You are on page 1of 153

Змiст

Роздiл 1. Основнi поняття теорiї ймовiрностей
1.1. Стохастичнi ситуацiї та їх математичнi моделi . . . . . . . . . .
1.1.1. Незалежнi подiї. Умовнi ймовiрностi . . . . . . . . . . . .
1.1.2. Формула повної ймовiрностi. Формула Баєса . . . . . . .
1.2. Випадковi величини та їх розподiли . . . . . . . . . . . . . . . .
1.2.1. Дискретнi та абсолютно неперервнi випадковi величини
1.2.2. Моменти випадкових величин . . . . . . . . . . . . . . . .
1.3. Генератриси . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1. Генератриса розподiлу . . . . . . . . . . . . . . . . . . . .
1.3.2. Генератриса моментiв . . . . . . . . . . . . . . . . . . . . .
1.3.3. Генератриса кумулянт . . . . . . . . . . . . . . . . . . . .
1.4. Випадковi вектори . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1. Сумiснi функцiї розподiлу та щiльностi . . . . . . . . . .
1.4.2. Числовi характеристики випадкових векторiв . . . . . . .
1.4.3. Незалежнi в.в. . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4. Розподiл суми незалежних в.в. . . . . . . . . . . . . . . .
1.5. Умовнi розподiли та щiльностi . . . . . . . . . . . . . . . . . . .
1.6. Умовне математичне сподiвання . . . . . . . . . . . . . . . . . .
1.7. Ймовiрнiснi нерiвностi . . . . . . . . . . . . . . . . . . . . . . . .
1.8. Закон великих чисел . . . . . . . . . . . . . . . . . . . . . . . . .
1.9. Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

7
7
7
8
8
8
9
10
10
11
11
11
11
13
14
14
15
15
16
17
18

позовiв
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

19
19
19
19
19
20
21
21
22
22
22
23
24
25
26
26
27
28
28
29
29
29
31
32
33

. . . . . . . . . . . . . . .
та його характеристики
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

35
35
35
36
37
37
37
38
41

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

43
43
44
45
48
50
51

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

Роздiл 2. Основнi типи розподiлiв iндивiдуальних позовiв та кiлькостi
2.1. Дискретнi розподiли . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1. Рiвномiрний розподiл . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2. Розподiл Бернуллi . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.3. Бiномiальний розподiл . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.4. Геометричний розподiл . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.5. Розподiл Пуассона . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.6. Вiд’ємний бiномiальний розподiл . . . . . . . . . . . . . . . . . . .
2.2. Розподiли абсолютно неперервних в.в. . . . . . . . . . . . . . . . . . . . .
2.2.1. Рiвномiрний розподiл . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2. Гамма-розподiл (зокрема, експоненцiйний та хi-квадрат) . . . . .
2.2.3. Бета-розподiл . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4. Нормальний (ґауссiвський) розподiл . . . . . . . . . . . . . . . . .
2.2.5. Логнормальний розподiл . . . . . . . . . . . . . . . . . . . . . . . .
2.2.6. Розподiл Парето . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.7. Розподiл Вейбулла . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Сумiшi розподiлiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1. Сумiшi пуассонiвських розподiлiв . . . . . . . . . . . . . . . . . . .
2.3.2. Розподiл Парето як сумiш експоненцiйних розподiлiв . . . . . . .
2.3.3. Узагальнений розподiл Парето як сумiш розподiлiв Ерланґа . . .
2.4. Статистичне оцiнювання параметрiв розподiлу . . . . . . . . . . . . . . .
2.4.1. Точковi оцiнки . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2. Метод моментiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.3. Метод максимальної вiрогiдностi . . . . . . . . . . . . . . . . . . .
2.5. Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Роздiл 3. Моделi ризику
3.1. Модель колективного ризику . . . . . . . . . . . . . . . .
3.1.1. Розподiл сумарної величини виплат за портфелем
3.1.2. Складний пуассонiвський розподiл . . . . . . . . .
3.1.3. Складний бiномiальний розподiл . . . . . . . . . .
3.1.4. Складний вiд’ємний бiномiальний розподiл . . . .
3.2. Модель iндивiдуального ризику . . . . . . . . . . . . . . .
3.3. Мiнливiсть чи невизначенiсть параметрiв . . . . . . . . .
3.4. Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Роздiл
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.

4. Перестрахування
Загальнi вiдомостi . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Пропорцiйне перестрахування . . . . . . . . . . . . . . . . . . . . .
Перестрахування ексцеденту збитку . . . . . . . . . . . . . . . . .
Перестрахування ексцеденту збитковостi . . . . . . . . . . . . . .
Ексцедентнi полiси страхування: умовна та безумовна франшизи
Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

Роздiл
5.1.
5.2.
5.3.

5. Процес Пуассона
55
Випадковi процеси . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Пуассонiв процес . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

Роздiл 6. Системи знижок за вiдсутнiсть позовiв
6.1. Системи бонус-малус розрахунку премiй з урахуванням попередньої iсторiї подання
6.2. Ланцюги Маркова з дискретним часом i скiнченною кiлькiстю станiв . . . . . . . . .
6.2.1. Визначення та властивостi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.2. Рiвняння Колмогорова-Чепмена . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.3. Ергодична теорема . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3. Аналiзування стацiонарного стану . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1. Єдинiсть стацiонарного стану . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.2. Час перебування процесу на пiдмножинi станiв . . . . . . . . . . . . . . . . . .
6.3.3. Неоднорiднiсть портфелю . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4. Вплив систем бонус-малус на схильнiсть до позовiв . . . . . . . . . . . . . . . . . . .
6.5. Бонус-малус в законодавствi України . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.6. Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

позовiв
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .

Роздiл 7. Баєсiвське оцiнювання ризику
7.1. Математичне формулювання задачi оцiнювання ризику . . . . . . . . . . . . . . . . . . . . .
7.1.1. Iндивiдуальний ризик . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.2. Точна iндивiдуальна премiя . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.3. Задача оцiнювання ризику в колективi . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.4. Баєсiвська статистика . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Елементи статистичної теорiї прийняття рiшень . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.1. Баєсiвський ризик та баєсiвськi рiшення . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.2. Процедури прийняття рiшень в умовах невизначеностi . . . . . . . . . . . . . . . . .
7.2.3. Задачi зi спостереженнями . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.4. Побудова баєсiвських вирiшувальних функцiй . . . . . . . . . . . . . . . . . . . . . .
7.3. Оцiнювання параметрiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.1. Квадратична функцiя втрат . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.2. Втрати, пропорцiйнi абсолютнiй величинi похибки . . . . . . . . . . . . . . . . . . . .
7.3.3. Втрати “все або нiчого” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.4. Оцiнювання векторного параметра . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4. Спряженi сiмейства розподiлiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.1. Апрiорнi та апостерiорнi розподiли . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.2. Вибiрка з розподiлу Бернуллi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.3. Вибiрки з пуассонiвського, вiд’ємного бiномiального та експоненцiйного розподiлiв
7.4.4. Спряженi сiмейства для вибiрок з нормального розподiлу . . . . . . . . . . . . . . .
7.4.5. Вибiрка з рiвномiрного розподiлу . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.6. Вибiрка з мультиномiального розподiлу . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5. Експоненцiйний клас та вiдповiдна йому сiм’я спряжених розподiлiв . . . . . . . . . . . . .
7.5.1. Пуассонiвська-гамма модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5.2. Бiномiальна-бета модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5.3. Гамма-гамма модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5.4. Нормальна-нормальна модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5.5. Геометрична-бета модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6. Теорiя довiри . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6.1. Довiрча премiя в простiй довiрчiй моделi . . . . . . . . . . . . . . . . . . . . . . . . .
7.7. Задачi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

59
59
60
60
61
62
63
63
64
65
65
67
68

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

73
73
73
73
74
75
76
77
78
81
82
84
84
86
87
87
88
88
89
89
90
92
93
93
95
95
96
96
96
96
96
97

Роздiл 8. Теорiя довiри
103
8.1. Довiрча премiя в простiй довiрчiй моделi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Роздiл 9. Збитки, якi виникли, але не заявленi
9.1. Метод ланцюгових сходiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.1.1. Трикутники розвитку . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.1.2. Припущення методу ланцюгових сходiв . . . . . . . . . . . . . . . . . . . . . . .
9.1.3. Точнiсть методу . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2. Метод Борнхуеттера-Фергюсона . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2.1. Основнi припущення та концепцiя базового методу Борнхуеттера-Фергюсона
9.2.2. Моделi розвитку . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2.3. Оцiнювання моделей розвитку . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3. Прогнозування остаточних збиткiв за допомогою моделей розвитку . . . . . . . . . .
9.4. Розширений метод Борнхуеттера-Фергюсона . . . . . . . . . . . . . . . . . . . . . . .
9.5. Iтерований метод Борнхуеттера-Фергюсона . . . . . . . . . . . . . . . . . . . . . . . .
9.6. Метод розвитку збиткiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.7. Метод ланцюгових сходiв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.8. Cape Cod метод . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.9. Адитивний метод . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

105
105
105
106
108
119
121
123
124
125
125
125
126
126
126
127

9.10. Метод Мака . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.11. Помилка прогнозу методу Борнхуеттера-Фергюсона . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.12. Вибiр оптимальної оцiнки резерву . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Роздiл 10.Процеси ризику в страхуваннi
10.1. Процеси . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2. Модель у страхуваннi . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.1. Модель iз дискретним часом . . . . . . . . . . . . . . . . . . . . .
10.2.2. Неперервна модель . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.3. Банкрутство . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3. Ймовiрнiсть банкрутства в дискретному скiнченому часi . . . . . . . .
10.3.1. Процеси з дискретним часом . . . . . . . . . . . . . . . . . . . .
10.4. Обчислення ймовiрностi банкрутства . . . . . . . . . . . . . . . . . . . .
10.4.1. Метод згорток . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4.2. Метод iнверсiї . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.5. Неперервна модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.5.1. Складностi неперервної моделi . . . . . . . . . . . . . . . . . . .
10.6. Пiдладжений коефiцiєнт i нерiвнiсть Лундберга . . . . . . . . . . . . .
10.6.1. Пiдладжений коефiцiєнт . . . . . . . . . . . . . . . . . . . . . . .
10.6.2. Нерiвнiсть Лундберга . . . . . . . . . . . . . . . . . . . . . . . . .
10.7. Iнтегрально-диференцiйне рiвняння . . . . . . . . . . . . . . . . . . . .
10.8. Аналiтичний пiдхiд до оцiнювання певних розподiлiв величини вимог
10.8.1. Асимптотчна формула Крамера для ймовiрностi банкрутства .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

133
133
134
134
134
134
135
135
136
136
137
138
139
139
139
141
142
144
147

Вiдповiдi та вказiвки

151

Список рекомендованої лiтератури

153

3

4

Вступ

У 1903 роцi шведський актуарiй Фiлiп Лундберґ [16] заклав основи сучасної теорiї ризику. Теорiя ризику
є синонiмом математики загального страхування (зазвичай, страхування життя розглядають окремо), яка
вивчає моделi позовiв, якi виникають у страховому бiзнесi, i дає поради щодо того, якого розмiру мають бути
встановленi премiї, щоб уникнути банкрутства страхової компанiї.
Коли говорять про страхову справу, то, у першу чергу, мають на увазi фiнансовi збитки. Саме для
того, щоб позбутися фiнансових втрат, пов’язаних iз невизначенiстю в настаннi тих чи iнших випадкових
подiй, укладають договори страхування. До пiдписання контракту й придбання страхового полiса клiєнт
наражався на деякий ризик, що мiг призвести до збиткiв, величину яких не можна точно передбачити заздалегiдь. Придбавши страховий полiс i заплативши за нього детермiновану суму p (страхову премiю), клiєнт
позбавлявся ризику, але сам ризик не зникав – його брала на себе страхова компанiя. Тому оцiнка ризику
(тобто фiнансових втрат страхової компанiї, пов’язаних iз виплатами за страховими позовами власникiв полiсiв) становить значний iнтерес для правильного менеджменту страхової компанiї, її стабiльної фiнансової
дiяльностi та служить пiдґрунтям для прийняття багатьох важливих рiшень.
Договори страхування умовно можна подiлити на двi групи: короткотермiновi та довготермiновi. При
вивченнi моделей короткотермiнових договорiв страхування не беруть до уваги можливий вплив iнфляцiї та
прибуток вiд iнвестицiй; також вважають незмiнними основнi ймовiрнiснi характеристики складових ризику,
а саме кiлькостi можливих позовiв та їх величини.
При вивченнi довготермiнових договорiв на перший план виходить динамiка надходження платежiв
(страхових премiй) i позовiв на вiдшкодування збиткiв. Важливу роль починають вiдiгравати iнфляцiя,
можливiсть iнвестування тимчасово вiльних коштiв.
Базовими поняттями, якими ми будемо оперувати, є: ризик, iндивiдуальний позов, кiлькiсть позовiв,
сумарнi позови, iмовiрнiсть банкрутства, розмiр страхової премiї.
Одним iз головних внескiв Ф. Лундберґа є представлення простої моделi, яка може описати основну
динамiку однорiдного страхового портфелю. Пiд ним розумiють портфель контрактiв чи полiсiв для однакових ризикiв, таких як автомобiльне страхування для певного типу авто, страхування домогосподарств вiд
крадiжок або страхування квартир вiд затоплення.
У цiй моделi використанi такi три припущення:
• Позови вiдбуваються у моменти часу Ti , де 0 ≤ T1 ≤ T2 ≤ . . . Їх називають моментами часу надходження позовiв.
• i-ий позов, який надiйшов у момент Ti , визначає величину позову Xi . Послiдовнiсть {Xi } складається
iз незалежних однаково розподiлених (н.о.р.) невiд’ємних випадкових величин.
• Величини позовiв {Xi } та моменти їх надходження {Ti } взаємно незалежнi.
Н.о.р. властивiсть величин позовiв, Xi , вiдображає той факт, що у портфелi наявна однорiдна ймовiрнiсна структура. Припущення щодо незалежностi величин та моментiв позовiв є дуже природною з iнтуїтивної
точки зору. Крiм того, незалежнiсть величин позовiв та моментiв їх надходження значно спрощує життя
математика, оскiльки це припущення зроблено задля математичної зручностi i легкостi обробляння моделi.
Визначимо тепер процес кiлькостi позовiв
N (t) = |{i ≥ 1 : Ti ≤ t}|,

t ≥ 0,

тобто N = {N (t), t ≥ 0} – це лiчильний процес на [0, ∞): N (t) – кiлькiсть позовiв, що надiйшли до часу t.
Об’єктом основного iнтересу з точки зору страхової компанiї є процес сумарної величини позовiв чи
сумарнi виплати

N (t)

S(t) =

i=1

Xi =


Xi I[0,t] (Ti ),

i=1

де S(t) = 0, коли N (t) = 0.

5

t ≥ 0,

6

Стохастичнi ситуацiї та їх математичнi моделi Нехай Ω – непорожня множина. i = 1. Опишемо тi властивостi. то (∞ ) ∞ ∪ ∑ Ai = P P(Ai ). iii) якщо Bi ∈ F. тобто σ-адитивну функцiю множин. F. 2. яку характеризують такi властивостi чи умови: • непередбачуванiсть: результат ситуацiї неможливо наперед передбачити з абсолютною точнiстю. P) називають iмовiрнiсним простором або ймовiрнiсною моделлю. i=1 i=1 Для A ∈ F значення P(A) називають ймовiрнiстю подiї A. називають iмовiрнiсною мiрою або ймовiрнiстю. Нехай F – множина пiдмножин множини Ω елементарних подiй. • стiйкiсть частот: якою б не була подiя. F). P(B) Якщо подiї A та B незалежнi. . Множина Ω разом iз σ-алгеброю своїх пiдмножин утворює вимiрний простiр (Ω. так щоб її успiшно можна було математично описати у термiнах теорiї ймовiрностей. як. . .1. P. Незалежнi подiї. F. не змiнює ймовiрностi подiї A. Умовнi ймовiрностi Подiї A та B у деякiй iмовiрнiснiй моделi (Ω. ii) якщо B ∈ F. наслiдками деякої стохастичної ситуацiї. – несумiснi подiї. що подiя B здiйснилася. . то ∞ ∪ Bi ∈ F. . p = 1. . p=1 p=1 7 . то i B ∈ F. P) називають незалежними. до загальної кiлькостi вiдтворювань ситуацiї) коливається бiля деякого числа i наближається до нього все ближче i ближче при збiльшеннi кiлькостi вiдтворювань ситуацiї. пiд час багатократного вiдтворювання ситуацiї частота подiї (тобто вiдношення кiлькостi випадкiв. Питання адекватностi математичної моделi реальної ситуацiї викликає особливу увагу в такiй прикладнiй галузi математики. Нехай P(B) ̸= 0. тобто знання того. актуарна математика. . i=1 Множину F називають σ-алгеброю подiй. A2 . для яких. Отже. Подiї A1 . . де B – доповнення до множини B. Нагадаємо. тобто Ai ∈ F та Ai ∩ Aj = ∅ при i ̸= j.1. що нас цiкавить. назвемо стохастичною таку ситуацiю. Iнакше кажучи. An називають взаємно незалежними або незалежними у сукупностi. що властивiсть σ-адитивностi полягає в наступному: якщо A1 . наприклад. якщо для довiльного m ≤ n та будь-яких iндексiв i1 . яка має такi властивостi: i) Ω ∈ F. коли P(A|B) = P(A). якi повиннi бути притаманними реальнiй невизначенiй ситуацiї. . зокрема. i=1 ∞ ∩ Bi ∈ F. визначену на F i нормовану умовою P(Ω) = 1.Роздiл 1 Основнi поняття теорiї ймовiрностей 1. елементи якого позначають ω. то з визначення умовної ймовiрностi випливає формула P(A ∩ B) = P(A|B) · P(B). . тобто неподiльними. m) (m ) m ∩ ∏ P Aip = P(Aip ). видiлимо тi невизначенi ситуацiї. . описання яких за допомогою теорiї ймовiрностей веде до адекватних висновкiв. . Мiру. . є незалежними тодi й лише тодi. . Трiйку (Ω. • вiдтворюванiсть: є принаймнi теоретична можливiсть вiдтворити розглянуту ситуацiю якзавгодно багато разiв за незмiнних умов. A2 .1. Умовною ймовiрнiстю подiї A за умови B називають величину P(A|B) = P(A ∩ B) . . Будемо ототожнювати елементи Ω з можливими елементарними. . . . коли спостерiгали дану подiю. im (ip ̸= iq при p ̸= q та 1 ≤ ip ≤ n. Зручним критерiєм незалежностi є такий: подiї A та B. 1. якщо P(A ∩ B) = P(A) · P(B). Вiдповiдно до цього множину Ω називають множиною елементарних подiй. . а її елементи (якi є пiдмножинами множини Ω) називають подiями. P(B) > 0.

яка є пiдмножиною множини Ω. H2 . . такi. є iндикаторна функцiя подiї B ∈ F: { 1. . . . визначена на Ω.) – це функцiя X = X(ω). H2 . n P(A|Hk )P(Hk ) (1. . що вони утворюють повну групу подiй. . Випадкову величину X(ω) = ∑ xj IBj (ω) j називають дискретною. Лема 1. P) розглянемо подiї H1 .2.1 (Формула Баєса). . . H2 . . Нехай A – деяка подiя. Дискретнi та абсолютно неперервнi випадковi величини Випадкова величина (в. Тодi має мiсце рiвнiсть n ∑ P(A) = P(A|Hk )P(Hk ). то кажуть. Визначимо множину X −1 (A) = {ω : X(ω) ∈ A}. (1. Hn утворюють повну групу. .2. тобто жоднi двi з них не можуть здiйснитися одночасно. тобто H1 ∪ H2 ∪ · · · ∪ Hn = Ω. P(A) P(A ∩ Hk ) = P(A|Hk )P(Hk ) та формулу повної ймовiрностi (1.1 (Формула повної ймовiрностi). Безпосередньо застосовуючи визначення умовної ймовiрностi P(Hk |A) = P(A ∩ Hk ) . Випадковi величини та їх розподiли 1.1. Тодi має мiсце рiвнiсть P(A|Hk )P(Hk ) P(Hk |A) = ∑ . Нехай A – деяка подiя. . . .в. Формула повної ймовiрностi. При цьому Bj = {ω : X(ω) = xj }. . Iнодi замiсть R розглядають множину комплексних чисел C. Простим прикладом в. .1. враховуючи iнформацiю про здiйснення подiї A. . Формула Баєса стi: У деякiй iмовiрнiснiй моделi (Ω. Нехай A – довiльна множина дiйсних чисел: A ⊆ R.1). Якщо подiї H1 . P(B) > 0. Hn обов’язково вiдбудеться. Безпосереднiм пiдрахунком отримуємо n n n ∑ ∑ ∑ P(A ∩ Hk ) P(Hk ) = P(A|Hk )P(Hk ). . .1. а подiї H1 .в. i = 1.в. Множину X −1 (A) називають прообразом множини A (при вiдображеннi X). коли ω ∈ B. Таким чином.2. Зауважимо. . . Кожен елемент борелiвської σ-алгебри називають борелiвською множиною. що Bi ∩ Bj = ∅ при i ̸= j та Bj = Ω. n. B2 . . Скiнченну дiйснозначну вимiрну функцiю називають випадковою величиною (в. .). Hn (n ≥ 2). Hn мають властивостi а) та б). IB (ω) = 0. а умовнi ймовiрностi P(Hk |A) називають апостерiорними ймовiрностями. . pi )}i≥1 називають законом розподiлу ймовiрностей чи просто розподiлом дискретної в. яка має додатну ймовiрнiсть. злiченного об’єднання чи злiченного перетину. Позначимо pi = P(Bi ). що утворюють повну групу. } – дiйснi j числа. коли ω ∈ / B. будьяку борелiвську множину можна побудувати з iнтервалiв за допомогою операцiй доповнення. Нехай {x1 . яка мiстить усi iнтервали. . . Значення P(Hk ) називають апрiорними ймовiрностями. X. що властивостi подiй Bj гарантують. якi мають такi властиво- а) подiї H1 .в. Визначимо борелiвську σ-алгебру B пiдмножин дiйсної вiсi R як найменшу σ-алгебру. а подiї H1 . F. що для кожного ω в останнiй сумi лише один iндикатор вiдмiнний вiд нуля. Hn несумiснi. ∪ Розглянемо подiї B1 . Якщо X −1 (A) ∈ F для довiльної борелiвської множини A ∈ F. . б) одна з подiй H1 . . отримуємо твердження теореми. P(A) = P(A ∩ Hk ) = P(Hk ) k=1 k=1 k=1 Теорема 1. Набiр {(xi . x2 . 1. 8 . причому P(Hi ) > 0. . . Формула Баєса дозволяє уточнити уявлення про ймовiрнiсть кожної з подiй.1) k=1 Доведення. . . . Hn утворюють повну групу. . H2 . . H2 . то функцiю X(ω) називають вимiрною. . H2 . яка вiдображає множину елементарних подiй у множину дiйсних чисел R.2) k=1 Доведення.

X є її iнтеграл Лебега: w EX = XdP. коли iснує E|X|. [4]). що висловлювання щодо результату стохастичної ситуацiї виконується майже напевне (м.в. В. Якщо функцiя розподiлу диференцiйовна. Iз властивостей iнтеграла Лебега випливають такi властивостi математичного сподiвання: 9 .в. то +∞ w EX = xfX (x)dx.). заданих на ймовiрнiсному просторi (Ω. x ∈ R. Iз властивостей функцiї розподiлу випливають такi властивостi щiльностi: • невiд’ємнiсть: fX (x) > 0. Ω Зауважимо. оскiльки з властивостей iнтегралу (Рiмана чи Лебега) випливають характеристичнi властивостi функцiї розподiлу. X абсолютно неперервна i має щiльнiсть fX (x).в. Функцiя розподiлу F (x) будь-якої в.в. −∞ у правiй частинi якого стоїть iнтеграл Стiлтьєса. i≥1 ω∈Ω i≥1 Нехай g(x) – борелiвська функцiя. якщо ймовiрнiсть множини сприятливих елементарних подiй дорiвнює одиницi.в. Розглянемо ймовiрнiсть P(X ∈ A) у випадку. Тодi +∞ w Eg(X) = g(x)dFX (x). fX (x) = FX (x) = dx 1. Тодi в.. X та функцiї розподiлу FX . Тут iнтеграл треба розумiти як iнтеграл Рiмана-Стiлтьєса у разi кусково-неперервної функцiї fX (x) та як iнтеграл Лебега-Стiлтьєса у разi вимiрної функцiї fX (x). F. −∞ Будемо казати. якщо iснує невiд’ємна функцiя fX (x) така.2. яка задовольняє цi три умови. дiйсна функцiя.в. x→−∞ lim F (x) = 1.в.б.в. ЇЇ називають функцiєю розподiлу в. Моменти випадкових величин Для випадкових величин X(ω). що щiльнiсть (майже всюди) збiгається з похiдною функцiї розподiлу: dFX (x) ′ .н. коли множина A є нескiнченним iнтервалом вигляду (−∞. визначена на R так. наприклад. то   ∑ ∑ ∑ EX = pi xi = xi P(X = xi ) = X(ω)P(ω) . математичним сподiванням EX в. • • lim F (x) = 0. така. далi для невiд’ємних та знакозмiнних iнтегровних в. x→+∞ Обернене твердження також iстинне: для довiльної функцiї F (x). Функцiя F (x) визначена для кожного дiйсного x. P). (див. Покладемо FX (x) = P(X < x). загальне визначення математичного сподiвання вводиться послiдовно для дискретних в. має такi властивостi: • F (x) монотонно зростаюча i неперервна злiва. Будь-яка невiд’ємна iнтегровна нормована функцiя є щiльнiстю деякої функцiї розподiлу.в. Функцiю fX (x) називають щiльнiстю розподiлу в. що для будь-якого a ∈ R множина {x : g(x) < a} є борелiвською.в. iснують ймовiрнiсний простiр i задана на ньому в.2..в. то з формули Ньютона-Лейбнiца (для iнтегралу Рiмана) або ж iз теореми Радона-Нiкодима (для iнтегралу Лебега) випливає.в. що F (x) є її функцiєю розподiлу. Якщо в. pi )}i≥1 . X. −∞ Якщо X – дискретна в. x). X та її функцiю розподiлу FX називають абсолютно неперервними. що wx FX (x) = fX (y)dy −∞ для будь-якого x ∈ R.Нехай X – в. X називають iнтегровною. r∞ • нормованiсть: −∞ fX (y)dy = 1. Фактично. Має мiсце рiвнiсть +∞ w EX = xdFX (x). що EX iснує тодi i лише тодi. з розподiлом {(xi . т.

.. Нехай X – цiлочисельна невiд’ємна в. X = 0 м. якi можна використати для визначення моментiв iнших порядкiв... якi визначають наступним чином. −∞ Центральний момент порядку k в. • центрованiсть: якщо в. }) називають ряд GX (t) = EtX = ∞ ∑ p k tk . то EX = 0.н.• нормованiсть: Ec = c для довiльної сталої c ∈ R. то D(aX + b) = a2 DX. X ≥ 0 та EX = 0... то EX ≤ EY . X. який називають дисперсiєю в. • додатнiсть: якщо в. k = 0. . Якщо в. то E(c1 X + c2 Y ) = c1 EX + c2 EY . . Генератрису GX (t) можна використовувати для простого знаходження моментiв нижчих порядкiв. беручи похiдну вiдповiдного порядку у точцi нуль: 1 (k) pk = GX (0).в. то EXY = EX · EY.в. Подальше диференцiювання дає формули. X.. X та Y iнтегровнi.в. 1.в. .в.в. .1. GX (t) = EtX = 1 + (t − 1)EX + 10 .н. GX (0) = P(X = 0).в. |t| ≤ 1. X визначають рiвнiстю: +∞ w µk = E(X − EX)k = (x − m1 )k dFX (x).в. • монотоннiсть: якщо X ≤ Y м. . X i позначають DX або VarX: DX = E(X − EX)2 = EX 2 − (EX)2 . то X = 0 м. коли в. −∞ Особливу роль вiдiграє другий центральний момент µ2 . c2 ∈ R. Розподiл iмовiрностей вiдновлюють за генератрисою. Вiдзначимо важливу властивiсть дисперсiї: DX = 0 тодi i лише тодi. Генератрисою GX (t) розподiлу в. якою б не була в. Зокрема.н. то EX ≥ 0. X k називають моментом порядку k чи k-м моментом в. √ Величину σX = DX називають середньоквадратичним або стандартним вiдхилом в.в. X − EX X − EX X∗ = √ = σ X завжди має нульове математичне сподiвання та одиничну дисперсiю. Також виконується рiвнiсть GX (1) = p0 + p1 + · · · = 1. то зв’язок мiж розподiлами i вiдповiдними генератрисами взаємно однозначна. 2.н.н. 1.в. 1. 2! 3! Диференцiюючи цей вираз по t i покладаючи t = 1. коли P(X = EX) = 1. Генератриси 1.. з розподiлом iмовiрностей P(X = k) = pk . тобто тодi. k! Зокрема. k = 0. .в. Генератриса розподiлу Пiд час дослiдження цiлочисельних невiд’ємних в. b ∈ R. k = 0. • iнварiантнiсть: якщо X = Y м.3. отримуємо математичне сподiвання. . Якщо дисперсiя скiнченна. X ≥ 0 м. 2! 3! Тодi (t − 1)3 (t − 1)2 EX(X − 1) + EX(X − 1)(X − 2) + . Математичне сподiвання в. c1 . k=0 Оскiльки будь-який степеневий ряд однозначно визначений своїми коефiцiєнтами. X (чи послiдовностi {pk . • опуклiсть: |EX| ≤ E|X|. • лiнiйнiсть: якщо в. 1. стандартизована в. a. то EX = EY . X: +∞ w mk = EX k = xk dFX (x).в.в. .3.в. . Розвинемо функцiю tX у ряд Тейлора в околi точки 1: tX = 1 + X(t − 1) + X(X − 1) (t − 1)3 (t − 1)2 + X(X − 1)(X − 2) + . X є сталою з iмовiрнiстю одиниця. X та Y незалежнi.в. • невiд’ємнiсть: якщо в.в. . корисними є генератриси (твiрнi функцiї).

. . 1. Отже. .в. на якому визначенi n в. . MX (t) визначена для всiх значень t. . .1. .в. . . 2.в. обчисленi при t = 0.в. Нехай цiлочисельна невiд’ємна в. Вона має такi властивостi: • p(x1 .2. k = 1. Її генератрису моментiв можна отримати. 2! 3! Тодi (k) mk = MX (0). . 1. Рiзним iмовiрнiсним розподiлам вiдповiдають рiзнi генератриси моментiв. xk+1 . Xn . . . Xn ) називають випадковим вектором або n-вимiрною в. Генератриса моментiв Генератрису моментiв можна використовувати для знаходження моментiв розподiлу в. . легко можна визначити MX (t): MX (t) = exp{CX (t)}. то ′ CX (0) = ′ MX (0) = EX MX (0) ′′ та CX (0) = ′′ ′ MX (0)MX (0) − (MX (0))2 = EX 2 − (EX)2 = DX.4. . Функцiю p(x1 . пiдставивши et замiсть t у GX (t). Вектор X = (X1 . 2 (0) MX Таким чином. нiж за допомогою генератриси моментiв. . Випадковi вектори 1. (дискретної чи абсолютно неперервної). . . .3. . X має генератрису розподiлу GX (t) = EtX . . Нехай X1 .в. Xn = xn ) для всiх можливих значень (x1 . . Генератриса кумулянт Для багатьох в.4. F.в. r r-ю кумулянтою називають коефiцiєнт tr! у розкладi в ряд Тейлора CX (t). . .в. для яких вони iснують. . X можна отримати за допомогою диференцiювання MX (t) у точцi 0.3. першi двi подхiднi CX (t). Xk за вiдомим сумiсним розподiлом визначають так: ∑ ∑ ∑ ∑ p(x1 . . . . використовуючи вiдповiдне iнтегрування чи пiдсумовування. . .в. Генератрисою кумулянт CX (t) в. що моменти бiльшостi розподiлiв можна визначити безпосередньо. Незважаючи на те.в. xn ) = 1. xn ) називають сумiсним або n-вимiрним розподiлом дискретного випадкового вектора (X1 . . . xn ) = P(X1 = x1 . . . . Розглянемо першi двi похiднi генератриси кумулянт: ′ CX (t) = ′ MX (t) MX (t) ′′ та CX (t) = ′′ ′ MX (t)MX (t) − (MX (t))2 . xk−1 . . xk . X називають функцiю MX (t) = E exp{tX}. для яких iснує математичне сподiвання. . . . Сумiснi функцiї розподiлу та щiльностi Розглянемо ймовiрнiсний простiр (Ω. Xn – дискретнi в. . X1 . . . ··· ··· pk = P(Xk = xk ) = x1 xn xk−1 xk+1 11 . вживання генератрис моментiв iнодi є простiшим. знаходження математичного сподiвання i дисперсiї за допомогою генератриси кумулянт є простiшим.в. x1 xn Маргiнальний (тобто одновимiрний) розподiл в. . Зокрема. iснує взаємно однозначна вiдповiднiсть мiж генератрисами моментiв та розподiлами. . .в. . . Генератрисою моментiв MX (t) в. безпосередньо дають середнє значення та дисперсiю в. xn ). Для цього розвинемо у ряд Тейлора експоненцiйну функцiю: MX (t) = 1 + tEX + t2 t3 EX 2 + + EX 3 + . k-й момент в. коли вiдома CX (t). X називають функцiю CX (t) = ln MX (t). . . . . .в. Xn ). xn . . P). X. . Сумiснi розподiли дискретних в. xn ) ≥ 0 для всiх значень x1 .1. тобто MX (t) = GX (et ). . ∑ ∑ • · · · p(x1 . 2 MX (t) Оскiльки MX (0) = 1.3.

. . коли x ≥ 0. b2 ). . Для її формулювання позначимо через Πx кут Πx = (−∞. . xn ) позначає k-ий частковий прирiст на [ak . . b2 ) можна зобразити у виглядi вкладеної рiзницi вкладених рiзниць кутiв: [a. b). a′ = (a2 . де xk – k-ий аргумент функцiї FX . . xk . Використовуючи метод математичної iндукцiї.b1 ) . .bk ) ∆[ak . . Сумiсною функцiєю розподiлу випадкового вектора X = (X1 . . X2 . . . . Xn ) має сумiсну щiльнiсть fX . ∞.в. де точки b′ = (a1 . . xn ) – неспадна функцiя за будь-яким аргументом. . . −∞ 12 . Для початку припустимо. . . щоб функцiя FX (x) була функцiєю розподiлу деякої в. X2 < x2 . . Те. . але для неї F (1. Xn ) називають функцiю FX (x) : Rn → R. xn ) = 0 (1 ≤ k ≤ n) для довiльних значень iнших аргументiв. то його координати мають маргiнальнi щiльностi +∞ w ··· fXk (x) = −∞ +∞ w fX (y1 . якщо iснує невiд’ємна вимiрна функцiя fX (x) ≡ fX (x1 . . y) не може бути сумiсною функцiєю розподiлу. . . xn ) ∈ Rn . . xk+1 . . Нехай випадковий вектор X = (X1 . . .в. . 12 ) = −1.3) невiд’ємний. . . bk ).Сумiснi функцiї розподiлу Нехай тепер X1 . . Як i в одновимiрному випадку. F (x.3) [ak . вiдповiдно. що паралелепiпед [a. . . .x) −∞ −∞ Функцiю fX (x) називають сумiсною щiльнiстю випадкового вектора та сумiсної функцiї розподiлу FX . Xn < xn ). (3) – задовольняє спiввiдношення FX (+∞. . b1 )×[a2 . lim xk →−∞ FX (x1 . . x2 . . . . .в. b) визначається аналогiчно. 12 ≤ Y < 1 буде вiд’ємним числом.b) FX = ∆1[a1 . i.. b) = (Πb \Πb′ )\(Πa \Πa′ ). dyk−1 dyk+1 . багатовимiрна функцiя розподiлу має подiбнi властивостi: (1) FX (x1 . b1 ). . . b) є результатом послiдовних часткових приростiв: n P(X ∈ [a. . . b) = [a1 . X2 . . четверта умова не виконується. 1) − (F (1. . . . +∞) = 1..bk ) FX . В одновимiрному випадку перерахованi властивостi (1) – (3) є необхiдними й достатнiми для того. . Ця функцiя задовольняє умови (1) – (3). . ∞. xn ) властивостей (1) – (3). xn ) = P(X1 < x1 . На вiдмiну вiд функцiї розподiлу одновимiрної в. b)) = ∆[a. b)) = P(X ∈ Πb \Πb′ )−P(X ∈ Πa \Πa′ ) = P(X ∈ Πb )−P(X ∈ Πb′ )−P(X ∈ Πa )+P(X ∈ Πa′ ). . ak . . yk+1 . . сумiсна функцiя розподiлу має ще одну характеристичну властивiсть. xk−1 . . Зокрема. 1) + F ( 21 . xk−1 . . . b) дорiвнює ∆[a.. . . . x = (x1 . . ∞). . .. . . . Маргiнальну функцiю розподiлу в. щоб функцiя FX (x) була функцiєю розподiлу деякого випадкового вектора X. yn )dy1 . . dyn . Y ) в прямокутник 21 ≤ X < 1. x1 ) × · · · × (−∞. . xn ). .b) FX = FX (b) − FX (b′ ) − FX (a′ ) + FX (a). . (2) – неперервна злiва за будь-яким аргументом. незважаючи на наявнiсть у функцiї FX (x1 . Xn – довiльнi в.Xn (x1 . yn )dy1 . треба додати ще одну: (4) для довiльних a.bk ) FX = FX (x1 . . . . . Нехай { 0. Зауважимо. . x) = (−∞. що xn w wx1 w FX (x) = fX (y)dy = ··· fX (y1 . X. . b вираз (1. . . . . яка в точцi x = (x1 . . Сумiснi щiльностi Випадковий вектор X = (X1 . . (−∞. Тодi FX (x) = P(X ∈ [a. . що прирiст сумiсної функцiї розподiлу на паралелограмi [a. . . xn ) дорiвнює FX (x) ≡ FX (x1 . xn ) ≡ FX1 . нехай ∆k[ak . Для того. . . xn ) така.в. x2 . dyn для будь-якого x = (x1 . що ця умова може не виконуватися. У багатовимiрному випадку цих властивостей вже недостатньо. 21 )) − F ( 21 . Якщо випадковий вектор X = (X1 . x. bk . що розмiрнiсть n = 2.. . Xn ) має сумiсну функцiю розподiлу FX .b) FX прирiст сумiсної функцiї розподiлу FX (x) на паралелепiпедi [a. xn )−FX (x1 . . або x + y ≤ 1. . показує наступний приклад. X2 . . або y ≤ 0. . yk−1 . оскiльки iнакше ймовiрнiсть попадання випадкової точки (X. . . . . . . . . . в iншiй частинi площини. xk+1 . Xk визначають так: FXk (xk ) = P(Xk < xk ) = FX (∞. У загальному випадку n > 2 правило чергування знакiв при значеннях функцiї у вершинах паралелепiпеда [a. . . X2 . Отже. Позначимо через ∆[a. ∆n−1 (1. . . Тодi при n = 2 прирiст FX на прямокутнику [a. Xn ) та його сумiсну функцiю розподiлу FX називають абсолютно неперервними. функцiя F (x. легко показати. xn ). y) = 1. .

yn )dy1 . y). xn ) = .Властивостi сумiсної щiльностi: • fX (x1 . ∂x1 ∂xn Розглянемо пару в. • якщо сумiсна функцiя розподiлу диференцiйовна. . y) 7→ (u. . dyn .в. • P(x11 < X1 < x12 . . . g2 – деякi борелiвськi функцiї. y) обчислюють так: .в. .. xn ) ≥ 0. xn ). Тодi. . . . взаємно однозначна на областi значень в. . . FX (x1 .. v) на основi fX. V = g2 (Y ).V (u. якщо замiна змiнних (x. X та Y . . u = g1 (x. Y ) з сумiсною щiльнiстю fX. . y). де U = g1 (X). . g. . y) та перетворення (U. . . . .Y (x.Y (x. (X. xn1 < Xn < xn2 ) = r x12 x11 ··· r xn2 xn1 fX (y1 . v). r • Rn fX (x)dx = 1. то сумiсна щiльнiсть (майже всюди) збiгається з похiдною функцiї розподiлу: ∂ ∂ fX (x1 . . v = g2 (x. . то сумiсну щiльнiсть fU. V ) цiєї пари. . .

.

.

∂(x. y) .

.

.

v)∈Range(g1 . v)) .g2 )} fX.V (u. v). y(u. fU..Y (x(u. v) = I{(u.

v) . ∂(u.

де .

.

( ) .

y) . ∂(x.

.

= det ∂x/∂u ∂x/∂v .

.

∂(u. v) .

v) 7→ (x. det ∂y/∂u ∂y/∂v . ∂y/∂u ∂y/∂v – якобiан оберненого перетворення (u. y): ) ( )−1 ( ∂u/∂x ∂u/∂y ∂x/∂u ∂x/∂v = det ∂v/∂x ∂v/∂y .

.

.

∂(x.y) .

Наявнiсть модуля .

∂(u.v) .

. то D(X ± Y ) = DX + DY. В. Вона є скiнченною за нерiвнiстю Кошi: √ √ cov(X. . . . що P(X = aY + b) = 1. Xn ) вiд випадкового вектора X = (X1 . . .в. .в. Y ) = E(X − EX)(Y − EY ) = EXY − EXEY називають коварiацiєю в. xn )fX (x1 . . σX σ Y яка внаслiдок нерiвностi Кошi набуває значень з iнтервалу [−1. . X та Y називають некорельованими. Xn ) = g(x1 . . .V (u. . X та Y називають безрозмiрну в. коли в. . . Y )| = 1. Коефiцiєнт кореляцiї вказує на те. . якщо cov(X.4. . . Y ) . . . . причому sign a = sign ρ(X. . . 1. зi скiнченними другими моментами. Обернене твердження неправильне. яких набувають в. .в. xn ) = ··· g(x1 .в. . xn . ρ(X. Xn . наскiльки лiнiйно залежнi мiж собою в. Y ). . . xn )dx1 . 1].в. X та Y . X1 . що fU. то вони некорельованi. X та Y незалежнi. . xn )pX (x1 .2. . то iснують числа a ̸= 0 та b такi. Xn = xn ). dxn . • для абсолютно неперервних в. . Y ) = 0. .в. Rn Коварiацiя та коефiцiєнт кореляцiї Нехай X та Y – двi в. Має мiсце рiвнiсть D(X ± Y ) = DX + DY ± cov(X.в. v) ≥ 0. x1 xn x1 xn де суму обчислюють по всiх можливим значенням x1 . X та Y . . 13 . . . . xn )P(X1 = x1 . . . Якщо в. Зокрема. Y ) = cov(X. .: w Eg(X1 .: ∑ ∑ ∑ ∑ Eg(X1 .в. . . Y ) ≤ E(X − EX)2 (Y − EY )2 = DXDY = σX σY . .в. гарантує. . Xn ) проводять так: • для дискретних в. X та Y незалежнi. . . Y ). .в. . . . зокрема. коли |ρ(X. . .в. . Числовi характеристики випадкових векторiв Математичне сподiвання Обчислення математичного сподiвання вимiрної функцiї g(X1 . Коефiцiєнтом кореляцiї в. Величину cov(X. Xn ) = ··· g(x1 .

.4.в. Xn незалежнi в сукупностi. . j=0 та генератрису GX+Y (t) = GX (t) GY (t). . то абсолютно неперервнi в. якщо всi породженi ними випадковi подiї незалежнi в сукупностi. . Невiд’ємнi цiлочисельнi в.в. то сума X + Y має розподiл P(X + Y = k) = k ∑ pj qk−j . X1 . . . Незалежнiсть в.в. . . . . xn ) ∈ Rn розкладається у добуток FX1 . . . . . 1.4. . то сума X + Y має функцiю розподiлу w∞ w∞ FX+Y (x) = FX (x − y)dFY (y) = FY (x − y)dFX (y). коли вiдповiдна сумiсна функцiя розподiлу для всiх (x1 .1. . щiльнiсть. Xn незалежнi в сукупностi тодi й лише тодi. в.в. xn ) = P(X1 < x1 . щiльностями fX (x) i fY (x) та генератрисами моментiв MX (t) i MY (t) вiдповiдно. X1 . 1 ≤ k ≤ n розглянемо P(g1 (X1 ) ∈ B1 . . .в. . . xn ). . породжує випадковi подiї. . iз функцiями розподiлу FX (x) i FY (x). . . . . X1 . . Xn ∈ gn−1 (Bn )) n ∏ P(Xk ∈ g1−1 (Bk )) k=1 = n ∏ P(g(Xk ) ∈ Bk ). xn ). . . .. g(Xn ) незалежнi в сукупностi. . Доведення. Якщо X та Y – незалежнi невiд’ємнi цiлочисельнi в. Теорема 1. . . . . . Xn ) має сумiсну щiльнiсть fX (x1 . . . коли n ∏ P(X1 = x1 . якi є прообразами борелiвських множин. тобто w∞ w∞ fX ∗ fY (x) = fX (x − y)fY (y)dy = fY (x − y)fX (y)dy. . . Нехай в. . . Розподiл суми незалежних в. . . Теорема 1. g(X1 ). . . Тодi в.в.в. 2. . Xn < xn ) = n ∏ P(Xk < xk ) = k=1 n ∏ FXk (xk ).в. Xn незалежнi в сукупностi. тобто для довiльних Bk ∈ B(R) P(X1 ∈ B1 . Отже. g(X1 ).3. та генератрисами GX (t) i GY (t) вiдповiдно.в.Xn (x1 . . X1 . gn (Xn ) ∈ Bn ) = P(X1 ∈ g1−1 (B1 ). k=1 Зокрема. означає. . Для довiльних множин Bk ∈ B(R). . gn (x) – борелiвськi функцiї. .в. в. . . . . k = 0. . k=1 Дискретнi в. −∞ −∞ 14 . . . . коли n ∏ fX (x1 . .3. .в. що всi такi породженi подiї незалежнi. . g(Xn ) – незалежнi в сукупностi. k=1 Має мiсце наступна теорема про перетворення незалежних в. . .. . а g1 (x).в. Xn будуть незалежними в сукупностi тодi й лише тодi.в. . . Коли випадковий вектор X = (X1 . . з розподiлами pk = P(X = k). . qk = P(Y = k). . Xn = xn ) = P(Xk = xk ) k=1 для всiх можливих значень (x1 . Кожна в. . яка дорiвнює згортцi щiльностей fX (x) i fY (x). X1 .в.2. . . . xn ) = fXk (xk ).4. . . k=1 Отже. 1.в. Якщо X та Y – незалежнi в. . .. Xn ∈ Bn ) = n ∏ P(Xk ∈ Bk ). .. Xn незалежнi в сукупностi тодi й лише тодi. Незалежнi в. Аболютно неперервнi в. −∞ −∞ яку називають згорткою функцiй розподiлу FX (x) i FY (x) i позначають FX ∗ FY (x) = FX+Y (x).

для яких розподiл pY (y) = P(Y = y) > 0.в. X при заданому Y = y wx 1 FX|Y =y (x|y) = fX. Умовний розподiл X при заданому Y = y для дискретних в.y) : x+y<a} w∞ w∞ = {(x.y) : x+y<a} fX (x)fY (y)dxdy = wa fX (u − y)fY (y)dxdy = −∞ −∞ w∞ w∞ w∞ a−y w fX (x)fY (y)dxdy −∞ −∞ I{u : u<a} fX (u − y)fY (y)dudy −∞ −∞ fX ∗ fY (u)du. Умовне математичне сподiвання Умовне математичне сподiвання в.Y . fY (y) −∞ (1. Доведення. fY (y) −∞ Вiдповiдна умовна щiльнiсть в. Розглянемо умовну ймовiрнiсть подiї X ≤ x за умови y < Y ≤ y + h.Y (x. y) = . r y+h f (v)dv Y y Подiлимо чисельник i знаменник на h.в. 1. y) = dFX (x)dFY (y) P(X + Y < a) = {(x.в. −∞ Далi. X за умови.5.y) : x+y<a} dFX (x)dFY (y) = −∞ −∞ w∞ w∞ E IX∈{x : x<a−y} dFY (y) = = w∞ w∞ −∞ I{x : x<a−y} dFX (x)dFY (y) −∞ −∞ FX (a − y)dFY (y) = FX ∗ FY (a).Y (u. Оскiльки в. Y = y) pX.в. y)dx. X при заданому Y = y дорiвнює fX|Y =y (x|y) = fX. v)dvdu −∞ y P(X < x|y < Y ≤ y + h) = . Тому x x dFX. y) = FX (x)FY (y).Y (x. Y = y) – сумiсний розподiл в.та генератрису моментiв MX+Y (t) = MX (t) MY (t).Y (u.6.в.в. Умовнi розподiли та щiльностi Розподiл X для певного значення Y називають умовним розподiлом X при заданому Y = y. y) . X та Y незалежнi. h > 0: r x r y+h fX. для яких fY (y) > 0. Тодi при h → 0 отримуємо умовну функцiю розподiлу в. MX+Y (t) = Eet(X+Y ) = EetX etY = EetX EetY = MX (t)MY (t). то FX. fY (y) Цi умовнi функцiї розподiлу визначають лише для тих значень y.Y (x. Припустимо. X та Y . маємо FX ∗ FY (a) w∞ = −∞ w∞ FX (a − y)dFY (y) = w∞ = −∞ −∞ wa w∞ = w∞ FX (a − y)fY (y)dy = −∞ I{(x.Y (x. y)du.в.4) . що пара (X.Y (x.Y (x. P(Y = y) pY (y) де pX. Зауважимо. використовуючи замiну x = u − y. 1. −∞ Нарештi. X та Y дорiвнює pX|Y =y (x|y) = P(X = x|Y = y) = P(X = x. що умовний розподiл pX|Y =y (x|y) визначають лише для тих значень y.y) : x+y<a} I{(x.в. y) = P(X = x. Абсолютно неперервнi в. Y ) має сумiсну щiльнiсть fX. як +∞ w E(X|Y = y) = xfX|Y =y (x|y)dx = −∞ 15 +∞ w 1 xfX. що Y = y визначають. Дискретнi в.

яка є функцiєю вiд Y . тодi математичне сподiвання цiєї функцiї за умовного розподiлу X при заданому Y є дисперсiєю вiдповiдного умовного розподiлу: .в. отримаємо в. то права частина є функцiєю вiд y..в. адже ця в. y) можна отримати бiльш загальне визначення. Y )|Y ) можна розглядати як в. яку називають регресiєю X на Y та позначають E(X|Y ). Зокрема. Y ): +∞ w E(h(X. умовне математичне сподiвання E(h(X.в. замiнивши в. y)fX|Y =y (x|y)dx. Y ) = (X−E(X|Y ))2 .в.. що iнтеграл у правiй частинi абсолютно збiжний. Якщо розглядати y як змiнну величину. −∞ Аналогiчно. ототожнюючи y iз в. Якщо вибрати h(X. Для довiльної борелiвської функцiї h(x. Y )|Y = y) = h(x. Наявнiсть у познацi X не повинна вводити в оману. Y . X на h(X. є функцiєю лише однiєї змiнної Y .за припущення.в.

) ( D(X|Y ) = E (X − E(X|Y ))2 .

y)dx. (1. x II) Нехай X та Y – абсолютно неперервнi в. fY (y) −∞ то +∞ w E (E(X|Y )) = +∞ w E(X|Y = y)fY (y)dy = −∞ −∞ +∞ w = +∞ w x −∞ +∞ w 1 xfX.7.5) тобто математичне сподiвання вiд умовного математичного сподiвання X при даному Y дорiвнює математичному сподiванню X. а в. fX. Нехай g – додатна неспадна функцiя. Доведення.5 (Формула повної дисперсiї). Доведення. EX = E(E(X|Y )).Y (x.2 (Загальна нерiвнiсть Чебишова). З невiд’ємностi та монотонностi g випливає нерiвнiсть g(X) ≥ g(c)IX≥c .4 (Формула повного математичного сподiвання).в.в. Ймовiрнiснi нерiвностi Розглянемо найбiльш поширенi нерiвностi.в. якi виконуються для математичних сподiвань функцiй вiд в. X ≥ 0.6) ( ) ( ) 2 2 = EX 2 − (EX)2 = E E(X 2 |Y ) − (E (E(X|Y ))) = E D(X|Y ) + (E(X|Y ))2 − (E (E(X|Y ))) ( ) 2 = E (D(X|Y )) + E(E(X|Y ))2 − (E (E(X|Y ))) = E(D(X|Y )) + D(E(X|Y )). Тодi для довiльної сталої c > 0 Eg(X) . Y = y) = x ∑ ∑ x P(X = x. Y = y) x y xP(X = x) = E(X).Y (x. Теорема 1.в. DX (1. I) Нехай X та Y – дискретнi в. 1. Тодi ( ) ∑ ∑ ∑ E (E(X|Y )) = E(X|Y = y)P(Y = y) = xP(X = x|Y = y) P(Y = y) y = ∑∑ y = ∑ y x xP(X = x|Y = y)P(Y = y) = ∑∑ x y xP(X = x. Тодi за монотоннiстю математичного сподiвання Eg(X) ≥ Eg(c)IX≥c = g(c)P(X ≥ c). y)dxfY (y)dy fY (y) −∞ +∞ w xfX (x)dx = E(X). Оскiльки E(X|Y = y) = +∞ w 1 xfX.Y = E(X 2 |Y ) − (E(X|Y ))2 . що вона також є функцiєю вiд Y . Лема 1. 16 . P(X ≥ c) ≤ g(c) Доведення. Очевидно.Y (x. y)dydx = −∞ −∞ Теорема 1. DX = E(D(X|Y )) + D(E(X|Y )).

(1. .8): b (E|X|a ) a = g(E|X|a ) ≤ Eg(|X|a ) = E|X|b . а в.8.в. Доведення. Закон великих чисел Теорема 1.6 (Закон великих чисел).9) b a Доведення. Покладемо Sn = X1 + · · · + Xn .о. Пiдставимо в елементарну нерiвнiсть xy ≤ вирази x = |X| 1 (E|X|p ) p та y = |Y | 1 (E|Y |q ) q xp yq + p q та використаємо монотоннiсть математичного сподiвання: |XY | 1 p (E|X|p ) (E|Y |q ) 1 q ≤ E|X|p E|Y |q 1 1 + = + = 1. Iз загальної нерiвностi Чебишова для невiд’ємної в.в. Доведення. X та g(X) iнтегровнi. зi скiнченними математичним сподiванням EXj = m1 та дисперсiєю DX = σ 2 . Пiдставимо у цю нерiвнiсть x = X. pE|X|p qE|Y |q p q Наслiдок 1. (1. Для довiльної опуклої донизу функцiї g у кожнiй точцi x iснує опорна пряма. графiк якої повнiстю лежить пiд графiком функцiї g: g(x) ≥ g(x0 ) + k(x0 )(x − x0 ). 1.4 (Нерiвнiсть Дженсена). Нехай функцiя g(x) опукла донизу. Тодi для довiльного ε > 0 має мiсце границя . то для довiльного ε > 0 DX .8) Доведення.в. Лема 1.7 (Нерiвнiсть Кошi).6 (Нерiвнiсть Гельдера). (1. то 1 1 (E|X|a ) a ≤ (E|X|b ) b .5 (Нерiвнiсть Ляпунова). Якщо iснує DX.Наслiдок 1. (EXY )2 ≤ EX 2 EY 2 . .р. . Випливає з нерiвностi Гельдера при p = q = 2. x0 = EX та скористаємося монотоннiстю математичного сподiвання: Eg(X) ≥ E(g(EX)) + k(EX)(X − EX) = g(EX) + k(EX)E(X − EX) = g(EX). (X − EX)2 та функцiї g(X) = X отримуємо P(|X − EX| ≥ ε) ≤ P(|X − EX| ≥ ε) = P((X − EX)2 ≥ ε2 ) ≤ DX E(X − EX)2 = 2 . . q > 0 спряженi.7) ε2 Доведення. Якщо 1 ≤ a ≤ b та E|X|b < ∞. Оскiльки функцiя g(x) = x .в. то (1. Xn – н. Тодi g(EX) ≤ Eg(X). опукла донизу.3 (Нерiвнiсть Чебишова для дисперсiй). x ≥ 0. для всiх x ∈ R. ε2 ε Лема 1. то 1 q E|XY | ≤ (E|X|p ) (E|Y |q ) . Якщо числа p. тобто 1 p 1 p + 1 q = 1. Наслiдок 1. Нехай X1 .9) випливає з нерiвностi Дженсена (1.

(.

) .

.

Sn .

.

P .

− m1 .

≥ ε → 0. . .в.р. . X1 . Xn iз середнiм EXj = m1 та дисперсiєю DX = σ 2 збiгається за ймовiрнiстю до m1 .о. Доведення. .7): . n коли n → ∞. усереднена сума Snn н.в. Iнакше кажучи. Скористаємося нерiвнiстю Чебишова (1.

.

   .

.

∑ .

(.

) n n ∑ .

.

1 n .

Sn .

1 1 1 ∑ σ2 1 1 1 P .

.

− m1 .

.

≥ ε = P .

.

Xj  = 2 2 (Xj − m1 ).

.

≥ ε ≤ 2 2 D  DXj = 2 2 nσ 2 = 2 . n ε n ε n j=1 ε n nε .

n j=1 .

о. Треба зауважити. Xj . закон великих чисел стверджує. Для н. що D (∑ n ) Xj = o(n2 ).р. 17 . що доведення також можна провести за умови. У такiй формi вiн був вiдомий математикам XVII та XVIII столiть. j=1 в. Якобу Бернуллi (1654 – 1705). коли n → ∞. зокрема. тобто EXj = θ. що пiсля великої кiлькостi випробувань середнє число успiхiв буде наближатися до θ. j=1 а цей вираз прямує до нуля.в. що мають розподiл Бернуллi з ймовiрнiстю успiху θ.

Розглянемо дискретну в. Вправа 1. i) Визначте генератрису моментiв X. Зокрема. X. якi виникають за кожним полiсом iз деякого класу.1. µ3 σ3 в. з генератрисою моментiв MX (t) та генератрисою кумулянт CX (t). використовуючи результат пункту i). 1. з експоненцiйним розподiлом iз параметром λ = 1. iii) Обчислiть дисперсiю в. . ii) Скажiть. з середнiм λ. X та Y справедливе спiввiдношення EY = E(E(Y |X)). що величина позову перевищить £20 000.9. Y для заданого значення X = x має математичне сподiвання g(x) = x2 + 1.в. ii) Обчислiть коварiацiю мiж Z та V . λ) вiдповiдно. X iз розподiлом P(X = x) = 4 5x+1 .в. Y має генератрису моментiв MY (t) та генератрису кумулянт CY (t).4. ¯ мати розподiл Пуассона у разi. коротко аргументувавши. i) Обчислiть коварiацiю мiж X та U . Величини позовiв за певної страхової ситуацiї моделюють за допомогою розподiлу. Величину позову X в одиницях £1000 для певного типу страхування моделюють як в. 25. що X є в.в. Число позовiв X. Доведiть. ii) Обчислiть EX. i) Доведiть. За допомогою генератиси моментiв покажiть. Нехай X = (X1 . Вправа 1. Розглянемо три в.2. . X1 та X2 . Припустимо. покажiть.8. з коефiцiєнтом кореляцiї ρY Z = 0.6. коли n = 2.в. ii) Обчислiть вказану ймовiрнiсть.в. ii) Обчислiть ймовiрнiсть того. що i=1 Xi має розподiл Пуассона з середнiм nλ. та нехай ¯ = 1 ∑n Xi . якi мають однакову дисперсiю σ 2 = 4.в. .в.20 Обчислiть E(X|Y = 2). λ) та (α2 . де V = 3X − 2Y . генератриса моментiв якого дорiвнює M (t) = (1 − 10t)−2 . Нехай Y = aX + b.в.25 0. Y . вiн хоче обчислити ймовiрнiсть того.9. Вправа 1. Вправа 1. Задачi Вправа 1. 18 . ii) Нехай X1 та X2 мають гамма-розподiл iз параметрами (α1 . якщо MX (t) = (1 − t)−2 та Y = 3X + 2. . буде чи нi в. 2. Xn ) є повторною випадковою вибiркою з розподiлу X. i) Нехай Y = X1 + X2 є сумою двох незалежних в. Y й Z – корельованi.в.в. де U = Y + Z. W = 3X − 2Y + Z. Вправа 1. Вправа 1. але в.в.в. ii) Обчислiть коефiцiєнт асиметрiї γ1 = Вправа 1. покажiть. що 12 X має χ2 розподiл з 6 степенями вiльностi. i) Покажiть. X має стандартний нормальний розподiл.в. зокрема. iii) Скажiть. що S перевищить £10 000. x = 0. . EX 2 та EX 3 . де a та b – деякi сталi. коротко аргументувавши. Обчислiть EY та DY .15 X=2 0. 5. що X не залежить вiд Y та Z.в. Вправа 1. 5S має χ2 -розподiл з 20 степенями вiльностi.05 X=1 0. а умовний розподiл пуассонiвської в. буде чи нi в. . X та Y : Y =1 Y =2 X=0 0.в.1. та вкажiть параметри розподiлу. Припустимо.7. 2X1 + 5 мати розподiл Пуассона.3. що: (a) S має гамма-розподiл. Обчислiть EX. що в. що CY (t) = bt + CX (at).20 0.15 0.в.10. (b) 2. i) Використовуючи генератриси моментiв.5. X i=1 n ∑n i) За допомогою генератрис моментiв покажiть.в. . Вправа 1.. моделюють як пуассонiвську в. що Y = X1 + X2 також є гамма-розподiленою в. i) Використовуючи генератриси моментiв. iз параметрами α = 3 та λ = 14 . У таблицi наведено сумiсний розподiл iмовiрностей для двох дискретних в. Актуарiй дослiджує S – суму 10 таких незалежних величин позовiв. що генератриса моментiв Y є добутком генератрис моментiв X1 та X2 . X ¯ коли n велике? iv) Яким буде асимптотичний розподiл X. ii) Припустимо. що для неперервних в. Величину позову X в одиницях £1000 для певного типу страхування промисловостi моделюють як гамма-розподiлену в. Y та Z.в. Нехай також в.

Дискретнi розподiли Розглянутi тут розподiли є моделями кiлькостi якихось подiй: числа “успiхiв”. X позначає кiлькiсть успiхiв з-помiж n випробувань. 2.в. якщо A вiдбулася. Ймовiрнiсна мiра: P({У}) = θ. кiлькостi вимог тощо. 2. = DX = m2 − m21 = 12 = EX = 2.1. кiлькостi смертей. . . X: P(X = k) = θk (1 − θ)1−k . Значна кiлькiсть дискретних розподiлiв пов’язана з наступною стохастичною ситуацiєю. . 1. якi • незалежнi у сукупностi мiж собою. Тодi розподiл X має вигляд P(X = k) = 1 . n. . P({Н}) = 1 − θ. а невдачею – не випадiння шiстки при пiдкиданнi гральної костi. що значення.1. Наприклад.в. 2. 0 < θ < 1. В. . . Обчислимо моменти в. Нехай в. Будемо припускати.1. 2.1. . n. Н}. числа “випробувань”. n k = 1.1. є цiлими числами з множини {0. та 0. n}. . 3.в. 19 k = 0. . виживання застрахованої особи протягом одного року. що вiдбулися (0 чи 1). Розподiл Бернуллi Випробуванням Бернуллi називають стохастичну ситуацiю.2. n. вiдбулась деяка подiя A чи нi.Роздiл 2 Основнi типи розподiлiв iндивiдуальних позовiв та кiлькостi позовiв Розглянемо деякi спецiальнi розподiли. 0 < θ < 1. причому • ймовiрнiсть успiху не залежить вiд номеру випробування. В. Визначимо в. iз розподiлом Бернуллi часто називають “iндикаторною” – її значення можна використовувати для визначення. 1. . яких набуває в. Моменти X: m1 = θ. 2.. Тодi розподiл X такий: P(X = k) = Cnk θk (1 − θ)n−k . успiхом може бути випадiння герба при пiдкиданнi монети. .в. .в. Всi елементарнi подiї вiдбуваються з рiвною ймовiр1 n . 2.3. Бiномiальний розподiл Розглянемо послiдовнiсть iз n випробувань Бернуллi. k = 0. X(Н) = 0. X: m1 m2 µ2 1 + 2 + ··· + n n+1 = . якi надалi ми будемо часто використовувати для моделювання кiлькостi iндивiдуальних позовiв та їх величини. Подiєю A може бути. Множина елементарних подiй Ω є об’єднанням усiх можливих елементарних результатiв n випробувань.в. Розподiл в. Рiвномiрний розподiл нiстю Множина елементарних подiй Ω = {1. Таку послiдовнiсть називають схемою випробувань Бернуллi. 1. 3. тодi X має описаний вище розподiл Бернуллi. µ2 = θ(1 − θ). i = 1. 2.в. . якщо подiя A не здiйснилася. Якщо P(A) = θ. . m2 = θ2 . }. Слова “успiх” та “невдача” є умовними – не треба пов’язувати з ними звичайне значення цих слiв. Множина елементарних подiй Ω = {У. . Покладемо X = 1. n 2 12 + 22 + · · · + n2 n(n + 1)(2n + 1)/6 (n + 1)(2n + 1) = EX 2 = = = . . . яка може закiнчитися лише одним iз двох результатiв: або “успiхом” (У) або “невдачею” (Н). X визначимо так: X(У) = 1. . . . n n 6 n2 − 1 . наприклад. X так: X(i) = i. Тодi X є кiлькiстю успiхiв.

06 æ æ æ 0.10 æ æ æ 0. . . 0 < θ < 1. X як номер випробування. 1. æ 0. X: n ∑ GX (t) = EtX = Cnk θk (1 − θ)n−k tk = (θt + 1 − θ)n . НУ. Геометричнi розподiли Генератриси: GX (t) = EtX = ∞ ∑ θ(1 − θ)k−1 tk = θt k=1 ∞ ∑ (1 − θ)k tk = k=0 θet MX (t) = GX (et ) = . 2. 2.10 æ 0.25æ k = 1. θ2 20 1 . . Бiномiальнi розподiли Знайдемо генератриси в. Геометричний розподiл Знову розглянемо схему випробувань Бернуллi з P({У}) = θ. . ННУ. }.04 æ æ æ æ 0. ННУ.1. θ = æ æ æ æ æ æ æ 5 æ æ æ 10 1 4 15 20 n = 30. Тодi P(X = k) = θ(1 − θ)k−1 .4. легко обчислити моменти бiномiально розподiленої в.æ æ 0. Моменти X: θet (1 − (1 − θ)et )2 θet (1 + (1 − θ)et ) ′′ MX (t) = (1 − (1 − θ)et )3 ′ MX (t) = ′ ⇒ m1 = M X (0) = ⇒ m2 = 2+θ .в. θ ′′ µ2 = MX (0) = m2 − m21 = 1−θ .05 æ æ æ æ æ æ æ æ 5 æ æ 10 æ θ= æ æ æ æ 15 æ æ æ æ æ 20 5 1 2 æ æ æ æ æ 10 θ= æ 15 æ æ æ æ 1 4 Рис.10 æ 0.15 æ æ æ 0. µ2 = nθ(1 − θ). 3.15 0.14 æ 0. G′′X (t) = n(n − 1)θ2 (θt + 1 − θ)n−2 ⇒ m2 − m1 = G′′X (1) = n(n − 1)θ2 .02 æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ 15 20 25 30 æ 5 10 n = 30. 2.в. m2 = n(n − 1)θ2 + nθ. яка триває до здiйснення першого успiху. . CX (t) = ln MX (t) = n ln(θet + 1 − θ). Множина елементарних подiй Ω = {У. t Знаючи вигляд генератриси розподiлу GX (t). Визначимо в.08 æ æ 0. k=0 MX (t) = GX (e ) = (θet + 1 − θ)n . .в. θ = æ æ æ æ æ æ æ æ 25 30 1 2 Рис. 1 − (1 − θ)t CX (t) = ln MX (t) = t + ln θ − ln(1 − (1 − θ)et ). X: G′X (t) = nθ(θt + 1 − θ)n−1 ⇒ m1 = G′X (1) = nθ.20 0.12 æ æ æ 0. коли вiдбувся успiх.05 æ æ 0. 1 − (1 − θ)et θt .15 æ 0. 0. θ2 æ 20 .05 æ 0.10 æ 0.

k + 1. Як iнший пiдхiд до розподiлу Пуассона розглянемо послiдовнiсть бiномiальних розподiлiв з параметрами (n. .05 æ 0. æ æ 0. на якому вiдбувся k-й успiх. якi сталися протягом зазначеного промiжку часу. якщо λk . що середнє значення nθ є сталим i дорiвнює λ. 2.02 æ æ æ æ 0.10 0. θ = Рис. . θ = æ æ æ ææ æ 0. k = 0. . Розподiл Пуассона Цей розподiл моделює кiлькiсть подiй.02 æ æ æ æ æ 5 æ æ 10 æ æ æ æ æ æ æ 30 æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ æ 15 20 25 30 æ æ æ æ æ æ 5 10 15 λ=5 20 25 λ = 15 Рис.6. коли n → ∞ та θ → 0 одночасно так. 3.в. k! Цi ймовiрностi отримують з бiномiальних при n → ∞ та θ = nλ → 0: ( )k ( )n−k λ n(n − 1) . (n − k + 1) λk (1 − λ/n)n n! λ λk 1− = → e−λ .06 æ æ æ æ 0.2. а кiлькостi подiй. j = k.04 æ æ æ 0.04 æ æ æ æ 0.01 ææ æ æ æææ 30 ææææææ æ æ ææ æææ ææ 40 10 1 4 20 k = 10.в. ææ æ 0. Це правило передбачає.1. зi сталою iнтенсивнiстю. X має геометричний розподiл.04 æ æ æ 0.07 æ æ æ æ æ 0. що подiї здiйснюються окремо. . де k – натуральне число. коли подiї вiдбуваються одна за одною за певним правилом.5. при k = 1 в. В. Тодi розподiл X такий: k−1 k P(X = j) = Cj−1 θ (1 − θ)j−k . Вiд’ємний бiномiальний розподiл Цей розподiл є узагальненням геометричного.05 æ æ æ æ 0. k k (n − k)!k! n n n k! (1 − λ/n) k! P(X = k) = e−λ æ æ æ æ 0.03 æ 0. ′ ′ CX (t) = λet ⇒ m1 = CX (0) = λ. X має розподiл Пуассона з параметром λ > 0. є незалежними мiж собою. . .15 æ æ n → ∞. якi вiдбулися на неперетинних промiжках часу.01 æ 10 20 k = 4. X – номер того випробування.05 æ æ 0. Розподiли Пуассона Генератриси: GX (t) = EtX = ∞ ∑ = e−λ k=0 t MX (t) = GX (e ) = eλ(e Моменти X: t λk k t = e−λ eλt = eλ(t−1) .в. . .06 æ ææ 0.06 æ æ æ æ æ æ æ æ æ æ 0. Вiд’ємнi бiномiальнi розподiли 21 30 1 2 æææ ææææææ 40 . 1. ′′ ′′ CX (t) = λet ⇒ µ2 = CX (0) = λ.08 æ æ æ 0.02 æ æ 0. k! −1) CX (t) = ln MX (t) = λ(et − 1). θ).10 æ æ 0. . 0 < θ < 1.1. Зокрема.03 æ æ 0. Нехай в. 4. .

Γ(α) = (α − 1)Γ(α − 1) для α > 1 (тобто коли n – цiле число. b].b] . що в. Моменти: wb w∞ m1 = EX = xfX (x)dx = −∞ m2 = EX 2 = wb a x a x2 1 a+b dx = . Нехай в. . експоненцiйний та хi-квадрат) Сiм’я гамма-розподiлiв має два додатних параметри i є дуже гнучкою. b−a 3 µ2 = m2 − m21 = (b − a)2 . нiж для геометрично розподiленої в. k(1 − θ) . .в...в. Γ(α) 22 . Це можна пояснити тим. 1.2. плюс кiлькiсть додаткових випробувань до другого успiху.в. X визначено вище. √ Γ(1) = 1. θ2 ′ CX (t) = ′ ⇒ m1 = CX (0) = Математичне сподiвання та дисперсiя у k разiв бiльшi.1.в. та j P(Y = j) = Ck+j−1 θk (1 − θ)j . b−a 2 1 a2 + ab + b2 dx = . Рiвномiрний розподiл В. Щiльнiсть може набувати рiзної форми залежно вiд значень параметрiв i визначена на додатнiй пiвосi {x : x > 0}. де в. θ DY = DX = k(1 − θ) . що гамма-функцiю Γ(α) визначають для α > 0 таким чином: w∞ Γ(α) = y α−1 e−y dy. що позначається X ∼ U [a. Тодi Y = X − k. θ k tk . Y – це кiлькiсть невдач перед k-м успiхом. тобто 1 Ix∈[a.2. Розподiли абсолютно неперервних в.в. EY = EX − k = j = 0. якщо її щiльнiсть є сталою всерединi цього вiдрiзку та дорiвнює нулю поза ним. iз вiд’ємно бiномiальним розподiлом можна подати як суму k в. Моменти X: k 1 − (1 − θ)et k(1 − θ)et ′′ CX (t) = (1 − (1 − θ)et )2 k . iз геометричним розподiлом (кiлькiсть випробувань до першого успiху. x > 0.в. . Iнодi використовують iнше формулювання вiд’ємного бiномiального розподiлу. Нагадаємо спершу. X має рiвномiрний розподiл на вiдрiзку [a.2. θ k(1 − θ) ′′ ⇒ µ2 = CX (0) = . Гамма-розподiл (зокрема.. 2. θ2 2. b]. (2. . виконується умова рiвноймовiрностi значень. то Γ(n) = (n − 1)!) та Γ( 21 ) = π. 12 2.1) fX (x) = b−a Це означає. що ймовiрнiсть попадання величини в якусь множину всерединi вiдрiзка пропорцiйна довжинi цiєї множини (як iнтеграл вiд щiльностi) i не залежить вiд її положення. плюс кiлькiсть додаткових випробувань до k-го успiху).Генератриси: GX (t) = ∞ ∑ k−1 k Cj−1 θ (1 − θ)j−k tj = (θt)k j=k ( MX (t) = t θe 1 − (1 − θ)et ∞ ∑ k−1 Cj−1 (1 − θ)j−k tj−k = j=k )k . (1 − (1 − θ)t)k CX (t) = k(t + ln θ − ln (1 − (1 − θ)et )). 2. Таким чином. Щiльнiсть гамма-розподiлу з параметрами α та λ має вигляд λα α−1 −λx fX (x) = x e .2. 0 Зокрема.в. .

