Реферат

Реферат Актуарная математика. Интенсивности переходов в математической модели

Работа добавлена на сайт bukvasha.net: 2015-10-28

Поможем написать учебную работу

Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.

Предоплата всего

от 25%

Подписываем

договор

Выберите тип работы:

Скидка 25% при заказе до 8.11.2024





ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИИЮ

ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБУЧЕНИЯ

БАШКИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

НЕФТЕКАМСКИЙ ФИЛИАЛ
Экономико – математический факультет
Кафедра математического и программного обеспечения                                 вычислительных машин
Бурбах Ольга Яковлевна

ДИПЛОМНАЯ РАБОТА
Актуарная математика. Интенсивности переходов                                                      в математической модели


Допускается к защите:

Заведующий кафедрой

д.ф.- м., профессор

Спивак С.И. ________

«___»__________2006г.





Научный руководитель:

Галеева Г.Я.__________

«___»___________2006г.


Нефтекамск-2006


Содержание

Введение. 3

1  Что такое актуарная математика?. 4

2  Общие сведения о цепях Маркова. 6

3  Переходные вероятности. Матрица перехода. 9

4  Уравнения Колмогорова для вероятностей перехода. 12

5  Постоянные интенсивности переходов. 15

6  Определение вероятностей перехода из таблиц смертности. 17

7  Расчет вероятностей перехода. 18

8  Краткое описание метода Рунге – Кутта. 19

9  Нахождение интенсивностей перехода по заданным вероятностям. 21

10   Результаты вычислений. 22

10.1  Результаты вычисления интенсивностей переходов. ………………………….22

10.2  Сравнение статистических и вычисленных вероятностей. ……………………23

10.3  Графики сравнения интенсивностей переходов. ………………………………25

10.4  Анализ результатов. ……………………………………………………………...30

11  Заключение. 31

Литература. 32

ПРИЛОЖЕНИЕ А.. 33

ПРИЛОЖЕНИЕ Б. 35



Введение


При построении моделей заболеваемости, смертности, выздоравливаемости от различных инфекционных и паразитарных болезней (в данной работе – от ВИЧ/СПИДа) широкое применение занимают марковские модели, использование которых позволяет определить переходные вероятности, а по ним характеристики, необходимые для расчетов страхования. Марковская модель со многими состояниями обеспечивает подходящее описание возможных случаев во многих областях, связанных со страхованием.

         Возникла следующая задача: имеется система с четырьмя состояниями. В ней протекает марковский процесс. Известен граф состояний этой системы, то есть все возможные переходы из одного состояния в другое. Имеются данные заболеваемости, смертности за 1998-2002 гг. Нужно найти интенсивности переходов из одного состояния в другое за эти пять лет и произвести оценку динамики роста или динамики снижения смертности, заболеваемости от СПИДа. Рассмотреть общую задачу (без возрастных групп), также рассмотреть отдельно определение интенсивностей перехода для детей  и взрослого населения России.




1      
Что такое актуарная математика?



В последние годы в нашей стране значительные изменения произошли в сфере приложений математики. Если раньше развитие прикладной математики в решающей степени стимулировало задачи естественных наук и связанных с ними отраслей промышленности (что в значительной степени явно или неявно определялось военно – промышленным комплексом), то сегодня трудности в этих областях заставили математиков активно искать новые сферы приложений своих знаний.

Социально – экономические причины перенесли интересы, во всяком случае специалистов по прикладной математике, на новые области, которые практически не были известны в нашей стране до начала 90-х годов. Активное развитие банковской, страховой, инвестиционной деятельности поставило необходимость привлечения в эти области специалистов совершенно нового для нашей страны типа. Одной из новых для нашей страны областей оказалась финансовая математика.

