Bericht zur Prüfung im Mai 2010 über stochastische Risikomodellierung

und statistische Methoden (Grundwissen)
Richard Herrmann, Dietmar Pfeifer, Dominik Schäfer, Viktor Sandor

Aufgabe 1 (32 Punkte): Sie sind Verantwortlicher Aktuar einer Lebensversicherung und müssen die
Angemessenheit der biometrischen Rechnungsgrundlagen in einem Bestand von Rentenversicherungen in einem Tarif beurteilen. Für die Deckungsrückstellung wird die DAV-Sterbetafel 2004 R (Aggregattafel) verwendet. Die beobachteten Todesfälle sowie die erforderlichen Werte aus der DAVTafel sind:
Sterbewahrscheinlichkeiten nach DAV 2004 R Aggregattafel

Alter

Bestand

70
71
72
73
74
75

10000
10000
10000
10000
10000
10000

beobachtete
Todesfälle
(1)
140
132
170
190
170
230

Basistafel 2.
Ordnung
(2)
0,0188
0,0209
0,0232
0,0257
0,0284
0,0315

Trend-Faktor
bis 2009
0,7538
0,7519
0,7511
0,7515
0,7532
0,7562

Basistafel 2.
Ordnung incl.
Trend bis 2009
(3)
0,0142
0,0157
0,0174
0,0193
0,0214
0,0239

Basistafel 1. Ordnung
=
Basistafel 2.
Ordnung incl. Basistafel 2. Ordnung
Trend bis
incl. Trend u.
2009 und
Schwankungs- und
SchwankungsIrrtumsabschlag
abschlag 6,3%
15,6%
(4)
(5)
0,0133
0,0120
0,0148
0,0133
0,0163
0,0147
0,0181
0,0163
0,0201
0,0181
0,0223
0,0201

Tabelle 1

Anzahl der Todesfälle
350

beobachtete Todesfälle (1)

300

Basistafel 2. Ordnung (2)

250

Basistafel 2. Ordnung incl. Trend bis 2009
(3)

200
Basistafel 2. Ordnung incl. Trend bis 2009
und Schwankungs-abschlag 6,3% (4)

150
Basistafel 1. Ordnung
=
Basistafel 2. Ordnung incl. Trend u.
Schwankungs- und Irrtumsabschlag 15,6%
(5)

100
70

71

72

73

74

75

1

97440 1.18053 6.59159 14.98718 97.91898 18. ob die Anwendung der biometrischen Rechnungsgrundlagen nicht mehr gerechtfertigt ist.50000 0.81250 0.81189 18.00000 k 0 1 2 3 4 5 Bin(6.49628 10.36157 14.18750 0.09024 21.34840 11.00831 11.81473 9.47531 20.37776 9.87944 10.00000 k 0 1 2 3 4 5 6 F(k) 0.98438 1.82080 0.58935 25. mit welchen erwarteten Todesfällen die beobachteten Todesfälle verglichen werden.63094 16.5) k 0 1 2 3 4 • F(k) 0.21034 11.30704 Quantile der  2 -Verteilung: Freiheitsgrade 1 2 3 4 5 6 7 8 9 10 • Bin(5.46595 12.20925 99.83816 14.18818 Die Teststatistiken für den  2 -Test betragen für die Spalten (2) bis (5) der Tabelle 1: 2 .53455 19.02389 7.88343 14.0.68366 15.44938 16.59663 12. ii) Wie und unter welchen zusätzlichen Bedingungen können Sie den Schwankungszuschlag in die Überprüfung einbeziehen? iii) Zu welchen Ergebnissen führen die Tests in diesem Fall? (Signifikanzniveau α = 5 %) Lösungshinweise: • Verteilungsfunktionen F(k) der Binomialverteilung: Bin(4.02277 20.5% 3. i) Begründen Sie.34375 0.27774 21.50731 16.14329 12.03125 0.54758 20. ii) Führen Sie die Überprüfung mit Hilfe dreier unterschiedlicher Testverfahren durch und interpretieren Sie Ihr Ergebnis.5% 7.99146 7.12960 0.95495 23.25139 7.07050 12. (Signifikanzniveau α = 5 %) b) Die biometrischen Rechnungsgrundlagen enthalten einen Sicherheitsabschlag zur Berücksichtigung des Schwankungsrisikos.5% 5.97137 95% 3.17005 5.01704 13.0.27670 15.23636 10.48773 11.a) Überprüfen Sie.5) 90% 2.01563 0.66599 23.70554 4.06714 15. i) Stellen Sie die Herleitung des Schwankungsabschlags der DAV 2004 R dar.47520 0.89063 0.34487 13.0.84146 5.90464 8.74960 18.01276 17.60517 6.00000 92.96875 1.77944 9.08627 16.83250 14.26974 15.10938 0.63490 9.64464 12.48318 99% 6.65625 0.5) F(k) 0.86026 16.