5 1 2 3 4 0. x > 0. m1 = 2. x > 0.2 0.6 1. (λ − t)α Моменти X: αλα (λ − t)α+1 α(α + 1)λα ′′ MX (t) = (λ − t)α+2 ′ MX (t) = ⇒ ⇒ α . використовуючи замiну y = (λ − t)x: ∞ w∞ α λα w α−1 −(λ−t)x tX tx λ α−1 −λx MX (t) = Ee = e x e dx x e dx = Γ(α) Γ(α) 0 α = λ Γ(α) w∞ y α−1 e−y 0 (λ − t) 0 α dx = α λ 1 Γ(α) (λ − t)α w∞ 0 y α−1 e−y dx = λα .2. визначених на Ω = (0. x > 0. FX (x) = λe−λt dt = 1 − e−λx .3 0.0 0.0 2.06 0.5 0.0 0.5 1. λ2 λ λ Спецiальний випадок 1: експоненцiйний (показниковий) розподiл – це гамма розподiл з параметром α = 1. 1). λ = 2 0. µ2 = 2ν.05 0.04 0. де ν – натуральне число. 2 2 Γ( 2 ) Моменти: m1 = ν.5 0. λ = 1 2 (ν = 1) Рис. 0 Моменти: 1 1 . 23 .0 α = 5. λ λ Експоненцiйний розподiл часто використовують як просту модель тривалостi життя певних типiв обладнання.0 4 5 6 α = 1. Функцiя розподiлу та щiльнiсть експоненцiйного розподiлу: wx fX (x) = λe−λx .8 2.02 0. λ = 4 1. та λ = 21 .0. Щiльностi гамма-розподiлу Обчислимо генератрису моментiв MX (t). Спецiальний випадок 2: хi-квадрат (χ2 ) розподiл з параметром ν “ступеней вiльностi” – це гамма розподiл з параметрами α = ν2 . λ2 ′ m1 = MX (0) = µ2 = m2 − m21 = α(α + 1) α2 α − 2 = 2. λ = 25 30 35 1 1 6 2 3 α = 12 .03 0.2 0.1 0.4 1.3.5 3. Щiльнiсть хi-квадрат розподiлу з ν ступеней вiльностi: n x 1 fX (x) = n n x 2 −1 e− 2 .4 0. λ α(α + 1) ′′ m2 = MX (0) = .5 2. Бета-розподiл Також є iншою досить гнучкою сiм’єю розподiлiв iз двома параметрами. 5.01 5 10 15 20 α = 2. µ2 = 2 .

5 1. гарним наближенням для рiзних iнших розподiлiв.5 0.4 0. β = 4 3. 2.0 0. якi зручним чином безпосередньо виражаються 24 . вiдiграє фундаментальну роль у теорiї та практицi статистики. на ньому ґрунтується велика кiлькiсть статистичних висновкiв. хi-квадрат. Нормальний розподiл N (µ.4 0.6 α = 21 .8 1. Γ(α + β + k) k! Моменти: α Γ(α + 1) Γ(α + β) = . зокрема. якi проводять на практицi у рiзного роду ситуацiях та. β) = xα−1 (1 − x)β−1 dx = 0 Γ(α)Γ(β) .4 0.0 0.2 2. 6. вiдомий за своєю симетричною дзвоноподiбною формою.0 α = 2.4 0.Нагадаємо спершу. оскiльки.0 0.5 1. по-перше.6 α = 2.2 0.0 1.4 0.8 1.8 1.4.5 0.6 1.2. β = 0. Γ(α)Γ(β) B(α + β) 0 < x < 1. є граничним для бiномiального.4 1. Стьюдента тощо).2 1 4 0.0 2.6 0. як визначають бета-функцiю B(α. β = 0. Γ(α) Γ(α + β + 2) (α + β)(α + β + 1) ′ m1 = M X (0) = µ2 = m2 − m21 = αβ . β): w1 B(α. Фiшера.0 2. є гарною моделлю для розподiлу вимiрювань.8 1. Γ(α + β) Щiльнiсть бета-розподiлу: fX (x) = Γ(α + β) α−1 1 x (1 − x)β−1 = xα−1 (1 − x)β−1 .0 0.5 0.6 α = 2. Γ(α) Γ(α + β + 1) α+β Γ(α + 2) Γ(α + β) α(α + 1) ′′ m2 = M X (0) = = . σ 2 ) має два параметри.2 0.8 1. по-друге. Нормальний (ґауссiвський) розподiл Цей розподiл.0 1.2 0.5 0. Нормальний розподiл використовують для побудови багатьох iнших розподiлiв (логнормальний.2 0.0 1. β = 3 2 3 2 Рис. (α + β)2 (α + β + 1) 2.5 1.0 0.0 0. Щiльностi бета-розподiлу Генератриса моментiв: MX (t) = tX Ee w1 = 0 = 1 ∞ Γ(α + β) α−1 Γ(α + β) w ∑ (tx)k α−1 β−1 e x (1 − x) dx = x (1 − x)β−1 dx Γ(α)Γ(β) Γ(α)Γ(β) k! tx 0 k=0 1 ∞ ∞ Γ(α + β) ∑ tk w α+k−1 Γ(α + β) ∑ tk Γ(α + k)Γ(β) x (1 − x)β−1 dx = Γ(α)Γ(β) k! Γ(α)Γ(β) k! Γ(α + k + β) k=0 = ∞ ∑ Γ(α + k) k=0 Γ(α) 0 k=0 k Γ(α + β) t .

то кажуть. X має логнормальний розподiл.02 0.03 0. σ = 2 µ = 0. −∞ < x < ∞.06 0. Розподiл симетричний вiдносно µ.15 0.04 0.1 0. що в.20 0.через середнє µ та стандартний вiдхил σ.2.20 0. а Y = ln X має нормальний розподiл. Щiльнiсть логнормального розподiлу: { } 1 (ln x − µ)2 √ exp − fX (x) = .01 5 10 15 20 5 10 µ = 25 . t2 σ 2 . 8. 2.10 0.07 0. 2 µ2 = C ′′ X(0) = σ 2 .05 2 -2 4 6 -8 -6 -4 2 -2 4 6 µ = −2. 2σ 2 σ 2π -6 -4 0. величину вимоги.15 0.4 0. X ∼ LN (µ.05 0.2 0. 7. знайдемо генератрису моментiв: { } { 2 } w∞ w∞ 1 (x − µ)2 1 x − 2(µ + tσ 2 )x + µ2 √ √ MX (t) = E exp{tX} = exp{tx} exp − dx = exp − dx 2σ 2 2σ 2 σ 2π σ 2π −∞ −∞ { } w∞ (x − µ − tσ 2 )2 + µ2 − (µ + tσ 2 )2 1 √ exp − = dx 2σ 2 σ 2π −∞ { } { } { } w∞ 2µtσ 2 + t2 σ 4 1 (x − µ − tσ 2 )2 t2 σ 2 √ = exp exp − dx = exp µt + 2σ 2 2σ 2 2 σ 2π −∞ та генератрису кумулянт CX (t) = µt + Моменти: ′ m1 = CX (0) = µ. σ 2 ). Щiльностi нормального розподiлу r +∞ √ Використовуючи iнтеграл Ойлера-Пуассона −∞ exp{−x2 }dx = π. наприклад. σ = 1 Рис.в. Щiльнiсть нормального розподiлу { } 1 (x − µ)2 fX (x) = √ exp − .3 0. Щiльностi логнормального розподiлу 25 15 1 2 20 . Логнормальний розподiл Якщо X вiдображає. 2σ 2 xσ 2π 0. σ = µ = 1.10 0. 0 < x < ∞.05 0.5. σ = 1 Рис.

X скiнченнi лише для k < a.6.6 1. математичне сподiвання i дисперсiю обчислимо безпосередньо: ) w∞ ( w∞ w∞ λ x 1 a a dx = aλ − dx m1 = EX = xfX (x)dx = aλ (λ + x)a+1 (λ + x)a (λ + x)a+1 0 0 0 ( −a+1 ) λ λλ−a λ a = aλ − = . Щiльностi розподiлу Парето Оскiльки моменти порядку k в.2 1. (λ + x)a+1 Тодi функцiя розподiлу X має вигляд ( FX (x) = 1 − λ λ+x 6 6 5 5 4 4 3 3 2 2 1 1 1.0 a = 52 . X має розподiл Вейбулла з параметрами c > 0. λ = 1. 1. X має розподiл Парето з параметрами a > 0.6 a = 2. як вiдповiднi коефiцiєнти при tk! : { } { } σ2 ′ ′′ m1 = MX (0) = exp µ + .0 1. γ > 0.в. 2.4 1. k! 2 2σ 2 k! 2 σ 2π −∞ k=0 k=0 k Звiдси отримуємо моменти. a > 2.в. . a > 2.8 2. якщо fX (x) = cγxγ−1 exp{−cxγ }.0 (2.y Генератрису моментiв обчислимо. якщо aλa fX (x) = .2.0 x > 0. 2 { } { } { }( { } ) µ2 = m2 − m21 = exp 2µ + 2σ 2 − exp 2µ + σ 2 = exp 2µ + σ 2 exp σ 2 − 1 . Розподiл Парето В. λ = 1 1 3 Рис.2 1.4 1.2.8 2. a−1 a a−1 ) w∞ w∞ w∞ ( x2 1 2λ λ2 a m2 = EX 2 = x2 fX (x)dx = aλa dx = aλ − + dx (λ + x)a+1 (λ + x)a−1 (λ + x)a (λ + x)a+1 0 0 0 ( −a+2 ) λ λλ−a+1 λ2 λ−a 2λ2 = aλa −2 + = . x > 0.7. a−2 a−1 a (a − 1)(a − 2) aλ2 µ2 = DX = m2 − m21 = . використовуючи замiну y = ln x та розклад ete у ряд Тейлора: { { } } w∞ w∞ 1 (ln x − µ)2 1 (y − µ)2 y MX (t) = E exp{tX} = exp{tx} √ exp − dx = √ exp{te } exp − dy 2σ 2 2σ 2 xσ 2π σ 2π −∞ 0 { { } } ∞ k ∞ k w∞ ∑ w∞ ∑ 1 t exp{ky} (y − µ)2 t (y − µ)2 − 2kσ 2 1 √ √ − = exp − dy = exp dy k! 2σ 2 k! σ 2π −∞ 2σ 2 σ 2π −∞ k=0 k=0 { } { } { } ∞ k ∞ k w∞ ∑ ∑ t t k2 σ2 1 (y − µ − kσ 2 )2 k2 σ2 √ = exp µk + exp − dy = exp µk + .2) )a . a > 1. 26 x > 0. λ > 0. m2 = MX (0) = exp 2µ + 2σ 2 . 1. (a − 1)2 (a − 2) 2. Розподiл Вейбулла В. 9.в.

1 0 1 2 3 4 5 6 1 2 3 4 5 6 7 γ = 8. 2. • випадок γ = 1 вiдповiдає експоненцiйному розподiлу. Y = y.в.4 0.2 0.в.4 0. X та Y .1. що розглянутий вище розподiл Парето – це розподiл. γ k=0 ( ( ) ( ( ))2 ) 2 µ2 = m2 − m21 = c− γ Γ 1 + 2γ −1 − Γ 1 + γ −1 .4 0.3.4 0. є промiжним мiж експоненцiйним та розподiлом Парето. Повертаючись до розподiлу Вейбулла.0 0. • при γ > 1 правий хвiст легший за експоненцiйний. У разi.1 0. Така гнучкiсть розподiлу Вейбулла дозволяє використовувати його для моделювання збиткiв (як правило. знайдемо генератрису моментiв: { ( )1 } w∞ w∞ y γ γ−1 γ MX (t) = E exp{tX} = exp{tx}cγx exp{−cx }dx = exp t exp{−y}dy c 0 0 ( ) ∞ ∞ k ( )k ∞ k ∞ k w∞ ∑ ∑ ∑ t y γ k t − γk w γk t − γk = exp{−y}dy = c y exp{−y}dy = c Γ 1+ . 10. 27 (2. функцiю w∞ fX (x) = fX|Y =y (x|y)fY (y)dy −∞ будемо називати сумiшшю щiльностi розподiлу fX|Y =y (x|y) по y вiдносно щiльностi fY (y). Щiльностi розподiлу Вейбулла γ Використовуючи замiну cx = y. c = 2 Рис. c = 1 1.2 1 2 3 γ = 2. c = 2−10 γ = 12 . маємо такi випадки: ( λ λ+x • якщо γ < 1. з γ < 1). Сумiшi розподiлiв Нехай заданий умовний розподiл в.3 0.в.3 0. c = 4 5 1 2 1 4 3 4 5 6 γ = 1.2 0. k! c k! k! γ 0 k=0 mk = M (k) 0 k=0 Моменти: k −γ (0) = c ( ) k Γ 1+ .6 0. a прямує до нуля як x−a i є значно “важчим”.3) −∞ будемо називати сумiшшю функцiї розподiлу FX|Y =y (x|y) по y вiдносно розподiлу FY (y). то виникає розподiл.2 0. Функцiю розподiлу w∞ FX (x) = FX|Y =y (x|y)dFY (y) (2. X при заданому значеннi в.4) . у певному розумiннi. нiж експоненцiйний. коли iснують вiдповiднi щiльностi в. у якого P(X > x) = exp{−λx}.0 0. у якого “правий хвiст” P(X > x) = )Зауважимо.8 0.8 0. який.6 0.

якi розподiленi за експоненцiйним законом.2. а одержаний розподiл збиткiв як сумiш розподiлiв. Розв’язання. що для кожного окремого полiса збитки розподiленi за експоненцiйним законом зi своїм значенням параметра λ. X. розподiл X має наступний вигляд: ∞ ∞ ∑ λj k −µ µj λk ∑ −λ j j k P(X = k) = e−λj e = e−µ (µe ) k! j! k! j=0 j! j=0 −λ = e−µ+µe ∞ k −λ −λ λ mk (µe ) λk ∑ k −µe−λ (µe−λ )j = e−µ+µe . вiдповiдно. що значення параметра λ експоненцiйних розподiлiв у межах портфелю самi є реалiзацiєю деякої в. x > 0. Отже. Γ(α) Знайти пуассонiвськи-змiшаний розподiл в.3.3) FX|Y =y (x|y) – розподiл Пуассона з параметром λy. Зрозумiло. 2. як розподiл Неймана типу А. що кожен окремий полiс iз великого страхового портфеля призводить до збиткiв.2. . Тобто модель портфелю передбачає. 2.3. тобто зi щiльнiстю y α α−1 −yx fX|Y =y (x|y) = x e . при α = 1 fX|Y =y (x|y) є щiльнiстю експоненцiйного розподiлу з параметром y. x > 0. (2.3. Зокрема. трактуючи його як “змiшувальний”. k ≥ 0. що в (2.1. Якщо FY (y) – розподiл Пуассона. Розв’язання. щiльнiстю δ α α−1 −δν fλ (ν) = ν e . . y e Γ(α) y! Γ(α) y=0 де mα (λ) – α-ий момент розподiлу Пуассона з параметром λ > 0. Тодi спiввiдношення (2. Очевидно. а FY (y) – функцiя розподiлу Пуассона з параметром µ. Прикладом узагальненого пуассонiвського розподiлу є складний пуассонiвський розподiл. Припустимо. За формулою повної ймовiрностi для x > 0 ∞ ∞ ∑ xα−1 −λ ∑ α −yx λy y α α−1 −yx −λ λy fX (x) = x e e = e y e Γ(α) y! Γ(α) y! y=0 y=0 ∞ = xα−1 −λ+λe−x ∑ α −λe−x (λe−x )y xα−1 e = exp{−λ + λe−x }mα (λe−x ).  Приклад 2. . то розподiл FX (x) називають пуассонiвськи-змiшаним.в.3.5) називають узагальненими пуассонiвськими. Обчислимо щiльнiсть розподiлу X. що у бiльшостi страхових портфелiв середнє значення збиткiв є рiзним для рiзних застрахованих осiб. а отримана функцiя є щiльнiстю розподiлу Ґумбеля (розподiлу екстремальних значень типу III): fX (x) = λ exp{λ − x + e−x }.5) Розподiли вигляду (2. де G∗k (x) – k-кратна згортка функцiї G(x) з собою: G∗k (x) = G ∗ Gk−1 (x). ν > 0. Приклад 2. Сумiшi пуассонiвських розподiлiв Якщо FX|Y =y (x|y) – розподiл Пуассона з параметром y. j e k! j=0 j! k! де mk (λ) – k-ий момент розподiлу Пуассона з параметром λ > 0. властивостi якого ми вивчатимемо у наступному роздiлi. припустимо. що в (2. Припустимо.3) FX|Y =y (x|y) – гамма-розподiл з параметрами y та α > 0.в. λ > 0 – деяка стала. 1. для k = 0. то розподiл FX (x) називають змiшаним пуассонiвським.3) набуває вигляду FX (x) = e−λ ∞ ∑ λk k=0 k! G∗k (x). Тодi маргiнальну щiльнiсть розподiлу X можна отримати через сумiсну та умовну 28 . X.1.в. Γ(α) У такiй задачi моделювання величини збиткiв X для всього портфелю гамма-розподiл використовують для усереднення експоненцiйних розподiлiв.2. Як адекватний пiдхiд до вiдображення мiнливостi у середнiх значеннях збиткiв виступає припущення. Отриманий закон вiдомий. Розподiл Парето як сумiш експоненцiйних розподiлiв Припустимо. G∗0 (x) – функцiя розподiлу з одиничним стрибком в нулi. який є одним iз найпростiших для моделювання збиткiв. що мiнливiсть параметра λ можна зобразити за допомогою гамма-розподiлу з параметрами α та δ i.  Нехай FX|Y =y (x|y) = G∗y (x) для деякої функцiї розподiлу G(x). Знайти розподiл в.

. Треба зазначити. . X вiдносно параметричної сiм’ї розподiлiв Fθ та. як методи моментiв. . Для довiльного k маргiнальна щiльнiсть величини збиткiв X дорiвнює w∞ w∞ w∞ δ α ν k k−1 −νx fX (x) = fX. Тому точно чи наближено визначити значення θ за спостереженнями x вибiрки X означає. X та λ: w∞ w∞ fX. ν)dν = fλ (ν)fX|λ=ν (x|ν)dν fX (x) = 0 0 = ∞ w∞ δ α δ α w α −(δ+x)ν δ α Γ(α + 1) αδ α ν α−1 e−δν νe−νx dν = ν e dν = = .в.6) . що надавало б яку-небудь iнформацiю щодо θ. що для одного й того самого параметра θ можна запропонувати багато оцiнок. а T (X) = T (X1 . xn ) вибiрки X. Це випливає з перетворень ˆ 2 = Eθ |(θ−Eθ θ)+(E ˆ ˆ ˆ 2 ˆ ˆ2 ˆ ˆ ˆ ˆ2 ˆ ˆ2 Eθ |θ−θ| θ θ−θ)| = Eθ (θ−Eθ θ) +2Eθ (θ−Eθ θ)(Eθ θ−θ)+Eθ (θ−Eθ θ) = Dθ θ+Eθ (θ−Eθ θ) .щiльностi в. .3. d ≥ 1.в. що у випадку. Борелеву функцiю T : Rn 7→ Θ називають статистикою. ми не маємо нiчого.3. ν)dν = fλ (ν)fX|λ=ν (x|ν)dν = ν α−1 e−δν x e dν Γ(α) Γ(k) 0 0 α k−1 = δ x Γ(α)Γ(k) w∞ 0 ν α+k−1 e−(δ+x)ν e−νx dν = 0 xk−1 δ Γ(α + k) . а тому є в. коли k – цiле). у свою чергу. Випадок k = 1 зводиться до розглянутого вище. Точковi оцiнки Випадковий вектор X = (X1 . . . Кiлькiсно мiру похибки вiд замiни θ на θˆ (мiру розсiювання θˆ вiдносно θ) описують за допомогою величини ˆ 2.в. θd невiдомi. що T (x) точно чи хоча б наближено дорiвнює θ. тобто θˆ = T (X). Отримана функцiя є щiльнiстю узагальненого розподiлу Парето. Але спершу наведемо деякi прийнятi у математичнiй статистицi визначення. в.р. з параметрами α. а λ має гамма-розподiл з параметрами α та δ. Xn . Зауважимо. якщо Eθ θˆ = θ. Цей результат можна узагальнити. . тобто задати функцiю T (·) зi значеннями в Θ – множинi можливих значень параметра θ – таку. що реалiзацiї x вибiрки X треба поставити у вiдповiднiсть значення θ.λ (x. . . утворену послiдовнiстю н.λ (x. χ2 -критерiю. 2.4. .в.4. Xn ) – борелеву функцiю вiд вибiрки зi значеннями в Θ – оцiнкою. Для оцiнювання невiдомого значення параметра θ єдине. δ. . R Серед усiх оцiнок з однiєю й тiєю самою дисперсiєю Dθ θˆ мiнiмальну мiру розсiювання вiдносно θ мають оцiнки. 2. 29 (2.в. . . маргiнальний розподiл величини збиткiв є розподiлом Парето. Γ(α)Γ(k) (δ + x)α+k α x > 0. називають повторною або n-кратною вибiркою з розподiлу F . для яких Eθ θˆ = θ. . що вiдомо i що можна використати. Xn ) зi значеннями в просторi Rn називають вибiркою. θd ) ∈ Rd . Узагальнений розподiл Парето як сумiш розподiлiв Ерланґа У попередньому параграфi ми бачили.1. що розподiл позовiв належить певнiй параметричнiй сiм’ї розподiлiв Fθ (x). Статистичне оцiнювання параметрiв розподiлу На практицi точний розподiл величини позовiв (чи їх кiлькостi) рiдко буває вiдомим. що збитки мають розподiл Ерланґа (гамма-розподiл з параметрами k та λ. . . Eθ |θ − θ| де познака Eθ X означає математичне сподiвання в. . . є гамма-розподiленою в. α+1 Γ(α) Γ(α) Γ(α) (δ + x) (δ + x)α+1 0 x > 0. як функцiя вiд вибiрки X. . Крiм реалiзацiї x. наприклад. є спостереженi значення x = (x1 . θ = (θ1 . Вибiрку. вiдповiдно. що для кожної реалiзацiї x вибiрки X значення θˆ буде своє. припустивши. але значення параметрiв θ1 . . . Опишемо коротко такi основнi методи оцiнювання. . використовуючи прийнятний статистичний метод. Припустимо. Узгодженiсть з вибраним розподiлом формально може бути перевiрена за допомогою статистичних тестiв. є функцiєю вiд θ: w Eθ X = xdFθ (x). Оцiнку θˆ називають незмiщеною оцiнкою параметра θ. 0 у якiй можна впiзнати щiльнiсть розподiлу Парето з параметрами α та δ. . який. . коли збитки мають експоненцiйний розподiл з параметром λ. Тодi їх треба оцiнити за вiдомими величинами позовiв. Значення θˆ = T (x) надалi й будемо використовувати як θ. Згiдно з постановкою задачi оцiнювання параметрiв розподiлiв як задачi одержання наближених знаˆ вiд замiни чень θˆ = T (X) для θ треба вмiти вiдповiдати на запитання: наскiльки великою є похибка |θ − θ| ˆ справжнього значення параметра θ на оцiнене θ. кожна з яких має розподiл F . X1 . 2. максимальної вiрогiдностi та квантилiв.о.

. Послiдовнiсть оцiнок θˆn називають конзистентною послiдовнiстю оцiнок параметра θ. .9) fθˆ1 (x) = За вiдомою щiльнiстю (2. чи оцiнка θˆ1 є конзистентною оцiнкою параметра b. заданого на вiдрiзку [a. а послiдовнiсть оцiнок θˆn = Tn (X). побудовану за вибiркою X = (X1 . fθ (x) = 0. . . θˆ4 . Xn } ≥ x) = 1 − P(Xi ≥ x) = 1 − (1 − Fθ (x)) . ∞) = fθˆ1 (x)dx + fθˆ1 (x)dx −∞ b−ε w = b−ε w fθˆ1 (x)dx = a a b+ε ( )n ε n(x − a)n−1 dx = 1 − → 0. чи буде θˆ1 збiгатися за ймовiрнiстю до b. де значення параметрiв a та b невiдомi. n i=1 n θˆ1 = max{X1 . x > b. . a ≤ x ≤ b. . (2. Розглянемо кожну з оцiнок θˆ1 . . Функцiя розподiлу кожного зi спостережень Xi . . x−a . b]. За умовою. . .. спостереження X1 . . . θˆ2 = min{X1 . Xn } дослiджується аналогiчно попереднiй. . Xn < x) = P(Xi < x) = (Fθ (x)) i=1 та d n−1 F ˆ (x) = nfθ (x) (Fθ (x)) . Xn ) – повторна вибiрка з рiвномiрного розподiлу. . b) та має вигляд { 0. a < x ≤ b. Xn ). . i = 1. . . . Fθ (x) = b−a 1. . . залежить вiд невiдомих значень пари параметрiв θ = (a. . . . n → ∞. Xn } < x) = P(X1 < x. n = 1.4. (2. { 1 b−a . . . .10) Отже.8) Приклад 2. x ≤ a. (b − a)n b−a n → ∞. θˆ1 є конзистентною оцiнкою параметра b. кожна з яких розподiлена рiвномiрно на [a. . Тому n ( ) ∏ n ˆ Fθˆ1 (x) = P θ1 < x = P(max{X1 . Xn−1 + Xn θˆ4 = 2 та яких параметрiв є i) незмiщеними. b]. Якi з оцiнок 1∑ θˆ3 = Xi . . ii) конзистентними оцiнками? Розв’язання. . dx θ1 де fθ (x) – щiльнiсть рiвномiрного на [a. якщо для довiльного ε > 0 P(|θˆn − θ| > ε) → 0. 1) Знайдемо функцiю розподiлу Fθˆ1 (x) та щiльнiсть fθˆ1 (x) оцiнки θˆ1 . . n → ∞. . З’ясуємо. Для довiльного достатньо малого ε > 0 розглянемо ( ) P |θˆ1 − b| > ε = ( ) b−ε w w∞ P θˆ1 ∈ (−∞. . Її функцiя розподiлу має вигляд n ∏ n Fθˆ2 (x) = P(min{X1 . . У цьому разi природно говорити про асимптотичну поведiнку послiдовностi оцiнок θˆn . .1. Xn }. . . . Xn – незалежнi в. Отже. . . i=1 30 .7) ˆ Послiдовнiсть оцiнок θ n називають асимптотично незмiщеною послiдовнiстю оцiнок параметра θ. . . Xn } < x) = 1 − P(min{X1 . 2. . b − ε) ∪ (b + ε.9) знайдемо математичне сподiвання оцiнки θˆ1 : Eθ θˆ1 = w∞ −∞ xfθˆ1 (x)dx = wb n(x − a)n−1 n 1 x dx = b+ a → b. . . Нехай X = (X1 . n.в. . (2. . . Для цього перевiримо. 2) Оцiнка θˆ2 = min{X1 . n (b − a) n+1 n+1 a n → ∞.Часто можна розглядати не одну оцiнку θˆ = T (X). b] розподiлу. оцiнка θˆ1 не є незмiщеною оцiнкою жодного з параметрiв a та b. . . x∈ / [a. (2. 2. Xn }. якщо для довiльного ε > 0 Eθ θˆn → θ. . b]. . але вона є асимптотично незмiщеною оцiнкою параметра b.

b]. Отже.а щiльнiсть дорiвнює fθˆ2 (x) = Звiдси Eθ θˆ2 = d n(b − x)n−1 Fθˆ2 (x) = I{x∈[a. тобто θˆ2 не є незмiщеною оцiнкою жодного з параметрiв a та b. тобто Eθ θ3 = 2 = m1 . а значить. що θˆ4 збiгається за ймовiрнiстю до деякої сталої c ∈ [a. n ∑ Xi : 3) Обчислимо математичне сподiвання оцiнки θˆ3 = n1 i=1 1 Eθ θˆ3 = E n n ∑ Xi = i=1 1 n n ∑ EXi = i=1 a+b .  2. . θˆd . n ∑ Далi. . θˆ4 є незмiщеною оцiнкою параметра m1 = a+b 2 . . Зокрема. то їхнє математичне сподiвання m1 a+b ˆ ˆ дорiвнює a+b 2 . b] . θˆd ) = m1 (θ) w xdFθˆ (x). тобто θˆ3 є конзиi=1 стентною оцiнкою параметра m1 . .в. R другий вибiрковий момент 1∑ 2 X n i=1 i n m ˆ2 = 31 . Метод моментiв Першим загальним методом побудови оцiнок невiдомих параметрiв за вибiркою був метод моментiв. але є асимптотично незмiщеною оцiнкою параметра a. n+1 n+1 n → ∞.4. оскiльки щiльнiстю розподiлу в. . Справдi.   0. коли x ∈ [ a+b . . коли n → ∞. . . показуємо. dx (b − a)n w∞ −∞ xfθˆ2 (x)dx = 1 n b+ a → a.2. b]. 4) Обчислимо математичне сподiвання оцiнки θˆ4 = Xn−1 +Xn : 2 Xn−1 + Xn a+b Eθ θˆ4 = E = . (b−a) 2 I якщо припустити. . 2 2 Отже. θ3 не є незмiщеною оцiнкою жодного з параметрiв a та b. . b]. fθˆ4 (x) = (b−a)2 . запропонований Карлом Пiрсоном. Як i в (2. θd . Xi – рiвномiрно розподiленi на вiдрiзку [a. коли x ∈ a. що дорiвнюють вiдповiдно θˆ1 . [ a+b ] 4(x−a) . що θˆ2 є конзистентною оцiнкою параметра a.11) m ˆk = n i=1 i прирiвнюють до вiдповiдних теоретичних моментiв w mk (θ) = mk (θ1 . . то  коли x ∈ / [a. обчислених за значеннями параметрiв θ1 . 2   4(b−x)2 .в. перший вибiрковий момент n 1∑ m ˆ1 = Xi n i=1 прирiвнюють до першого теоретичного моменту ˆ = m1 (θˆ1 . ˆ Оцiнка θ4 не збiгається за ймовiрнiстю до жодного параметра. не прямує до нуля. θˆ4 є згортка щiльностей 12 fθ ∗ fθ (x).12) R розподiлу Fθ (x). . 2 Оскiльки в. згiдно iз законом великих чисел θˆ3 = n1 Xi збiгається до Eθ θˆ3 = m1 . але θˆ3 є незмiщеною оцiнкою параметра m1 = a+b 2 . . . . θd ) = xk dFθ (x) (2. то для кожного досить малого ε > 0 вираз ( ) w P |θˆ4 − c| > ε = fθˆ4 (x)dx {x : |x−c|>ε} не залежить вiд n та є сталим.10). .b]} . Згiдно з цим методом певну кiлькiсть вибiркових моментiв n 1∑ k X (2.

Метод максимальної вiрогiдностi Досить простий метод утворення оцiнок невiдомого параметра запропонував Р. Нехай X = (X1 . . . Xn ) – повторна вибiрка iз генеральної сукупностi з функцiєю розподiлу Fθ (x) та щiльнiстю розподiлу fθ (x). . fθ (xn ) (2. . 2 2n n i=1 i=1 i=1 Оскiльки 32 .в.13) називають функцiєю вiрогiдностi. Xn = xn досягає свого максимуму в тiй самiй точцi. θˆd .2.3. Функцiю L = L(θ.4. θˆd ) = m2 (θ) w x2 dFθˆ (x) R i так далi. . то ОМВ параметрiв θ1 та θ22 мають вигляд 1∑ ln xi . що дорiвнює кiлькостi невiдомих параметрiв. одержують таку саму кiлькiсть рiвнянь для визначення невiдомих параметрiв: ˆ m ˆ 1 = m1 (θ). . Фiшер. . . Розв’язуючи цi рiвняння вiдносно θˆ1 . . Якщо функцiя a(θ) : Θ → Q ⊆ Rd є взаємно однозначною. . . Часто функцiя L досягає максимуму у внутрiшнiй точцi множини Θ i є диференцiйованою. θ ∈ Θ. якi набувають значення в множинi {x1 . Оскiльки функцiя ln L при даних значеннях вибiрки X1 = x1 . m ˆ2 m ˆd ˆ = m2 (θ). . . . Для дискретних в. 2 то оцiнки максимальної вiрогiдностi математичного сподiвання m1 та дисперсiї µ2 логнормального закону згiдно з принципом iнварiантностi мають вигляд ( n ) n1 n n 2 ∏ θˆ2n 1 ∑ 1∑ ˆ m ˆ 1n = exp{θ1n + }= exp{ xi (ln xi − ln xi )2 }. DX = µ2 = m21 (exp{θ22 } − 1). . . . Приклад 2. . . Нехай X = (X1 .4.4. Зауваження 2.1. . n i=1 n 2 ˆ2n θ = } { θ2 EX1 = m1 = exp θ1 + 2 . Розглядаючи кiлькiсть моментiв. при якому ймовiрнiсть спостерiгати цi данi максимальна. то a ˆn = a(θˆn ) буде ОМВ для a(θ). 2. для яких матриця ( 2 ) ∂ ln L ∂θi ∂θj буде вiд’ємно визначеною.– до другого теоретичного моменту ˆ = m2 (θˆ1 . що в експериментi спостерiгають тi данi. . . при якому функцiя вiрогiдностi L набуває найбiльшого значення. . якi треба оцiнити. У такому випадку до виписаних рiвнянь додають наступнi так. . то для знаходження оцiнки максимальної вiрогiдностi можна розв’язати рiвняння вiрогiдностi ∂ ln L =0 ∂θ та вибрати серед коренiв такi. припустивши. . щоб кiлькiсть рiвнянь дорiвнювала кiлькостi невiдомих параметрiв. ОМВ є асимптотично незмiщеною та конзистентною. Оскiльки ln Xi ∼ N (θ1 . якi вiдповiдають параметру. x) = fθ (x1 ) . fθ (xn ). xn } з розподiлами fθ (x) = P (Xi = x).. Деякi з теоретичних моментiв можуть не залежати вiд невiдомих параметрiв. . xn ) – спостереженi значення вибiрки X. Метод моментiв можна застосовувати лише тодi. На практицi вiн зводиться до порiвняно простих обчислень. . n i=1 n ˆ θ 1n = 1∑ (ln xi − θˆ1n )2 . а ˆθn – ОМВ параметра θ ∈ Θ. знаходять шуканi оцiнки. Оцiнкою максимальної вiрогiдностi параметра θ ∈ Θ називають значення параметра. . . що й функцiя L. . коли iснують усi перелiченi моменти. θ22 ). . а x = (x1 .. функцiя вiрогiдностi має вигляд L = L(θ. Xn ) – повторна вибiрка з логнормального розподiлу LN (θ1 . Цей простий принцип утворення оцiнок максимальної вiрогiдностi функцiй вiд параметрiв називають принципом iнварiантностi. . . ˆ = md (θ). x) = fθ (x1 ) . θ22 ). .

де в. ii) Обчислiть дисперсiю S. Сумарну величину позовiв S за портфелем моделюють як складний розподiл S = X1 + X2 + · · · + XN . Y . Вправа 2. має такий вигляд: P(N = 0) = 0. а X має середнє 20 й дисперсiю 10. що кiлькiсть позовiв N .6.в.р. Нехай MX (t) позначає генератрису моментiв Xi . Вважають. що величина кожного позову X (в £1000) має експоненцiйний розподiл з параметром λ незалежно вiд величин iнших позовiв та кiлькостi позовiв. причому вони не залежать вiд кiлькостi позовiв. 1000). Припускають. що генератриса кумулянт S має вигляд CS (t) = λ(MX (t) − 1). якi виникають у групi полiсiв протягом року. має вiд’ємний бiномiальний розподiл другого типу з середнiм EN = k(1−p) та дисперсiєю DN = k(1−p) p p2 .5. 800) розподiлом. 15. що виникають у деякiй групi полiсiв протягом року. Вправа 2. Розглянемо двi в. N – кiлькiсть позовiв – має розподiл Пуассона з середнiм λ. 0 < y < 1. P(N = 3) = 0. що й N вище. i нехай N незалежно моделюють за допомогою розподiлу Пуассона з параметром 20. Y має гамма-розподiл iз параметрами (a.3. Обчислiть математичне сподiвання та стандартний вiдхил сумарної величини позовiв S = X1 + X2 + · · · + XN . iii) (a) Обчислiть умовне математичне сподiвання E(Y |X = x) як функцiю вiд x та звiдси отримайте EY . i) Покажiть. Кiлькiсть позовiв X. що умовна щiльнiсть Y за умови X = x дорiвнює fY |X=x (y|x) = 2 1−xy 2−x . якi виникають за деяким бiзнес-портфелем. що X має розподiл Пуассона з середнiм Y . незалежно моделюють як гамма-розподiлену в. що умовний розподiл X за умови. тобто з таким самим середнiм. i) Покажiть. що й X вище. Вправа 2. X та Y iз сумiсною щiльнiстю розподiлу fX. в £100. Вправа 2. P(N = 1) = 0. Знайдiть вирази для безумовних моментiв EX та EX 2 . що виникне за цi шiсть мiсяцiв.в. Обчислiть очiкуване середнє значення та стандартний вiдхил сумарної величини позовiв за один рiк. моделюють як пуассонiвську в. Загальне число позовiв. Також вважають. p = 0. а X має гамма-розподiл iз параметрами α = 2 та λ = 4. 0 < x < 1. Вправа 2. що кожну в. Нехай N позначає кiлькiсть позовiв. iii) Пояснiть вiдмiннiсть мiж умовним математичним сподiванням X за умовою X < 800 та математичним сподiванням Y . 1 незалежно вiд величин iнших позовiв та кiлькостi.в. 0 < y < 1. Нехай S є сумарною величиною позовiв за перiод 5 рокiв для k = 2. Y . Величину кожного позову.в.Y (x. Ймовiрнiсний розподiл загальної кiлькостi позовiв N . 8 та λ = 2. має розподiл Пуассона з середнiм 12.в. що N має розподiл Пуассона з параметром µ = 0. ii) Обчислiть математичне сподiвання та стандартний вiдхил S за нових припущень. в. а Xi дорiвнює величинi i-го позову. Вправа 2. 33 .7. як мiнiмум iз X та 800. 5. До кiнця поточного фiнансового року ще 6 мiсяцiв.в. b). Величини позовiв незалежнi мiж собою та мають експоненцiйний розподiл iз середнiм £80. залежить вiд iншої в. з параметрами α = 4 та λ = 15 . Визначимо в. Xi моделюють за допомогою нормального розподiлу з середнiм £10 000 та стандартним вiдхилом £2 000.о. i) Визначити маргiнальнi щiльностi розподiлiв X та Y . Припускають. P(N = 2) = 0.1. Припустимо. та незалежнi вiд N . Xi – величина i-го позову. та Xi – н. Припустимо тепер. що лишились. є рiвномiрним на (0. коли λ = 20. Задачi Вправа 2.4. 2. Величина кожного позову X (в £1000) має гамма-розподiл з параметрами α = 2 та λ = 0. Вправа 2.2.в. i) Обчислiть математичне сподiвання та стандартний вiдхил S. обчисливши EY безпосередньо через маргiнальну щiльнiсть розподiлу Y .( µ ˆ2n = m ˆ 21n exp { 1∑ 1∑ (ln xi − ln xi )2 n i=1 n i=1 n n } ) −1 . Обчислiть математичне сподiвання та стандартний вiдхил сумарної величини позовiв. (b) Перевiрте вiдповiдь в (a). Нехай в.в. 05. 7. Число позовiв. використовуючи вiдповiднi умовнi моменти.9. y) = 43 (1 − xy).в. X має рiвномiрний розподiл на (0.5. 1.8. використовуючи умовне математичне сподiвання. що надходять протягом п’ятирiчного перiоду вiд вказаного полiсу.в. ii) Показати. Обчислiть середнє значення та стандартний вiдхил сумарної величини позовiв. з середнiм 10. тобто з таким самим середнiм. що сама в. якi виникають у групi полiсiв протягом року. що X < 800. Вправа 2. ii) Обчислити математичне сподiвання Y . якi виникають за кожним полiсом iз деякого портфелю.

що надiйшли до офiсу.10. iнакше його вiдхиляють. Обчислiть безумовну дисперсiю DX. Повторну випадкову вибiрку розмiру n взяли з розподiлу зi щiльнiстю f (x) = де α > 0 – невiдомий параметр.12. X та Y пов’язанi таким чином: в. що закон розподiлу Y має вигляд P(Y = y) = θy e−θ . Вправа 2. . 58. . . ii) У вибiрцi з n незалежних позовiв. x > 0. −0. . (b) вiдхилено на другому етапi. 92 та 0. −0. В. Актуарiй порадив застосовувати наступну щiльнiсть розподiлу величини позовiв як модель для { x} x2 певного типу позовiв: f (x. Вправа 2. X2 . Y має розподiл Пуассона з параметром θ. . . Вправа 2. N описує кiлькiсть позовiв. то вiн проходить перший етап фiльтрування з iмовiрнiстю θ. Вправа 2. Нехай X = (X1 . Припустимо.iii) Порiвняйте два набори вiдповiдей у (i) та (ii). S.в. . x2 було вiдхилено на другому етапi та x3 пройшли обидва етапи (x1 + x2 + x3 = n). i) Зазначте тип розподiлу в.в.15.в. N.в. ii) Знайти EY .в. Розподiл Y є логнормальним з параметрами µ та σ 2 . .13. але накладено обмеження на те. θ) = 2θ . . незалежнi мiж собою. як розв’язок такого рiвняння: −θ ¯ − θ − θe X = 0. Величина Xi кожного позову нормально розподiлена з середнiм µ = 1000 та дисперсiєю σ 2 = 2002 . 100) в. де θ – невiдоме додатне число. 34 . i) Побудуйте ескiз графiка функцiї вiрогiдностi L(X. θ) вiдносно θ для цiєї вибiрки. X має розподiл Пуассона з середнiм Y .87. . коли α > 1. що позов буде: (a) вiдхилено на першому етапi. Якщо позов пройшов перший етап. Знайдiть оцiнку максимальної вiрогiдностi параметра θ та покажiть. x > 0. Зроблена вибiрка розмiру 5 дала такi значення: 0. Xn ) є повторною випадковою вибiркою з рiвномiрного розподiлу на iнтервалi [−θ. В. Y є нормально розподiленою N (200.в. Покажiть. Вправа 2. де Y сама є в.11. . ii) Визначте оцiнку методом моментiв параметра α. . Припустимо. Вправа 2. ii) Нехай X = (X1 . якi надходять до страховика протягом одного мiсяця вiд одного з його портфелiв. Нехай в. Вправа 2. що оцiнку максимальної вiрогiдностi параметра θ можна визначити. . . i) Записати ймовiрностi того. ii) Вкажiть значення оцiнки максимальної вiрогiдностi θ. 43. Вправа 2. . Знайти оцiнку максимальної вiрогiдностi параметра θ. В. Сумарна величина позовiв за один мiсяць дорiвнює S = X1 + · · · + XN . Коли новий позов надходить до офiсу. . θ > 0. y 2 ). θ]. y!(1 − e−θ ) y = 1. що в. використовуючи вiдповiднi умовнi моменти. то вiн незалежним чином проходить другий етап фiльтрування з такими самими ймовiрностями проходження далi чи вiдхилення. EX 2 та EX 3 . iii) Нехай X = (X1 . . α (1+x)α+1 . Xn ) – повторна випадкова вибiрка iз n величин позовiв. X за умови Y = y має нормальний розподiл N (2y. що N має розподiл Пуассона з EN = 50. (c) прийнято на обох етапах. .16. 0.в.в. 1 − e−θ причому оцiнка максимальної вiрогiдностi спiвпадає з оцiнкою методом моментiв.в. що вона є незмiщеною. ii) Обчислiть математичне сподiвання та стандартний вiдхил S. x1 було вiдхилено на першому етапi. У цьому разi розподiл Y називають усiченим в нулi розподiлом Пуассона. 2. Xn ) є повторною випадковою вибiркою з усiченого в нулi розподiлу Пуассона. Отримайте вирази для безумовного математичного сподiвання EX та дисперсiї DX. i) Обчислiть EX.14.17. i) Покажiть. що нульова кiлькiсть подiй не може вiдбутися.12. 3 exp − θ i) Обчислiть EX. X1 .

якi виникли за певний короткий промiжок часу у деякому страховому портфелi. • {S < x та N = n}. надiйшли два позови. XN . що означає вiдсутнiсть позовiв. 0∗ F (x) = 1. i=1 Отже. та N не залежить вiд {Xi }i≥1 . E(S|N ) = N m1 . тобто надiйшов один позов. S та Xi вiдповiдно. тобто F (0) = P(Xj < 0) = 0. {S < x} = ∞ ∪ {S < x. Для зручностi часто припускатимемо iснування щiльностi у F (x). що загальний вираз для функцiї розподiлу S отримано. а тому P(S < x|N = n) = F n∗ (x). . що величина позовiв не може бути вiд’ємною. Розподiл сумарної величини виплат за портфелем та його характеристики Розглянемо сумарну величину S позовiв X1 . x > 0. S використаємо властивостi умовних математичних сподiвань.в.в. . . −∞ Зауважимо. S.р. N = n) = n=0 ∞ ∑ P(S < x|N = n)P(N = n) = n=0 ∞ ∑ F n∗ (x)P(N = n). Функцiя розподiлу Розглянемо подiю {S < x} для довiльного x ≥ 0. . що { 0. сумарна величина яких менша x. величина якого менша x. якщо вiдбувається лише одна з таких несумiсних подiй: • {S < x та N = 0}. математичного сподiвання. щоб визначити ES. N та Xi . зокрема S = 0. . .в. Отримаємо загальнi формули для функцiї розподiлу. яку позначатимемо f (x). • розподiл величини iндивiдуальних позовiв не змiнюється протягом термiну дiї полiса. n=0 тому G(x) = P(S < x) = ∞ ∑ P(S < x. де Xi – н.в. Тобто S = X1 + · · · + XN .о. Вона має мiсце.в. • на величину окремого позову нiяк не впливають величини iнших позовiв. Будемо припускати. Модель колективного ризику 3. вважатимемо. Моменти Для знаходження моментiв в.1. не використовуючи жодних припущень щодо розподiлiв в. Можна показати. {Xi }ni=1 . n=0 оскiльки при N = n сумарнi виплати S є сумою фiксованої кiлькостi n в. використаємо формулу повного математичного сподiвання ES = E(E(S|N )). • {S < x та N = 1}.1. . коли N = 0. Нехай також mk = EXik та µk = E(Xi − m1 )k – вiдповiдно k-й нецентральний та центральний моменти Xi . Тодi G(x) = P(S < x) та F (x) = P(Xi < x). що: • кiлькiсть позовiв не впливає на величини iндивiдуальних позовiв. 35 . Зокрема.в. та F n∗ (x) = w∞ F (n−1)∗ (x − y)dF (y).в. Позначимо через G(x) та F (x) функцiї розподiлу в. дисперсiї та генератриси моментiв в.Роздiл 3 Моделi ризику 3.1.. x ≤ 0.. Пiдрахуємо спочатку n ∑ E(S|N = n) = EXi = nm1 . . 1 ≤ i ≤ N . • {S < x та N = 2}. Отже. сумарна величина яких менша x. N = n}. де F n∗ (x) є n-кратною згорткою функцiї розподiлу F (x). Крiм того. надiйшли n позовiв.

(3. Тодi згiдно з формулами (3.1. тобто дисперсiя S визначається через першi два моменти в.3) 3. Тодi. якi мають складний розподiл Пуассона. генератриса моментiв сумарних виплат S є функцiєю вiд генератрис моментiв для N та Xi . також розподiлена за складним пуассонiвським законом. Тодi n ∞ n w∞ 1 ∑ w tx 1∑ M (t) = etx dF (x) = e dFi (x) = Mi (t). MN (t) = exp{λet − 1}. 2.в. . Sn – незалежнi в. Оскiльки i=1 λλi = 1.. E(exp{tS}|N ) = (MX (t))N та MS (t) = E(MX (t))N = E exp{N ln MX (t)} = MN (ln MX (t)) . також є функцiєю розподiлу. .тодi ES = E(N m1 ) = m1 EN = EXi EN. ..в. математичне сподiвання сумарних виплат дорiвнює добутку середньої очiкуваної кiлькостi позовiв та математичного сподiвання величини iндивiдуального позову. (3. Щоб знайти вираз для DS. За формулою повної ймовiрностi маємо ∞ ∞ ∞ ∏ n ∑ ∑ ∑ GS (t) = EtS = E(tS |N = n)P(N = n) = E(tX1 +···+Xn )P(N = n) = E(tXi )P(N = n) n=0 = ∞ ∑ n=0 n=0 i=1 (GX (t))n P(N = n) = GN (GX (t)). маємо ) ( n n ∑ ∑ Xi = DXi = nµ2 . λ i=1 n λi та F (x) = i=1 ∑n Доведення. що {Xi } – незалежнi в. а значить.2) Генератриса розподiлу Нехай GN (t) та GX (t) – генератриси розподiлiв в. причому Si має складний розподiл Пуассона з параметрами λi > 0 та Fi (x). Нехай S1 . застосуємо формулу повної дисперсiї DS = E(D(S|N )) + D(E(S|N )). (3. що сума незалежних в. Визначимо вигляд генератриси розподiлу S. Нехай M (t) – генератриса моментiв в. що EN = DN = λ. Нехай MX (t) – генератриса моментiв в. N та Xi вiдповiдно. Отже..1) Таким чином.4) EXik . . де F (x) – функцiя розподiлу величини iндивiдуального позову Xi . маємо ES = λm1 . n=0 Генератриса моментiв Знайдемо тепер генератрису моментiв для S.в. пам’ятаючи.1) – (3. Тодi в. то F (x) є зваженим середнiм функцiй розподiлу Fi (x).в. що { n } n n n ∑ ∏ ∏ ∏ Xi = E exp {tXi } = E exp {tXi } = MX (t) = (MX (t))n . Теорема 3. Складний пуассонiвський розподiл Розглянемо сумарну величину позовiв S у випадку. MX (t) – генератриса моментiв Xi .в. Нагадаємо. .в.2. З того.5) повного математичного сподiвання маємо MS (t) = E exp{tS} = E(E(exp{tS}|N )). DS = λm2 . (3. . MS (t) = exp{λ(MX (t) − 1)}. Сформулюємо цю властивiсть у виглядi наступної теореми. що величини Xi позовiв незалежнi. E(exp{tS}|N = n) = E exp t i=1 i=1 i=1 i=1 Таким чином. Xi . Позначимо сума S = S1 + · · · + Sn має складний розподiл Пуассона з параметрами λ= n ∑ 1∑ λi Fi (x). матиме складний розподiл Пуассона з параметрами λ i F (x).1.3). iз функцiєю розподiлу F (x). N та Xi . Отже. . що D(S|N ) = N µ2 . За формулою (1. коли їхня кiлькiсть N має розподiл Пуассона з параметром λ > 0. Важливою особливiстю складного пуассонiвського розподiлу є той факт. D(S|N = n) = D i=1 i=1 Звiдси маємо.в. випливає. DS = E(N µ2 ) + D(N m1 ) = µ2 EN + m21 DN = DXi EN + EXi2 DN. де mk = k = 1. . λ i=1 λ i=1 0 0 36 .в.

Внаслiдок взаємно однозначної вiдповiдностi мiж функцiями розподiлу i генератрисами моментiв в.в. Модель iндивiдуального ризику Модель iндивiдуального ризику вiдображає сумарнi втрати у виглядi фiксованої суми незалежних (але не обов’язково однаково розподiлених) в. Однiєю з переваг вiд’ємного бiномiального розподiлу над пуассонiвським є те. маємо ES = nθm1 . отримуємо вирази для математичного сподiвання. (3. дисперсiї та генератриси моментiв S: EN = EN = k(1 − θ) m1 . Отже. Нехай також EYj = m1j . якщо припускати. Складний вiд’ємний бiномiальний розподiл Нехай в. DYj = µ2j . У розподiлi Пуассона цi двi величини однаковi. 3. Зокрема. n = 0. Вiд’ємний бiномiальний розподiл виступає альтернативою розподiлу Пуассона для N . Коли N має бiномiальний розподiл. MS (t) = (θMX (t) + 1 − θ)n .в. де Xj – величина позову. DS = nθm2 − θ2 m21 . Згiдно з формулами (3.5) 3. Якщо позов спричинений j-им ризиком. DN = . стосовно кожного ризику роблять такi припущення: i) кiлькiсть позовiв Nj вiд j-го ризику дорiвнює 0 або 1.: S = X1 + · · · + Xn . N .3). Складний бiномiальний розподiл За певних умов природним вибором в якостi розподiлу для кiлькостi позовiв N виникає бiномiальний розподiл.3). яка має бiномiльний розподiл з параметрами n та 0 < θ < 1.в. що S має складний розподiл Пуассона з параметром λ та F (x). θ θ2 Зокрема. тобто P(Nj = 1) = qj .1) – (3. маємо n n n ∏ ∏ ∏ MS (t) = EetS = Eet(S1 +···+Sn ) = E etSi = EetSi = exp{λi (Mi (t) − 1)} = exp { n ∑ } λi (Mi (t) − 1) i=1 { = exp λ i=1 i=1 i=1 n ∑ λi i=1 λ } (Mi (t) − 1) { ( n )} ∑ λi = exp λ Mi (t) − 1 . що його дисперсiя перевищує математичне сподiвання. а n дорiвнює загальнiй кiлькостi ризикiв. N має геометричний розподiл.4. θ DN = k(1 − θ) k(1 − θ)2 2 m2 + m1 .1. Отже. 2.Розглянемо тепер генератрису моментiв S. тобто деякi зi спостережених значень {Xj }nj=1 можуть дорiвнювати нулю. що деякi з ризикiв можуть i не призвести до позовiв. який виник за j-им ризиком. то величина S сумарних виплат має складний вiд’ємний бiномiальний розподiл. 1. Важливою умовою для вибору бiномiального розподiлу для N є те. Таку модель зазвичай використовують пiд час дослiдження сумарних втрат вiд n страхових угод. з останньої формули випливає. Зауважимо. з нього випливає. Наприклад. MN (t) = θk (1 − (1 − θ)et )−k . у якому 37 . у частковому випадку при k = 1 в. MN (t) = (θet + 1 − θ)n . Припущення i) звужує сферу застосування моделi. Використовуючи незалежнiсть Si . Такий пiдхiд охоплює договори страхування життя. θ θ2 MN (t) = θk (1 − (1 − θ)MX (t))−k . .1) – (3. N має складний вiд’ємний бiномiальний розподiл з параметрами k та 0 < θ < 1: n P(N = n) = Ck+n−1 θk (1 − θ)n . що всi застрахованi особи незалежнi мiж собою вiдносно смертi та мають однакову iнтенсивнiсть смертностi.1. що для в. у полiсi групового страхування життя для групи з n осiб розподiлом кiлькостi смертей протягом року є бiномiальний. λ i=1 тобто MS (t) = exp{λ(M (t) − 1)}.в.3. Знову використовуючи формули (3. . то S – складний бiномiальний розподiл. Тодi k(1 − θ) k(1 − θ) .2. Нагадаємо. що вiд кожного ризику може виникнути не бiльше одного позову.в. у якiй вибiркова дисперсiя бiльша за вибiркове середнє значення. 3. то величину збиткiв позначимо через Yj . що iснує верхня межа n для кiлькостi позовiв. DN = nθ(1 − θ). коли кiлькiсть позовiв N розподiлена за вiд’ємним бiномiальним законом. EN = nθ. наприклад. ii) iмовiрнiсть позову вiд j-го ризику дорiвнює qj . для полiсу групового страхування життя n осiб. . Вiдповiдно до цього вiд’ємний бiномiальний розподiл може краще вiдповiдати множинi даних.

з однаковим розподiлом.в. де в. що розподiли кiлькостi позовiв та величини iндивiдуальних позовiв повнiстю вiдомi.. S є сумою n незалежних (можливо. S матиме складний бiномiальний розподiл з параметрами n. що EXj = qj m1j . Як бачимо.3. x! 38 . Розв’язання. немає жодних обмежень на кiлькiсть позовiв. Nj мають бiномiальний розподiл iз параметрами n = 1 та qj .в. Мiнливiсть чи невизначенiсть параметрiв Досi при вивченнi моделей припускали.3. Бiльшiсть iз них стосується невизначеностi у розподiлах кiлькостi позовiв. . що пуассонiвський параметр для полiса. Проте легко знайти середнє та дисперсiю S: n n n ∑ ∑ ∑ ES = E Xj = EXj = qj m1j . δ α α−1 −δν ν e . що iндивiдуальнi ризики незалежнi. тодi для всiх полiсiв значення qj . але невiдомими є значення пуассонiвських параметрiв λi . Легко бачити. про довiрчi iнтервали. що цi величина невiдома. Спробуємо узагальнити введенi ранiше моделi.р. Це означає. Важливо розумiти. j=1 n ∑ DS = D Xj = j=1 n ∑ j=1 j=1 n ∑ DXj = j=1 ( ) qj µ2j + qj (1 − qj )m21j . якi вiдмiнностi вiд моделi колективного ризику має модель iндивiдуального ризику: • кiлькiсть ризикiв у портфелi є фiксованою.в. ν > 0. що вона незмiнна протягом термiну дiї страхового покриття. . Наголосимо. Xj . Таким чином. Мiнливiсть у неоднорiдному портфелi Розглянемо портфель. в. що складається з n незалежних полiсiв. • припускають. з якого вибирають λi . що коли полiс вибрано навмання з портфелю. i їх треба оцiнювати за спостереженими даними. Тому розподiл Xj є складним бiномiальним з iндивiдуальними позовами. Si має складний розподiл Пуассона з параметрами λi та F (x). • кiлькiсть позовiв за кожним iндивiдуальним полiсом обмежена на вiдмiну вiд моделi колективного ризику – вона таких обмежень не має. що ES = nqm1 .о.в. З припущень i)-ii) видно. У моделi колективного ризику незалежними є величини iндивiдуальних позовiв. Знайдемо безумовний розподiл Ni . n. Треба знайти розподiл кiлькостi позовiв вiд полiса.в. j=1 В окремому випадку.в. але усуває багато типiв договорiв загального страхування.5) випливає. Позначимо через Ni кiлькiсть позовiв вiд i-го полiса iз заданого портфелю та через λi – вiдповiдний пуассонiвський параметр. вибраного навмання з портфелю. як Yj . 2. . {λi } будемо трактувати як множину н. fλi (ν) = Γ(α) а ν x −ν pNi |λi =ν (x. але проблема в тому. щоб охопити випадок невизначеностi чи мiнливостi параметрiв. . В. якi можуть протягом року виникнути за полiсом страхування домашнього майна. Для простоти розподiл величин iндивiдуальних позовiв F (x) вважатимемо однаковим для всiх полiсiв. . зi складним бiномiальним розподiлом. DS = nqµ2 + nq(1 − q)m21 . DXj = qj µ2j + qj (1 − qj )m21j . що в. Iнакше кажучи. коли {Xj } є послiдовнiстю н.в. ν) = P(Ni = x|λi = ν) = e . вони можуть бути невiдомими. q та iндивiдуальними позовами з тiєю самою функцiєю розподiлу F (x). в.ймовiрнiсть смертi j-ої особи протягом року дорiвнює qj . Розподiл S є згорткою n функцiй розподiлу в. який можна просто обчислити лише у випадку незалежних однаково розподiлених складних бiномiальних в.в. в. 1. . але стосовно нього можна сформулювати певнi ймовiрнiснi твердження. цей випадок зводиться до моделi колективного ризику. розподiленими. iз вiдомим розподiлом. .в. Сумарнi позови вiд i-го полiса позначимо через Si . Приклад 3.р. 2. вибраного з портфелю.о. Проблема полягає в тому. x = 0.1. наприклад. Тут розподiл F (x) є вiдомим. Наприклад. З (3.в. є фiксованою величиною. Припустимо. Для цього розглянемо кiлька прикладiв. що значення λi невiдоме. бо саме цiй проблемi придiляють бiльше уваги в актуарнiй лiтературi. 3. Також припускатимемо. не однаково розподiлених) в. то значення його пуассонiвського параметра невiдоме. Отже. Вiдомий лише розподiл. i = 1. Тодi Ni має розподiл Пуассона з параметром λi . Однак. m1 та µ2 вiдповiдно. що λi є вибiрковими значеннями незалежних в. У моделi колективного ризику немає необхiдностi точно визначати цю кiлькiсть чи вважати. m1j та µ2j однаковi i рiвнi q. що повнiстю узгоджується з (3. що параметр Пуассона для окремих полiсiв вибирають iз гамма-розподiлу з параметрами α й δ.5).

Припустимо. проте є певнi мiркування щодо ймовiрностi значень. що параметр λ розподiлу Пуассона з однаковою ймовiрнiстю набуває значення 0. 1)2 · 0. 2m2 + 0. б) середнє та дисперсiю (у термiнах m1 . . що маргiнальний розподiл Ni є вiд’ємним бiномiальним розподiлом з параметрами α та δ/(δ + 1). Нехай λi . 5 − (0. з вiдомим розподiлом. 3) = 0.3. 2. в. в. через Si позначимо сумарнi позови вiд i-го полiса. 3) = 0. кожна з яких має розподiл.в. ν)fλi (ν)dν = e−ν ν e dν = . а) Моменти Si можна обчислити.3.1 або 0. Si є н.в. Dλi = Eλ2i − (Eλi )2 = (0. i=1 i=1 i=1  Мiнливiсть в однорiдному портфелi Розглянемо портфель iз n полiсiв. Вважатимемо. 2m1 n. 2)2 = 0. 3)2 · 0. 5 + (0. m2 та n) сумарних позовiв вiд усього портфелю. 3 · 0. тобто вiдносно F (x).3. 2m1 . Розв’язання. 01.4) випливає. а).  Приклад 3. б) середнє та дисперсiю (у термiнах m1 .в. 5 + 0. що сумарнi позови вiд одного полiса мають складний розподiл Пуассона з параметрами λ та F (x). 5 = 0.р. в. 1)2 · 0. Розв’язання. 1) = P(λi = 0.6). 2m1 .5) та (1. б) В. але з однаковою ймовiрнiстю можуть набувати значення 0. {Si |λ} є н. воно мiняється щороку). ( n ) ( n ) n ∑ ∑ ∑ E Si = nESi = 0. що немає невизначеностi стосовно моментiв або розподiлу величин iндивiдуальних позовiв. 01m21 .5) та (1. 5 − (0. 2m2 + 0. де {λi } – н. а) Застосовуючи формули (1. 5 + 0. Dλi = Eλ2i − (Eλi )2 = (0. 3)2 · 0. i = 1. Припустимо. 01m21 . D Si = DSi = nDSi = (0. Отже.в. n – значення пуассонiвського параметра i-го полiса. Треба знайти: а) середнє та дисперсiю (у термiнах m1 та m2 ) сумарних позовiв вiд полiса. 1 · 0. вважаючи цей параметр в.. 2)2 = 0. У нашiй ситуацiї в. 2.в. . Якщо значення λ вiдоме. якi може набувати λ. 01m21 )n.в.о.о. 5. Як i ранiше. Припустимо. 2m1 n. . Si |λi мають складний розподiл Пуассона.3. Звiдси Eλi = 0. Звiдси Eλi = 0. 5 + (0. що значення λ невiдоме (наприклад. DSi = E(D(Si |λi )) + D(E(Si |λi )) = E(λi m2 ) + D(λi m1 ) = m2 Eλi + m21 Dλi = 0.1 або 0. маємо ESi = E(E(Si |λ)) = E(λm1 ) = m1 Eλ = 0. x! Γ(α) Γ(α)x! (δ + 1)α+x 0 0 Звiдси видно. то з (3. скориставшись формулами (1. кожна з яких розподiлена за складним пуассонiвським законом з параметрами λ та F (x). наведений у п. то ( n ) ∑ E Si = nESi = 0.. DSi = E(D(Si |λ)) + D(E(Si |λ)) = E(λm2 ) + D(λm1 ) = m2 Eλ + m21 Dλ = 0.6). Маємо w∞ ν x w∞ δ α α−1 −δν Γ(x + α) δα P(Ni = x) = pNi |λi =ν (x. вибраного навмання з даного портфелю.о. Як i у попередньому параграфi для простоти припустимо. б) Оскiльки в. i=1 D ( n ∑ i=1 ) Si ( ( n )) ( ( n )) ∑ . 3 · 0. Невизначенiсть щодо значень λ можна змоделювати. вибраного навмання з портфелю. 5. кожна з яких має розподiл P(λi = 0. 1 · 0.3.2. що пуассонiвськi параметри полiсiв точно невiдомi. . В.. 2. 2m2 + 0. то сумарнi позови вiд рiзних полiсiв будуть незалежними.в. 1) = P(λi = 0.р.Використаємо аналог формули повної ймовiрностi. 5 = 0. m2 та n) сумарних позовiв вiд усього портфелю в цiлому. λ має розподiл P(λi = 0. Si є однаково розподiленi. 01.р.в. Оскiльки в.в. Треба знайти: а) середнє та дисперсiю (у термiнах m1 та m2 ) сумарних позовiв вiд полiса. що ESi = E(E(Si |λi )) = E(λi m1 ) = m1 Eλi = 0. Приклад 3. Цi параметри є однаковими для всiх полiсiв у портфелi.

.

∑ .

.

= E D Si .

λ +D E Si .

Практична ситуацiя.3. 2m2 n + 0. i навпаки. коли розглядають дисперсiї бiльш нiж одного полiса (п. Значення середнiх в обох прикладах однаковi. Кiлькiсть позовiв може залежати. 39 . до якої пiдходить останнiй приклад. 01m21 n2 . за гарної погоди значення λ будуть малими. а)). б)). стосується портфелю полiсiв страхування будiвель у деякому районi.2 та 3.3.3. вiд погоди протягом року – незвично велика кiлькiсть штормiв може призвести до великої очiкуваної кiлькостi позовiв (тобто до великого значення λ) для усiх полiсiв одночасно.λ = E(nλm2 ) + D(nλm1 ) i=1 i=1 = nm2 Eλ + n2 m21 Dλ = 0. як i дисперсiї для окремих полiсiв (п.3.3. крiм iнших факторiв. Рiзниця виникає.  Порiвняємо розв’язки прикладiв 3. де бiльша дисперсiя виникає у прикладi 3.

що надходження премiй перевищить видатки на покриття позовiв i накладнi витрати. DXij = E(D(Xij |Λi )) + D(E(Xij |Λi )) = E(Λ2i (exp{σ 2 } − 1)) + DΛi = (p2 + s22 )(exp{σ 2 } − 1) + s22 = (p2 + s22 ) exp{σ 2 } − p2 . S вiдображає сумарнi позови й витрати вiд усього портфелю протягом року. i не залежать вiд величини цього позову. Оскiльки N є сумою пуассонiвських н.р. за формулою (1. 4nE(Xi + Yi )2 = 0. визначте кiлькiсть полiсiв. а) Нехай α = 1. З (1. Розв’язання. iv) величина j-го позову. матимемо D(Si |Θi . . В. Λi } – це складний розподiл Пуассона. спричиненi i-им ураганом. 4n. Сумарнi рiчнi позови вiд кожного полiса мають складний розподiл Пуассона з параметром 0.о.в. в) Знайдiть вираз для математичного сподiвання та дисперсiї сумарних рiчних позовiв вiд усiх ураганiв. Звiдси випливає. . то N має розподiл Пуассона з параметром 0.в. б) Припустимо тепер. у якому Zi = Xi +Yi вiдображає величину i-го iндивiдуального позову (i-го доданка). такi. Λi )) = D(Θi Λi ) = E(Θ2i Λ2i ) − n2 p2 = (n2 + s21 )(p2 + s22 ) − n2 p2 . має логнормальний розподiл з параметрами µi та σ. Тодi ES = 0. Таким чином. Λi ) = Θi E(Xij |Λi ) = Θi (Λ2i exp{σ 2 }) i. Вибравши найгiршi можливi для компанiї значення α. так i в їх кiлькостi. щоб досягти принаймнi 99% упевненостi в тому. K. 90 ≤ b ≤ 110. . що EΘi = n. . Перший з них мiстить невизначенiсть як у величинах позовiв. в.р. iз середнiм p та дисперсiєю s22 . i = 1. що EXij = p. Розв’язання. 95 ≤ α ≤ 1. якi має продати компанiя. вiдповiдно.6) D(Si ) = (n2 + s21 )(p2 + s22 ) − n2 p2 + n(p2 + s22 ) exp{σ 2 }. в. Припускають. Доведiть. . K. DΘi = s2i .5) та (1. що ESi = E(E(Si |Θi . Накладнi витрати на обробляння позову є в. Страхова компанiя моделює позови. тодi умовний розподiл Si |{Θi . викликанi ураганами. Тому S має складний розподiл Пуассона та ES = λESi = λnp. що ESi = np та DSi = (p2 + s22 )(n2 + s21 + n exp{σ 2 }) − n2 p2 .4) E(Si |Θi . що середнi величини позовiв.. Тодi EXij = E(EXij |Λi ) = EΛi = p. v) Θi та Λi незалежнi. i = 1. . ii) кiлькiсть позовiв Ni . а S можна зобразити. . 2 Знову застосовуючи (3. щоб на 99% бути впевненою у тому. але можуть знаходитися у таких межах: 0. Щороку страхова компанiя пiдписує ряд договорiв страхування домогосподарств. λ = 0. E(D(Si |Θi . 4n(EXi2 + 2EXi EYi + EYi2 ). DS = 0. b = 100. . яка позначає рiчнi сумарнi позови. . а) Покажiть. Доведiть. б) Нехай Si – сумарнi виплати.4).. 011. тобто Xij . б) Оскiльки умовний розподiл Si |{Θi . спричиненi i-им ураганом.в. тобто S = S1 + · · · + SK . . .4. i=1 де {Xi + Yi }i≥1 є послiдовнiстю н.в.. DXij = exp{σ 2 }(p2 + s22 ) − p2 . а Yi – величина вiдповiдних накладних витрат. Λi )) = n(p2 + s22 ) exp{σ 2 }. в. . а Si – н. Λi } – це складний розподiл Пуассона. а також D(E(Si |Θi .о.кiлькiсть полiсiв у портфелi. що значення α. для кожного з яких страхова премiя становить £80. λ та b достовiрно невiдомi. Вважають. .о.4 та iндивiдуальними позовами з гамма-розподiлу з параметрами α i λ.в. що S має складний розподiл Пуассона. Ni ..р. b. що надходження премiй перевищуватиме видатки на покриття позовiв i накладнi витрати на їх обробляння.р. 4n(EXi2 + 2EXi Yi + EYi2 ) = 0.  Приклад 3. а значення µi – нi. викликаного i-им ураганом.6) повного математичного сподiвання i дисперсiї. Λi )) = E(Θi Λi ) = EΘi EΛi = np. 01. незалежних вiд N . Λi ) = Θi Λi . при страхуваннi домогосподарств за таких припущень: i) кожного року кiлькiсть K ураганiв має розподiл Пуассона з параметром λ. де значення σ вважають вiдомими. дорiвнюють Λi = exp{µi + σ 2 /2}. 05. що компанiя повинна продати за рiк не менше 884 полiсiв. в) Нехай S – в. .Мiнливiсть у кiлькостi й величинi позовiв та невизначенiсть у параметрах Розглянемо два приклади.р. що S має близький до нормального розподiл. викликаних i-им ураганом. j = 1. як N ∑ S= (Xi + Yi ). K.в. Приклад 3. рiвномiрно розподiленою мiж £50 та £b. Позначимо через N загальну кiлькiсть позовiв за портфелем. λ. Нехай Xi – це величина i-го позову. . в. що надiйшли вiд усiх позовiв. має розподiл Пуассона з параметром Θi . DS = λESi2 = λ(DSi + (ESi )2 ) = λ(p2 + s22 )(n2 + s21 + n exp{σ 2 }). 4nE(Xi + Yi ).о.в.3. iii) параметри Θi – це н.5. 40 . а) Використаємо формули (1.5) та незалежностi Θi та Λi випливає.в.3. 0. а через n . в.о. . то внаслiдок (3. якi є н. 009 ≤ λ ≤ 0. (b > 50). де K має пуассонiвський розподiл з параметром λ. i = 1.

Обчислимо моменти Xi Yi у термiнах α, λ та b:
α
α(α + 1)
50 + b
b2 + 50b + 2500
; EXi2 =
;
EYi =
; EYi2 =
.
2
λ
λ
2
3
а) Покладемо α = 1, λ = 0, 01, b = 100, тодi матимемо ES = 70n та DS = (127, 80)2 n. I, вiдпо√
вiдно, S наближено має нормальний розподiл iз середнiм 70n та стандартним вiдхилом 127, 80 n.
Надходження премiй склало 80n, i нам потрiбно визначити найменше значення n, яке задовольнить
нерiвнiсть P(S < 80n) ≥ 0, 99. Стандартизуємо в.в. S, тодi
(
)
S − 70n
80n − 70n
√ <

P
≥ 0, 99.
(3.6)
127, 80 n
127, 80 n
EXi =

Нагадаємо, що квантилем рiвня α або α%-им квантилем розподiлу FX (x) називають таку точку xα ,
що FX (xα ) = P(X < xα ) = α. 99%-ий квантиль стандартного нормального розподiлу дорiвнює 2,326,
отже, нерiвнiсть (3.6) перетворюється на таку:
80n − 70n
√ ≥ 2, 326,
127, 80 n
звiдки маємо n ≥ 883, 7 або n ≥ 884, якщо розглядати найближче цiле число.
б) Найгiршою можливою комбiнацiєю значень α, λ та b для страхової компанiї є комбiнацiя, яка
дає найбiльшi можливi значення для ES й DS. Для того, щоб пересвiдчитися у цьому, позначимо
через µ та σ математичне сподiвання та стандартний вiдхил сумарних позовiв та витрат на
їх обробляння для iндивiдуального полiсу. Параметри µ i σ будуть функцiями вiд α, λ, b, причому
ES = nµ та DS = nσ 2 . Аналогiчним чином, як у п. а), отримуємо нерiвнiсть для n:

(80 − µ) n
≥ 2, 326,
σ
звiдки маємо, що
(
)2
2, 326σ
n≥
.
80 − µ
Отже, найбiльше значення n вiдповiдає найбiльшим значенням µ i σ (за умови, що найбiльше значення µ є меншим за 80). Зауважимо також, що µ = 0, 4E(Xi + Yi ), σ 2 = 0, 4E(Xi + Yi )2 . З цих
формул для моментiв Xi + Yi випливає, що µ i σ є максимальними, коли α та b набувають найбiльших, а λ найменшого значень, тобто α = 1, 05; b = 110; λ = 0, 009. Така комбiнацiя дає µ = 78, 67
та σ = 144, 14. Отже, n має бути принаймнi 63, 546 для того, щоб страхова компанiя на 99% була
впевнена, що надходження премiй перевищить величину видаткiв на покриття позовiв i вiдповiднi
накладнi витрати. 

