MODELLI MULTISTATO. Introduzione ai modelli multistato. Esempio di modello multistato per descrivere la progressione di una malattia

Documenti analoghi
PEREQUAZIONE MEDIANTE MODELLI LINEARI GENERALIZZATI

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni

Qualità dell adattamento di una funzione y=f(x) ad un insieme di misure (y in funzione di x)

6. Catene di Markov a tempo continuo (CMTC)

6. Catene di Markov a tempo continuo (CMTC)

CORSO DI STUDI E VALUTAZIONI AMBIENTALI A.A

ESERCITAZIONE N 8 VALUTAZIONE DEL LIVELLO DI SERVIZIO DI UNA INTERSEZIONE A T SEMAFORIZZATA

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

Tutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017

Schema generale su fenomeni, eventi, misure analitiche e sintetiche

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

L ADOZIONE DI NUOVE TECNOLOGIE (1)

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica

Intorduzione alla teoria delle Catene di Markov

CPM: Calcolo del Cammino Critico

Università di Cassino Corso di Statistica 1 Esercitazione del 17/10/2006 Dott. Alfonso Piscitelli. Esercizio 1

= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)

2. La base monetaria e i mercati dei depositi e del credito

Esercizi di econometria: serie 1

La soluzione delle equazioni differenziali con il metodo di Galerkin

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione marzo 2009

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari

03/03/2012. Campus di Arcavacata Università della Calabria

La sincronizzazione. (Libro) Trasmissione dell Informazione

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

3) Entropie condizionate, entropie congiunte ed informazione mutua

C.I. di Metodologia clinica

LE FREQUENZE CUMULATE

Una semplice applicazione del metodo delle caratteristiche: la propagazione di un onda di marea all interno di un canale a sezione rettangolare.

Statistica Descrittiva

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x

Potenzialità degli impianti

Propagazione degli errori

Modelli con varabili binarie (o qualitative)

B - ESERCIZI: IP e TCP:

Per calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:

commutazione induttiva (carico induttivo); commutazione capacitiva (carico capacitivo).

Esame del corso di Tecniche Avanzate per il Trattamento delle Immagini

Stima dei Parametri: Metodo di Massima Verosimiglianza

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Sistemi Intelligenti Stimatori e sistemi lineari - III

SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

Principio di massima verosimiglianza

Principio di massima verosimiglianza

Statistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 2

Analisi Class Successioni Lezione 6 2 ottobre 2014

Carla Seatzu, 18 Marzo 2008

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum

UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II FACOLTÀ DI INGEGNERIA

APPENDICE B. La dinamica delle distribuzioni dimensionali delle maggiori imprese mondiali

Ing. Enrico Grisan. Modelli di popolazione in farmacocinetica

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura

Corso di Tecniche elettromagnetiche per la localizzazione e il controllo ambientale. Test scritto del 08 / 09 / 2005

ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:

STATISTICA DESCRITTIVA CON EXCEL

ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2018/ Esercizi: lezione 17/10/2018

3. Esercitazioni di Teoria delle code

Amplificatori operazionali

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.

Stima dei Parametri Metodo di Massima Verosimiglianza

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica

Premessa essa sulle soluzioni

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Oltre la regressione lineare

ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI

Concetti principale della lezione precedente

θ il numero di individui che decedono nella classe di età ] x, x +1]

McGraw-Hill. Tutti i diritti riservati. Caso 11

Misure dirette utilizzate per il calcolo della misura indiretta X:

INDAGINE ESAUSTIVA O CAMPIONARIA?

LEZIONE 2. Riassumere le informazioni: LE MEDIE MEDIA ARITMETICA MEDIANA, MODA, QUANTILI. La media aritmetica = = N

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Esercitazioni del corso: STATISTICA

SOLUZIONI. p T. p T. nella quale la temperatura va espressa in Kelvin e non in gradi Celsius, per cui occorre convertire:

Carla Seatzu, 18 Marzo Una coda è costituita da 3 componenti fondamentali: i serventi i clienti

Riassunto. l A. 1 Ampere (A) = 1 C/s. P = L / t = i V = V 2 /R= R i 2. Q t dq dt. Q t. lim

Test delle ipotesi Parte 2

Introduzione al Machine Learning

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)

UNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA

Esercitazione sulle Basi di di Definizione

VALUTAZIONE DEL LIVELLO DI SERVIZIO DI UNA INTERSEZIONE A QUATTRO BRACCI SEMAFORIZZATA CON PRECEDENTE FASATURA DEL CICLO SEMAFORICO

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

Propagazione delle incertezze

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

Variabili casuali. Variabili casuali

Precisione e Cifre Significative

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI

Elementi di statistica

Transcript:

MODELLI MULTISTATO Introuzone a moell multstato Esempo moello multstato per escrvere la progressone una malatta I moell multstato Un moello multstato per l asscurazone malatta

Introuzone a moell multstato INTRODUZIONE AI MODELLI MULTISTATO Il moello per la urata aleatora fno al verfcars un etermnato evento può essere vsto come un partcolare moello multstato con ue stat soltanto: 2 l nvuo è n vta l nvuo è eceuto In tale moello è possble soltanto l passaggo allo stato allo stato 2 2 Un moello con ue cause uscta può nvece essere escrtto meante un moello multstato con tre stat: 2 l nvuo è uscto per altra causa 2

Introuzone a moell multstato In tal moell le probabltà passaggo tra gl stat possono essere escrtte meante le ntenstà ( mortaltà e uscta per altra causa). In stuazon pù general s parla ntenstà passaggo a uno stato all altro. Un altro esempo moello a tre stat è l asscurazone nvaltà permanente. 2 l nvuo è attvo 2 l nvuo è nvalo l nvuo è eceuto La probabltà passaggo allo stato allo stato 2 pene all ntenstà nvaltà; la probabltà passaggo allo stato 2 allo stato pene all ntenstà mortaltà per gl nval e la probabltà passaggo allo stato allo stato pene all ntenstà mortaltà per gl attv.

Esempo moello multstato per escrvere la progressone una malatta ESEMPIO DI MODELLO MULTISTATO PER DESCRIVERE LA PROGRESSIONE DI UNA MALATTIA Il moello Paner per escrvere la progressone ell AIDS è un moello a 6 stat a b l nvuo è non nfetto l nvuo è seropostvo ma non è ammalato I successv tre stat escrvono progressv sta ella malatta: 2a 2b L ultmo stato rguara l ecesso: 4 l nvuo è eceuto a b 2a 2b 4 Poché sono possbl solo passagg a uno stato a quello successvo, le urate permanenza ne sngol stat sono escrtte a moell a una sola causa uscta e le ntenstà uscta sono ette ntenstà progressone 4

Esempo moello multstato per escrvere la progressone una malatta Sa T urata aleatora permanenza nello stato, = a,b, 2a, 2b, Ipotes: T, = a,b, 2a, 2b, stocastcamente npenent ntenstà progressone costant: µ, = a,b, 2a, 2b, In tal potes, la urata permanenza n uno stato non pene alla urata permanenza negl altr stat. Sa P µ t µ t ( T > t) = e f T ( t) = e µ p, + ( t) probabltà che un nvuo presente nello stato, sa nello stato + opo t ann p, + ( t) = t e 0 µ r µ e µ + ( t r) r 5

Esempo moello multstato per escrvere la progressone una malatta Per la stma el moello, se s spone elle nformazon sulle urate esatte n cu s sono avut passagg tra var stat, le stme massma verosmglanza elle ntenstà progressone sono ate a rapport tra le numerostà e passagg, a uno stato all altro, e le esposzon total esatte. Spesso però nformazon questo tpo non sono sponbl; per esempo, nello stuo Paner at sponbl erano: - urata tempo n cu l nvuo è stato osservato, raggruppate n 4 grupp urate ( =, 2,, 4): -6 mes; 6-2 mes; 2-24 mes; 24-6 mes - stato n cu l nvuo s trovava all nzo ell osservazone - nformazone se urante l osservazone l nvuo è rmasto nello stesso stato oppure se ne è uscto I parametr le verosmglanze µ, = a,b, 2a, 2b,, possono essere stmat separatamente massmzzano ( ) L µ = a,b, 2a, 2b, 6

Esempo moello multstato per escrvere la progressone una malatta Con rfermento allo stato, = a,b, 2a, 2b,, sano n l numero nvu osservat appartenent all -esmo gruppo urate, =, 2,, 4 l numero nvu relatv all -esmo gruppo urate, =, 2,, 4, usct allo stato urante l osservazone r la urata mea osservazone per gl nvu relatv all -esmo gruppo urate, =, 2,, 4, e non usct allo stato urante l osservazone (per semplctà s assume r = 4, 5mes, r 2 = 9 mes, r = 8 mes, r 4 = 0 mes) p la probabltà che un nvuo appartenente all -esmo gruppo urate, =, 2,, 4, rmanga nello stato urante l osservazone 7

8 Esempo moello multstato per escrvere la progressone una malatta La verosmglanza n funzone el parametro µ è allora ( ) = = 4 ) ( n p p L µ esseno r p e µ = Dalla logverosmglanza ( ) + = = 4 ) )log( ( ) log( p n p l µ s ottene l equazone verosmglanza che s può rsolvere per va numerca. = = 4 0 p n p p µ

