)(1 φ(x)). c + 1 Bemerk at høye verdier for c medfører at Var[F(x)] er liten. Hvis dette er tilfelle, indikerer dette at den apriori innsikten er sterk.
10 Usikkerhet knyttet til konsekvensfordelingen (forts.) Ved å benytte Bayes teorem får vi dermed at: F(x) S ν (x) Beta(cφ(x)+S ν (x), c(1 φ(x))+ν S ν (x)), x > 0. Forventningen i aposteriorifordelingen er da: E[F(x) S ν (x)] = cφ(x) + S ν(x) c + ν = c c + ν φ(x) + ν c + ν ˆF ν (x), For enkelhets skyld, betegner vi E[F(x) S ν (x)] med φ (x), og bruker dette som vå oppdaterte konsekvensfordeling.
11 Usikkerhet knyttet til konsekvensfordelingen (forts.) Apriori-estimatet for konsekvensfordelingen kan selv være en blandingsfordeling: der λ = λ λ r. φ(x) = r s=1 λ s λ φ s(x), Vi får dermed følgende aposteriori-estimat for konsekvensfordelingen: φ (x) = c c + ν r s=1 λ s λ φ s(x) + ν c + ν ˆF ν (x).
12 Simulering av s uavhengige sammensatte Poisson-prosesser med usikkerhet - APRIORI I hver iterasjon i Monte Carlo simuleringen gjøres følgende: STEP 1. Trekk λ s fra Gamma(α s, β s ), s = 1,..., r. STEP 2. Trekk N s (t) fra Po(λ s t), s = 1,..., r. STEP 3. Trekk X s1,..., X s,ns(t) fra φ s (x), s = 1,..., r. STEP 4. Beregn: Z (t) = r s=1 N s(t) i=1 X si.
13 Simulering av s uavhengige sammensatte Poisson-prosesser med usikkerhet - APOSTERIORI I hver iterasjon i Monte Carlo simuleringen gjøres følgende: STEP 1. Trekk λ s from Gamma(α s + ν s, β s + τ), s = 1,..., r. STEP 2. Beregn λ s = λsc (c+ν s) og µ s = STEP 2. Trekk N s (t) fra Po( λ s t), s = 1,..., r. STEP 3. Trekk M s (t) fra Po( µ s t), s = 1,..., r. λsνs (c+ν s), s = 1,..., r. STEP 4. Trekk X s1,..., X s,ns(t) fra φ s (x), s = 1,..., r. STEP 5. Trekk Y s1,..., Y s,ms(t) fra ˆF νs (x), s = 1,..., r. STEP 6. Beregn: Z (t) = N r s(t) M s(t) ( X si + Y si ). s=1 i=1 i=1
14 Simulering av s uavhengige sammensatte Poisson-prosesser med usikkerhet (forts.) Bemerk at metoden vi nettopp har beskrevet forutsetter at vi er i stand til å fordele de observerte hendelsene på de ulike risikofaktorene, slik at ν s hendelser tilskrives ste risikofaktor. I praksis vil det ikke være mulig å fordele de observerte hendelsene på denne måten. I stedet må man ta hensyn til at det er usikkerhet knyttet til en slik klassifisering. Løsningen på dette problemet blir for komplisert å beskrive her, så vi henviser til forskningsrapporten vår for en detaljert gjennomgang av denne situasjonen.
15 To separate delmodeller Den totale simuleringsmodellen for kombinering av hendelsesdata og risikofaktorer består av to separate delmodeller: DELMODELL 1: Den rene hendelsesdatamodellen Denne modellen er ment å inkludere data for alle hendelser som ikke relateres til de subjektivt identifiserte risikofaktorene. DELMODELL 2: Risikofaktormodellen Denne modellen inkluderer de subjektivt identifiserte risikofaktorene, og oppdateres i lys av data som relateres til disse (dvs. de data som ikke er inkludert i den rene hendelsesdatamodellen).
16 Fordeling av hendelsesdata mellom den rene hendelsesmodellen Vi antar at vi har observert ν hendelser med tilhørende konsekvenser: W 1,..., W ν. La så R i = 1 dersom ite hendelse skal inkluderes i risikofaktormodellen, og 0 ellers, i = 1,..., ν. R 1,..., R ν er stokastiske variable med fordeling: P(R i = 1) = 1 e ρw i, i = 1,..., ν Vi innfører også følgende indeksmengder: Ω R = {i : R i = 1}, Ω I = {i : R i = 0} Ω R er indeksmengden for de data som skal inkluderes i risikofaktormodellen, og Ω I er indeksmengden for de data som skal inkluderes i den rene hendelsesdatamodellen.