3.4. Задачi
Вправа 3.1. Нехай N дорiвнює кiлькостi позовiв, якi виникають за групою полiсiв протягом одного тижня.
Припустимо, що N має розподiл Пуассона з середнiм 60. Нехай X1 , . . . , Xn – вiдповiднi незалежнi однаково
розподiленi з середнiм £500 та стандартним вiдхилом £400 величини позовiв, якi також незалежнi вiд N .
∑N
Нехай S = i=1 Xi – сумарна величина позовiв за один тиждень.
i) Обчислити математичне сподiвання та стандартний вiдхил S.
ii) Пояснiть, чому розподiл S можна розглядати, як асимптотично нормальний, та наближено обчислiть
ймовiрнiсть того, що S бiльше £40 000.

41

42

Роздiл 4
Перестрахування
4.1. Загальнi вiдомостi
Перестрахування як явище виросло зi страхування морського транспорту. Кожне морське перевезення
було ризиковим. З поширенням використання позик пiд здiйснення високоризикових морських перевезень
позичальники домовлялися мiж собою про авансування вантажу судновласниковi за високий процент, який
згодом набрав форми страхової премiї. Через певний промiжок часу деякi пiдприємцi стали постiйно, повнiстю або частково брати на себе вiдповiдальнiсть за перевезення, здiйснюючи їх перестрахування. У XIX
столiттi перестрахування почало розвиватися в галузi покриття ризикiв, пов’язаних з пожежами.
Основнi поняття i визначення
Перестрахування — це страхування особливого виду. Змiст його полягає у передачi частини ризику (ризикiв) у вiдповiдальнiсть iншому спецiалiзованому страховику, тобто перестраховику. Страховика,
котрий безпосередньо працює зi страхувальниками щодо взяття на себе їхнiх ризикiв, називають прямим
страховиком, або страховиком, що передає ризики. Процес передачi частини взятих на себе ризикiв iншим
страховикам з метою створення такого страхового портфеля, який би забезпечував стiйкiсть i рентабельнiсть
страхових операцiй, називають перестрахуванням.
Перестраховик — це страховик, котрий надає страхову послугу прямому страховику. У свою чергу
перестраховик може передати частину взятих на себе ризикiв iншому страховику i т. д.
Процес передачi ризику називається цедуванням ризику або страхувальною цесiєю. Страховика, який
передає ризик, називають цедентом, а того, що приймає цей ризик, — цесiонарiєм. Наступну передачу цесiонарiєм (частково або повнiстю) ризику наступному перестраховику називають ретроцесiєю. Страхове товариство, яке передає третьому учаснику ризик у наступне перестрахування, називається ретроцедентом, а
товариство, яке бере на себе ретроцедований ризик, називається ретроцесiонарiєм.
Цесiонарiй немає нiяких зобов’язань щодо укладених цедентом договорiв страхування. Це означає, що
страховик (цедент), котрий уклав договiр iз перестраховиком (цесiонарiєм), залишається вiдповiдальним перед страхувальником у повному обсязi. Вiн навiть не зобов’язаний iнформувати страхувальника про передачу
ризику в перестрахування. Перестраховик зобов’язаний виплатити вiдшкодування цеденту пропорцiйно до
його участi за умови, що цедент виплатив це вiдшкодування страхувальнику. Цедент зобов’язаний iнформувати цесiонарiя про цедований ризик так само, як страхувальник зобов’язаний iнформувати страховика про
всi змiни, що вiдбуваються в ризику, який вiн передав страховику.
Функцiї перестрахування
Головна функцiя перестрахування — вторинний перерозподiл ризику. Змiст її полягає в тому, що страховик може забезпечити страхувальнику тiльки таку гарантiю, яка вiдповiдає його фiнансовим можливостям.
Самотужки домогтися значних результатiв страховику досить важко. Якiснiше i в повнiшому обсязi виконувати свої зобов’язання страховик може завдяки перестрахуванню, тобто через розподiл ризику мiж ним та
iншими страховиками. За цих умов перестраховик бере на себе вiдносно значну частку ризику чи гарантiї.
Частину ризику, яку цедент залишає за собою, називають власним утриманням.
На практицi найчастiше кiлька перестраховикiв беруть участь у покриттi збиткiв (вони вступають у
спiвпрацю на пiдставi контрактного документа або договору). Як правило, на кожного перестрахувальника припадає рiзна частка покриття. Завдяки цьому страховик, котрий передає ризики в перестрахування,
збiльшує свої можливостi щодо прийняття ризикiв у десятки разiв.
Допомiжнi функцiї:
• перестрахування дає змогу брати на страхування дуже дорогi та унiкальнi ризики;
• воно сприяє запровадженню та поширенню нових видiв страхування;
• перестрахування в перспективi створює умови для формування однорiдного збалансованого портфеля,
який необхiдний страховику для надiйного контролю своєї середньо- та довгострокової полiтики.
Якщо перерозподiл ризику здiйснюється мiж компанiями з рiзних країн, то перестрахування набирає
форми зовнiшньої торгiвлi, де об’єктом купiвлi-продажу є страховi гарантiї. Це “невидимий” експорт-iмпорт.
Розрiзняють активне та пасивне перестрахування. Активне перестрахування полягає у прийняттi iноземних ризикiв для покриття або продажу страхових гарантiй. Пасивне перестрахування — це передача
ризикiв iноземним страховикам (купiвля страхових гарантiй). Головна його мета — передача вiдносно дрiбних ризикiв великiй кiлькостi перестраховикiв у рiзних країнах. Завдяки цьому досягається стабiльнiсть
страхового портфеля та встановлюються широкi контакти на ринку перестрахування.
Види договорiв перестрахування
В основi перестрахування лежить договiр, згiдно з яким одна сторона (цедент) передає повнiстю або
частково страховий ризик (або групу ризикiв) iншiй сторонi — перестраховику, котрий в свою чергу бере на
себе зобов’язання вiдшкодовувати цеденту вiдповiдну частину страхового покриття.
За способом взаємозобов’язань цедента та цесiонарiя договори перестрахування бувають:
• факультативними;
• облiгаторними;
43

При пропорцiйних договорах страховi iнтереси цедента та цесiонарiя збiгаються. Перестраховик зобов’язується прийняти цедованi ризики на попередньо застережених цедентом умовах. 4. Перестраховик може прийняти цю пропозицiю або вiдхилити її. Перестрахування на основi ексцедента сум доцiльне для страхування вiд пожежi i поєднується з покриттям на базi ексцедента збитку в тому разi.• факультативно-облiгаторними. якщо пожежа збiгається з подiями катастрофiчного характеру. якi покривають суми. Договiр ексцедентного перестрахування ґрунтується на тому. ураган i т. Здебiльшого цi договори дiють у зв’язку з подiями. Перестраховi платежi за цим договором визначаються на iндивiдуальнiй основi за згодою сторiн або пропорцiйно страховим платежам. скажiмо. Пропорцiйне перестрахування При пропорцiйному перестрахуваннi страховик сплачує фiксовану частку позову. Договiр облiгаторного перестрахування зобов’язує цедента передати перестраховику в межах певної частки всi ризики одного й того ж характеру. наприклад. Максимум власної участi страховика в покриттi ризику називається ексцедентом. iн. Воно передбачає встановлення мiж цедентом та цесiонарiєм стосункiв повної взаємної довiри. Розмiр перестрахувальних платежiв за цим договором визначає ринок. Прiоритет — власна участь цедента в покриттi збиткiв. Перевищення цього лiмiту передається в перестрахування. За цим же видом договорiв цедент повинен передати частину ризику до початку вiдповiдальностi за нього. Квотно-ексцедентний договiр поєднує засоби двох уже названих. Якщо участь перестраховика в кожному переданому йому покриттi ризику визначається за заздалегiдь обумовленим спiввiдношенням власної участi цедента. Якщо договiр страхування укладено з умовою перестрахування. про це робиться застереження в перестраховому договорi. то компанiя-страховик заплатить суму Y . При непропорцiйних — цедент може домагатися певних результатiв. вiд сумiщення збиткiв. ризики пожежi та непрямi ризики. їхня мета — захист цедента: вiд великих збиткiв. Якщо власне утримання цедента становить. Передача таких часток ризикiв перестраховику здiйснюється тiльки тодi. залежно вiд категорiї ризику. При страхуваннi автомобiлiв та цивiльної вiдповiдальностi перестрахування здiйснюється на основi ексцедента збитку. де немає верхньої межi вiдповiдальностi страховика. • квотно-ексцедентнi. Цей вид договору укладається на невизначений строк з правом його розiрвання. вiд подiй катастрофiчного характеру (землетрус. оскiльки всi заздалегiдь визначенi ризики автоматично покриваються перестраховиком. Облiгаторне перестрахування дешевше вiд факультативного. перестрахувальник отримує 70% премiй. а не ризиками. що перевищують лiмiти власної участi страховика в покриттi ризику. взятi на страхування в тiй чи iншiй країнi. Тому цi договори мають ґрунтуватися на абсолютнiй довiрi сторiн. Якщо величина позову X. а перестраховик — зазнати збиткiв. 0 < α < 1.2. Факультативно-облiгаторнi договори перестрахування — це договори “вiдкритого покриття”. Передача ризикiв вiдбувається в рамках юридичного документа — договору. 30%. сплачених цеденту. то таке перестрахування називають пропорцiйним. Досить часто в договорi передбачаються рiзнi лiмiти. якої б величини той не був. а перевищення сум страхування ризикiв понад встановлену квоту (лiмiт) у свою чергу пiдлягає перестрахуванню на засадах ексцедентного договору. Перестраховик за умовами даного виду договору зобов’язується прийняти всi цi ризики в перестрахування. Лiмiт перестрахувального покриття — це максимальна межа вiдповiдальностi перестраховика за наслiдки одного стихiйного лиха. нi виплати з лiквiдацiї збиткiв. не маючи можливостi контролювати нi тарифiкацiю.). У практицi пропорцiйного страхування використовують договори: • квотнi. Договiр дуже вигiдний для цедента. За цих умов перестраховик бере на себе суму збитку. За цiєю формою цедент вiльний у виборi ризику (чи груп ризику). Системи перестрахування та розмiри власного утримання залежать вiд галузi страхування. а також у визначеннi їхнього розмiру. де Y = αX. Квотний перестрахувальний договiр передбачає передачу цесiонарiю премiї та збиткiв в однаковiй пропорцiї в межах певного лiмiту прийняття ризикiв. Воно широко використовується за умови великих ризикiв. В договорi передбачається кiлькiсть лiмiтiв. Договiр факультативного перестрахування надає повну свободу цеденту у вирiшеннi питання щодо передачi (часткової чи повної) певного виду ризику та умов цiєї передачi. якi можуть бути переданi перестрахувальнику. коли страхова сума перевищує визначену ранiше власну участь страховика. Портфель за такими договорами перестраховується квотно. отриманим при пiдписаннi первинного договору страхування. що цедент може зробити селекцiю ризикiв у страховому портфелi i найнебезпечнiшi передати перестраховику. а також у тих випадках страхування. спричиненi третiм особам в результатi ДТП. 44 . яка перевищує власне утримання (або прiоритет) цедента в межах визначеної суми (лiмiт перестрахувального покриття за договором). Небезпека для цесiонарiя за облiгаторним та факультативно-облiгаторним договорами полягає у тому. якi вiн хоче передати перестраховику. Непропорцiйне перестрахування найчастiше використовується при страхуваннi цивiльної вiдповiдальностi власникiв транспортних засобiв за збитки. i вiдшкодовує 70% його збиткiв. який має ряд положень. практично iдентичних для всiх країн свiту. • ексцедентнi. що перестраховик бере на себе зобов’язання вiдповiдати за полiсами. Факультативне перестрахування вважається найпростiшим.

1) 0 0 а для генератриси моментiв MY (t) = EetY = wM etx dF (x) + etM P(X > M ) = 0 wM etx f (x)dx + etM P(X > M ). а до перестраховика – як (1 − α)Xi (тобто FR (x) = F (x/(1 − α))). оскiльки обидва виплачують визначену частку кожного з iндивiдуальних позовiв. Рiзницю мiж фактичною величиною позову i M оплачує перестраховик.в. DSI = α2 DS. Розподiли цих величин легко знайти за допомогою простої замiни у формулi для функцiї розподiлу F (x). Вiдповiдно. який дозволяє перетворити неповний iнтеграл на повний. Якими будуть функцiя розподiлу FZ (z) та щiльнiсть розподiлу fZ (z) величини виплат перестраховика Z? 1 Retention 2 Excess level (англ. Виплата страховика при позовi завбiльшки X дорiвнює αX. що початковий капiтал страховика дорiвнює u > 0. Для рiвня утримання α величина iндивiдуального позову до страховика розподiлена як αXi (тобто FI (x) = F (x/α). перестраховик – (1−α)p. Без перестрахування середнє значення виплат страховика дорiвнює w∞ w∞ EX = xdF (x) = xf (x)dx. Зокрема. величина яких перевищує рiвень утримання M .) of loss reinsurance (англ. Отримаємо формули для математичного сподiвання та дисперсiї величини виплати страховика. то компанiя-страховик сплачує Y = min{X. Z − M } = (Z − M )+ .) 45 . де F (x) – функцiя розподiлу в. X (якщо iснує). 0 Припустимо. Договiр перестрахування ексцеденту збитку можна описати так: якщо величина позову становить X. використаємо метод. 4. а виплата перестраховика становить (1 − α)X. страховик отримує частку αp. а для перестраховика – SR = (1−αS). i було укладено n договорiв страхування. яку називають рiвнем утримання. i сумарнi вимоги для страховика дорiвнюють SI = αS. що перестрахування ексцеденту збитку встановлює верхню межу для великих виплат. як i для страховика. Такий вид перестрахування впливає на платоспроможнiсть страховика у двох очевидних напрямках: зменшуються як середнi виплати. M } = xdF (x) + M P(X > M ) = xf (x)dx + M P(X > M ). зменшення очiкуваної (середньої) величини виплати дорiвнює w∞ zf (z + M )dz. Цей термiн вживають як при пропорцiйному. Розподiл сумарних виплат Розподiл кiлькостi вимог для перестраховика такий самий. що перестраховик поiнформований лише про тi позови. M }. Нехай страхова премiя за кожним договором перестрахування дорiвнює p. 0 M M M 0 Отже. ESI = αES. 0 Щоб уникнути труднощiв. Xi ). Маємо w∞ w∞ w∞ w∞ w∞ EY = xf (x)dx − xf (x)dx + M f (x)dx = EX − (x − M )f (x)dx = EX − zf (z + M )dz. Перестрахування ексцеденту збитку При перестрахуваннi ексцеденту збитку 2 компанiя-страховик оплачує кожен позов до величини M . так i дисперсiя величини виплат. MSI = EetαS = MS (αt). i має данi стосовно Z = X −M . а перестраховик – Z = max{0.в. (4. вираз для математичного сподiвання величини виплат Y страховика стає таким: wM wM EY = E min{X. Припустимо. Як бачимо. Тодi ймовiрнiсть банкрутства страхової компанiї за результатами року ( u) P(αS > nαp + u) = P S > np + . 0 < α < 1. а f (x) – щiльнiсть розподiлу в. α Тобто з погляду страховика ефект договору перестрахування еквiвалентний збiльшенню в α1 разiв початкового капiталу.Параметр α називають рiвнем утримання 1 . так i при ексцедентному страхуваннi. якi мають мiсце при перестрахуваннi ексцеденту збитку – неповний iнтеграл в останнiх формулах. 0 0 де F (x) – функцiя розподiлу. але для рiзних видiв перестрахування має рiзний змiст.3. Враховуючи рiвень утримання M . що ще раз вказує на зменшення ризикiв страховика за умов дiї договору перестрахування. дисперсiя сумарних вимог значно менша. Цi два факти є простим наслiдком того.

то  )k ( θ θ θ+ρ−θρ  ( MNR (t) = = θ 1 − (1 − θ)(ρet + 1 − ρ) 1− 1− θ+ρ−θρ k )  . яка дорiвнює одиницi. За формулою (4. Який розподiл має NR ? Оскiльки Ij = 1 лише тодi. коли кiлькiсть позовiв N – пуассонiвська в.4). Звiдси отримуємо. Страховик уклав договiр перестрахування ексцеденту збитку з рiвнем утримання = 1 600. Iндивiдуальнi позови розподiленi рiвномiрно на (0.2) z > 0. Iнакше кажучи. введенi у (4. Щоб обчислити ESI . за якими має платити перестраховик. розглянемо наступнi три випадки. коли перестраховик здiйснює виплату за j-им позовом. Нехай N ∑ NR = I{Xj >M } = I1 + · · · + IN j=1 визначає кiлькiсть позовiв. як генератриса моментiв складного пуассонiвського розподiлу. M }. NR має бiномiальний розподiл з параметрами n та θρ. 1 − F (M ) (4. (4.1) wM EYi = xfXi (x)dx + M P(Xi > M ). 1.в.3. (4. Розглянемо SI та SR . що при F (M ) > 0 iснує ненульова ймовiрнiсть (а саме. як Zi . Таким чином. Як приклад. то генератриса моментiв NR . як S I = Y1 + · · · + YN .в. Тодi генератриса моментiв для NR дорiвнює MNR (t) = (θ(ρet + 1 − ρ) + 1 − θ)n = (θρet + 1 − θρ)n . а перестраховик – лише ту кiлькiсть позовiв NR . розподiленими. Аналогiчно. Рiчнi сумарнi позови мають складний розподiл Пуассона з параметром λ = 10. як SR = Z1 + · · · + ZN . У всiх трьох випадках кiлькiсть виплат перестраховика має той самий тип розподiлу. NR також має розподiл Пуассона.3) а перестраховика. коли цього не вiдбувається. позову до перестраховика може не бути. якi страховик виплачує за iндивiдуальними договорами перестрахування ексцеденту збитку з рiвнем утримання M . P (X > M ) 1 − F (M ) 1 − F (M ) M Диференцiювання за z дає вираз для щiльностi Z: fZ (z) = f (z + M ) . Ij дорiвнює MI (t) = ρet + 1 − ρ. тодi SI має складний розподiл Пуассона з параметром λ та iндивiдуальними позовами. Розв’язання.4) Наприклад. з параметром λ. Треба порахувати математичне сподiвання та дисперсiю для сумарних виплат як страховика. сумарнi виплати страховика можна зобразити.в. З практичної точки зору це означає. що визначення (4. величина яких бiльша за рiвень утримання M . et Як бачимо. 2. дорiвнює MNR (t) = exp{λ((ρet + 1 − ρ) − 1)} = exp{λρ(et − 1)}. що величина j-го позову перевищила рiвень M . i NR має складний бiномiальний розподiл з параметрами k та θR = θ θ+ρ−θρ . так i перестраховика. Величина виплат перестраховика Zi = (Xi − M )+ . коли Xj > M . розподiленими. 0 46 . дорiвнює Yi = min{Xi .1.. знайдемо EYi .4) є штучним: страховик буде знати всю кiлькiсть позовiв N . що й загальна кiлькiсть позовiв. Позначимо через ρ = P(Xj > M ) ймовiрнiсть того. Отже. Приклад 4. Тодi генератриса моментiв NR має вигляд MNR (t) = MN (ln MI (t)). що надiйшли. SR має складний розподiл Пуассона з тим самим параметром λ та iндивiдуальними позовами. Вiдповiдно. 3. оскiльки страховик може повiдомити його лише про цi позови. Якщо N має вiд’ємний бiномiальний розподiл з параметрами k та θ. що генератриса моментiв в. але з iншими значеннями параметрiв. де через N позначено загальну кiлькiсть позовiв iз портфелю страхових полiсiв.FZ (z) = P(Z < z) = P(X < z + M |X > M ) = z+M w P(M < x < z + M ) F (z + M ) − F (M ) f (x) = dx = . Розподiл сумарних виплат Величина позовiв. як Yi .3) та (4. але з параметром λR = λρ. Коли N має розподiл Пуассона з параметром λ. Нехай N має бiномiальний розподiл з параметрами n та 0 < θ < 1. 2 000). Зауважимо. та нулю. що Zi = 0. то P(Ij = 1) = P(Xj > M ) = ρ та P(Ij = 0) = 1 − ρ. F (M )) того. а Ij – iндикаторна в.

1 де fXi (x) = 2000 I{x∈(0. Звiдси ( ) 1 x2 .2 000)} – щiльнiсть вiдповiдного (рiвномiрного) розподiлу величини iндивiдуальних позовiв Xi . M = 1 600.

.

1 600 1 600 EYi = + 1 600 1 − = 960. .

Щоб знайти DSI . 2 000 2 0 2 000 Отже. пiдрахуємо EYi2 : ( ) wM 1 600 1 x3 . ESI = λEYi = 10 · 960 = 9600.

.

. 7.1 600 2 2 2 2 + 1 600 1 − EYi = x f (x)dx + M P(Xi > M ) = = 1 194 666.

Тодi 2w 000 (x − 1 600)2 . Для того. 2 000 3 0 2 000 0 Таким чином. DSI = λEYi2 = 10EYi2 = 11 946 667. де Zi = (Xi − M )+ – виплата перестраховика за i-им позовом. щоб визначити ESR та DSR . обчислимо EZ − i та EZi2 .

.

2 000 EZi = (x − M )fXi (x)dx = = 40. .

2 · 2 000 1 600 M EZi2 2w 000 (x − M )2 fXi (x)dx = = M (x − 1 600)3 .

.

7.2 000 = 10 666. .

3 · 2 000 1 600

Оскiльки сумарнi виплати перестраховика SR мають складний пуассонiвський розподiл, то ESR =
λEZi = 400, DSR = λEZi2 = 106 667.
З iншого боку, cумарнi виплати перестраховика можна зобразити i так: SR = W1 +· · ·+WNR , де
NR – кiлькiсть здiйснених ним (ненульових) виплат, тобто перестраховик спостерiгає лише позови
Wj = Xj − M > 0, j = 1, 2, . . . , NR . Щiльнiсть розподiлу Wj згiдно з формулою (4.2) має вигляд
fWj (x) =

f (x + M )
1
=
,
1 − F (M )
400

x ∈ (0, 2 000 − M ) = (0, 400),

тобто Wj – рiвномiрно розподiленi на (0, 400) в.в. Тому EWj = 200, EWj2 = 53 333, 3. Оскiльки у цьому
випадку сумарнi виплати SR мають складний пуассонiвський розподiл з пуассонiвським параметром
λR = λρ, де ρ = P(Xi > M ) = 0, 2, то ESR = λR EWj = 10 · 0, 2 · 200 = 400, а DSR = λR EWj2 =
10 · 0, 2 · 53 333, 3 = 106 667, що приводить до таких самих значень, як i ранiше. Таким чином, iснує
два рiвноцiнних пiдходи для визначення розподiлу в.в. SR та пiдрахунку її числових характеристик.
Приклад 4.3.2. Страхова компанiя має портфель iз 10 000 полiсiв страхування будiвель вiд ризику втрат,
спричинених повенями.
i) Наведiть умови, за яких рiчну кiлькiсть позовiв за портфелем можна змоделювати за допомогою
бiномiального розподiлу з параметрами n = 10 000 та p.
Припустимо, що цi умови задовольняються i p = 0, 03. Величини iндивiдуальних позовiв нормально
розподiленi з середнiм 400 та стандартним вiдхилом 50. Страховик хоче укласти договiр пропорцiйного
перестрахування з таким рiвнем утримання α, щоб ймовiрнiсть того, що сумарнi виплати за портфелем
пiсля перестрахування перевищать 120 000, дорiвнювала 0,01.
ii) Обчислити α, припускаючи, що рiчнi сумарнi виплати можна апроксимувати за допомогою нормального розподiлу.
Договiр перестрахування укладено з компанiєю, яка використовує 15%-е навантаження на премiї.
iii) Обчислiть розмiр рiчної премiї, нарахованої перестраховиком.
Як альтернативний варiант, перестраховик пропонує договiр перестрахування ексцеденту збитку з
рiвнем утримання M i такою самою рiчною премiєю. Перестраховик використовує таке саме навантаження
15% для пiдрахунку величини премiї за цим договором.
iv) Покажiть, що рiвень утримання M приблизно дорiвнює 358,50. (Вказiвка: скористайтесь наступним
результатом: якщо f (x) – щiльнiсть нормального розподiлу з параметрами µ та σ 2 , то
wU

xf (x)dx = µ(Φ(U ′ ) − Φ(L′ )) − σ(φ(U ′ ) − φ(L′ )),

L

де L = L−µ
та U ′
σ
2
z
φ(z) = √12π e− 2 .)

=

U −µ
σ ,

Φ(z) – функцiя розподiлу стандартної нормальної в.в. N (0, 1) зi щiльнiстю

Розв’язання. i) Необхiднi умови:
• ризик втрат вiд повеней є сталим i дорiвнює p для кожної будiвлi;
• за кожним полiсом може бути лише один позов протягом року;
• ризик втрат вiд повеней не залежить вiд будiвлi.
47

ii) Нехай величина i-го iндивiдуального позову позначена через Xi . Тодi середнi виплати i дисперсiя страховика дорiвнюють E(αXi ) = αEXi = 400α, D(αXi ) = α2 DX = (50α)2 . Нехай SI вiдображає
сумарнi рiчнi виплати страховика. Тодi SI має складний бiномiальний розподiл, та
ESI
DSI

=
=

10 000 · 0, 03 · 400α = 120 000α,
10 000 · 0, 03 · (50α)2 + 10 000 · 0, 03 · 0, 97 · (400α)2 = 47 310 000α2 = (6 878, 23α)2 .

Значення α треба вибрати так, щоб P(SI > 120 000) = 0, 01. Стандартизуємо в.в. SI :
(
)
SI − 120 000α
120 000 − 120 000α
P
>
= 0, 01.
6 878, 23α
6 878, 23α
Оскiльки 99%-квантиль стандартного нормального розподiлу дорiвнює 2,3263, отримуємо рiвняння
120 000 − 120 000α
= 2, 3263,
6 878, 23α
звiдки α = 0, 882.
iii) Середнi рiчнi виплати перестраховика дорiвнюють (1 − α)400 = 47, 20. Величина премiй,
отриманих перестраховиком за рiк, враховуючи 15% навантаження, становить 10 000 · 0, 03 · 47, 20 ·
1, 15 = 16 284.
iv) Нам треба показати, що використання рiвня утримання 358,50 для обчислення величини премiї у договорi перестрахування ексцеденту збитку дасть таку саму вiдповiдь як i для угоди
пропорцiйного перестрахування з частини ii).
Обчислимо спочатку середню величину iндивiдуального позову, сплаченого перестраховиком.
Вона дорiвнює
(
(
))
(
(
))
w∞
358, 50 − 400
358, 50 − 400
− 50 0 − φ

(x − 358, 50)f (x)dx = 400 1 − Φ
50
50
358,50
(
(
))
358, 50 − 400
−358, 50 1 − Φ
= 400 · (1 − Φ(−0, 83)) + 50φ(−0, 83) − 358, 50 · (1 − Φ(−0, 83))
50
0,832
1
= 400 · 0, 79673 + 50 e− 2 − 358, 50 · 0, 79673 = 47, 20.

Отже, величина сумарних нарахованих рiчних премiй становить 10 000 · 0, 03 · 47, 20 · 1, 15 = 16 284,
що дорiвнює величинi сумарних премiй за договором пропорцiйного перестрахування. 

4.4. Перестрахування ексцеденту збитковостi
Перестрахування сумарних виплат iз заданим рiвнем утримання d називають перестрахуванням ексцеденту збитковостi або перестрахуванням, що зупиняє виплати 3 .
Нехай SI та SR позначають сумарнi виплати страховика та перестраховика вiдповiдно. Тодi якщо сумарна величина всiх позовiв, поданих до страхової компанiї, дорiвнює S, то SI = min{S, d}, а SR = max{0, S−d} =
(S − d)+ .
Для довiльного типу розподiлу в.в. S
w∞
ESI =

wd
min{x, d}dFS (x) =

0

xdFS (x) + dP(S > d)
0

та
w∞
ESR

=

max{0, x − d}dFS (x) =

0

w∞
w∞
(x − d)dFS (x) = (d − x)d(1 − FS (x))
d

d

∞ w∞
w∞

(d − x)(1 − FS (x)).

d а якщо дискретний. x>d Приклад 4.4. Рiчнi сумарнi виплати страхової компанiї описуються складним вiд’ємним бiномiальним розподiлом. + (1 − FS (x))dx = (1 − FS (x))dx.) 48 .1. то wd ESI = xfS (x)dx + dP(S > d). = d d d Зокрема. Середнє число страхових випадкiв за рiк дорiвнює 9. 0 ESR = w∞ (x − d)fS (x)dx. а його стандартний вiдхил становить 3 Stop-loss reinsurance (англ. x=0 ESR = ∑ (x − d)P(S = x). то ESI = d ∑ xP(S = x)dx + dP(S > d). якщо розподiл S абсолютно неперервний.

то n P(N = n) = Ck+n−1 θk (1 − θ)n . що k = 3. 2. Середнє значення EN та дисперсiя DN пов’язанi з параметрами розподiлу k та θ такими спiввiдношеннями: k(1 − θ) k(1 − θ) EN = . Обчислiть величину очiкуваних виплат перестраховика. . θ θ2 1 Звiдси легко знайти.6. XN – величини iндивiдуальних позовiв. Компанiя уклала договiр перестрахування ексцеденту сумарних виплат з рiвнем власного утримання d = 3. . . (4 − 3t)3 Нехай X1 . Оскiльки N має вiд’ємний бiномiальний розподiл. Тодi S = X1 + · · · + XN . З формули (3. позначимо через S сумарнi втрати за рiк. GYi (t) = EtYi = .3) отримуємо вигляд генератриси розподiлу S: 1 . . θ = 4 . . DN = . 3 3 3 3 Як завжди. що 1 2 7 z + 2z 3 + 6 · = . Розв’язання. . GS (t) = GN (GXi (t)) = (4 − z − 2z 3 )3 EXi = 1 · Диференцiюючи генератрису розподiлу по t у точцi t = 1. 1. n = 0. 0 < θ < 1. ( )n (n + 1)(n + 2) 3 P(N = n) = . отримуємо . . Отже. 128 4 а вiдповiдна генератриса дорiвнює ( ∞ ∑ GN (t) = tn P(N = n) = n=0 θ 1 − (1 − θ)t )n = 1 . . Величина iндивiдуальних позовiв може дорiвнювати лише 1 або 3 з iмовiрностями 31 та 23 вiдповiдно. Нехай N – кiлькiсть страхових випадкiв за рiк. Легко бачити.

3(1 + 6z 2 ) .

.

(4 − z − 2z 3 )4 . ′ ES = GS (1) = = 21.

64 .t=1 Диференцiюючи послiдовно по t у точцi t = 0. знаходимо розподiл S: 1 P(S = 0) = GS (0) = .

3(1 + 6z 2 ) .

.

= . 3 ′ P(S = 1) = GS (0) = .

. P(S = 0) = P(N = 0) = 64 9 1 3 P(S = 1) = P(N = 1)P(X1 = 1) = · = . тобто { 0. ESR = ∞ ∑ n=4 (n − 3)P(S = n) = ∞ ∑ (n − 3)P(S = n) − n=0 2 ∑ (n − 3)P(S = n) = ES − 3 − n=0 = ES − 3 + 3P(S = 0) + 2P(S = 1) + P(S = 2) = 21 − 3 + 2 ∑ (n − 3)P(S = n) n=0 3 6 3 39 + + = 18 . Значить. 256 3 256 27 1 1 3 P(S = 2) = P(N = 2)P(X1 = 1)P(X2 = 1) = · · = . легко обчислити розподiл S i безпосередньо за формулою повної ймовiрностi: 1 .. 49 . коли S > 3. .. 512 3 3 512 Нехай SI та SR – рiчнi сумарнi виплати страховика та перестраховика вiдповiдно. 3 4 (4 − z − 2z ) t=0 256 3 P(S = 2) = G′′S (0) = . . спростити обчислення може наступний результат. коли сумарнi виплати нульовi на деякому iнтервалi значень. оскiльки iндивiдуальнi позови можуть набувати лише значень 1 або 3.. 512 Втiм. коли S ≤ 3. SR = S − 3. 64 256 512 512  У випадку. За умовою договору ексцеденту збитковостi перестраховик покриває лише перевищення сумарних виплат над рiвнем утриманням 3.

• безумовна франшиза вказує на те. Ексцедентнi полiси страхування: умовна та безумовна франшизи Страховi полiси з ексцедентом є загальновживаними в практицi рiзних видiв страхування майна та автотранспорту. E(S − (j + 1)h)+ = E(S − jh)+ − h(1 − FS (jh)). За припущенням. 1 − FS (a) = У дискретному випадку можливе iнше спрощення. має мiсце рiвнiсть b−d d−a E(S − a)+ + E(S − b)+ .5. a ≤ x < b. m=0 Наслiдок 4. X − L} i позицiя страховика аналогiчна позицiї перестраховика при перестрахуваннi ексцеденту збитку. нiж премiя для полiса без ексцеденту. За умов теореми 4. FS (x) = FS (a). якщо їхня величина перевищує франшизу.2.5). m=0 Доведення. яку не компенсує страховик у випадку настання страхової подiї. Нехай Y – це величина. Припустимо. Припустимо. Зокрема. та P(S = x) = 0 для всiх iнших x.1. збитки повиннi бути вiдшкодованi повнiстю. b−a Залишилось пiдставити отримане значення у (4. а також у страхуваннi вiд нещасних випадкiв чи катастроф. а позицiя власника полiса стосовно збиткiв аналогiчна вiдповiднiй позицiї страховика. яку називають ексцедентом або (в українськiй страховiй термiнологiї) франшизою 4 . E(S − d)+ = ∑ (x − d)P(S = x) = x>d ∞ ∑ = h ∞ ∑ (kh − jh)gk = h ∞ k−j−1 ∑ ∑ gk = h k=j m=0 k=j ∞ ∑ ∞ ∑ gk m=0 k=m+j+1 (1 − FS ((m + j)h)). 1. Тодi E(S − d)+ w∞ w∞ wd (1 − FS (x))dx = (1 − FS (x))dx − (1 − FS (x))dx = a d a wd = E(S − a)+ − (1 − FS (a))dx = E(S − a)+ − (d − a)(1 − FS (a)). 4 Deductible. звiдки E(S − a)+ − E(S − b)+ . Тодi для d = jh E(S − d)+ = h ∞ ∑ (1 − FS ((m + j)h)). Тодi. якщо величина збиткiв X > L. franchise deductible. яку фактично виплатив страховик за договором з безумовною франшизою L. ESR = E(S − d)+ = Доведення. що P(a < S < b) = 0 для деяких дiйсних чисел a < b.3. Тодi Y = max{0. Теорема 4. За умовами таких договорiв застрахований згоден самостiйно нести весь тягар вiдшкодування збиткiв до певної межi L. що P(S = kh) = gk ≥ 0 для деякого фiксованого h > 0 i k = 0. якщо їхня величина не перевищує величини франшизи. що страхова премiя за ексцедентним полiсом має бути меншою. Зрозумiло.5) a Поклавши d = b в (4. якщо рiвень утримання d ∈ [a.Теорема 4. то власник полiса подає позов лише величиною X −L у випадку безумовної франшизи та позов повної величини X у разi умовної франшизи. b−a b−a тобто середнi виплати перестраховика можна обчислити за допомогою лiнiйної iнтерполяцiї.) 50 . (4. . Розрiзняють умовну та безумовну франшизи: • умовна франшиза засвiдчує право звiльнення страховика вiд вiдповiдальностi за збитки. 4. що вiдповiдальнiсть страховика визначається величиною збиткiв мiнус франшиза. . . що значення S розташованi на рiвновiддалених точках. за умови. Франшиза – це передбачена договором частина збиткiв. franchise (англ.5). матимемо E(S − b)+ = E(S − a)+ − (b − a)(1 − FS (a)).2. b].

iii) Покажiть. На початку року T може бути сумою н.5.002 0. звiдки EXR = (m + 100) exp{− 50 }. що постають перед прямим страховиком пiд час вибору величини рiвня утримання. Страховик нараховує на премiю 10% навантаження на ризик. u}. що страховик отримає прибуток не менший за 2000. Вправа 4. Побудуйте звичайну модель для сумарних виплат страхової компанiї та вкажiть. Позначимо через Xj величину j-го позову. . . та розглядає наступнi варiанти щодо укладання угоди перестрахування. Страхова компанiя обчислює премiї. який обчислює премiї.3. (А) Не укладати договiр перестрахування (B) Перестрахування iндивiдуального ексцеденту збитку з рiвнем утримання 60 у перестраховика.Приклад 4. Тодi R = W1 + · · · + WN дорiвнює загальнiй сумi. 2.8 ? 148.  4. залежнi мiж собою. змiнних.05 Обчислiть пропущене в таблицi значення та наведiть питання. Нехай XI та XR позначають величини. що використовує 15% навантаження на премiю. встановлену прямим страховиком для цього портфелю.р. Припустимо. ii) Обчислiть премiю c.р.р. Кiлькiсть позовiв за портфелем страхових полiсiв має розподiл Пуассона з середнiм 200. допоки в нього є грошi. сплачена страховиком.1. Нехай Ik = m xk e−βx dx. Обчислити i) очiкуваний прибуток страхової компанiї за кожним варiантом. Розв’язання.о. тодi сумарнi виплати страховика дорiвнюватимуть T = S − Ru .1.5 Ймовiрнiсть банкрутства 0. розподiлах iндивiдуальних позовiв. то не можна використати згортку для отримання розподiлу T . а Yj = Xj − Wj – величина.о. Страховик розглядає можливiсть укладання угоди перестрахування ексцеденту збитку з утриманням 1 + k. що I0 = 1 −βm e β та Ik = mk −βm k e + Ik−1 . Однак оскiльки цi в. який обчислює премiї. яку сплачує власник полiса. де k – цiле невiд’ємне число. (C) Пропорцiйне перестрахування з рiвнем утримання 75% у перестраховика. iv) За результатами пункту iii) отримайте вираз для EXI .о. Для деякого портфелю страхових полiсiв кiлькiсть позовiв за рiк має розподiл Пуассона з середнiм 25. ii) для кожного типу угоди ймовiрнiсть того. що EXR = 1 502 (I2 m − mI1 ). i) Записати вирази для математичного сподiвання та дисперсiї Xi . сплаченi прямим страховиком та перестраховиком вiдповiдно за iндивiдуальним позовом. Також неможливо записати T як суму н. що власник страхового полiса може заплатити не бiльше u. використовуючи 45% навантаження на ризик. k < 1. d} – це величина. 51 .6. сплачена власником полiса згiдно з франшизою.2. Величини позовiв мають гамма-розподiл iз середнiм 100 та дисперсiєю 5000. використовуючи 55% навантаження на ризик. Задачi Вправа 4. r∞ Вправа 4. v) Отримайте вираз для очiкуваного рiчного прибутку прямого страховика. β β k = 1. Страховик збирається укласти угоду перестрахування ексцеденту iндивiдуального збитку з рiвнем утримання m у перестраховика.в. Нехай S = X1 + · · · + XN – загальнi втрати. i) Покажiть. що розподiли S та Ru ґрунтуються на н. . Нехай Wj = min{Xj . Величини iндивiдуальних позовiв ексконенцiйно розподiленi з середнiм 40. але пiсля моменту вичерпання грошей наступнi Yj будуть замiненi на Xj . Однак з перебiгом року виявилось. чому для неї не виконуються припущення. Зауважимо. Iндивiдуальнi позови за певним типом страхування дорiвнюють 1 (з iмовiрнiстю α) чи 2 (з iмовiрнiстю 1 − α). vi) Таблиця нижче наводить значення очiкуваного рiчного прибутку страховика та ймовiрностi банкрутства для рiзних рiвнiв утримання m: m 36 50 100 Прибуток 1. Для знаходження розподiлiв S та Ru можна використати описанi ранiше аналiтичнi методи. що на iндивiдуальнi позови встановлено франшизу d. Yj .01 0. Вiдповiдно до цього власником полiса фактично сплатить Ru = min{R. використовуючи 40% навантаження на ризик. використовуючи нормальну апроксимацiю. Нехай Xi позначає величину сплачену страховиком за i-им позовом.

ii) Нехай тепер α = 0. Страхова компанiя С моделює величину втрат за кожним полiсом зi свого портфелю як такi. що вiд 30% цих полiсiв щороку надходитимуть позови. i) Обчислiть сумарну величину позовiв. Вправа 4. Перестраховик встановив премiї для двох рiвнiв перестрахування наступним чином (числа у тис. Страхова компанiя має 200 полiсiв у портфелi та хоче укласти договiр перестрахування ексцеденту збитку для усiх полiсiв з портфелю. щоб iмовiрнiсть того. 2. i С очiкує. та 0 iнакше. 334 дає необхiдний страховику результат. С вивчає угоду перестрахування. Вправа 4.070 та стандартним вiдхилом 10. i) В. d > 0 ( ) L+d w λα αd + λ α(L + d) + λ xf (x)dx = − .5 38. що й ранiше. i) В. X має логнормальний розподiл iз параметрами µ та σ та зi щiльнiстю f (x). параметри якого треба вказати. чи порадили б ви С укладати перестрахову угоду з R та чому. iii) Нехай K дорiвнює числу позовiв. що все iнше залишиться незмiнним. яка набуває значення 1. iii) Iнший аналiтик вважає. Обчислiть очiкувану сумарну величину позовiв. Перестрахова компанiя R пропонує забезпечити покриття на наступний рiк за рiчну премiю £300. У портфелi є 300 полiсiв. Покажiть. Показати. α − 1 (λ + d)α (λ + L + d)α d ii) Позови за деяким класом страхових полiсiв мають розподiл Парето з середнiм £3 000 та стандартним вiдхилом £6 000. Страхова компанiя має покриття перестрахування ексцеденту збитку з рiвнем утримання £8 000. обчислiть. Величини iндивiдуальних позовiв мають експоненцiйний розподiл iз середнiм λ1 . припускаючи. коли i-й позов залучає перестраховика. Страховик уклав угоду перестрахування ексцеденту збитку з утриманням M . ii) Нехай Ii – це iндикаторна змiнна. до яких залучено перестраховика. який iз рiвнiв утримання дає бiльший прибуток (iгноруючи ставлення страховика до ризику). i) Записати вираз для ймовiрностi того.5. 2 σ a де Φ – функцiя розподiлу стандартного нормального розподiлу. що сумарнi позови за рiк перевищить 700 не перевищувала 1%. Число позовiв N за портфелем страхових полiсiв має бiномiальний розподiл з параметрами n та p. що для a > 0 { }( ( )) w∞ σ2 ln a − µ − σ 2 xf (x)dx = exp µ + 1−Φ .2 (a) Для кожної перестрахової угоди обчислiть iмовiрнiсть того. який iз рiвнiв утримання дасть бiльший прибуток наступного року? Вправа 4. C просить вашої поради. що для L. за якою перестраховик покриватиме ексцес iндивiдуального збитку понад £2500 за кожним позовом iз портфелю. що для покриття iндивiдуального позову буде залучено перестраховика.6. Аналiтик припускає. передану перестраховику R за цим припущенням. £): Рiвень утримання 25 30 Премiя 48. Кiлькiсть позовiв протягом року розподiлена за законом Пуассона з середнiм 500. що в наступному роцi iнфляцiя збiльшить середнє та стандартний вiдхил величини позовiв за портфелем на 8%.7. що позови мають логнормальний розподiл. приймати цю пропозицiю або нi. передану перестраховику. Покажiть.4. передану перестраховику R за всiм портфелем. 52 . Вправа 4. Якщо перестраховик встановить такi самi премiї. ii) Прокоментуйте вашу вiдповiдь в i) щодо того. (b) Дослiджуючи середню величину кожного позову. iv) Записати генератрису моментiв K та показати. тобто K = I1 + · · · + IN . Обчислiть генератрису моментiв MIi (t). становить £6 000. iv) Прокоментуйте вашу вiдповiдь в iii). яку перестраховик вiдшкодує за iндивiдуальним позовом. £). X має розподiл Парето з параметрами α та λ.132 (у тис. Страховик хоче встановити утримання таким чином. що вибiр k = 0. Для довiльного року вiд 20% полiсiв очiкують виникнення позову. що K має бiномiальний розподiл.в. що поданий позов залучатиме перестраховика. Максимальна величина. що мають середнє та стандартний вiдхил рiвнi £500. що величина втрат має експоненцiйний розподiл. ii) Позови за певним видом страхування мають логнормальний розподiл iз середнiм 9.в. (c) Страховик очiкує.

10. (b) Припускаючи. що значення оцiнки максимальної вiрогiдностi α ˆ= 1. x Укладено договiр перестрахування ексцеденту збитку з утриманням M . . Вправа 4. перевiрте. що до позову було залучено перестраховика. що величина збиткiв вiдповiдає експоненцiйному розподiлу з параметром λ. l}. X.в. що P(X > x) = λx . 200 + x Всього за цим портфелем подано n позовiв. Розподiл в. Величини ∑l меншi за утримання є {xi : i = 1. поданим протягом року. якi повнiстю покрив страховик. x > 0. що до покриття позову буде залучено перестраховика. яку сплатить наступного року перестраховик за позовами. 75. якi його залучатимуть. загалом виплачено £76 457. Позови за портфелем полiсiв загального страхування мають розподiл Парето зi щiльнiстю f (x).(a) Обчислiть середню величину позову. є розподiлом Парето iз середнiм £350 i стандартним вiдхилом £452. де αλα f (x) = α+1 . Обчислiть ймовiрнiсть того. Вправа 4.12. оцiнiть середнi величини. сплаченi страховиком та перестраховиком за позовом. 4 (xi > M )}. . λ) = 1 − . що оцiнка максимальної вiрогiдностi параметра α. Спецiалiст зiбрав наступну iнформацiю за минулий рiк. (n − l) ln(200 + M ) − n ln 200 + y ii) З досвiду минулого року вiдома така iнформацiя: M = 600. • Ще за 26 iншими позовами. ii) Порiвняйте вiдповiдь в i) з очiкуваними втратами EX. Позови. Вправа 4. • Для покриття 11 позовiв було залучено перестраховика. сплаченого перестраховиком за позовами. . (400 + x)4 Власний рiвень утримання власника полiса (тобто безумовна франшиза) за цими полiсами становить £100. Вправа 4. якi не обробляли. ( )α i) (a) Покажiть. (b) Хоча очiкують. Величина збитку X за певним видом страхових полiсiв має розподiл Парето зi щiльнiстю f (x). M > λ. Спецiалiст iз автомобiльного страхування опрацьовує полiси iз безумовною франшизою £500 для кожного позову. але угода перестрахування залишиться незмiнною.9. мають розподiл Парето з функцiєю розподiлу ( )λ 200 F (x. Вiдоме значення статистики i=1 ln(200 + xi ) = y. Вправа 4. 53 . i) Покажiть. ii) Останнього року надiйшло 10 позовiв. 2. n = 500. Позови. а решту покриває перестраховик. сплаченої перестраховиком за умови. Вважають. З них l мали величини меншi за рiвень утримання. . 3. з яких до 4 було залучено перестраховика. 75. 2. Запишiть функцiю вiрогiдностi для цих даних. позначено {xi : i = 1. яка описує серйознiсть збиткiв за позовами з портфелю полiсiв нежиттєвого страхування. якщо страхова компанiя застосовує перестрахування ексцеденту збитку з рiвнем утримання £1200. x > λ. бо величина збиткiв була меншою за франшизу. 269. (a) Використовуючи результат пункту i). • Надiйшло 5 позовiв. Страхова компанiя уклала договiр перестрахування. для покриття яких було залучено перестраховика. до покриття яких його було залучено. x > α. що α = 1. y = 2209. сплачену страховою компанiєю. дорiвнює α ˆ= l .8. щодо кожного з яких укладено договiр перестрахування ексцеденту збитку з рiвнем утримання M > 0.11. (b) Отримайте вираз для очiкуваної величини. l = 400. якi поданi до прямого страховика та позначенi через X. де 3 · 4003 f (x) = . Страхова компанiя має портфель полiсiв. за яким страховик сплачує не бiльше £4500 за кожним iндивiдуальним позовом. Запишiть логарифмiчну функцiю вiрогiдностi λ. i) Обчислiть очiкувану величину позову. що наступного року величина позовiв за цими полiсами зросте на 10%. Обчислiть середню величину позову.

купувати перестрахування ексцеденту збитку чи пропорцiйне. обчислiть значення k таке. що збитки мають експоненцiйний розподiл. iii) Iнший аналiтик вважає. обчислiть DXIпроп та DXIексц . застосуйте метод квантилiв (оснований на 25%-му та 75%-му квартилях) для оцiнювання цих параметрiв. отримайте оцiнки цих параметрiв методом моментiв. 7EX. що коли d = 1189. що величини збиткiв X.Вправа 4. для покриття яких буде залучено перестраховика. ii) Прокоментуйте вiдповiдь в i) та вкажiть основнi пункти. С розглядає можливiсть укладання перестрахової угоди. Страхова компанiя С моделює таку величину збиткiв для кожного позову зi свого портфелю полiсiв. цедовану до R. за всiм портфелем. iii) Припускаючи. то EXIексц = 0. Оцiнiть частку позовiв. за цього припущення.15. iii) Компанiя хоче придбати перестрахове покриття i має вирiшити. коли будете радити С приймати пропозицiю R чи нi. i) Обчислiть очiкувану величину позову. вказаний у ii). Вправа 4. є незалежно розподiленими з середнiм £800 та стандартним вiдхилом £1200. С просить Вашої поради. щоб середнє та стандартний вiдхил дорiвнювали £500. 4. Використовуючи розподiл збиткiв. xf (x)dx = e σ M де Φ – функцiя розподiлу стандартної нормальної в. XR = kX та ексц XIексц = min{X.в. Визначте значення параметрiв логнормального розподiлу з такими середнiм i стандартним вiдхилом. отримайте оцiнки максимальної вiрогiдностi цих параметрiв. що EXIпроп = 0. σ { } (log x − µ)2 exp − . що позови вiдповiдають розподiлу Вейбулла з параметрами c та γ. Вправа 4. якi надiйшли вiд певного класу страхових полiсiв. Величини. iv) Страхова компанiя уклала договiр перестраховування ексцеденту iндивiдуального збитку з рiвнем утримання 3000. 2σ 2 xσ 2π 1 √ ii) Припускають. 7EX. i С очiкує. (Вказiвка: для логнормального розподiлу: ( ( )) w∞ 2 ln M − µ − σ 2 µ+ σ2 1−Φ . сплаченi прямим страховиком та перестраховиком позначено вiдповiдно проп XIпроп = (1 − k)X. v) Прокоментуйте вiдповiдi в iii) та iv). використовуючи всi описанi вище моделi. ii) Припускаючи. на якi Ви наголосите.13. i) Покажiть. що надiйшов iз портфелю. та покажiть. цедовану до R. d}. були такими: 1330 309 201 111 35 4685 2368 617 442 843 i) Припускаючи. Обчислiть очiкувану величину позову.) iv) Прокоментуйте вiдповiдь у iii). приймати цю пропозицiю чи нi. якi надходять вiд портфелю полiсiв загального страхування. iv) Використовуючи значення k та d з iii). що за 30% з них щороку виникатиме позов. Всього у портфелi 200 полiсiв. 54 . що w∞ xf (x)dx = eµ+ σ2 2 M де f (x) = ( ( )) ln M − µ − σ 2 1−Φ . Останнi 10 позовiв. Аналiтик припускає. Перестрахова компанiя R пропонує покриття на наступний рiк за рiчну премiю завбiльшки £300. що позови вiдповiдають логнормальному розподiлу з параметрами µ та σ 2 . за якою перестраховик сплачуватиме перевищення понад £2500 для кожного iндивiдуального позову. що позови надходять з розподiлу Парето з параметрами α та λ. що збитки мають логнормальний розподiл.14. XR = (X − d)+ .

звiдки pN (0. t) o(h) = −αpN (0. Випадкова подiя A ={протягом часу [0. В. X(t). 1. t + h) − pN (0. Тому в силу (I) pN (0. то pN (0. Позначимо pN (k. N (T ) має розподiл Пуассона з параметром αt. що протягом iнтервалу [t. h h Переходячи до границi при h → 0 в останнiй рiвностi. t): dpN (0. Випадковi процеси Теорiя випадкових процесiв має справу з вивченням випадкових величин. t ∈ T } є функцiя X(T ) : T → S.2) Згiдно з припущенням (III) ∞ ∑ pN (k. k = 0. t)pN (j. пов’язанi з появою позовiв на iнтервалах часу. З припущення (II) випливає. тобто (αt)k −αt e . t + h) не надiйшло жодного позову} є перетином двох випадкових подiй: B ={протягом часу [0. якi надiйшли протягом часу [0. Нехай N (t) – кiлькiсть позовiв. h) = αh + o(h). а залежить лише вiд h. що надiйшли протягом iнтервалу часу [t. t) = e−αt . якi не перетинаються.в. є o(h). h). нехай кожному t ∈ T поставлено у вiдповiднiсть в.1. Теорема 5. h) = 1 − αh + o(h). . Реалiзацiєю або вибiрковою функцiєю випадкового процесу {X(t).2) та (5. що протягом iнтервалу [t. dt Загальний розв’язок цього рiвняння має вигляд pN (0. тодi кажуть. є незалежними випадковими подiями. Випадковий процес X(t) називають процесом iз незалежними приростами. h→0 (IV) ймовiрнiсть того.в. 0) = 1. h).4) . t) = P(N (t) = k). t + h) = pN (k. h) = 1 − ∞ ∑ pN (k. t ∈ T }. t+h). h) + pN (k − 1. (5. одержимо таке диференцiальне рiвняння для функцiї pN (0. t) = k=1 i тому pN (0. t). .2. t) . t) не надiйшло жодного позову} та C ={протягом часу [t.в. Отже. (5. Має мiсце таке твердження. t). t + h). t) + pN (0. але оскiльки вiдомо. t)pN (0. t + h) = pN (0.3) k=1 Об’єднуючи (5. де α – стала. P(C) = pN (0. (5. що на T задано випадковий процес {X(t). Пуассонiв процес Зробимо такi природнi припущення про характер надходження позовiв: (I) подiї. t). . X(t) − X(s) та X(u) − X(v) є незалежними для будь-яких s < t ≤ u < v. P(B) = pN (0. t) = c exp{−αt}. (5. Отже. h). що в момент часу t = 0 позовiв не було. (II) розподiл кiлькостi позовiв.1. якi залежать вiд параметру t з деякої множини T . Запишемо рекурентне рiвняння для k ≥ 2. t)(1 − αh + o(h)). t + h) = pN (0.3). t+h) буде подано принаймнi один позов. якщо в. дорiвнює αh+o(h). не залежить вiд t.1) k! Доведення. (III) ймовiрнiсть того. звiдки c = 1. t + h) не надiйшло жодного позову}. t)pN (0. а lim o(h) h = 0. що P(A) = pN (0.Роздiл 5 Процес Пуассона 5. 5. t) = −αpN (0. аналогiчних проведеним вище. pN (0. . маємо рiвнiсть pN (k. t + h) виникне бiльш нiж один позов. маємо pN (0. З мiркувань. t)pN (1. яка ставить у вiдповiднiсть кожному t ∈ T одне з можливих значень X(t) ∈ S (S – множина можливих значень X(t)). pN (k. h) + k ∑ j=2 55 pN (k − j.

. З незалежностi приростiв та (5. n = 0. Вiдзначимо також. 3. −αt Пiдставляючи pN (k. У полiсi зазначено.6). . P(W2 > t) = e−λt та W2 не залежить вiд W1 .3) та (5. W5 . t + h) = pN (k. що надходження позовiв. 2.1). k! що й доводить (5. . 2.в. . що протягом року не надiйде жодного позову. (5. t). h) = αh + o(h).5)–(5. 5. Щоб переконатися в цьому. t) = −αpN (k. (5. Подiї. i) Величини сплачених позовiв (у £100) вiдповiдають гамма-розподiлу з параметрами α = 2 та λ = 1.2. що Q0 (t) = 1 та Qk (0) = 0.4) випливає pN (k. W4 .1. t) + αpN (k − 1.5) j=2 pN (k − j. i) Визначте ймовiрнiсть того. h) = o(h). t) + . Важливою властивiстю процесу Пуассона є те. що випливає з властивостi вiдсутностi пам’ятi експоненцiйного розподiлу: P(Wn+1 > t + s|Wn+1 = s) = e−λt для всiх s ≥ 0. Вправа 5. P(W2 > t|W1 = s) = P(W1 + W2 > s + t|W1 = s) = P(Nt+s = 1|Ns = 1) = P(Nt+s − Ns = 0|Ns = 1) = P(Nt+s − Ns = 0) внаслiдок умови (II). t)pN (j. з (5. Аналогiчно. отже. якi виникають за полiсом страхування промислового об’єкта. dt Вiдзначимо.8). h) − j=1 ∞ ∑ ∞ ∑ pN (j. (5.7) dt з початковими умовами pN (k. t)(1 − αh + o(h)) + pN (k − 1. 1.9) Крiм того. в (5. можна змоделювати за допомогою процесу Пуассона з iнтенсивнiстю 0. . 56 . k = 1. t) = −αpN (k.Згiдно з припущенням (IV) ∞ ∑ pN (j. h) = ∞ ∑ pN (j. t + h) − pN (k. . зроблених протягом деякого року. отримаємо Qk (t) = (5. h h Переходячи до границi при h → 0 в останнiй рiвностi. . Задачi Вправа 5. отримаємо рекурентну систему диференцiальних рiвнянь dpN (k. виникають згiдно процесу Пуассона з iнтенсивнiстю 0. 0) = 0. j=2 i тому pN (1. Для її розв’язання введемо функцiї Qk (t) = eαt pN (k. . .8 на рiк. W3 . Обчислiть математичне сподiвання сумарних виплат. Припускають. якщо вiдомо про покриття принаймнi одного позову в цьому роцi. звiдки o(h) pN (k. . . h) ≤ j=2 ∞ ∑ pN (j. зроблених протягом деякого року. Остання рiвнiсть виконується для всiх s. h) = o(h). ii) Обчислiть математичне сподiвання сумарних виплат. 2. що страхова компанiя покриває лише першi три позови протягом одного року. . позначимо через Wj час мiж подiями j − 1 та j. t) (5. . що час вiд фiксованого моменту t0 ≥ 0. j = 1. t) = Qk (t)e k ≥ 0.3. .в.8) (λt)k .5 на рiк.. коли сталася подiя. . i тому W1 має експоненцiйний розподiл з середнiм 1 λ. k ≥ 1. до наступної подiї також розподiлений експоненцiйно з середнiм 1/λ. що промiжки часу мiж подiями є незалежними та однаково розподiленими за експоненцiальним законом в.9) маємо P(W2 > t|W1 = s) = e−λt . t)αh + o(h).7). Тодi P(W1 > t) = P(Nt = 0) = e−λt . t) ≤ 1. що можуть призвести до позову. t) + αpN (k − 1.6) j=2 бо pN (j. Враховуючи (5. iз середнiм λ1 . незалежнi й експоненцiйно розподiленi з середнiм 1/λ в. Послiдовно розв’язуючи (5. одержимо dQk (t) = αQk−1 (t).

знайдiть вiдносний коефiцiєнт навантаження на премiю. що загальний час. наближено обчислiть найменший коефiцiєнт навантаження на премiю θ такий.6 вiдповiдно. групи полiсiв виникають згiдно процесу Пуассона з параметром λ2 . дисперсiю та коефiцiєнт асиметрiї в.7. що всi полiси є незалежними. що протягом трьох послiдовних рокiв виникне принаймнi один позов в одному з рокiв та жодного у двох iнших. Перша категорiя складається з 400 полiсiв. для якого ймовiрнiсть P(S > y) = 0. Очiкуване кiлькiсть позовiв на рiк вiд кожного полiса дорiвнює λ. Загалом 650 полiсiв було видано двом категорiям працiвникiв. який пасажир провiв. тобто якщо Xi – час очiкування протягом i-го 1 дня. Перевiрку на банкрутство здiйснюють лише в кiнцi року.в. λ > 0. Нехай S – сумарнi рiчнi виплати за портфелем.4 та 0. перевищить 27 годин. позови за кожним полiсом надходять вiдповiдно до процесу Пуассона з середньою iнтенсивнiстю один на 20 рокiв. Iндивiдуальнi величини позовiв становлять £100 з iмовiрнiстю 14 . ii) Страхова компанiя уклала угоду страхування працiвникiв вiд нещасних випадкiв.05. 57 .3. що загальний час. що до зробленого позову буде залучено перестраховика. що пройде бiльше двох рокiв до моменту подання наступного позову. ii) Наприкiнцi стоденного перiоду частота прибуття автобусiв збiльшилась i тепер у середньому становить один на 10 хвилин (досi згiдно процесу Пуассона). обчислiть iмовiрнiсть того.в. Позови з портфелю 100 полiсiв загального страхування надходять згiдно процесу Пуассона. S. який пасажир провiв в очiкуваннi протягом 199 днiв. (незалежну вiд величин позовiв) зi щiльнiстю g(λ) = 100λe−10λ . щоб iмовiрнiсть банкрутства в момент часу 3 не перевищувала 0. що S = S1 + S2 також має складний розподiл Пуассона та отримайте пуассонiвський параметр для S. який має бути використаний. Вважають. Страхова компанiя має два портфелi незалежних полiсiв. Вправа 5. тобто страхова компанiя не сплачуватиме щороку за позовами бiльше нiж ця величина. Обчислiть (наближено) ймовiрнiсть того. а щiльнiсть розподiлу iндивiдуальних величин позовiв має вигляд x 1 f (x) = xe− 100 . Пасажир ловить щоранку автобус ще протягом 99 днiв. знайдiть y. У цiй категорiї величина позову дорiвнює £2000 чи £3000 з iмовiрностями 0. покажiть. Протягом наступного року пiсля прийняття перестрахової угоди внаслiдок змiн виробничих умов. У цiй категорiї величина всiх позовiв дорiвнює £3000. з кожного портфелю позови надходять згiдно процесу Пуассона. i) Обчислiть (наближено) ймовiрнiсть того. У другому портфелi величина позовiв розподiлена експоненцiйно з середнiм £4000 та очiкують 30 позовiв на рiк. ймовiрнiсть позову в другiй групi впала до нуля. Страховик до всiх полiсiв додає 10% навантаження на премiю. ii) Для даного початкового резерву завбiльшки 2000. перевищить 40 годин. Нехай в. b) Використовуючи нормальний розподiл як апроксимацiю розподiлу S.в. Використовуючи нормальний розподiл як апроксимацiю розподiлу S. Автобус прибуває на зупинку згiдно процесу Пуассона з середньою iнтенсивнiстю раз на 15 хвилин. У другiй категорiї позови за кожним полiсом здiйснюються згiдно iз процесом Пуассона з середньою iнтенсивнiстю один позов на 10 рокiв. Вправа 5. x > 0.6. про якi компанiю не було поiнформовано. Початковий профiцит £1000. що тiльки-но надiйшов позов. iii) Припустимо. i) Позови вiд однiєї групи полiсiв певного типу виникають згiдно процесу Пуассона з параметром λ1 . iii) Опишiть вплив на вiдносний коефiцiєнт навантаження на премiю. 1. Сукупну величину позовiв вiд кожної з груп позначимо вiдповiдно S1 та S2 .4. використовуючи нормальну апроксимацiю до розподiлу сумарних виплат. i) Обчислiть середнє та дисперсiю сумарних рiчних позовiв. Використовуючи метод генератрис (або iнший). a) Обчислiть математичне сподiвання. який би спричинило фiксування λ на своєму середньому рiвнi (без додаткових обчислень). незалежної. £200 з iмовiрнiстю 12 та £250 з iмовiрнiстю 41 . S вiдображає сумарнi виплати за обома портфелями.ii) Визначте ймовiрнiсть того. Використовуючи нормальну апроксимацiю. Пасажир щоранку ловить автобус протягом 100 днiв. 10000 Параметр λ не однаковий для всiх полiсiв. очiкуючи автобуси протягом 100 днiв. c) Страхова компанiя вирiшила залучити перестрахове покриття зi сумарним рiвнем утримання £100 000. так щоб з 95%-ою впевненiстю в кiнцi першого року резерв був додатним. Вправа 5. Визначте ймовiрнiсть. Вправа 5. то Xi має експоненцiйний розподiл iз параметром 15 .5. У першому всi позови однакової величини £5000 та в середньому очiкують 10 позовiв на рiк. Процес сумарних позовiв для певного ризику є складним процесом Пуассона з параметром λ = 20. Вправа 5. Позови вiд другої. але його моделюють як в.

i) Обчислiть середнє та дисперсiю S.
ii) Використовуючи нормальну апроксимацiю до розподiлу сумарних виплат, обчислiть початковий капiтал
u, необхiдний, щоб iмовiрнiсть банкрутства в кiнцi першого року дорiвнювала 0,01.
Страхова компанiя розглядає можливiсть придбання пропорцiйного перестрахування у перестраховика, який
використовує навантаження ξ на свої премiї. Частка кожного позову, утримана прямим страховиком, дорiвнює α ∈ [0, 1].
Нехай в.в. SI вiдображає сумарнi виплати за обома портфелями, зробленими прямим страховиком.
iii) Обчислiть середнє та дисперсiю S.
iv) Використовуючи нормальну апроксимацiю до розподiлу SI , покажiть, що початковий капiтал u′ , необхiдний, щоб iмовiрнiсть банкрутства в кiнцi першого року дорiвнювала 0,01, можна записати так:
u′ = αu + (1 − α)(ξ − 0, 1)ES.
v) Покажiть, що u > u′ , коли ξ < 0, 476.
vi) Покажiть, що u − u′ спадає, коли ξ зростає, та пояснiть, яке практичне значення має цей результат.

58

Роздiл 6
Системи знижок за вiдсутнiсть позовiв
6.1. Системи бонус-малус розрахунку премiй з урахуванням попередньої
iсторiї подання позовiв
Пiд час прийняття рiшення про величину премiї, яку повинен заплатити страхувальник, багато страхових компанiй використовують iнформацiю про кiлькiсть позовiв, заявлених власником полiса протягом
попереднiх рокiв. Це дає можливiсть краще визначити вiрогiднiсть того, що власник полiса звернеться з
позовом у майбутньому.
Залежно вiд ступеня ризику в кожному конкретному випадку ставки страхових платежiв можуть бути
зниженi або пiдвищенi шляхом застосування вiдповiдних коефiцiєнтiв.
Надання знижки за вiдсутнiсть страхових випадкiв або навпаки, збiльшення тарифу при їх наявностi,
носить назву системи бонусiв, принцип якої полягає у вториннiй диференцiацiї премiї, тобто застосування
знижок або надбавок до iндивiдуальних договорiв, якi вiдносяться до однiєї однорiдної групи за певною
ознакою залежно вiд збитковостi, яка склалася для iндивiдуального клiєнта.
Такi системи часто застосовують при страхуваннi автотранспорту, цивiльної вiдповiдальностi власникiв
транспортних засобiв i подiбних їм ризикiв, в основному пов’язаних iз майном чи вiдповiдальнiстю.
Застосування системи знижок за вiдсутнiсть страхових випадкiв iнодi називають системою дисконтування за вiдсутнiсть вимог виплат 1 або знижкою за безаварiйнiсть. В європейськiй страховiй традицiї
такi системи називають системами бонус-малус 2 , що в перекладi з латинi означає “хороший-поганий”.
Надаючи знижку за вiдсутнiсть страхових випадкiв, страхова компанiя зберiгає iснуючих клiєнтiв i
залучає нових, якi, у свою чергу, сподiваються на надання такої знижки.
За наявностi великої кiлькостi вимог вiд одного страхувальника протягом перiоду страхування можливий iнший розвиток подiй — пiдвищення тарифiв. Розмiр знижок безпосередньо залежить вiд кiлькостi рокiв
без позовiв вiд клiєнта.
Коли власник полiса вирiшує, чи звертатися з позовом, чи нi, вiн має взяти до уваги вплив позовiв
на величину премiї в наступнi роки. Таким чином, однiєю з причин введення системи знижок є намагання
уникнути малих позовiв. Власник полiса не звернеться з позовом, якщо розмiр виплати буде меншим, нiж
наступне збiльшення страхової премiї. Отже, система знижок за вiдсутностi вимог виплат зменшує кiлькiсть
малих позовiв до страхової компанiї i загальну вартiсть позовiв, що перекриває зменшення надходження
премiй. Ще важливiшим є зменшення витрат на адмiнiстрування вимог. Чим меншу кiлькiсть вимог треба
адмiнiструвати, тим меншими можна зробити нарахування (на величину премiї) на витрати для клiєнта.
Зменшуючи кiлькiсть малих позовiв, фiрма витiсняє позови, вартiсть адмiнiстрування яких (у вiдсотках вiд
розмiру виплат за позовом) є непропорцiйно великою. Це робить величини премiй даної страхової компанiї
бiльш конкурентноспроможними.
У системi бонус-малус видiляють двi частини: дисконтнi категорiї та правила переходу мiж категорiями.
Щоб дослiдити властивостi таких систем, треба знати щорiчну ймовiрнiсть позову для даного клiєнта.
Дисконтнi категорiї
Часто категорiї пов’язують iз кiлькiстю рокiв без позовiв. У той же час правило переходу фактично не
пов’язанi з кiлькiстю рокiв пiсля позову. Поява вимоги не означає для клiєнта вiдмiни знижок: як правило,
клiєнт просто переходить до iншої категорiї з меншим дисконтом.
Приклад 6.1.1. Розглянемо систему бонус-малус, яка має три категорiї:
Категорiя
0
1
2

Дисконт, %
0
25
40

У категорiї 0 клiєнт платить певну премiю, розмiр якої визначається персонально залежно вiд iндивiдуальних особливостей застрахованого (наприклад, вiку, статi), якi є рейтинговими факторами. Для простоти
розглянемо множину застрахованих, яких можна вважати однаковими вiдносно рейтингових факторiв. У
цьому разi повна премiя однакова для всiх полiсiв у портфелi.
У категорiї 1 власник полiса платить лише 75% повної премiї, а в категорiї 2 – лише 60%. Якщо
застрахований не подає жодного полiсу протягом року, то вiн переходить до наступної категорiї (чи залишається у категорiї 2). Якщо подано один чи бiльше позовiв, то клiєнт переходить на нульовий рiвень
дисконту.
Зауваження 6.1.1. Зазвичай застосовують п’ять-шiсть (iнодi значно бiльше) категорiй, i позов може спричинити перехiд бiльш нiж на одну категорiю.
1 No claims discont system, NCD-system (англ.) – це визначення переважно застосовують в англомовних країнах: Великобританiї та Австралiї
2 Bonus-Malus System, BMS (англ.)

59

Матриця переходiв
Позначимо очiкувану частку власникiв полiсiв у j-iй дисконтнiй категорiї, j = 0, 1, . . . , n, t-ий рiк тривалостi
договору страхування (чи iнший перiод часу) через πj (t). Зауважимо, що π0 (t)+π1 (t)+· · ·+πn (t) = 1. Розподiл
власникiв за категорiями зобразимо за допомогою вектора π(t) = (π0 (t), π1 (t), . . . , πn (t)). Ймовiрностi того,
що власник полiса з категорiї i (у даному роцi) перейде до категорiї j (у наступному роцi) не залежать вiд
моменту часу t i можуть бути зображенi за допомогою матрицi перехiдних iмовiрностей
 p
p01 p02 . . . p0n 
00
p
 10 p11 p12 . . . p1n 


P =  p20 p21 p22 . . . p2n  ,
.
.
.
.
..
 .
.. 
..
..
.
.
pn0 pn1 pn2 . . . pnn
де pij , i, j = 0, 1, . . . , n, – ймовiрнiсть переходу з категорiї i до категорiї j.
Припустимо, що всi клiєнти починають з категорiї 0. Тому на початку першого року дiї полiса, тобто в
момент t = 0, π0 (0) = 1, i розподiл клiєнтiв за категорiями заданий вектором π(0) = (1, 0, . . . , 0). На початку
другого року власники полiсiв будуть перерозподiленi по кожнiй категорiї згiдно з iмовiрностями переходу
p0j зi стану 0 в стан j, тобто π(1) = (p00 , p01 , . . . , p0n ) = π(0)P . Аналогiчно,
π(t) = π(t − 1)P = · · · = π(0)P t .
Обґрунтуємо цей висновок та проаналiзуємо поведiнку π(t) для великих значень t, використовуючи
основнi поняття теорiї ланцюгiв Маркова з дискретним часом i скiнченною кiлькiстю станiв.