Актуарная математика - это область математики, которая занимается математическими проблемами финансов. Одной из важнейших областей применения является страхование. Приведем краткий иллюстративный пример. Человек определенного возраста заключает договор со страховой компанией на определенных условиях. Он покупает за определенную сумму страховой полис, чтобы со временем ему или его наследникам в случае его смерти была выплачена большая сумма денег. Страховая компания при этом также хочет получить определенную прибыль. Актуарная математика, широко использующая методы теории вероятности и математической статистики, и призвана дать рекомендации, которые были бы привлекательными как для клиентов, так и для страховых компаний. Эта наука является теоретической базой для расчета страховых премий по различным типам страховых контрактов. Поэтому актуарная математика называется часто "страховой математикой".

Актуарии — это многосторонние специалисты - аналитики, имеющие хорошую теоретическую подготовку и прикладные умения в таких науках, как математика, статистика, экономика, демография, теория вероятностей и финансы. Эти аналитические и практические знания применяются для финансового моделирования с учетом случайных социальных факторов, что позволяет предупреждать и решать экономические и социальные задачи коллективных финансовых институтов. На основании собранной статистики, с помощью запрограммированных на компьютере математических моделей актуарии строят финансовые прогнозы на близкий и далекий временной горизонт, широко применяя методы управления риском. Иначе говоря, актуарии предоставляют топ - менеджерам аналитические обоснования и оценки последствий возможных решений. В случае же неудачи проекта именно актуарии обеспечивают практическое решение выхода из сложившейся ситуации с наименьшими потерями.

Из этого определения ясно, что актуарий должен сочетать в себе достаточно серьезную математическую квалификацию с квалификацией в области бизнеса – экономической и юридической. Вместе с соответствующими экономическими и юридическими дисциплинами актуарная математика образует актуарную науку, которая в свою очередь является теоретической основой актуарной деятельности.
2                 
Общие сведения о цепях Маркова



Марковские случайные процессы названы по имени выдающегося русского математика А.А. Маркова (1856-1922), впервые начавшего изучение вероятностной связи случайных величин и создавшего теорию, которую можно назвать «динамикой вероятностей». В дальнейшем основы этой теории явились исходной базой общей теории случайных процессов, а также таких важных прикладных наук, как теория диффузионных процессов, теория надежности, теория массового обслуживания и т.д. В настоящее время теория марковских процессов и ее приложения широко применяются в самых различных областях таких наук, как механика, физика, химия и другие.

Благодаря сравнительной простоте и наглядности математического аппарата, высокой достоверности и точности получаемых решений особое внимание Марковские процессы приобрели у специалистов, занимающихся исследованием операций и теорией принятия оптимальных решений.

Марковские случайные процессы относятся к частным случаям случайных процессов. В свою очередь, случайные процессы основаны на понятии случайной функции.

Случайной функцией называется функция, значение которой при любом значении аргумента является случайной величиной. По иному, случайную функцию можно назвать функцию, которая при каждом испытании принимает какой-либо заранее неизвестный вид.

Как правило, считают, что если аргументом случайной функции является время, то процесс, основанный на такой функции, называют случайным. Также под случайным процессом понимают процесс случайного изменения состояний какой-либо физической или технической системы по времени или какому-либо другому аргументу.

Нетрудно заметить, что если обозначить состояние  и изобразить зависимость , то такая зависимость и будет случайной функцией.

Случайные процессы классифицируются по видам состояний  и аргументу t. При этом случайные процессы могут быть с дискретными или непрерывными состояниями или временем.

      Системы  с непрерывным временем предполагают, что переход системы из одного состояния в другое может осуществляться в любой момент  времени, т. е.  время  пребывания системы в каждом состоянии представляет непрерывную случайную величину.

            Для систем с дискретным временем время пребывания системы в каждом состоянии фиксированное, а моменты переходов  размещаются  на  временной  оси  через  равные  промежутки  и называются "шагами" или "этапами".  Время нахождения  системы  в некотором состоянии представляет дискретную случайную величину.

Кроме указанных выше классификаций случайных процессов, существует еще одно важное свойство. Это свойство описывает вероятностную связь между состояниями случайных процессов.

Остановимся подробнее на понятии марковской цепи. Отметим, во-первых, что случайный процесс с дискретными состояниями и временем называется случайной последовательностью.

Если случайная последовательность обладает марковским свойством, то она называется  цепью Маркова.