17 Simulering av totalmodellen I hver iterasjon i Monte Carlo simuleringen gjøres følgende: STEP 1. Trekk R i slik at P(R i = 1) = 1 e ρw i, i = 1,..., ν, and bestem indeksmengdene Ω R and Ω I. STEP 2. Simuler risikofaktormodellen basert på observasjoner med indekser i Ω R. STEP 3. Simuler den rene hendelsesdatamodellen basert på observasjoner med indekser i Ω I. STEP 4. Beregn den totale konsekvensen ved å legge sammen resultatene fra begge modeller.
18 Numeriske eksempler Hendelsesdatabasen inneholder data fra en periode på τ = 5 år med totalt ν = 460 observerte hendelser. Risikofaktormodellen inneholder r = 30 risikofaktorer. Vi antar at λ s Gamma(α s, β R ), s = 1,..., 30. To tilfeller betraktes: β R = 0.2 (svak apriori innsikt) β R = 1.0 (moderat apriori innsikt). I sannsynlighetsfordelingen P(R i = 1) = 1 e ρw i ser vi på tre tilfeller: ρ = (nesten alle dataene benyttes i den rene hendelsesdatamodellen) ρ = 0.5 (dataene fordeles omtrent likt mellom de to modellene) ρ = 50 (nesten alle dataene benyttes i risikofaktormodellen).
19 Numeriske eksempler Table: Mean and standard deviations for the case when β R = 0.2. ρ = ρ = 0.5 ρ = 50 Incidence model Mean St.dev Risk factor model Mean St.dev Combined model Mean St.dev
20 Simulerte resultater når β R = 0.2 Figure: Estimated cumulative distributions for the accumulated consequences using ρ = (red curve), ρ = 0.5 (green curve) and ρ = 50 (blue curve), β R = 0.2.
21 Numeriske eksempler Table: Mean and standard deviations for the three models for the case when β R = 1.0 ρ = ρ = 0.5 ρ = 50 Incidence model Mean St.dev Risk factor model Mean St.dev Combined model Mean St.dev
22 Simulerte resultater når β R = 1.0 Figure: Estimated cumulative distributions for the accumulated consequences using ρ = (red curve), ρ = 0.5 (green curve) and ρ = 50 (blue curve), β R = 1.0.
23 Konklusjoner Vi har utviklet en modell for hvordan man kan kombinere hendelsesdata med subjektivt identifiserte risikofaktorer. Modellen består av to delmodeller: den rene hendelsesdatamodellen og riskofaktormodellen. Modellen kan håndtere usikkerhet knyttet til graden av overlapp mellom de to delmodellene. Modellen kan håndtere usikkerhet knyttet til hendelsesrater for de ulike risikofaktorene, og lar oss oppdatere denne usikkerheten basert på tilgjengelige observerte hendelser. Modellen kan håndtere usikkerhet knyttet til konsekvenser for de ulike risikofaktorene, og lar oss oppdatere denne usikkerheten basert på tilgjengelige observerte konsekvenser.
Regneøvelse 29/5, 2017
Regneøvelse 29/5, 2017 Arne Bang Huseby Eksamen STK1100 2008: oppgave 3 Eksamen STK1100 2004: oppgave 2 Eksamen 2008, oppgave 3 Et vannverk tar prøver av drikkevannet for å kontrollere forekomsten av en
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
DetaljerObservatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter
Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
Detaljer6.5 Normalapproksimasjon til. binomisk fordeling
....3.4.5..5..5..5...4.6.8....4.6.8....3.4..5..5 Kaittel 6: Kontinuerlige sannsynsfordelingar TMA445 Statistikk Ka 6.5-6.8. 6.5: Normal aroksimasjon til binomisk fordeling, 6.6-6.8: Eksonensialfordeling,
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Sara Martino a, Torstein Fjeldstad b Tlf: a 994 03 330, b 962 09 710 Eksamensdato: 28. november 2018 Eksamenstid
DetaljerOppfriskning av blokk 1 i TMA4240
Oppfriskning av blokk 1 i TMA4240 Geir-Arne Fuglstad November 21, 2016 2 Hva har vi gjort i dette kurset? Vi har studert to sterkt relaterte grener av matematikk Sannsynlighetsteori: matematisk teori for
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerUtvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling
Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerEksamen STK2400, 6/ Løsningsforslag
Eksamen STK2400, 6/12-07 - Løsningsforslag Arne ang Huseby December 19, 2007 Oppgave 1 I denne oppgaven skal vi se på et binært monotont system (C, φ) med komponentmengde C = {1,..., 5} og strukturfunksjon
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
DetaljerPunktestimator. STK Bootstrapping og simulering - Kap 7 og eget notat. Bootstrapping - eksempel Hovedide: Siden λ er ukjent, bruk ˆλ:
Punktestimator STK00 - Bootstrapping og simulering - Kap 7 og eget notat Geir Storvik 8. april 206 Trekke ut informasjon om parametre fra data x,..., x n Parameter av interesse: θ Punktestimator: Observator,
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerA) B) 400 C) 120 D) 60 E) 10. Rett svar: C. Fasit: ( 5 6 = 60. Hvis A, B, C er en partisjon av utfallsrommet S, så er P (A B) lik.