6.2. Ланцюги Маркова з дискретним часом i скiнченною кiлькiстю станiв
6.2.1. Визначення та властивостi
Нехай U = {u0 , u1 , . . . , un } – деяка скiнченна множина, елементи якої будемо називати станами. Для
простоти надалi U = {0, 1, 2, . . . , n}. Розглянемо деякий процес, який у момент часу t (де t = 0, 1, 2, . . . )
може перебувати в одному iз цих станiв, а в момент t + 1 перейти в деякий iнший стан чи залишитися в
попередньому. Кожен такий перехiд не є точно визначеним: iз певними ймовiрностями процес може перейти
в один iз станiв i ∈ U . Якщо ймовiрностi переходу залежать лише вiд часу t i стану, в якому перебуває процес в
цей час, i не залежать вiд станiв, в яких процес перебував у моменти 0, 1, 2, . . . , t−1, то такий процес називають
ланцюгом Маркова з дискретним часом i скiнченною кiлькiстю станiв, тобто послiдовнiсть дискретних в.в.
{X(t)}t≥0 утворює ланцюг Маркова з дискретним часом, якщо має мiсце маркiвська властивiсть
P(X(t+1) = it+1 |X(t) = it , X(t−1) = it−1 , . . . , X(0) = i0 ) = P(X(t+1) = it+1 |X(t) = it ),

ik ∈ U, k ≥ 0. (6.1)

Ланцюг Маркова повнiстю заданий, коли визначений розподiл ймовiрностей π(0) = (π0 (0), π1 (0), . . . , πn (0))
перебування процесу в станах k ∈ U у початковий момент часу t = 0, тобто πk (0) = P(X(0) = k), та визначенi
ймовiрностi pij (t) = P(X(t + 1) = j|X(t) = i) переходу зi стану i ∈ U в стан j ∈ U в наступнi моменти часу
t = 1, 2, . . . . Якщо ймовiрностi переходу не залежать вiд часу (тобто pij (t) = pij для довiльного t), то такий
ланцюг Маркова називають однорiдним. Саме однорiднi ланцюги Маркова ми i будемо вивчати.
Граф переходiв ланцюга Маркова
Поширеним способом вiзуального задання ланцюга Маркова є граф переходiв. Вершини цього графа ототожнюють зi станами, а орiєнтоване ребро з початком у вершинi i та кiнцем у вершинi j, сполучає цi вершини
лише у тому випадку, коли ймовiрнiсть переходу pij ̸= 0. Дану ймовiрнiсть переходу також пишуть бiля
вiдповiдного ребра.
Приклад 6.2.1 (Продовження прикладу 6.1.1). Припустимо, що ймовiрнiстю p власник полiса залишається у категорiї 0, з iмовiрнiстю q переходить вiд першої до другої дисконтної категорiї та з iмовiрнiстю
s залишається у категорiї 2. Тодi матриця перехiдних iмовiрностей дорiвнює
)
(
p
1−p 0
1−q
0
q
,
P =
1−s
0
s
а граф переходiв вiдповiдного ланцюга Маркова має вигляд

Рис. 11. Граф переходiв ланцюга Маркова з прикладу 6.2.1

60

Елементи цих степеней самi допускають цiкаву ймовiрнiсну iнтерпретацiю. X(1) = i1 .it ∈U Фiксуючи в останнiй сумi it−1 та пiдсумовуючи за iншими iндексами. Теорема 6.2) u∈U або. . .. . . X(t) = it )P(X(t + 1) = k|X(0) = i0 . s = 0. 1.it ∈U = ∑ P(X(0) = i0 . i0 . X(t + 1) = k) i0 . 2. Тодi ∑ P(X(t + 1) = k) = P(X(t) = j) · pjk . ймовiрностi (t) переходу за t крокiв зi стану i у стан j.2) просте i ґрунтується на формулi повної ймовiрностi та маркiвськiй властивостi (6. . . .2.. X(1) = i1 . .2.. в матричнiй формi. P – матриця перехiдних iмовiрностей.1) цей вираз дорiвнює ∑ P(X(0) = i0 . Тому i-ий рядок t-ої степенi матрицi переходу дає ймовiрностi перебування в одному з можливих станiв у момент t за умови. . Теорема 6.. t = 0.2 π(t) = π(0)P t . X(s) = u|X(0) = i) = ∑ u∈U P(X(t + s) = j|X(s) = u. P (t+s) = P (t) P (s) . . що ∑ P(X(t) = k) = P(X(t − 1) = u)puk . 61 . . що процес почався зi стану i. Але π(0)P t – це i-ий рядок матрицi P t . . .. (6. . 1. Доведення спiввiдношення (6. .2 показують. .. 2 . t ≥ 1. Нехай π(t) – розподiл iмовiрностей перебування ланцюга Маркова {X(t)}t≥0 на множинi станiв U в момент часу t. . . .2. X(t) = it . X(1) = i1 . X(t) = it . .3 (Рiвняння Колмогорова-Чепмена). ∑ (t) (s) (t+s) pij = piu puj . .. . .1. . X(1) = i1 . 2. Нехай вектор π(t) = (π0 (t). 6.. . X(0) = i)P(X(s) = u|X(0) = i) u∈U = ∑ P(X(t + s) = j|X(s) = u)P(X(s) = u|X(0) = i) = u∈U ∑ (s) (t) piu puj . отримуємо наступну теорему. Рiвняння Колмогорова-Чепмена (t) Позначимо через pij = P(X(t) = j|X(0) = i) = P(X(t + s) = j|X(s) = i). . .. отримаємо. . X(1) = i1 . Тому ймовiрнiсть цiєї подiї дорiвнює сумi ймовiрностей здiйснення кожної такої траєкторiї: ∑ P(X(t) = k) = P(X(0) = i0 .в.j=0 . Тодi π(t) = π(0)P t . що ключовим у вивченнi розподiлiв перебування процесу на множинi станiв є вивчення степеней матрицi перехiдних iмовiрностей. що для однорiдних ланцюгiв (k) Маркова ймовiрностi переходу за k крокiв pij є елементами k-их степеней матрицi P . πn (t)) визначає розподiл iмовiрностей перебування процесу в станах 0.2.1): ∑ (t+s) pij = P(X(t + s) = j|X(0) = i) = P(X(t + s) = j. Послiдовно застосовуючи цю формулу. X(t) = it ). n у момент часу t. .it ∈U = ∑ P(X(0) = i0 . . . Нехай послiдовнiсть в. t = 0. . X(t) = it )P(X(t + 1) = k|X(t) = it ) i0 . X(t) = it )pit k . Подiя {X(t + 1) = k} є реалiзацiєю тих траєкторiй iз множини усiх траєкторiй {X(0) = i0 .1 можна подати у формi π(t + 1) = π(t)P.it ∈U За маркiвською властивiстю (6. u∈U Зауваження 6. 1.i1 . якi завершуються станом it+1 = k. . у якого i-та компонента дорiвнює 1.Теорема 6. u∈U Результат цiєї теореми можна записати у матричнiй формi. {X(t)}t≥0 утворює однорiдний ланцюг Маркова з дискретним часом i скiнченною множиною станiв U = {0. Тодi твердження теореми 6. i0 . . n} та матрицею перехiдних iмовiрностей P = (pij )ni. розглянемо в якостi початкового вектора π(0) вектор. .. що означає.. . Зауважимо. . . Доведення..i1 . X(1) = i1 .1. тобто πk (t) = P(X(t) = k) – ймовiрнiсть потрапляння пiсля t переходiв у стан k. . . . . 1. . π1 (t). Це зауваження та теорема 6.i1 . X(t + 1) = it+1 : i0 .. . то P (k) = P k . а всi iншi – 0. Зокрема.i1 . . що оскiльки P (1) = P . . u∈U Доведення... . . . it+1 ∈ U }. Тодi за теоремою 6. Нехай також P (t) = {pij } – матриця таких перехiдних ймовiрностей. 1..

вiдповiдно. якi задовольняють умови (6. πn ) з а) є розв’язками наступної системи рiвнянь: πj = n ∑ πu puj .5). Отже. π1 .6) j = 0. що (t +t) i∈U Але − ∑ i∈U = (t) εpju (t) piu puj ≥ min u∈U (t+1) ≤ mj . πj = 1.3) i. u=0 Доведення. u∈U Звiдси (t+1) mj i. . що (t) pij = P(X(t) = j|X(1) = i) > 0. . Iнакше кажучи.3).2. отримуємо (t0 +t) Mj (t +t) − mj 0 ( ) (t) (t) ≤ Mj − mj (1 − ε) 62 . то використовують познаку i ↔ j. j πj = 1). б) Навпаки. що виконується умова (6. а) Позначимо (t) (t) (t) mj = min pij . Якщо вся множина станiв належить до одного класу еквiвалентностi. то знайдеться t0 таке. . ланцюг Маркова є нерозкладним. Якщо i → j та j → i. якщо з будь-якого його стану можна досягти будь-який iнший стан за скiнченну кiлькiсть переходiв. n}. . Ергодична теорема Стан j називають досяжним зi стану i. n. . Mj i∈U З рiвняння Колмогорова-Чепмена випливає.3.5) j=0 причому для довiльних станiв i та j (t) pij → πj . то такий ланцюг Маркова називають нерозкладним. . а) Якщо для деякого t0 (t ) min pij0 > 0. що Mj Поєднуючи цi двi нерiвностi. j ∈ U .6. j) такий. 1. для доведення (6. . (6. (6. . (t) − mj → 0. бо n ( ∑ i∈U що ≥ (t +t) pij0 (t) Mj (t) (t) piu min puj = mj u∈U u=0 (t+1) ≥ Mj . причому πj > 0 для всiх j ∈ U . . . . Наступна теорема описує широкий клас ланцюгiв Маркова. mj 0 (t) (2t) (t) (2t) Так само показуємо. (t ) mini. π1 . πn такi.4 (Ергодична теорема). що (t+1) pij = ∑ (t) = max pij . π1 . що n ∑ πj > 0. не залежать вiд i. а й утворюють розподiл ∑ iмовiрностей (πj ≥ 0. коли iснують числа π0 .3) досить n n ( ) ) ∑ ∑ (t ) (t) (t) (t) (t) (t ) (t) (t) (2t) piu0 − εpju puj + ε pju puj = piu0 − εpju puj + εpjj .7) piu puj .j то знайдуться числа π0 . . . Теорема 6. якi вiдзначаються так званою властивi(t) стю ергодичностi: границi πj = limt→∞ pij не тiльки iснують. показати. Досяжнiсть j зi стану i позначають i → j. (6. 1. t → ∞. i∈U (t) (6.u (t) ≥ mj =ε≥ n ( ∑ (t) εpju .j pij0 > 0. Дане вiдношення є вiдношенням еквiвалентностi. в) Числа (π0 . . . u=0 (t ) piu0 n ∑ u=0 (t ) min piu0 i.4) та (6. πn . u=0 а значить. Тодi n ∑ (t ) (t) piu0 puj = u=0 (t ) piu0 = min (t) mj (t) Mj Нехай ε = pij0 (t+1) = min pij ≥ 0. . . Нехай P = (pij ) – матриця перехiдних iмовiрностей ланцюга Маркова зi скiнченною множиною станiв U = {0. . Вiдповiдно до цього множину станiв можна розбити на неперетиннi класи еквiвалентностi. (t0 +t) ≤ Mj (1 − ε) + εpjj . якщо iснує момент часу t = t(i. (6. (t +t) ≥ mj (1 − ε) + εpjj . . . u=0 тому ) (t ) (t) (2t) (t) (2t) piu0 − εpju + εpjj = mj (1 − ε) + εpjj . Аналогiчно показуємо.4) t → ∞.

t → ∞. за деякою пiдпослiдовнiстю {tk }k≥1 вираз Mj (t) (t) (t) k → ∞. коли tk → ∞. ( ) (kt +t) (kt +t) (t) (t) Mj 0 − mj 0 ≤ Mj − mj (1 − ε)k ↓ 0. (tk ) Отже. (t) − mjk збiгається до нуля. Але (t) рiзниця Mj − mj монотонна за t. послiдовно застосовуючи k разiв отриману нерiвнiсть. (t) Якщо позначити πj = lim mj .та. що для t ≥ t0 t→∞ [ ] . а це означає. то з отриманих оцiнок випливає. що Mj − mj → 0.

.

t −1 .

(t) .

(t) (t) . .

pij − πj .

що mj ≥ mj 0 > 0. πn ).8). тому що множина станiв скiнченна та πj > 0.3.5) з рiвностi pij = piu puj . πn′ ) – ще один стацiонарний розподiл. Аналiзування стацiонарного стану 6. . . . π1 . Розглянемо розподiл π в якостi початкового розподiлу π(0). . що πj′ = n ∑ πu′ puj . дає єдиний . . . . n. π1 .6) можна подати у матричнiй формi: π = πP. . Стацiонарний розподiл iмовiрностей може iснувати i для неергодичних ланцюгiв. 12 ). Тодi πj′ = n ∑ πu′ puj = · · · = u=0 та з (6. u=0 Зауваження 6.1. границi lim pij не iснують. ≤ Mj − mj ≤ (1 − ε) t0 (t) тобто збiжнiсть pij до граничних значень πj вiдбувається зi швидкiстю геометричної прогресiї. 3 Equilibrium distribution (англ.1. Дiйсно. . n. . j = 0. Дiйсно.4). який задовольняє умови (6. якщо ( ) 0 1 P = 1 0 . коли t ≥ t0 . . Пояснити цю назву можна наступним чином. πj > 0. πn ).8) 6. Умова та рiвностi n ∑ j=0 j=0 (t) pij = 1.6) випливають при граничному переходi (6. . u=0 i взагалi πj (t) = πj . n ∑ (t ) (t) πj = 1 випливає з (6. 1. . π1′ . Умова (6. вiдповiдно. iнодi – розподiлом рiвноваги 3 .3. то систему рiвнянь (6. нехай π ′ = (π0′ .3) безпосередньо випливає з (6. а значить. тобто πj (0) = πj . j = 0. . .5) Очевидно також. який згiдно з умовою q0 + q1 = 1 дорiвнює ( 21 .3. . 1. . .5) випливає. (t) u=0 n ∑ πu′ πj = πj . В той же час система рiвнянь qj = t→∞ розв’язок q0 = q1 . якщо в якостi початкового розподiлу взяти стацiонарний. n ∑ (t+1) (t) в) Рiвняння (6. Тодi πj (1) = n ∑ πu (0)puj = u=0 n ∑ πu puj = πj . . Доведемо єдинiсть цього розподiлу. (6. Єдинiсть стацiонарного стану Кожен розв’язок π = (π0 . називають стацiонарним або iнварiантним розподiлом. π1 . u=0 Якщо граничний розподiл (6. j = 0. тобто для довiльного t P(X(t) = j) = P(X(0) = j). (t) i. . Iнакше кажучи. . 1. . . б) Умова (6.4) заданий вектором π = (π0 . то ( ) ( ) 1 0 0 1 2t+1 P 2t = та P = 0 1 1 0 .) 63 1 ∑ u=0 qu puj . .3) гарантує iснування граничного стацiонарного розподiлу π = (π0 . то вiн не буде мiнятися з часом.5). πn ) рiвняння (6.

IX(t)∈A .6 до в. . Розглянемо стани i та j i покажемо. 1 0 0. проведеного процесом у множинi A.j 2 2 2 (t + 1) (t + 1) (t + 1) 1−ρ (t + 1)(1 − ρ) k=0 l=0 k=0 l=0 64 t → 0. 1 ∑ (k) pij . що (t) |pij − πj | ≤ Cρt . враховуючи те. t → ∞. . 0. X(1). де πA = ∑ πj .l) тут a = min{k. Перш нiж перейти до доведення. – скiнченний ергодичний ланцюг Маркова. Легко пiдрахувати.l)   E (I − π ) |X(0) = i = E(|ν{j} (t) − πj |2 |X(0) = i) = mi. 9π0 = π1 . то для будь-яких ε > 0. 81). π1 . тому що вони. зокрема. 1π0 + 0.5 (Закон великих чисел). t → ∞. π2 ). (π0 .2.j . що (  )2 t t ∑ t ∑ ∑ 1 1 (k. 1 0. t → ∞. . Теорема 6. Отже. π2 ) = 0. взагалi кажучи. t ∑ t t t ∑ 2(t + 1) 8C1 4C1 C1 ∑ ∑ a 1 (k. 1π2 = π0 . що застрахований не звернеться з позовом.9) Доведення. . пiсля чого легко отримуємо розв’язок π = (0. що Eν{j} (t) → πj та. EνA (t) → πA . що для ε > 0 P(|ν{j} (t) − πj | > ε|X(0) = i) → 0. ε2 Тому досить показати. . 0. вiдповiдно. З нерiвностi (6. Тому |mi. 9 0 0.7) E(|ν{j} (t) − πj |2 |X(0) = i) . Час перебування процесу на пiдмножинi станiв Нехай A – деяка група станiв. . Проте доведення можна провести за тiєю самою схемою.j k=0 l=0 ( ) ( ) ( ) = E I{X(k)=j} I{X(l)=j} |X(0) = i − πj E I{X(k)=j} |X(0) = i − πj E I{X(l)=j} |X(0) = i + πj2 (a) (b) (k) (l) = pij pjj − πj pij − πj pij + πj2 . IX(0)∈A . . |εij | ≤ Cρt . 6.l) mi.9. I{X(t)∈A} νA (t) = t+1 – частка часу.Приклад 6. . що pij = πj + εij . t → ∞. j∈A Для ергодичних ланцюгiв можна довести i бiльш сильний результат. 1. що й у випадку незалежних величин. Тодi π є розв’язком рiвняння ( ) 0. t+1 t E(ν{j} (t)|X(0) = i) = k=0 (t) Зi збiжностi pij → πj . 1π1 + 0. . .3. 1 0 0.2. A ⊂ U .в. множини A ∈ U та початкового розподiлу станiв має мiсце закон великих чисел: P(|νA (t) − πA | > ε) → 0. . Додатково використаємо рiвняння π0 +π1 +π2 = 1. (t) (t) (t) (k. l}. зауважимо. 09. де C1 – деяка стала. Якщо X(0).l) · = → 0.1 (Продовження прикладу 6. j∈A то 1 ∑ (k) E(νA (t)|X(0) = i) = pi (A) t+1 t k=0 та. що безпосередньо застосувати теорему 1. IX(1)∈A . 9π2 = π2 . є залежними. b = |k − l|. j {X(k)=j} (t + 1)2 (t + 1)2 P(|ν{j} (t) − πj | > ε|X(0) = i) ≤ k=0 де (k. m (ρ + ρb + ρk + ρl ) ≤ ≤ i.10) За нерiвнiстю Чебишова (1.1). з розподiлу Бернуллi не можна. . . що E(|ν{j} (t) − πj |2 |X(0) = i) → 0. 0.3. π1 . Оскiльки ∑ (t) (t) E(I{X(t)∈A} |X(0) = i) = P(X(t) ∈ A|X(0) = i) = pij ≡ pi (A).9) випливає. (6. 9 (π0 .j | ≤ C1 (ρa + ρb + ρk + ρl ). що для ергодичних ланцюгiв зi скiнченною кiлькiстю станiв iснує таке 0 < ρ < 1. випливає. Введемо величину I{X(0)∈A} + I{X(1)∈A} + . 0. 9π1 + 0. (6. 9 { або 0. Нехай iмовiрнiсть того. дорiвнює 0.

1.1. i власники полiсiв сплачують премiї. наприклад. Неоднорiднiсть портфелю Один iз чинникiв. як на те сподiвалися. 0. до якої дисконтної категорiї належить застрахований. − 0. 6Π − . не пропорцiйнi їхнiй iмовiрностi подати позов. щоб отримати iдеальну подвоєну премiю. 75Π. Незважаючи на очевиднiсть цього факту. то премiї в наступнi роки будуть такими: Π. Приклад 6. 6Π. 09 · 0. розв’язуючи рiвняння 2(0. Стацiонарний розподiл для кращих водiїв обчислено у прикладi 6.3. Тодi середня нетто-премiя для кращих водiїв дорiвнює 0. 75Π + 0. 0. Проте ця система складна для адмiнiстрування й розумiння. Кiлькiсть рокiв. 75Π − 0. 09. Цю рiзницю можна обчислити. Аналогiчно проводимо обчислення для гiрших водiїв: π ′′ = (0. розглядаючи виплати включно по той рiк. полягає в тому. яка через довгий промiжок часу приведе до того. система ускладниться. Очевидно. . 0. α ∈ (0. у якому досягається максимальний дисконт.10). скiльки є застрахованих. 81(1 − β)) = 0. Iмовiрнiсть позову вiд кращого водiя досить мала i дорiвнює. що ймовiрнiсть звернення з позовом була однаковою незалежно вiд того. Нехай пiд час страхування автотранспорту застосовують систему бонус-малус iз дисконтними рiвнями 0%. 64). 0204α > 1. Оскiльки гiршi подають удвiчi бiльше позовiв. розумiючи. Ситуацiю можна полiпшити. майбутнi премiї становитимуть: 0. Подивимося. нiж той. бiльш глибокi дослiдження систем бонус-малус показали. Аналогiчно значення додаткової премiї можна розрахувати для iнших дисконтних категорiй. . Це означає. на яку збiльшується премiя пiсля виникнення позову за умови. 16 · 0. 16. навiть у такiй ситуацiї нелегко розробити систему.1: π ′ = (0. 75Π. незважаючи на те. . Якщо за перший рiк (або в наступнi роки) не було жодного позову. що знижки за категорiями становлять α та β. що застрахований не буде заглядати далеко в майбутнє. 6Π. Таким чином. 6Π = 0. називають горизонтом застрахованого. 2 + 0. Отже. що їх нетто-премiя (без адмiнiстративних витрат i навантаження на ризик) у середньому також буде вдвiчi бiльшою (за умови. ймовiрнiсть подання позову залежить вiд горизонту. Незважаючи на це. а вiд гiршого – удвiчi бiльша. . щоб знати стiльки ймовiрностей. 6Π. який пiдтверджує доцiльнiсть систем бонус-малус. Треба порiвняти середнi значення премiй. 0. 75Π + 0. як у попереднiх прикладах. 6Π + . 25% та 40%. наприклад. а для гiрших 0. що iснує всього два типи власникiв полiсiв i всього три категорiї знижок. Вплив систем бонус-малус на схильнiсть до позовiв Ранiше ми припускали. маємо лише кращих та гiрших водiїв. застрахованого. якщо ввести бiльше дисконтних категорiй. 6Π = 0. 81). 6535Π. коли припускають. 6. 0204−0. то має також враховувати i можливе збiльшення чи зменшення майбутньої премiї. що для даної системи бонус-малус iдеальну пропорцiйну премiю отримати неможливо.1. 64(1 − β). 6Π − 0. якi платитимуть обидвi категорiї водiїв. 0. 1. що дисконтнi категорiї такi самi. Якщо задано ймовiрностi позовiв для всiх застрахованих.4. . звертатися з позовом чи нi. 4Π.3. що все одно може подати принаймнi один позов протягом цього перiоду. змiнюється та стає рiзною для рiзних категорiй. приклад 6.3. який сплачує повну премiю Π за системою бонус-малус iз трьома дисконтними категорiями (див. що вiдбудеться насправдi. 0. 16(1 − α) + 0. яку вони платять. 75Π + 0. додаткова величина. 64 · 0. але при цьому. Отже. Тодi. що застрахованi будуть платити нетто-премiю. Припустимо. 0. залежно вiд величини збиткiв та додаткової премiї ймовiрнiсть того. дорiвнює Π + 0. що застрахований подасть позов. Наступний приклад демонструє iншу крайнiсть. 1 + 0.3. з якого. 1). 09(1 − α) + 0. Розв’язання. 0. . 704Π. то дiйсно є можливiсть математично визначити систему бонус-малус. 0. у свою чергу. Припустимо. У випадку подання одного чи кiлькох позовiв протягом року власник 65 . . очевидним чином випливає твердження теореми. Нехай замiсть того. яка пов’язує премiї з iмовiрностями позовiв. 6Π. вiд кого надходить бiльше позовiв. = 0. Можливо. звичайно. застрахований. середня премiя. отримаємо параметричний розв’язок β = 1. велику ймовiрнiсть для всiх застрахованих на певному етапi досягти максимального рiвня дисконту). . що в наступнi роки позови не виникнуть.звiдки i випливає справедливiсть спiввiдношення (6.4.2. 2. а також через невелику ймовiрнiсть виникнення позовiв (а значить. 6Π + 0. зовсiм не набагато перевищує премiю для кращих водiїв. що вони приводять до автоматичного визначення премiй. Частково це вiдбувається внаслiдок малої кiлькостi дисконтних категорiй i вiдносно низькi рiвнi запропонованих знижок. 0. У цьому простому прикладi максимально доступна знижка недостатня. Коли вiн вирiшує. Припустимо також. що гiршi водiї можуть удвiчi частiше звертатися з позовами. прямо пропорцiйну їхнiй iмовiрностi звернутися з позовом. що вони спрацьовують не так добре. Спробуємо пiдiбрати потрiбнi величини дисконтних знижок.  6. якi вiн бере до уваги. 81 · 0. Розглянемо. платить меншу премiю.1). що розподiл величини виплат однаковий для усiх водiїв). якi платитимуть кращi та гiршi водiї пiсля досягнення стацiонарного розподiлу. Тепер можна порiвняти середнi значення премiй. то природно очiкувати. Приклад 6. 2Π + 0. . 1Π + 0. . що повна премiя дорiвнює Π. а в наступнi роки – нi. Iнакше кажучи. який подає менше позовiв. Якщо протягом першого року був позов.

π1 .в. щоб водiй досяг максимальної дисконтної категорiї. P = 0 0. що величина збиткiв перевищить граничну вартiсть ремонту. σ 2 ). 3) розподiл кращих та гiрших водiїв по категорiям за умови досягнення стацiонарностi. нижче якої власник полiса не звертатиметься з позовом. 0. 375 + 300 + 300 − 300 − 300 − 300 = 75. 1) Трьох рокiв достатньо. 308) = 0. 0. Нехай в. 0379 0 0. Отримуємо систему рiвнянь    0. 341) = 0. Обчислимо граничну вартiсть ремонту. σ = 2. що позов не було подано. 0634π2 = π1 . дорiвнює ймовiрностi того. що буде подано позов за умови настання страхової подiї. 2) ймовiрнiсть того. для кожного з трьох дисконтних рiвнiв iмовiрнiсть позову за умови настання страхової подiї дорiвнює ) ( ) ( ln 200 − 5 ln 200 − µ =1−Φ = 1 − Φ(0. 500 + 375 + 300 − 300 − 300 − 300 = 275. 1194. 0441π0 + 0. а подiя B – настання страхового випадку. p12 = 1 − p10 = 0. ) ( 0. 6167. 9118 0 0. Отже. 379 · 0. За вiдсутностi позовiв протягом року вiн переходить до наступної категорiї з бiльшим дисконтом або залишається на рiвнi 40%. 0441. 9366 Зокрема. 0024. 0441 0. π2 ) = (0. 441. 1 = 0. 9559 0 0. У разi настання страхового випадку. 9359). Повна рiчна страхова премiя дорiвнює 500. p21 = 0. p22 = 1 − p21 = 0. 9366. 149) = 0. тобто ( ) ln x − µ P(X ≥ x) = P(ln X ≥ ln x) = 1 − P(ln X < ln x) = 1 − Φ .полiса переходить на нижчий рiвень дисконту чи залишається без знижки. 9559π0 + 0.в. та X сумою трьох рiчних премiй за умови. 1 = 0. 2 ( ) ln 75 − 5 40% : 1−Φ = 1 − Φ(−0. 66  . 9621.2. 9621 . 0099.в. 0. знайдемо матрицю перехiдних ймовiрностей для кращих водiїв. 0. p01 = 1 − p00 = 0. Стацiонарний розподiл є розв’язком рiвняння π = πP . p10 = 0. з лог-нормальним розподiлом з параметрами µ = 5. 2 3) Використовуючи формулу умовної ймовiрностi P(A) = P(A|B)P(B). X позначає фактичну вартiсть ремонту. якi треба заплатити у наступнi три роки пiсля аварiї в разi подання позову на вiдшкодування вартостi ремонту. Вартiсть ремонту є в. 634. для кожної категорiї: 0% : 25% : 40% : 500 + 375 + 300 − 375 − 300 − 300 = 200. 9621π1 + 0.   0. нижче якої застрахований не буде подавати позов. 0634 0. 0. 441 · 0. 0379. 0634. 2) Умовна ймовiрнiсть того. Ймовiрнiсть двох чи бiльше аварiй протягом року настiльки мала. що нею можна знехтувати. 0% : 1−Φ σ 2 ( ) ln 275 − 5 25% : 1−Φ = 1 − Φ(0. 634 · 0. де подiя A означає подання позову. p00 = 0.1. 1268 0. 1 = 0. 9559. коли вартiсть ремонту перевищує рiзницю мiж X сумою трьох рiчних премiй. 1). обчислену для кожної категорiї у п. 9242 . σ де Φ(x) – функцiя розподiлу стандартизованої нормально розподiленої в. π0 + π1 + π2 = 1. В обох випадках припускають. 9366π2 = π2 . 8706). власник полiса звертається з позовом лише тодi. Звiдси π = (π0 . а для гiрших – 0. Для кожного дисконтного рiвня знайдiть 1) вартiсть ремонту. Тодi X ∼ LN (µ. Аналогiчно отримуємо матрицю перехiдних ймовiрностей для гiрших водiїв: ) ( 0. Розв’язання. 0758 0 0. що власник полiса бiльше не потрапить в аварiю протягом наступних двох рокiв. Для кращих водiїв iмовiрнiсть аварiї становить 0. 0379π1 = π0 . 8732 та вiдповiдний стацiонарний розподiл π = (0. що власник полiса звернеться з позовом. 379. 0882 0. P = 0 0.

π та A: (a) для λ = 0. 75π1 + 0.36. 1 − e−λ Отже. 1 + k + k2 + k3 2) По черзi пiдставимо конкретнi значення λ в отриманi формули для k. (c) 0.  6. становить 500. 789. за яким застрахований переходить мiж категорiями. вiдповiдно. Нехай система бонус-малус складається з чотирьох дисконтних категорiй з рiвнями знижки 0%. Для заохочення безаварiйної експлуатацiї транспортних засобiв. −λ 0 1−e 0 e−λ 0 0 1 − e−λ e−λ Розв’язуючи рiвняння π = πP . дорiвнює P(N ≥ 1) = 1 − e−λ . що надiйшли вiд одного клiєнта протягом року.12.Приклад 6. π3 ) – невiдомий стацiонарний розподiл. 25%. яку сплачує власник полiса на 0-му рiвнi дисконту. Тодi N має розподiл Пуассона. 843. який розраховується кожним iз страховикiв з урахуванням положень пункту 7. Нехай N – кiлькiсть позовiв. середня премiя A = A(3. то застрахований переходить на нижчий рiвень дисконту чи залишається без знижки. π2 . 1)Позначимо середню премiю через Q. 36 k = 2. π1 . що для кожного застрахованого рiчна кiлькiсть позовiв має розподiл Пуассона з iнтенсивнiстю λ та досягнуто стацiонарного стану. (b) 0. . 12 маємо k = 7. 5π3 ). 687.24. Таким чином. Бонус-малус 8. тодi середня премiя A = A(2. Розв’язання. Правило. то застрахований переходить на наступний вищий рiвень чи залишається iз максимальною знижкою 50%. а ймовiрнiсть того. X якщо в поточному роцi був принаймнi один позов. та. що надiйде хоча б один позов. ймовiрнiсть вiдсутностi позовiв дорiвнює P(N = 0) = e−λ . 687) = 270. знаходимо стацiонарний розподiл ( ) 1 k k2 k3 π= .1 статтi 7 цього Закону. в перiод дiї попереднiх договорiв обов’язкового страхування цивiльноправової вiдповiдальностi (бонус-малус). 308) = 288. тодi Q = 500(π0 + 0. 332. . Припускають. 6k 2 + 0. 5k 3 . 75k + 0. вiдповiдальнiсть яких застрахована. .1. 1 + k + k2 + k3 1 + k + k2 + k3 1 + k + k2 + k3 1 + k + k2 + k3 де k= e−λ . A = A(7. 2) Обчислити середню премiю. Бонус-малус в законодавствi України ЗАКОН УКРАЇНИ “Про обов’язкове страхування цивiльно-правової вiдповiдальностi власникiв наземних транспортних засобiв” Стаття 8. 1) Нехай премiя.5. 40% та 50% вiдповiдно. та.4. 843) = 257. 24 значення k та A такi: k = 3. середня премiя A = A(k) дорiвнює A(k) = 500 · 1 + 0. де π = (π0 . вiдповiдно.2. (b) для λ = 0. таке: X якщо в поточному роцi не було позову. 67 . матриця перехiдних iмовiрностей має вигляд   1 − e−λ e−λ 0 0 0 e−λ 0   1 − e−λ P = . 462. (c) для λ = 0. страховики мають право застосовувати коефiцiєнт страхових тарифiв залежно вiд наявностi чи вiдсутностi страхових випадкiв з вини осiб. яку сплачує застрахований iз такими значеннями рiчної iнтенсивностi позовiв λ: (a) 0. 308. Знайти формулу для розрахунку середньої премiї. при укладаннi договорiв обов’язкового страхування цивiльно-правової вiдповiдальностi бiльше нiж на пiвроку. 6π2 + 0.

що величина премiї на 0-му рiвнi дорiвнює Π.3.45 2. Вправа 6. яке для q = 0. а ймовiрнiсть того. за якої клiєнт звернеться з позовом. Припустимо.Клас на початок строку страхування М 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Коефiцiєнт 2. 8. то вiн залишається чи спускається до 0% дисконтного рiвня на два роки.2005) 8.5 рази бiльшої нiж для q = 0.1 статтi 8 в редакцiї Закону N 2902-IV вiд 22.1.3.65 0.6.М чи з урахуванням безаварiйної експлуатацiї транспортного засобу та при вiдсутностi страхових випадкiв. 25% та 50%.6 0.85 0. При укладаннi договору обов’язкового страхування цивiльно-правової вiдповiдальностi вперше страхувальнику присвоюється клас 3. Нехай система бонус-малус має два рiвнi дисконту: 0% та 100d%. 2 призводить до середньої очiкуваної премiї в 1. Ймовiрнiсть потрапити в аварiю залежить вiд дисконтного рiвня: 68 .55 0. У разi настання страхової подiї величина збиткiв розподiлена за показниковим законом iз середнiм £1 750. Застрахований звертається з позовом. X якщо протягом року був принаймнi один позов. Правило переходу клiєнтiв мiж рiвнями таке: X початкова знижка для нового клiєнта становить 0%. якщо вiд нього надходить позов. а з рiвнiв −20%. i) Для кожного рiвня дисконту обчислiть найменшу величину збиткiв. i) Записати матрицю перехiдних iмовiрностей та стацiонарний розподiл. вiдповiдальнiсть якої застрахована.понижуючий коефiцiєнт з присвоєнням бiльш високого класу. що страхових подiй бiльше не буде. застрахований iз 30% та 40% рiвнiв знижки опускається на рiвень 0%. Щорiчна повна премiя дорiвнює £600. застосовується пiдвищуючий коефiцiєнт страхового тарифу з присвоєнням бiльш низького класу до найнижчого .4 1 0. ii) Для кожного рiвня дисконту знайдiть iмовiрнiсть подання позову у разi настання страхової подiї. При укладаннi договору обов’язкового страхування цивiльно-правової вiдповiдальностi страхувальнику присвоюється клас залежно вiд частоти страхових випадкiв. Iмовiрнiсть того.2. застрахований переходить на наступний рiвень дисконту або залишається на максимальному. 20%.8 0. 0% та 20% – на рiвень 0%.9 0. Задачi Вправа 6. якi виникли з вини особи.2. . Вправа 6. Якщо застрахований не звертається з позовом протягом року. Iнакше вiн переходить на наступний рiвень знижки чи залишається на максимальному рiвнi 50%. Якщо власник полiсу подає позов. ii) Знайти таке значення d. то вiн переходить на вищий рiвень дисконту 1. що застрахований протягом року не матиме страхових подiй дорiвнює 0. 6.7 0.55 1. iii) Нехай у поточному роцi кiлькiсть клiєнтiв на кожному рiвнi дисконту однакова. Страхова компанiя використовує систему бонус-малус з трьома рiвнями знижок: 0%. 0 < q < 1.95 0. якщо збитки вiд страхової подiї бiльшi за додаткову премiю за наступнi 4 роки. 1.5 Клас по закiнченню строку страхування з урахуванням наявностi страхових випадкiв з вини страхувальника 0 страхових виплат 0 1 2 3 4 5 6 7 8 9 10 11 12 13 13 1 страхова виплата М М М 1 1 2 3 4 4 5 5 6 6 6 7 2 страховi виплати М М М М М М 1 1 1 2 2 2 2 2 2 3 страховi виплати М М М М М М М М М М 1 1 1 1 1 (Пункт 8.4. дорiвнює q. Обчислiть очiкувану кiлькiсть клiєнтiв на кожному рiвнi дисконту в наступному роцi. 0%. Навпаки. Страхова компанiя використовує систему бонус-малус з п’ятьма рiвнями знижок: −20%. за умови. якi виникли з вини страхувальника. то опиниться на рiвнi 0. X якщо протягом року не було жодного позову. що вiд застрахованого протягом року надiйде вимога на виплату.9. 30% та 40%. 8. Залежно вiд кiлькостi страхових випадкiв.09. якi виникли у перiод дiї попереднiх договорiв обов’язкового страхування цивiльно-правової вiдповiдальностi при укладаннi з ним такого договору на новий строк.75 0.3 1.

X пiсля року. Якщо протягом року було подано позов.25 0. в якому досягнуто стацiонарного розподiлу. яку сплачуватимуть пiсля того.6. Пiсля потрапляння в аварiю власник полiса вирiшує. Страхова компанiя використовує трирiвневу систему бонус-малус: 0%. v) Прокоментуйте вiдмiннiсть у результатах пунктiв iii) та iv). за якої клiєнт звернеться з позовом. що позовiв бiльше не буде. Власник полiса звертатиметься з позовом лише тодi. вiн переходить на наступний нижчий рiвень дисконту або залишається на рiвнi 0. Також припускають. iii) Запишiть матрицю перехiдних iмовiрностей та обчислiть середню величину премiї для року. накладенi на просту систему бонус-малус. ii) Ймовiрнiсть уникнути аварiї для довiльного року дорiвнює 0. яку виплачують на рiвнi 0%. Вправа 6. Cистема бонус-малус страхування автотранспорту має три рiвнi знижок: 0%. Cистема бонус-малус страхової компанiї має такий вигляд: Рiвень 0 Рiвень 1 Рiвень 2 0% 25% 50% Премiя на рiвнi 0 становить £800. коли збитки бiльшi за сумарнi додатковi премiї за наступнi три роки. за якої клiєнт звернеться з позовом. як система досягне стацiонарного стану. 25% та 40%.2. зважаючи на сумарнi додатковi премiї за наступнi два роки. Iгноруючи можливiсть того. за умови. що страхових подiй бiльше не буде.5. обчислiть ймовiрностi подання позову для кожного рiвня. i) Для кожного з дисконтних рiвнiв знайдiть найменшу величину збиткiв. що вартiсть ремонту пiсля кожної аварiї має експоненцiйний розподiл iз середнiм £600. ii) Визначте матрицю перехiдних iмовiрностей. i) Для кожного з чотирьох станiв у бонус-малус системi обчислiть найменшу величину збиткiв. iv) Обчислiть стацiонарний розподiл за альтернативного припущення. Пiсля настання страхової подiї власник полiса вирiшує.4. подавати позов чи нi.1 Величина повної премiї.2 0. дорiвнює 0. в якому було подано один чи бiльше позовiв. а з рiвнiв 25% та 0% переходить чи залишається на рiвнi знижки 0%. що вiн не може мати бiльше одного страхового випадку протягом року. що величина збиткiв розподiлена за логнормальним законом iз середнiм 1 451 та стандартним вiдхилом 604. незважаючи на величину збиткiв. Вправа 6. за умови. Вправа 6.Дисконтний рiвень 0% 25% 50% Ймовiрнiсть аварiї 0.33. що власник полiса матиме страхову подiю протягом року. Правила переходу мiж категорiями такi: X пiсля року без подання позовiв власник страхового полiсу переходить на наступний вищий рiвень знижки чи залишається на рiвнi 40%. 30% та 60% знижки. що протягом року може статися бiльше нiж одна аварiя. дорiвнює 750. що величина збиткiв розподiлена за логнормальним законом iз середнiм 6 та стандартним вiдхилом 3. зважаючи на величину збиткiв та величини премiй у наступнi два роки. що власник полiса пiсля аварiї завжди подає позов. Правила переходу мiж категорiями такi: 69 . подiбну до розглянутої у цiй задачi. подавати позов чи нi. В разi вiдсутностi позовiв протягом року власник полiсу переходить на наступний вищий рiвень дисконту або залишається на рiвнi 2. за умови. Припускають. що страхових подiй бiльше не буде. коли досягнуто стацiонарного стану.88. Припускають. ii) Припускаючи. iii) Знайдiть стацiонарний розподiл. iii) Обчислiть частку власникiв полiсiв на кожному дисконтному рiвнi. Повна премiя для кожного власника полiса дорiвнює £1000. v) Опишiть обмеження. за якої клiєнт звернеться з позовом. iv) Визначте середню величину премiї.4. i) Для кожного з дисконтних рiвнiв знайдiть граничну величину збиткiв. обчислiть перехiдну матрицю. Ймовiрнiсть того. власник полiсу з рiвня 40% переходить на рiвень знижки 25%.

29 25% 0.8 = 1. 100d% та 200d% (у поточнiй системi знижок d = 0. i) Запишiть матрицю ймовiрностей переходу у термiнах p. 50% та 75%. ii) Знайдiть стацiонарний розподiл власникiв полiсiв по дисконтним рiвням у термiнах p. ii) Знайдiть стацiонарний розподiл власникiв полiсiв на кожному дисконтному рiвнi (у термiнах p).X якщо власник страхового полiсу протягом року не подав жодного позову. якщо у поточному роцi вiн сплачує повну премiю. 25%. X 0. власник полiсу опиняється чи залишається на рiвнi 0%. 9 (A0. Вправа 6. 84. то власник полiсу отримує знижку вищого дисконтного рiвня чи залишається зi знижкою 30%. зробiть висновок про ефективнiсть даної системи бонус-малус. (b) Розглядаючи значення A для p = 0. Якщо протягом року було подано принаймнi один позов. У системi бонус-малус страхування автотранспорту є три рiвнi дисконту: 0%.9 . 70 . Якщо протягом року не було подано жодного позову.9 ) та p = 0. то власник полiсу спускається на один рiвень нижче чи залишається на 0% рiвнi. Кiлькiсть позовiв протягом року має розподiл Пуассона з таким параметром λ. то власник полiсу переходить на нижчий рiвень знижки чи залишається на рiвнi 0%. 20% та 30%. 8 (A0. X якщо протягом року було подано один позов. 30% та 50%. i) Визначте матрицю ймовiрностей переходу для маркiвського ланцюга X1 .1. (c) Компанiя хоче змiнити бонус-малус систему так. то власник полiсу втрачає знижку. щоб A0. . 5 та дисперсiєю σ 2 = 0. Власники полiсiв на рiзних рiвнях знижок подають позови з рiзною iнтенсивнiстю. а ймовiрнiсть бiльш нiж однiєї страхової подiї є несуттєвою. Система бонус-малус для певного класу полiсiв рiчного страхування має три рiвнi дисконту: 0%. то власник полiсу отримує знижку вищого дисконтного рiвня чи залишається зi знижкою 75%. Величина премiї на 0%-му дисконтному рiвнi становить c.10 i) Отримайте матрицю ймовiрностей переходу. що бiльше страхових подiй не вiдбудеться.8. коли втрати перевищують сумарну величину вiд додаткових премiй для нескiнченного часового горизонту за умови. щоб дисконтнi рiвнi були 0%. та прокоментуйте отриманий результат. Припустимо. iii) (a) Обчислiть величину середньої премiї A у термiнах p та c. то наступного року вiн переходить до вищого (чи залишається найвищому) дисконтного рiвня. X якщо протягом року було подано принаймнi один позов. ii) Обчислiть очiкувану премiю для власника полiса на початку наступного року. Ймовiрнiсть того. Якщо протягом року не було подано жодного позову. де Xn – дисконтний рiвень на початку року n. Правила переходу мiж категорiями такi: X якщо протягом року не було подано жодного позову. У разi настання страхової подiї натуральний логарифм вiд величини збиткiв має нормальний розподiл з середнiм µ = 4. 6p для 50% дисконтної категорiї. 8p для 30% дисконтної категорiї. i) Запишiть матрицю ймовiрностей переходу. а величина премiї за вiдсутностi знижки становить c. X якщо було подано два чи бiльше позовiв. Власник полiсу буде подавати позов лише тодi. то власник полiсу отримує знижку вищого дисконтного рiвня чи залишається зi знижкою 50%. що протягом року власник полiсу матиме страхову подiю. 3).8 ). то наступного року власник полiсу переходить (чи залишається) на 0% рiвень. що ймовiрнiсть подання позову власником полiса не залежить вiд дисконтного рiвня та дорiвнює p. дорiвнює 0.18 75% 0. .9. Вправа 6. що протягом року власник полiсу подасть хоча б один позов. 5A0. . який вiдповiдно до рiвня дорiвнює: Рiвень λ 0% 0.7. Страхова компанiя використовує чотирирiвневу систему бонус-малус: 0%. ii) Знайдiть стацiонарний розподiл власникiв полiсiв по дисконтним рiвням. Повна рiчна премiя становить £190. Xn . Якщо протягом року було подано принаймнi один позов. дорiвнює: X p для 0% дисконтної категорiї.22 50% 0. Ймовiрнiсть того. Визначте таке d. Вправа 6. . X 0.

c) пiсля досягнення стацiонарного стану системи? iv) Припустимо. щоб A(0. 15. Премiя. Iгноруючи витрати та прибуткове навантаження. 71 . 1. що перший тип має p = 0. 1000). роздiляючи власникiв полiсiв на два типи. обчислiть таке значення c премiї на 0%-му дисконтному рiвнi для другого типу власникiв. 1. що всi iншi характеристики цих ризикiв однаковi. c) = 1. 5A(0. Вiдомо. 15. а другий – p = 0.iii) Чому в середньому дорiвнює сплачувана премiя A(p. а також припускаючи. що страхова компанiя обчислює премiї для цього класу страхування. встановлена для першого типу власникiв полiсiв на 0%-му дисконтному рiвнi дорiвнює 1 000.

72 .

пов’язаного з iндивiдуальним ризиком. На основi спостережень за попереднi перiоди X = (X1 . X з функцiєю розподiлу F (x). 7. яке визначають за допомогою параметрiв α. Зауваження 7.1. Загалом. використаємо звичайну познаку математичної статистики: проiндексуємо F за параметром ν та будемо писати Fν . що ν задає профiль ризику. . Припущення стацiонарностi дозволяє встановити зв’язок мiж минулим та майбутнiм. вказуючи на те.1. який продукує величини сумарних збиткiв Xj . є (умовно) незалежними (вiдносно даного розподiлу F (x)). що: • значення ν невiдоме. n.1.в. α > 0. тобто X 7→ H(X) або. усунення тренду тощо. Xj однаково розподiленi з (умовною) функцiєю розподiлу F (x). Iндивiдуальний ризик Iндивiдуальний ризик можна розглядати як “чорний ящик”.2. . β > 0. • всi працiвники фiрми у страхуваннi вiд нещасних випадкiв на виробництвi. Параметризацiя можлива завжди. Для кожного з цих принципiв премiю H(X) можна розкласти на нетто-премiю EX та додатне навантаження на ризик. Xj . j = 1. iндексацiї. що страховим компанiям потрiбен ризиковий капiтал для того.1. • Принцип очiкуваного значення: X 7→ (1 + α)EX. Xn ) ми хочемо визначити ризикову премiю для сумарних виплат у майбутньому перiодi. 2. γ > 0. (Умовну) незалежнiсть пояснимо дещо згодом. . . Математичне формулювання задачi оцiнювання ризику 7. 73 . . . слабше завжди потрiбне для обчислення страхових премiй на основi iсторичних даних. • Принцип стандартного вiдхилу: X 7→ EX + βσX . Зазвичай у страховiй практицi мають справу з такими ситуацiями: i) F невiдома. . роблячи коригування вiдносно iнфляцiї. δ > 0.1. На практицi стацiонарностi можна досягти.в. . β. вважатимемо ν елементом деякого абстрактного простору Θ. γ чи δ. щоб управлятися iз волатильнiстю страхових результатiв та щоб бути спроможними виконати зобов’язання перед застрахованими у несприятливий рiк. • Принцип дисперсiї: X 7→ EX + γDX. Xn+1 .в. • група застрахованих осiб у страхуваннi життя. щоб чiткiше формалiзувати i) та ii). F 7→ H(F ). Найпростiшi стандартнi припущення є наступними. Припущення 7. Найбiльш вiдомими є наступнi класичнi принципи обчислення стахової премiї. 2. Будемо казати. Для того. маючи на увазi. .Роздiл 7 Баєсiвське оцiнювання ризику 7. . Надалi припущення А1) (сильної) стацiонарностi буде послаблене i узагальнене.в. що значення H залежить саме вiд F . Iнвестори теж потребують компенсацiї за пiддавання ризику свого капiталу. Точна iндивiдуальна премiя Пiд принципом H обчислення премiї будемо розумiти функцiю. • компанiя-цедент у перестрахуваннi. де Xj позначає величину позовiв за рiк j (або iнший страховий перiод j). Xj . • ν змiнюється вiд ризику до ризику. Навантаження на ризик компенсує цей ризик i може розглядатися як вартiсть ризикового капiталу. j = 1. яка ставить у вiдповiднiсть дiйсне число в.1. Це припущення чи. A1) Стацiонарнiсть: всi в. . наприклад. ii) F змiнюється вiд ризику до ризику. можливо. . • Експоненцiйний принцип: X 7→ 1 δ ln EeδX . є: • iндивiдуальний водiй у страхуваннi цивiльно-правової вiдповiдальностi. Економiчна потреба у навантаженнi на ризик пояснюється тим фактом.1. A2) (Умовна) незалежнiсть: в. Для цього треба зробити певнi припущення стосовно функцiї розподiлу в. Прикладами “чорного ящика”.

яку називають колективом. страховик дещо знає про структуру колективу. Тут ми розглядатимемо лише нетто-премiї. Але. який у нiй ведеться. тобто очiкуванiй величинi позову за iндивiдуальним ризиком iз профiлем ν за оцiнюваний перiод n + 1. Якщо страховик вимагає однакову премiю P coll вiд кожного члена колективу. треба знайти оцiнку µ(ν). • У чисто баєсiвськiй iнтерпретацiї функцiю розподiлу U (ν) розглядають як опис персональних уявлень. Формально (принаймнi теоретично) цю iнформацiю можна виразити через iмовiрнiсний розподiл U (ν). заданий на параметричному просторi Θ. де Θ – множина усiх можливих значень (невiдомих) профiлiв ризику в колективi. як точно формуються такi групи. Тодi виникає питання. Це i означає “подiбнiсть” ризикiв у колективi. в бiльшостi неоднорiднi. чи наявнi засоби пожежогасiння.3. а дослiджуємо його разом iз групою “подiбних” ризикiв. навiщо страхова компанiя зацiкавлена у точнiй iндивiдуальнiй премiї. всi вони належать до одного колективу. стать та регiон. значення параметра ν ризикiв у колективi не однаковi. Ймовiрнiсний розподiл U (ν) називають структурною функцiєю колективу.1) Точну iндивiдуальну премiю iнодi називають чесною премiєю. Однак. як вiк водiя. Однак. значення µ(ν) теж невiдоме. На практицi питання. Точна iндивiдуальна премiя 1 за ризиком iз профiлем ν дорiвнює P ind (ν) = E(Xn+1 |ν) ≡ µ(ν). апрiорне знання та досвiд актуарiя. (7. зокрема статистичну. Для страхової компанiї здатнiсть обчислювати колективну премiю (також вiдому як рiвень тарифу) за важливiстю займає центральне мiсце. Важливим для нас є те. їх групують за класами “подiбностi”. Це i означає Θ. Для того. тобто взятi з тiєї самої множини Θ. є важливим. Наприклад.) (англ. бо зрiдка подають позови.Застосовуючи принцип обчислення ризику H. Iнакше кажучи.) 3 Collective premium (англ. r Колективна премiя P coll = µ0 = Θ µ(ν)dU (ν) дорiвнює середнiй очiкуванiй величинi iндивiдуального позову за всiма ризиками в колективi. що ми не розглядаємо кожен ризик окремо. якi вiдповiдають рiзним ризикам у колективi.2) P coll = µ(ν)dU (ν) ≡ µ0 . рiк виготовлення автомобiля та вiдношення потужнiсть/маса. хоч ризики у колективi i рiзнi. Θ Ще раз придивимося до цих двох премiй. Однак групи чи колективи. Таку iнтерпретацiю називають емпiрично баєсiвською. Коли компанiя встановлює тарифи на одному рiвнi для всiх ризикiв у неоднорiдному колективi. З метою спрощення познак надалi писатимемо Eν замiсть E(·|Fν ) чи E(·|ν). Але. взятими з множини Θ. • У частотнiй iнтерпретацiї розглядають значення ν у колективi як випадкову вибiрку з деякої фiксованої множини Θ. Оскiльки ν невiдоме страховику. У страхуваннi автотранспорту прикладами таких характеристик ризику є об’єм двигуна. щоб оцiнити цю премiю. але воно не є предметом дослiдження даної книги. Вiдповiдь проста i повнiстю вкладається у наступну тезу. то Θ складається лише з однiєї точки. тобто зiбранi премiї дорiвнюватимуть сумарнiй величинi позовiв (очiкуваному значенню). Параметри νi – це елементи множини Θ. У попередньому параграфi ми визначили точну iндивiдуальну премiю. Конкретнi значення ν. що мiстить бiльше одного елемента. У бiльшостi випадкiв це значення теж невiдоме страховику. вид бiзнесу. Розглянемо наступну ситуацiю: нехай кожен ризик i у колективi характеризується своїм iндивiдуальним профiлем νi . Отже. iнформацiю. 1 Correct individual premium (англ. Тодi функцiя U (ν) описує iдеалiзованi частоти ν на множинi Θ. Це вiдповiдає класичнiй точцi зору страхування: кожен член колективу має такий самий ризиковий профiль. Отже. маючи певну попередню2 (“апрiорну”). якi розглядають у страхування. У страхуваннi пiдприємств вiд пожеж важливими характеристиками можуть бути тип конструкцiї застрахованої будiвлi. використовуючи так званi “об’єктивнi” характеристики. Якщо колектив однорiдний.) 2 prior 74 . i лише вiд малої частки водiїв позови виникають часто. на вiдмiну вiд iндивiдуальної премiї. рахунки будуть збалансованими. Задачу оцiнювання iндивiдуального ризику можна описати як визначення величини µ(ν). Однак у d страховiй практицi значення як ν. у своєму розпорядженнi страховик має iнформацiю про надходження позовiв за цим ризиком за кiлька попереднiх перiодiв. швидше вони є вибiрками. перейдемо до визначення. Визначимо тепер колективну премiю 3 за такою формулою: w (7. у колективах нормального розмiру цю премiю можна оцiнити зi значною точнiстю на основi минулих спостережень. Щоб оцiнити. кращi ризики платитимуть забагато. а тому i однакову функцiю розподiлу вiдповiдної величини сумарних позовiв. а також такi iндивiдуальнi характеристики. вiн знає. Iнтерпретувати U (ν) можна кiлькома способами. що бiльшiсть водiїв є “кращими” ризиками. “Точна” iндивiдуальна премiя дорiвнює P ind (ν) = µ(ν) = Eν Xn+1 . зазвичай страховику невiдомi. Саме конкуренцiя змушує компанiї пропонувати якомога чеснiшi тарифи. отримана точна iндивiдуальна премiя (для ризику з профiлем ν) дорiвнюватиме H(Fν ). Задача оцiнювання ризику в колективi Страхова компанiя страхує багато видiв ризику. часто ця iнформацiя досить обмежена i має мале прогнозне значення. Найбiльш конкурентним тарифом є точна iндивiдуальна премiя. 7. так i µ(ν) невiдомi.1.

тому дiйсно P ind – в. що колектив змiнився i структурна функцiя страховика стала менш сприятливою. cov(X1 . Повертаючись до припущення А2). Якщо ризик спостерiгався протягом n рокiв. . гiршi – через ν1 . Однак ця оцiнка не бере до уваги iндивiдуальний досвiд. Зауваження 7. пiсля зроблених спостережень за iндивiдуальним ризиком можна робити висновки. X2 ) = E(cov(X1 . X2 )|W ) + cov(E(X1 |W ). i) Нехай X – сумарна величина позовiв за рiк. Розглянемо iндивiдуальний ризик. . Це зауваження формалiзує нашi iнтуїтивнi уявлення про колектив. У термiнах цього параграфу це означає. Тодi за формулою (7.в.в. .1. Дiйсно.о. W . E(X2 |W )) = cov(µ(W ). 7. який може спричинити за один рiк загальну величину позовiв. Позначимо можливi значення параметру ризику W : кращi. Ми не знаємо її точного значення.1. зауважимо. Зауваження 7. н. або 0 (позовiв не було).1) P ind (ν1 ) = 0 · P(X = 0|W = ν1 ) + 10 000 · P(X = 10 000|W = ν1 ) = 300. Визначимо iндивiдуальну премiю через умовне математичне сподiвання P ind = µ(W ) = E(Xn+1 |W ). що в.а гiршi – замало. то не можемо апрiорi бачити.1). детермiнованою величиною. µ(W ). а X позначає вектор сумарних величин позовiв за цей перiод. Колективна премiя w P coll = µ0 = µ(ν)dU (ν) = EXn+1 .в. Баєсiвська статистика Математично проблему оцiнювання колективного ризику можна описати у термiнах баєсiвської статистики. проте подiбних ризикiв. що страховик спостерiгав за iндивiдуальним ризиком протягом одного року.1.1. Розв’язання. У цiй моделi iндивiдуальна премiя теж стає в. але дещо знаємо про можливi значення µ(W ) та з якою ймовiрнiстю вони здiйснюються. а значить.4.1. .4. Тому природно розглядати µ(W ) як в. 75 . Пiдкреслимо вiдмiннiсть цiєї познаки вiд точної iндивiдуальної премiї. Якщо конкуруюча компанiя запропонує тарифи. ν2 . заданої на параметричному просторi Θ.в. .р. Цей iндивiдуальний ризик належить до колективу. X2 . у якого ще немає набутої iсторiї позовiв. з функцiєю розподiлу U . iii) Обчислiть P ∗ для всiх можливих спостережень у разi. Кожен ризик характеризується своїм iндивiдуальним профiлем ν. Таку оцiнку можна використовувати для нового ризику. вони додатно корельованi. Таким чином. Зауваження 7. Знайдiть P ∗ для всiх можливих спостережень (сумарної величини позовiв 0 чи 10 000). причому i) за умови подiї W = ν в. Для кожного ризику треба оцiнити точну премiю µ(W ) якомога точнiше.3) Приклад 7. коли наявний дворiчний досвiд за позовами та за звичайного припущення про умовну незалежнiсть позовiв мiж двома роками за умови даного параметру ризику W . . X2 . У порiвняннi з першою. рiвну або 10 000. який у свою чергу є реалiзацiєю в. друга компанiя привабливiша для кращих ризикiв.1. до якого класу належить ризик. X1 . якi бiльш диференцiйованi та чеснi. то необхiдно долучити цю iнформацiю до процесу оцiнювання. що у портфелi є кращi та гiршi ризики. ν3 вiдповiдно. помiрнi (30%) та гiршi (5%). µ(W )) = Dµ(W ). Якщо ми знаємо лише те. з функцiєю розподiлу Fν . Однiєю з потенцiйних оцiнок є колективна премiя µ0 .2. X1 .3. помiрнi.в. яка ґрунтується на векторi X iсторiї iндивiдуальних позовiв. ii) W є в. За вiдсутностi будь-якої попередньої iнформацiї всi ризики рiвнi. Її називають баєсiвською премiю i визначають за формулою: ^) = E(µ(W )|X). введеної у (7. то її премiї для кращих ризикiв будуть дешевшими. тобто премiю для конкретного розглянутого ризику оцiнюють за допомогою усереднення очiкуваних значень за всiм колективом. ii) Припустимо. але не для гiрших. Лише апостерiорi.в. Умовний розподiл задано таблицею Загальна сума позовiв 0 10 000 Умовнi ймовiрностi Кращi Помiрнi Гiршi 97% 95% 90% 3% 5% 10% i) Обчислiть P ind та P coll .в. який мiстить три типи ризикiв: кращi (65%). Коли розглядати безумовно. виникає премiя найкращого набутого досвiду. Страховики називають таку ситуацiю антивiдбором. P ∗ = µ(W (7. Це може призвести до катастрофiчних наслiдкiв для першої компанiї: вона втратить кращi ризики i збiльшить кiлькiсть гiрших. Θ є безумовним математичним сподiванням. як групу рiзних. лише умовно незалежнi при заданому значеннi W .

3797 ν3 1 000 0. 10 000).4) Для того. що Fν (x) = Fν (x1 . а функцiя L(ν. обчислимо апостерiорнi ймовiрностi U (ν|x) = Fν (x)U (ν) 3 ∑ Fνi (x)U (νi ) i=1 та P ∗ = E(P ind |X = x) = 3 ∑ P ind (νi )U (νi |x). можливi результати якого ν належать простору Θ. Вона допоможе зрозумiти.3188 ν2 500 0. W називають параметром. d) ∈ Θ×D число L(ν.2.2).2725 P∗ 389.1195 0.2) знаходимо значення колективної премiї: Pcoll = 3 ∑ P ind (νi )U (νi ) = 395. (7. Нехай D позначає простiр усiх можливих рiшень d.3783 0. 7. 05. приймає рiшення.439 0. що ця умова виконана для будь-якого рiшення d ∈ D. наслiдки якого залежать вiд результату експерименту. простором рiшень D i дiйснозначною функцiєю втрат L.2) обчислимо апостерiорнi ймовiрностi U (ν|x) = Fν (x)U (ν) 3 ∑ Fνi (x)U (νi ) i=1 та P ∗ = E(P ind |X = x) = 3 ∑ P ind (νi )U (νi |x). i=1 ii) Використовуючи формулу Баєса (1.6564 0. X2 ) тепер є двовимiрним вектором iз можливими значеннями x1 = (0. середню збитковiсть E(L|Ud ) можна обчислити за формулою w E(L|Ud ) = L(ν. d) < x) = P({ν ∈ Θ : L(ν.2967 0. x4 = (10 000. що статистик.30 459. для будь-якого x ∈ R значення Ud (x) визначається наступним чином: Ud (x) = P(L(W. З умовної незалежностi позовiв випливає. що задано (фiксований) розподiл ймовiрностей U на просторi результатiв експерименту Θ.4087 ν3 1 000 0.5022 0. 3.6627 0. що мiнiмiзує E(L|Ud ).48  Для бiльш глибокого дослiдження властивостей баєсiвської премiї скористаємося апаратом статистичної теорiї прийняття рiшень. Маємо i=1 x 0 10 000 W P ind U (ν|x) U (ν|x) ν1 300 0. Зокрема. а множину Θ можливих значень W – параметричним простором.P ind (ν2 ) = 500. необхiдно. U (ν3 ) = 0. коли значення невiдомого результата експерименту W набуває значення ν. 0). x2 ) = Fν (x1 )Fν (x2 ). U (ν2 ) = 0. щоб виконувалась така умова: для довiльного x ∈ R множина {ν ∈ Θ : L(ν. Припустимо. Будемо вважати. Елементи статистичної теорiї прийняття рiшень Розглянемо експеримент. d) < x}). d) < x} належить σ-алгебрi F. x2 = (10 000.4937 ν2 500 0. P ind (ν3 ) = 1 000.4) був коректно визначений. При будь-якому (ν.3783 0. 65. задача прийняття рiшень визначається параметричним простором Θ. то за формулою (7. Тодi знову за формулою Баєса (1.14 464.5) Θ Статистик повинен вибирати рiшення d. (7. d) 76 .56 iii) Спостереження X = (X1 . Отже. Оскiльки структурна функцiя колективу U (ν) = P(W = ν) має вигляд: U (ν1 ) = 0. щоб розподiл Ud з (7. Тодi для кожного розподiлу ймовiрностей Ud .1195 0. Коли рiшення приймають без iнформацiї про результат W експерименту.40 459. Для будь-якого фiксованого рiшення d ∈ D функцiя L визначає розподiл ймовiрностей Ud . не знаючи ще результату експерименту.5022 0.1266 P∗ 392. x3 = (0.30 572. 10 000). 0). тобто U – вимiрна функцiя вiдносно деякої σ-алгебри F пiдмножин Θ.469 0. яка визначена на добутку Θ×D. для якого функцiя L iнтегровна. Припустимо. Маємо i=1 x x1 x2 x3 x4 W P ind U (ν|x) U (ν|x) U (ν|x) U (ν|x) ν1 300 0. якi може прийняти статистик.2934 0. d)dU (ν). в якому сенсi премiя P ∗ є “найкращою” i чому її називають баєсiвською. d) : Θ × D 7→ R вiдображає збитки статистики вiд прийняття рiшення d.

для якого ризик R (d) досить мало вiдрiзняється вiд баєсiвського.1 d1 d2 0 2 1 0 3 4 1 2 d3 3 2 0 0 Розв’язання. Приклад 7. Рiшення d. тобто R∗ = inf R (d) . то будь-яке баєсiвське рiшення за U буде оптимальним для статистика. коли нижня границя у (7. ν4 }. d) + L (ν3 . ν3 . d∗ = d3 – баєсiвське рiшення. визначають за формулою w R(d) = R(d. d) . припускати надалi. iз заданим розподiлом iмовiрностей U (ν).є збиток статистика вiд прийняття рiшення d. Знайти баєсiвське рiшення за такого розподiлу U . U (ν3 ) = 41 та U (ν4 ) = 14 . оскiльки нi при якому iншому рiшеннi ризик не може бути меншим. (7. Для довiльного рiшення d ∈ D середнiй збиток R(d).1. 8 8 4 4 Враховуючи значення функцiї втрат L(ν. Якщо U є розподiлом параметра W . ν ∈ Θ.6) Θ Ми будемо вважати. (7.5) випливає. нi в практицi прийняття рiшень. d) dU (ν) = R (d) = Θ 4 ∑ L (νi .1 нижче. що iнтеграл у (7. ν1 ν2 ν3 ν4 Табл. d). Отже.7) d∈D Рiшення d∗ . простiр рiшень D = {d1 . можуть бути виключенi з множини D.6) скiнченний для всiх d ∈ D. що для всiх розподiлiв U баєсiвський ризик R∗ досягається за деякого рiшення d ∈ D. d3 }. що статистик вибирає рiшення d. U (1) = 41 . простором рiшень D i функцiєю втрат L(ν. d). ризик вiд якого дорiвнює баєсiвському ризику. Передбачається. у якiй параметричний простiр Θ = {ν1 . (7. У цьому випадку статистику варто вибирати рiшення d ∈ D. а функцiя втрат L(ν. ν2 .8) де α ≥ 1 – задане число.7) не досягається на множинi D. d ∈ D.2. визначається за α L (ν. Оскiльки цi труднощi не є основними нi в теорiї. Ця ситуацiя реалiзується в тому випадку.2. ν ∈ Θ. U (ν2 ) = 83 . як правило. однак. Для будь-якого розподiлу U значень параметра W баєсiвський ризик R∗ = R∗ (U ) визначають як точну нижню границю ризикiв R (d).в. що жодне рiшення з класу D не буде баєсiвським. U ) = L (ν. отримаємо 11 1 (0 + 3 + 6 + 2) = . Нехай розподiл ймовiрностей U (ν) = P(W = ν) параметра W такий: U (0) = 34 . Баєсiвський ризик та баєсiвськi рiшення Розглянемо задачу прийняття рiшення з параметричним простором Θ. коли значення параметра W дорiвнює ν. а простiр рiшень D складається з усiх чисел d iнтервалу 0 ≤ d ≤ 1. 7. що розподiл ймовiрностей U (ν) = P(W = ν) параметра W такий: U (ν1 ) = 81 . коли рiшення d ∈ D. рiшення d∗ називають баєсiвським за розподiлу U тодi i лише тодi. ми будемо. Зi спiввiдношення (7. як правило. Розглянемо задачу прийняття рiшень. яке мiнiмiзує ризик R(d).2.1. Нехай функцiя втрат L(ν. d) + L (ν4 . d) = |ν − d| .  Приклад 7.7. Розглянемо тепер приклади. d) U (νi ) = i=1 1 3 1 1 L (ν1 . який називають ризиком. d). Нехай параметр W – це в. Обчислимо ризик при заданому розподiлi ймовiрностей: w L (ν. R (d1 ) = 8 8 1 14 R (d2 ) = (2 + 0 + 8 + 4) = . коли R (d∗ ) = R∗ . d2 . для яких це припущення не виконане. що L(·. d∈D 8 Отже. Припустимо. Знайдемо баєсiвське рiшення за такого розподiлу U . називають баєсiвським рiшенням за розподiлу U . Можливо. 8 8 Звiдси визначаємо баєсiвський ризик: 9 R∗ = inf R (d) = R (d3 ) = . d) задана таблицею 7. Нехай параметричний простiр Θ складається з двох точок 0 i 1. d) dU (ν). 8 8 1 9 R (d3 ) = (3 + 6 + 0 + 0) = .2. 77 . d) є F-вимiрною функцiєю на просторi Θ при всiх d ∈ D. d) + L (ν2 .

• критерiй Севiджа. R (d) = L (0. Перейдемо до розгляду конкретних критерiїв. яке забезпечує найменшi втрати. Сформульований критерiй називають критерiєм Лапласа. дорiвнює 1/4. . яке мiнiмiзує ризик. що приймає рiшення”. b) Розглянемо тепер задачу за умови.. dj ).2. Основна вiдмiннiсть мiж критерiями. звичайно подано у формi матрицi. . . 78 ..m i=1. У тому випадку. Тому ми можемо припустити. якi найчастiше використовують на практицi пiд час прийняття рiшень в умовах невизначеностi. . незважаючи на їх кiлькiсну природу. в свою чергу. . перерахованими вище. . якщо множина D = {d1 . що вибирають рiшення. що параметр α > 1. . то баєсiвський ризик. Таким чином. νk }. Нагадаємо. що вiдображають основну суть принципу недостатнього обґрунтування. . Отже. На жаль. в якiй доводиться приймати рiшення. Тодi для кожного рiшення d ∈ D 3 1 α R (d) = dα + (1 − d) . якi найбiльш часто використовуються пiд час прийняття рiшень в умовах невизначеностi. в кожному її можливому станi ν1 . . тобто R(d∗ ) = inf dj ∈D k 1∑ L (νi . що R (d) буде мiнiмальним при d = 0. як i ранiше. що вивчається. наприклад. коли в ролi супротивника виступає “природа”. що ця ймовiрнiсть рiзна. Iнформацiю. Критерiй Лапласа Для обґрунтування цього критерiю скористаємося наступними мiркуваннями.. Специфiчною особливiстю цих задач є вiдсутнiсть у “особи. Оскiльки ймовiрнiсть перебування системи. 4 4 2 4 ∗ Як бачимо. що приймає рiшення” розумного супротивника. k i=1 Тут враховано.k є матрицею початкових даних для прийняття рiшень в умовах невизначеностi. dm } допустимих рiшень складається з m елементiв. коли вибiр рiшення з множини допустимих рiшень здiйснюється однiєю особою. що поведiнка “особи. . . перерахованi критерiї. Тодi для всякого рiшення d ∈ D ризик R(d) задається формулою 3 1 d 1 d + (1 − d) = + . Кожному допустимому рiшенню dj ∈ D i кожному можливому стану νi ∈ Θ системи вiдповiдає результат L(νi .. Iнакше ми могли б застосувати баєсiвський пiдхiд до прийняття рiшень. який визначає втрати вiд прийняття даного рiшення dj в разi реалiзацiї даного стану νi системи. що вона прагне завдати шкоди “особi. dj )}j=1. визначається стратегiєю поведiнки “особи. з множиною можливих станiв Θ = {ν1 . dj ). .. що коли простiр рiшень D визначений як напiввiдкритий iнтервал 0 < d ≤ 1. • мiнiмаксний критерiй (Вальда). а критерiй Гурвиця. коли параметр α = 1. Таким чином. то матриця L = {L(νi . проте жодне рiшення з D не буде баєсiвським. можна використовувати при рiзних пiдходах: вiд найбiльш песимiстичного до найбiльш оптимiстичного. Це такi критерiї: • критерiй Лапласа. то вiдсутня i необхiдна iнформацiя для висновку про те. а система може знаходитися в будь-якому з Ω = {ν1 .. Таким чином. d) P (W = 1) =  7. вiдображають суб’єктивну оцiнку ситуацiї. а i-й рядок вiдповiдає стану νi системи. не iснує загальноприйнятих правил оцiнки практичної цiнностi того або iншого критерiю при прийняттi рiшень в умовах невизначеностi. задачу можна розглядати як задачу прийняття рiшень за умови. a) Розглянемо спочатку випадок. νk однаковi. . . . . d = 0 – єдине баєсiвське рiшення i баєсiвський ризик R∗ дорiвнює 1/4. Зауважимо. що ми розглядаємо задачi прийняття рiшень в умовах невизначеностi. . критерiй Лапласа базується на бiльш оптимiстичних припущеннях. що є найбiльш важливим фактором при виборi вiдповiдного критерiю. нiж мiнiмаксний критерiй. знаходиться диференцiюванням функцiї R(d). єдине рiшення d∗ має вигляд )−1 ( 1 d∗ = 1 + 3 α−1 .. немає пiдстав припускати. 4 4 Значення d. що ймовiрностi реалiзацiї будь-яких можливих станiв системи рiвнi.Розв’язання.. Це пов’язано з тим. • критерiй Гурвиця. Цю матрицю називають матрицею втрат або матрицею витрат. . .2. νk } можливих станiв. що ймовiрнiсть перебування системи в станах ν1 . . dm }. тобто коли структурна функцiя U (ν) невiдома. . d) P (W = 0) + L (1. . необхiдну для прийняття рiшень в умовах невизначеностi. Так. в якiй j-й стовпець вiдповiдає рiшенню dj з множини допустимих рiшень D = {d1 . що вивчається. що приймає рiшення”. νk невiдомi. А саме. . що приймає рiшення” обумовлена невизначенiстю ситуацiї. Процедури прийняття рiшень в умовах невизначеностi Розглянемо iншi критерiї. .