38 (3) 13. es gilt  1 T ~ B 6.h. durchzuführen.  2  und damit 1 P(T  0)     0.h. Iterationstest 3. T = 0. Ordnung inkl. die sich unter Verwendung der Basistafel 2. d. 015625  5% / 2  0.73 (4) 7. Unter Gültigkeit der Nullhypothese ist T binomialverteilt mit Wahrscheinlichkeit ½ für jedes Vorzeichen.und Irrtumsrisiko) darstellen Die Nullhypothese H0 lautet also: Die tatsächlichen Sterbewahrscheinlichkeiten stimmen mit denen der Basistafel 2. ii) Die Überprüfung wird nun mittels drei verschiedener Testverfahren durchgeführt: 1. Hierbei werden die beobachteten Todesfälle mit den nach den verwendeten Rechnungsgrundlagen erwarteten Todesfällen im Beobachtungszeitrum miteinander verglichen. ohne Sicherheiten bez. da nur diese nach unserer Annahme die tatsächlichen Sterblichkeiten im Beobachtungszeitraum (d. Trend bis 2009 überein.58 (5) 16. Der Vergleich der beobachteten Todesfälle ist zunächst mit den erwarteten Todesfällen. 025  2  6 3 .(2) 144. Trend bis 2009 („Jahrestafel 2009“) ergeben. Ordnung inkl. Vorzeichentest 2.  2 -Test Vorzeichentest: Die Teststatistik T ergibt sich aus der Anzahl der positiven Differenzen zwischen den beobachteten und den erwarteten Todesfällen. auf das statistische Schwankungs. stehen verschiedene statistische Testverfahren zur Verfügung. ob die Anwendung der Rechnungsgrundlagen nicht mehr gerechtfertigt ist.h. d.15 Lösung a) i) Zur Überprüfung.  .

da diese Entscheidung nur mit einer 4 .h. dass die verwendeten Rechnungsgrundlagen nicht der Realität entsprechen. Ex wobei Z x die Anzahl der beobachteten Todesfälle und Ex die Anzahl der rechnungsmäßig erwarteten Todesfälle bezeichne. Die Teststatistik ist unter der Nullhypothese näherungsweise χ²-verteilt mit 6 Freiheitsgraden. Ordnung inkl. d. die rechnungsmäßige Sterblichkeit stimmt mit der tatsächlichen nicht überein. d.  2  und damit 1 P(T  0)     0. Das 95%-Quantil der χ²-Verteilung mit 6 Freiheitsgraden ist 12. x70 Der Wert der Teststatistik ist in der Aufgabenstellung angegeben mit 13. es gilt  1 T ~ B 5. T = 0.h. die sich bei den Differenzen zwischen den beobachteten und den rechnungsmäßig erwarteten Todesfällen ergeben.  . Unter Gültigkeit der Nullhypothese ist T binomialverteilt mit Wahrscheinlichkeit ½ für jedes Vorzeichen. Interpretation der Ergebnisse: Alle drei Tests gegen die Basistafel 2.59 (vgl. Trend bis 2009 lehnen die Nullhypothese bei einem Signifikanzniveau von 5% ab. Iterationstest: Die Teststatistik ergibt sich aus der Anzahl der Vorzeichenwechsel. die rechnungsmäßige Sterblichkeit stimmt mit der tatsächlichen nicht überein. Da der Wert der Teststatistik dieses überschreitet. 03125  5%  0.Bei einem Signifikanzniveau von 5 % wird die Nullhypothese daher abgelehnt. Tabelle).73.  2 -Test: Die Teststatistik lautet 75 T  Z x  Ex  2 . 05  2  5 Bei einem Signifikanzniveau von 5 % wird die Nullhypothese daher abgelehnt. Dies heißt aber nicht zwingend. wird die Nullhypothese auch nach diesem Test abgelehnt.