С другой стороны, если в случайном процессе состояния дискретны, время непрерывно, то такой случайный процесс называется марковским процессом с непрерывным временем.

Различают марковские системы по количеству состояний, в которых находится система: системы с конечным состоянием и системы с бесконечным состоянием.

Марковский случайный процесс называется однородным, если переходные вероятности  остаются постоянными в ходе процесса и не зависят от номера испытания.

          Модель марковской цепи может быть представлена в виде ориентированного взвешенного графа, который представляет собой  совокупность вершин, изображающих   возможные   состояния   системы   ,   и совокупность ветвей,  изображающих возможные переходы системы из одного состояния в другое (рисунок 1). Каждой дуге соответствует переходная вероятность - это условная вероятность перехода системы на k-ом шаге в состояние  при  условии,  что на предыдущем (k
-1)
-ом этапе система находилась в состоянии .                                               




                                                                       

                                                                           
                                       ЗДОРОВ                                                    СПИД
                                                                        МЕРТВ
                                Рисунок 1 – Модель марковской цепи

Марковская цепь называется однородной,  если переходные вероятности не зависят от номера шага.  Если переходные вероятности меняются от шага к шагу, марковская цепь называется неоднородной.

          В некоторых случаях, несмотря на случайность процесса, имеется возможность до определенной степени управлять законами распределения или параметрами переходных вероятностей. Такие марковские цепи называются управляемыми. Очевидно, что с помощью управляемых цепей Маркова особенно эффективным становится процесс принятия решений.

          Основным признаком дискретной марковской цепи является детерминированность временных интервалов между отдельными шагами (этапами) процесса. Однако, часто в реальных процессах это свойство не соблюдается и интервалы оказываются случайными с каким-либо законом распределения, хотя марковость процесса сохраняется. Такие случайные последовательности называются полумарковскими.


3   Переходные вероятности. Матрица переходов

          Переход системы из состояния в состояние будем рассматривать в дискретные моменты времени.

          Система считается заданной, если заданы два условия:

          1. Заданы вероятности возможных состояний системы . Вероятности нахождения в этих состояниях – это доли времени нахождения в каждом состоянии. Имеется вектор начальных вероятностей начального состояния системы  


                                              

          2. Заданы условные вероятности переходов из состояния в состояние за время . Это вероятность перехода  из i-го в j-ое состояние за время  (причем, чем больше , тем больше вероятность). Данные вероятности переходов задаются с помощью матрицы, которая имеет следующий вид:

                                     

          Заметим, что в обозначении  первый индекс указывает номер предшествующего, а второй – номер последующего состояния.

          Предположим, что имеется конечное число состояний, пронумерованных  , т.е. процесс имеет пространство {}.

          Неоднородный по времени марковский процесс   описывает изменение состояний индивидуумов в зависимости от возраста s. Ясно, что применительно к задаче социального страхования процесс X
(
t
)
должен быть непрерывным и с конечным числом состояний. Такие процессы полностью описываются переходными вероятностями

                                           ,                  (3.1)             

i
,
j
=1..
k
;
s
,
t
≥0,
т.е. вероятностями нахождения индивидуума в возрасте s
+
t
в состоянии j при условии, что в возрасте s он находился в состоянии i (или будущее процесса (после момента времени s) зависит только от состояния в момент времени s и не зависит от истории процесса до момента s).

         В случае i
=
k
, когда речь идет об умерших, очевидно ,

т.е. возврат из совокупности умерших невозможен.

          Определим функцию вероятности перехода 

                      ,        (3.2)

и положим, что 

                                                                                        (3.3)

для любого  t
³
0.


          В случае страховых моделей с непрерывным временем наравне с переходными вероятностями удобно использовать соответствующие интенсивности перехода из состояния i в состояние j индивидуума в возрасте s за бесконечно малый промежуток времени (интенсивности переходов проставляются у соответствующих дуг графа; такой граф называется размеченным). Интенсивности перехода могут быть определены как:

                                  ,      .                    (3.4)

          Это определение позволяет интерпретировать интенсивность перехода как «мгновенную» по времени вероятность смены состояния i на состояние j в возрасте s. Например, интенсивность смертности есть вероятность того, что человек, доживший до определенного возраста, умрет в последующую единицу времени, если, конечно, эта единица достаточно мала.   