.4. . а Θ = {ν1 . ν3 = 300. . то незалежно вiд можливих станiв найбiльшi втрати дорiвнюватимуть max L (νi . d1 ) = 90.3. Повернемося до прикладу 7. Для кожного з цих можливих значень iснує найкращий з погляду можливих витрат рiвень пропозицiй dj . 5. dj ). dj ) = L(νi . d3 ) = 21. найкращим рiвнем пропозицiї за критерiєм Лапласа буде d2 . dj ). Нехай D = {d1 . d3 ) = L(ν1 . dj ) = 11. νi ∈Θ max L (νi . щоб задовольнити потреби клiєнтiв протягом майбутнiх свят. dm } – множина допустимих рiшень. . νi ∈Θ Потiм з-помiж обчислених значень виберемо мiнiмальне: min max L (νi . . dj ) – втрати “особи. dj ∈D 4 i=1 4 R(d∗ ) = inf Отже. 1∑ L (νi . R(d3 ) = 18. νi ∈Θ За мiнiмаксним критерiєм вибирають таке рiшення d∗ . Якщо L(νi . R(d4 ) = 24. d1 ) = 25. Вiдхилення вiд рiвнiв dj приводять до додаткових витрат або через неповне задоволення попиту. Застосування мiнiмаксного критерiю приводить до вибору рiшення d2 та втрат 10 000 у разi реалiзацiї системою кожного з можливих станiв ν1 або ν2 . m. . d2 ) = 23. Проте iнтуїтивно напрошується висновок про доцiльнiсть вибору рiшення d1 . Для матрицi L маємо 1∑ L (νi . j = 1. що може призводити до нелогiчних висновкiв. d3 ) = L(ν4 . . 5. оскiльки його реалiзацiя передбачає вибiр найкращої з найгiрших можливостей. νi ∈Θ max L (νi . 4 i=1 4 R(dj ) = Тому R(d1 ) = 1 (5 + 10 + 18 + 25) = 14. dj ). ν4 = 350. . введемо величину r(νi . dj ∈D νi ∈Θ Отже. 5. 25 23 21 15 де Lij – це витрати за W = νi та d = dj . d4 ) = 30.2. то скористаємося мiнiмаксним критерiєм. dj ). d4 ) = L(ν1 . νk } – множина можливих станiв системи. Знайти оптимальне рiшення d∗ за критерiєм Лапласа. dj ∈D 79 .Приклад 7. оскiльки не виключається можливiсть реалiзацiї стану ν2 та втрат L(ν2 . або через перевищення пропозицiї над попитом. Матриця витрат в умовних грошових одиницях подана нижче:   5 8 21 30  10 7 18 22  L =  18 8 12 19  . ν2 = 250. Критерiй Севiджа Мiнiмаксний критерiй є настiльки “песимiстичним”. оптимальним мiнiмаксним рiшенням є d3 .  Мiнiмаксний критерiй Цей критерiй є найбiльш “обережним”.3. що вивчається. а сукупнiсть цих рiвнiв утворює множину D. Оскiльки в цьому випадку Lij вiдображають втрати. dj ). За попереднiми прогнозами число клiєнтiв може набути одного з наступних значень: ν1 = 200. Пiдприємство має визначити рiвень пропозицiї послуг так. νi ∈Θ max L (νi . dj ) − min L (νi . що характеризує втрати пiд час прийняття рiшення dj внаслiдок реалiзацiї стану νi . Для усунення вiдзначеного недолiку мiнiмаксного критерiю замiсть величини L(νi . . 4 Звiдси маємо R(d2 ) = 11. dj ∈D νi ∈Θ Приклад 7. 5. Для кожного допустимого вирiшення dj ∈ D знайдемо максимальнi витрати: max L (νi . Розв’язання. .2. dj ) = L(ν1 . d3 ) = L(ν4 .2. d1 ) = L(ν4 . d2 ) = L(ν4 . . що забезпечує виконання спiввiдношення R(d∗ ) = min max L (νi . . d3 ) = 21. що приймає рiшення” внаслiдок вибору рiшення dj ∈ D та реалiзацiї системою можливого стану νi ∈ Θ. Необхiднiсть використання менш “песимiстичного” критерiю звичайно iлюструють задачею прийняття рiшень в умовах невизначеностi з матрицею втрат ( ) 11 000 10 000 L= 90 10 000 .

j) α min L(i... Табл. dj ) . dj ) = 90. Повернемося до прикладу 7.. що за критерiю Гурвиця вибирають рiшення d∗ ∈ D.3  0  3 R =  10 10 i запишемо матрицю розчарування  3 16 10 0 11 15  0 4 11  . залежно вiд досвiду прийняття рiшень в умовах невизначеностi i особистих схильностей до оптимiзму (α → 1) чи песимiзму (α → 0). j) + (1 − α) max L(i... з приводу того. max r (ωi . що приймає рiшення. d2 ) = r (ν4 .. dj ∈D νi ∈Θ Зокрема.2 dj min L(i. max r (νi ..m i=1.. d4 ) = 25. max r (νi . dj ∈D νi ∈Θ i оптимальним за критерiєм Севiджа є рiшення d2 .2. dj ∈D матриця розчарування має вигляд ( R= dj ∈D 1 000 0 ) 0 9 910 . 5 видається найбiльш розумним. dj ) = 10 000. у попередньому прикладi. де 0 ≤ α ≤ 1. d1 ) = 10. max r (ωi . dj ) + (1 − α) max L (νi .4) i спiвпадає з оптимальним рiшенням за критерiєм Лапласа (див.. d2 ) = 8. d4 ) = r (ν1 . d2 ) = r (ν2 . що приймає рiшення. dj )..k.2.Фактично величина r(νi ... приклад 7. d1 ) = 1 000. Вiдзначимо. Критерiй Гурвиця Цей критерiй охоплює ряд пiдходiв до прийняття рiшень в умовах невизначеностi вiд найбiльш песимiстичного до найбiльш оптимiстичного. d1 ) = r (ν1 .. d2 ) = 8. що вона не вибрала найкраще рiшення вiдносно стану νi системи. Якщо {L(νi . приклад 7. яке вiдрiзняється вiд оптимального рiшення за мiнiмаксним критерiєм (див. dj ) вiдображає величину “розчарування” особи. Це означає.k називають матрицею розчарування. min L (ν2 . d2 ) = 9 910.3). За вiдсутностi яскраво виражених схильностей значення α = 0. Таким чином. За цього критерiю рiшення вибирають з умови R(d∗ ) = min max r (νi . νi ∈Θ νi ∈Θ min max r (νi . Тому матрицю R = {r(νi ... dj ). що такий самий результат ми отримаємо i за критерiєм Лапласа.7. dj ).2. маємо min L (ν1 .5 22.5. Приклад 7. j) d1 d2 d3 d4 5 7 12 15 25 23 21 30 15 15 16. розв’язок якого з використанням мiнiмаксного критерiю призводив до нелогiчного висновку. dj )}i=1. що реалiзує min max L (νi . dj ∈D νi ∈Θ Критерiй Гурвиця встановлює баланс мiж найбiльш оптимiстичним i найбiльш песимiстичним пiдходами за допомогою середнього зваженого значення обох варiантiв прийняття рiшень в умовах невизначеностi з вагами α та 1 − α. dj ∈D νi ∈Θ а найбiльш песимiстичному пiдходу вiдповiдає критерiй. νi ∈Θ νi ∈Θ i за критерiєм Севiджа оптимальним є рiшення d1 . Його значення вибирається особою. dj ∈D νi ∈Θ νi ∈Θ Параметр α ∈ [0. d1 ) = r (ν3 . dj ) = r (ν4 .5 i i i 80 i .. 1] називають показником оптимiзму. dj )}j=1. що забезпечує ( ) min α min L (νi . що реалiзує min min L (νi . 8 6 0 Звiдси отримуємо max r (νi . j) max L(i. νi ∈Θ νi ∈Θ max r (νi . а мiнiмаксний критерiй вiдносно цiєї матрицi називають критерiєм Севiджа. то найбiльш оптимiстичному пiдходу вiдповiдає критерiй. d3 ) = 16.2. d3 ) = r (ν1 .j=1.m – матриця втрат.

йому досить розглянути задачу вибору рiшення δ(x). Задачу такого типу називають статистичною задачею прийняття рiшень. (iii) Визначте оптимальну стратегiю для актуарiя. . яку вiн платитиме за блюдо з чилi. . яка задає для будь-якого допустимого значення x ∈ Rn рiшення δ (x) ∈ D. 81 . Θ = {ν4 . X. визначають за формулою w Rν (δ) = E(L (W. що для всiх ν ∈ Θ та x ∈ Rn заданий умовний розподiл вектора X за умови W = ν: Fν (x) ≡ FX|W =ν (x|ν) = P(X < x|W = ν). що R(δ ∗ ) = inf R(δ) = R∗ . Голодний актуарiй. вiдрiзнити якi можна лише на смак. блюдо зi скiлькома (i) гострими чилi принiс офiцiант. Припустимо. функцiя втрат L(ν. (i) В залежностi вiд спостереженого значення x ∈ {0. Ресторан пропонує два типи страви: одна мiстить 4 гострих та 16 лагiдних чилi. спостерiгає значення випадкової величини X чи випадкового вектора X = (X1 . ν8 }.10) Rn Функцiю Rν (δ) називають функцiєю ризику.11) Θ Θ Rn Нехай δ ∗ ∈ ∆ – така вирiшувальна функцiя. вважаючи α = 0. δ4 (0) = d8 та δ4 (1) = d8 . а потiм пропонує 50% знижку за правильний здогад: 4 чи 8 гострих чилi мiстить блюдо. .3. називають баєсiвським ризиком. хоче побудувати оптимальну стратегiю вгадування числа гострих чилi. Позначимо також значення в. Отже. а саме. Основнi її елементи – це параметричний простiр Θ. δ2 (0) = d4 та δ2 (1) = d8 . d8 }. d) та сiмейство умовних розподiлiв iмовiрностей {Fν . як вибрати рiшення з множини D. що для всiх ν ∈ Θ функцiя L (ν. Якщо для випадкового вектора X iснує сумiсна щiльнiсть fν (x) ≡ fX|W =ν (x|ν). На блюдi завжди подають сумiш з гострих та лагiдних чилi. повинен вибрати вирiшувальну функцiю δ(x). δ(x))fν (x)dx.2. (i) Перелiчiть чотири можливi вирiшувальнi функцiї для актуарiя. Скористаємося критерiєм Гурвиця для розв’язку задачi з прикладу 7. Приклад 7.3. якi може прийняти актуарiй.6. (7. Для кожного розподiлу U параметра W статистику варто вибирати вирiшувальну функцiю δ. Розв’язання.2. 7.9) Rn Вважатимемо. di вiдповiдає вибору блюда з i гострими чилi. залежно вiд того. заданого вирiшувальною функцiєю δ ∈ ∆.2. а iнша – 8 гострих та 12 лагiдних. у якiй статистик перед тим. який регулярно вiдвiдує цей ресторан.7. яка є баєсiвською вирiшувальною функцiєю за умови розподiлу U . 1} параметра W актуарiй може вибрати одну з цих вирiшувальних функцiй: δ1 (0) = d4 та δ1 (1) = d4 . Задачi зi спостереженнями Розглянемо задачу прийняття рiшень. δ(·)) вимiрна та iнтегровна. простiр рiшень D. (ii) Обчислiть значення функцiї ризику для двох рiзних блюд iз чилi та кожної вирiшувальної функцiї. (7. δ (X)) |W = ν) = L(ν. офiцiант дозволяє вiдвiдувачу скуштувати одне чилi. якщо ресторан порiвну виготовляє обидва типи цiєї страви. δ(x))dFν (x). як вiн довiдався про результат спостереження x. як i ранiше. Згiдно з результатами розрахункiв. Xn ). Пiсля того. вiн. Параметр W може набувати одне iз двох значень ν4 чи ν8 . За потребою будемо накладати на вирiшувальнi функцiї деякi обмеження на зразок вимiрностi. Оскiльки рiшення статистика залежить вiд спостережуваного значення X = x. У тапас-меню мiсцевого iспанського ресторану вiдвiдувачi можуть замовити блюдо з 20 смажених чилi за £5. 5. оптимальне значення за критерiєм Гурвиця рiвне 15 i забезпечується допустимими рiшеннями d1 i d2 .Приклад 7. то вираз (7. . через 0 та 1 вiдповiдно.2. Спостереження X дають статистиковi деяку iнформацiю про значення ν параметра W . насправдi. що спостерiгається статистиком до прийняття рiшення. ν ∈ Θ}. Коли блюдо подано на стiл. D = {d4 . δ3 (0) = d8 та δ3 (1) = d4 . Позначимо через ∆ клас усiх вирiшувальних функцiй δ. якi вiдображають скуштованi гострий чи лагiдний чилi.в. а R∗ . яка допомагає йому прийняти бiльш рацiональне рiшення. Баєсiвським ризиком вирiшувальної функцiї δ ∈ ∆ вiдносно попередього розподiлу U (ν) параметра W називають w w w R(δ) = Rν (δ)dU (ν) = L(ν. У багатьох задачах статистику не потрiбно мати усю вирiшувальну функцiю δ. Результати розрахункiв поданi в таблицi 7.2. та знайдiть середню цiну. використовуючи баєсiвський критерiй.12) Тодi δ ∗ називають баєсiвською вирiшувальною функцiєю за умови апрiорного розподiлу ймовiрностей U . δ(x))dFν (x)dU (ν).9) можна переписати так: w Rν (δ) = L(ν. Для кожного значення ν параметра W ризик Rν (δ) вiд прийняття рiшення. Позначимо через d4 та d8 рiшення. пов’язаного з параметром W . δ∈∆ (7. (7.

δ1 (0)) + P(X = 1|W = ν8 )L(ν8 . P(X = 0|W = ν4 )L(ν4 . 2 · 2. 5 = 3. δ3 (1)) = 0. P(X = 0|W = ν4 )L(ν4 . 6 · 2. δ2 (1)) = 0. δ3 (1)) = 0. яке мiнiмiзує iнтеграл w w L(ν. то оптимальним є баєсiвське рiшення за апрiорного розподiлу W . яка мiнiмiзує цей ризик. 4 · 5 + 0. 6. Тодi функцiї ризику вiд кожної його вирiшувальної функцiї за умови. 8. баєсiвську вирiшувальну функцiю δ ∗ за умови розподiлу U можна одержати так: для кожного спостережуваного значення x приймаємо рiшення δ ∗ (x) = d∗ ∈ D. d)dUx (ν). Для блюда з вiсьмома гострими чилi маємо P(X = 0|W = ν8 ) = 0.(ii) Для блюда з чотирма гострими чилi ймовiрностi скуштувати гострий та лагiдний чилi дорiвнюють вiдповiдно P(X = 0|W = ν4 ) = 0. iнтеграл (7. δ2 (0)) + P(X = 1|W = ν4 )L(ν4 . 5 = 2. δ3 (0)) + P(X = 1|W = ν8 )L(ν8 . δ(x))dUx (ν) dF (x). 2 · 2.14). тобто £5 чи £2. коли X = x. що рiшення δ ∗ (x0 ). P(X = 1|W = ν8 ) = 0. коли iснує умовна щiльнiсть ux (ν) = uW |X=x (ν|x) розподiлу параметра W за спостережуваного значення X = x. d) |X = x) . як i в першому випадку. δ2 (0)) + P(X = 1|W = ν8 )L(ν8 . δ3 (0)) + P(X = 1|W = ν4 )L(ν4 .2. та ж сама. 6 · 2.5 5 3. якщо функцiя втрат L невiд’ємна та обмежена. 5 + 0.5 δ4 5 2. (7. бо вiн задає розподiл W до спостерiгання X. Зокрема. яку вiн має заплатити за тарiлку з чилi. 8 · 5 = 5. яка мiнiмiзує її баєсiвський ризик R(δ). (7. рiзниця лише в тому. З цих мiркувань ясно. 2 · 5 + 0. визначений у формулi (7. ця перестановка законна для всiх розподiлiв ймовiрностей U та всiх вирiшувальних функцiй δ. що апрiорний розподiл W змiнився на апостерiорний. 4 · 2. рiшення d .14) можна записати i так: w L(ν. 2. dj ) = 5 I{i̸=j} + 2. Iншими словами. 2 · 5 + 0. 5 = 3. 4. 6 · 5 = 5. Ми будемо припускати. 5. 5 = 2.11). δ4 (0)) + P(X = 1|W = ν8 )L(ν8 . щоб обчислювати рiшення δ ∗ (x) 82 . то задача прийняття рiшення для статистика. задане баєсiвською вирiшувальною функцiєю δ ∗ для певного значення x0 . P(X = 0|W = ν8 )L(ν8 . δ4 (1)) = 0.15) Θ ∗ Отже. 8 · 5 = 4. 5. Якщо ж перед прийняттям рiшення спостерiгають значення X. 5.5 3. (7.13) для кожного значення x ∈ Rn . можна знайти i без того. δ2 (1)) = 0. Отже. 4 · 5 + 0.75 δ2 4.14) Θ Θ Зокрема. Якщо рiшення приймають без попереднiх спостережень.5 3. що в цьому спiввiдношеннi можна змiнити порядок iнтегрування.5 4 δ3 3 4 3. можна визначити з умови мiнiмiзацiї внутрiшнього iнтеграла в (7. власне кажучи. δ4 (0)) + P(X = 1|W = ν4 )L(ν4 . що подано блюдо ν4 чи ν8 . Умовний розподiл W за вiдомого значення X називають апостерiорним розподiлом W . P(X = 0|W = ν8 )L(ν8 . δ(x))dUx (ν) = L(ν. 8 · 2. 5 + 0. P(X = 0|W = ν4 )L(ν4 . 4 · 2.  7. Пiсля зазначеної змiни порядку iнтегрування ризик R(δ) має вигляд ) ( w w L(ν. 5. Iншими словами. δ1 (X)) |W = ν4 ) = P(X = 0|W = ν4 )L(ν4 . яке мiнiмiзує iнтеграл (7. 5 I{i=j} – цiна. За такого вибору середня цiна за блюдо з чилi становитиме £3. якому вiдповiдає найменший середнiй збиток при умовному розподiлi W . 5. коли спостереженим значенням X виявилося x. є попросту те. δ1 (1)) = 0.4. тепер оптимальним є баєсiвське рiшення за апостерiорного розподiлу W . 6 · 5 = 4. d)ux (ν)dν = E (L (W. P(X = 0|W = ν8 )L(ν8 . 8 · 2. Втрати актуарiя L(νi .13) R(δ) = Rn Θ де Ux (ν) = UW |X=x (ν|x) – умовний розподiл параметра W за умови X = x. P(X = 1|W = ν4 ) = 0. Корисно уявляти собi баєсiвську вирiшувальну функцiю наступним чином. d∗ – баєсiвське рiшення за умовного розподiлу W . Побудова баєсiвських вирiшувальних функцiй Нехай для розподiлу ймовiрностей U параметра W потрiбно знайти вирiшувальну функцiю δ. P(X = 0|W = ν8 )L(ν8 .75 Отже. δ1 (0)) + P(X = 1|W = ν4 )L(ν4 . яке є результатом спостереження. 5 + 0. У статистичних задачах прийняття рiшень початковий розподiл W називають попереднiм або апрiорним розподiлом параметра W . 5 + 0. Вирiшувальну функцiю δ. δ1 (1)) 0. бо вiн задає розподiл пiсля спостереження значення величини X. 5. δ4 (1)) = 0. буде таким: Rν4 (δ1 ) Rν8 (δ1 ) Rν4 (δ2 ) Rν8 (δ2 ) Rν4 (δ3 ) Rν8 (δ3 ) Rν4 (δ4 ) Rν8 (δ4 ) = = = = = = = = = E(L (W. (iii) Матриця виплат гравця матиме такий вигляд: ν4 ν8 Баєсiвський ризик R(δ) = 12 Rν4 (δ) + 12 Rν8 (δ) δ1 2. баєсiвською вирiшувальною функцiєю є δ3 .

19  83 . Як iлюстрацiю отриманих результатiв розглянемо задачу. коли u = .  8 0 ≤ u ≤ 17 . якщо Ux (ν1 ) < 32 . 0 ≤ u ≤ 17 . лише d1 є баєсiвським рiшенням. 8 1) Якщо 0 ≤ u ≤ 17 . то рiшення d2 буде баєсiвським незалежно вiд спостережуваного значення X. та 16 δ ∗ (0) = d1 для u > 16 . Якщо спостерiгають значення X = 1.8. що апрiорний закон розподiлу параметра W такий: U (ν1 ) = P(W = ν1 ) = u. Отже. X з такими умовним розподiлом Fν (x) = P(X = x|W = ν): 3 1 1 2 Fν1 (1) = . { 8 d2 . тобто Ux (ν) = P (W = ν|X = x) . 0 ≤ u ≤ 16 ∗ 19 . то δ ∗ (0) = d2 та δ ∗ (1) = d1 .в. З таблицi 7. тобто коли u < 16 19 .для всiх значень x. 1 2 19 19 { d2 . за умови. що u < 17 8 8 u > 17 . то для баєсiвської вирiшувальної функцiї δ ∗ маємо: 8 . Звiдси i з вигляду апостерiорних ймовiрностей випливають наступнi результати. що 16 19 . якщо спостерiгалось значення x величини X. ν2 }.3 d1 d2 ν1 0 5 ν2 10 0 Припустимо. Отже. нарештi.9). з рiвностей (7. а функцiя втрат L задано таблицею 7. 10 (1 − u) . δ ∗ (1) = 8 d1 . 17 ≤ u ≤ 1. та δ ∗ (1) = d1 . d2 }. U (ν2 ) = 1 − u. Fνi (x)U (νi ) i=1 Отже. матимемо Ux (ν) = P ( X = x| W = ν) P (W = ν) 2 ∑ = P ( X = x| W = νi ) P (W = νi ) i=1 Fν (x)U (ν) 2 ∑ . 0 ≤ u ≤ 1. 4 4 3 3 4 3 3) Якщо 16 19 ≤ u ≤ 1. якщо Ux (ν1 ) > 23 . що U1 (ν1 ) < 23 чи.  5u. лише d2 є баєсiвським рiшенням. так i d2 – баєсiвськi рiшення.16) – (7.7. то рiшення d1 буде баєсiвським незалежно вiд того. Отже.3 для таких u маємо R∗ (u) = 5u.3 [ ] [ ] 3 1 1 2 5 10 R∗ (u) = U (ν1 )Rν1 (δ ∗ ) + U (ν2 )Rν2 (δ ∗ ) = u 0 · + 5 · + (1 − u) 10 · + 0 · = u+ (1 − u) . Якщо ж спостерiгають значення X = 0.17) де u – задане число. Fν2 (0) = . δ (0) = d1 . 16 ≤ u ≤ 1. Отже. 19 ∗ ∗ Обчислимо тепер значення баєсiвського ризику R = R (u) для довiльної апрiорної ймовiрностi u. D = {d1 . Отже. . у цьому випадку R∗ (u) = 10 (1 − u). Згiдно з таблицею 7.3.3 видно. U1 (ν2 ) = 3 4u 1 3 (1 − u) + 13 (1 − u) . що статистик може спостерiгати в. ∗ 5 10 8 16 R (u) = u + (1 − u) .  4 16 < u ≤ 1.2. Розв’язання. U0 (ν1 ) = 1 4u + 1 4u 2 3 (1 − u) . для u = 17 обидва рiшення d1 та d2 є баєсiвськими. то δ ∗ (0) = d2 за умови U0 (ν1 ) < 32 . Fν2 (1) = . яке значення X спостерiгають. Приклад 7. а ризик вiд прийняття d2 дорiвнює R(d2 ) = 5Ux (ν1 ).в. Баєсiвську вирiшувальну функцiю δ ∗ для розподiлу ймовiрностей U можна знаходити i без обчислення баєсiвського ризику R∗ . що те саме. Табл. Застосувавши формулу Баєса (1. Нехай Ux (ν) – апостерiорна ймовiрнiсть подiї W = ν. що ризик вiд прийняття рiшення d1 дорiвнює R(d1 ) = 10Ux (ν2 ) = 10(1 − Ux (ν1 )).11) та таблицi 7. згiдно з таблицею 7. X треба вибрати одне з рiшень: d1 чи d2 . Fν1 (0) = .16) 4 4 3 3 Потрiбно побудувати баєсiвську вирiшувальну функцiю за умови. Тому з рiвностей (7. то обидва рiшення d та d є баєсiвськими. U0 (ν2 ) = 1 4u 2 3 (1 − u) + 32 (1 − u) Пiсля спостереження значення x в.2). ≤ u ≤ 3 17 19 .17) випливає. що U1 (ν1 ) = 3 4u + 3 4u 1 3 (1 − u) . коли δ ∗ (1) = d2 за умови. (7. (7.3. 8 <u< 2) Якщо 17 видно. нарештi. (7. в якiй Θ = {ν1 . а у випадку Ux (ν1 ) = 32 як d1 .

що функцiя втрат L(ν. b > 0. Оскiльки статистик оцiнює значення W. . що Λ(0) = 0. Якщо функцiя втрат задається рiвнiстю (7.19) Rk ˜ Зауважимо. d) = a|ν − d|b . то отримаємо L(ν.22) вiдносно малi та ними можна знехтувати. Той факт. d) вiдображають розбiжнiсть мiж значенням ν та оцiнкою d.21).3. Баєсiвська оцiнка δ ∗ (x) для квадратичної функцiї втрат (7. Припустимо для простоти. d) = γ(ν)Λ(ν − d). d) має вигляд L(ν. Тому пiд час обговорення задач теорiї оцiнювання можна вважати. у нашому випадку. Нехай ux (ν) позначає апостерiорну щiльнiсть розподiлу W за умови X = x. то можна вважати. (7. Цей квадратичний полiном буде мiнiмальним. тобто його значення лежать в R1 . що апостерiорна щiльнiсть розподiлу параметра W дорiвнює ux (ν).21). d) має вигляд ˜ L(ν.23) R 84 . . щоб вибрати оцiнку d. d) = (ν − d)2 . що Λ(0) = 0. Якщо параметр W одновимiрний. νk ) параметра W. ux ): w R(d. γ(ν) – невiд’ємна вагова функцiя. баєсiвську оцiнку d∗ визначають.21) зручна для математичних викладок. а з невiд’ємностi функцiї Λ випливає. де Λ – невiд’ємна двiчi диференцiйовна функцiя така. .20) де a > 0. в якiй досягається мiнiмум ризику R(d.21) та довiльного апостерiорного розподiлу W має вигляд w δ ∗ (x) = E(W |X = x) = νux (ν)dν. то множина рiшень D спiвпадає з множиною значень параметра Θ. k ≥ 1. що належить множинi Θ ⊂ Rk . (7.22) Якщо статистик має достатню кiлькiсть iнформацiї про значення W . маючи на увазi.18) є сталою. i припустимо. чи вона є множником при щiльностi розподiлу параметра W. Доведення. .21). Баєсiвська оцiнка d∗ для квадратичної функцiї втрат (7. . Тому в задачах оцiнювання вважають. а апостерiорна щiльнiсть розподiлу u ˜x параметра W задовольняє умовi пропорцiйностi u ˜x (ν) ∝ γ(ν)ux (ν). . Якщо розкласти функцiю Λ в ряд Тейлора з точнiстю до членiв другого порядку. (7. За такого вибору d мiнiмальне значення ризику дорiвнює R(d∗ ) = E(W − EW )2 = DW. що втрати L(ν. (7. Розглянемо задачу оцiнювання. Iншими словами. що X – спостереження з (узагальненою) щiльнiстю розподiлу fν (x) за умови W = ν. . означає. коли d = EW . що Θ = D = Rk .3. . . що a0 = 0.1. що ймовiрнiсть того.7. а баєсiвський ризик дорiвнює дисперсiї W : R∗ = DW. що W лежить у деяких областях Rk . яка визначає вiдносну значущiсть заданого вектора похибок для рiзних значень параметра W. dk ) ∈ Rk – це його оцiнка значення ν = (ν1 . ux ) = γ(ν) Λ(ν − d)ux (ν)dν. то члени бiльш високого порядку в (7. Крiм того. але кориснi мiркування показують. що функцiя γ(ν) у виразi (7. d) = Λ(ν − d). у якiй функцiя втрат L(ν. Припустимо. d) залежать лише вiд рiзницi ν − d. . а його втрати L(ν. в якiй функцiя втрат L(ν. Вона задається рiвнiстю L(ν.1. 7. яка буде близькою до ν. Баєсiвське рiшення d∗ або. . чи є невiд’ємна функцiя γ(ν) множником при функцiї втрат.2. Розглянемо бiльш детально такi функцiї втрат для значень b = 1 та b = 2. Якщо втрати L(ν. Отже. що такий же iнтеграл мiнiмiзують i в задачi оцiнювання. що мiнiмiзує значення ризику R(d) = E(W − d)2 = EW 2 − 2d EW + d2 .21) Функцiя втрат (7. наступнi не зовсiм строгi. за рахунок вибору системи одиниць спiввiдношення (7. Цей результат є наслiдком формули (7. чому така функцiя втрат часто використовується.19). Рiшення статистика d = (d1 . .21) та довiльного апрiорного розподiлу W дорiвнює його математичному сподiванню: d∗ = EW.18) де Λ – це невiд’ємна функцiя вiд вектора похибок (ν −d) така. Wk ). Припустимо. як точку d ∈ Rk . Теорема 7.18).22) зводиться до (7. d) має вигляд (7. d) = Λ(ν − d) ≈ a0 + a1 (ν − d) + a2 (ω − d)2 . однi й тi самi баєсiвськi рiшення отримуємо незалежно вiд того. d) залежать лише вiд вектора похибок (ν − d). у якiй рiшенням статистика є оцiнка значень параметра W = (W1 . що функцiя γ(ν) стала на всьому просторi Rk . (7. Квадратична функцiя втрат Найкраще вивченою функцiєю втрат у задачах оцiнювання дiйсного параметра W є квадратична функцiя. то баєсiвське рiшення d∗ для довiльного апрiорного розподiлу W є таким. що a1 = 0 та a2 ≥ 0. Тодi легко знайти баєсiвську оцiнку δ ∗ (x) та вiдповiдний баєсiвський ризик R∗ = R∗ (u) для квадратичної функцiї втрат (7. може бути рiвною 0. Оцiнювання параметрiв Задача оцiнювання параметра – це задача прийняття рiшень. що Λ(0) = 0. що має вигляд L(ν. Теорема 7. d) = Λ(ν − d). Нехай L(ν. (7. то функцiю втрат у задачах оцiнювання часто вибирають такою.

(7. (7. Якщо значення (7. що α + Xi > 1.26) i (7.3. . Xn ) = . . . . . (7. Xn ) = n ∑ Xi − 1 i=1 β+n . що цiна одного спостереження у вибiрцi дорiвнює c (c > 0) i що статистик може вибирати об’єм вибiрки.а баєсiвський ризик дорiвнює R∗ = E(D(W |X)). .25) β+n Для довiльних значень X1 . то оптимальний об’єм вибiрки – це одне з найближчих до нього цiлих чисел. . . . то E(Xi ) = E[E(Xi |W )] = E(W ) = α . n.32) Баєсiвський ризик ρ∗ (ξ) дорiвнює 1 . . i=1 Нехай функцiя втрат має вигляд (7. .26) (β + n)2 Оскiльки E(Xi |W ) = W .30). Тодi для довiльних n ∑ значень спостережень X1 . Доведення. Xn дисперсiя апостерiорного розподiлу дорiвнює n ∑ α+ Xi i=1 D(W |X1 .30) cβ Зрозумiло. то оптимальний об’єм вибiрки n = 0. (β + n) (7.28) видно.21) з a = 1. i = 1.6): DW = E(D (W |X)] + D [E(W |X)]. (7. . . . Для обчислення баєсiвського ризику E(D(W |X)) можна використовувати формулу повної дисперсiї (1. Нехай функцiя втрат L замiсть спiввiдношення (7. . що для вибiрки об’ємом n спостережень загальний ризик дорiвнює α + cn. . що апрiорним розподiлом W є гамма-розподiл з параметрами α та β.24) Приклад 7. але не цiле. . в якому кожне середнє iснує та легко пiдраховується. d) = i=1 α+ δ ∗ (X1 . пiсля спостереження значення x та вибору оцiнки δ ∗ (x) ризик дорiвнює умовнiй дисперсiї D(W |X = x) за умови апостерiорного розподiлу W . . β(β + n) (7. . що для довiльного спостереженого значення X = x баєсiвське рiшення має вигляд (7. (7. тобто дорiвнює середньому значенню апостерiорного розподiлу W . . n – це гамма-розподiл з параметрами α + xi та β + n. β Тому зi спiввiдношень (??) (7.27) (7. що апрiорний розподiл W є гамма-розподiл з параметрами α i β.1.31) ν Знову припустимо. За теоремою 7. З формули (7. . . . Xn ) iз розподiлу Пуассона з невiдомим значенням параметра W . розглянемо повторну вибiрку X = (X1 .34) ρ∗ (ξ) = Загальний ризик буде мiнiмальним при 85 . . Якщо значення. Припустимо. Далi. В цьому випадку не потрiбно робити спостережень i статистик може оцiнювати W за апрiорним розподiлом. c (7. (7.1. . Тому баєсiвський ризик має вигляд R(δ ∗ ) = E(D(W |X)). . . баєсiвська оцiнка δ ∗ (X1 .28) Припустимо тепер. i = 1.29) β(β + n) Цей загальний ризик буде мiнiмальним при ( )1/2 α n= − β.6 апостерiорний розподiл n ∑ W при Xi = xi . Xn ) = . . яке отримане з формули (7. . Як приклад. (7. що баєсiвська оцiнка δ ∗ визначається рiвнiстю n ∑ α+ Xi i=1 δ ∗ (X1 . . .27) виводимо наступну формулу для баєсiвського ризику: α ρ∗ (p) = . . .23). . .3. Зауваження 7. вiд’ємне. З виразу для середнього значення гамма-розподiлу видно.33) ( )1/2 1 n= − β.21) задається спiввiдношенням: (ν − d)2 .30) – додатне. . що n повинно бути натуральним числом або нулем.2.4 та доведення попередньої теореми випливає. Зi сказаного в параграфi 7. Xn таких. Xn ) має вигляд L(ν.

d) = |ν − d|. то ( ) 12 2 E|Y | = . Оскiльки єдина медiана нормального розподiлу спiвпадає з його середнiм. . З теореми 7. .41) буде оптимальним значенням числа спостережень в цiй задачi для випадку. n. .35) 1 1 Кажуть. Припустимо.39) π(τ + nr) Припустимо тепер. Xn середнє значення у правiй частинi (7. (7. та довiльної функцiї щiльностi ux (ν) розподiлу W за умови спостереження значення x в. коли апрiорна iнформацiя щодо W незначна. . що потрiбно оцiнити значення W при функцiї втрат (7. буде нормальним з середнiм 0 та мiрою точностi τ + nr. .21). . Як сказано у параграфi 7.37) дорiвнює π(τ +nr) .2. . . . .3. але не обов’язково єдину. xn . незалежно вiд значень x1 . . що медiана розподiлу W буде баєсiвською оцiнкою параметра для функцiї втрат (7. Теорема 7.35). (7. dd −∞ d а це означає. Втрати. . d Диференцiюючи G(d) та прирiвнюючи отриманий вираз до нуля. При пiдходящому виборi системи одиниць в цiй рiвностi a = 1. що число m – це медiана розподiлу W . Xn )|.38) πτ ) 12 ( 2 Отже. для довiльних значень X1 . . то баєсiвська оцiнка δ ∗ визначається наступним чином: ¯ τ µ + nrX δ ∗ (X1 .41) 1 − r (2πrc2 ) 3 Зрозумiло.4. якщо Y – нормальна випадкова величина з середнiм 0 та мiрою точностi τ . то для довiльних значень ¯ /(τ + nr) та мiрою точностi X1 . Розглянемо повторну вибiрку X1 . що ] 12 [ 2 ∗ ρ (p) = . d)|X = x) = wd |ν − d|ux dν = (d − ν)ux dν + −∞ R −∞ w (ν − d)ux dν. . Iз спiввiдношення (7. (7. Приклад 7. . . мiнiмiзуючи вираз w G(d) = E(L(W. Наступна теорема показує. то граничне значення в рiвностi (7. .37) ∗ Апостерiорний розподiл випадкової величини [W − δ (X1 . .3. . пропорцiйнi абсолютнiй величинi похибки Припустимо. .36) τ + nr ∗ Баєсiвський ризик ρ (p) дорiвнює ρ∗ (p) = E|W − δ ∗ (X1 . . . З рiвностi (7. Кожний розподiл має принаймнi одну медiану.9 випливає.37) випливає. Далi. X є медiаною апостерiорного розподiлу W .39) видно. n= 86 . баєсiвське рiшення d∗ = δ ∗ (x) ∈ D для кожного спостереженого значення X = x можна отримати. якщо P(W ≥ m) ≥ 2 та P(W ≤ m) ≥ 2 . Xn з нормального розподiлу з невiдомим значенням середнього W i заданою мiрою точностi r. що цiна одного спостереження дорiвнює c (c > 0) i статистик може вибирати об’єм вибiрки. d) має вигляд L(ν.40) π(τ + nr) i вiн мiнiмiзується при 1 τ . що якщо апрiорний розподiл W нормальний з середнiм µ та мiрою ( точностi) τ . .2. що й визначає баєсiвське рiшення як медiану апостерiорного розподiлу W . що для вибiрки об’ємом n загальний ризик дорiвнює [ ] 12 2 + cn (7. .2. що збиток пропорцiйний абсолютнiй величинi похибки. . .в. отримаємо −∞ wd w dG(d) = ux dν − ux dν = 0. . що d є розв’язком рiвняння P(W ≤ d|X = x) = P(W ≥ d|X = x). (7. пропорцiйних абсолютнiй величинi похибки. Xn ) = . Доведення. (7.7. . Xn апостерiорний розподiл W нормальний з середнiм τ µ + nrX τ + nr. . (7. що число повинно бути невiд’ємним та цiлим.3. Xn )] при Xi = xi . . i = 1. . . Баєсiвська оцiнка δ ∗ (x) для функцiї втрат (7.35). Якщо τ → 0. Нехай для ν ∈ R та d ∈ R збиток L(ν.

що баєсiвську вирiшувальну функцiю δ ∗ визначають з рiвностi δ ∗ (X) = E(W|X). то це значення d буде єдиною баєсiвською оцiнкою.46) Звiдси випливає. що при M = m i R = r та оцiнках m b i rb вiдповiдно для M i R 87 . .42) Таку функцiю втрат називають втратами 0/1 чи “все або нiчого”. L(ν. поклавши d рiвним модi апостерiорного розподiлу параметра W . . зi спiввiдношення (7. яка мiнiмiзує математичне сподiвання E[(W − d)′ A (W − d)] = E{[(W − µ)′ + (µ − d)′ ] A [(W − µ) + (µ − d)]} = E[(W − µ)′ A (W − µ)] + (µ − d)′ A(µ − d). Отже. (7. . а баєсiвський ризик R∗ при заданiй апрiорнiй щiльностi розподiлу p дорiвнює R∗ = tr{A E[cov(W|X)]}. 7. Баєсiвська оцiнка при заданому розподiлi W – це точка d ∈ Rk . . коли d = ν. Оцiнювання векторного параметра Розглянемо задачу оцiнювання вектора W = (W1 .43) та довiльної функцiї щiльностi ux (ν) розподiлу W за умови спостереження значення x в. d)|X = x) не можливе.45) рiшення d не входить пiд знак математичного сподiвання. якщо A – додатно визначена матриця. 1. .46). Для L ˜ очiкуванi втрати вiдносно апостерiорного Тодi L(ν. ˜ d) = (7. яка визначена для всiх w ∈ Rk та d ∈ Rk за формулою L(w. Нехай для ε > 0 { 0. в якому середнє M i мiра точностi R невiдомi. коли ν − ε < d < ν + ε. що для W iснує вектор середнiх E(W) = µ та коварiацiйна матриця cov (W) = Σ. Приклад 7. Наступна теорема показує. Отже. що баєсiвською оцiнкою параметра W для функцiї втрат (7. мiнiмум G(d) досягаємо. (7. d)|X = x) = 1 − d+ε w ux (ν)dν = 1 − 2εux (d) d−ε ˜ при достатньо малому ε. ˜ d) прямує до функцiї втрат (7. . Оскiльки у цьому випадку диференцiювання виразу G(d) = E(L(W. Такi вектори iснують. то знайдуться iншi значення d. (7. k ≥ 2.48) Тут cov(W|X) – коварiацiйна матриця апостерiорного розподiлу W при заданому значеннi X = x. Припустимо.в. Якщо матриця A не є додатно визначеною. Wk ). d) = 1. Пiдкреслимо. що функцiю втрат визначено таким чином: { 0.45) випливає. (7. . d) = (w − d)′ A(w − d).4. коли ε → 0. коли d ̸= ν.44) Тут A – симетрична невiд’ємно визначена k × k матриця. коли (µ − d)′ A(µ − d) = 0.4. Якщо A – додатно визначена матриця. Далi.7. то кожному ненульовому вектору похибок w −d вiдповiдає додатний збиток. Припустимо далi. d ∈ Rk – баєсiвська оцiнка тодi i лише тодi. . (7. якщо статистик цiкавиться оцiнкою лише декiлькох компонент W. що значення d = µ є баєсiвською оцiнкою для W. що модою абсолютно неперервного розподiлу називають точку максимуму щiльностi розподiлу ймовiрностей. що вектор середнiх µ = E(W) завжди є баєсiвською оцiнкою для довiльної симетричної невiд’ємно визначеної матрицi A. що математичне сподiвання збитку для довiльної баєсiвської оцiнки d дорiвнює tr(AΣ). тобто сума її дiагональних елементiв.3. то iснують ненульовi вектори похибок з нульовими втратами. Втрати “все або нiчого” Припустимо. З викладеного вище зрозумiло.43) буде мода. наприклад.45) У правiй частинi спiввiдношення (7. Нагадаємо. Доведення. Як бачимо. X є модою апостерiорного розподiлу W. Теорема 7. Оскiльки A – невiд’ємно визначена матриця. Нехай X1 . (7.47) де tr(Z) – слiд матрицi Z. Стандартною функцiєю втрат для такої задачi є квадратична функцiя втрат L. якi задовольняють спiввiдношення (7.43) L(ν.3. якщо матриця A не є додатно визначеною.43). Можна показати. З iншого боку. iнакше. а значення iнших компонент для нього несуттєвi та розглядаються як заважаючi параметри. Xn – повторна вибiрка iз нормального розподiлу.3. що E[(W − µ)′ A (W − µ)] = tr(AΣ). Нехай X – спостереження з умовною щiльнiстю розподiлу fν (x) за умови W = ν. застосуємо перехiд до границi.3.3. розподiлу ux (ν) дорiвнюють ˜ ˜ G(d) = E(L(W. то другий доданок правої частини невiд’ємний для всiх значень d. Баєсiвська оцiнка δ ∗ (x) для функцiї втрат “все або нiчого” (7.

iз функцiєю розподiлу Fν (x) чи щiльнiстю fν (x).49) Вимога невiд’ємної визначеностi матрицi A з (7. T (x))|W = ν) = L(ν. Fν (xi ). Апрiорнi та апостерiорнi розподiли Припустимо. часто i=1 має сенс розглядати ux¯ (ν) = де x ¯= 1 n n ∑ fν (¯ x)u(ν) .54) тобто апостерiорна щiльнiсть параметра W пропорцiйна добутку апрiорної щiльностi та функцiї вiрогiдностi.52) зручнiше виражати не в термiнах вибiркових значень. 7. – н. тобто спостереження Xi . що X = (X1 . Функцiю T (X) називають оцiнкою g(ν). . i=1 Сумiсна щiльнiсть fν (x) = n ∏ (7.збиток задається наступним чином: L(m. ν ∈ Θ ⊆ Rk . Часто (7. Для того щоб дисперсiя апостерiорного розподiлу була скiнченною. що “якнайкраще” оцiнює g(ν) i залежить лише вiд вектора спостережень X. Нехай параметр W має апрiорну щiльнiсть u(ν).4): ux (ν) = де w fX (x) = w fX. що в деяких задачах прийняття рiшень середнє. Ми показали. як функцiєю вiрогiдностi.2. тобто щiльнiсть W за умови. Тодi функцiя ризику оцiнки T має вигляд w w Rν (T ) = E(L(ν.W (x. (7. яка дорiвнює збиткам вiд вибору оцiнки T (x) за спостережним значенням x для справжнього значення ν. . i = 1. Iз сказаного в цьому параграфi випливає. . що залежить вiд параметра ν. . T (x))fν (x)dx.в. n. Припустимо.W =ν (x|ν)u(ν)dν = Θ fν (x)u(ν)dν Θ – безумовна щiльнiсть випадкового вектора X.53) xi . Для цього будемо шукати таку функцiю T (X). що баєсiвськими оцiнками для M та R є середнi вказаних апостерiорних розподiлiв.1. Для випадку векторного параметра W вектор середнiх апостерiорного розподiлу також є баєсiвською оцiнкою за квадратичної функцiї втрат. з тiєї ж теореми 7. На практицi цi два пiдходи еквiвалентнi.4.о.11 видно. . Зауваження 7. де значення β ′ наведене в теоремi. b rb) = a1 (m − m) b 2 + a2 (r − rb)2 + 2a3 (m − m)(r b − rb).51) fν (xi ) i=1 є нiчим iншим. планування та аналiзування експерименту виявляються досить нескладними. що апостерiорний розподiл R є гамма розподiл iз середнiм (2α+n)/(2β ′ ). Оскiльки функцiя fX (x) не залежить вiд ν. Наприклад. m.4) випливає. T (x)). який вказаний у теоремi 7. ν)dν = Θ fν (x)u(ν) . . Оскiльки не iснує стандартного визначення медiани та моди багатовимiрного розподiлу. fX (¯ x) (7. . . де значення ν параметра W частково чи повнiстю невiдоме. що апрiорний сумiсний розподiл M i R є нормальний–гамма розподiл. . (7. (7. то з (1. що має таку властивiсть: 88 . Тодi апостерiорний розподiл M – це t–розподiл з параметром змiщення µ′ .р. . Оскiльки щiльнiсть t–розподiлу симетрична вiдносно значення параметра змiщення. що ux (ν) ∝ fν (x)u(ν). Далi. ν ∈ Θ. припустимо. Вiдповiдно до вищесказаного. Нас цiкавить значення певного функцiоналу g(ν). що вибiрковi значення x вiдомi. fX (x) (7.4. то сумiсну функцiю розподiлу вибiрки X можна записати. Xn ) – повторна вибiрка.11. xn ) ∈ Rn . в. i=1 Зручний спосiб знаходження апостерiорної щiльностi полягає у використання пропорцiйностi. ν ∈ Θ.50) Rn Rn Оскiльки X = (X1 .49) приймає вигляд: a1 ≥ 0 та a1 a2 ≥ a23 . зокрема вибiркового середнього X = n1 Xi . Спряженi сiмейства розподiлiв 7. а за допомогою значення деякої n ∑ (достатньої) вибiркової статистики T (X). якщо iснує стандартне сiмейство розподiлiв параметра W . визначають за допомогою базової формули (1. що n > 2. . T (x))dFν (x) = L(ν. . .52) w fX. . медiана та мода апостерiорного розподiлу одновимiрного параметру W є баєсiвськими оцiнками. r. k ≥ 1. то середнiм значенням апостерiорного розподiлу є µ′ . .44) у випадку (7.3. Його апостерiорну щiльнiсть ux (ν). є обмеженою та iнтегровною. то для випадку векторного параметра немає й аналогiчних результатiв. З математичної точки зору вираз “якнайкраще” представляє функцiя втрат L(ν. . Xn ) – повторна випадкова вибiрка з генеральної сукупностi iз заданою функцiєю розподiлу Fν (x) чи щiльнiстю fν (x). як Fν (x) = n ∏ x = (x1 .

наприклад. . 2.• якщо апрiорний розподiл W належить цьому сiмейству. n. Ми довели наступну теорему. вiд’ємного бiномiального та експоненцiйного розподiлiв Теорема 7. . . 7. є n ∑ гамма-розподiл з параметрами α + xi та β + n. Xn ) – повторна вибiрка з розподiлу Бернуллi з невiдомим значенням параметра W . та u(ν) ∝ ν α−1 e−βν . i = 1. Xn – повторна вибiрка з розподiлу Пуассона з невiдомим значенням середнього значення параметра W . Його називають також спряженим сiмейством розподiлiв через особливий зв’язок. що щiльнiсть розподiлу u(ν) задана правою частиною (7. . якi мають таку властивiсть. що апрiорний розподiл W є бета-розподiл з параметрами α i β. Припустимо. . i=1 Доведення. n. (7. .59) EX m1 α α Нагадаємо. . α > 0.3. Для заданого значення W = ν функцiя вiрогiдностi fν (x) дорiвнює fν (x) = n ∏ fν (xi ) = ν y (1 − ν)n−y . що апрiорний розподiл W є бета-розподiлом iз заданими значеннями параметрiв α > 0 та β > 0. 0 < ν < 1.5. Вибiрки з пуассонiвського. i = 1. 2. що випадковi величини Xi . який iснує мiж розподiлами параметра i розподiлами спостережень. . Припустимо. .55) i=1 Припустимо також. де y= i=1 n ∑ xi .6 випливає. ε i=1 89 .4. β > 0. .в. Тодi спостереження потрiбно продовжувати до моменту першого виконання нерiвностi n ∑ 1 α+ xi ≥ 2 . що ux (ν) ∝ ν α+y−1 e−(β+n)ν . що апостерiорним розподiлом W є бета-розподiл з параметрами α+y i β+n−y. Сiмейство розподiлiв.в. 7. . . Вибiрка з розподiлу Бернуллi Припустимо. Теорема 7. DX = β 2 . Позначимо y = n ∑ xi . i = 1. . .58) випливає. . що коли в. . X часто вживають коефiцiєнт варiацiї. n.6. i=1 Нехай ε > 0 – фiксоване число. . . . є ux (ν) ∝ ν α+y−1 (1 − ν)n−y+β−1 . набувають значення xi . . З цих спiввiдношень та теореми 7. .56) Тут ужито символ пропорцiйностi ∝. . . що для ν > 0 i=1 fν (x) ∝ ν y e−nν .57) видно. то для будь-якого розмiру вибiрки n i будь-яких значень спостережень у вибiрцi апостерiорний розподiл W також належить цьому сiмейству. (7. що в. n ∑ є бета-розподiл з параметрами α + y i β + n − y. який визначається спiввiдношенням √ DX σX CV(X) = = . 2. . що апрiорним розподiлом W є гамма-розподiл з параметрами α > 0 та β > 0. . . що вказує на те. (7. X має гамма-розподiл з параметрами α та β. .56) з точнiстю до множника.54).54) та (7. Тодi апостерiорним розподiлом W за умови. xn ). Xn – повторна вибiрка з розподiлу Бернуллi з невiдомим значенням параметра W . поки коефiцiєнт варiацiї апостерiорного розподiлу W не стане меншим за ε. .4.2. що X = (X1 .58) Отже. що спостереження розподiлу Пуассона проводять доти. де y = xi . Нехай X1 . n. зi спiввiдношень (7. сiмейство бета-розподiлiв i=1 спряжене з сiмейством розподiлiв Бернуллi. (7. Тодi апрiорна щiльнiсть розподiлу ймовiрностей параметру W має вигляд β−1 u (ν) ∝ ν α−1 (1 − ν) . . Таким чином. (7. . то EX = β . називають замкнутим вiдносно процесу вибору. Iншими словами.57) Зi спiввiдношення (7. Тодi апостерiорний розподiл W за умови. . Тому зi спiввiдношень (7.56) апостерiорна щiльнiсть розподiлу ймовiрностей ux (ν) параметра W пiсля спостереження значень Xi = xi . (7. . Нехай X1 . i = 1. Xi набувають значення xi . x = (x1 . тодi з умов теореми випливає. який не мiстить ν. В якостi мiри розсiювання розподiлу додатної в. апостерiорна щiльнiсть розподiлу W є щiльнiстю гамма-розподiлу з параметрами α + y та β + n. 2. Припустимо. що коефiцiєнт варiацiї апостерiорного розподiлу W дорiвнює ( )− 12 n ∑ CVx (W ) = CV(W |X = x) = α + xi .в.

. (7. . . .63) (7. а значення W невiдоме.62) не мiстить ν. Середнє µ′ апостерiорного розподiлу W можна записати у виглядi τ nr x ¯+ µ. X2 . Можна показати. β > 0. Xn – повторна вибiрка з нормального розподiлу з невiдомим значенням середнього W та заданою мiрою точностi r > 0. то ми можемо переписати спiввiдношення так: { nr } 2 fν (x) ∝ exp − (ν − x ¯) .Наступнi теореми описують спряженi сiмейства розподiлiв для вибiрок з вiд’ємного бiномiального та експоненцiйного (показникового) розподiлiв. або. Для довiльного значення ν ∈ R умовна щiльнiсть розподiлу в.61) 2 i=1 Але n ∑ 2 2 (xi − ν) = n (ν − x ¯) + i=1 n ∑ 2 (xi − x ¯) . що Xi = xi . i = 1. . у цьому усередненнi пропорцiйнi nr та τ .8. 2 Апостерiорна щiльнiсть розподiлу ux (ν) параметра W пропорцiйна добутку функцiй. є гамма-розподiлом iз параметрами α + n i n ∑ β+ xi . i=1 7. (7. i ми одержуємо таке спiввiдношення: } { τ + nr 2 (ν − µ′ ) . а µ – середнє апрiорного розподiлу W. та оцiнки параметра W.4. .66) випливає. Тодi апостерiорним розподiлом W за умови спостереження значень Xi = xi . 2. X2 . x = (x1 . xn ) ∈ Rn . X2 . . . fν (x) ∝ exp − (7. . .9. . . тим бiльше вага. Припустимо. . є бетаn ∑ розподiлом iз параметрами α + rn та β + xi . X1 . . Чим бiльшим є розмiр вибiрки n та чим вища точнiсть r кожного спостереження. . виходячи з апрiорного розподiлу. n. n.60). Xn – вибiрка з експоненцiйного розподiлу з невiдомим значенням параметра W . з вiдомою дисперсiєю.64) (7. є нормальний iз середнiм µ′ та мiрою точностi τ ′ = τ + nr. . що (7. а не через дисперсiю.66) ux ∝ exp − 2 де µ′ визначено у (7.64). де x ¯ – значення вибiркового середнього. що фiгурують у й (7. . .в. чому краще виражати результати спостережень через мiру точностi. Теорема 7.4. . побудованої за вибiркою. Нехай апрiорний розподiл W є бета-розподiлом iз параметрами α > 0.67) µ′ = τ + nr τ + nr Ми бачимо. де τ µ + nr¯ x µ′ = . . то вiн може бути включений у нормуючий множник. (7. що апрiорним розподiлом W є гамма-розподiл з параметрами α > 0 та β > 0. . x ¯ та µ. . а τ – мiра точностi апрiорного розподiлу W. Нехай X1 . . . одержаної. Спряженi сiмейства для вибiрок з нормального розподiлу Ми почнемо з розгляду нормальних розподiлiв iз вiдомою мiрою точностi. що апрiорний розподiл W – це нормальний розподiл iз середнiм µ й мiрою точностi τ > 0. Xn задовольняє умовi { } n r∑ 2 (xi − ν) . i=1 Теорема 7. 2. 2. де r > 0 – фiксоване.62) i=1 Оскiльки останнiй доданок у рiвностi (7. i = 1. .6. . . 90 . .63) 2 τ nr (¯ x − µ) . Нехай X1 . Тодi апостерiорний розподiл W за умови. що дається x ¯. що те саме. (7. Тому можна розглядати середнє апостерiорного розподiлу µ′ як зважене середнє оцiнки x ¯ параметра W . . τ (ν − µ) + nr (ν − x ¯) = τ + nr (ν − µ′ ) + 2 2 2 Ця теорема показує.7. . Xn – повторна вибiрка з вiд’ємного бiномiального розподiлу з параметрами r i W .60) τ + nr Доведення.61) (7. де nr – мiра точностi умовного розподiлу вибiркового середнього при будь-якому фiксованому значеннi W. (7.65) τ + nr Оскiльки останнiй доданок у (7. Доведення теорем аналогiчнi доведенню попередньої теореми 7. . Тодi апостерiорний розподiл W за умови. i = 1. Ваги оцiнок. що Xi = xi . що апостерiорним розподiлом W є нормальний iз середнiм µ′ та мiрою точностi τ + nr. n. що µ′ – це зважене середнє x ¯ та µ. Теорема 7. 2 Апрiорна щiльнiсть розподiлу u (ν) параметра W задовольняє спiввiдношення { τ } 2 u (ν) ∝ exp − (ν − µ) . Припустимо. Нехай X1 .65) не мiстить ν. . Зi спiввiдношення (7.

.75) 2 2α β 91 . . Функцiя у першiй парi круглих дужок у спiввiдношеннi (7. коли розмiр вибiрки зростає. 2 i=1 2 (τ + n) n β′ = β + 2 (7.68) 2 i=1 Для гамма-розподiлу з параметрами α i β коефiцiєнт варiацiї дорiвнює α− 2 . Xn – повторна вибiрка з нормального розподiлу iз заданим значенням середнього µ та невiдомим значенням мiри точностi W . n.r (x). Але для кожного фiксованого значення r функцiя у лiвiй парi дужок пропорцiйна щiльностi нормального розподiлу. Отже. . Тодi { } n n r∑ 2 fm. Тодi апостерiорний сумiсний розподiл M та R за умови спостереження Xi = xi . розподiлом R є гамма-розподiл. Точнiсть зростає на r одиниць при кожному спостереженнi незалежно вiд одержаних значень спостережень.71) та (7.74) 0 Якщо скористатись символом пропорцiйностi та пропустити всi множники. 2.72). (7.71) 2 i=1 { τr } 1 2 u (m. що функцiя у правiй парi дужок повинна бути пропорцiйною щiльностi розподiлу R. для якого значення середнього задане. . як функцiя вiд m. що апрiорний сумiсний розподiл M та R такий: умовним розподiлом M за даного R = r > 0 є нормальний iз середнiм µ ∈ R та мiрою точностi τ r. . r) ∝ r 2 exp − (m − µ) rα−1 e−rβ . У наступнiй теоремi розглянемо нормальний розподiл.73). Нехай X1 . (7. r). Припустимо.70) Доведення. n 1∑ 2 ′ β =β+ (xi − µ) . Теорема 7. 2.72) одержимо.72) 2 Апостерiорна сумiсна щiльнiсть розподiлу ux (m. n. повинна бути пропорцiйною умовнiй щiльнiсть розподiлу M за вiдомого значення R. x = (x1 . (7. . X2 . 1 Теорема 7. є гаммарозподiл з параметрами α + n2 та β ′ . Якщо сумiсна щiльнiсть розподiлу ξ параметрiв M та R – це щiльнiсть нормального–гамма розподiлу. З рiвностей (7. Розглянемо тепер вибiрку з нормального розподiлу. . значення якого залежать вiд спостережень.70). то з (7. xn ) ∈ Rn . . . . . що uM (m) має наступний вигляд: ) 2α+1 ( 2 − 2 )− 2α+1 ( τ 1 ατ (m − µ) 2 2 uM (m) ∝ β + (m − µ) ∝ 1+ .r (x) ∝ r 2 exp − (xi − m) (7. . . i мiра точностi невiдомi. β ′ – рiвнiстю (7.69). то умовний розподiл M для будь-якого заданого значення R = r буде нормальним. r) ∝ r 2 exp − (m − µ′ ) rα+ 2 −1 e−rβ . середнє значення й мiра точностi якого заданi в умовах теореми. але розподiл M таким не буде. i нехай апрiорний розподiл W є гамма-розподiлом iз параметрами α > 0 та β > 0. Позначимо для даних значень M = m ∈ R та R = r > 0 умовну сумiсну щiльнiсть розподiлу випадкової вибiрки X = (X1 . З теореми випливає.72).10. .65) випливає. . де τ n (¯ x − µ) 1∑ 2 (xi − x ¯) + . . r) dr. Xn ) через fm. де τ µ + n¯ x µ′ = . що коефiцiєнт варiацiї апостерiорного розподiлу W спадає. яка визначена у спiввiдношеннi (7. параметри якого зазначенi у теоремi. i = 1. X2 . а значення мiри точностi невiдоме. Нехай X1 . у якого i середнє. (7. r) параметрiв M та R пропорцiйна добутку правих частин спiввiдношень (7. .11. . а сумiсну щiльнiсть розподiлу ймовiрностей M та R через u(m. Тому пiд час збiльшення кiлькостi спостережень розподiл W все бiльше концентруватиметься навколо свого середнього. τ > 0.73) 2 та Тут µ′ визначається рiвнiстю (7. що не мiстять m. має наступний вигляд: умовний розподiл M за даного R = r є нормальним iз середнiм µ′ та мiрою точностi (τ + n) r. Xn – повторна вибiрка з нормального розподiлу iз невiдомими значеннями середнього M та мiри точностi R. Маргiнальна щiльнiсть uM (m) розподiлу параметра M дорiвнює w∞ uM (m) = u (m. .Вигляд мiри точностi τ ′ = τ + nr апостерiорного розподiлу W досить простий. . Тодi апостерiорним розподiлом W при Xi = xi . i = 1. . а розподiлом R є гамма-розподiл iз параметрами α > 0 та β > 0. .69) τ +n а розподiлом R є гамма-розподiл з параметрами α + n2 та β ′ . що ця щiльнiсть розподiлу може бути задана спiввiдношенням ( { }) ( ) ′ 1 n (τ + n) r 2 ux (m. Спряженим сiмейством у цiй задачi має бути деяке сiмейство двовимiрних розподiлiв. тому що змiнна m не входить у вираз у другiй парi дужок. (7. (7.62) та (7. Звiдси випливає. . .

. . .81) α−1 α−1 α(r2 − r1 )2 . . якi вказанi в теоремi. зокрема αr1 − r2 αr2 − r1 EW1 = . . . 2.82) DW1 = DW2 = (α − 1)2 (α − 2) Тодi апостерiорний сумiсний розподiл W1 та W2 за умови Xi = xi . визначеними у теоремi. . xn } < ν. r2 . для яких ν > ν0 та ν > max {x1 .1) та (7. Отже.78) ν Щiльнiсть розподiлу fν (x) задається рiвностями (2. що апрiорним сумiсним розподiлом W1 та W2 є двостороннiй двовимiрний розподiл Парето з параметрами r1 . . ν2 > r2 . (7. що апостерiорна щiльнiсть розподiлу ux (ν) параметра W буде додатною лише для таких значень ν.75). xn } . . (7. (ν2 −ν1 )α+2 u (ν1 . i = 1. n є розподiлом Парето з параметрами ν0′ та α + n. як маємо данi спостережень горизонтальних вiдхилень принаймнi двох частинок y1 . (7.4. Справдi. для ν > ν0′ 1 ux (ν) ∝ α+n+1 . Розглянемо числовий приклад. x1 . W1 < y1 < y2 < W2 . де значення параметра W невiдоме. . . де ν0′ визначено у (7. α апрiорного розподiлу варто вибрати? Зi знайдених ранiше оцiнок для W1 i W2 випливає. довжина W2 − W1 iнтервалу (W1 .76) випливає.12. 0 < max{x1 . де значення W1 та W2 невiдомi. . Зауваження 7.83) Приклад 7. який показує.13. рiвномiрно розподiлене на iнтервалi (W1 . . Теорема 7. Якщо оцiнки такого роду невiдомi статистику заздалегiдь. Вибiрка з рiвномiрного розподiлу У цьому параграфi ми опишемо спряженi сiмейства розподiлiв для вибiрок з рiвномiрного розподiлу з невiдомими значеннями однiєї чи обох меж розподiлу. визначену у спiввiдношеннi (7.12 використано альтернативну до (2. . Припустимо. n.79) ν Звiдси випливає.2) форму розподiлу Парето. Припустимо. .77).81) випливає. Xn – повторна вибiрка з рiвномiрного розподiлу на iнтервалi (0. . коли ν > ν0′ . x1 .84) E(W2 − W1 ) = α−1 92 . що W1 < −0. y2 . . (7. що розподiл M є t-розподiлом з 2α степенями вiльностi. Якi значення параметрiв r1 . то вони можуть бути визначенi пiсля того. тобто αν0α u (ν) = α+1 . . W ). W2 ). ν2 ) = (7. ν > ν0 . 4 та r2 = 0. 2. . . α > 0. W2 ). Припустимо. .4. Припустимо далi. то (нехай y1 < y2 ). i = 1.76) ν Тодi апостерiорний розподiл W за умови Xi = xi . що для ν > ν0 апрiорна щiльнiсть розподiлу u(ν) параметра W має вигляд 1 u (ν) ∝ α+1 . бачимо. кiлькiсть степеней вiльностi 2α + n апостерiорного розподiлу не залежить вiд спостережених значень x1 . Отже. . τ .Порiвнюючи функцiю. xn . (7.5.77) Доведення. Нехай X1 . (7. . xn }. 1. апостерiорний розподiл W має бути розподiлом Парето зi значеннями параметрiв. їхнiми апостерiорними значеннями. xn } . W2 ). . де ν0′ = max {ν0 . обидва кiнцi якого невiдомi. . 7. що деяка частинка проходить через посудину з водою i горизонтальне вiдхилення частинки.1. У теоремi 7. де r1 < r2 . вимiряне у вiдповiдних одиницях. що при α>1 (α + 1) (r2 − r1 ) . де r1′ = min {r1 . 4 та W2 > 0. 1. . зi щiльнiстю t-розподiлу. α.5. . .4. . вiдповiдно до його прогнозу. . що апрiорний розподiл W – це розподiл Парето з параметрами ν0 > 0 та α > 0. Тому ux (ν) > 0 лише тодi. (7. проте параметр змiщення та точнiсть апостерiорного розподiлу вiд них залежать. З (7. . . r2 та α. . де значення W1 та W2 невiдомi. Апостерiорний розподiл M знаходимо замiною µ. W2 ) повинна складати приблизно 2. r2′ та α + n. . x2 . є двостороннiм двовимiрним розподiлом Парето з параметрами r1′ . Теорема 7. . E(W2 ) = . що статистик хоче вибрати двостороннiй двовимiрний розподiл Парето як апрiорний розподiл W1 та W2 i. Xn – повторна вибiрка з рiвномiрного розподiлу на iнтервалi (W1 .1. тобто { α(α+1)(r −r )α 2 1 при ν1 < r1 . параметром змiщення µ та мiрою точностi ατ β . (7. оскiльки y1 та y2 повиннi лежати в iнтервалi (W1 . . Нехай X1 . . У наступнiй теоремi розглянемо рiвномiрний розподiл на iнтервалi. . Припустимо. . ν А значить. З рiвностi (7. xn } . що можна взяти r1 = −0. r2′ = max {r2 . β. x1 .51) та дорiвнює 1 fν (x) = n . . як застосовується остання теорема.80) 0 в iнших випадках.

i = 1. 10. . В силу спiввiдношення (7. є розподiл Дiрiхле з параметричним вектором α = (α1 . W2 ) є 1. . k нехай Wi позначає частку виробiв i-го типу. −0. . та ν1 + · + νk = 1. Параметрами r1′′ . . 47. вiдповiдно до спiввiдношення (7.88) називають канонiчним або натуральним.14. Справдi. n. Припустимо. Оскiльки iнтервал (−0. 45 i W2 > 0. що апостерiорний розподiл W на кожному кроцi вибiрки буде розподiлом Дiрiхле. з-помiж iнших. 43.88) В рiвностi (7. що W1 < −0. сiмейства розподiлiв Пуассона.6.4. . . . Параметр 93 . Для i = 1. що сiмейство розподiлiв Дiрiхле є спряженим сiмейством для спостережень. . . Вiн включає в себе. . k. 0. що спостерiгаються вiдхилення п’яти частинок зi значеннями −0. W2 ). . яка вiдноситься до стандартних набору iнструментiв. . . αk + xk ) . . r2′′ = r2′ i α′′ = 11. . то α = 1. . k) зростає на 1 кожного разу. . (7. .86) i=1 то з (7. σ /w) dη(x). . ·). 45. Ми знаємо тепер. Припустимо тепер. причому i-та компонента параметричного вектора α(i = 1. ν треба iнтерпретувати як профiль ризику. маємо E(W2 −W1 ) = 1. . Параметр ν в (7.88). . . r2′′ i α′′ нового апостерiорного розподiлу W1 i W2 будут r1′′ = r1′ . 5. 5. що набуває значення в Θ. Кожна з таких сiмей iз Fexp характеризується специфiчною формою функцiй b(·) та c(·.85) та (7. 7. . У нашому контекстi. . Теорема 7. b(·) – деяка дiйснозначна двiчi диференцiйовна функцiя вiд ν. Зауважимо. .83) середня довжина E(W2 − W1 ) дорiвнює тепер 1. αi > 0. . Також вiн вiдiграє центральну роль в рамках загальної лiнiйної моделi (GLM). Ми будемо b. що розподiл експоненцiйного типу. . . Нехай Θ позначає множину точок ν = (ν1 . то за останньою теоремою значення параметрiв r1′ . 47. 01.88) η позначає мiру Лебегу або злiченну мiру. −0. . що νi > 0. . . . 36. 14. .86) випливає. . 07. αk ) . . а середня довжина iнтервалу (W1 . Xk ) задовольняє спiввiдношення fν (x) = fν (x1 . νk ) таких. . (7. w та σ 2 – дiйснi сталi. . що апрiорним розподiлом W є розподiл Дiрiхле з параметричним вектором α = (α1 . Припустимо. xk ) ∝ k ∏ νixi . 7. Припустимо. . Приклад 7. (7.2. i = 1. Xk ) має мультиномiальний розподiл з параметрами n та W = (W1 . . . визначений (7. якщо його можна подати так: { } xν − b(ν) 2 dF (x) = exp + c(x. 5. використовуваних пiд час розрахунку страхових внескiв залежно вiд декiлькох рейтингових факторiв.85) i=1 Оскiльки для довiльного ν ∈ Θ апрiорна щiльнiсть розподiлу W задовольняє спiввiдношення u (ν) ∝ k ∏ νiαi −1 . . . Wk ). а компоненти вектора W невiдомi. Припустимо. Wk ) . 45.5. 0. Нехай випадково вибирається з партiї по одному виробу. 2. . αk + xk ) . 27. x ∈ A ⊂ R. . 45. .0093. . (7. коли вибраний вирiб є типу i. 45.82) випливає. . 0. що мають мультиномiальний розподiл. де n – вiдоме цiле число. Тодi апостерiорний розподiл W за умови Xi = xi . гамма. функцiя в правiй частинi спiввiдношення (7. −0. . . Сумiсна щiльнiсть розподiлу випадкового вектора X = (X1 . . що знайдено вiдхилення ще п’яти частинок вiдповiдно: −0. Клас розподiлiв експоненцiйного типу. (7. 0. – це розподiл Дiрiхле з параметричним вектором α∗ = (α1 + x1 .89) Однопараметричний експоненцiальний клас Fexp охоплює широкий клас сiмейств розподiлiв. . 5. З теореми випливає. 12. .c позначати таку задану сiм’ю Fexp . а максимум дорiвнює 0. −0. . Експоненцiйний клас та вiдповiдна йому сiм’я спряжених розподiлiв Будемо казати. називають однопараметричним експоненцiйним класом Fexp = {Fν : ν ∈ Θ}. k.4. 10. Фiксацiя цього значення завершує визначення апрiорного розподiлу. 92 мiститься в iнтервалi (W1 . Доведення. . що E(W2 − W1 ) = 2.84). . Тому. 47. . 47) завдовжки 0.Якщо припустити. 39. нормальних та зворотно-гауссових. −0. Бернуллi.54).87) i=1 Як бачимо. αk ) . Вибiрка з мультиномiального розподiлу Наступна теорема показує. . що ν тут одномiрна дiйсна величина. . Оскiльки мiнiмум цих п’яти значень дорiвнює −0.25. . то статистик має тепер порiвняно точну iнформацiю про значення W1 та W2 . що дисперсiї величин W1 та W2 мають тепер спiльне значення 0. що в деякiй великiй партiї виробiв є вироби k рiзних типiв. r2′ та α′ апостерiорного розподiлу W рiвнi r1′ = −0. з рiвностi (7. i = 1. що апрiорний розподiл вектора W = (W1 . . що апостерiорна щiльнiсть розподiлу ux (ν) параметричного вектора W має вигляд k ∏ ux (ν) ∝ νiαi +xi −1 . σ 2 /w (7. r2′ = 047 i α′ = 6.87) пропорцiйна щiльностi розподiлу Дiрiхле з параметричним вектором α∗ = (α1 + x1 . Нехай випадковий вектор X = (X1 .

+ d(x . то та P кол = x0 (7.93) ¯ + (1 − α)P кол .91) є просто нормувальним множником. а тому дорiвнює одиницi. апростерiорний розподiл за даного X = x знову належить Uexp . . σ /w) dη(x) MX (t) = E(etX |W = ν) = etx exp σ 2 /w { ( } { } ) ( ) ( ) 2 w x ν + tσ 2 /w − b ν + tσ 2 /w b ν + tσ /w − b(ν) = exp + c(x.16. b Як бачимо. В той час. що exp d(x0 . wj ) = b′′ (ν)σ 2 /wj . } { w xν − b(ν) 2 + c(x. що баєсiвська премiя P ∗ є зваженим середнiм колективної премiї та набутого досвiду iндивiдуальних позовiв.c b Теорема 7.c Розглянемо тепер конкретне сiмейство розподiлiв Fexp ∈ Fexp iз заданою формою b(·) та c(·. .94) де ¯= X n ∑ wj Xj . b b. ваговий коефiцiєнт w може бути рiзним для компонент вектору спостережень. Вiдповiдно. Для сiмейства Fexp та спряженого Uexp до нього P iнд (ν) = b′ (ν) та D(Xj |W = ν. Розглянемо генератрису моментiв в. w позначає попередньо вiдомий ваговий коефiцiєнт. . Зауважимо. Доведення. що для даного ν компоненти вектора спостережень X = (X1 . Припустимо. Розглянемо сiмейство b Uexp = {uγ (ν) : γ = (x0 . b. Крiм того. n. . кожне спостереження має однакову дисперсiю σ 2 та ваговi коефiцiєнти wj .в. генератриса кумулянт має вигляд ( ) b ν + tσ 2 /w − b(ν) CX (t) = ln MX (t) = . приписаний до спостереження. τ 2 ) ⊂ R × R+ }.c Тодi клас розподiлiв Uexp є спряженим до Fexp . оновленими параметрами є ( ) −1 σ2 σ2 x′ = 2 x0 + w∗ x ¯ та τ ′2 = σ 2 + w∗ .15. що exp d(x0 . в лiтературi iнодi називають точною довiрою. . σ 2 /w оскiльки перший множник в останнiй рiвностi є iнтегралом вiд щiльностi. як дисперсiйний параметр σ 2 є постiйним щодо спостережень. τ 2 ) в (7. Випадок. .90) (7. . b. Теорема 7.91) є щiльностями (вiдносно мiри Лебега). σ 2 /w 94 . отже. Xn ) є неb. Апостерiорна щiльнiсть W для даного значення X має вигляд { } { } n ∏ xj ν − b(ν) x0 ν − b(ν) u(ν|X = x) ∝ exp exp σ 2 /w τ2 j=1 (  )−1 ( 2 ) 2   σ  στ 2 + w∗  x + w x ¯ ν − b(ν) ∗ τ2 0 ( σ2 ) = exp   σ 2 / τ 2 + w∗   ∑n wj ∑n де x ¯ = j=1 w∗ xj та w∗ = j=1 wj . τ ) 0 τ2 ν ∈ Θ.c залежними щодо розподiлу Fν ∈ Fexp . P ∗ = αX (7. { } Зауваження 7. ·). τ τ2 Визначимо тепер iндивiдуальну. σ 2 /w). колективну та баєсiвську премiї.92) { } 2 Якщо область Θ така.1.5. (7. Нарештi. w j=1 ∗ α= w∗ 2 . Доведення. (7. Вона є лiнiйною функцiєю вiд спостережень. j = 1.c сiмейство спряжених до Fexp розподiлiв залежить лише вiд функцiї b(ν) i не залежить вiд c(x. X за умови даного значення W = ν та даного вагового коефiцiєнта w.σ 2 вважають фiксованим i називають дисперсiйним параметром. { де uγ (ν) = exp } x0 ν − b(ν) 2 . w∗ + στ 2 Зауважимо. i. b. довiрчою премiєю. τ ) зникає на межi Θ для будь-якого можливого значення x0 . σ 2 /w) dη(x) exp σ 2 /w σ 2 /w { ( } ) b ν + tσ 2 /w − b(ν) = exp . коли P ∗ має довiрчий вигляд. 2 .