es muss gelten:  ! P  TxM Vx   qx  sx  LMx Vx  1  . dass Z :  TxM Vx x eine normalverteilte Zufallsvariable ist mit Erwartungswert E( Z )   qx LMx Vx x und Varianz Var( Z )   qx (1 qx ) LMx Vx2 . b) i) Die Berechnung des Schwankungsabschlags erfolgt hier anhand eines Modellbestandes von 200.h. Der Schwankungsabschlag muss also so gewählt werden. sind weitere Auswertungen (beispielsweise der vorangegangen Jahre) erforderlich. die kleiner als das zu diesem Zeitpunkt vorhandene Deckungskapital ist.000 Versicherten (je 100. dass mit Wahrscheinlichkeit 1-α die durch Tod im Modellbestand freiwerdende Deckungsrückstellung  x TxM Vx größer als die mit den Sterbewahrscheinlichkeiten qx  sx berechnete freiwerdende Deckungsrückstellung ist: D. Um die Angemessenheit der Rechnungsgrundlagen abschließend beurteilen zu können. Vielmehr kann dieses Ergebnis auch Folge einer zufallsbedingten Schwankung sein. dass sich 90 % der Verträge in der Aufschubzeit befinden. so geht man davon aus. Ziel ist es.und Rentenbezugszeit unterschieden und angenommen. Bei Rentenversicherungen wird im Todesfall in der Aufschubzeit – wenn überhaupt – eine Leistung ausgezahlt.Fehlerwahrscheinlichkeit von 5% gilt. dass der unter Einhaltung des Sicherheitsniveaus 1-α maximal zulässige Schaden. der durch eine geringere Anzahl von Todesfällen als rechnungsmäßig erwartet entsteht. ausgeglichen werden kann. einen Schwankungsabschlag sx auf die Sterbewahrscheinlichkeit qx so zu ermitteln. Frauen). dass im Durchschnitt ein Betrag von qx  LMx Vx frei wird.000 Männer bzw. Es wird zwischen Aufschub. Wird mit einer Sterbewahrscheinlichkeit qx kalkuliert.  x  x Wir können nach dem Zentralen Grenzwertsatz annehmen. x Mit diesen Bezeichnungen sowie der Vorgabe sx  s  qx mit 0  s α  1 ergibt sich aus obiger Bedingung analog die äquivalente Darstellung 5 .