Oppgave 1 Det skal velges en komité bestående av 2 menn og 1 kvinne. Komitéen skal velges fra totalt 5 menn og 6 kvinner. Hvor mange ulike komitéer kan dannes? A) 86400 B) 400 C) 120 D) 60 E) 10 Rett svar:
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerSTK juni 2018
Løsningsforslag til eksamen i STK. juni 8 Oppgave Tvillingpar kan være enten eneggede eller toeggede. Sannsynligheten for at det ved en tvillingfødsel blir født eneggede tvillinger er i Nord-Europa omtrent
Detaljerfor x 0 F X (x) = 0 ellers Figur 1: Parallellsystem med to komponenter Figur 2: Seriesystem med n komponenter
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3, blokk II Dette er den første av to innleveringer i blokk 2. Denne øvingen skal oppsummere
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksamen: ECON2130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 29.05.2019 Sensur kunngjøres: 19.06.2019 Tid for eksamen: kl. 09:00 12:00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
DetaljerTMA4240 Statistikk 2014
TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 12, blokk II Oppgave 1 På ein av vegane inn til Trondheim er UP interessert i å måle effekten
DetaljerObservatorar og utvalsfordeling. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Observatorar og utvalsfordeling Torstein Fjeldstad Institutt for matematiske fag, NTNU 08.10.2018 I dag Til no i emnet Observatorar Utvalsfordelingar Sentralgrenseteoremet 2 Til no i emnet definisjon av
DetaljerST0103 Brukerkurs i statistikk Høsten Momentestimatoren og sannsynlighetsmaksimeringsestimatoren
ST0103 Brukerkurs i statistikk Høsten 2016 Momentestimatoren og sannsynlighetsmaksimeringsestimatoren (SME) Boka har bare ett eksempel med sannsynlighetsmaksimeringsestimatoren. Vi gjengir dette nedenfor,
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Oppgave 1 X er kontinuerlig fordelt med sannsynlighetstetthet f(x) = 2xe
DetaljerForelesning 27. mars, 2017
Forelesning 27. mars, 2017 AVSNITT 5.5 Ordningsobservatorene AVSNITT 6.1 Observatorer og deres fordelinger Ordningsobservatorene La X 1,..., X n være n uavhengige stokastiske variable som alle har samme
DetaljerTMA4240 Statistikk Høst 2008
TMA4240 Statistikk Høst 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave 1 Tippekonkurranse Denne oppgaven er ment som en kjapp test på hva du har
DetaljerTMA4245 Statistikk. Innlevering 3. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3 Dette er den første av to innleveringer i blokk 2 Denne øvingen skal oppsummere pensum
DetaljerTMA4240 Statistikk Høst 2007
TMA4240 Statistikk Høst 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b4 Løsningsskisse Oppgave 1 Eksamen juni 1999, oppgave 3 av 3 a) µ populasjonsgjennomsnitt,
DetaljerKapittel 4.4: Forventning og varians til stokastiske variable
Kapittel 4.4: Forventning og varians til stokastiske variable Forventning og varians til stokastiske variable Histogrammer for observerte data: Sannsynlighets-histogrammer og tetthetskurver for stokastiske
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
Detaljer6.1 Kontinuerlig uniform fordeling
Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4240 H2006: Eirik Mo 2 6.1 Kontinuerlig uniform fordeling Kontinuerlig uniform fordeling: Sannsynlighetstettheten til den kontinuerlige uniforme
DetaljerEksamensoppgave i TMA4250 Romlig Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4250 Romlig Statistikk Faglig kontakt under eksamen: Professor Henning Omre Tlf: 90937848 Eksamensdato: 5. juni 2015 Eksamenstid (fra til): 09:00-13:00
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 10 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011 Oppgave 1 Oljeleting a) Siden P(A
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE Xxxdag xx. juni 2008 Tid: 09:0013:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: NN EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Xxxdag xx. juni 2008 Tid: 09:0013:00 Tillatte
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
DetaljerEKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER Onsdag 10. august 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER
DetaljerDekkes av kap , 9.10, 9.12 og forelesingsnotatene.