          Кроме интенсивностей   переходов, для  описания  непрерывных марковских   цепей   должен  быть  задан   вектор   вероятностей состояний   системы   в  исходный   момент   времени .

          Зная множество  состояний системы,  значения интенсивностей переходов ,  а также  вектор  начальных  вероятностей системы ,  определим вероятности состояний  системы.
4  Уравнения Колмогорова для вероятностей перехода

Рассматривая марковские процессы с дискретными состояниями и непрерывным временем, нам удобно будет представлять себе, что все переходы системы S
из состояния в состояние происходят под действием каких-то потоков событий (поток вызовов, поток отказов, поток восстановлении и т. д.). Потоком событий называется последовательность однородных событий, следующих одно за другим в какие-то случайные моменты времени.

Если система S находится в каком-то состоянии Si
,
из которого есть непосредственный переход в другое состояние Sj, то мы себе это будем представлять так, как будто на систему, пока она находится в состоянии Si действует простейший поток событий, переводящий её по стрелке Si

 
Sj
.
Как только появится первое событие этого потока, происходит «перескок» системы из Si
 в Sj.

Для наглядности очень удобно на графе состояний у каждой стрелки проставлять интенсивность перехода  из состояния Si
в состояние Sj. На рисунке 2 дан граф состояний с проставленными у стрелок интенсивностями (мы будем называть такой граф размеченным).





                                                                    ВИЧ

                                                                             
                                 ЗДОРОВ                                               СПИД
                                                                          

                                                                 МЕРТВ
                                       Рисунок 2 – Граф состояний

 - интенсивность перехода из состояния “ здоров ” в состояние  ”ВИЧ-инфицирован”;

 - интенсивность перехода из состояния “здоров” в состояние                         ”мертв”;

 - интенсивность перехода из состояния “ ВИЧ-инфицирован ” в состояние   ”болен СПИДом”;

 -  интенсивность перехода из состояния “ВИЧ-инфицирован” в состояние   ”мертв”

   - интенсивность перехода из состояния “болен СПИДом” в состояние “мертв”.

Построим математическую модель данного процесса.

Имея в своем распоряжении размеченный граф состояний, можно найти все вероятности перехода  как функции времени. Для этого составляются и решаются так называемые уравнения Колмогорова — особого вида дифференциальные уравнения, в которых неизвестными функциями являются вероятности перехода.

                         (4.1)

при .

Чтобы решить уравнения Колмогорова и найти вероятности перехода, прежде всего надо задать начальные условия. Если мы точно знаем начальное состояние системы Si
,
то в начальный момент (при ), а все остальные начальные вероятности равны нулю.

          При вычислении актуарных значений нам понадобятся функции вероятности перехода. Интенсивности переходов и функции вероятности перехода связаны с прямыми и обратными уравнениями Колмогорова:

                                                  (4.2)

                                                     (4.3)

соответственно, с граничными условиями . 

            Анализируя дифференциальные  уравнения  Колмогорова,  можно

сформулировать формальное правило для их написания непосредственно по размеченному графу системы.

          В левой части уравнения стоит  производная  от  вероятности рассматриваемого состояния  по  времени,  а  в  правой  части  - столько слагаемых,  сколько дуг графа связано с  рассматриваемым состоянием. Каждое   слагаемое   равно   произведению  плотности вероятности перехода,  соответствующей  данной  дуге  графа,  на вероятность того состояния, из которого исходит дуга графа. Если стрелка направлена      из      рассматриваемого      состояния, соответствующее произведение  имеет  знак  минус.  Если  стрелка направлена в состояние, то произведение имеет знак плюс.

            Это правило    составления    дифференциальных    уравнений Колмогорова для  вероятностей   состояний   является   общим   и справедливо для любой непрерывной марковской цепи.