σ2 ′′ D(X|W = ν) = CX (0) = b′′ (ν) . τ )} = b (ν) exp dν exp{d(x0 .93) помiтимо. τ 2 )} P = µ(ν) exp τ2 τ2 Θ Θ { } .Звiдси ′ P iнд (ν) = E(X|W = ν) = CX (0) = b′ (ν). що } } { { w w x0 ν − b(ν) x0 ν − b(ν) кол 2 ′ dν exp{d(x0 . w Для доведення (7.

w x ν − b(ν) .

0 2 2 = x0 − (x0 − b′ (ν)) exp dν exp{d(x . τ )} = x − τ exp{x ν − b(ν)} .

2 b Uexp тобто є сiмейством гамма-розподiлiв.96) ν τ 1 ν Зауважимо.2. зробленого в умовi теореми. Пуассонiвська-гамма модель Припустимо. wj Цю функцiю можна переписати у формi (7. 7. { } x0 ν b Uexp = u(ν) : u(ν) ∝ ν τ 2 −1 e− τ 2 . 2. легко отримуємо. коли спостереження Xj є середнiм wj незалежних величин позовiв. Зокрема. σ ˜ 2 = 1. fν (x) = Γ(wj γ) 95 . що при замiнi змiнної ν˜ на ν треба враховувати похiдну d˜ dν = ν . Вибiр параметричної областi Θ виявляється важливим. умовно за ν. 1. τ 2 > 0 . (7. Отже. ˜ Щоб знайти спряжене сiмейство до попередньо вiдомих розподiлiв. граничний доданок зникає для довiльного x0 . отримаємо P кол = EW = x0 2 τ = x0 . Nj має пуассонiвський k . та ми отримуємо P кол = x0 . c(x. Матимемо { } x0 ν˜ − exp{˜ ν} uγ (˜ ν ) ∝ exp .91). α= j=1 w∗ . k = 0. (wj x)! x= Nj wj . { ( ) x0 ν 2 1 ν } uγ (˜ ν ) ∝ exp ln ν x0 /τ − 2 = ν τ 2 −1 e− τ 2 . де було показано.95) щiльнiсть у термiнах ν. wj ) = b′′ (ν)σ 2 /wj .93) виконується. . 0 0 0 τ2 ∂Θ Θ де ∂Θ позначає межу областi Θ. w j=1 ∗ w∗ = n ∑ wj . мають гамма-розподiл з параметрами wj γ та wj γν. що ми маємо частотнi спостереження Xj = розподiл з параметром λj = wj ν. (7. що апостерiорний розподiл W за даного X = x також b належить до Uexp з параметрами P iнд (ν) = b′ (ν). Розподiл Xj тодi має вигляд fν (x) = e−wj ν (wj ν)wj x . де.1. умовно за ν. що D(Xj |W = ν. . З доведення теореми 7. кожна з яких має гамма-розподiл з параметрами γ та γν. (7. Обчислюючи колективну премiю. τ2 таким чином.88). x0 . Щiльнiсть Xj тодi має вигляд (wj γν)wj γ wj γ−1 −wj γνx x e . За технiчного припущення. σ ˜ /w) ˜ = − ln((wx)!) ˜ + wx ˜ ln w.5. якщо покласти ν˜ = ln ν.5.15. 7. цей випадок виникає. а не ν˜. . w ˜ = wj . b(˜ ν ) = exp{˜ ν }. якi. де wj – ваговий коефiцiєнт спостереження Xj . . Бiномiальна-бета модель Ми маємо спостереження Xj . P ∗ = E(µ(W )|X) = αX де ¯= X n ∑ wj Xj .95) τ2 Виразимо отриману в (7. пiдставимо ν˜ та b(˜ ν ) в (7. w∗ + σ 2 /τ 2 Розглянемо деякi класичнi приклади. ¯ + (1 − α)x0 .

довiрчi оцiнки – це лiнiйнi баєсiвськi оцiнки. n. Гамма-гамма модель N Припустимо.wj (x) = (2πσ 2 /wj )− 2 exp − 2 . . wj Цю функцiю можна переписати у формi (7. Щiльнiсть Xj має вигляд { } 1 (x − ν)2 fν. Iнакше кажучи. Нормальна-нормальна модель Ми маємо спостереження Xj . .5. умовно за ν. Основна iдея. 2. { } x0 1 b Uexp = u(ν) : u(ν) ∝ ν τ 2 −1 e− τ 2 ν .5. . σ ˜ /w) ˜ = (wγ ˜ − 1) ln x − ln Γ(wγ) ˜ + wγ ˜ ln(wγ). σ ˜ 2 /w) ˜ = ln(Cw ˜ ).6.91) отримаємо wx ˜ c(x. Крiм того. . щоб обчислити P ∗ . x0 > 0. 7. 0 < x0 < 1. Теорiя довiри ˜ ) = E(µ(W )|X) є найкращою можливою оцiнкою у класi всiх можливих Баєсiвська премiя P ∗ = µ(W оцiнювальних функцiй. . 2. Xn ). τ 2 ∈ (0. Xj . тобто є сiмейством гамма-розподiлiв.1. що З (7. Втiм. j x= k . b(˜ ν ) = − ln (−˜ ν) w ˜ = wj . Геометрична-бета модель Ми маємо спостереження Xj . тобто є сiмейством бета-розподiлiв. k = 0. b(˜ ν ) = ln (1 + ν˜) σ ˜ 2 = 1. якщо покласти ( ) ν ν˜ = ln . Nj має бiномiальний розподiл з параметрами n = wj та θ = ν. в. . є. якi. мають геометричний розподiл з параметром ν (всi ваговi коефiцiєнти wj рiвнi 1). τ 2 > 0 .Її можна переписати у формi (7. що на практицi часто неможливо нi роблячи висновок iз даних. .91) маємо µ(ν) = Eν (Xj ) = ν −1 . ми шукатимемо найкращу оцiнку в класi всiх лiнiйних оцiнювальних функцiй. } { 1−x0 x0 b Uexp = u(ν) : u(ν) ∝ ν τ 2 −1 (1 − ν) τ 2 −1 . що P кол = E(µ(W )) = x0 . незалежними з однаковою функцiєю розподiлу Fν та умовними моментами µ(ν) = E(Xj |W = ν). Розподiл Xj тодi має вигляд wj x wj x fν (x) = Cw ν (1 − ν)n−wj x . у загальному випадку цю оцiнку не можна виразити в закритiй аналiтичнiй формi та можна обчислити лише за допомогою чисельних методiв. що ми маємо частотнi спостереження Xj = wjj . ˜ 2 Зауважимо. з розподiлом U (ν). якi. wj . Легко перевiрити.в. А тому вона не виконує вимогу простоти.5. x ∈ N. умовно за W = ν. якщо покласти ν˜ = −ν. 7. 7. 1) . W є в. умовно за ν. c(x. Для колективної премiї маємо P кол = EW = x0 τ2 x0 τ2 0 + 1−x τ2 = x0 . 7.5. умовно за ν. 2σ /wj 7.3. wj ∈ N. w ˜ = wj .6. нi iнтуїтивно вгадуючи. j = 1. 1−ν З (7.88). Щiльнiсть Xj має вигляд fν (x) = (1 − ν)x ν. . обмежуючи клас дозволених оцiнювальних функцiй лише лiнiйними за спостереженнями X = (X1 . 1. σ 2 (ν) = D(Xj |W = ν). Таким чином.4. нормально розподiленi з середнiм ν та дисперсiєю σ 2 /wj .в. – надати необхiдну простоту оцiнцi. Довiрча премiя в простiй довiрчiй моделi Ми розглянемо наступну просту довiрчу модель: 1. де.γ. треба вказати умовнi розподiли разом iз попередньо вiдомим розподiлом.88). 96 . . критерiєм оптимальностi знову є квадратична функцiя втрат. σ ˜ 2 = γ −1 . що лежить в пiдґрунтi довiри. . “Найкращу” треба розумiти в баєсiвському сенсi. . .

X З припущення 1 про форму залежностi у моделi випливає. ми довели наступну теорему. . Довiрча оцiнка за припущень 1 та 2 має вигляд \ \) = αX ¯ + (1 − α)µ0 . µ(W ˆ0 + n j=1 де дiйснi коефiцiєнти a ˆ0 .. отримаємо ( ) ¯ = 0. Прибуток та витрати на виготовлення для товару кожного типу наведено в таблицi. що ( ) ¯ = Dµ(W ) =: τ 2 .17. E µ(W ) − a ˆ − ˆbX a.7.97) n 2 . Комплектацiя Базова Люкс Повна Накладнi витрати 100 000 400 000 1 000 000 Прибуток вiд проданої одиницi товару 1. a ˆ1 . . продукцiю якої комплектацiї виготовляти у наступному роцi. n n звiдки b= τ2 n = 2 ..a1 . але зараз ми концентруємося на оцiнках. . \ \) має вигляд тобто оцiнка µ(W \ \) = a ¯ µ(W ˆ + ˆbX. cov µ(W ). що розподiл X1 . У нього є три можливi вибори комплектацiї з рiзною вартiстю виготовлення: базова. σ2 Отже. . Θ Нашою цiллю знову є вiднайти оцiнку iндивiдуальної премiї µ(W ). З того. Виробник обмежив накладнi витрати сумою £1 300 000. Задачi Вправа 7. n + στ 2 7. ˆb є розв’язками задачi мiнiмiзацiї ( ) ( ) ¯ = min E µ(W ) − a − bX ¯ . \ \) повинна мати форму За означенням µ(W ∑ \ \) = a a ˆ j Xj . j=1 \ \). cov µ(W ). 2 n + στ 2 n +τ a = (1 − b)µ0 . α= (7.an ∈R j=1  E µ(W ) − a0 − n ∑  aj Xj  .. E µ(W ) − a − bX ( ) ¯ − bDX ¯ = 0. X ¯= DX Eσ 2 (W ) σ2 + Dµ(W ) =: + τ 2.1.20 1. .. w P кол = µ0 = µ(ν)dU (ν). Виробник спецiалiзованих товарiв для роздрiбного ринку має вирiшити.У цiй моделi ми маємо P iнд = µ(W ) = E(Xn+1 |W ).00 1. µ(W де µ0 = Eµ(W ). . . випливає.50 97 .b∈R Беручи частиннi похiднi по a та b. . якi лiнiйнi за спостереженнями. Xn iнварiантний щодо перестановки Xj та однозначностi µ(W що a ˆ0 = a ˆ1 = · · · = a ˆn . a ˆn є розв’язками рiвняння   n ∑ E µ(W ) − a ˆ0 − a ˆ j Xj  = min a0 . де ∑ ¯= 1 X Xj n j=1 b та де коефiцiєнти a ˆ. Будемо позначати найкращу оцiнку в межах цього класу через P дов або ˆˆ µ(W ). люкс та повна. Теорема 7.

iii) За даного апрiорного розподiлу P(θ1 ) = 0. P(θ2 ) = 0. 20 000 та 23 000 вiдповiдно. ґрунтуючись на обережнiй. найкращiй та оптимiстичнiй оцiнцi кiлькостi клiєнтiв. Два браконьєри пiсля полювання на територiї маєтку можуть тiкати через подвiр’я ферми або через на поля. щоб отримати лiцензiю на органiзацiю i проведення азартних iгор у казино. θ1 θ2 θ3 d1 0 12 20 d2 5 0 15 d3 8 3 0 i) Визначте мiнiмаксне рiшення щодо приписання заявника до категорiї. а 25% не пiдлягають страхуванню. “погiршене здоров’я” (2) чи “не пiдлягає страхуванню” (3). а iнший – через поля (вибiр θ2 ). 6. 1. Оператор казино повинен платити регулятору фiксовану суму щорiчно (£1 300 000) плюс змiнну вартiсть рiчної лiцензiї. а правильний стан заявника – через θi . ii) Знайдiть мiнiмаксне рiшення цiєї задачi. Знайти баєсiвське рiшення для цього заявника. Змiнна вартiсть рiчної лiцензiї та очiкуваний дохiд вiд кожного вiдвiдувача в залежностi вiд виду гри є такими: Автомати Костi Карти Вартiсть лiцензiї 250 000 550 000 1 150 000 Очiкуванi надходження вiд вiдвiдувача 60 120 160 Оператор казино невпевнений щодо кiлькостi постiйних вiдвiдувачiв i вирiшує пiдготувати прогноз дохiдностi. яку їм вдається вкрасти для кожної комбiнацiї θi та aj подано у таблицi θ1 θ2 θ3 a1 0 75 120 a2 90 0 90 a3 120 75 0 Припускаючи. з-помiж заявникiв. новому оператору треба за неї заплатити регулятору. здоров’я яких вважають погiршеним. з-помiж яких можна вибирати: гральнi автомати. Цi числа становлять 14 000. Кiлькiсть пташок. i) Визначте рiчний прибуток для кожної можливої комбiнацiї. Вправа 7. середньої реалiзацiї (такий самий рiвень) та високої реалiзацiї (на 15% бiльше минулорiчного рiвня). ii) Визначте мiнiмаксне рiшення цiєї задачi для сторожiв та максимальну кiлькiсть украдених пташок. Щоб завадити їм. Анкета не є iдеальним класифiкатором та може вiднести заявника до неправильної категорiї. i) Визначте рiчний прибуток для кожної можливої комбiнацiї. ii) Знайдiть мiнiмаксне рiшення. P(середня реалiзацiя) = 0. 98 . 4 знайдiть баєсiвське рiшення задачi для сторожiв. iii) Визначте баєсiвське рiшення вiдносно рiчного прибутку за умови такого ймовiрнiсного розподiлу можливих сценарiїв: P(обережна оцiнка) = 0. 2. Функцiя втрат для цього рiшення наведена нижче.2. Рiшення записати заявника у стан i позначають через di . 15. обоє патрулюють поля (дiя a3 ). якщо сторожi застосовуватимуть таку стратегiю. 25. а iнший – поля (дiя a2 ). Вправа 7. власник маєтку найняв двох сторожiв. Для того. Є три типи лiцензiй рiзної вартостi. P(θ3 ) = 0. один патрулює ферму. яке оптимiзує прибутки. Але насправдi. 7. 35. ii) Згiдно з анкетою. обоє намагаються втекти через поля (дiя θ3 ). P(висока реалiзацiя) = 0. P(оптимiстична оцiнка) = 0. Браконьєри також мають три варiанти дiй: обоє намагаються втекти через подвiр’я ферми (вибiр θ1 ). 25. 15% мають нормальний стан здоров’я. Сторожi мають три варiанти дiй: обоє патрулюють ферму (дiя a1 ). Вправа 7. що θ1 не домiнує θ2 i навпаки.3.4. i) Покажiть. P(найкраща оцiнка) = 0. новий заявник належить до категорiї з погiршеним здоров’ям. Заявника на страхування життя згiдно з анкетою класифiкують як “стандартне здоров’я” (1). костi та карти.Минулого року виробник продав 2 100 000 одиниць товару та пiдготував прогнози дохiдностi на наступний рiк за трьома сценарiями: низької реалiзацiї (70% минулорiчного рiвня продажу). один буде тiкати через ферму. що цiллю сторожiв та браконьєрiв є мiнiмiзацiя та максимiзацiї кiлькостi вкрадених пташок вiдповiдно. iii) Визначте баєсiвське рiшення вiдносно рiчного прибутку за умови такого ймовiрнiсного розподiлу можливих сценарiїв: P(низька реалiзацiя) = 0.

що P(θ1 ) = 0.5. Страховик вивчає необхiднiсть залучення зовнiшньої компанiї для проведення рекламної кампанiї. Апрiорний розподiл θ – це бета-розподiл iз параметрами α = 2 та β = 4. i) Пояснiть. Вправа 7. 25 чи зрости до £40 з iмовiрнiстю 0. iii) Знайдiть для страховика мiнiмаксне рiшення. Апрiорнi уявлення щодо p можна описати за допомогою розподiлу: P(p = 0. кожен з яких має ймовiрнiсть q повнiстю вийти з ладу протягом року (незалежно один вiд одного). Страхова компанiя забезпечує гарантiю на певний електричний ґаджет. a) Знайдiть апостерiорний розподiл µ.10. 4) = 0. На основi попереднього досвiду вiдповiдним апрiорним розподiлом параметра µ є нормальний з середнiм £300 та стандартним вiдхилом £20. Знаючи. Якщо вiн вирiшить обiйтися власними силами. 25 та P(θ3 ) = 0. що у 2006 роцi 58 ґаджетiв повнiстю вийшли з ладу. внаслiдок чого сподiвається отримати портфель зi 100 000 полiсiв. яке одразу можна вiдкинути. або 0. ii) Випадкова вибiрка з 10 поточних спостережень має середнє значення £270. Величини iндивiдуальних позовiв за певним страховим полiсом можуть набувати значення 100. 15. Вправа 7. У своєму розпорядженнi страховик має розцiнки двох рiзних компанiй. 005. а θj – можливi стани природи. За рiк може надiйти не бiльше одного позову.6. що p має бути або 0. 4.9. 6. Вправа 7. ii) Знайдiть мiнiмаксне рiшення задачi. 75) = 0. 4. На початку 2006 року пiд гарантiєю перебувало 4 500 пристроїв. Вправа 7. чи є домiнування мiж угодами перестрахування з точки зору страховика. 015 та стандартним вiдхилом 0. За кожним полiсом може виникнути лише один позов на мiсяць з iмовiрнiстю θ незалежно вiд мiсяця до мiсяця. 75. що її послуги спричинять розширення бiзнесу до 125 000 полiсiв. P(θ2 ) = 0. iii) Визначте баєсiвське рiшення задачi за умови. ii) Визначте. i) Отримайте апостерiорний розподiл θ. то очiкуванi витрати на рекламу наступного року становитимуть £1 400 000.Вправа 7. Вправа 7. 4. Компанiя А виставила цiну £2 100 000 на рiк та вважає. 99 . Портфель страхової компанiї складається iз трьох полiсiв. У несиметричної монети ймовiрнiсть випадiння герба є невiдомою сталою p. Розподiл величини позову є нормальним iз невiдомим середнiм µ та вiдомим стандартним вiдхилом £50. Страховик повинен вибрати мiж трьома видами договору перестрахування: A) не застосовувати перестрахування. 150 або 200. i) Визначте рiшення. Знайти апостерiорний розподiл p. ii) Визначте баєсiвське рiшення у задачi максимiзацiї прибутку компанiї в наступному роцi. C) пропорцiйне перестрахування з рiвнем утримання 25% та премiєю 20. Монету пiдкинули 6 разiв.11. з яких чотири вона випала гербом. що сума залишиться на нинiшньому рiвнi з ймовiрнiстю 0.8. Апрiорний розподiл q – це бета-розподiл iз середнiм 0. P(p = 0. визначте апостерiорний розподiл q. але також може зменшитися до £20 з iмовiрнiстю 0. вважаючи. Рiчна премiя дорiвнює 60. 6. B) iндивiдуальний ексцедент збитку з рiвнем утримання 150 та премiєю 10. i) Обчислiть апрiорну ймовiрнiсть того.7. що середнє значення µ розподiлу величини позову менше £270. i) Складiть таблицю втрат для страховика. За 12 мiсяцiв за цим портфелем усього надiйшло 9 позовiв. Компанiя оцiнює. але ця сума не гарантується в майбутньому. 35. Вправа 7. Компанiя В править £3 000 000 на рiк. Функцiя втрат у задачi прийняття рiшень задана матрицею d1 d2 d3 d4 θ1 10 8 12 5 θ2 15 20 15 23 θ3 5 15 10 8 де di – рiшення. який iз трьох варiантiв можна одразу вiдкинути. На поточний момент кожен полiс дає страховiй компанiї рiчний прибуток £30. ii) Знайдiть баєсiвську оцiнку θ за умови втрат “все або нiчого”. b) Обчислiть апостерiорну ймовiрнiсть того. що її послуги розширять бiзнес до 140 000 полiсiв. Вiдомо. що µ менше £270 та прокоментуйте отриману вiдповiдь.

0 ≤ θ ≤ 1. yn – випадкова вибiрка з iнтервалу [0.14. iнакше. ii) Запишiть апостерiорний розподiл θ для заданих y1 . Апрiорнi уявлення щодо µ вiдповiдають гамма-розподiлу з середнiм 50 та стандартним вiдхилом 15. то апостерiорне середнє значення θ дорiвнює wn µ0 + (1 − wn ) nx . Дайте коментар щодо цих апостерiорних оцiнок. ii) Знайдiть баєсiвську оцiнку θ за умови функцiї втрат “все або нiчого”. обчислiть оцiнку θ для квадратичної функцiї втрат. Ризик складається з п’яти полiсiв. . де α та β – додатнi сталi. 0 ≤ θ ≤ 1. використовуючи тепер бета-розподiл iз параметрами α = 4 та β = 4 в якостi апрiорного розподiлу. За 1 000 випадково вибраними полiсами протягом року послiдовно подано 81 позов. i) Знайдiть апостерiорний розподiл θ. де ваговий коефiцiєнт wn є функцiєю вiд α. Нехай Y = W n ν = 0. Вправа 7. що коли за випадковою вибiркою з n таких полiсiв виникло x позовiв протягом першого року. i) Покажiть. i) Використовуючи в якостi апрiорного вiдповiдний рiвномiрний розподiл. • Отримайте вираз для дисперсiї. Вправа 7. ймовiрнiсть того. що невiдоме значення θ має апрiорний бета-розподiл з параметрами α. . За 10-денний перiод працiвник загалом отримав 630 листiв. Апрiорнi уявлення щодо θ заданi розподiлом зi щiльнiстю { αβ α θ−(1+α) . за якими протягом першого року були поданi позови. . За кожним полiсом щомiсяця може виникнути один позов з iмовiрнiстю θ. та визначте вiдповiднi параметри. . Апрiорний розподiл θ є рiвномiрним на (0. . Нехай y1 . • Запишiть вираз для P(Y = y). Вправа 7. Обчислiть баєсiвську оцiнку µ за умови втрат “все або нiчого”.17. що апостерiорний розподiл θ для заданого y1 має таку саму форму.в. . 100 . . β та середнiм µ0 . . (a) Схематично намалюйте графiки обох апрiорних щiльностей та коротко прокоментуйте природу цих двох наборiв апрiорних уявлень. (b) втрат “все або нiчого”. . Кiлькiсть листiв за день має пуассонiвський розподiл iз невiдомим параметром µ. n1 . Нехай у великому портфелi полiсiв загального страхування нового продукту θ позначає частку полiсiв. . Всього за цим ризиком протягом перiоду 12 мiсяцiв було 10 позовiв. як i апрiорний. 1. . ii) Зроблено такi двi альтернативнi оцiнки A та B апрiорної щiльностi розподiлу θ: fA = 3(1 − θ)2 . u(θ) = 0. . W має бiномiальний розподiл. . • Зобразiть розподiл Y у формi експоненцiйної сiм’ї та вкажiть натуральний та дисперсiйний параметри. де θ > 0 – невiдома стала. 1).Вправа 7. i) Покажiть. що протягом мiсяця позовiв буде два або бiльше є незначною. θ]. 1. y = 0. зокрема P(W = ν) = Cnν θν (1 − θ)n−ν . n. ii) Визначте баєсiвську оцiнку θ за: (a) квадратичної функцiї втрат. n2 . (b) Визначте апостерiорну баєсiвську оцiнку θ для кожної апрiорної оцiнки на основi квадратичної функцiї втрат. якi працюють у деякому офiсi та мають вдома доступ до мережi iнтернет. . коли θ > β. Припускають. Вправа 7. Вправа 7. • Для вибiрки з n незалежних спостережень Y отримайте вираз для масштабованого вiдхилу.13. fB = 4θ3 . Оцiнюють частку θ працiвникiв.16. В опитанiй вибiрцi з 50 працiвникiв 29 осiб мають вдома доступ до iнтернету.12. . β та n. В.15. yn . Офiсний працiвник щодня отримує випадкову кiлькiсть листiв електронною поштою. .

що канонiчний параметр θ = − µ1 .19. • Покажiть. що її можна записати у формi експоненцiйної сiм’ї. що f (x) можна записати у формi експоненцiйної сiм’ї розподiлiв.18. що середнє й дисперсiя цього розподiлу рiвнi µ та µ2 /α. Гамма-розподiл з середнiм µ та дисперсiєю µ2 /α має щiльнiсть { } αα αx f (x) = α xα−1 exp − . Розглянемо експоненцiйний розподiл зi щiльнiстю { } 1 x f (x) = exp − .Вправа 7. • Використайте властивостi експоненцiйної сiм’ї для пiдтвердження того. Вправа 7. x>0 µ Γ(α) µ • Покажiть. 101 . x>0 µ µ • Покажiть. • Визначте дисперсiю та дисперсiйний параметр.

102 .

Довiрча премiя в простiй довiрчiй моделi Ми розглянемо наступну просту довiрчу модель: 1. . умовно за W = ν. в. отримаємо ( ) ¯ = 0. . з розподiлом U (ν). Iнакше кажучи. що З того. a ˆn є розв’язками рiвняння   n ∑ E µ(W ) − a ˆ0 − a ˆ j Xj  = min j=1 a0 . n. у загальному випадку цю оцiнку не можна виразити в закритiй аналiтичнiй формi та можна обчислити лише за допомогою чисельних методiв. Крiм того.Роздiл 8 Теорiя довiри ˜ ) = E(µ(W )|X) є найкращою можливою оцiнкою у класi всiх можливих оцiнюБаєсiвська премiя P ∗ = µ(W вальних функцiй. У цiй моделi ми маємо P iнд = µ(W ) = E(Xn+1 |W ).a1 . . критерiєм оптимальностi знову є квадратична функцiя втрат.. випливає. \ \) має вигляд тобто оцiнка µ(W \ \) = a ¯ µ(W ˆ + ˆbX. . Xn ). n j=1 де дiйснi коефiцiєнти a ˆ0 . незалежними з однаковою функцiєю розподiлу Fν та умовними моментами µ(ν) = E(Xj |W = ν). нi iнтуїтивно вгадуючи. А тому вона не виконує вимогу простоти. . n n 103 . що лежить в пiдґрунтi довiри. 2.в. щоб обчислити P ∗ . Будемо позначати найкращу оцiнку в межах цього класу через P дов або \ \). Таким чином. µ(W \ \ За означенням µ(W ) повинна мати форму ∑ \ \) = a µ(W ˆ0 + a ˆ j Xj . ми шукатимемо найкращу оцiнку в класi всiх лiнiйних оцiнювальних функцiй. a ˆ1 .b∈R Беручи частиннi похiднi по a та b. Xj . треба вказати умовнi розподiли разом iз попередньо вiдомим розподiлом. X ¯= DX Eσ 2 (W ) σ2 + Dµ(W ) =: + τ 2. . .. . .в. cov µ(W ). 8. Xn iнварiантний щодо перестановки Xj та однозначностi µ(W a ˆ0 = a ˆ1 = · · · = a ˆn . що розподiл X1 . cov µ(W ). E µ(W ) − a ˆ − ˆbX a. – надати необхiдну простоту оцiнцi. є. що ( ) ¯ = Dµ(W ) =: τ 2 . W є в. . w P кол = µ0 = µ(ν)dU (ν). . ˆb є розв’язками задачi мiнiмiзацiї ( ) ( ) ¯ = min E µ(W ) − a − bX ¯ . E µ(W ) − a − bX ( ) ¯ − bDX ¯ = 0.1. . “Найкращу” треба розумiти в баєсiвському сенсi. σ 2 (ν) = D(Xj |W = ν). . Втiм. j=1 \ \).an ∈R  E µ(W ) − a0 − n ∑  aj Xj  . де ∑ ¯= 1 X Xj n j=1 b та де коефiцiєнти a ˆ. . довiрчi оцiнки – це лiнiйнi баєсiвськi оцiнки. .. X З припущення 1 про форму залежностi у моделi випливає. j = 1. що на практицi часто неможливо нi роблячи висновок iз даних. але зараз ми концентруємося на оцiнках.. обмежуючи клас дозволених оцiнювальних функцiй лише лiнiйними за спостереженнями X = (X1 . Θ Нашою цiллю знову є вiднайти оцiнку iндивiдуальної премiї µ(W ). якi лiнiйнi за спостереженнями. Основна iдея. .

µ(W де µ0 = Eµ(W ). Отже. Довiрча оцiнка за припущень 1 та 2 має вигляд \ \) = αX ¯ + (1 − α)µ0 . ми довели наступну теорему. σ2 2 n + στ 2 n +τ a = (1 − b)µ0 . α = n τ2 n+ σ 2 .звiдки b= τ2 n = 2 .1. Теорема 8. 104 (8.1) .

. наражався клiєнт.. Si.. Штрауба. . .. На даний момент є вiдомою лише частина ∑n−i+1 сумарного збитку j=1 Sij . Це вiдбувається у тому випадку.. нiж страхування життя». Але сам ризик вiд цього не зник. якi виникли.. Теоретичнi аспекти страхових розрахункiв на основi теорiї ланцюгових сходiв знайшли своє вiдображення у роботах Т. Введемо позначення..j Sn−1. Г. Iснує багато причин затримки точної iнформацiї щодо остаточної суми вiдшкодування збиткiв. якi пов’язанi з невизначенiстю в настаннi тих чи iнших випадкових подiй. якi вiдбулися в i-ому роцi настання збиткiв...1 Sn. тобто оцiнка фiнансових витрат страхової компанiї. Даний роздiл присвячено дуже важливому для практичної дiяльностi страхової компанiї питанню – розрахунку резервiв для покриття майбутнiх позовiв i забезпечення платоспроможностi страхової компанiї.. Загальну форму «run-off» трикутника можна зобразити наступним чином. . Табл.. . яка пов’язана з витратами за страховими позовами клiєнтiв. . що державна комiсiя з регулювання ринку фiнансових послуг. Трикутники розвитку Збитки.. облiку та розмiщення страхових резервiв за видами страхування iншими.. 1 ≤ i ≤ n – це сумарна виплата в j-ому роцi розвитку за збитками.. Е. . що у страховiй справi на перший план виходить питання про фiнансовi збитки.. зустрiчаються у рiзних типах страхування. .. . коли може пройти певний час мiж виникненням страхової подiї та остаточним визначенням розмiру вiдшкодування. прийняла розпорядження №3104 «Правила формування. що виникли.2004 р.. але не заявленi.n−1 n S1.. Рiк розвитку .1.. n−1 n 1 S11 . Очевидно.Роздiл 9 Збитки. щоб дати змогу розрахувати вiдповiдний резерв та забезпечити її платоспроможнiсть. Мака.. Цi значення i утворюють «run-off» трикутник. Тодi за n рокiв стають вiдомими значення Sij . . Такi трикутники називають трикутниками розвитку або «run-off» трикутниками. Sij ... Поняття ризику i його оцiнка є базовим в актуарнiй математицi.. Тому оцiнка ризику. якi виникли.... . Саме для того. n−1 S1. для яких i + j ≤ n + 1. якi виникли. Метод ланцюгових сходiв 9. зокрема для розрахунку резервiв у випадку збиткiв. Запiзнення може виникати у перiод вiд моменту настання страхової подiї до подачi позову.. . . i укладають договори страхування.9..n−i+1 . .1. .. i .1 Рiк настання збиткiв 1 . яка 17. величину яких не можна точно передбачити заздалегiдь. що страховiй компанiї необхiдно знати скiльки треба буде заплатити за позовами. . Тейлора.. Г. її стабiльної фiнансової дiяльностi i служить основою для прийняття багатьох важливих рiшень.. Кея та iнших... Si1 . Будемо називати: • той рiк. Iснують рiзнi методи розрахунку резервiв у цьому випадку. включила туди спецiальний роздiл «Методи розрахунку збиткiв. . що мiг привести до збиткiв. . Його прийняла на себе страхова компанiя. а також у перiод вiд подання позову i остаточним вiдшкодуванням збиткiв за позовами. але не заявленi. але не заявленi». коли мiж виникненням страхової подiї й остаточним визначенням величини позову та розмiру вiдшкодування проходить деякий час. який дуже популярний у актуарiїв-практикiв. j S1j . 9. • кiлькiсть рокiв до виплати перiодом розвитку або запiзнення. кожен з яких має специфiчнi обмеження. . Одним з цих методiв є метод ланцюгових сходiв.. . роком настання збиткiв (роком подiї).. але не заявленi. але не заявленi Очевидно.. щоб позбутися фiнансових втрат. дає рiзнi прогнознi оцiнки. Iснують рiзнi методи розрахунку резервiв у цьому випадку. якi виникли.. .02. . При використаннi методу ланцюгових сходiв зручно зображати данi щодо позовiв у формi трикутникiв. становить значний iнтерес для правильного розвитку страхової компанiї. Один з цих методiв – це метод ланцюгових сходiв.. Придбавши страховий полiс.. 105 . Нехай Sij . свiдчить той факт.. рiзнi припущення щодо математичної моделi i... . Вентера. якi залежать вiд специфiки соцiального.. Про важливiсть розробки методiв для розрахунку резервiв у випадку збиткiв.. .. полiтичного i економiчного життя суспiльства...1..1 ∑n Величина Si = j=1 Sij є сумарним збитком i-го року подiї. у якому вiдбулася страхова подiя i у страховика виник ризик. Г.. клiєнт начебто позбавився ризику.. .n Sn−j+1... рiзних явищ природи i видiв людської дiяльностi. До пiдписання контракту i придбання страхового полiсу на ризик.. . Воно пов’язане з невизначенiстю можливих фiнансових витрат.. вiдповiдно. ...

. В цьому випадку значення в трикутнику можуть бути вiд’ємними.j−1 ) = Cin − Ci.. R 106 (9.5) . . якi позначають суму сплачених збиткiв за k рокiв та сформованих до цього моменту резервiв заявлених збиткiв.....∑n Наше завдання – оцiнити невiдому частину Ri = j=n−i+1 Sij . де fj – це середнiй прирiст збиткiв при переходi вiд j-го до (j + 1) року (множники розвитку).... . якi вiдбулися в i-ому роцi подiї.n−1 n C1... j C1j .. . Ci.. тобто доповнити трикутник до прямокутника. Cn−1.n−i+1 . Таке представлення можливе тiльки якщо Cij > 0 для всiх iндексiв i. . 1 ≤ i ≤ n – це збитки сплаченi на кiнець j-го року розвитку за збитками. . можна трактувати як незалежнiсть математичного сподiвання Fij вiд року настання збиткiв i. j=1 де Ci.3) fj = ∑n−j+1 n−j+1 Cij Cij i=1 i=1 Сумарний збиток оцiнюється наступним чином: Cˆin = Ci.... зiставлений з даних. (9..2) Fij . Позначимо Cij . Тобто..1 Cn. Табл..9. 9.j−1 . ..j Sik . Трикутник сплачених збиткiв. 1 ≤ j ≤ n − 1.. . . i .n−i+1 . ( ) ˆ i = Ci... ....трикутник... Iнколи трикутники будують в iншiй формi.n−i+1 fˆn−i+1 · · · · · fˆn−1 . n−1 n Зрозумiло. (9. Припущення методу ланцюгових сходiв Метод ланцюгових сходiв базується на рядi припущень.. якi позначають суму сплачених збиткiв за k рокiв. є бiльш надiйним для розрахункiв. ..1. 1 ≤ j ≤ n − 1. j.. У методi ланцюгових сходiв оцiнки параметрiв fj визначають так: ∑n−j+1 ∑n−j+1 Ci... . Тут значення завжди невiд’ємнi..... що розподiл кiнцевого збитку для всiх рокiв настання подiї однаковий. . ... Рiзниця трикутника заявлених збиткiв i трикутника сплачених збиткiв представляє собою трикутник розвитку... ∑n Представимо сумарний збиток для i-го року Si = j=1 Sij = Cin у виглядi: Cin = Ci1 · n−1 ∏ (9.1 1 . порiвняно з трикутником заявлених збиткiв. .. n−1 C1. Сформулюємо перше з них: • (1) Розподiл кiнцевого збитку для всiх рокiв настання подiї однаковий. зiставлений з даних..1) j=n−i+1 Iснують два основних типи трикутникiв: 1) трикутник сплачених збиткiв – трикутник.n−i+1 fˆn−i+1 · · · · · fˆn−1 − 1 . Рiк розвитку . Тодi перше припущення. Ci1 .. А резерв: 2 ≤ i ≤ n... . Fij = E (Fij ) = fj . . але для оцiнки кiнцевих збиткiв необхiдна бiльша кiлькiсть рокiв. . . . .. .n Cn−j+1.2. Cij . де Ri – розмiр необхiдного резерву i-го року настання збиткiв. ... Тодi n ∑ j=n−i+2 n ∑ Sij = (Cij − Ci.. для всiх 1 ≤ i ≤ n. .... а Sij = Cij − Ci...j+1 Cij Fij i=1 i=1 ˆ = ∑ ..2 Рiк настання збиткiв 1 C11 . .j+1 Cij – коефiцiєнт зростання сумарних виплат вiд j-го року до (j + 1). Аналогiчно до попереднього будується трикутник. В iншому випадку добуток треба починати з першого додатного Cij ..4) (9. що Cij = ∑j k=1 Ri = . 2) трикутник заявлених збиткiв .

• (3) Iснують множники розвитку fj . . що . . крiм поточного. 1 ≤ j ≤ n − 1 такi. . • (2) Роки настання збиткiв {Ci1 . При цьому всi попереднi збитки iгноруються. . Отже. прогноз ґрунтується лише на поточному рiвнi збитку Ci. метод ланцюгових сходiв припускає вiдсутнiсть корисної iнформацiї у всiх станах збиткiв. Cin } – незалежнi.Таким чином.n−i+1 року подiї i. Розглянемо iншi припущення.

j+1 . ) ( Ci.

.

. E C . 1 ≤ i ≤ n. C i1 ij Cij . . . . 1 ≤ j ≤ n − 1. = fj .

. Cij ) = Cij fj . Cin } незалежнi та iснують fj . що . .j+1 | Ci1 .6) при Cij > 0. (9. або. такi. Теорема 9. . . . Якщо виконуються припущення (2) i (3). тобто умовне математичне сподiвання Ci. що те саме. 1 ≤ j ≤ n − 1. .j i не залежить вiд попереднiх станiв. тобто роки настання збиткiв {Ci1 . E ( Ci. .j+1 залежить лише вiд Ci.1. . Позначимо через G = { Cij | i + j ≤ n + 1} накопиченi до поточного часу данi.

( ) Ci.j+1 .

.

C = fj . 1 ≤ j ≤ n − 1 i1 ij Cij . E C . . . . . 1 ≤ i ≤ n.

при Cij > 0.n−1 | Gi ). Тодi E ( Cin | G) = E ( Cin | Gi ) = E ( E ( Cin | Ci1 . .j+1 | Bj ) = Ci. .n−1 fn−1 | Gi ) = fn−1 · E ( Ci.j fj .n−1 )| Gi ) = E ( Ci. 1 ≤ j ≤ n. то 1) E ( Cin | G) = Ci. (9. причому: ( ) E fˆn−i+1 · · · · · fˆn−1 = fn−i+1 · · · · · fn−1 . то маємо. Спочатку доведемо незмiщенiсть оцiнок fˆj . i + k ≤ n + 1}.n−i+1 fn−i+1 · · · · · fn−1 .n−2 | Gi ) . Отже.n−i+1 | Gi ) fn−i+1 · · · · · fn−1 = Ci. за методом математичної iндукцiї отримаємо: E ( Cin | G) = E ( Ci. Позначимо Bj = { Cik | k ≤ j. Продовжуючи далi.j+1 / i=1 Cij є незмiщеними i некорельованими. Матимемо E ( Ci. 1). Проробимо аналогiчнi дiї для E ( Ci. . . ∑n−j+1 ∑n−j+1 2) Оцiнки fˆj = i=1 Ci.n−1 | Gi ) = fn−1 · fn−2 · E ( Ci.7) Доведення. Тодi . Позначимо Gi = { Cij | 1 ≤ j ≤ n − i + 1}. Оскiльки виконуються припущення (2) i (3). Ci. 1 ≤ i ≤ n. 2). умову 1) теореми доведено. що E ( Ci.n−i+1 fn−i+1 · · · · · fn−1 .n−1 | Gi ) .

) .

E fˆj .

Bj = E ( Значить. .

(∑ n−j .

j+1 . i=0 Ci.

.

Bj ∑ n−j .

∑n−j+1 = i=1 E ( Ci.j+1 | Bj ) ∑n−j+1 i=1 Cij ∑n−j+1 fj · i=1 Cij = ∑n−j+1 = fj . Cij i=1 ( ) ( ( . i=0 Cij ) 1 ≤ i ≤ n − j + 1.

)) .

E fˆj = E E fˆj .

Bj = fj . тодi . Нехай k ≤ j. Отже. оцiнка fˆj є незмiщеною. Тепер доведемо некорельованiсть.

)) ( ) ( ( ( ( .

)) ( ) .

.

E fˆj fˆk = E E fˆj fˆk .

Bj = E fˆk E fˆj .

що i доводить некорельованiсть оцiнки fˆk . . Bj = fj · E fˆk = fj fk . Рiвнiсть (9.7) отримуємо за методом математичної iндукцiї.

.

( ) ( ( )) ( ( )) .

.

E fˆn−i+1 · · · · · fˆn−1 = E E fˆn−i+1 · · · · · fˆn−1 .

Bn−1 = E fˆn−i+1 · · · · · fˆn−2 E fˆn−1 .

Зауваження 9. Bn−1 ( ) = fn−1 · E fˆn−i+1 · · · · · fˆn−2 = · · · = fn−i+1 · · · · · fn−1 .1. Отже. умову 2) теореми доведено. 1 ≤ j ≤ n.1. Аналогiчно доводиться некорельованiстьFij для кожного фiксованого року збиткiв i. 107 .

Точнiсть методу ˆ i .1. яка буде мiнiмiзувати середнє квадратичне вiдхилеРезерв збитку Ri має бути оцiнений величиною R ння прогнозу вiд дiйсного значення – середню квадратичну помилку.3. Ми будемо розглядати умовну середньо квадратичну помилку при заданому G: (( )2 .9.

.

) ˆ E Ri − Ri .

.

а безумовна середньо квадратична помилка усереднила б вiдхилення по всiм можливим наборам D: ( (( ( )2 )2 . бо нас цiкавлять тiльки майбутнi вiдхилення. G .

.

)) ˆ ˆ E Ri − Ri = E E Ri − Ri .

.

Позначимо через ˆi) = E mse(R (( ˆi Ri − R )2 . D .

.

) .

G .

що ˆi) = E mse(R (( (( )2 .n−i+1 i ( ) ˆ i = Ci.8) ˆi.n−i+1 fˆn−i+1 · · · · · fˆn−1 − 1 = Cˆin − Ci. R то маємо.2. Оскiльки Ri = Cin − Ci. Середньо квадратичнi помилки mse(R Доведення.n−i+1 . (9. середньо квадратичну помилку R ˆ i ) та mse(Cˆin ) однаковi. Теорема 9.

.

) )2 .

.

) ˆ ˆ .

Ri − Ri .

n−i − Cin + Ci. G = E Cin − Ci.n−i .

.

G (( )2 .

.

) ˆ =E Cin − Cin .

.

mse(R що i треба було довести.в. X та Y має мiсце рiвнiсть . G = mse(Cˆin ). Для будь-яких в. Тобто ˆ i ) = mse(Cˆin ).

) ( 2.

2 E (X − g(Y )) .

Y = D ( X| Y ) + (E ( X| Y ) − g(Y )) . де .

) ( 2.

D ( X| Y ) = cov ( X. X| Y ) = E (X − E ( X| Y )) .

маємо: (( ( ) )2 . Використавши попереднє. Y .

.

) ( )2 mse Cˆin = E Cin − Cˆin .

.

Це припущення зумовлено тим. 1 ≤ i ≤ n − j + 1 досягається. Тепер сформулюємо четверте припущення методу ланцюгових сходiв. ваги обернено пропорцiйнi дисперсiям . що мiнiмальне значення дисперсiї оцiнки ∑n−j+1 ωij Ci. G = D ( Cin | G) + E ( Cin | G) − Cˆin .j+1 ˆ fj = i=1 Cij ∑n−j+1 з вагами = Cij / i=1 Cij .

ωij ) .

j+1 . коли ( ( ) Ci.

Ci.j+1 .

D Cij .

Cij при фiксованому j (тобто дисперсiя D Cij .

σn−1 такi. Тодi серед всiх можливих лiнiйних комбiнацiй виду T мiнiмальну дисперсiю має комбiнацiя з вагами ωk . . обернено пропорцiйними до D (Tk ). . Це випливає з такої теореми. тобто E (T ) = t. Нехай T1 . отримаємо таке припущення: 2 • (4) Iснують постiйнi коефiцiєнти пропорцiйностi σ12 . . причому ω1 + · · · + ωn = 1. . . Tn – незалежнi незмiщенi оцiнки величини t. . Cij прямо пропорцiйна 1/Cij ). тобто E (Tk ) = t для всiх 1 ≤ k ≤ n. На основi сказаного вище. . що при Cij > 0 .3. Теорема 9. i нехай T = ω1 T1 + · · · + ωn Tn – лiнiйна комбiнацiя оцiнок. тобто ωk = ω/D (Tk ). . 1 ≤ k ≤ n.

( ) 2 σj Ci.j+1 .

.

. 1 ≤ i ≤ n. . . D Ci1 . . . 1 ≤ j ≤ n − 1. Cij = .

108 (9.j+1 | Ci1 . . Cij Cij або D ( Ci. Cij ) = Cij · σj2 . . .9) . .

3 i 4.n+1−i | Gi.n+1−i ) σj2 fj+1 · · · · · fn−1 = j=n+1−i = Ci. що Cˆi.j+1 + Cij fj = fj Cij − 2fj Ci.j+1 ( ˆ )2 − 2fˆj · + fj Cij )2 n−j+1 n−j n−j+1 n−j+1 2 ( )2 ( )2 n−j+1 ∑ ∑ ∑ ∑ ∑ (Ci.n+1−i | Gi. Нехай виконуються припущення 2. mse(R Позначимо Gij = { Cik | 1 ≤ k ≤ j}.Оцiнка невiдомого параметра σj2 має такий вигляд: )2 ( n−j ∑ 1 Ci. Має мiсце формула ˆ i ) = mse(Cˆin ) = D( Cin | G) + (E( Cin | D) − Cˆin )2 .n+1−i ) = = E ( Cij | Gi.n+1−i ) fj2 та рiвнiсть E ( Ci. перший доданок дорiвнює D ( Cin | G) = D ( Cin | Gi. 0 ≤ j ≤ n − 1. 2fj Ci.j+1 i=1 ∑ .e R ˆi mse R = Cˆin . Враховуючи. Доведення.n−i+1 fˆn−i+1 · · · · · fˆj−1 .j+1 ) ˆ ˆ ˆ ˆ − .j+1 | Gi. то знайдемо оцiнку для дисперсiї D ( Cin | G): Ci. ∑n−j+1 Ci. j=n+1−i Якщо замiнити невiдомi параметри fj .n+1−i ) = Ci. коли fˆj = ранiше. n − j − 1 i=1 Cij Очевидно.j+1 | Gij )| Gi. за другим припущенням.n+1−i n−1 ∑ 2 2 fn+1−i · · · · · fj−1 σj2 fj+1 · · · · · fn−1 . що це рiвносильно такому: n−j+1 ∑ ( Cij i=1 Ci.n+1−i ) = E ( D ( Ci. Вона випливає з умови мiнiмальностi σ ˆj2 : ( )2 n−j+1 ∑ Ci.n+1−i i D ( Ci.n+1−i n−1 ∑ 2 2 fˆn+1−i · · · · · fˆj−1 σj2 fj+1 · · · · · fˆn−1 = j=n+1−i n−1 ∑ j=n+1−i 109 2 2 2 Cˆij σ ˆj2 fˆj+1 · · · · · fˆn−1 = Cˆin n−1 ∑ j=n+1−i σ ˆj2 . Тодi.j+1 Cij )2 Ci. отримали формулу. яку наводили Теорема 9. щоE ( Ci.4.j+1 )2 (Ci. Cij n − j − 1 i=1 Cij Виведемо звiдси наведену ранiше формулу для оцiнки fˆj .n+1−i ) fj .n+1−i ) σj2 + D ( Cij | Gi. n−j+1 Cij i=1 Отже.j+1 2 ˆ σ ˆj = − fj . fˆ2 Cˆij j .j+1 + Cij Cij i=1 i=0 i=1 i=1 i=1 Найменше значення досягається.n+1−i ) .n+1−i ) + D (E ( Ci. σj2 незмiщеними оцiнкамиfˆj i σ ˆj2 . яка виконується при j ≥ n + 1 − i D ( Ci.j+1 1 ˆ Cij − fj → min .n−i = Ci.j+1 | Gij )| Gi. Для спрощення запису приймемо.n+1−i ) = E ( Cij | Gi. Ci. Тодi середньо квадратична помилка оцiнки резерву ˆ i за методом ланцюгових сходiв оцiнюється величиною R ) ( n−1 ( ) ( ( ))2 ∑ σ ˆj2 1 1 2 ˆ i = s. + ∑n−j ˆ2 Cˆij k=1 Ckj j=n−i+1 fj де Cˆij = Ci.j+1 − fˆj Cij Розглянемо цю суму: n−j+1 ∑ i=1 = n−j+1 ∑ i=1 ( Cij Ci. отримаємо n−1 ∑ D ( Cin | Gi.j+1 − fˆj Cij )2 = n−j+1 ∑ (( Cij i=1 )2 → min . j > n − i + 1. Застосуємо рекурсивну формулу.j+1 | Gi.n+1−i ) = 2 2 E ( Cij | Gi.n+1−i ) = 0.n−i .

отриманi в попередньому параграфi.( ) ˆi У другому доданку виразу для mse R ( E ( Cin | G) − Cˆin )2 ( )2 2 = Ci. Але варiювати будемо не весь трикутник G.n+1−i fn+1−i · · · · · fn−1 − fˆn+1−i · · · · · fˆn−1 не можемо замiнити параметри fj оцiнками.n+1−i fn+1−i · · · · · fn−1 = . Використовуючи рiвностi. 1 ≤ j ≤ n. E ( Cin | G) = Ci. а тiльки необхiдну для цього частину. хоча значення цього доданку майже завжди вiдмiннi вiд нуля. Для оцiнки другого доданку ми не будемо вважати спостереження заданими. Позначимо Bj = { Cik | i + k ≤ n + 1. щоб базис Ci.n+1−i помилки ( )2 E ( Cin | G) − Cˆin не використовувався у наступнiй побудовi математичного сподiвання. а тому незмiнними. k ≤ j} . бо отримаємо нуль.

.

( ) ( ) .

.

n+1−1 E fˆn+1−i · · · · · fˆn−1 . = Ci.

Bn+1−i = E Cˆin .

Bn+1−i отримаємо ( E ( Cin | G) − Cˆin )2 .

( ( ))2 .

= Cˆin − Cˆin .

можна обчислити рекурсивно. Bn+1−i . Спочатку розглянемо перетворення (( ) . так же як i ранiше D ( Cin | Gi. Останнiй вираз.n+1−i ).

.

( ))2 .

.

( ) .

ˆ ˆ ˆi.j+1 .

.

Bn+1−i = .

j+1 − E Ci.j+1 . E Ci.

Bn+1−i B = D C n+1−i .

.

).

.

).

( ( ) ( ( ) .

.

.

.

ˆ ˆ = E D Cij fj .

Bj .

Bn+1−i + D E Cˆij fˆj .

Bj .

Bn+1−i = .

( .

).

( ) ( ) .

.

.

2 D fˆj .

Bj .

Bn+1−i + D Cˆij .

Bn+1−i fj2 = = E Cˆij (( ) .

( ( .

).

) ( ))2 .

.

.

.

.

2 2.

ˆ ˆ ˆ ˆ = E Cij D fj .

Bj .

Bn+1−i + E Cij − E Cij .

Bn+1−i fj .

Вiдкинувши оператор умовного математичного сподiвання при заданному Bn+1−i в першому i останньому виразах. отримаємо наближену рекурсивну формулу . Bn+1−i .

.

( ( ( .

) ( ))2 ( ))2 .

.

.

j+1 .j+1 − E Cˆi. 2 Cˆi.

Bn+1−i D fˆj .

Bj + Cˆij − E Cˆij .

Використовуючи цю формулу та враховуючи рiвностi 2 2 2 Cˆi.n+1−i = Ci. Cˆi.n+1−i . Bn+1−i ≈ Cˆij fj2 .j+1 = Cˆij fj .

))2 .

та Cˆi.n+1−i − E Cˆi.n+1−i .

отримаємо ( ( ( .n+1−i = 0. Bi.

)2 ( ( ))2 .

Cˆin − E ( Cin | G) = Cˆin − E Cˆin .

Bn+1−i ≈ n−1 ∑ ( .

) .

Cˆij D fˆj . 2 2 2 .

Bj fj+1 · · · · · fn−1 j=n+1−i де ( .

) σj2 .

D fˆj .

i випливає справедливiсть твердження. Нехай виконуються припущення 2. R ˆ  s. що вiн оцiнюється як: R ˆ не можна розраховувати як суму квадратiв стандартних помилок резервiв Стандартну помилку величини R ˆ i окремих рокiв настання збиткiв. бо самi величини R ˆ i не є незалежними. Тодi середньо квадратична помилка сукупного резерву оцiнюється величиною   ( n ) n−1 n ( ( ))2 ( ) ( ( ))2 ∑ ∑ ∑ 2ˆ σj2 /fˆj2 ˆi ˆ = s. Очевидно. R . пiсля замiни fj на fˆj i σj2 на σ ˆj2 та враховуючи рiвнiсть Cˆij fˆj+1 · · · · · fˆn−1 = Cˆin /fˆj . 3 i 4. Позначимо через R = R2 +· · ·+Rn – сукупний резерв. + Cˆin mse R = Cˆkn ∑n−j m=1 Cmj i=1 j=n−i+1 k=i+1 110 . Bj = ∑n−j i=n Cij . Звiдси.e.5. ˆ=R ˆ 2 +· · ·+ R ˆn.e. R Теорема 9.

Враховуючи отриманi ранiше формули для mse R ( ( ( n ) )2 . маємо Доведення.( ) ˆ i .

.

 )2 .

.

 n n n 2 ∑ ∑ ∑ ∑ ∑ .

.

ˆi = E  ˆi − R mse R Ri .

.

G = E  Cˆin − Cin .

.

G = .

.

i=2 i=2 i=2 i=2 i=1 ( =D n ∑ i=2 .

) ( ( n .

) )2 n .

.

∑ ∑ .

.

Cin .

G + E Cin .

G − Cˆin . .

.

Gk ) = = E (Cin |Gi . Gk . Cin )| Gi . Gk ) · E ( Ckn | Gk ) = E ( Cin | G) · E ( Ckn | G) ∑n ∑n Звiдси випливає. Враховуючи друге припущення про незалежнiсть рокiв подiї. Gk . Cin )| Gi . . . для пiдрахунку подвоєної суми скористаємося рiвнiстю . i=2 i=2 ПозначимоGi = {Cin . щоD ( i=2 Cin | G) = i=2 D ( Cin | G). Gk ) = E ( Cin E ( Ckn | Gk )| Gi . . що ) ( n n ( ) ∑ ( )( ) ∑ ∑ ˆi = ˆi + R mse R 2 Cˆin − E ( Cin | G) Cˆkn − E ( Ckn | G) . Ci. Gk ) = E ( E ( Cin Ckn | Gi . другий доданок у виразi для mse R ( )2 (∑ ( ))2 ∑n ∑n n ˆin E ( i=2 Cin | G) − i=2 Cˆin = E ( C | G) − C = in i=2 )2 ∑ ( )( ) ∑n ( = i=1 E (Cin |G) − Cˆin + 2≤i<k≤n 2 Cˆin − E ( Cin | G) Cˆkn − E ( Ckn | G) . величиниCin i Ckn при i ̸= kумовно некорельованi: E ( Cin Ckn | G) = E ( Cin Ckn | Gi . Доданки D ( Cin | G) були обчисленi при доведенi попередньої теореми. .n+1−i }. mse i=2 i=2 i<k Як i в попередньому доведеннi. Gk ) = = E ( Cin E ( Ckn | Gi . В результатi отримаємо. Тому зразу будемо розглядати ( ) ˆ .

( ) .

E ( Cin | G) = E Cˆin .

1 ≤ j ≤ n. де Bj = {Cik |i + k ≤ n + 1. Розглянемо спочатку умовне математичне сподiвання при заданомуBn+1−i . Bn+1−i . k ≤ j } .

(( ( )) ( ).

) .

.

E Cˆin − E Cˆin .

Bn+1−i · Cˆkn − E ( Ckn | G) .

Bn+1−i = .

.

.

(( ( )) ( ).

) ( ) .

.

.

.

=E Cˆin − E Cˆin .

Bn+1−i · Cˆkn .

Bn+1−i .

Cˆkn . Bn+1−i = Cov Cˆin .

де врахована рiвнiсть . Bn+1−i .

.

(( ( )) ( ( ) ).

) .

.

.

E Cˆin − E Cˆin .

Bn+1−i · E Cˆkn .

Bn+1−i − E ( Ckn | G) .

яка справедлива внаслiдок скалярностi другого множника при заданомуBn+1−i(. Bn+1−i = 0. .

) .

n+1−i . Застосовуючи послiдовно рекурсiю при j ≥ n+1−i з початковим значенням Cov Cˆi. Cˆk.n+1−i .

Bn+1−i = 0: .

( ) .

j+1 . Cov Cˆi.j+1 . Cˆk.

Bn+1−i = .

).

.

) .

).

( ( ) ( ( ( ) .

.

.

.

.

= E Cov Cˆi. Cˆk.j+1 .j+1 .

Bj .

Bn+1−i + Cov E Cˆi.j+1 .

Bj .j+1 . E Cˆk.

Bj .

Bn+1−i = .

).

.

( ( ) ( ) .

.

.

j+1 .j+1 . Cˆk. = E Cov Cˆi.

Bj .

Bn+1−i + Cov Cˆij . Cˆkj .

отримаємо: . Bn+1−i fj2 .

( ) .

Cˆkn . Cov Cˆin .

Bn+1−i = n−1 ∑ .

).

( ( ) .

.

Cˆk.j+1 .j+1 . 2 2 E Cov Cˆi.

Bj .

j=n+1−i Отже. ( ) ( ) E Cˆin − E ( Cin | G) · Cˆkn − E ( Ckn | G) = . Bn+1−i fj+1 · · · · · fn−1 .

) .

j+1 . Cˆk. (∑ ( ) n−1 ˆi.j+1 .

.

Bj f 2 · · · · · f 2 .

.

Bn+1−i . =E Cov C n−1 j+1 j=n+1−i Вiдкинувши додатково введений оператор умовного математичного сподiвання при заданомуBn+1−i . отримаємо наближену рiвнiсть 111 .

.

) ( ) ( ) ∑ .

j+1 . n−1 2 2 · · · · · fn−1 = Cˆin − E ( Cin | G) · Cˆkn − E ( Ckn | G) ≈ j=n+1−i Cov Cˆi. Cˆk.j+1 .

Bj fj+1 .

( ) ∑n−1 ∑ ∑ .

n−1 n−j 2 2 2 2 = j=n+1−i Cˆij · Cˆkj · D fˆj .

( . Bj · fj+1 · · · · · fn−1 = j=n+1−i Cˆij · Cˆkj · σj2 · fj+1 · · · · · fn−1 / n=1 Cnj .

) .

Тут була використана формула для D fˆj .

Дивимося. Зауваження. .j+1 Cij fj ∑ Cij ∑ ∑ ∑ Ci. В деяких випадках картина стає бiльш ясною.j+1 Cij fj + Cij fj = = Cij Cij i=1 i=1 = n−j ∑ i=1 2 2 2 2 ∑ 2Ci. n−j i=1 Cij Отже. Практичне застосування методу ланцюгових сходiв У цьому роздiлi ми розглянемо. Зробивши замiну параметрiв їх оцiнками i враховуючи рiвнiсть Cˆin = Cˆij fˆj · · · · · fˆn−1 . Розглянемо рiвняння з припущення 3 для довiльного фiксованого j та i = 1. εj – випадкова помилка для якої E (εi ) = 0 та D (εi ) = D (Yi ) = D ( Ci. на яких цей метод базується. а синiм пунктиром побудована нами пряма.j+1 Ci.j+1 fj − + = fj2 Cij − 2fj Ci. отримаємо оцiнку для mse R ( II. b = fj . можемо зробити висновок.3. В даному випадку оцiнка fˆj набуває наступних значень Для кожного фiксованого j будуємо графiк точок (Cij . За методом найменших квадратiв коефiцiєнт b = fj визначається з умови: n−j ∑ i=1 2 (Ci. Для початку будуємо графiк точок (Cij . Bj .j+1 ) для 1 ≤ i ≤ n − j. Справдi: ) ( 2 n−j n−j 2 2 ∑ (Ci.j+1 розглядати Si. чи вiдповiдає розташування точок прямiй з кутовим коефiцiєнтом fˆj . II. що загалом побудована нами пряма точно описує лiнiйну залежнiсть мiж точками. як застосовувати метод ланцюгових сходiв на практицi. Перевiрка четвертого припущення. ми отримали змогу застосовувати iнструменти регресiйного аналiзу для перевiрки припущень методу ланцюгових сходiв. доведена в попереднiй теоремi. .j+1 ∑ . Для того щоб ми мали змогу застосувати метод ланцюгових сходiв. застосовуючи метод. Отже. яка проходить через початок координат. Бiльше того. коли fˆj = n−j n−j n−j n−j ∑n−j i=1 Ci. Cin ) = Cij σk2 . розглядаючи метод ланцюгових сходiв з точки зору регресiйної моделi.j+1 − Cij fj ) → min . що третє припущення виконується. Перевiрка третього припущення.j+1 − Cij . Ci. Тут ми наведемо тiльки першi два графiки (iншi див. спрогнозувати величину виплат.2. як перевiряти припущення методу. Зазвичай досить розглянути графiки даних та нев’язок. Маємо.j+1 | Ci1 . Cij Доведемо. В наступних двох параграфах показано. описаний в попередньому роздiлi. Ci. Постановка задачi Розглянемо наступну таблицю: Данi в таблицi є наростаючими i iлюструють сумарну величину виплачену до кiнця кожного року розвитку. II. вiдсутню в таблицi. В цьому випадку лiнiя регресiї має кутовий коефiцiєнт fˆj − 1. Cij Cij Cij Cij i=1 i=1 i=1 i=1 i=1 n−j Мiнiмум досягається. у додатку А). ( ) ˆ . Yi = Ci. щоб. Суцiльною червоною лiнiєю на малюнках показано лiнiйну залежнiсть точок. 112 . що випливає з припущення 4. Наше завдання полягає в тому.1.j+1 ) i вiдповiдну пряму з кутовим коефiцiєнтом fˆj . . II. майже завжди вона спiвпадає з пунктирною лiнiєю.j+1 = Ci.j+1 в точках xi = Cij при 1 ≤ i ≤ n − j. що розв’язок цiєї задачi мiнiмiзацiї дiйсно приводить до оцiнки за методом ланцюгових сходiв. якщо замiсть Ci. . де a = 0. Також в даному роздiлi ми покажемо.j+1 − Cij fj )2 ∑ Ci. Оскiльки значення Cij при 1 ≤ i ≤ n вiдомi. для початку потрiбно перевiрити виконання припущень. як перевiряти (i перевiрено для даного прикладу) виконання третього i четвертого припущення за умови виконання першого та другого припущень. то наше припущення є лiнiйною регресiйною моделлю вигляду: Yi = a + bxi + εi . вказану у теоремi. Розрахуємо необхiднi резерви та оцiнимо точнiсть наших пiдрахункiв для конкретного прикладу. n.j+1 − 2Ci.j+1 + .

При малiй кiлькостi спостережень досить важко розпiзнати випадковiсть нев’язок. Якщо припущення 4 виконується. тому iнколи разом з . що величини дiйсно розсiюються випадковим чином.Для перевiрки четвертого припущення будуємо залежнiсть нев’язок до припущення 4.j+1 −Cij (fˆj −1) √ = Cij Ci. Отже. Отримаємо: Тепер побудуємо для кожного фiксованого j графiки залежностей нев’язок вiд Cij . що припущення 4 виконане. Причому Ci.j+1 −Cij fˆj √ Cij Si. Зауваження. можемо зробити висновок.(див. додаток В) Видно. вiд Cij .j+1 −Cij fˆj √ . то нев’язки розсiюються випадковим чином. Порахуємо нев’язки для нашого випадку. Cij зважених вiдповiдно .

.моделлю четвертого припущення альтернативнi моделi. Наприклад.

корисно розглядати ( ) ( ) βj2 Ci.j+1 .

Ci.j+1 .

. . C = . . . ij ij j Cij . C = α або D C . . . 2 D C . . .

i1 Cij .

j+1 − Cij fj2 . 9865 − 0. що коефiцiєнт детермiнацiї R2 = 0.3 вона розраховується за наступною формулою: ( ( ) ( ( ))2 ) ∑n−1 σ ˆj2 1 ˆ i = s. (??) 2 in де σ ˆj2 j=n−i+1 fˆ j ˆij C k=1 Ckj ( )2 n−j+1 ∑ 1 Ci.j+1 . то покладають σ ˆn−1 = min σˆn−2 . нам треба Проблема полягає в тому. тобто fj0 = або Ci.n−i+1 fˆn−i+1 · ˆ · · · · fn−1 . ∑n−j 2 i=1 Cij i=1 = Для того. де i + j ≤ n + 1. послiдовно застосовуючи формулу. Невiдомi данi розрахуємо за формулою. що добре для прогнозування. Оцiнка резерву Отже. ми можемо застосувати метод ланцюгових сходiв до нашого прикладу. ( 2) З малюнка видно. А. Зауваження. щоб вибрати одну з трьох моделей порiвнюємо графiки залежностi вiд Cij трьох стандартизованих квадратичних нев’язок: 2 (Ci. При цьому p = 0. Нагадаємо.j+1 . що припущення методу виконуються. II. II. . значить.5. R= 5. Тепер ми можемо скористатися формулою (??) i отримаємо: 113 . 7196 i звiдси σ ˆ17 = 0. ( ) σ ˆ4 2 2 2) Якщо σ ˆn−2 < σ ˆn−3 . що σn−1 = 0.Для цього можемо скористатися лiнiйною регресiйною ( 2) моделлю у вiдношеннi до ln σ ˆj . Значить. що ln σ ˆj дiйсно майже всюди лiнiйна по j (бiльше того . Отримаємо: Бачимо. прогноз даних можна здiйснювати за формулою: ( 2) ln σ ˆj = 6.e R ˆi + ∑n−j1 mse R = C2 .лiнiйно спадає). Середньо квадратична помилка Розрахуємо тепер середньоквадратичну помилку для нашого прикладу. Отже.971. загалом. 4533 · j ( 2 ) 2 Отже. отримаємо спрогнозоване значення ln σ ˆ17 = −0. де fj0 i fj2 n−j 1 ∑ Ci. n − j − 1 i=1 Cij Порахуємо спочатку σ ˆj2 для кожного j. то можна покласти. Тодi побудуємо лiнiйну регресiйну ( 2) модель залежностi ln σ ˆj вiд j.σ ˆn−3 . 49.j+1 −Cij fj0 )2 (Ci. 1) Якщо fn−1 = 1 i всi збитки вважаються урегульованими пiсля n − 1-го року.j+1 −Cij fj0 Cij 2 Ci. графiк якої бiльш розсiяний при великих значеннях ординати.j+1 −Cij fˆj ) (Ci.j+1 i=1 Cij Cij ∑n−j 2 i=1 Cij ∑n−j Cij Ci. з отриманого вище маємо.296.j+1 −Cij fj2 )2 . що дiйсно ln σ ˆj майже лiнiйно спадає по j.j+1 ˆ = Cij − fj . 0000. 2 Cij σ ˆ C2 α ˆ2 βˆ2 j ij j j Перевагу вiддаємо тiй моделi. отримаємо розв’язок: ˆ i для 2 ≤ i ≤ 18 буде наступною: Оцiнка резервуR ˆ I.4. Отже. 916 досить великий. яка була наведена в першому роздiлi: Cˆin = Ci. Отримаємо: 2 за наведеною формулою. . де значення fˆj вже пораховано для нашого прикладу i були приведенi ранiше. n − j i=1 Cij ∑n−j fj2 = Ci. i1 C2 ij Тобто розглядаються графiки залежностi вiд Cij нев’язок мiнiмiзують вiдповiдну суму квадратiв нев’язок. що ми не можемо розрахувати σ ˆ17 2 2 екстраполювати послiдовнiсть з вже вiдомих σ ˆj до σ ˆ17 . що з теореми 1. 2 n−3 ( 2) Покажемо спочатку.

e. формулу для розрахунку:   ( n ) n−1 n ( ( ))2 ( ) ( ( ))2 ∑ ∑ ∑ 2ˆ σj2 /fˆj2 ˆ = s. Вiзьмемо рiчну норму iнфляцiї. + Cˆin Cˆkn mse R = ∑n−j C mj m=1 i=1 j=n−i+1 k=i+1 Пiсля пiдрахункiв отримаємо: ( ) √ ( ) ˆ = mse R ˆ = 131134.e. що резерви. тобто вважали. а також. зважаючи на iнфляцiю минулих рокiв.553. не вiдрiзняються. розрахованi рiзними способами. Оцiнка точностi для кожного року: ( ) ˆ = 90836. s. якщо: 114 . маємо залежнiсть: ln (ˆ σj ) = 7. Тобто маємо таблицю: Застосуємо для даного трикутнику метод ланцюгових сходiв. R Отже. А.e.1. вiдповiдно. Отримаємо: Нехай для кожного календарного року k маємо коефiцiєнт iнфляцiї r рiвний: Тепер обчислимо коефiцiєнти iнфляцiї. III. Маємо: Побудуємо лiнiйну регресiйну залежнiсть ln (ˆ σj ) вiд року j: Отже.j−1 . Матимемо: I. R II. встановили помилку методу для заданих у задачi даних. R . Отримаємо: Тепер знову повернемося до таблицi з сукупними витратами на кiнець кожного року. за допомогою яких ми будемо конвертувати виплати в цiни для останнього року збиткiв. що корекцiю на iнфляцiю розглядаємо для виплат протягом календарного року (кожному календарному року вiдповiдає дiагональний елемент трикутника). 2793 − 0. Також у другому параграфi розв’язано приклад двома методами i показано. яке роблять. Вивiд методу ланцюгових сходiв з методу. до щорiчних приростiв виплат. В цьому параграфi покажемо. заснованою на модифiкованому розподiлi Пуассона. R = 124449 Тепер розглянемо корегування на майбутню iнфляцiю. застосовуючи метод ланцюгових сходiв. Отримаємо: Тепер сукупнi виплати будуть: Вiдповiдно резерви: ˆ 8. Будемо казати. 9864 Тепер можемо обчислити середньо квадратичну помилку для кожного року: ( ) ˆ I. Звiдси отримуємо: σ ˆ17 = 0. вiдповiдно. s. Корекцiя на iнфляцiю Ще одне припущення.1. також. Для початку розглянемо таблицю сумарних виплат для кожного року окремо.261 Оцiнка сукупного резерву дорiвнює: R= Порахуємо середньо квадратичну помилку для скорегованих даних. як розраховувати резерв. Для початку перейдемо в останнiй таблицi спрогнозованих з урахуванням минулої iнфляцiї витрат. що величина ξ має неперервний розподiл Пуассона з параметром λ. Домножимо данi в таблицi на вiдповiднi коефiцiєнти. Метод на основi модифiкованого розподiлу Пуассона Означення 3. Всi σ ˆj залишаться такими ж як i ранiше. Отримаємо новi коефiцiєнти p: Скорегуємо данi в таблицi вiдповiдно до iнфляцiї. що рiчний iндекс iнфляцiї однаковий для всiх рокiв i зважене середнє значення минулої iнфляцiї залишається без змiн i у майбутньому. з урахуванням майбутньої iнфляцiї. спрогнозованi данi: Розрахуємо резерви: ˆ 7. стосується iнфляцiї. Зауважимо. заснованого на модифiкованому розподiлi Пуассона В даному роздiлi ми продемонструємо взаємозв’язок мiж методом ланцюгових сходiв та моделлю. s. III. Ранiше ми не зважали на iнфляцiю.ˆ За теоремою 1. Отримаємо трикутник даних: Для даного трикутнику врахуємо майбутню iнфляцiю.4 маємо Порахуємо тепер середньо квадратичну помилку для сукупного резерву R.e. наприклад. 429 · j.055. Та розрахуємо точнiсть методу за новими даними. якi отримали з урахуванням iнфляцiї. ми розв’язали поставлену задачу: розрахували збитки та резерви i скорегували їх у випадку iнфляцiї.995 Оцiнка резерву в цьому випадку буде рiвна: R= Аналогiчно до попереднього параграфу можемо порахувати точнiсть.e. R ˆ ˆi  s. 5%. тобто складемо таблицю зi значень: Sij = Cij − Ci.6.