T = 4. P (T  4)  5% / 2  0.h. Trend bis 2009 ergeben. es gilt  1 T ~ B 6. d. Unter Gültigkeit der Nullhypothese ist T binomialverteilt mit Wahrscheinlichkeit ½ für jedes Vorzeichen. T = 4. dass die in den Rechnungsgrundlagen enthaltenen Sicherheiten „aufgebraucht“ wurden. d.  . kann dies ein Hinweis darauf sein. Iterationstest: Die Teststatistik ergibt sich aus der Anzahl der Vorzeichenwechsel.h.h. es gilt 6 . Unter Gültigkeit der Nullhypothese ist T binomialverteilt mit Wahrscheinlichkeit ½ für jedes Vorzeichen. d.h.! P  Z  (1 s  )E( Z )1     Z  E( Z ) P   s   Var( Z ) s   u1 E( Z )  !  1   Var( Z )  Var( Z )  u1 E( Z )  q (1 q ) L q L V x M x x x x M x Vx2 . Ordnung inkl.  2  und damit P (T  4)  0. kann noch überprüft werden.h. d. d. Trend bis 2009 und Schwankungsabschlag das gleiche Ergebnis einstellt.89063 . 025 und P (T  4)  1 5% / 2  0. Ordnung inkl. ob sich bei Tests gegen die Basistafel 2. x x ii) Haben die Tests gegen die Basistafel 2. die sich bei den Differenzen zwischen den beobachteten und den rechnungsmäßig erwarteten Todesfällen ergeben. iii) Vorzeichentest: Die Teststatistik T ergibt sich aus der Anzahl der positiven Differenzen zwischen den beobachteten und den erwarteten Todesfällen. In diesem Fall ist eventuell eine Anpassung der Rechnungsgrundlagen geboten. Ergibt sich auch hier eine Ablehnung der Nullhypothese. dass die Nullhypothese zu dem vorgegebenen Niveau abgelehnt wird.975 Bei einem Signifikanzniveau von 5 % kann die Nullhypothese daher nicht abgelehnt werden.

Da der Wert der Teststatistik dieses nicht überschreitet. €) als Realisierungen einer Paa (2) -Pareto-Verteilung angesehen werden können. die folgendermaßen abgegrenzt sind: i vi 0 1 2 3 0 300 1000 1500 b) Überprüfen Sie mit Hilfe eines P-P-Plots. 025 und P (T  4)  1 5% / 2  0. Aufgabe 2 (22 Punkte): Die folgende Tabelle enthält die Jahres-Schäden einer Sachversicherung der letzten 7 Jahre in Tausend €: Jahr 2003 2004 2005 2006 2007 2008 2009 Schaden 322 87 155 993 1366 814 324 a) Erstellen Sie für diesen Datensatz ein Histogramm mit drei Klassen. d. 1 T ~ B 5. d) Mit welcher Transformation kann man Paa (2) -verteilte Risiken in E(1) -exponentialverteilte Risiken umrechnen. 005. ob die Schäden (ausgedrückt in Mio. c) Berechnen Sie unter dieser Hypothese den Value at Risk sowie den Expected Shortfall zum Risikoniveau   0. Tabelle).58. Das 95%-Quantil der χ²-Verteilung mit 6 Freiheitsgraden ist 12.  2  und damit P (T  4)  0.h. P (T  4)  5% / 2  0.975 Bei einem Signifikanzniveau von 5 % kann die Nullhypothese daher nicht abgelehnt werden. x70 Der Wert der Teststatistik ist in der Aufgabenstellung angegeben mit 7.  2 -Test: Die Teststatistik lautet 75 T  Z x  Ex  2 .  . wird die Nullhypothese auch nach diesem Test nicht abgelehnt. Die Teststatistik ist unter der Nullhypothese näherungsweise χ²-verteilt mit 6 Freiheitsgraden. so dass der zugehörige P-P-Plot gleich bleibt? Lösung: 7 .59 (vgl.96875 . Ex wobei Z x die Anzahl der beobachteten Todesfälle und Ex die Anzahl der rechnungsmäßig erwarteten Todesfälle bezeichne.