5    Постоянные интенсивности переходов


Точные выражения для функций вероятности переходов можно получить, когда  для всех . Такой марковский процесс является однородным по времени или стационарным. Предположение, что интенсивности переходов постоянны, подразумевает, что время, проведенное в каждом состоянии, имеет экспоненциальное распределение, а также, что функции  одинаковы для всех  и далее будут просто обозначаться как .

Удобно интенсивности перехода и функции вероятностей перехода представлять в матричной форме. Пусть  - матрица размером  с элементами  и  - матрица размером  с элементами . Обратимся к системе Колмогорова – Чэпмена (4.1). Она будет выглядеть так:

                                   (5.1)

         Также в соответствии с (4.2) и (4.3) дифференциальные уравнения Колмогорова можно записать как

                                             (5.2)

                                             (5.3)

с краевыми условиями .

         Для нашей задачи (рисунок 2) матрица интенсивностей и матрица вероятностей перехода имеют следующий вид:

 

Причем для любого момента времени:



Причем для любого момента времени:
6  Определение вероятностей перехода из таблиц смертности

Таблицы смертности представляют собой числовую модель процесса вымирания некой абстрактной совокупности людей. Основное ее содержание – количества людей каждого возраста , оставшиеся в живых из первоначальной совокупности, равной 100000 человек, и число умерших в каждой возрастной группе за год  при некоторых заданных (наблюдавшихся в недавнем прошлом) коэффициентах смертности.

Показатели смертности связаны очевидными соотношениями:

,                                    (6.1)

где   - количество умерших в течение года после возраста лет;

 - вероятность умереть в течение года после возраста  лет.

         По данным смертности находят и вероятности умереть в определенных возрастах. Вероятность умереть в течении года для лица в возрасте  лет составит:

.                                          (6.2)
7  Расчет вероятностей перехода


Определим вероятности перехода  из состояния  в состояние  в момент  лет. Для этого выпишем систему дифференциальных уравнений Колмогорова – Чэпмена. Для модели, изображенной на рисунке 2, система уравнений имеет следующий вид:

                                    
                                                                                              (7.1)                                       
и задаются следующие начальные условия:

                           (7.2)
8   Краткое описание метода Рунге – Кутта

Рассмотрим задачу Коши для системы обыкновенных дифференциальных уравнений:

                       ,  ,                                  (8.1)

или, подробнее,

                       , ,                       (8.1)

     Хорошо известны условия задачи, гарантирующие существование и единственность решения задачи Коши. Предположим, что функции  непрерывны по всем аргументам в замкнутой области

                               (8.2)

Из непрерывности функции  следует их ограниченность, то есть существование константы  такой, что в  выполняются неравенства .

         Предположим, что в  функции  удовлетворяют условию Липшица по аргументам , то есть

           (8.3)

Если выполнены сформулированные выше условия, то существует единственное решение .

         Рассмотрим метод Рунге – Кутта для задачи (7.1) с начальными условиями (7.2).

                                            (8.4)

при

  ,                                                 (8.5)

тогда

,                                (8.6)

где  - коэффициенты, равные:





9  Нахождение интенсивностей перехода по заданным вероятностям


            Для того, чтобы найти интенсивности переходов нужно оценить значения неизвестных параметров (интенсивностей) системы по результирующим данным. Алгоритм оценивания состоит в следующем:

1.   Задаемся какими – то значениями интенсивностей, то есть задаем некоторую матрицу  и рассчитываем . Вычисляем разность  между статистическими и вычисленными вероятностями.

,                            (9.1)

Наша задача состоит в том, чтобы по возможности уменьшить разброс между  и , то есть чтобы .

2.   Меняем , то есть сначала все уменьшаем, получим матрицу , затем все увеличиваем и получим другую матрицу .

3.   Вычисляем  и , находим  и  и сравниваем с .

Если , то  снова уменьшаем и рассчитываем вероятности перехода.

Если , то  снова уменьшаем и рассчитываем вероятности перехода.

Если , то сужаем разброс изменения параметров .

4.   Выполняем предыдущий пункт до тех пор, пока не будет достигнута необходимая точность, то есть .