Estimering 2 -Konfidensintervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesingsnotatene. En (punkt-)estimator ˆΘ gir oss et anslag på en ukjent parameterverdi, men gir oss ikke noen direkte informasjon
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlege stokastiske variabelen X ha fordelingsfunksjon (sannsynstettleik
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform Onsdag Normal Onsdag Eksponensial I dag Gamma I dag Kji-kvadrat I dag Student-T (Kap
DetaljerEKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER Lørdag 16. august 2003 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38/73 94 27 25 EKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER
DetaljerEksamensoppgave i ST0103 Brukerkurs i statistikk
Institutt for matematiske fag Eksamensoppgave i ST0103 Brukerkurs i statistikk Faglig kontakt under eksamen: Jarle Tufto Tlf: 99 70 55 19 Eksamensdato: 3. desember 2016 Eksamenstid (fra til): 09:00-13:00
DetaljerEkstreme bølger. Geir Storvik Matematisk institutt, Universitetet i Oslo. 5. mars 2014
Ekstreme bølger Geir Storvik Matematisk institutt, Universitetet i Oslo 5. mars 2014 Bølger Timesvise max-bølger ved bøye utenfor østkyst av USA (17/12/1991-23/2-1992) Størrelse på bølger varierer sterkt
DetaljerOppgave 1 Vi lar X være antall tankskip som ankommer havnen i løpet av en dag. Vi har fått oppgitt at X poisson(λ) med
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 5, blokk I Løsningsskisse Oppgave 1 Vi lar X være antall tankskip som ankommer havnen i løpet av en dag.
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
DetaljerEKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 12 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 EKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK Onsdag
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK2520 Problemer og metoder i aktuarfag. Eksamensdag: Onsdag 4. desember 2013 Tid for eksamen: 09.00 13.00 Oppgavesettet er på
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerTMA4240 Statistikk Høst 2018
TMA4240 Statistikk Høst 2018 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 5 Dette er andre av tre innleveringer i blokk 2. Denne øvingen skal oppsummere pensum
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
Detaljer3.1 Stokastisk variabel (repetisjon)
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
DetaljerECON Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger. Jo Thori Lind
ECON2130 - Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Betinget sannsynlighet 2. Stokastiske variable 3. Forventning og varians 4. Regneregler
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Kapittel 5: Noen diskrete sannsynlighetsfordelinger 5.4 Geometrisk og negativ binomisk fordeling 5.5 Poisson-prosess og -fordeling Mette Langaas Institutt for matematiske fag,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST 101 Innføring i statistikk og sannsynlighetsregning. Eksamensdag: Mandag 30. november 1992. Tid for eksamen: 09.00 15.00.