Аналогiчно до припущень методу ланцюгових сходiв. i=1 xi yj .n−i+1 + · · · + Sˆi. m > n + i − 1. Вивiд методу ланцюгових сходiв Теорема 3. спiвпадає з оцiнкою резерву за методом ланцюгових сходiв. введемо припущення: 1. Sin } незалежнi. III. . Кожне з Sij має модифiкований розподiл Пуассона з параметром xi yj та скалярним параметром w. Випадкова величина ξ має модифiкований розподiл Пуассона з параметром λ i скалярним параметром w. Тобто Sij = Cij − Ci. . 1 ≤ j ≤ n – сумарна виплата в j-ому роцi розвитку за збитками. yˆj = ∑i=1 n−j+1 i=1 Sij x ˆi . Тодi для такої величини ξ маємо щiльнiсть: λ w e−λ (x ).n−i+1 + · · · + Si.j ∂ ln (L) ∑ = ∂xi j ( ∂ ln (L) ∑ = ∂yj i Sij yj yj · − xi yj w w ( Sij xi · − xi w w ) = ∑ ( Sij wxi j ) = ∑ ( Sij wyj i − − yj w xi w ) = ) = 1 ∑ (Sij − yj xi ) = 0 wxi j 1 ∑ (Sij − yj xi ) = 0 wyj j Тодi. w w +1 x dFξ (x) = x>0 Розглянемо Sij . якi вiдбулися в i-ому роцi настання збиткiв. .j−1 при j > 1 та Si1 = Ci1 . де параметриxi > 0i yi > 0невiдомi. де 115 . S w wij + 1 ∏ i. Доведення. заснованiй на модифiкованому розподiлi Пуассона. Оцiнка резерву в моделi. якщо величина wξ має неперервний розподiл Пуассона з параметром λ. ( )) ∑ ( Sij ( xi yj ) xi yj Sij ln (L) = ln − − ln w +1 w w w w i. що E (Sij ) = xi yj i D (Sij ) = wxi yj . 2. Роки настання збиткiв {Si1 . r∞ 1− 0  ( x>0 λx e−λ (x+1) ) dx. З другого припущення можемо сказати. Запишемо функцiю вiрогiдностi: L= ( xy ) ( xi yj ) Swij exp − iw j w ( ) . .2. 1 ≤ j ≤ n − 1.n . j=1 ∑n−i+1 x ˆi = Sij j=1 ∑n−i+1 yˆj j=1 ∑n−j+1 . 1 ≤ j ≤ n. що xi yj . з двох попереднiх рiвнянь.  dFξ (x) = λx e−λ (x+1) . x ˆi yˆm = s · f ik k=1 ( ) fˆk−1 − 1 + fˆk−1 fˆk − 1 = fˆk−1 fˆk − 1. 2. 1 ≤ i ≤ n. маємо: n−j+1 ∑ Sij = n−j+1 ∑ i=1 n−i+1 ∑ Sij = n−i+1 ∑ j=1 Звiдки маємо. Оскiльки рiвностi (∑ ) ( ) n+1−i ˆn+1−i · · · · · fˆm−2 · fˆm−1 − 1 .n = x R ˆi yˆn−i+2 + · · · + x ˆi yˆn = x ˆi (ˆ yn−i+2 + · · · + yˆn ) . Оцiнимо тепер резерв: Ri = Si. ˆ i = Sˆi.1. якщо Sij > 0 при i + j ≤ n + 1.j Знайдемо оцiнки найбiльшої вiрогiдностi параметрiв xi i yj . 1 ≤ i ≤ n. x=0 Означення 3.

k−1 y x n=1 yn j=1 j j=1 i n=1 n ∑n+1−k Cjk j=1 ˆ . .n+2−i zi. щоzik /zi.n+1−i · · · · · zi.n+1−i · zi.m−1 −1 ) = Залишається переконатися. . (??) i=1 ∑k ∑k Нехай zik = n=1 xi yn i Cik = n=1 Sin .m−1 n+1−i zim = Sik · zi.3. При m > n + 1 − i отримаємо. Далi: ∑n+1−k ∑n+1−k ∑n+1−k (zjk − xj yk ) = j=1 zjk − j=1 xj yk = j=1 ∑n+1−k ∑n+1−k ∑n+1−k ∑n+1−k = j=1 Cjk − j=1 Sjk = j=1 (Cjk − Sjk ) = j=1 Cj. що n+1−k ∑ zjk = n+1−k ∑ j=1 Cjk (9. заснованим на розподiлi Пуассона: ∑n−i+1 x ˆi = Sij j=1 ∑n−i+1 yˆj j=1 ∑n−j+1 . що zim zi.n+2−i · ··· · zim = zi.k−1 = n+1−k ∑ j=1 j=1 при j = 2.k−1 (9.m−1 i. k = 1.k−1 .k−1 = zn+2−k.k−1 j=1 потрiбно тiльки довести.n+1−i .n+1−i = ci. . (??) i k ik ∑k=1 ∑k=1 n+1−k n+1−k xi yk = i=1 Sik . .10) Cj. . i + j ≤ n + 1 .n+1−i (∑ ) ( ) zi.11) j=1 i n+1−k ∑ zj. yˆj = ∑i=1 n−j+1 116 i=1 Sij x ˆi . n. fk−1 = ∑n+1−k Cj. . n.m−2 · i.(∑ ) S jn n=1 ) .k−1 + n+1−k ∑ j=1 zj. k=1 ( zim zi. Тодi умови (??) можна коротко записати у виглядi zi. .n+1−i · zi. .n+2−i · · · · · zi. Використовуючи рiвностi ) ) (∑ (∑ ∑n+1−k k n+1−k ∑k y x n j zjk n=1 j=1 zik j=1 n=1 yn ) = ∑n+1−k ) (∑ = (∑ = ∑k−1 k−1 n+1−k zi. . Порахуємо спочатку резерв методом. .k−1 . n. j = 1.k−1 + j=1 n+1−k ∑ j=1 Cj. n − 1.вiдповiдно очiкуванi та спостережуванi сумарнi збитки i-го року подiї через kрокiв розвитку. Проведемо доведення за допомогою рекурсiї вiдj = n до j = 2.k−1 = Cn+2−k. . Умоваz1n = c1n очевидна.m−1 − 1 .m−2 · zi. вiдповiдно.k−1 = n+2−k ∑ Cj. j=1 III. .n+1−i zi. . 1.m−1 = zi. k=1 то достатньо встановити вирази для x ˆi yˆm з умов ∑n+1−i ∑n+1−i x y = S .k−1 = fˆk−1 .k−1 zj. .m−1 xi ym = zim − zi. . . Приклад Розглянемо наступну таблицю даних: Данi в таблицi мають розподiл Пуассона з параметром λ = 10 i скалярним параметром ω = 17. z z i. i = 1. fˆk = (∑ n−k ∑k S j=1 n=1 jn n−k j=1 ∑k+1 приводять до формули методу ланцюгових сходiв ) (n+1−i ( ) ∑ ˆi = x R ˆi (ˆ yn+2−i + · · · + yˆ1 ) = Sik fˆn+1−i · · · · · fˆn−1 − 1 . Нарештi: n+2−k ∑ zj. .

Тодi 117 (9. Позначимо Cˆij := Cij при i + j ≤ n + 1. що R ) ( )( ˆ i = ∑n+1−i Sik fˆn+1−i · · · · · fˆn−1 − 1 .n−i / k=1 Ak. Трикутник сплачених збиткiв: Трикутник заявлених збиткiв: Зобразимо вiдношення С/З прогнозованих збиткiв. то i для наступних рокiв воно залишиться на тiй же вiдстанi нижче чи вище лiнiї. C сплаченого збитку до заявленого. IV. Вивiд i опис мюнхенського методу ланцюгових сходiв Теорема 9.ˆi = x R ˆi (ˆ yn−i+2 + · · · + yˆn ) . Бiльше того. тобто має мiсце рiвнiсть: Cˆij /Aˆij Ci. Мюнхенськi ланцюговi сходи є узагальненням методу ланцюгових сходiв: за вiдсутностi залежностi мiж спостережуваними даними автоматично виходить такий же прогноз. незважаючи на те. Тобто. Представимо x ˆi у виглядi ∑n−i+1 Sij j=1 ∑ x ˆi = . Бачимо. n 1 − j=n−i+2 yˆj Отримаємо: I в результатi матимемо: ˆ = 9288. Мюнхенськi ланцюговi сходи Як уже зазначалося ранiше. як враховувати цю залежнiсть. а найбiльше значення вiдношення С/З взагалi близько 110%. описану вище. зазвичай використовують два рiзних види даних у формi трикутника розвитку: трикутник сплачених збиткiв i трикутник заявлених збиткiв. Видно. Недолiк методу одразу стає очевидним: вiдношення спрогнозованих даних не збiгається до ста вiдсоткiв. А вже на сьомому роцi розвитку.n−i ∑n ˆ = ∑n ˆ ∑n ˆ ˆ k=1 Ckj / k=1 Akj k=1 Ck. При прогнозуваннi методом ланцюгових сходiв на основi сплачених збиткiв i заявлених збиˆ C ткiв. Будемо позначати С/З – вiдношення Aij ij Розглянемо приклад. зменшується дiапазон розсiювання точок. Тепер порахуємо резерв методом ланцюгових сходiв за формулою R k=1 (??) ∑j Для цього спочатку складемо таблицю. побудованих на рiзних трикутниках. Отже. отриманою за методом.n−i /Ai. Нехай маємо трикутник сплачених збиткiв: I трикутники заявлених збиткiв: На наступному графiку показано залежнiсть вiдношень С/З по роках настання збиткiв: Суцiльна лiнiя показує середнє С/З вiдношення. fj i hj – вiдповiднi множники розвитку.12) . Вона матиме вигляд: У цьому випадку матимемо таку оцiнку для fˆj : I тодi за формулою (??) знайдемо оцiнку резерву: ˆ = 9288. що оцiнка резерву за методом ланцюгових сходiв повнiстю спiвпадає з оцiнкою. Застосуємо до обох трикутникiв метод ланцюгових сходiв. що при збiльшенi кiлькостi рокiв. щоб наблизити два прогнози один до одного.6. лiнiя досягла майже ста вiдсоткiв.2. 2. що пiдтверджує на практицi теорiю. зiставлену з Cij = k=1 Sik . що рiзниця прогнозiв зумовлена iгноруванням залежностi мiж двома трикутниками та з’ясуємо. Доведення. якщо в деякому роцi настання збиткiв вiдношення С/З з’явилося на деякiй вiдстанi нижче чи вище середньої лiнiї. що R Очевидно. yˆj будемо рахувати послiдовно. що вiдстань вiд спрогнозованих збиткiв до середньої лiнiї завжди однакова. не збiгаються. IV.n−i ∑n для всiх j ≥ n − i + 1. вiдношення мiж Aˆij . Невiдомi параметри x ˆi . в результатi отримаємо. IV. Aij – рiвень заявлених збиткiв. що в реальностi має мiсце збiг пiдсумкових рiвнiв заявленого та сплаченого збиткiв в кiнцi перiоду розвитку. як i за звичайним методом ланцюгових сходiв. заснованим на розподiлi Пуассона. В цьому роздiлi ми покажемо. Майже завжди прогнози суми збиткiв. j ≥ n − i + 1 та вiдповiдним даному року розвитку середнiм по всiм рокам настання збиткiв ij ∑n ˆ k=1 Ckj ∑n ˆ k=1 Akj є сталим для ∀i. видно. В результатi отримаємо.1. що середнє значення трохи бiльше 100%. Проблема неузгодженостi оцiнок Введемо позначення: Cij – рiвень сплачених збиткiв.

.j−1 fˆj = ( n ∑ fˆj .n−i+1 (1) Роки настання збиткiв {Ci1 . цей метод базується на деяких припущеннях. Якщо значення нижче середньої лiнiї.j−1 i=1 Розглянемо тепер вiдношення С/З для деякого року j > n − i + 1: ∑n ˆ / ∑n ˆ ∑n ˆ / ∑n ˆ C · C C C · ˆ ˆ ˆ i. . дає зрозумiти.j−1 i. . Теорема.j−1 i. наведена вище. наведених ранiше. Як i метод ланцюгових сходiв. як уникнути розбiжностi вiдношення С/З.j−1 Cˆi.j−1 Aˆi. що ) Ci. нiж у середньому. щоб множники Fij i Hij лiнiйно залежали вiд Ci.n−i+1 · gˆn−i+2 · · · · · gˆj Ai. . Ai1 . .n−i+1 · Ai. Cin .j−1 fˆj + n ∑ ( ) Cˆi. .j−1 ∑n ˆ ∑n−j+1 Cij Cij i=1 ˆ = ∑n i=1 . випливає.n−i+1 Ai. вiд Ai. . Перше з них: Ci. З роздумiв. так. тобто чисельник має зростати швидше або (i) знаменник повiльнiше.j−1 i=1 i. вiдповiдно. .j−1 або. нiж в середньому.j−1 i=1 Ci.j−1 Таким чином визначимо наступнi припущення: . то для її досягнення вiдношення С/З має рости швидше. що модель методу ланцюгових сходiв має бути модифiкована C Ai. I навпаки для вiдношень С/З.n−i+1 i=1 i=1 i=1 Cij i=1 Aij Ci.j−1 i=1 i=1 i=1 i=1 Звiдки i випливає твердження теореми. тобто маємо ∑n−j+1 ∑n ˆ Aij Aij i=1 . fj = ∑n−j+1 ˆ Ci. i=1 i=n−j+2 i=1 ) Cˆi. Ain } незалежнi.n−i+1 · Aˆij Aˆi.j−1 i=1 Аналогiчну формулу можна вивести i для оцiнки gˆj .n−i+1 · fn−i+2 · · · · · fj Cij /∑ /∑ = = = .n ∑ Cˆij = i=1 n−j+1 ∑ n ∑ Cij + i=1 Cˆij = (n−j+1 ∑ i=n−j+2 Таким чином отримали. gˆj = ∑n−j+1 = ∑n i=1 ˆ A A i.n−i+1 ij i. ∑ ∑ n n n n Aij Ai.j−1 . якi перевищують лiнiю.

( ) Cij .

C Ai.j−1 (2) E Ci.j−1 .

( E .j−1 ) = Ci.j−1 або C E ( Cij | Gi.j−1 aC j + Ai.j−1 bj . Gi.j−1 = aC j + bj · Ci.

) Aij .

.

j−1 .j−1 . A Ci.j−1 = aA j + bj · Ai. Gi.

. . де Gij = {Ci1 .j−1 bj . Ai. . ( (3) D . Aij } . . .j−1 aC j + Ci. Cij } ∪ {Ai1 .j−1 ) = Ai. . .j−1 або C E ( Aij | Gi. .

Cij .

Ci.j−1 .

Gi.j−1 i ( D .k−1 ) 2 = (σjC ) Ci.

) ( A )2 σj Aij .

.

Gi.j−1 = . .

j−1 Ai. j+1 = fj+1 − bj+1 · Qj .j+1 Cij − QC j i=1 C ˆC ˆC ˆbC = a ˆC ( )2 .j+1 1 C C C ˆ − fj+1 − bj+1 − Qj Ckj . оцiнки для невiдомих параметрiв мають вигляд: ( ) ∑n−j Aij Ci. = n−j−2 Ckj Ckj k=1 118 . Ai. j+1 ∑n−j Aij C C − Q ij Cij i=1 k ( )2 C σ ˆj+1 ( ))2 ( n−j ∑ Dkj Ck. за методом найменших квадратiв.j−1 Тут.

минулого столiття методологiя розрахунку резервiв для забезпечення платоспроможностi страхової компанiї детально вивчалася Британською робочою групою з проблем платоспроможностi (British Solvency Party). а fˆj+1 = fˆj+1 . що якщо до обох трикутникiв застосувати метод ланцюгових сходiв. що страховiй компанiї необхiдно знати скiльки треба буде заплатити за позовами. A ˆA Аналогiчний вигляд мають i оцiнки для невiдомих параметрiв a ˆA ˆj+1 . В кожному з них припускається. Приклад Повернемося до нашого прикладу. якi виникли. а отже. Портфель ризику може бути змодельований як приростами збиткiв.j+1 = Cij a ˆj+1 + Aij bj+1 = Cij a bj+1 = Cij fj+1 − bj+1 Qj + bj+1 = ˆj+1 + Cˆij Cˆij ( C fˆj+1 = Cij C − ˆbC j+1 Qj Aˆij ˆC + bj+1 Cˆij ( ˆ ˆA ˆ Aˆi. кожен з яких має специфiчнi обмеження. Протягом останнiх рокiв актуарiї запропонували велике число методiв резервування збиткiв. коли вiдбувається повна виплата за позовом. якi здебiльшого зображуються у виглядi трикутника розвитку. Зображення даних Ми розглядаємо портфель ризикiв i припускаємо. поки стане вiдомим точне значення сумарних позовiв. вiдповiдно. i що розвиток додаткових (наростаючих) i накопичених вимог вiдомий до поточного календарного року включно. ЛС метод) та метод Борнхуеттера-Фергюсона (БФ метод). Метод Борнхуеттера-Фергюсона Важливим напрямком актуарної дiяльностi є розрахунок резервiв необхiдних для ефективної роботи страхової компанiї та забезпечення її платоспроможностi. IV. що використовують трикутники розвитку (run-off triangles). σ На основi другого припущення отримаємо: ) ( ) ( Aˆij ˆC Aˆij ˆC C C C C C C ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ Ci. 119 . Очевидно. а не до року. що кожен позов у портфелi буде врегульований або в рiк настання страхової подiї або в один з n наступних рокiв розвитку.∑n−j де QC j = A ij i=1 Ci. Найбiльш давнiми i вiдомими з цих методiв є метод ланцюгових сходiв ( chain-ladder method . що ми мали два трикутники з даними: 1) трикутник сплачених збиткiв. щоб мати змогу розрахувати вiдповiдний резерв. середня лiнiя досягла майже ста вiдсоткiв. тому цю величини необхiдно оцiнювати за наявними даними. Тому застосуємо тепер описаний вище метод.j Cij ∑n−j i=1 Cij C . Отже. а саме метод Борнхуеттера-Фергюсона. Отримаємо: Трикутник сплачених збиткiв: Трикутник заявлених збиткiв: Зобразимо тепер вiдношення С/З: Бачимо. тобто даних вiдносно збиткiв. 9. то остаточнi данi будуть сильно вiдрiзнятися. Важливим моментом є те. що позови вiдносять до року настання страхового випадку. але не заявленi. даний метод усунув недолiки наведенi ранiше. У 80-90 рр. дає рiзнi прогнознi оцiнки. j+1 . ( = Aˆij ˆ ˆ A − ˆbA QA + Cij ˆbA h j+1 j+1 j j+1 Aˆij ( = Aˆij Aˆij − QC j Cˆij ˆA h j+1 ( + ˆbA j+1 Cˆij − QA j ˆ Aij ) = )) . що дiапазон розсiювання точок зменшується при збiльшенi кiлькостi рокiв i на сьомому роцi розвитку. рiзнi припущення шодо математичної моделi i. 2) трикутник заявлених збиткiв. Було показано. bj+1 . В данiй роботi розглядається один з методiв розрахунку резервiв у випадку так званих IBNR (incurred but not reported) даних. Проте може пройти декiлька рокiв. На сьогоднiшнiй день розроблено ряд методiв визначення резервiв.j+1 = Aˆij a ˆA j+1 + Cij bj+1 = Aij ( = Aˆij ˆA h j+1 A − ˆbA j+1 Qj a ˆA j+1 ) ( = Cˆij Cˆij ˆA + bj+1 Aˆij Cˆij ˆA + bj+1 Aˆij ( C fˆj+1 + ˆbC j+1 ) ) )) . що усi позови вирiшуються протягом фiксованого числа рокiв (так званих рокiв розвитку). так i накопиченими (кумулятивними) збитками. Нагадаємо.2. цi данi можуть бути зображенi за допомогою трикутника розвитку.3.

коефiцiєнт збитковостi..k як збитки iроку настання страхової подiї. ... . зробленi при визначеннi страхового тарифу. S0.k як збиток iроку настання страхової подiї.n−1 Z1.0 Sn..n остаточними збитками.. а отже. Якщо для пiдрахунку резервiв планують використовувати коефiцiєнт рiвня збитковостi. n та iнтерпретуємо випадкову величину Zi.. n−1 n Z0. але можливе використання iнших величин.. Z0. k = 0.k приростом збитку в iроцi настання страхової подiї та k роцi розвитку. .n−1 . . а це може привести до невiрного визначення розмiру резерву IBNR. n та iнтерпретуємо Si. а отже в k роцi розвитку та в i+k календарному роцi...k . по накопичених збитках шляхом вiднiмання сусiднiх по рядку значень. n−1 n S0.k .k для рокiв i+k ≥ n+1.0 . .. Zn−1. можна знайти накопиченi збитки. отриманi за цими трикутниками розвитку за допомогою одного i того ж методу.0 Z0. просто додавши вiдповiднi прирости збиткiв.n . Також очевидним є той факт. 120 . S0. . Коефiцiєнти рiвня збитковостi Вiдношення величини заявлених позовiв до величини отриманих премiй називають коефiцiєнтом рiвня збитковостi. i Si. . . також будуть еквiвалентними. Але цими даними треба користуватись з обережнiстю: навiть якщо данi за останнi 5 рокiв по цьому виду страхування демонстрували стабiльне значення коефiцiєнта збитковостi. Коефiцiєнти рiвня збитковостi зазвичай досить стiйкi та стабiльнi для кожного року розвитку. а отже i розмiру несплачених збиткiв..1 . головним питанням є спосiб його вибору.. таких як обiг або фонд заробiтної плати.0 . i немає iнформацiї про Zi.... якi врегульованi з затримкою не бiльше нiж k рокiв. Аналогiчно попередньому випадку.1 S1.0 S1.n .n−1 S1. i навпаки. . . Джерелами iнформацiї для нього можуть бути: 1) попереднi данi за даним видом страхування. i. 3) думка андерайтера або iншої особи. Sn−1.0 S0. оскiльки знаючи виплати в кожному роцi розвитку (прирости збиткiв) . що це значення буде таким самим в поточному роцi. Будемо називати Si. n−1 n V : @ > 728B : C 0 1 . . Вiдомi значення накопичених збиткiв так само зображуються трикутником розвитку: V : = 0AB0 == O AB@0E > 2 > W ? > 4V W 0 1 .. .n−i накопиченими збитками поточного календарного року або поточним накопиченим збитком. заснований на трендах попереднiх даних. що прогнози.Прирости збиткiв Для моделюванню портфелю за допомогою приростiв збиткiв ми розглядаємо сiм’ю випадкових величин { } Zi. отримаємо прирости збиткiв. .. i. який врегульований iз затримкою в k рокiв.. .. . Вiдомi прирости збиткiв зображуються у формi трикутникiв розвитку: V : = 0AB0 == O AB@0E > 2 > W ? > 4V W 0 1 . оцiнках андерайтерiв чи даних ринку. Zn−1.1 . 4) статистика ринку для однорiдних видiв страхування.k для календарних рокiв i+k ≤ n.1 .. за умови вiдсутностi кардинальних змiн.n−1 ..0 Z1. це не гарантує. Накопиченi збитки { } Для моделювання накопичених збиткiв розглядаємо сiм’ю випадкових величин Si.. n−1 n V : @ > 728B : C 0 1 . Z0. не пiзнiше нiж у k роцi розвитку. ми маємо данi для календарних рокiв i + k ≤ n i не маємо даних для рокiв i + k ≥ n + 1. Si.. . k = 0. що цi способи зображення даних цiлком еквiвалентнi. Зрозумiло. що у страховика є iнформацiя про прирости збиткiв Zi. може використовуватись для оцiнки остаточного розмiру збиткiв. 2) припущення. Коефiцiєнти збитковостi зазвичай заснованi на премiях.1 . Будемо називати Zi.0 Zn.1 Z1.. Sn−1. Таким чином.k накопиченими збитками iроку настання страхової подiї i k року розвитку. Ми вважаємо. зокрема помiтних змiн у розмiрах премiй або катастроф.

Найпростiша форма методу Борнхуеттера-Фергюсона має такi етапи. що незаявленi (або несплаченi) позови доводяться до остаточного рiвня на пiдставi заявлених (або сплачених) претензiй станом на поточну дату. спричиненi страховими подiями. Знаходження оцiнок розвитку майбутнiх виплат для i року настання збиткiв як рiзницi мiж вiдповiдними початковими i оновленими оцiнками сумарних остаточних збиткiв. Знаходження ефективних оцiнок виплат/збиткiв для кожного року розвитку iшляхом дiлення початкових оцiнок BU Li на визначений коефiцiєнт прогнозу fi . для прогнозу майбутнiх виплат для всiх рокiв настання збиткiв застосовують однi й тi самi коефiцiєнти розвитку. але можливi й iншi варiанти. 0 121 .29 1 3334 3889 4503 5422 6142 23290 17148 1. що незаявленi ( або несплаченi претензiї) доводяться до остаточного рiвня на пiдставi очiкуваних позовiв. У таблицi 9. Як правило fi .фактори розвитку для прогнозу на один крок вiд l до l + 1 року розвитку. 2. Коефiцiєнт рiвня збитковостi λ оцiнений за даними 0 S року настання збиткiв: λ = P0.049 1. зростають однаково (стовпчики в трикутнику розвитку пропорцiйнi). Отже.2. що отримується застосуванням методу ланцюгових сходiв.022 1.13) BU Li = λPi .158 1. анiж загальний рiвень збитковостi. що наростаючi виплати за позовами. Зокрема. минулий розвиток не обов’язково є кращим показником майбутнiх позовiв.16) fi fi Розглянемо приклад застосування методу.3 Рiк настання збиткiв 0 1 2 3 4 5 Суми Суми без останнього даного Коефiцiєнти розвитку ρ Коефiцiєнти розвитку f 0 2866 3359 3848 4673 5369 5818 25933 20115 1. якi будуть заявленi. 3. Знаходження коефiцiєнтiв прогнозу fi за даними трикутника розвитку. позови. не мiстять iнформацiї про суму претензiй. де Pi – зароблена премiя для i-го року настання збиткiв. Iншими словами. визначивши ρ(l) .14) ρ(l).039 1. Концепцiя даного методу полягає в тому. величину резерву для кожного року настання збиткiв розраховують за формулою ( ) ( ) 1 1 Vi = BU Li − RU Li = BU Li 1 − = λPi 1 − . l=i 4. Також суттєво використовується припущення.001 1. в якому початковим припущенням є те. Визначити коефiцiєнт рiвня збитковостi λ з будь-якого з вищевказаних джерел.5 = 0.9. оновленi оцiнки збиткiв для кожного року настання збиткiв мають вигляд BU Li . • Для заданого року настання страхової подiї. Використовуючи коефiцiєнт рiвня збитковостi λ.063 12801 7855 1. (9.001 3717 1 1 У таблицi 9.023 4 3712 4319 5 3717 8031 3712 1. знайти початковi оцiнки величини сумарних остаточних збиткiв BU Li (вiд benchmark ultimate loss) для кожного перiоду iнастання збиткiв за формулою (9. (9.83.4 наведено обсяг зароблених премiй. покладаємо fi = n ∏ (9.15) RU Li = fi 5. 1. майбутня структура розвитку буде вiдповiдати досвiду iнших рокiв настання страхових подiй. Табл. що заявленi станом на останню дату. що: • Як би не розвивались позови конкретного року настання страхової подiї до теперiшнього часу. Iншими словами.115 Рiк розвитку 2 3 3503 3624 4033 4231 4779 4946 5676 17991 12315 1. Основнi припущення та концепцiя базового методу Борнхуеттера-Фергюсона Ключовим припущенням методу Борнхуеттера-Фергюсона є те. Таким чином. У цьому полягає вiдмiннiсть вiд метода розвитку.це фактор розвитку.3 наведено трикутник розвитку та допомiжнi розрахунки для знаходження факторiв розвитку згiдно з методом ланцюгових сходiв. якi виникли протягом кожного року настання збиткiв.9.1.

визначивши всi вжитi термiни. Вправа 9. Рiк подiї 2010 2011 2012 Рiк розвитку 2748 3819 3991 2581 4014 3217 Компанiя вирiшила застосувати метод Борнхуеттера–Фергюсона для обчислення резервiв.5 2278. використавши значення заробленої премiї 2500 та коефiцiєнту рiвня збитковостi 90 %.115 0. X = 1803. а сплаченi позови склали 1472.022 4714 104 4946 5050 4 1. якщо зароблена премiя дорiвнює 5012. Вiдомо.023 0. але деякi листки з її розрахунками було загублено.29 1. Наступний крок – застосування факторiв розвитку для оцiнювання майбутнiх збиткiв та додавання позовiв. якi надiйшли з портфелю страхових полiсiв.3 2122.1. Вiдповiдь. AY fi 1 − f1i BU Li ( Резерв Ri = BU Li 1 − Заявленi вимоги Очiкуванi вимоги 1 fi ) Табл.3. припускаючи. Вправа 9. (ii) Для четвертого року розвитку студент застосувала метод Борнхуеттера-Фергюсона. Обрахуйте значення Z. (ii) У таблицi нижче наведено накопиченi позови. X та Y . Обчислiть величину резерву для 2012 р. £) Рiк полiсу 2009 2010 2011 2012 0 1256 1439 1543 1480 Рiк розвитку 1 2 3 945 631 378 1072 723 1133 122 . (ii) 3232.001 0..059 5470 323 5676 5999 3 1. Вправа 9.9. (ii) Z = 1410.063 0. сплачених за полiсом автомобiльного страхування. Данi з накопиченими величинами позовiв та спрогнозованими остаточними величинами позовiв подано у таблицi: Рiк подiї 1 2 3 4 0 1001 1250 1302 Z Рiк розвитку 1 2 1485 1762 Y 1820 1805 3 W Остаточнi величини X 1862. Студент-актурiй опрацьовувала данi про надходження позовiв. (i) W = 1803.AY Pi BU Li = 0.6.225 0.83Pi 0 4486 3723 Табл.103 7057 6210 1588 640 5818 6142 7406 6782 2 1.2. (i) Запишiть загальну форму статистичної моделi для трикутника розвитку позовiв. що виникли i вже заявленi. (iii) Обчислiть величину резерву майбутнiх виплат для всiх рокiв настання подiй за повнiстю вiдновленою таблицею. є такими (числа у тис.8 Усi позови було сплачено до кiнця третього року розвитку.001 4170 4 4319 4323 5 1 3723 0 3717 3717 Сумарнi очiкуванi збитки за всi цi 6 рокiв складуть 33277. Y = 1632. Вiдповiдь.4 1 2 5024 5680 4170 4714 3 6590 5470 4 7428 6210 5 8502 7057 Тут AY (accident year) – рiк настання страхової подiї. (i) Обчислiть значення W . Величини позовiв. використовуючи метод ланцюгових сходiв.9.5 0 1 1. (iii) 1228. що остаточнi величини позовiв було оцiнено. що коефiцiєнт рiвня збитковостi дорiвнює 85 %.

. якщо рiвнiсть γk = ESi. очiкуваний прирост збитку може бути вiд’ємним. У випадку трикутника розвитку для оплачених збиткiв або кiлькостi γk = l=k+1 φ1l та φk = γk−1 позовiв є доцiльним також припускати. записанi в 2012 р. ∀i = 0. укладених лише в 2004 р. . Фактори розвитку ES i. (ii) 2482. використовуючи: (i) Метод ланцюгових сходiв. Вiдповiдь: (i) 2357.2. 80 % Рiчнi премiї. . γn = 1 називається моделлю розвитку для часток накопичення. φn ) називається моделлю розвитку для факторiв розвитку. γk = ∑l=0 νk = ∑n .2. а також кiлька альтернативних моделей. що 0 < γ0 < · · · < γn . якщо рiвнiсть βk = EZi. Коефiцiєнт рiвня збитковостi (ґрунтуючись на цiнах середини 2012 р. Оцiнiть майбутнi позови.n виконується ∀k = 0.Iнфляцiя за 12 рокiв усерединi кожного року була такою: 2010 2. ∀i = 0.k ESi. якщо рiвнiсть φk = ESi. що надiйдуть вiд полiсiв. становлять £5 250 000. (вважаючи статистичнi значення показникiв iнфляцiї точними в обох випадках). 9.k EZi. таке припущення може бути недоречним. iнакше та γk = k ∑ νl . Вiдповiднi формули зв’язку: n γk .5 %. У випадку понесених збиткiв. 123 . що βk > 0 ∀k = 0. .k Вектор φ = (φ1 . n. n. Очевидними є формули зв’язку мiж моделями розвитку: { νk = γ0 . У випадку трикутника розвитку для оплачених збиткiв або кiлькостi позовiв є доцiльним також припускати. β = k n . .10 % 2011 1. n. Частки накопичення Вектор γ = (γ0 . . l=0 У випадку трикутника розвитку для оплачених збиткiв або кiлькостi позовiв є доцiльним також припускати. В даному роздiлi розглянуто 3 класичнi моделi. n. . оцiнюють.k−1 виконується∏∀k = 1. . n.2. . νn ). якi формально рiзнi. що φk > 1 ∀k = 1. V = 0 : H5 . що розвиток збиткiв в кожному роцi настання страхової подiї пiдкоряється однiй i тiй самiй моделi розвитку для кожного року настання збиткiв. n.20 % 2012 −0. . k = 0.k νk = ESi. Рiвнi наростання Вектор β = (β0 . n. n. βk = . . але можуть бути елементарним чином перетворенi одна в одну. n. Майбутню рiчну iнфляцiю iз середини 2012 р. l=0 νl = 1 називається моделлю розвитку для часток наростання. k = 0 βl βk νk γk −γk−1 . Припущення про iснування моделi розвитку може розглядатись як найпростiша стохастична модель i дає змогу порiвнювати методи резервування збиткiв. Припускають. що νk > 0 ∀k = 0. якщо рiвнiсть EZi. n. γn ). оскiльки внаслiдок помiркованого резервування збиткiв.) оцiнили в 75 %. Вiдповiднi формули зв’язку: ∑k { 1. як 2. що позови повнiстю буде сплачено до кiнця третього року розвитку.0 виконується ∀k = 0. ν0 γ0 l=0 βl l=0 βl У випадку трикутника розвитку для оплачених збиткiв або кiлькостi позовiв є доцiльним також припускати. βn ).n виконується ∀k = 0. . . n. Моделi розвитку Використання трикутникiв розвитку в резервуваннi збиткiв може бути виправдане тiльки за припущення. . γk − γk−1 . ∀i = 0. (ii) Метод Борнхуеттера-Фергюсона. . β0 = 1 називається моделлю розвитку для рiвнiв наростання..4. ∀i = 0. Частки наростання ∑n Вектор ν = (ν0 . .

. 2. можна визначити iншу модель розвитку. Зовнiшня iнформацiя.k−1 Sh. i = 0. .модель розвитку для факторiв розвитку. 2.k j. n. Внутрiшня iнформацiя. . що розглянутi ранiше. . .k (π). n − k є оцiнкою для φk . . що будуть потрiбнi для подальшого розгляду: 1.Наростаючi рiвнi збитковостi Моделi розвитку. Взагалi кажучи. .k = j=0( ) h=0 ˆCL випадковий вектор коефiцiєнтiв розвитку методу ланцюгових сходiв. якщо вiдомий вектор π = (π0 . n − k πi є оцiнками для ζk (π) i це також буде справедливим i для ζˆk (π) = n−k ∑ Wj. такi як розмiр премiй або кiлькiсть контрактiв є зовнiшньою iнформацiєю.0 ∑n−k h=0 2 Zh. Тодi для кожного року розвитку k = 0.φ ∏n 1 сходiв.k Zj.0 ∑n−k 2 j=0 Zj.k−1 j. Нехай β = (β0 . Проте. який використовується в методi ланцюгових ланцюгових сходiв: φˆk = ∑n−k S = j=0 ∑n−kj. . якщо рiвнiсть ( ) Zi. Вектор ζ(π) = (ζ0 (π). яка повнiстю мiститься в трикутнику розвитку дослiджуваного портфелю ризикiв. . k = 0. . Тодi для кожного року розвитку k = 0.. . πn ) певних кiлькiсних показникiв.k . .. прогноз остаточних збиткiв може бути обґрунтований у припущеннi. 9. i = 0. Вiдмiтимо.k−1 φˆi. n кожен з окремих емпiричних факторiв розвитку: Si. 45 j=0 Wj.k ζˆi. n. i це також буде справедливим i для ∑n−k ∑n−k φˆk = ˆj. . Аналогiчно попередньому пункту визначаємо βˆP та γˆ P . також кiлькiснi показники.3. n кожен з окремих емпiричних рiвнiв наростання: βˆi.k . У випадку трикутника розвитку для оплачених збиткiв або кiлькостi позовiв є доцiльним також припускати. .k = Zi. . Найбiльш вiдомою оцiнкою з цiєї сiм’ї є фактор розвитку ∑n−k ∑n−k S j=0 Sj. 1. . що описанi нижче. . n окремi емпiричнi рiвнi збитковостi: Zi.k−1 . що φ = (φ1 . . яка повнiсть не залежить вiд даних трикутника розвитку. де j=0 До цiєї сiм’ї належать частки Пенiнга: βˆkP anning = βˆkP n−k ∑ ∑n−k = Wj. . . За формулами зв’язку отримуємо оцiнки для часток накопичення: γˆkCL = l=k+1 φˆCL i позначимо l ) ( CL CL CL вектор оцiнок: γˆ = γˆ1 .2.k φ j=0 Wj. Це будь-яка iнформацiя.17) πi виконується для будь-яких k = 0.0 βˆj.k ζk (π) = E (9. ζn (π)) модель розвитку для рiвнiв збитковостi. Припустимо. Зовнiшня iнформацiя може бути отримана з статистики ринку або з iнших схожих портфелiв.k ζˆj. n − k є оцiнкою для βk i це i. . а ζ(π) = (ζ0 (π).0 = n−k ∑ j=0 2 Zj. Це будь-яка iнформацiя. . βn ) . ζn (π)) називається моделлю розвитку для наростаючих рiвнiв збитковостi. яка також залежить вiд π.k βˆj.. γˆn . . j=0 де n−k ∑ j=0 124 Wj. φn ) .k .k .0 також буде справедливим i для βˆk = n−k ∑ Wj. що вiдповiдна модель розвитку iснує.k = 1. Тодi для кожного року розвитку Z k = 0. що оцiнки методу ланцюгових сходiв повнiстю базуються на внутрiшнiй iнформацiї. Позначимо через φˆCL = φˆCL n 1 . j=0 j=0 Zj. Розглянемо оцiнки. Оцiнювання моделей розвитку Для кожного з методiв резервування збиткiв. Нехай π = (π1 . πn ) вiдомий вектор певних кiлькiсних показникiв . Вiдмiтимо. оцiнювання моделi розвитку може ґрунтуватись на одному або двох з наступних джерел iнформацiї: 1. . бо вона не мiститься в трикутнику розвитку.. що ζk (π) > 0.k = 1.k Si.модель розвитку для рiвнiв наростання. . . . що частки Пенiнга також повнiстю визначаються внутрiшньою iнформацiєю.k CL φˆ .k = 1. i = 0. . n та i = 0. повнiстю визначались очiкуваними наростаючими або накопиченими збитками.k (π) = . .

n−i = (ˆ γk − γˆn−i )ˆ αi .n . У випадку k = n це дає вираз BF Sˆi.k = γk αi виконується для будь-яких k = 0. α ˆ ) = Sˆi. . Прогнозування остаточних збиткiв за допомогою моделей розвитку 9. α ˆ) = . . так i на зовнiшнiй iнформацiї. який був запропонований Борнхуеттером i Фергюсоном в 1972 р.k (ˆ γ. . що γk – модель розвитку для часток накопичення. α ˆ ) = Sˆi. . γn ). α ˆ ) − Si. якi у випадку 0 < γ0 < · · · < γn збiльшують вагу поточних збиткiв i зменшують вагу апрiорних оцiнок очiкуваних остаточних втрат.4. Тодi. 9. α ˆ) i+k≥n трикутник прогнозiв iтерованого методу Борнхуеттера-Фергюсона порядку m.k .k (ˆ γ.k (ˆ γ.n−i + (γk − γn−i )αi .n−i + (ˆ γk − γˆn−i )ˆ αi . ESi. i + k ≥ n визначаються як BF Sˆi. Ця мета може бути досягнута шляхом iтерування. γˆn ). α ˆ ) − Si. m = 0. . α) ˆ = Sˆi. що вектори γˆ = (ˆ γ0 . (m) Sˆi. що рiвнiсть ESi. iнакше. що оцiнки очiкуваних остаточних збиткiв базуються на премiях. . . i + k ≥ n будуть прогнозами Бенктандера-Ховiнен: BH BF Sˆi. . iнакше 125 .n що означає. Зазначимо.n−i + (ˆ γk − γˆn−i )Sˆi. Вiдмiтимо. i + k ≥ n iтерованим методом БорнхуеттераФергюсона порядку m ∈ N0 визначаються таким чином: { Si.n − Si.n . Обидва цi припущення вiдкинутi в розширеному методi Борнхуеттера-Фергюсона. що данi оцiнки базуються як на внутрiшнiй.k (π). ESi.n (ˆ γ. Проте.k = Si.k .3. .k AD ˆ ζk (π) = ∑n−k = ∑n−k ζˆj. n.k (ˆ γ. . Позначимо через { } (m) Sˆ(m) (ˆ γ.k (ˆ γ. 0 BF 1 BH Тодi ми маємо Sˆi. коли данi про поточнi збитки є надiйними.n .k (9. . може бути бажаним модифiкувати прогнози методу Борнхуеттера-Фергюсона з метою збiльшити вагу поточних збиткiв. (m−1) Sˆi. якщо в правiй частинi формули для прогнозу розширеним методом Борнхуеттера-Фергюсона BF замiнити α ˆ i на Sˆi. α ˆ ) = Sˆi. Розширений метод Борнхуеттера-Фергюсона Розширений метод Борнхуеттера-Фергюсона базується на припущеннi. що iснують вектори α = (α0 .5. та i = 0. γn = 1. αn ) та γ = (γ0 . прогнози накопичених збиткiв Si. такi.k = ESi. Поклавши { α ˆi. α ˆ) SˆBF (ˆ γ. 9. ми маємо ESi. α ˆ ) та Sˆi.k .k (ˆ γ.n−i для i-го року настання страхової подiї i має вигляд прогнозу резерву. Тодi остаточнi прогнози накопичених збиткiв Si. γˆn = 1 оцiнок часток накопичення та α ˆ = (ˆ α0 . що у цих припущеннях має мiсце рiвнiсть γk = ESi.n (ˆ γ. Аналогiчно попереднiм пунктам визначаємо ζˆAD i γˆ AD . j=0 πj h=0 πh j=0 який використовується в адитивному методi (additive method). α ˆ ). α ˆ ) = Si. .k .n−i + (ˆ γk − γˆn−i )ˆ αi . Iтерований метод Борнхуеттера-Фергюсона У випадку.18) i+k≥n трикутник всiх прогнозiв методу Борнхуеттера-Фергюсона.n−i = (1 − γˆn−i )ˆ αi . який є прогнозом для резерву Si. Розширений метод Борнхуеттера-Фергюсона також базується на додатковому припущеннi. а отже. у початковiй формi методу Борнхуеттера-Фергюсона припускалось. i зменшити вагу оцiнок очiкуваних остаточних збиткiв. Розглядаючи рiзницю мiж прогнозом i поточними збитками маємо: BF Sˆi. m = 0 (m) α ˆ i (ˆ γ.k (ˆ γ . n.k (ˆ γ.Найбiльш вiдомою з цiєї сiм’ї є адитивний рiвень збитковостi (additive loss ratio): ∑n−k n−k ∑ πj j=0 Zj. Позначимо через } { BF (ˆ γ. Наприклад. .n−i + (ˆ γk − γˆn−i )Sˆi. α ˆ) = (m−1) Si. .n = αi . α ˆ n ) оцiнок очiкуваних остаточних збиткiв вже вiдомi. Бiльш загально. . α ˆ ). . Прогнози методу Борнхуеттера-Фергюсона накопичених збиткiв Si. i що очiкуванi рiвнi збитковостi отримуються з трикутника розвитку.

k . α ˆ n(m) (ˆ γ. γˆ ). . .n (ˆ γ ). .k (π. . Тодi γ . γˆ ) = Si. Векторγ = (γ0 . З визначенi+k≥n LD LD LD ня прогнозiв негайно випливає Sˆi.модель розвитку для факторiв розвитку. γˆn = 1 заданий. 126 . що рiвнiсть κ = E πi. n 3.прогнози iтерованого методу Борнхуеттера-Фергюсона можуть бути записанi як (m) (m−1) Sˆi. . { } CC Позначимо через SˆCC (π.k−1 виконується ∀k = 1. γn = 1такий.трикутник прогнозiв методу розвитку збиткiв. бачимо. . n.n−i CL . . .n i вається остаточним рiвнем збитковостi. ми бачимо.7.n−j ∑nj=0 ˆn−j πj j=0 γ CC Sˆi.n−i . – оцiнка для κ.k (γ0 . Прогнози Cape Cod методу для накопичених збиткiв Si. n 2. . що вектор оцiнок γˆ = (ˆ γ0 . { } CL CL CL ˆ ˆ Позначимо через S = Si.k = γˆkCL γˆi. що iснують: 1.k−1 j=0 ∏k CL Визначимо прогнози методом ланцюгових сходiв накопичених збиткiв Si. Вiдмiтимо.k φˆCL = ∑n−k . . α ˆ ) = SˆBF (ˆ γ. α ˆ ). .k (ˆ γ) . α ˆ )).k = Si.k (ˆ γ ) = Si. Метод ланцюгових сходiв Метод ланцюгових сходiв базується на припущеннi. γˆ ) = ∑n Sj.k . α ˆ ) = Si. тобто прогнози Cape Cod методу залежать лише вiд вiдносного розмiру показникiв обсягу. γn ).n−i l=n−i+1 φk . 9. що метод розвитку збиткiв є розширеним методом Борнхуеттера-Фергюсона з параметрами γˆ i α ˆ iLD (ˆ γ ).k (ˆ γ ) = γˆk γˆn−i . Поклавши α ˆ iCC = πi κ ˆ CC (π. то прогнози методу ланцюгових сходiв записуються у виглядi Sˆi. k = 0. i визначимо прогнози для Si. . n.n i Тодi γ – модель розвитку ) для часток накопичення. . Метод розвитку збиткiв Метод розвитку збиткiв (loss-development method) базується на припущеннi. γn ). метод ланцюгових сходiв також вкладається в загальну схему розширеного методу БорнхуеттераФергюсона . n. n. тодi з (m) α ˆ (m) (ˆ γ.k . . Бiльш того. γˆ ) = SˆCC (π. α ˆ ) = (α ˆ 0 (ˆ γ. Таким чином. а останнє припущення означає. Оскiльки γˆk = i+k≥n ∏n S 1 CL . i + k ≥ n методу n−i Si. Вектор π = (π0 . Cape Cod метод також базується на додатковому припущеннi.k . Поклавши α ˆ iLD (ˆ γ ) = Sˆi.k φk = ESi. Cape Cod метод Cape Cod метод базується на припущеннi. використовуючи результат попереднього пункту S = SˆBF (ˆ γ CL . γˆn ). . . .n виконується ∀k = 0. α ˆ (m) (ˆ γ. α ˆ LD (ˆ γ CL )). . πn )вiдомих показникiв обсягу. i зазначимо. φn ) такий. Ми. . . таким чиl=k+1 φ ˆCL n−i l CL LD CL CL ˆ ˆ ˆ ном. що має мiсце рiвнiсть ESi. Параметр κ такий. i+k≥n що SˆCC (cπ. 9. . ) ( S виконується ∀i = 0. α ˆ ). i + k ≥ n визначаються як де κ ˆ CC (π. γˆ ).k (π.k = γk γi. можна довести. . { } LD Позначимо через SˆLD (ˆ γ ) = Sˆi. що iснує вектор γ = ESi. Нагадаємо. . i+k ≥ n як Sˆi. γˆn = 1 вже заданий. тодi параметр κ назирiвнi збитковостi κi = E πi. k S j.n виконується ∀i.k ESi. що виконується рiвнiсть ESi. що оцiнки для∑φk мають вигляд: n−k ∏k j=0 Sj. S Вiдмiтимо. що рiвнiсть ESi. α ˆ )) ми отримаємо: Sˆ(m) (ˆ γ. отримуємо S = S (ˆ γ ) i.n−i l=n−i+1 φˆCL k . ∀i = 0.n−i LD ˆ розвитку збиткiв у наступний спосiб: Si. γn = 1 такий. γˆ ) ∀c > 0. що iснує векторφ = (φ1 . Тодi φ . що рiвнiсть γk = ESi. . ∀i = 0. γˆ ) = Sˆi.модель розвитку для часток накопичення. 9.k (ˆ γ.трикутник прогнозiв методу ланцюгових сходiв. що прогнози методу розвитку збиткiв є граничними для прогнозiв iтерованого методу Борнхуеттера-Фергюсона. .6. γˆ ) – трикутник прогнозiв Cape Cod методу.n−i + (ˆ γk − γˆn−i )Sˆi.k = ESi. що вектор апрiорних оцiнок часток накопиченняˆ γ= (ˆ γ0 .n−i + (ˆ γk − γˆn−i )πi κ ˆ CC (π. . Таким чином. Метод розвитку збиткiв також базується на припущеннi. . iтерований метод Борнхуеттера-Фергюсона порядку m є нiчим iншим як розширеним методом Борнхуеттера-Фергюсона з γˆ та α ˆ (m) (ˆ γ. що окремi остаточнi ( S однаковi для кожного року настання страхової подiї.n (ˆ γ ). що рiвнiсть γk = ESi. γˆn ).8. . що Cape Cod метод також є формою розширеного МБФ.n−i + (ˆ γk − γˆn−i )ˆ αi .

. що AD CC AD ˆ ˆ дає S = S (π. . Нехай Si. а Ui – невiдома величина остаточних втрат в i роцi настання страхової подiї.10. Визначи∑n−k j=0 Zj. Адитивний метод Адитивний метод базується на припущеннi. γˆkM (π) = ∑l=0 n ˆM l=0 ζl (π) l=0 Прогнози накопичених збиткiв Si. . γn (π)). πi ζˆAD (π) МБФ та на припущеннi. 9. Розглянемо стохастичну модель: припускаємо. i + k ≥ n визначаються k ∑ AD (π) = Si. що iснують вектори π = πi κi виконується для будь-якого i = 0.k . πi – величину отриманих премiй в i роцi настання страхової подiї. n. Крiм того. . Метод Мака Метод базується на припущеннях розширеного (π0 . ∑ k ζ (π) де γk = ∑nl=0 ζll (π) .k (π) = Si. 1 ≤ i. πn ) i κ = (κ0 .k = Ci.k = xi yk . можемо вважати. κ ˆ iM (π) = ρˆMi (π) ζˆlM (π).k = xi zk . . k ≤ n позначають накопиченi збитки в i роцi настання страхової подiї та k роцi розвитку. Тодi Ri = Ui − Ci. що має мiсце рiвнiсть k ∑ ESi. Тодi Ci. l=0 Зауважимо.k – трикутник прогнозiв адитивного методу. . ми бачимо.n−i + πi ζl (π). що цей метод є частковим випадком розширеного МБФ.k M M Позначивши α ˆ i (π) = πi κ ˆ i (π). πn ) вiдомих показникiв обсягу i вектор ζ(π) = (ζ0 (π). Помилка прогнозу методу Борнхуеттера-Фергюсона Трохи змiнимо позначення для зручностi. Прогноз методу Борнхуеттера-Фергюсона визначається як: ˆ iBF = U ˆi (1 − zˆn+1−i ).n .n−i + πi Sˆi.n−i + (ˆ γkAD − γˆn−i )ˆ αiAD . n та i = 0. Оскiльки. j=0 πj Тодi прогнози адитивного методу для Si. а zˆk знаходились методом ланцюгових сходiв. ˆMj (π) l=0 l j=0 πj ρ ∑k ˆM n ∑ ζl (π) . що виконується рiвнiсть ECi.19) (π) πi κ ˆ iM (π). γˆ (π)). . . а Si. . Поклавши γˆkAD = i+k≥n ∑n та α ˆ iAD = πi l=0 ζˆlAD (π). можна показати α ˆ AD = α ˆ CC (π. i + k ≥ n за методом Мака визначають так: ) ( M M (9. 1 ≤ k ≤ n + 1.9. що γˆ M (π) = γˆ AD (ˆ αLD (ˆ γ AD (π))) та α ˆ M (π) = α ˆ AD (ˆ αLD (ˆ γ AD (π))).n+1 = Ui − Ci. В класичному варiантi методу qˆi брались з зовнiшньої iнформацiї. (π) = Si. . ζn (π)) такий. 1 ≤ i ≤ n. Нехай тепер Ci. що рiвнiсть αi = мо ∑n−i Zi. а zˆk ∈ [0. .прирiст збиткiв пiсля n року розвитку ( хвостовий розвиток).k = ESi.l ρˆMi = ∑n−il=0 .11. xk . .n+1−i – вiдомi поточнi збитки в i роцi настання страхової подiї. 9.k . + Si. . l=n−i+1 та нагадаємо формулу ζˆkAD (π) = як ∑n−k j=0 Zj. Можна показати. n. що еквiвалентно. . yk визначенi з точнiстю до сталого множника.k −Ci. Тодi вектор ζ(π) – модель розвитку для наростаючих рiвнiв збитковостi. адитивний метод також є розширеним МБФ.k M ˆ ζk = ∑n−k . – модель розвитку для часток накопичення. що iснує вектор π = (π0 .1 + . .k ∑n−k . яка очiкується бути вiдомою пiсля k року розвитку.n−i + γˆkM (π) − γˆn−i Sˆi.k . .n+1 ) = xi 127 ∑n+1 i=1 yi = 1. ESi.9. А отже. . . а вектор γ(π) = (γ0 (π). l=n−i+1 { } AD Позначимо через SˆAD = Sˆi. γˆ AD (π)).k−1 прирости збиткiв. .n+1−i – величина невiдомого справжнього резерву в i роцi. 1] – оцiнена частка остаточних збиткiв. або. Це дає . що EUi = E(Si. . . отримаємо ∑k ˆAD ζl (π) ∑l=0 n ˆAD (π) l=0 ζl AD AD Sˆi. .k = πi ζk (π) виконується для всiх k = 0. κn ) такi.k ζˆlAD (π). R де ˆi = πi qˆi U (ˆ qi – апрiорна оцiнка остаточного рiвня збитковостi). що рiвнiсть EZi.

k − U ˆi yˆk )2 Q= ˆi sˆ2 U i=1 k k=1 з обмеженням yˆ1 + · · · + yˆn = 1 − yˆn+1 . • R i i ˆi = EUi = xi . а отже. Аналогiчно. . де zk = y1 + . i=1 3. усi Si. що DSi. + yˆk∗ . . .k − U ˆi yˆk )2 1 .. Таким чином. Таким чином. . . Далi можна визначити sˆ ˜2k = n+1−k ∑ (Si. ˆi є оцiнкою для xi . U ˆn . .k = xi yk . . .s ∗ ∗ ∗ ˆ iBF = U ˆi (ˆ ˆi (1 − zˆn+1−i R yn+2−i + · · · + yˆn+1 )=U ).k = s2k xi . що xi може розглядатись як мiра об’єму для i року настання страхової подiї.k : 1. + yn+1 ) = xi (1 − zn+1−i ). . 1 ≤ k ≤ n + 1. що оцiнка x ˆi походить з цiноутворення i можемо вважати.s 1 . Як початковi наближення можна взяти yˆ ˜k = n+1−k ∑ Si. yk такi. . нам залишилось знайти оцiнки для yk та s2k . вiдповiдно. .k / i=1 n+1−k ∑ ˆi . + yk . . 1 ≤ i ≤ n. n+1 ∑ yi = 1.. що ми маємо мало спостережень для останнiх рокiв розвитку. . . . U i=1 але цi значення зазвичай не задовольняють обмеженню. що ESi.i показує. маємо такi припущення для Si. ∗ ∗ ˆ1 . . . де zˆk∗ = yˆ1∗ + . . Eˆ zk∗ = zk . . . Нехай ми отримали оцiнки ∗ ˆ2∗ ˆ∗n+1 . З цього легко отримати ERi = xi (yn+2−i + . Перейдемо до оцiнювання параметрiв моделi. Без подiбної iнформацiї. ˆ BF : Звiдси випливає незмiщенiсть оцiнок резервiв R i ∗ ˆ iBF = E(U ˆi )E(1 − zˆn+1−i ER ) = xi (1 − zn+1−i ) = ERi . мiнiмiзуючи n n+1−i ∑ ∑ (Si. У цьому випадку.. що U ˆ подальшому будемо писати Ui замiсть x ˆi . . . .1 + . 1 ≤ k ≤ n + 1. для iтеративної процедури спочатку розглянемо для визначеностi випадок. . . Перейдемо тепер безпосередньо до оцiнки похибки прогнозу. sˆ2n . 2. yn .k незалежнi. i zˆ1∗ . ми не можемо оцiнити залишкову (хвостову) частку yn+1 без додаткових припущень. Властивостi отриманих оцiнок є такими. 2 • Eˆ s2∗ k = sk .. • EU • Eˆ yk∗ = yk i. . . . i в Припускаємо. . . Тодi ми можемо отримати оцiнки зважених найменших квадратiв для y1 . ˆi n − k i=1 U 1 ≤ k ≤ n − 1. . ми можемо отримати оцiнку yˆn+1 шляхом екстраполяцiї з yˆ1 . Також DUi = D(Si. що очiкуванi резерви спiвпадають з оцiнкою Борнхуеттера-Фергюсона резерву. sˆ2∗ n .n+1 ) = xi (s21 + · · · + s2n+1 ) i DRi = xi (s2n+2−i + · · · + s2n+1 ). . iснують s2k такi. • yˆ1∗ . . yˆn+1 . Так як у нас нема спостережень пiсля n-го року розвитку. sˆ21 . . . 128 . . . yˆn+1 . Тому. + Si. iснують xi . ∗ • yˆ1∗ . а це означає. yˆn+1 попарно вiд’ємно корельованi. але також може бути отримана шляхом екстраполяцiї. zˆn+1 не залежать вiд U ˆ BF та R незалежнi. ми можемо скористатись зовнiшньою iнформацiєю зi схожих портфелiв. Для отримання правдоподiбних оцiнок може знадобитися згладжування. . yˆn (якi поки невiдомi). . Головна проблема в тому. коли у нас вже є оцiнки для yˆn+1 . оцiнка для s2n не може бути отримана з єдиного спостереження в n-му стовпцi. з яких ми оцiнюємо резерв МБФ: yˆ1∗ .

.n+1−i ). Також. . так само як i для σ(Ui ). X та Y . Si. можна використовувати формули: У випадку некорельованостi U ( )2 n ∑ ˆj U π i 2 ˆi )) = πj (σ(U − qˆ n − 1 j=1 πj та qˆ = n ∑ ˆj / U j=1 n ∑ πj . σp2 (R i i i ˆ BF та Тобто. що необхiдно буде перевiрити правдоподiˆ бнiсть цих оцiнок. цього не можна сказати про попередню. оцiнку резерву МБФ можна взяти незалежною вiд Si. + yˆn+1 ). оскiльки D(ˆ y1∗ + . .n+1−i . ∗ ∗ Але значення σ(ˆ yn+1 ) має бути визначено iз зовнiшньої iнформацiї. i скоригувати їх в разi необхiдностi. Iнакше вiдповiдним вибором буде σ(ˆ yn+1 )= ∗ ∗ 0.1 . (σ(ˆ yk+1 ))2 + . . + Dˆ Iз властивостей оцiнок видно. . . + ∗ ) = D(1) = 0.в.5ˆ yn+1 . . j=1 Тепер треба визначитись зi способом оцiнки ∗ ∗ ∗ ∗ ∗ D(1 − zˆn+1−i ) = Dˆ zn+1−i = D(ˆ y1∗ + . + (σ(ˆ yn+1 ))2 ). + yˆn+1−i остання сума збiльшується з кожним доданком. ∗ У будь-якому випадку матимемо σ(ˆ zn+1 ) = σ(1) = 0. + (σ(ˆ yk∗ ))2 . Остаточно отримуємо оцiнку для середньоквадратичної похибки прогнозу ˆ BF ) = U ˆi (ˆ ˆ 2 + (σ(U ˆi ))2 )(σ(ˆ ˆi ))2 (1 − zˆ∗ σ 2 (R s2∗ + · · · + sˆ2∗ ) + (U z∗ ))2 + (σ(U )2 . Як i U з переоцiнки бiзнесу (зовнiшньої iнформацiї). Стандартна помилка σ(U i ˆi . ˆj U j=1 1 ≤ k ≤ n. σp2 (R За припущень Ri = Si. σ(U ˆi ) краще за все отримувати тому що це iгноруватиме мiнливiсть Ci. . Si. .n+1 не залежить вiд Si. .n+2−i + · · · + DSi. .n−i . Dˆ yk+1 + . Для оцiнки похибки ˆ BF = U ˆi (1 − zˆ∗ R i n+1−i ) скористаємось загальною формулою DXY = (EX)2 DY + DXDY + (EY )2 DX для незалежних в. що можна замiнити D(ˆ y1∗ + . ми оцiнюємо Dˆ yk∗ . Загалом. . Зрозумiло. . . що в той час. Так як Тодi будемо замiнювати Dˆ zk∗ величиною min(Dˆ y1∗ + . . . . . Si.k / j=1  то n+1−k ∑ Dˆ yk∗ ≈ D  Sj. Але. Dˆ zn+1−i ˆi ) не може бути отримана з похибки σ(R ˆ BF (n−1) ) резервiв останнього року. яка має бути врахована. нам все ще необхiднi оцiнки для DU ∗ . . Таким чином. ∗ ∗ yn+1−i . + Dˆ yn+1 yˆk∗ ≈ yˆ˜k = n+1−k ∑ Sj. як ми вже маємо оцiнки для xi та zn+1−i . . ˆ1 . . 1 ≤ k ≤ n. + yˆn+1−i ) = D(ˆ yn+2−i + . . . . . . Маємо ∗ ∗ ˆi )Dˆ ˆi (1 − zˆn+1−i ˆ iBF = (x2i + DU DR zn+1−i + DU )2 . . яка буде оцiненою виразом ˆi (ˆ DRi = U s2∗ ˆ2∗ n+2−i + · · · + s n+1 ). . + Dˆ yk∗ . . Для похибки методу маємо: DRi = DSi. . . j=1  s2k xj  = ∑n+1−k j=1 j=1 xj . U ˆn . ˆi i Зауважимо.n+1−i .n+1 = xi (s2n+2−i + · · · + s2n+1 ).ˆ i визначається як Середньоквадратична похибка прогнозу будь-якої оцiнки резерву R ˆ i ) = E((R ˆ i − Ri )2 |Si.k / j=1 n+1−k ∑ n+1−k ∑ xj . . p i n+2−i n+1 i n+1−i n+1−i У випадку необхiдностi перевiрити значимiсть вiдмiнностi мiж рiзними оцiнками або для побудови довiрчого 129 . yˆn+1 ∗ ∗ ). наша оцiнка для Dˆ zk буде такою: ∗ ∗ (σ(ˆ zk∗ ))2 = min((σ(ˆ y1∗ ))2 + . тодi як ) на Dˆ y1∗ + . Тодi ми маємо ˆ BF ) = E(R ˆ BF − Ri )2 = D(R ˆ iBF − Ri ) + (ER ˆ iBF − ERi )2 = DR ˆ BF + DRi . як sˆ2∗ k Dˆ yk∗ = ∑n+1−k .1 . . .1 . середньоквадратична похибка прогнозу є сумою середньоквадратичної похибки оцiнки DR i похибки методу DRi .n+2−i + · · · + Si.

. Z} незалежнi. вiн запропонував взяти c = zk й оцiнювати резерви як RGB = RBF Upk /U0 . тодi фiнальна оцiнка остаточних позовiв U BF = Ck + RBF . що RGB = qk Upk та Upk = zk U CL + qk U0 = Ck + RBF = U BF . 130 . ˆ1∗ ≤ · · · ≤ zˆn+1 ij = 1+|i−j| та ρij = zˆ∗ (1−ˆ z∗ ) . що метод БФ повнiстю iгнорує iнформацiю про поточнi збитки в даному портфелi. cov(R i<j ∗ ∗ ∗ ∗ ˆ iBF . ˆ BF = R ˆ BF + · · · + R ˆ nBF . R ˆ BF . Вибiр оптимальної оцiнки резерву Для спрощення позначень розглянемо один рiк настання страхової подiї. σp2 (R Для DR маємо оцiнку (внаслiдок незалежностi рокiв): DR = n ∑ ˆi (ˆ U s2∗ ˆ2∗ n+2−i + · · · + s n+1 ). ∗ ∗ ˆ BF )/U ˆi ≈ σ(ˆ ˆ BF )/U ˆi ≈ Аналiз даної формули показує. в той час як у методi ЛС вважається. zn+1−j EU n+1−i Dˆ √ √ ∗ ∗ ∗ ∗ ˆi . . i=1 Оцiнка для DR BF ˆ BF . cov(R i<j Для ∗ ∗ ˆ iBF . cov(R ˆn+1−i )E(1 − zˆn+1−j ) + ρzij σ(ˆ zn+1−i )σ(ˆ zn+1−j )EU ij σ(Ui )σ(Uj )E(1 − z 9. Тому Берктандер в 1976 роцi запропонував замiнити апрiорне U0 на довiрчу сумiш Uc = cU CL + (1 − c)U0 . де в. R ˆ jBF ). Оскiльки фактор довiри c має зростати з розвитком збиткiв. U )) використаємо загальну формулу cov(XY. де i < j. Його Для загального резерву R = R1 + · · · + Rn ми маємо незмiщену оцiнку R 1 середньоквадратична похибка прогнозу ˆ BF ) = DR ˆ BF + DR. i σ(R i i ∗ ˆi )/U ˆi при zˆ σ(U n+1−i близьких до 0. що цi методи представляють двi крайнi позицiї. R ˆ jBF ) = cov(U ˆi (1 − zˆn+1−i ˆj (1 − zˆn+1−j cov(R ). Якщо в нас немає можливостi оцiнити цi √1 або коефiцiєнти за допомогою наявних даних. На кiнець фiксованого року розвитку k < n резерв Борнхуеттера-Фергюсона такий: RBF = (1 − zk )U0 = qk U0 . Помiтимо. У методi ЛС ми мали Ck U CL = та RCL = U CL − Ck . W Z) = cov(X. R ˆ jBF ). Зазначимо. де коефiцiєнти кореляцiї ρzij = cov(1 − zˆn+1−i .iнтервалу для EUi достатньо помилки оцiнювання ∗ ∗ ˆ iBF ))2 = (U ˆi2 + (σ(U ˆi ))2 )(σ(ˆ ˆi ))2 (1 − zˆn+1−i (σ(R zn+1−i ))2 + (σ(U )2 . U )) = ρU DU )E(1 − zˆn+1−j ) + +ρzij Dˆ z∗ ij ∗ ˆ i EU ˆj . zk Помiтимо. можна сказати. Нехай Ck – величина оплачених позовiв.в. W )cov(Y. W )EY EZ + cov(X. W } та {Y. що поточнi збитки є цiлком достовiрними для прогнозування та iгноруються очiкуванi остаточнi збитки. 1 − zˆn+1−j )/ Dˆ zn+1−i Dˆ zn+1−j та ρU = cov( U ij Тепер нам потрiбно лише оцiнити цi коефiцiєнти кореляцiї. Таким чином. де U0 – очiкувана остаточна величини позовiв. U ˆj )/ DU ˆi DU ˆj . Маємо бiльш складна внаслiдок корельованостi величин R n 1 ˆ BF = DR n ∑ ˆ iBF + 2 DR i=1 ∑ ˆ iBF . Z) + EXEW cov(Y. R ˆ jBF ) = ρU ˆ ˆ ˆ i EU ˆj . {X. оскiльки вiн має нижчий порядок i отримаємо √ √ ∗ ∗ ∗ ∗ ˆi (1 − zˆn+1−i ˆj (1 − zˆn+1−j ˆ i DU ˆj E(1 − zˆn+1−i cov(U ). то можна використовувати наступнi апроксимацiї: ρU ij = n √ ∗ ∗ z ˆ (1−ˆ z ) n+1−j n+1−i 1 z ∗ ρU . Ми опустимо середнiй член.12. Z). z n+1−i n+1−j Остаточно маємо ˆ BF ))2 = (σ(R n ∑ ˆ iBF ))2 + 2 (σ(R i=1 де ∑ ˆ iBF . що σ(R zn+1−i ) при zˆn+1−i близьких до 1. . . що RCL = qk U CL .

qk DCk + zk2 DU0 Доведення. m ≥ 0 дає довiрчi сумiшi U (m) = (1 − qkm )U CL + qkm U0 i R(m) = (1 − qkm )RCL + qkm RBF мiж резервами БФ i ЛС. E(Rc − R)2 = E(c(RCL − RBF ) + RBF − R)2 = c2 E(RCL − RBF )2 − 2cE((RCL − RBF )(R − RBF )) + E(RBF − R)2 . Наступна модель є трохи вдосконаленим визначення моделi розвитку: 1. qk D(Ck − zk U0 ) qk DCk + zk2 DU0 Тут використано ECk = zk EU0 . RBF i RGB використовуватимемо середньоквадратичну похибку σ 2 (Rc ) = E(Rc − R)2 як критерiй точностi оцiнки резерву Rc . Але резерв Ховiнена REH = zk qk U CL + (1 − zk )qk U0 = qk Upk = RGB . Це означає. E ( Ck . що є наслiдком моделi.7. R − qk U0 ) zk cov(Ck . U . Можна довести. Обчислимо U GB = Ck + RGB = (1 − qk2 )U CL + qk2 U0 = U1−qk2 . R). яка отримується зi звичайної процедури БорнхуеттераФергюсона. Ховiнен у 1981 роцi застосував довiрчу сумiш безпосередньо до резервiв. Тому цей метод iнодi називають повторним методом Борнхуеттера-Фергюсона. що U0 оцiнена незалежно вiд Ck . якi починаються з резерву БФ i прямують до резерву методу ЛС при m → ∞. R) + zk qk DU0 = . Оптимальний фактор довiри c∗ . R та має математичне сподiвання EU0 = EU i дисперсiю DU0 . Так як Rc є лiнiйною по c. нам потрiбна модель для DCk i Cov(Ck . Надалi ми вважаємо. який мiнiмiзує середньоквадратичну похибку σ 2 (Rc )знаходиться за формулою: zk cov(Ck . Тодi 0= ∂ E(Rc − R)2 = 2cE(RCL − RBF )2 − 2E((RCL − RBF )(R − RBF )) ⇒ ∂c c∗ = E((RCL − RBF )(R − RBF )) zk E((Ck − zk U0 )(R − qk U0 )) = CL BF 2 E(R − R ) qk E(Ck − zk U0 )2 zk cov(Ck − zk U0 . тобто запропонував оцiнку резерву REH = cRCL + (1 − c)RBF =: Rc також з c = zk . (m+1) Теорема 9. то σ 2 (Rc ) досягає мiнiмуму. = Для знаходження c∗ . Для порiвняння RCL . R) + zk qk DU0 c∗ = . що для довiльної початкової точки U (??) = U0 iтерацiйне правило R(m) = qk U (m) i U = Ck + R(m) .тобто RGB = qk U BF . що резерв Бенктандера RGB отримується застосуванням методу БФ на другому кроцi до апостерiорної остаточної величини позовiв U BF .

) .

U ( . U = zk .

D CUk . ) 2.

U ) = zk DU . де . З припущень 1). U = zk qk β 2 (U ). R) = cov(Ck . DU0 + DU − Eα2 (U ) 131 zk zk +t . cov(Ck . cov(Ck . U ) + DCk = DU (1 − 2zk + zk2 ) + zk qk Eα2 (U ) = qk Eα2 (U ) + qk2 (DU − Eα2 (U )) Пiдставивши усi цi вирази маємо. U ) = cov(E( Ck | U ). E (Ck ) = zk EU . DCk = zk qk Eα2 (U ) + zk2 DU = zk Eα2 (U ) + zk2 (DU − Eα2 (U )). D ( Ck | U ) = zk qk α2 (U ). що оптимальний фактор довiри c∗ = t= Eα2 (U ) . 2) та з α2 (U ) = U 2 β 2 (U )маємо такi спiввiдношення: E ( Ck | U ) = zk U . U ) − DCk = zk qk (DU − Eα2 (U )). ER = EU − ECk = qk EU DR = DU − 2cov(Ck .

Теорема 9. З цiєї теореми маємо σ 2 (RBF ) < σ 2 (RCL ) ⇔ zk < t. а з цього i маємо потрiбне твердження. Доведення. σ 2 (RCL ) = E(α2 (U )) . За припущень 1). 2 CL 132 . σ 2 (RBF ) = E(RBF − R)2 = D(R BF − R) = DR BF + DR = qk2 DU0 + qk2 (DU ( ) qk2 − Eα (U )) + qk Eα (U ) = Eα (U ) qk + . t 2 2 2 σ 2 (RCL ) = E(RCL − R)2 = D(RCL − R) = DRCL − 2cov(RCL . σ 2 (Rc ) = E(cRCL + (1 − c)RBF − R)2 = E(c(RCL − R) + (1 − c)(RBF − R))2 = c2 σ 2 (RCL ) + 2c(1 − c)E((RCL − R)(RBF − R)) + (1 − c)2 σ 2 (RBF )E((RCL − R)(RBF − R)) = cov(RCL − R. t zk ( 2 2 σ (Rc ) = E(α (U )) c2 1 (1 − c)2 + + zk qk t ) qk2 . R)/zk + DR = E(α2 (U ))qk /zk . RBF − R) = −cov(RCL . R)/zk = qk Eα2 (U ). R) + DR = qk2 DCk /zk2 − 2qk cov(Ck . R) + DR = DR − qk cov(Ck . σ 2 (RGB ) < σ 2 (RBF ) ⇔ t < 2 − zk . 2) мають мiсце рiвностi ( qk ) qk σ 2 (RBF ) = E(α2 (U ))qk 1 + .8. σ 2 (RGB ) < σ (R ) ⇔ t > zk qk /(1 + zk ).