087 0.696 0.993 1.875 0. mit F ( x)  1 k k 8 x( k ) F  x( k )  1 0.322 0. 000286 3500 Intervallbreiten bi Rel. 000952 2100 4  0.125 2 1 : (1  x) 2 3 0. 000816 4900 1  0.154 0.430 0.375 4 5 0.25 0.5 0.821 8 .75 0.428 0.366 0.a) Berechnung der Kenngrößen für das Histogramm: i Klassengrenzen vi 0 0 1 300 2 1000 3 1500 300 2 7 700 4 7 500 1 7 2  0.748 0.625 6 7 0.155 0.814 0.324 0.250 0. Klassenhäufigkeiten f  K i  Höhen H i  f  Ki  bi Histogramm b) Kenngrößen für den P-P-Plot.

n   c) Weisen Sie nach.h. dass L : 0.Beurteilung: nach visuellem Eindruck akzeptabel 1 1 c) Es gilt: F ( x)  1 u  x 1 für 0  u  1. Aufgabe 3 (36 Punkte): Die Krankheitsdauer X in Wochen wird als Zufallsvariable mit Dichte 2 2 xe(  x )2 f ( x)    0  . d.    0  0       speziell: VaR 0. 9 .284.x0 . b) Bestimmen Sie E  X 2  mit Hilfe von a).1 -verteilt. denn F ( X ) ist U 0.   . Gegeben seien Beobachtungen x1 . L( )   2 n exp  2  xi 2  eine Likelihoodfunktion zu den   i 1 gegebenen Daten ist. xn . es gilt 2 (1  x) 1 u VaR  ( X )  F 1 (1  )  1 1     1 1  1 1 2 ES ( X )   VaR u ( X ) du    1 du  2     1.x0 modelliert. .  1    2  ln(1  x) d) Die streng monotone stetige Transformation T ( x)   ln(1 F ( x))   ln   (1  x) 2  leistet das Verlangte.142 und ES0. a) Gehört f zu einer Exponentialfamilie? Geben Sie gegebenenfalls den natürlichen Parameter an.005 ( X )  27. wobei   0 gilt.005 ( X )  13.

26 8.54 26. e) Bestimmen Sie die Informationsmatrix.63 6.61 5.49 16 6.025 0.1 0.30 28. g) Testen Sie mit dem Likelihood Quotienten Test die Hypothese H 0 :   0  0.31 23. i 1 f) Bestimmen Sie den Maximum Likelihood Schätzwert für diese Daten.31 25. Quantile der m2 -Verteilung p 0.05 0.95 0.12 15 6.02 2 0.26 7.10 0.71 3.85 m h) Geben Sie mit Hilfe des Likelihood Quotienten Tests ein Schätzintervall für  zu einem Niveau von 95 % an.00 27.99 7.91 7.9 0.  x 2 i i i 1  36.975 1 0.79 21.00 0.02 2.84 5.69 26.00 0. Verwenden Sie dazu den folgenden Funktionsgraphen und begründen Sie Ihre Antwort.96 9.55 22.d) Bestimmen Sie für den Parameter  einen Maximum Likelihood Schätzer zu den gegebenen Daten.21 4.38 14 5. Graph der Funktion   64 ln( )  72 2 10 .5 zum Signifikanzniveau   10%.06 23.57 7.05 0. Für den Rest der Aufgabe gelte n  16 und 16 16  x  20.

Die gemeinsame Dichte der X 1 . b     ln   . die nicht von  abhängt eindeutig bestimmt... a  x  ln 2 x . Damit ist der natürliche Parameter     . t  x  x 2 ... Mit dem natürlichen Parameter ergibt sich dann die Exponentialfamilie in kanonischer Form f  x   exp  x 2  ln 2 x   ln . Zu b) Es gilt b '  t  X     X 2  also b '   1 1 1  2 und somit   X 2    .Lösung Zu a) f gehört zu einer Exponentialfamilie.    Zu c) Eine Maximum Likelihood ist bis auf eine Konstante. X n ergibt sich zu 11 . denn es gilt für x  0 : f ( x)  exp   x 2  ln  2  ln(2 x)  exp c( )t ( x)  a ( x)  b( ) mit c      .