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
DetaljerUNIVERSITETET I OSLO Matematisk Institutt
UNIVERSITETET I OSLO Matematisk Institutt Midtveiseksamen i: STK 1000: Innføring i anvendt statistikk Tid for eksamen: Onsdag 9. oktober 2013, 11:00 13:00 Hjelpemidler: Lærebok, ordliste for STK1000, godkjent
DetaljerSIF5072 Stokastiske prosesser Side 2 av 7 Gitt at en pasient er symptomfri ved tidspunkt t, hva er sannsynligheten for at han er symptomfri i hele per
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Faglig kontakt under eksamen: Bo Lindqvist 73 59 35 20 EKSAMEN I FAG SIF5072 STOKASTISKE PROSESSER Tirsdag 22. mai
DetaljerForelesning 3. april, 2017
Forelesning 3. april, 2017 APPENDIX TIL KAP. 6 Sentralgrenseteoremet AVSNITT 6.3 Anvendelser av sentralgrenseteoremet Histogrammer S-kurver Q-Q-plot Diverse eksempler MGF for følger av uavhengige identisk
DetaljerForelesning 6: Punktestimering, usikkerhet i estimering. Jo Thori Lind
Forelesning 6: Punktestimering, usikkerhet i estimering Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Trekke utvalg 2. Estimatorer og observatorer som stokastiske variable 3. Egenskapene til en estimator
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave Scriptet run confds.m simulerer n data x,..., x n fra en normalfordeling med
DetaljerFørste sett med obligatoriske oppgaver i STK1110 høsten 2015
Første sett med obligatoriske oppgaver i STK1110 høsten 2015 Dette er det første obligatoriske oppgavesettet i STK1110 høsten 2015. Oppgavesettet består av fire oppgaver. Du må bruke Matematisk institutts
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 5. JUNI 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerOppgaven består av 10 delspørsmål som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<, >>, Oppgave 1
ECON 130 EKSAMEN 005 VÅR SENSORVEILEDNING Oppgaven består av 10 delspørsmål som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom , Oppgave 1 I denne oppgaven kan du anta at
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 1. juni 2010. KLASSE: HIS 08 11. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 (innkl. forside)
DetaljerEksamensoppgåve i TMA4250 Romleg Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4250 Romleg Statistikk Fagleg kontakt under eksamen: Professor Henning Omre Tlf: 90937848 Eksamensdato: 5. juni 2015 Eksamenstid (frå til): 09:00-13:00
DetaljerBootstrapping og stokatisk simulering Tilleggslitteratur for STK1100
Bootstrapping og stokatisk simulering Tilleggslitteratur for STK1100 Geir Storvik April 014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 5, blokk I Løsningsskisse Oppgave 1 X og Y er uavhengige Poisson-fordelte stokastiske variable, X p(x;5 og Y p(y;1.
DetaljerForelesning 13. mars, 2017
Forelesning 13. mars, 217 AVSNITT 5.2 Kovariansen mellom to variable Korrelasjon mellom to variable AVSNITT 5.3 Betingede fordelinger Kovariansen mellom to stokastiske variable Kovariansen mellom to stokastiske
DetaljerEksamen - INF 283 Maskinlæring
Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt
DetaljerPrøveeksamen STK2100 (fasit) - vår 2018
Prøveeksamen STK2100 (fasit) - vår 2018 Geir Storvik Vår 2018 Oppgave 1 (a) Vi har at E = Y Ŷ =Xβ + ε X(XT X) 1 X T (Xβ + ε) =[I X(X T X) 1 X T ]ε Dette gir direkte at E[E] = 0. Vi får at kovariansmatrisen
DetaljerEstimatorar. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Estimatorar Torstein Fjeldstad Institutt for matematiske fag, NTNU 11.10.2018 I dag Repetisjon Er dataa mine normalfordelt? Estimatorar Eigenskapar til S 2 Kahoot 2 Repetisjon Obervator Ein observator
DetaljerUNIVERSITETET I OSLO
Eksamen i UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamensdag: Torsdag 9. juni, 2011 Tid for eksamen: 09.00 13.00 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: STK4400/STK9400
DetaljerLøsning eksamen desember 2017
Løsning eksamen desember 017 Oppgave 1 Innfører hendelsene D: enheten er defekt K: enheten blir kassert a i Disse sannsynlighetene kan leses ut av oppgaveteksten: P D = 0, 10 P K D = 0, 07 P K D = 0, 95
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerOppgave 1: Feil på mobiltelefoner
Oppgave 1: Feil på mobiltelefoner a) Sannsynlighetene i oppgaven blir P (F 1 F 2 ) P (F 1 ) + P (F 2 ) P (F 1 F 2 ) P (F 1 ) + 1 P (F2 C ) P (F 1 F 2 ) 0.080 + 0.075 0.006 0.149 P (F 1 F 2 ) P (F 1 F 2
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG SIF5045 NUMERISK LØSNING AV DIFFERENSIALLIGNINGER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 8 Faglig kontakt under eksamen: Syvert P. Nørsett 7 59 5 45 LØSNINGSFORSLAG TIL EKSAMEN I FAG SIF545 NUMERISK LØSNING