10   Результаты вычислений


10.1  Результаты вычисления интенсивностей переходов


Таблица 1 - Результат вычисления интенсивностей за 1998 – 2002 гг., человек в год



Единая возрастная группа

Интенсивности

1998

1999

2000

2001

2002



-0,0152736

-0,01544039

-0,01543509

-0,01636781

-0,01622608



0,0000766

0,00021659

0,00063699

0,00126091

0,00161605



0,015197

0,0152238

0,0147981

0,015069

0,01461003



-0,00001248

-0,00001841

-0,00001841

-0,00004545

-0,000052041



0,00000513

0,00000591

0,000007056

0,00000793

0,000008441



0,00000735

0,0000125

0,00002439

0,00003752

0,0000436



-0,00000371

-0,000004321

-0,000005218

-0,000005908

-0,00000628



0,00000371

0,000004321

0,000005218

0,000005908

0,00000628

Дети           (0-14 лет)



-0,00205518

-0,00231909

-0,00230401

-0,00227896

-0,00225814



0,00000212

0,000002901

0,00000438

0,00000665

0,00000761



0,00205306

0,00231619

0,00229963

0,00227231

0,002250531



-0,000002243

-0,000002341

-0,000002391

-0,000002489

-0,000002519



0,000001322

0,000001325

0,000001345

0,000001374

0,000001391



0,000000921

0,000001016

0,000001046

0,000001115

0,000001128



-0,000000874

-0,000000874

-0,000000886

-0,000000917

-0,000000925



0,000000874

0,000000874

0,000000886

0,000000917

0,000000925


10.2  Сравнение статистических и вычисленных вероятностей


Таблица 2 - Сравнение статистических и вычисленных методом Рунге – Кутта вероятностей перехода в единой возрастной группе населения России за 1998 – 2002 гг.


1998

1999

2000

2001

2002

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности



0,9848691

0,984869

0,9846776

0,984677

0,9846832

0,984683

0,984201

0,98420098

0,983902393

0,983902392



0,00007669

0,00007668

0,000215824

0,00021582

0,000632451

0,00063245

0,00125056

0,001250556

0,0016022

0,001602126



0,0155433

0,01505432

0,015107177

0,015107176

0,01468454

0,014684549

0,014548457

0,01498456

0,01449548

0,014495479



0,9999752

0,999987517

0,999981523

0,999981522

0,999968645

0,999968644

0,99995456

0,999954561

0,9999482

0,999948157



0,00000513

0,000005133

0,00000591

0,000005908

0,000007056

0,000007066

0,000007928

0,000007929

0,000008443

0,000008444



0,000007352

0,00000735

0,00001256

0,00001257

0,00002432

0,0000243

0,00003752

0,00003751

0,00004342

0,0000434



0,99999628

0,999996282

0,99999566

0,999995669

0,99999478

0,999994782

0,99999409

0,999994092

0,999993726

0,999993725



0,00000372

0,000003718

0,000004332

0,000004331

0,000005219

0,000005218

0,00000591

0,000005908

0,000006276

0,000006275


Таблица 3 - Сравнение статистических и вычисленных методом Рунге – Кутта вероятностей перехода в группе детей за 1998 – 2002 гг.