I moell multstato I MODELLI MULTISTATO Sa {, 2, K,N} S = l nseme egl stat F l nseme elle transzon {(, ) ;, } F S Se lo stato nca lo stato nzale all stante 0, s potzza che tutt gl stat raggungbl allo stato meante transzon rette o nrette. S efnsce moello multstato la coppa ( S, F ) S sano Con rfermento a un rscho (per esempo un nvuo) sa S (t) lo stato occupato al rscho al tempo t 0 S potzza S ( 0) = { ( t); t 0} S è un processo stocastco a parametro contnuo con valor n S s nca con (z) s lo stato occupato al processo nell stante z > 0 n una realzzazone { s (t)} el processo stocastco { S( t); t 0} 9

I moell multstato S rà che l processo { ( t); t 0} S è una catena markovana a parametro contnuo se per ogn 0 τ < u e per ogn,, s (z) con 0 z < τ,,, s( z) S tal che s ha (( S( z) = s( z)) ( S( ) = ) ( S( = ) ) > 0 P τ ( S( = ( S( z) = s( z)) ( S( τ ) = ) ) = P( S( = S( τ ) ) P = Le probabltà conzonate ( S( = S( t ) P ( t, = P ) = 0 t u sono ette probabltà transzone; esseno P ( t, t) = 0 per e P ( t, t) = per = Le probabltà transzone sosfano le seguent propretà: 0 P ( t, per ogn, ; 0 t u S P ( t, = per ogn ; 0 t u 0

I moell multstato S efnscono noltre le probabltà permanenza ( S( z) = per ogn z [ t, u] S( t ) P ( t, = P ) = Le probabltà transzone sosfano le equazon Chapman-Kolmogorov P ( t, = P ( t, w) P ( w, t w u k S k S efnscono le ntenstà transzone µ ( t) = lm S prova che u t P ( t, u t k t P ( z, t) = ep µ ( u z S prova noltre che sotto conzon general per le ntenstà transzone s possono etermnare, a partre a esse, le probabltà transzone. Transton ntensty approach: assegnate le ntenstà transzone, a queste s etermnano le probabltà transzone.

Un moello multstato per l asscurazone malatta UN MODELLO MULTISTATO PER L ASSICURAZIONE MALATTIA Un esempo mportante è l moello per l asscurazone malatta (Permanent Health Insurance PHI) 2 l nvuo è attvo 2 l nvuo è nvalo l nvuo è eceuto Supponamo che le ntenstà transzone sano costant, npenent all età raggunta: 2 ( t ) µ 2 µ ( t ) = µ µ 2 ( t ) = µ 2 µ 2 ( t ) = µ 2 µ = a esse s possono ottenere le probabltà permanenza nello stato attvo o nvalo e le probabltà ecesso, rspettvamente allo stato attvo e allo stato nvalo. Il moello può essere utlzzato per stmare le ntenstà transzone penent soltanto all età e costante a tratt su ogn ntervallo età (, + ) 2

Un moello multstato per l asscurazone malatta Sano a µ a µ a µ µ le ntenstà transzone relatve alla classe età (, + ) a Supponamo che s sponga osservazon su nvu nella classe età e che per ogn nvuo sano rlevat le urate tempo tra ue transzon successve numer transzon cascun tpo

Un moello multstato per l asscurazone malatta S prova che la verosmglanza elle osservazon è L ove a a a ( ) [ a a ( ) ] [ a ( ) ] a u a s a r µ, µ, µ, µ = ep µ + µ c ep µ + µ w ( µ ) ( µ ) ( µ ) ( µ ) c w u s r è l tempo totale osservato nello stato attvo è l tempo totale osservato nello stato nvalo è l numero totale transzon allo stato attvo allo stato eceuto è l numero totale transzon allo stato nvalo allo stato eceuto è l numero totale transzon allo stato attvo allo stato nvalo è l numero totale transzon allo stato nvalo allo stato attvo S ottengono le seguent stme massma verosmglanza: a u µˆ = µˆ = c w µˆ a s = c µˆ a r = w Anche per tale moello s pone l problema ella perequazone elle stme ottenute. In letteratura sono stat propost a tale scopo moell GLM. 4

Rferment bblografc RIFERIMENTI BIBLIOGRAFICI S. Haberman, E. Ptacco, Actuaral moels for sablty nsurance, Chapman & Hall, 999 (Par..,.,.4, 4., 4.2) D. Lonon, Survval moels an ther estmaton, Acte publcatons, 997 (Par. 0., 0.2) 5