DetaljerBernoulli forsøksrekke og binomisk fordeling
Bernoulli forsøksrekke og binomisk fordeling Bernoulli forsøksrekke i) gjentar et forsøk n ganger ii) hvert forsøk gir enten suksess eller fiasko iii) sannsynligheten for suksess er p i alle forsøkene
DetaljerRegneøvelse 22/5, 2017
Regneøvelse 22/5, 217 Arne Bang Huseby Eksamen STK11 212: oppgave 1 og 2 Eksamen STK11 28: oppgave 1) og 2 Eksamen 212, oppgave 1 Ved en bestemt butikk i en større dagligvarekjede viser langvarige data
DetaljerTo-dimensjonale kontinuerlige fordelinger
To-dimensjonale kontinuerlige fordelinger Noen resultater for diskrete fordelinger Vi har tidligere definert punktsannsynligheten p(x, y) for en todimensjonal variabel (X, Y ) som p(x, y) = P ({X = x}
DetaljerMer om Markov modeller
Høyere ordens Markov modeller Mer om Markov modeller p h mnr = Pr( Y j+ 3 = ah Y j+ 2 = am, Y j+ 1 = an, Y j = a : r For en k-te ordens Markov modell som modellerer en DNA prosess vil det være 3*4 k mulige
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Eksamensdag: Torsdag 2. juni 24 Tid for eksamen: 4.3 8.3 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: STK429
DetaljerEksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
FA K U L T E T FO R NA T U R V I T E N S K A P O G TE K N O L O G I EKSAMENSOPPGAVE Eksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
DetaljerEksamen i SIF5036 Matematisk modellering Onsdag 12. desember 2001 Kl
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Harald E Krogstad, tlf: 9 35 36/ mobil:416 51 817 Sensur: uke 1, 2002 Tillatte hjelpemidler:
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE Lørdag 4. juni 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist 975 89 418 EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Lørdag 4. juni 2005
DetaljerLøsningsforslag ECON 2130 Obligatorisk semesteroppgave 2017 vår
Løsningsforslag ECON 130 Obligatorisk semesteroppgave 017 vår Andreas Myhre Oppgave 1 1. (i) Siden X og Z er uavhengige, vil den simultane fordelingen mellom X og Z kunne skrives som: f(x, z) = P(X = x
DetaljerForelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind
Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger
DetaljerTFY4215 Kjemisk fysikk og kvantemekanikk - Øving 1 1 ØVING 1. En liten briefing om forventningsverdier, usikkerheter osv
TFY4215 Kjemisk fysikk og kvantemekanikk - Øving 1 1 Frist for innlevering: mandag 26. januar ØVING 1 En liten briefing om forventningsverdier, usikkerheter osv Eksempel: Terningkast Ved terningkast er
DetaljerBootstrapping og simulering
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk, men
DetaljerOptimal long-term investment in general insurance
Optimal long-term investment in general insurance Didrik Saksen Bjerkan May 11, 2011 1 / 1 2 / 1 Introduksjon Ruinsannsynligheten for et forsikringsselskap med mulighet for å invistere deler av egenkapitalen
DetaljerSIGNERT DOMINASJON OG RETTEDE MATROIDESYSTEMER
SIGNERT DOMINASJON OG RETTEDE MATROIDESYSTEMER Matematisk institutt Binære monotone systemer Grunnelementer i modell: X i = I(ite komponent virker), i = 1, 2, 3 φ(x) = I(Systemet virker) = X 1 X 2 + X
DetaljerFY1006/TFY4215 Innføring i kvantefysikk - Øving 1 1 ØVING 1. En liten briefing om forventningsverdier, usikkerheter osv
FY16/TFY4215 Innføring i kvantefysikk - Øving 1 1 Frist for innlevering: mandag 28. januar (jf Åre) ØVING 1 En liten briefing om forventningsverdier, usikkerheter osv Eksempel: Terningkast Ved terningkast
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering
ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 21. april Bjørn H. Auestad Oppsummering våren
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerInferens. STK Repetisjon av relevant stoff fra STK1100. Eksempler. Punktestimering - "Fornuftig verdi"
Inferens STK1110 - Repetisjon av relevant stoff fra STK1100 Geir Storvik 12. august 2015 Data x 1,..., x n evt også y 1,..., y n Ukjente parametre θ kan være flere Vi ønsker å si noe om θ basert på data.
DetaljerEKSAMEN I EMNE TTM4110 PÅLITELIGHET OG YTELSE MED SIMULERING LØSNINGSFORSLAG. Mandag 14. desember 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for telematikk Side 1 av 10 Faglig kontakt under eksamen: Poul Heegaard (73 594321) EKSAMEN I EMNE TTM4110 PÅLITELIGHET OG YTELSE MED SIMULERING
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2018) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK1000 Innføring i anvendt statistikk Eksamensdag: Torsdag 2. desember 2010. Tid for eksamen: 09.00 13.00. Oppgavesettet er på
Detaljer