Якщо вiн мiстить випадковi елементи. 12. Xt −Xs i Xu −Xv є незалежними для будь-яких s < t ≤ v < u. Процеси Основна вiдмiннiсть мiж цим роздiлом i попереднiми полягає в тому. Розв’язання.о. Розподiли iндивiдуальних втрат можуть бути однаковими. де St0 = S0 = 0. .1. спостерiгаючи за приростами процесу. Xj н.  133 . Приклад 10. якi спостерiгають у рiзний час. Вкажiть. i кожен Xj має складний розподiл.  Як правило. що не перетинається з ним.Роздiл 10 Процеси ризику в страхуваннi 10. Цей процес має стацiонарнi прирости.2. Тодi загальний процес втрат матиме вигляд St = X1 + X2 + · · · + Xt . 1.1. Розв’язання. б). Iншими словами. . промiжку. є корельованими. оскiльки прирiст St − Ss = Xs+1 + Xs+2 + · · · + Xt залежить тiльки вiд кiлькостi Xj . просто записуючи значення Xt у цiлi моменти часу. 12. якщо в. якщо вiн не дуже змiнюється упродовж часу. Нехай Wj = Stj − Stj−1 . . Припустимо для простоти. .р.. Нехай X1 . }. кварталу або року. . . (приклад 6. оскiльки в багатьох процесiв значення. Тому доцiльно буде розглядати такий вид процесiв.1 для описання цього процесу. у який момент часу вони вiдбувалися. . 2 . мiсяця. . легше описати процес. веде не постiйний монiторинг їхнього стану. вiдображають загальнi втрати за кожен перiод. позначатимемо {Xt .1.1. що процес має незалежнi прирости. що загалом недостатньо вказати лише розподiл Xt для довiльного t. що t1 < · · · < tn . наприклад. t = 0. Кажуть.в. яка дорiвнює t − s. Дискретний процес може бути отриманим iз неперервного процесу. неперервний у часi. Процес. Приклад такого процесу зображено на рис.в. . Дискретний процес позначають через {Хt . як розвивається портфель упродовж часу. X2 . Якщо вiн мiстить випадковi елементи. Нехай {St . а). Приклад реалiзацiї цього процесу (яку називають траєкторiєю) наведено на рис. . коли розподiл частот має середнє. то для визначення процесу досить вказати сумiсний розподiл (Xt1 . як можна використати модель колективного ризику з роздiлу 3. Кажуть. незалежними приростами. . Ця властивiсть означає. St St 1500 1500 1000 1000 500 500 5 10 15 t a) 5 10 15 t б) Рис. Приклад 10. Xtn ) для всiх t1 . що процес має стацiонарнi прирости. причому в. досить вказати сумiсний розподiл (Xt1 . . . ви не можете сказати. Ця властивiсть вказує на те. заданими моделлю колективного ризику. що прирости процесу в одному промiжку часу не залежать вiд приростiв процесу в iншому. якщо розподiл Xt − Xs залежить лише вiд рiзницi t − s. Процес загальних втрат St : а) неперервний. б) дискретний Бiльшiсть органiзацiй. що прирости не залежать вiд конкретного моменту часу. що пропорцiйне тривалостi перiоду tj − tj−1 . У цьому роздiлi всi процеси з дискретним часом вимiрюватимуть в кiнцi кожного перiоду спостереження.1 продовження) Перетворiть процес у дискретний час зi стацiонарними. Нехай Wj незалежно розподiленi з розподiлами. Xtn ) для цiлих ti та всiх n. . t ≥ 0} – загальнi втрати вiд часу вiд 0 до t. tn i всiх n. . t ≥ 0}. . 12. . Зауважимо. що тепер нас цiкавить.

I хоча б нам хотiлося. що кiлькiсть втрат за будь-який перiод має розподiл Пуассона iз середнiм. Залежнiсть Wt вiд Ut−1 дозволяє виплачувати дивiденди вiдповiдно до залишку на кiнець попереднього року (бо Wt залежить вiд Pt ). Видiлимо з наведених визначень два промiжнi випадки. t = 1. t ≥ 0} – це процес втрат. Сформулюємо таке визначення. може призвести до зниження поточної премiї. t ≥ 0} – це процес надходження премiй.2) У цьому випадку нашому портфелю необхiдно не набувати вiд’ємних значень протягом τ перiодiв (як правило. . Нас цiкавитеме процес залишкiв {Ut . . яка ґрунтується на помiрних втратах минулих рокiв..2. . . Нехай {Nt . Тодi St = X1 +X2 +· · ·+XNt . X2 . Тепер розглянемо два особливих випадки процесу залишкiв. що 1) Pt може вiдображати записанi або заробленi премiї.10. тому що треба визначити сумiсний розподiл у будь-який момент часу.3. який записує кiлькiсть позовiв на момент часу t.2. Wt . . складається з однаково розподiлених в. рокiв). Можливо. Зауважимо. тодi St матиме складний розподiл. Ми починаємо в нульовий момент часу з початковим залишком (капiталом) u = U0 . Одна iз моделей. t ≥ 0} – пуассонiвський процес. Модель iз дискретним часом Нехай прирiст у процесi залишкiв за t-ий рiк визначено так: Wt = Pt − Pt−1 − St + St−1 . . 2.2. величина дивiдендiв. Обидвi вимоги: неперевне перевiряння та “вiчнiсть” портфелю є нереалiстичними. .1) Тут ми постiйно перевiряємо залишок i вимагаємо. . Iз цього представлення вiдносно легко дiзнатися про розподiл {Ut . . кiлька параграфiв iз цього роздiлу буде присвячено їх аналiзуванню.2. який пiдраховує величину всiх премiй (за вирахуванням витрат). Оскiльки цi моделi є важчими для розрахункiв. i вони не залежать вiд усiх Nt . проiлюстрували модель. 2. хоч це й необов’язково мусить бути так. Цей процес докладно розглянуто в роздiлi 5. (1) Iмовiрнiсть виживання для неперевного часу й нескiнченого горизонту визначають так: ϕ(u) = P(Ut ≥ 0 для всiх t ≥ 0|U0 = u). Досить зараз вiдзначити. iмовiрнiше. його дискретний варiант {Ut . . 1. хоча й не обов’язково.в. (10. . 10. що випадкова величина Wt не залежить вiд iнших в. Iмовiрнiсть виживання може бути визначена чотирма рiзними способами. а залежить лише вiд Ut−1 . t ≥ 0} – процес вимог. На практицi. пропорцiйним тривалостi перiоду часу. t = 1. який пiдраховує всi витрати.2. t = 0. t ≥ 0} (або. . 1. 2) St може вiдображати сплаченi або заявленi збитки. чи здатна така модель робити прогноз на нескiнченнiсть. що залишається в портфелi на момент часу t. t = 0. Наприклад. Модель у страхуваннi Вищенаведенi приклади вже. Неперервна модель У бiльшостi випадкiв дуже важко аналiзувати неперервнi моделi. загалом. . 10. можливо. (10. ϕ(u. як ˜ τ ) = P(Ut ≥ 0 для всiх t = 0. .1. де {Pt . 1. . яка була добре проаналiзована – складний процес Пуассона надходження вимог.в. 134 . 2. . у якому премiї надходять зi сталою неперервною невипадковою iнтенсивнiстю Pt = (1 + θ)E(S1 )t i загальним процесом втрат St = X1 + X2 + · · · + XNt . . τ |U0 = u). } за умови. сплаченi на момент t. прирости перевiрятимуть у регулярнi моменти часу. Якщо послiдовнiсть X1 . Тодi залишки можна подати у виглядi Ut = Ut−1 + Wt . 2. який вимiрює величину. 3) Pt може залежати вiд Su при u < t. Банкрутство Основна мета побудови моделi процесу є оцiнка виживання портфеля з плином часу. . }. i ми робимо перевiрку лише в кiнцi кожного перiоду. . вiдокремити частотну компоненту St . а не лише для скiнченної множини моментiв. яку ми будемо використовувати для страхового процесу. . Залишок в момент часу t становить Ut = U0 + Pt − St . . щоб портфель “жив вiчно”. але постає запитання. (2) Iмовiрнiсть виживання для дискретного часу i скiнченного горизонту визначають. щоб портфель завжди був платоспроможним. зiбраних до моменту t i {St . де {Nt . 10.

(10. τ ) ≥ ϕ(u). Ця особливiсть робить {Ut .6) Wt = ∗ Wt . Процеси з дискретним часом Нехай Pt – це премiї. Спершу визначимо { ∗ <0 0. 16 ˜ 2) = 0. розглянемо другий процес який визначається наступним чином. Додамо одне узагальнення. 10. а St – виплати. ϕ(u. Нехай Ct будуть будь-якими iншими грошовими потоками. не передбачено. . τ ) = P(Ut ) ≥ 0 для всiх 0 ≤ t ≤ τ |U0 = u). Зазначимо. Ймовiрнiсть банкрутства в дискретному скiнченому часi 10. ≥ ϕ(u) i ˜ τ ) ≥ ϕ(u.1. У кожному роцi. та граничнi переходи: lim ϕ(u. 24 0. продовжуючи для U2 процес у випадках 3 i 4. . 36 0. . . якi наведено в таблицi нижче. .6 i 0.3. В цьому випадку ймовiрнiсть виживання для скiнченного горизонту дорiвнює ˜ τ ) = P(U ∗ ≥ 0).6 i 0. здiйсненi протягом цього перiоду. що за даного значення Ut−1 в. є чотири можливi шляхи розвитку подiй цього процесу. як ϕ(u.i фiксованою щорiчною премiєю 3.3. U1 може набувати тiльки двох значень: 5 i −1 з iмовiрностями 0.4 вiдповiдно. 60. зiбранi за t-ий перiод часу. Нiяких iнших грошових потокiв в цьому прикладi ˜ 2). (10. 36 + 0. Розв’язання.6 i 0.1. отримаємо значення 2 i −4. ϕ(u. 1. Для оцiнки ймовiрностi банкрутства. ∗ де новий процес стартує з U0 = u. Але наш процес не може вiдновитися пiсля банкрутства. Найважливiшим є грошовий потiк доходу вiд iнвестування залишку. } маркiвським процесом. . Випадок 1 2 3 4 U1 5 5 −1 −1 W2 3 −3 3 −3 W2∗ 3 −3 0 0 U2∗ 8 2 −1 −1 Ймовiрнiсть 0. визначимо ймовiрнiсть банкрутства. 2. τ ) = ϕ(u) τ →∞ i ˜ τ ) = ϕ(u). що мають мiсце такi нерiвностi: ˜ τ ) ≥ ϕ(u) ˜ ϕ(u. t = 1. |U0 = u).4.3) (4) а ймовiрнiсть виживання для дискретного часу й нескiнченного горизонту – як ˜ ϕ(u) = P(Ut ≥ 0 для всiх t = 0.4. Ut−1 ≥ 0 i ∗ (10.в. а тому в третьому випадку має зберiгатися вiд’ємне значення. ˜ lim ϕ(u. Iмовiрнiсть банкрутства в неперервному часi з нескiнченним горизонтом визначають. Wt набуває значень 3 i −3 з iмовiрностями 0. а також витратами 0 або 6 з iмовiрнiстю 0. що. τ ∗ Пiсля цього досить перевiрити Ut в момент часу τ . Приклад 10. Визначити ϕ(2.  135 . 24 0.5) j=1 Останнє припущення полягає в тому. Для 2-го року. Розглянемо процес з початковим залишком 2. τ →∞ Нарештi. ϕ(2. Наступний приклад iлюструє це. нiж збирання страхових премiй i виплачування збиткiв. 24 = 0. Ut−1 ∗ (10. Отже.(3) Iмовiрнiсть виживання для неперевного часу i скiнченного горизонту визначають. оскiльки в разi банкрутства йому не дозволяють набути невiд’ємних значень. Iншi три ймовiрностi банкрутства визначають i записують аналогiчно. а не вiд будь-якого iншого попереднього стану процесу.7) Ut∗ = Ut−1 + Wt∗ . Тодi залишок на кiнець кожного перiоду має вигляд Ut = u + t ∑ (Pj + Cj − Sj ) = Ut−1 + Pt + Ct − St (10.4) Очевидно. Wt = Pt + Ct − St залежить лише вiд Ut−1 .3. як ψ(u) = 1 − ϕ(u). наявного на початку кожного перiоду.

у будь-який рiк. 0 но в таблицi 6. треба не лише починати рiк. Для дуже складних моделей (наприклад. i знижка 0. Ми припустили.1 k 1 2 3 4 w1. що знижку не може бути застосовано до премiї в наступному роцi.k . Тепер можна обчислити ймовiрностi Ut∗ через згортку. доступного на початку року. 2. а й знати.4. ∗ де uj ≥ 0 для всiх j. оскiльки виплати здiйснюють в кiнцi кожного року. виписанi лiки. 5. який завжди доступний – це моделювання. 10. Спершу визначимо ˜ t) = ψ(u. для медичного страхування.1. n ∑ P(uj ) + Wt < 0|Ut−1 )∗ = uj )fj j=1 ˜ t − 1) + = ψ(u. un є максимальним можливим значенням Ut−1 . ˜ t − 1) + P(Ut−1 )∗ ≥ 0 та Ut−1 )∗ + Wt < 0) ψ(u. Метод згорток Для практичного застосування цього методу розподiл всiх в. Вiдсоткову прибуток у 10% отримують вiд будь-якого залишку. яке включає госпiталiзацiю. що початковий залишок дорiвнює 2.k fj . 0. Насамперед зауважимо. Тодi ймовiрнiсть банкрутства ˜ t − 1) = P(U ∗ < 0). . = n ∑ ∗ P(Ut∗ = x) = P(Ut∗ ≥ 0 та Ut−1 + Wt = x ∗ ∗ ∗ ∗ P(Ut−1 ≥ 0 та Ut−1 + Wt = x|Ut−1 = uj )P(Ut−1 = uj ) j=1 = n ∑ ∗ P(uj + Wt = x|Ut−1 = uj )fj j=1 n ∑ ∑ gj.k |Ut−1 = uj ). Далi припустимо. можна змоделювати i процес залишкiв. w i g для прикладу 10.4. j=1 wj. знаючи величину залишку. Приклад 10.k <−uj Тодi. ˜ t − 1) + = ψ(u. Можливi значення w1.5.1 разом з iмовiрностями. наведеУ нульовий момент часу ψ(2. 05 136 g1.7).1. як може бути змодельований сумарний розподiл витрат. 45 (на залишок пiсля збору премiї). ˜ 0) = 0 i f1 = P(U ∗ = 2) = 1. Для простоти позначень. Припустимо. використовуючи (10.10.5 збирають на початку кожного року. а також i випадкову iнфляцiю. 4 0.в. 0. .k fj .2 i 0. 1 . вiдсоткiв 0. то повиннi бути побудованi деякi дискретнi наближення. оскiльки для цього. . виплати рiвнi 0.k 0. Нехай gj. Для бiльш скромних налаштувань iншi два методи дають гарнi результати. 2. Обчислення ймовiрностi банкрутства Iснують три способи для обчислення ймовiрностi банкрутства.1 отримано на основi премiї 2.k = P(Wt = wj.k +uj =x Розглянемо такий приклад. Визначити ймовiрнiсть виживання в кiнцi кожного з перших двох рокiв. вiдсотковi ставки та рiвнi утилiзацiї). що ми отримали закон ∗ розподiлу Ut−1 . що щорiчнi втрати можуть набувати значень 0.1. нараховують знижку в розмiрi 0. n ∑ ∗ = uj ) P(Ut−1 )∗ + Wt < 0|Ut−1 )∗ = uj )P(Ut−1 j=1 ˜ t − 1) + = ψ(u. n ∑ ∑ gj. n. 45 0. а премiю завбiльшки 2. 05 −3. такий шлях може виявитися єдиним. у якому немає втрат.1 вiдповiдно. вiдвiдування пацiєнтiв. Один iз способiв.4. . Якщо це не так.5. Розв’язання. j=1 wj. 2 0.k 2. 95 −1. j = 1. значення w1. 3 0. припустимо.4. Залишимо вiдкритою можливiсть того. Таблиця 6. t−1 а розподiл невiд’ємних залишкiв ∗ fj = P(Ut−1 = uj ).6)–(10. ψ(u. Наприклад. що значення Wt можуть залежати вiд uj .4. має бути дискретним зi скiнченним носiєм. Обчислення робляться рекурсивно. Крiм того.3. 4 i 6 з iмовiрностями 0. Так само. що для кожного ∗ ∗ додатного значення Ut−1 розподiл Wt вiдомий. чи буде знижку нараховано.

∗∗ ∗∗ 1. Ut∗∗ . 2.k . Тодi φ3. Неважко бачити. менше за u1 = −2. що в. 1. незалежнi. 145. 2 0.k . 1. решта 0. Використовуючи iнверсiю (обернене перетворення Фур’є). 19.2. зауважимо. Таблиця 6. 205. ннями. 995 3.  10. що процес обчислення згортки зводиться до кiлькох операцiй множення. а тому Для оцiнки ψ(2. 1) = 0.4. У таблицi 6.3 записано значення uj + wj. 12 0. 0. 0. 2 3. 295. 2 0. 005. k та gj. 495. U1∗ для прикладу 10. 1) = 0. 0. ˜ ψ(2. 3 0. 645 7.4 u для прикладу 10. це w1. Повторнi значення для wi. 4 5. 295 3. 08 0. тому найкраще. Використаємо iнший пiдхiд для вiдстеження банкрутства (ранiше було використано заморожування величини Ut∗ пiсля банкруства). 1 Сумiсна ймовiрнiсть для будь-якої клiтинки є добутком fj з вiдповiдного рядка на ймовiрнiсть ˜ 1) дає ймовiрнiсть для всiх клiтинок таблицi з вiд’ємними значеу цiй клiтинцi.˜ 1).k вiдсутнi. це впорядкувати значення i перепозначити їх як новi uj на початку третього року. що єдине значення w1.t (z) · φ2. Це справедливо за умови. 4 2 1. 4 7. 81 – доповнення до ψ(2. Їх наведено в таблицi 6. 1 1. Визначають φ2.1 j uj fj 1 2 3 4 5 6 7 8 9 1. 95 2.2. яка мiстить усi комбiнацiї uj i wj. якi наведено в таблицi 6. 645.k . 16 ˜ 2).4. що єдине значення . 2(0.4. 3(0. дорiвнює 2 + w1. 2 4 −2. 0. тобто e 2) = 0.k . 04 0. 45 fj 0. Звiдси отримуємо значення розподiлу U1∗ . перерозподiляють серед невiд’ємних залишкiв. 3 3. 4 Остання ймовiрнiсть дорiвнює P(U1∗ = −1. Тодi ft (u) = ft (u)/(1 − rt ) при u ≥ 0 – щiльнiсть в. 45 fj 0. 795. 95 4. 06 0. 2) + 0. 2 1.в. 795 1. 645. У нашому випадку це означає. 0.4. 205. ψ(2. За визначенням. 4 1 3. 0. 12 0. Послiдовний аналiз має такий вигляд. визначають щiльнiсть f1 (u) суми Ut−1 + Wt . Визначають φ1. 995. Таблиця 6. ∗∗ 5. 06 0. 995 5. вiдповiдає подiї U2∗ < 0. 0. 145 0.t (z) = E(eizUt−1 ) – характеристичну функцiю Ut−1 .t (z) = φ1.4.в. 695 3. Один iз способiв подання другого року є побудова таблицi. що значення Wt не залежить вiд Ut−1 . 09 0. що можна зробити. 0. 137 . Таблиця 6. ∗∗ 3. Метод iнверсiї Однiєю iз сильних сторiн методу iнверсiї є те. 645. 3 5. 0. 08 0. що вiдповiдають банкрутству. 0. 3 0. 95 2. 3 3 −0. 19 Сума всiх iмовiрностей становить 0. 495 5. Додавання до ψ(2.1 j 1 2 3 uj 0. 645 1.t (z) = E(eizWt ) – характеристичну функцiю Wt . Цей пiдхiд також може бути застосований i до методу згортки. 0. яке матиме додатну ймовiрнiсть. 995. 0. 95 4.1 j 1 2 3 uj 0. В кiнцi кожного перiоду всi ймовiрностi. Нехай Ut∗∗ i Ut визначенi при Ut ≥ 0.t (z) – це характеристична функцiя суми Ut−1 + W t. 05) = 0.2. Позначимо через rt = P(Ut−1 + W t < 0) iмовiрнiсть банкрутства в момент часу t за умови виживання в ∗∗ момент часу t − 1. 1) + 0. ∗∗ 4.4 . 2(0.3 u + w та g для прикладу 10. 1 + 0. 1 −0.

Оскiльки 9/90 = 1/10 ймовiрнiсть пов’язана з вiд’ємними значеннями i тодi e 2) = 0.5 0. ми можемо переконатися.4.6 щiльнiсть Wt для прикладу 6. ˜ t − 1) + rt [1 − ψ(u. були не вiд’ємними. що 8 значень не можуть бути прийнятi процесом. 138 . Вiн наведений в таблицi 6. важко аналiзувати.7 e 1) = 0.5 -1. Слiд зазначити.протягом усiх рокiв наведена в таблицi 6. що щiльнiсть розподiлу U1 можна отримати безпосередньо з рiвностi U1 = u + W1 .10. ми почнемо розглядати iнтервали.5 0.5 2. Оскiльки цi моделi.2 i 0.4 Таблиця 6.3 0. легко отримати розподiл U1 .˜ t) = ψ(u. який наведений в таблицi 6.6 u P r(U1∗∗ + W2 = u) P r(U1∗∗ = u) -3 -1 1 3 5 7 2/90 7 /90 16 /90 25 /90 24 /90 16 /90 0 0 16/81 25/81 24/81 16/81 10.2 0. У цьому роздiлi ми розглянемо процес Пуассона i неперервний пiдхiд до обчислення ймовiрностi банкрутства. 4 або 6 з ймовiрностями 0. Позначимо ймовiрнiсть банкрутства протягом перших двох рокiв з використанням перетворення Фур’є (FFT).5 0.10.5 2. У таблицi 6. У неперервному випадку знаходимо.8 Для того. ˜ t − 1)]. що FFT i iнверсiя роблять те що нам необхiдно. що ймовiрностi в останньому стовпчику змiщенi на 7.5 4. Премiї в розмiрi 2.5 2. Цього можна досягти шляхом додавання 3. що точнi аналiтичнi розв’язки можуть бути отриманi в часткових випадках – наближеннями.1 вiдповiдно. 0. що зсув U1∗∗ + W2 буде приймати значення вiд 0 до 14 з кроком 2. Приклад 10.10 розподiл залишкiв пiсля 2-ох рокiв для прикладу 6. Фактичний розподiл суми наведений в таблицi 6.6 При початковому значенi 2.1 0. 1 i розподiл U ∗∗ . можна помiтити.3.7 щiльнiсть U1 для прикладу 6. а верхня межа може бути обчислена у багатьох ситуацiях.5 надходять на початку року.9 четверта i п’ята колонки зображають FFT вiд двох вхiдних змiнних. 0.5 4. Таблиця 6.4. в якої розглядаються залишки неперервно протягом часу на якому визначений процес.8 щiльнiсть U1∗∗ для прикладу 6.5 2/9 3 /9 4 /9 Таблиця 6. Умовний розподiл U ∗∗ наведений в таблицi 6. Iмовiрнiсть банкрутства в момент часу t дорiвнює ψ(u. Вони слiдують з добутку двох характеристичних функцiй.5 0. щоб Це дає змогу записати оцiнку ψ(2. 6.3 0. Неперервна модель У цiй частинi глави ми повернемося до моделi. 2. необхiдно щоб всi суми. як правило. Щiльнiсть Wt . i початкове значення 2. в цьому випадку ми мали тривiальнi перетворення для згортки.9. Передбачаючи. 19. 1 + 0.9(0.6 u P r(U1 = u) -1.4 Зсуви розподiлу наведенi у другiй i третiй колонках таблицi 6. Звичайно.5. на яких кiлькiсть виплат має розподiл Пуассона.6 u P r(U1∗∗ = u) 0. ψ(2. 2 Таблиця 6. 1 FFT працював в простiй формi. Остання колонка у таблицi щiльнiсть. 1) = 0.2 0. Зауважимо. таким чином. Сукупнi витрати на один рiк складають 0.6 w P r(W = u) -3.2.1 0.5 до кожної змiнної.

коли Nt = 0 i St = j=1 Xj . Графiк на рис. вiдображає лiву i праву частини (10.о. з рiвностi (10.2. x > 0. Зауважимо. звiдки випливає. (10. якщо розподiл iндивiдуальних втрат не має генератриси моментiв (розподiл Парето. Визначити пiдладжений коефiцiєнт.1. Вiн має вигляд Ut = U0 + ct − St > 0. Вони перетинаються в точцi 0 i в точцi. 10. Пiдладжений коефiцiєнт – це єдиний корiнь. Отриманий виразлегко розкласти на множники κβ(2κβ − 1)(3κβ − 4) = 0. βt < 1.  Приклад 10. починаючи вiд 0. яку можна переписати у виглядi 6β 3 κ 3 − 11β 2 κ 2 + 4βκ = 0. 1667. який задовольняє початкове рiвняння. функцiя y2 (t) спочатку лежить нижче y1 (t). можемо перейти до процесу залишкiв. що премiї сплачуються неперервно зi сталою iнтенсивнiстю в одиницю часу. що iндивiдуальнi виплати X1 . що генератриса моментiв iснує для всiх невiд’ємних t. . t ≥ 0. що рiвняння (10. Але y2′ (0) = E(X) = µ < (1 + θ)µ = y1′ (0). Пiсля визначення процесу витрат i премiй. t < 1/µ. t ≥ 0 – стацiонарний процес iз незалежними приростами. Процес {St . а величини iндивiдуальних позовiв мають гамма-розподiл iз параметрами α = 2 та β. Крiм того. якщо Nt > 0. Визначте пiдладжений коефiцiєнт. Тодi y2′ (t) = E(XetX ) > 0 i y2′′ (t) = E(X 2 etX ) > 0. зрештою y2 (t) перетне y1 (t) в точцi κ > 0. x > 0.9) може не мати додатних розв’язкiв. що нетто-премiї мають невiд’ємне навантаження.10) Як i передбачалося. Це означає. Вiдповiдно. 2 . що c > λµ. оскiльки генератриса моментiв iснує лише для значень.9) Якщо таке значення iснує. Наприклад. При фiксованому t St має складний розподiл Пуассона. а потiм покажемо.6.в. менших за 1/β.8) де параметр θ > 0 називають вiдносним навантаженням на безпеку.6. (Гамма-розподiл) Припустимо.10). t]. Таким чином. – н. як можна його використати для отримання верхньої межi величини ψ(u). (10. то його називають пiдладженим коефiцiєнтом або коефiцiєнтом Крамера–Лундберга. Ми iгноруємо вiдсоткову ставку для математичної простоти. Пiдладжений коефiцiєнт i нерiвнiсть Лундберга У цьому роздiлi ми визначимо спецiальний параметр. Розв’язання. t ≥ 0} має такi самi властивостi. Запишемо щiльнiсть f (x) = β −2 xe−x/β . тобто ct > E(St ). 2 = 0. незалежнi вiд Nt . додатний розв’язок дорiвнює κ = θ/[µ(1 + θ)]. Для гамма-розподiлу µ = 2β i tX E(e w∞ )= etx f (x)dx = (1 − βt) −2 .6. (10. Тодi E(etX ) = (1 − µt)−1 . Складностi неперервної моделi За основу моделi для кiлькостi виплат вiзьмемо процес Пуассона. Пiдладжений коефiцiєнт Нехай κ – єдиний додатний розв’язок рiвняння 1 + (1 + θ)µκ = E(eκX ). Отже. то й {St . E(St ) = E(Nt )E(Xj ) = (λt)(µ) = µλt. Припустимо. коли θ = 0. Оскiльки y1 (0) = y2 (0) = 1.10. а саме κ = 1/(2β). нехай c = (1 + θ)λµ. чи може бути розв’язок. .9) маємо рiвняння 1 + (1 + θ)µκ = (1 − µκ)−1 . iз функцiєю розподiлу F () i середнiм ∑Nt µ < ∞. рiвнiй пiдладженому коефiцiєнтi κ = 0. що загальна нетто-премiя за час (0. t ≥ 0} є процесом Пуассона з iнтенсивнiстю λ. Сформулюємо наступне визначення. St = 0. розглянемо двi кривi на площинi (t. y): y1 (t) = 1 + (1 + θ)µt та y2 (t) = E(etX ). що θ = 2. Оскiльки Nt . зi зростанням t. 2 i µ = 1. маємо F () = 1 − e−x/µ . Приклад 10. Припустимо. 10. Припустимо. але оскiльки y2′ (t) > 0 i y2′′ (t) > 0. 2/1. то двi кривi перетинаються при t = 0. 0 Тодi з (10. Отже. Щоб побачити. κ = 0 є одним iз розв’язкiв. Таким чином. Нехай процес числа подiй {Nt . Розв’язання. невiд’ємнi в. Нехай St – загальна сума виплат на iнтервалi (0. t] становить ct. (Експоненцiйний розподiл) Нехай X має експоненцiйний розподiл iз середнiм µ.).  139 .1.5.р.6. .9) отримуємо рiвнiсть −2 1 + 6κβ = (1 − βκ) . t ≥ 0} назвемо складним процесом Пуассона.1. логнормальний та iн.. Будемо вважати. Бiльший корiнь 4/(3β) треба вiдкинути.

6et + 2e2t · 0. 75t − 0.11) випливає. i. 3182 − (−0. щоб шукане значення не збiгалося до 0. Далi припустимо. нiж обчислити очiкуване значення. 25. Розв’язання. що загальнi втрати – це в. Наше початкове наближення κ0 = 0. Для складного розподiлу Пуассона E(St ) = µλt. З (10.11) зазвичай є задовiльним початковим значення для κ. Iншi нерiвностi для κ наведено у вправах. Таким чином. що κ < 2θ/3. 8e2t .11) EX 2 Права частина (10.6. 003091. Приклад 10. Припустимо. пiдладжений коефiцiєнт κ = 0.6. а тому H ′ (t) = 1. 6 + 2 · 0. 2. Оскiльки H(0) = 0. 4et та з (10.9) застосовують чисельнi методи. H ′ (0. 4358.  Iснує ще одна форма для рiвняння (10.У загальному випадку для довiльного розподiлу iндивiдуальних втрат неможливо знайти явний вигляд пiдладженого коефiцiєнта так. звiдки E(X 2 ) = 3µ. Визначити пiдладжений коефiцiєнт.4. 2 = 0. обчислимо κ3 = 0. що розподiл суми витрат задано так P(X = 1) = 0. як це було зроблено у двох попереднiх прикладах. κ4 = 0. Далi. i κ2 = 0. ми знаємо. 8e2t . 3182. Нехай iнтенсивнiсть в процесi Пуассона λ = 4 i ставка премiї c = 7. D(St ) = λtEX 2 .9). 5865. Таким чином.в. Проiнтегрувавши частинами. Для знаходження розв’язкiв цього рiвняння використаємо метод Ньютона–Рафсона H(κj ) . Розв’язання. Маємо µ = EX = 1 · 0. матимемо w∞ w∞ . що κ повинно бути менше нiж κ0 = 2 · 0. запишемо 1 + (1 + θ)µκ = E(eκX ) = E(1 + κX + κ 2 X 2 /2 + . 6. 75 − 0. Тодi H(0. 2776) = −0. 4 i EX 2 = 12 · 0. ) > E(1 + κX + κ 2 X 2 /2) = E(1 + kµ + k 2 E(X 2 )/2). отримаємо нерiвнiсть 2θµ k< . Приклад 10. 2776) = −0. . що може бути простiше отримати E(XetX ). (10.11). 6 = 0.  Визначимо H(t) = 1 + (1 + θ)µt − EetX . P(X = 2) = 0. 003091)/(−0. треба слiдкувати. Продовжуючи далi. що втричi бiльша за середнє. . 4 = 1. 6et + 0.3. з (10. 25 · 1. κj+1 = κj − ′ H (κj ) де H ′ (t) = (1 + θ)µ − E(XetX ). 4. (10. багато з яких вимагають початкове припущення про значення κ. Тодi (κ0 ) = −0. Крiм того. таким чином. 02381)/(−0. 6et − 0. 6 + 22 · 0. E(etX ) = 0. Зазвичай для розв’язання (10. 2776. яка буває корисною. стартуючи з початковим значенням κ0 . 2703. 4. 3182. диференцiюючи генератрису моментiв. Також зауважимо. Щоб знайти таке значення. 2703. 2703. E(XetX ) = 0. 4358) = 0. Вiднявши 1 з обох частин нерiвностi i роздiливши на κ. Знайти межу для пiдладженого коефiцiєнта. 2776 − (−0. 4 = 2. 6et + 0. оновленою оцiнкою для κ є −1 −1 κ1 = 0. 5865) = 0. 02381 i (κ0′ ) = −0.12) H(t) = 1 + 1.12) Тодi пiдладжений коефiцiєнт κ > 0 задовольняє H(κ) = 0. з дисперсiєю. Тодi θ = (λµ) − 1 = 75. 2705. 4/2.

∞ κx κx .

0 0 Далi 0 ≤ eκx [1 − F (x)] = eκx w∞ 0 140 dF (y) ≤ w∞ 0 eκy dF (y) . e dF (x) = −e [1 − F (x)] 0 + κ eκx [1 − F (x)]dx.

а також. то банкрутство не настане пiсля першої вимоги. Пiсля виплати першої вимоги залишок буде u + ct − x. використовуючи припущення iндукцiї та те. n→∞ Зауважимо. що ψ0 (u) = 0 ≤ e−κu . (10. 0 Врахувавши рiвнiсть (10. Час до першої вимоги є експоненцiйно розподiленим зi щiльнiстю λe−λt . маємо ] [ u+ct w w∞ w∞ ψn (u + ct − x)dF (x) λe−λt dt dF (x) + ψn+1 (u) = ≤ w∞ [ 0 w∞ u+ct 0 −κ(u+ct−x) e 0 u+ct w dF (x) + u+ct ] −κ(u+ct−x) e dF (x) λe−λt dt.9). Отже. що трапиться пiсля настання першої вимоги. бо E(eκX ) w∞ E(eκX ) r∞ x eκy dF (y) < ∞. тобто це те саме. Тобто банкрутство наступить пiсля першої вимоги. µ fe (x) = (10. Нерiвнiсть Лундберга Основне використання пiдладженого коефiцiєнта наведено в такiй теоремi.1. ми довели.8) λE(eκX ) = λ[1 + (1 + θ)κµ] = λ + κ(1 + θ)λµ = λ + κc.14) x > 0. Якщо величина вимоги буде x.. Таким чином. якби процес стартував з початковим капiталом u + ct − x та було n вимог. тобто ψn+1 (u) ≤ e−κu . limx→∞ eκx dF (x) = 1 + κE(eκX ) 0 w∞ r∞ x eκy [1 − dF (y)] = 0 i тому eκy [1 − dF (x)]dx.9) та (10. то залишок для оплати вимоги в час t буде u + ct. = λ + κc але з (10. якi контролює 141 . 2. оскiльки може бути використаний для вивчення взаємодiї мiж рiвнем залишку u та iнтенсивнiстю надходження премiй θ – обох параметрiв. 10. u ≥ 0. Якщо позов надходить у момент t > 0. отримаємо [ w∞ w∞ ψn+1 (u) = 0 = λe−κu w∞ ] e−κ(u+ct−x) dF (x) λe−λt dt 0 e−κct 0 = λe−κu w∞ [∞ w ] eκx dF (x) λe−λt dt 0 [ ] e−(λ+κc)t E(eκX ) dt 0 = λE(eκX )e−u˛ w∞ e−(λ+κc)t dt 0 λE(eκX ) −κu e . Очевидно. 0 Додавши внутрiшнi iнтеграли. Нехай ψn (u) – ймовiрнiсть того. 0 0 Звiдси.6. що для довiльного n виконується ψn (u) ≤ e−κu . Теорема 10.13) 0 де щiльнiсть fe (x) дорiвнює 1 − F (x) .. .9). що ψn (u) ≤ e−κu i нам необхiдно показати. 1. що банкрутство настане не пiзнiше n-ї вимоги для n = 0. Звiдси процес ризику має стацiонарнi та незалежнi прирости.. За допомогою методу математичної iндукцiї за n доведемо таку нерiвнiсть: ψn (u) ≤ e−κu . Тодi ймовiрнiсть банкрутства ψ(u) задовольняє нерiвнiсть ψ(u) ≤ e−ku . що ψn+1 (u) ≤ e−κu . що −κ(u + ct − x) > 0 при x > u + ct. (10. Розглянемо. Нехай κ > 0 – розв’язок (10.2. Далi припустимо. що ψ(u) = lim ψn (u) ≤ e−κu . Ймовiрнiсть настання такої подiї 1 − F (u + ct).i limx→∞ r∞ x eκy dF (y) = 0. сформулюємо наступне альтернативне визначення для κ: w∞ 1 + θ = eκx fe (x)dx. якщо величина капiталу рiвна u + ct. де 0 ≤ x ≤ u + ct.15) Доведення. що отриманий результат є дуже важливим. За формулою повної ймовiрностi одержимо рекурcивну рiвнiсть [ ] u+ct w∞ w ψn+1 (u) = 1 − F (u + ct) + ψn (u)dF (x) λe−λt dt.

банкрутство настане iз дефiцитом не бiльше нiж y (коли x > u + ch + y дефiцит перевищить y). Позначимо через G(u. G(u. банкрутство настає за умови. Розглянемо. y ≥ 0. Цей результат можна використати для оцiнки бiльш загальної функцiї.3. Теорема 10. залишок зразу пiсля настання банкрутства лежить мiж 0 та y. y) + λh G(u + ch − x. що 0 ≤ G(u. банкрутство з дефiцитом. що станеться в першi h одиниць часу. 01 для вiдомого залишку u. u→∞ u→∞ що доводить рiвнiсть (10. y) − λ G(u + ch − x. y) − G(u. Теорема 10. y) − G(u − x.18) 10. y). y) = G(u. y)dF (x) − [F (u + y) − F (u)] . за формулою повної ймовiрностi u+ch w G(u. (10. але може настати згодом з iмовiрнiстю G(u + ch − x. дорiвнює ϕ(∞) = 1. тобто ймовiрнiсть того. (10. де h мале. y)dF (x)+ 0 +λh [F (u + ch + y) − F (u + ch)] + o(h).9) задовiльняється при κ = (− log α)/u Тодi за теоремою 10. що не перевищує y. отримаємо λ λw λ ∂ G(u. ch h u c 0 Нехай h → 0. y) − G(u − x. ми знайшли явну формулу для оцiнки ймовiрностi настання банкрутства. y)dF (x) − λ [F (u + ch + y) − F (u + ch)] + . ∂u c c c u ≥ 0. Таким чином. y) ймовiрнiсть того. Спочатку зауважимо.17) u→∞ Оскiльки ψ(u) – це ймовiрнiсть. Отже. y) = λG(u + ch. Якщо надходить вимога на суму x.15). y) = (1 − λh)G(u + ch. а дефiцит одразу пiсля настання банкрутства не перевищує y. що (10. то i тому 0 ≤ lim ψ(u) ≤ lim e−κu = 0.21) .16) 0 ≤ ψ(u) ≤ e−κu . ∂u c c c u 0 Визначимо явну формулу для G(0. що не перевищує y. Тодi ψ(u) = lim G(u. y) задовiльняє рiвняння λw (1 − F (x))dx. y). тодi. Нерiвнiсть (10. (10. ще не настало. Припустимо. що буде бiльше одної вимоги дорiвнює o(h)). що банкрутство не настане. y→∞ u ≥ 0. c y G(0. (10.19) Маємо такий результат.2. подiливши на c. y). якщо ж u + ch < x ≤ u + ch + y. що початковий капiтал рiвний u. банкрутство з дефiцитом. Оскiльки кiлькiсть вимог є пуасcонiвським процесом. настане з iмовiрнiстю G(u + ch. де 0 ≤ x ≤ u + ch. y) = G(u. (10.1 ψ(u) ≤ e−κu = elog α = α. u ≥ 0. Якщо не трапиться жодної вимоги (з iмовiрнiстю 1 − λh (плюс o(h))). y) задовiльняє рiвняння u ∂ λ λw λ G(u. тодi зi стацiонарностi й незалежностi приростiв. Iнтегрально-диференцiйне рiвняння Отже. то трапиться 0 чи 1 вимога (ймовiрнiсть того.15) дозволяє довести такий факт: ψ(∞) = lim ψ(u) = 0. G(0.7. y). Це можна переписати у виглядi w o(h) G(u + ch.20) 0 Доведення. що йому потрiбно забезпечити ймовiрнiсть банкрутства α = 0. 142 (10. y) ≤ ψ(u) ≤ e−κu . y)dF (x) − [F (u + y) − F (u)] . 0 Доведення.страховик. y) = y ≥ 0. Тодi навантаження { [ ( )] } u E exp − logu α X − 1 θ= −µ log α гарантує. Тодi ймовiрнiсть виживання.

c ∞ [1 − F (u)] du − 0 0 Тодi. y) = 0 = λ c w∞ λw [1 − F (u + y)] du. y)dvdF (x) + [F (u + y) − F (u)] du c c c 0 0 ∞ λw Оскiльки r∞ 0 λ = − τ (y) + c c 0 τ (y)dF (x) + 0 ∞ λw c [F (u + y) − F (u)] du 0 dF (x) = 1. y)dudF (x) + [F (u + y) − F (u)] du c c x c 0 0 Змiнивши змiнну iнтегрування u на v = u − x в подвiйному iнтегралi. 1+θ r∞ Доведення. Ймовiрнiсть виживання без початкового капiталу θ ϕ(0) = . (10. отримаємо ∞ u ∞ λw w λw λ G(0. c c c u ψ ′ (u) = u ≥ 0. y) = − τ (y) + G(v.Спрямувавши u → ∞.21). Ймовiрнiсть остаточного виживання ϕ(u) задовiльняє таке рiвняння u λw λ ϕ(u − x)dF (x). Теорема 10. змiнивши змiнну iнтегрування в першому iнтегралi u на x = u. отримаємо 0 ≤ G(∞. отримаємо y ∞ ∞ λw λw λw G(0. навiть якщо пiдладжений коефiцiєнт не iснує. що µ = 0 [1 − F (x)] dx та скористаємось рiвнiстю (10. а в другому u на x = u + y. проiнтегрувавши (10. i ми знаємо. (10. y) = − τ (y) + G(u − x.19) λ λw λ ψ(u) − ψ(u − x)dF (x) − [1 − F (u)] . 0 У термiнах ймовiрностi виживання ϕ(u) = 1 − ψ(u).23) 0 Доведення. y) ми повернемось пiзнiше. y)dF (x)du + [F (u + y) − F (u)] du.20) при y → ∞ та (10. До вивчення властивостей функцiї G(0. отримаємо ∞∞ ∞ λ λw w λw G(0. Тодi.24) . що 0 < τ (y) < ∞. Також w∞ w∞ G(u. матимемо ∞∞ ∞ λ λw w λw G(0. c c 1+θ ∞ ψ(0) = lim G(0. u ≥ 0.20) по u вiд 0 до ∞ та врахувавши вищевикладенi результати. y) = − τ (y) + G(u − x. y) = [1 − F (x)] dx − [1 − F (x)] dx = [1 − F (x)] dx.5. y)du.21) справедливе. y)du ≤ e−κudu = κ −1 < ∞. c c y c 0 0 Зауважимо. y) = 0. З (10. ϕ′ (u) = ϕ(u) − c c (10.22) λw λµ 1 [1 − F (x)] dx = = . Нагадаємо. y) = y→∞ 0 Звiдси ϕ(0) = 1 − ψ(0) = θ/(1 + θ).4. що (10. 0 r∞ 0 Нехай τ (y) = 0 G(u. а зараз розглянемо декiлька спiввiдношень для функцiї ϕ(u). c c c 0 0 0 Змiнивши порядок iнтегрування в подвiйному iнтегралi. отримаємо λw [F (u + y) − F (u)] du c ∞ G(0.24) може бути переписано u λ λw λ −ϕ′ (u) = [1 − ϕ(u)] − [1 − ϕ(u − x)] dF (x) − [1 − F (u)] c c c 0 143 (10. Теорема 10.

10.8. Аналiтичний пiдхiд до оцiнювання певних розподiлiв величини вимог У цьому роздiлi ми одержимо аналiтичнi вирази для ймовiрностi банкрутства. c µc µ c Спростивши її i роздiливши на ϕ′ (u). u λ λ λ −u/µ w ϕ(y)ey/µ dy − ϕ(u). матимемо θµ + K1 .25)  Щоб позбавитися iнтегрування в цiй рiвностi. c µc 0 Змiнивши змiнну iнтегрування з x на y = u − x.1 F (x) = 1 − e−x/µ . 1+θ µ(1 + θ) Теорема 10. отримаємо ( ) ϕ′′ (u) λ 1 θ = − =− . Приклад 10. Для цього нам потрiбно виключити iнтегрування з правої частини (10.25) i пiдставивши в останню рiвнiсть.23). звiдси K2 = 1. x > 0. Тому шукана ймовiрнiсть набуде вигляду [ ] 1 θu ϕ(u) = 1 − exp − . Визначити ϕ(u).26) . отримаємо ϕ(0) = θ/(1 + θ).22) за умови u = 0. коли в нас вiдомий розподiл кiлькiстi всiх вимог. якi надiйдуть. отримаємо wu λ λ ϕ′ (u) = ϕ(u) − e−u/µ ϕ(y)ey/µ dy. µ(1 + θ)2 [ ] θ K1 = log .6.25) та (10. c c u u 0 що i потрiбно було довести. ϕ′(u) = µ(1 + θ)2 µ(1 + θ) = Звiдси Тодi Проiнтегруємо по u. µ(1 + θ) Скористаємось (10. що в прикладi 10. Вищесказане можливо зробити для випадку. ϕ′′ (u) = ϕ′ (u) + e c µ2c µc 0 Виразивши iнтеграл iз (10. Тодi [ ] θu 1 exp − + K2 . що функцiя k(x) задовiльняє k ′′ (x) + bk ′ (x) + ck(x) = 0. яке легше буде розв’язати нiж iнтегрально-диференцiйне.λ λw λw λ dF (x) + ϕ(u − x)dF (x) + F (u) = − ϕ(u) − c c c c 0 0 u λ λw = − ϕ(u) + ϕ(u − x)dF (x).1. одержимо [ ] λ λ 1 λ ϕ′′ (u) = ϕ′ (u) − ϕ(u) + ϕ(u) − ϕ′ (u) .8. µ(1 + θ)2 [ ] θu θ exp − . ϕ′ (u) c µ µ(1 + θ) Проiнтегруємо по u. Припустимо. Розв’язання. log ϕ′ (u) = ϕ′ (0) = λ θ λ θ = c 1+θ λµ(1 + θ 1 + θ θ . c µc 0 (10.22). ϕ(u) = − 1+θ µ(1 + θ) Використавши (10.6. У цьому випадку ми отримаємо диференцiйне рiвняння. 144 (10. У цьому випадку (10. продиференцiюємо її по u. (Експоненцiйний розподiл) Припустимо.23) набуває вигляду u λ λ w ϕ′ (u) = ϕ(u) − ϕ(u − x)e−x/µ dx.

i тому b = −r1 − r2 . Звiдси m′′ (x)/m′ (x) = r2 − r1 . Також r2 + br + c = (r − r1 )(r − r2 ) = r2 − (r1 + r2 )r + r1 r2 . r1 x Подiливши на e . то r + br + c = 0. Введемо нову функцiю m(x). Приклад 10.32) ϕ′′′ (u) = −2ϕ′′ (u) + 2ϕ′ (u) + 18e−3u r3 (u) − 6ϕ(u) 145 (10.Тодi. Ще раз проiнтегрувавши. отримаємо 0 = er1 x m′′ (x) + 2r1 er1 x m′ (x) + r12 er1 x m(x)+ +b[er1 x m′ (x) + r1 er1 x m(x)] + cer1 x m(x). Тодi (10.2. (Сумiш експоненцiйних розподiлiв) Нехай θ = 4/11 та щiльнiсть розподiлу числа вимог 10 F ′ (x) = e−3x + e−5x . Для того.30) 0 Продемонструємо метод розв’язування на прикладi. Продиференцiюємо (10.31) 0 Тут ми змiнили змiнну iнтегрування з x на y = u − x та використали (10. тому коефiцiєнт бiля m(x) зникає. Доведення. А (10. (10.31). x > 0. рiзнi коренi r1 та r2 .28) де A1 та A2 – довiльнi сталi. Пiдставивши в (10. якщо квадратне рiвняння r2 + br + c = 0 має дiйснi.30).32) . то отримаємо (10. m(x) = A1 + A2 e(r2 −r1 )x .29) можна переписати у виглядi m′′ (x) + (r1 − r2 )m′ (x) = 0. Тодi k ′ (x) = r1 er1 x m(x) + er1 x m′ (x) i k ′′ (x) = r12 er1 x m(x) + 2r1 er1 x m′ (x) + er1 x m′′ (x). тодi розв’язок (10.28). У цьому випадку F ′ (x) = 13 (3e−3x ) + 23 (5e−5x ) i середнє µ = 13 ( 13 ) + 23 ( 51 ) = 11/45. де A2 = C1 (r2 − r1 )−1 . Оскiльки k(x) = er1 x m(x). яка задовiльняє k(x) = er1 x m(x). щоб виключити невiдомi функцiїї r3 (u) та r5 (u) продиференцiюємо (10. Розв’язання. (10. Для зручностi позначень введемо для довiльного n > 0 функцiю wu rn (u) = enu ϕ(y)dy. Тодi c/λ = µ(1 + θ) = 1/3.26).8. (10. Отримаємо ϕ′′ (u) = 3ϕ′ (u) − 13ϕ(u) + 9e−3u r3 (u)+ +5[−ϕ′ (u) + 3ϕ(u) − 3e−3u r3 (u)] ϕ′′ (u) = −2ϕ′ (u) + 2ϕ(u) − 6e−3u r3 (u). Виключимо 10e−5u r5 (u) з останньої рiвностi скориставшись (10. Проiнтегрувавши.31).26) має вигляд k(x) = A1 er1 x + A2 er2 x .23) набуває вигляду wu 10 ϕ′ (u) = 3ϕ(u) − 3 ϕ(u − x){e−3x + e−5x }dx == 3ϕ(u) − 3e−3u r3 (u) − 10e−5u r5 (u) 3 (10. 3 Визначити ϕ(u).28).29) 2 Оскiльки r1 – корiнь рiвняння (10. отримаємо log m′ (x) = (r2 − r1 )x + log C1 чи m′ (x) = C1 e(r2 −r1 )x . отримаємо 0 = m′′ (x) + (b + 2r1 )m′ (x) + (r12 + br1 + c)m(x).27) (10. ϕ′′ (u) = 3ϕ′ (u) + 9e−3u r3 (u) − 3ϕ(u) + 50e−5u r5 (u) − 10ϕ(u).

(10.37).22). з (10.2 . Спростивши отримаємо ϕ′′′ (u) + 5ϕ′′ (u) + 4ϕ′ (u) = 0. Проiнтегрувавши (10.36) набуде вигляду 32 1 ϕ(u) = 1 − e−u − e−4u .26) вiдносно функцiїї ϕ′ (u).36) u = 0 та скориставшись (10. (10.40) .38) 0 Змiнимо змiнну iнтегрування з x на y = u − x wu −x/β ϕ(u − x)xe u/β wu dx = e 0 ϕ(y)(u − y)e−y/β dy. Пiдставимо u = 0 в (10.31) та скориставшись (10. 0 r1/β (y)dy. Розв’язання.33) може бути розглянене як рiвняння (10.40) 6βϕ′′′ (u) = −5ϕ′′ (u) + β −1 ϕ′ (u) + β −3 e−u/β r1/β (u) − β −2 ϕ(u).3. 0 Проiнтегруємо по частинам i скористаємось (10.35) ϕ(u) = A1 e−u − (A2 /4)e−4u + A3 . r1 = −1 та r2 = −4.34) A1 + A2 = ϕ′ (0) = 3ϕ(0) = 3θ(1 + θ)−1 = 4/5.39) отримаємо 6βϕ′′ (u) = −5ϕ′ (u) + β −1 ϕ(u) − β −2 e−u/β r1/β (u).37)  Константи A1 та A2 повиннi задовiльняти (10.30) wu ϕ(y)(u − y)e−y/β dy = (u − y)r1/β (y)|uy=0 + wu 0 wu r1/β (y)dy = 0 r1/β (y)dy.34). Коренi характеристичного рiвняння r2 + 5r + 4 = 0.23) набуде вигляду wu 6βϕ′ (u) = ϕ(u) − β −2 ϕ(u − x)xe−x/β dx. u ≥ 0. тому A3 = 1.40) та одержимо 6βϕ′′′ (u) = −5ϕ′′ (u) + β −1 ϕ′ (u) − β −2 ϕ(u)+ +β −1 [−6βϕ′′ (u) − 5ϕ′ (u) + β −1 ϕ(u)]. Тодi (10.8.39) 0 Для виключення з цiєї рiвностi iнтеграла продиференцiюємо її 6βϕ′′ (u) = ϕ′ (u) + β −3 e−u/β Виразивши β −2 e−u/β ru 0 wu r1/β (y)dy − β −2 e−u/β r1/β (y).38) можна переписати у виглядi 6βϕ′ (u) = ϕ(u) − β −2 e−u/β wu r1/β (y)dy. −2 −u/β Виразимо beta e r1/β (u) iз (10. (Гама-розподiл) Як i в прикладi 10. Тодi (10.Виразимо 6e−3u r3 (u) з (10. 146 (10.36) Але з (10. продиференцiюємо (10. (10.33) Рiвняння (10.35) та (10. припустимо.34) та (10.22) отримаємо (10. отримаємо A1 + A2 /4 = 1 − ϕ(0) = (1 + θ)−1 = 11/15. Тодi ϕ′ (u) = A1 e−u + A2 e−4u . Середнє µ = 2β i c/λ = µ(1 + θ) = 6β. (10.6. x > 0 Визначимо ϕ(u).18) ϕ(∞) = 1. щоб виключити r1/β (y). (10. (10. Тому A1 = 32/45 i A2 = 4/45.32) ϕ′′′ (u) = −2ϕ′′ (u) + 2ϕ′ (u) − 6ϕ(u)+ +3[−ϕ′′ (u) − 2ϕ′ (u) + 2ϕ(u)]. 45 45 Приклад 10. 0 Тодi (10. що θ = 2 i щiльнiсть розподiлу кiлькостi вимог F ′ (x) = β −2 xe−x/β . I пiдставивши в (10. Для того.

44) та скориставшись (10. то A3 = 1. В обох прикладах основна iдея полягає в тому.41) Рiвняння (10.18) ϕ(∞) = 1.39) i використаємо (10. Асимптотчна формула Крамера для ймовiрностi банкрутства У цьому роздiлi виведено ще декiлька рiвностей для ϕ(u) за допомогою iнтегрально-диференцiйного рiвняння. Пiдставимо u = 0 в (10. Для початку покажемо.1. 10. 0 x ψ(u − x)dudF (x) = 0 x wt t−x w ψ(y)dydF (x). (10.6 ϕ′ (u) = A1 e−u/(2β) + A2 e−u4/(3β) . (10. Тодi 2 1 ϕ(u) = 1 − e−u/(2β) + e−4u/(3β) .42) та (10. 0 Проiнтегруємо останню рiвнiсть по частинах wt .26) вiдносно функцiї ϕ′ (u).Це можна переписати у виглядi ϕ′′′ (u) + 11 ′′ 2 ′ ϕ (u) + ϕ (u) = 0. але i для комбiнацiй експоненцiйних. 0 Тодi wt t−x w wt ψ(y)dydF (x) = 0 0 Λ(t − x)dF (x).22).45) отримаємо A1 = 1/(5β) та A2 = −4/(45β). що ми виключали iнтегрування за допомогою диференiювання.42) (10. Тодi ( )( ) 2 1 4 11 2 0=r + r+ 2 = r+ r+ β 3β 2β 3β За теоремою 10.45) 4 3 З (10. але на вiдмiну вiд попереднього роздiлу будемо його iнтегрувати.44) 4 Оскiльки з (10. Пiдставивши u = 0 в (10.43) та (10. що wt wu ψ(u − x)dF (x)du = 0 0 wt ψ(t − x)F (x)dx.43) Проiнтегруємо (10.41) – це (10. Ця технiка може бути застосована не тiльки для певного типу щiльностi розподiлу вимог.42) 3 ϕ(u) = −2βA1 e−u/(2β) + βA2 e−u4/(3β) + A3 (10. отримаємо 3 1 2βA1 + βA2 = . 0 0 Для зручностi введемо нову функцiю wx Λ(x) = ψ(y)dy.8. 5 15  u ≥ 0. 6β 3β2 (10.22) A1 + A2 = ϕ′ (0) = ϕ(0)/(6β) = 1/(9β).46) wt wu ψ(u − x)dF (x)du = 0 0 та змiнимо змiнну iнтегрування з u на y = u − x wt wt wt wt ψ(u − x)dudF (x). а не диференцiювати. 0 Для початку змiнимо порядок iнтегрування в лiвiй частинi (10.

t wt .

Λ(t − x)dF (x) = Λ(t − x)F (x).

+ ψ(t − x)F (x)dx = 0 0 wt = 0 ψ(t − x)F (x)dx.46). 0 що i доводить (10.46) . 147 (10.

46) в результатi одержимо λw λw λw [1 − F (u)] du − ψ(t)dt + ψ(t − x)F (x)dx.48) θµ . 1+θ 1+θ t (10.7. c c t ∞ t ψ(t) = (10. Нехай g(x) щiльнiсть додатньої випадкової велечини. c c c ψ(0) − ψ(t) = t t t 0 0 0 Перейшовши вiд змiнної u до x в першому iнтегралi та вiд u до x = t − u в другому. r ∞ Тут ψ∗ (t) задовiльняє (10. тодi y ( ) w∞ 1 1 1+θ θ b(y)dy = − + = . а a(x) задовiльняє рiвняння wx a(x) = a(x − y)g(y)dy + b(x).50) 0 Тодi r∞ b(y)dy 0 . У загальному випадку F (·). Для початку доведемо одне допомiжне твердження.47) 0 Рiвняння (10. (10. 1+θ t де ψ∗ (t) = eκt ψ(t) та g(x) = eκt fe (x)/(1 + θ). c c ∞ 0 Тодi λw λw ψ(t − x) [1 − F (x)] dx + [1 − F (x)] dx. Теорема 10. Нехай k > 0 задовiльняє (10.50) з b(t) = eκt t fe (x)dx/(1 + θ).51) (10. ψ(t) = c c t t 0 0 Зауважимо.24) по u вiд 0 до t та використаємо (10. (10.9).51) r∞ b(y)dy 0 lim ψ∗ (x) = r ∞ . x > 0. x→∞ yg(y)dy 0   ∞ w∞ 1 w ∞ κy w 0 e fe (x)dx dy = b(y)dy = 1+θ y 0   ∞ w∞ 1  1 κy w 1 e eκy fe (y)dy  . що ψ(0) = (1 + θ)−1 = λw λµ = [1 − F (x)] dx.14). цю проблему ми розглянемо бiльш детально в наступному роздiлi.13).47) має рiзноманiтне застосування.51) можна переписати у виглядi ψ(t) = t ∞ 1 w 1 w ψ(t − x)fe (x)dx + fe (x)dx. його можна розв’язати наближено для визначення ψ(x). Тодi ймовiрнiсть банкрутства ψ(u) ∼ Ce−κu . одержимо λw λw ψ(t − x) [1 − F (x)] dx + ψ(0) − [1 − F (x)] dx.52) на eκt . = fe (x)dx|∞ y=0 + 1+θ κ κ y 0 r r ∞ κx κy ∞ де 0 ≤ e fe (x)dx ≤ y e fe (x)dx та права частина прямує до 0 при y → ∞ з (10. отримаємо wt ψ∗ (t) = ψ∗ (t − x)g(x)dx + 0 eκt r∞ fe (x)dx . Тодi з (10.53) . де C= u → ∞. 1+θ κ κ κ(1 + θ) 0 148 (10. E(XeκX ) − µ(1 + θ) (10. (10.Проiнтегруємо (10. lim a(x) = r ∞ x→∞ yg(y)dy 0 Використавши (10.52) 0 Помножимо обидвi частини (10.49) Доведення.

2) та C = 2/5. x > 0.1 ми отримали.8. Отриманий результат є додатком до нерiвностi. Приклад 10.5. dt Також E(XeXκ ) = µ(1 − µκ)−2 = µ{1 − θ(1 + θ)−1 }−2 = µ(1 + θ)2 . θ(1 + − µ(1 + θ) (1 + θ)(1 + θ − 1) 1+θ Асимптотична формула (10. yg(y)dy = − = 1+θ κ µκ µκ(1 + θ) 0 Тодi (10.3 доведено. (Експоненцiйний розподiл) Якщо F (x) = 1 − e−x/µ .6.4. тому 0 0 ≤ yeκy fe (y) = ∞ ∞ yeκy w 1 w κx dF (x) ≤ xe dF (x).6. наведеної в теоремi 10.13). ψ(u) ∼ 1+θ µ(1 + θ) C= θ)2 149 . ψ(u) = u ≥ 0.53) можна переписати θ/[κ(1 + θ)] = − µ(1 + θ)]/[µκ(1 + θ)] µθ = . що ймовiрнiсть банрутста задовiльняє спiввiдношення 2 −u/(2β) 1 e − e−4u/(3β) . тому [ ] w∞ 1 1 + θ E(XeκX ) E(XeκX ) − µ(1 + θ) + . Таким чином. µ y µy Першi три iз вище вказаних членiв 0 i другий за (10.8. визначимо асимптотичну формулу ймовiрностi банкрутства У прикладi 10. У прикладi 10. 2 1 2 − lim e−5u/(β) = u→∞ 5 15 u→∞ 5 Тодi κ = 1/(2β) ( з прикладу 10. lim eu/(2β) ψ(u) = Приклад 10.48) набуває вигляду [ ] −θµ 1 exp . Тодi з (10.Також w∞ yg(y)dy = 0 ∞ 1 w yeκyfe (y)dy. E(XeκX ) − µ(1 + θ) lim eκu ψ(u) = u→∞ [E(XeκX ) Що доводить теорему. що k = θ/{µ(1 + θ)} та E(etX ) = (1 − µt)−1 .49) µθ θ 1 = = . E(XeXt ) = d (1 − µt)−1 = µ(1 − µt)−2 . 1+θ 0 Проiнтегрумо по частинах w∞ yeκyfe (y)dy = 0 Оскiльки E(XeκX ) = r∞ ∞ y κy 1 1 w κy e fe (y)|∞ int∞ ye dF (y).1 для великих u. тодi limy→∞ yeκy fe (y) = 0. y=0 − 0 eκyfe (y)dy + κ κ µκ 0 xeκx dF (x) < ∞. u → ∞. 5 15 Визначимо величини κ та C за допомогою границi при u → ∞.8.

150 .

ii) d1 . i) µ ˆ = 6. 10. ii) d3 . Вправа 2.17.3. Вправа 2. 14. 00481.0376. 200. iii) π(1) = (0.2. iv) 467.1. Вправа 4.2.5.3. 487c. 0724.9. ab + ba2 + ab2 . 911.2. 5.3.5. iii) d1 . iv) приймати пропозицiю. Вправа 7. iii) (a) A = c(1−0. внаслiдок важкого хвосту логнормального розподiлу дисперсiя для ексцеденту збитку менша. £530. iii) £286. Вправа 6.59. 0. 600. Вправа 5. Вправа 7.8. 2p + 0. ii) 154. i) £202. i) 0.375. 85. 151 . тому розумно буде продовжувати зважати на апрiорну iнформацiю. ii) 2750. 710. ii) базова. 0698. що справжнє середнє значення менше £270 зросла.7. ii) A. ii) 14 . тим менше зменшення початкового капiталу.0014.14.85. v) 250 − m 0. 26 log λ − 144. Вправа 4. 0. 1 − M важкого хвосту розподiлу. Вправа 5. Вправа 4.60653. ii) 0. iii) E(XR |X ′ > 8 000) = £3 3 711. i) Складний пуассонiвський. Вправа 1. £20 000. ii) 50 000.04742. 0161. 411436. 814. (b) 30. i) 0. iii) 48.44933.8. ii) a) 125000.6. £20 000. iii) B. а тому значення θ зменшиться. ii) α ˆ = 1+ 1 ¯. Вправа 2. Вправа 4. 0. 0. 14. £7 071.28. iii) 527. 81022.8. σ 2 = 1. 035 – компанiї не потрiбне навантаження для забезпечення необхiдної надiйностi. Вправа 7. Вправа 1. 7182). 0.2 i) MX (t) = 4(5 − et )−1 .13. 402 ). Вправа 7. ii) (a) 0. i) 202. 0. 3. 7 211. iv) логнормальний: 4. 600. 1. До роздiлу 6 1 Вправа 6. Вправа 1. 420.7.34082. Вправа 4. Вправа 2. £4 960. 0. 787.39. Вправа 6. 0. Вправа 4.3. Вправа 7. 8p)/(1 − 1.09527. Вправа 1. 12θ2 . Вправа 2.6.4. ii) нi. C: 2300. ii) −4. iii) 0. i) £250. 63. ii) 0. i) 400. ii) (b) 94.7. 0. 0. £480.1027. 1 − θ. 0.0736. ii) £157.15).2.5.5. ii) (a) N (281. c) = c(0. 197.4. i) fX (x) = fY (x) = 23 (2 − x). 68p2 ). 0. 1211.25.10. 600. Вправа 1. (b) 0. iii) π = (0. 21×109 . ii) страховик платитиме премiю. 62.3 ii) 0.15. 90.13. Вправа 5.227. Beta(66. i) B. ii) π = (0. iii) π = (0. i) £30 000. ) ( −α−1 ( ( )) 6 4 4α ∏4 λ M . £277. ¯ X 3. 0043. 54.1. тобто перестрахування стає менш ефективним у зменшеннi ймовiрностi банкрутства й вiдповiднiй замiнi капiталу. ii) A: 0.06681.1247.9. Вправа 2.6. p2 ). 66. 60θ3 . Вправа 1. iii) γˆ = 0. ii) π = (0.62. C: 0. Вправа 2. (b) 0.4. 4. i) d3 . 603. Вправа 2. eµ+σ /2 + e2µ+σ (eσ − 1). £433. 5 − 0. i) EXi = 1 + k(1 − α). ii) (0. 355000000.1. ii) x2 +2x3 x1 +2x2 +2x3 . iv) c = 1471. Вправа 6.10. 0.6. До роздiлу 2 Вправа 2. iii) фiксоване λ зменшить мiнливiсть. Вправа 7.1323. Вправа 7.5. 48p + 0. 2p + 0.13.35946. Вправа 2. b) 149000. Ймовiрнiсть того. Вправа 1. 0. i) A: 3200. iv) π = (0. Вправа 6. ii) очiкувана величина позову бiльша внаслiдок α λ i=1 xi λ−1 . Вправа 4.14.14.0219.12. Це може бути прийнятним залежно вiд схильностi страховика до ризику. σ ˆ 2 = 1. потрiбного страховику.047542.8. 15 × 25(m + 100) exp{− 50 }.14379 та 0.1. Вправа 4.6. £45 607. 6p(1 − p)/(1 − 1. P(p = 0.4. ii) 0. Вправа 7. Вправа 6. 8658). ii) 0. Вправа 5. ii) a2 .11. 0 < x < 1. iii) люкс. Парето: 0.11. Вправа 2 2 2 2 2.0574.1759.153. 095.6915. 0. 0983.5023. 1−q). 0. Вправа 2. λ). 48p2 /(1 − 1. i) ES = 170 000. 457λ + 5 log(1 − e−500λ ). 0. iv) DXIпроп = 705600.4 ii) 0. 1867. iii) £527. i) 0. 68p2 ).1. £10 000.1433.12. 68p2 ). DXi = k 2 α(1 − α). iv) N (λ.4. Вправа 6. Вправа 5.4) = 0. iii) карти. i) 3θ. оскiльки спостереженi значення вказують на те.9.12. 0. ii) u = 63922.434.073011. 51.9. 08625). vi) 43. 0. 3685). Вправа 7.2. 2 £200 000. ii) α ˆ = 5. 0.7.92. 9234). Вправа 4. Вправа 5. λ 0. P(p = 0. Однак. Вправа 4. 0. iii) A(p.31). 2p + 0. θ2 . 68p2 )). ii) £250. ii) θ = −0. X Вправа 2. 46p2 )/(1 − 1. 0. nλ ). DXIексц = 158530. 172. розмiр вибiрки порiвняно малий та малою є дисперсiя апрiорного розподiлу.16. Вправа 7. ii) (α1 + α2 . 51013. c) 0.368. ii) ′ E(XR |X > 8 000) = £3 656. До роздiлу 7 Вправа 7. 04374. що на 48. 1181. (c) 25. 0. що справжнє середнє значення менше нiж середнє значення апрiорного розподiлу. Вправа 4. (1 − p)(1 − 0.2119. i) π = (q. ii) До роздiлу 3 Вправа 3. ii) µ = 6. Вправа 6.1 20. ii) 0. eµ+σ /2 . 1854. (c) d = 0.7. ii) 1−eθ −θ . 0.0453. p(1−p). Вправа 1. iii) k = 0. Вправа 2.4% бiльша нiж очiкувана величина вiдповiдного цедованого ризику.30854.1. Вправа ˆ = 4934. i) 4000. Вправа 7. Вправа 6. 86. iii) n та pe−λM . Вправа 2. 568c.2014. ii) 8200. 2p + 0. i) 250. 420). B: 0. i) 0. ii) 11 . 0. iii) нi. ii) 480. Вправа 4. 2153. 1280000. ii) π = (1−p. i) 0. 0140.6. θ(1 − θ). Вправа 2. i) e−λM . ii) 0. 787).3.10 i) d3 . ab .10. iii) 49 . 444. 3p(1+p)). i) (360. ii) костi. Вправа 7.06681. iii) £430. i) 1 α−1 . cˆ = 0. Вейбулла: 0. iii) a3 .5. 0. Вправа 1. B: 2218. 720. v) середнi значення однаковi.Вiдповiдi та вказiвки До роздiлу 1 Вправа 1. 1787.7. ii) 2.8. 588564. 75) = 0.9. 24000. До роздiлу 5 Вправа 5. 0. i) Beta(11. 12. v) чим бiльше навантаження на премiю встановлює перестраховик. До роздiлу 4 Вправа 4.15. 0. ii) 108. DS = 1. 0252. Вправа 4.1. 0909.

. тому отримана з вибiрки iнформацiя переважає апрiорнi уявлення. Вправа 7. Вправа 7. (b) 0. ii) 32 56 . а В – на великих. . Вибiрка має великий розмiр. ii) (a) Апрiорнi уявлення протилежнi мiж собою: А робить наголос на малих значеннях θ. i) Beta(11. Вправа 30 7. 0846. B: E(θ|X = x) = 0. 152 . ii) (a) 0.15. Результати дуже подiбнi. . Звернiть увагу на апрiорнi середнi значення.14. y1 }. i) 52 .1667. 0817. 51).16. yn }.i) параметри розподiлу α + 1 та max{β. (b) A: E(θ|X = x) = 0. y1 . . ii) параметри розподiлу α + n та max{β.1774.

2004. 2000-2004 (http://www. Конечные цепи Маркова. – М.Є.В. 2005. – М. 2005-2011 (http://www. [10] Моклячук М.: ФИЗМАТЛИТ.P. статистика. 2005-2011 (http://www.org. Ямненко Р. Шоргин С. – Aarhus..С.: ВПЦ “Київський унiверситет”. [6] Кемени Дж. Вероятность. 2007.uk/students/pages/past-exam-papers). – К. [15] Чжун Кай-лай.Е. [13] Феллер В. [18] Meyn S.: ВПЦ “Київський унiверситет”.: Мир. Дослiдження операцiй..: Наука. Страхова справа.. – К. Лекцiї з теорiї вибору та прийняття рiшень. Сухов Ю. Non-life insurance mathematics. Т.: Iнформтехнiка. Мiшура Ю.: Знання. Panjer H. 2000. – М. Lecture notes on risk theory.М.. Afhandling. Ямненко Р. – М. 2008.: Мир. Моделi страхування та теорiя ризику.: Мир.Список рекомендованої лiтератури [1] Базилевич В.L. 1998.I. 2004. [4] Карташов М. – М. – Exam papers of British Institute and Faculty of Actuaries. – М. Математичнi методи в теорiї ризику. 2005.М.И. – К.org. В 2-х кн.actuaries. [3] Зiнченко Н. [19] Mikosch T..П. [23] Subject CT6 “Statistical methods”. [22] Subject 106 “Actuarial mathematics 2”.: ВПЦ “Київський унiверситет”. – К.Я. Бенинг В. and Tweedie R.Й. – John Wiley & Sons. Теория риска для актуариев в задачах. Willmot G. Базилевич К. Akad. – Springer-Verlag. – Exam papers of British Institute and Faculty of Actuaries. Математические основы теории риска: Учебн.М. Uppsala.П. 2004. пособ. 2008. 2008. процеси.: ВПЦ “Київський унiверситет”.: Мир.. Вероятность и статистика в примерах и задачах.Є. [21] Subject CT3 “Probability and Mathematical Statistics”. 1974.org.Н. [7] Королёв В. 2007.Я. [14] Ширяев А.. Iмовiрнiсть. – К. Однородные цепи Маркова. Введение в теорию вероятностей и ее приложения.uk/students/pages/past-exam-papers).actuaries. [2] Де Гроот М. [17] Klugmann S. Markov chains and stochastic stability.М. 153 ..actuaries. 1903. 2007. Approximated framstalling av sannolikhetsfunktionen. – М. Ядренко М. – К. 2008. Loss models. [5] Кельберт М.uk/students/pages/past-exam-papers). Afterforsakring av kollektivrisker.Д.. Фалин А.. 1964.С.: МЦНМО. Inc. [8] Леоненко М. М.. Пархоменко В. Научный мир. 1995.. Теоретико-ймовiрнiснi та статистичнi методи в економетрицi та фiнансовiй математицi. [12] Фалин Г. Оптимальные статистические решения. I: Основные понятия теории вероятности и математической статистики. From data to desicions.. – Springer-Verlag. [9] Моклячук М.И. [11] Пономаренко О.: МЦНМО. An introduction with stochasctic processes. 1970. Almqvist och Wiksell.: ВПЦ “Київський унiверситет”. – К. Снелл Дж.. 1964. [20] Schmidli H.Ю. [16] Lundberg F. – Exam papers of British Institute and Faculty of Actuaries.