1998

1999

2000

2001

2002

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности

Статис-

тические вероятности

Вычис-

ленные вероятности



0,9979477

0,997947

0,9976833

0,997683

0,997697

0,9976975

0,997723485

0,99772348

0,997746803

0,9977468



0,000002112

0,00000211

0,000002891

0,00000289

0,00000435

0,000004356

0,00000662

0,00000663

0,00000758

0,000007581



0,0020508

0,00205089

0,0023141

0,00231411

0,00229865

0,00229866

0,002269895

0,00226989

0,002245617

0,002245618



0,999997755

0,999997754

0,999997662

0,999997665

0,999997613

0,999997615

0,999997515

0,999997516

0,999997494

0,999997495



0,000001324

0,000001325

0,000001324

0,000001325

0,000001345

0,000001346

0,000001373

0,00000137

0,00000138

0,00000139



0,00000922

0,000000923

0,000001014

0,000001016

0,000001042

0,000001044

0,000001112

0,000001113

0,000001126

0,000001127



0,999999127

0,999999128

0,999999127

0,999999128

0,999999113

0,999999114

0,999999085

0,999999086

0,999999077

0,99999907



0,000000873

0,000000874

0,000000873

0,000000874

0,000000887

0,000000888

0,000000915

0,000000916

0,000000923

0,000000924


10.3  Графики сравнения интенсивностей переходов



Рисунок 3 – Сравнение интенсивностей перехода из состояния «здоров» в состояние «ВИЧ – инфицирован»

          
Рисунок 4 – Сравнение интенсивностей перехода из состояния «здоров» в состояние «мертв»

Рисунок 5 – Сравнение интенсивностей перехода из состояния «ВИЧ – инфицирован» в состояние «болен СПИДом»

Рисунок 6 – Сравнение интенсивностей перехода из состояния «ВИЧ – инфицирован» в состояние «мертв»


Рисунок 7 – Сравнение интенсивностей перехода из состояния «болен СПИДом» в состояние «мертв»


            10.4  Анализ результатов

В результате вычислительного эксперимента были вычислены интенсивности и вероятности переходов с точностью до 0,0001, которую обеспечивает метод Рунге – Кутта. Приведем таблицу, которая показывает максимальные модули разностей между статистическими и вычисленными вероятностями переходов:

Таблица 4 – Максимальные модули разностей между статистическими и вычисленными вероятностями переходов

Возрастные группы

1998

1999

2000

2001

2002

Дети         (0-14 лет)

0,0000006

0,0000005

0,0000001

0,00000001

0,0000002

Единая группа

0,000002

0,0000001

0,0000003

0,0003

0,0000003



Результаты вычислительного эксперимента представлены в виде таблиц и графиков. Графики интенсивностей перехода «здоров» / «ВИЧ – инфицирован» показывают, что силы переходов с 1998 года начинают возрастать. Графики интенсивностей перехода «здоров» / «мертв» с 1998 года по 1999 год возрастают, с 1999 года по 2000 год – убывают, с 2000 года по 2001 год – возрастают и с 2001 года по 2002 год снова убывают. Графики интенсивностей перехода «ВИЧ – инфицирован» / «болен СПИДом» возрастает в единой возрастной группе, а у детей – почти прямая. Графики интенсивностей перехода «ВИЧ – инфицирован» / «мертв» резко возрастает в единой возрастной группе. Графики интенсивностей перехода «болен СПИДом» / «мертв» также возрастает в единой возрастной группе и медленно – в группе детей.
                            


11  Заключение


С использованием теории марковских процессов построена модель смертности, заболеваемости СПИДом, состоящая из четырех состояний (здоров, ВИЧ – инфицирован, болен СПИДом, мертв). Моделирование проведено для всего населения в целом и отдельно для группы детей. Для нахождения вероятностей перехода использованы таблицы смертности за 1998 – 2002 гг. (по данным Федерального научно – методического центра по профилактике и борьбе со СПИДом МЗ РФ).

В ходе выполнения работы был произведен расчет системы дифференциальных уравнений Колмогорова – Чэпмена методом Рунге – Кутта четвертого порядка. В результате вычислительного эксперимента были получены вероятности и интенсивности переходов, построены графики сравнения интенсивностей во всех возрастных группах.

На основе полученных результатов произведено сравнение статистических и вычисленных методом Рунге - Кутта вероятностей. Полученные  результаты показывают, что построенная модель достаточно хорошо отражает реальные данные.

                  


Литература


1        В.Н. Костин, Н.А. Тишина. Статистические методы и модели. - Оренбург: ГОУ ОГУ, 2004. -138 с.

2        Четыркин Е.М. Методы финансовых и коммерческих расчетов. – М.: Дело ЛТД, 1998.-232 с.

3        К.Хартман, Э.Лецкий, В.Шефер. Планирование эксперимента в исследовании технологических процессов. – М.: Мир, 1977.-125 с.

4        Журнал «Демографический ежегодник» Госкомстата - 1998г. // www.demoscope.ru

5        Кошкин Г.М. Основы актуарной математики. – Томск: Томский Государственный университет, 2002. – 116 с.

6        Информационный бюллетень №25 «ВИЧ-инфекция» Федерального научно-методического центра по профилактике и борьбе со СПИДом и Центрального НИИ эпидемиологии МЗ РФ // www.demoscope.ru

7        Трушкин Н.К. Актуарии – кто они? // www.pension.ru

8         Спивак С.И. Что такое финансовая математика. // Соросовский образовательный журнал. – 1996. - №8. – С.123-126.

9         Феллер В. Введение в теорию вероятностей и ее приложения. - М.: Мир, 1964. – 484 с.

10    Самарский А.А., Гулин А.В. Численные методы. - М.: Наука, 1989. – 432 с.

11    Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. – М.: Наука, 1987. – 630 с.

12    Андреев В.А. Опыты актуарных расчетов. // www.valnet.ru



ПРИЛОЖЕНИЕ А
Таблица 5 - Официально зарегистрированные случаи ВИЧ – инфекции в РФ за 1998 – 2002 гг.



Год

Новые случаи заражения

Все случаи заражения

Кол-во смертей среди ВИЧ+

Кол-во ЛЖВС

Распространенность,  на 100 тыс. нас.

Годовая заболеваемость, на 100 тыс. нас.

1998

4 057

11 016

370

10 646

7,3

2,8

1999

19 991

31 007

549

30 458

20,9

13,7

2000

59 275

90 282

1 092

89 190

61,6

40,8

2001

88 577

178 859

2 750

176 109

121,6

61,4

2002

52 349

231 208

3 164

228 044

157,3

36,3



Таблица 6 - Общее количество ВИЧ – инфицированных в России за 1998 – 2002 гг.



Год

Число инфицированных ВИЧ

Из них больных СПИДом

Всего

Детей

Дети

рожденные от вич инфицированных матерей с установленным диагнозом ВИЧ-инфекция

Из них умерло

Всего

Детей

Из них умерло

Всего

Детей

Всего

Детей

1998

10889

300

9

1044

141

729

188

528

124

1999

30647

411

15

1785

144

839

188

615

124

2000

89808

618

21

3452

148

1002

191

741

126

2001

177579

941

49

5327

158

1126

195

839

130

2002

227502

1077

85

6164

160

1199

196

891

131

Таблица 7 - Количество ВИЧ – инфицированных в России за 1998 – 2002 гг. в расчете на 100 000 тыс. населения

Год

Число инфицированных ВИЧ

Из них больных СПИДом

Всего

Детей

Из них умерло

Всего

Детей

Из них умерло

Всего

Детей

Всего

Детей

1998

7,668

0,211

0,7352

0,0992

0,5133

0,1324

0,3718

0,0873

1999

21,582

0,289

1,257

0,1014

0,5908

0,1324

0,4331

0,0873

2000

63,245

0,435

2,4309

0,1042

0,7056

0,1345

0,5218

0,0887

2001

125,055

0,662

3,7514

0,1112

0,7929

0,1373

0,5908

0,0915

2002

160,212

0,758

4,3408

0,1126

0,8443

0,138

0,6275

0,0923





1. Реферат Работа коммерческого банка с пластиковыми картами на примере Татфондбанка
2. Реферат Реформы Солона и Клисфена в Древней Греции
3. Курсовая на тему Интеллектуальная готовность к обучению в начальной школе дошкольников посещающих ДОУ компенсирующего 2
4. Реферат Банківська і страхова справа
5. Реферат 560-е до н. э.
6. Книга Господарське право України, Щербина
7. Сочинение на тему Хронологическая таблица Афанасий Афанасьевич Фет 1812-1892гг
8. Реферат на тему Force Systems Essay Research Paper By possessing
9. Реферат Види політичної реклами
10. Реферат Риелторские фирмы. Их структура и характеристика