5     . die nicht von  abhängt.     Zu f) 16 4 2 Einsetzen in d) führt zum Schätzwert ˆ    36 6 3 Zu g)   2  Zu bestimmen ist die Testgröße W  2      ˆ  2  0.5      W  2  0. wird die Annahme    verworfen. i 1 Zu d) Es gilt: n    : ln L    2n ln      xi 2 i 1  '    n 2n  2  xi 2  i 1  ''    n 2n 2 xi 2   2  i 1 Auflösen der Gleichung  '   0 ergibt wegen  ''  0 den ML-Schätzer ˆ  n .  n 2   n   n  n   f  x1 ..11 2   3   4 9     3   H 0 wird verworfen. Zu h) 12 .11  2.  i1   i1    i 1 n n n Somit folgt die Behauptung. n X 2 i i 1 Zu e) Die Informationsmatrix ergibt sich mit b) und d) I      ''   2n n 4n  2    .1  2. da 2n  xi eine Konstante ist.5      2 32 ln    36     4. Bei der gegebenen  3      Stichprobe ist     32 ln   36  und somit        2   1 4   0. 71 gilt. Da W  4... xn   2   xi  exp   xi   2  xi  L   .10. 71 . wenn W  1..

02 0. Im Rahmen des „linearen“ Credibility-Ansatzes wird H durch H  mit H **   X  (1  ) E ( X ) approximiert. Der Strukturparameter  sei allerdings nicht direkt beobachtbar.50 1.76 0.48 0. dass für das betrachtete Risiko n unabhängige Replikationen X 1 .68 0.85 1.84 bestimmt. Bei bekanntem  ergibt sich damit als Netto-Jahresprämie H ()  E[ X | ].10 0.18 0.51.62 0. wobei  Var  H () Var  X   Var ( X )  n1 E Var[ X | ] Var ( X ) .72 0.04 1.20 1. Im folgenden wird davon ausgegangen.30 empirischer Mittelwert µi (pro Risiko i) 1. a) Gegeben seien Jahresschäden für 6 Risiken aus den Jahren 2006 bis 2009 (Werte in T€): Risiko / Jahr 1 2 3 4 5 6 2006 1. so dass der Aktuar auf Approximation von H () angewiesen ist (so genannter Credibility-Ansatz). also kann man das Schätzintervall 0.02 2007 1.62 1. Im gegebenen Funktionsgraphen ist f bis auf eine Verschiebung gegeben.95   betrachtet.05 0.54 13 .01 0. Aufgabe 4 (30 Punkte): Die Zufallsvariable X bezeichne den Jahresgesamtschaden eines Risikos. das Schätzintervall ist dann durch f 1 0.60 1.0.51 1.48 Mittelwert (pro Spalte) Varianz (pro Spalte) 1.78 0.87 1.95   f 1 0.04 0. 1.87 2009 1.97 2008 1. .35 0.3.53 0.10 0.16 1. mit arithmetischem Mittel X .  2    2  f    2  ˆ      2         2     32 ln   36      3    3    Es wird die Funktion    64 ln   72   57.85 ablesen.26 0. X n von X vorliegen.59 1.49 0.82 0. Der Jahresgesamtschaden hänge dabei von einem Strukturparameter in Form einer Zufallsvariablen  ab.35 0.09 0.50 0.38 0.38 0.0.92 empirische 2 Varianz si (pro Risiko i) 0.

. identisch verteilte Realisierungen si2 der empirischen Varianz s2 von X1..  .. i 1. Berechnen Sie die allgemeine Credibility-Prämie H * : E  H () | X 1 . Des Weiteren sei X bei gegebenem    gleichverteilt auf 0. a] ist.  2 n  2 m1n  a1n * Lösung a) Aufgrund der Unabhängigkeitsannahmen der Credibility-Theorie kann die vorletzte Spalte als unabhängige. Mit n = 4 ergibt sich  Var ( X )  n1 E Var[ X | ] Var ( X )  0. Die Jahresschäden jedes Risikos i seien zudem bedingt unabhängig bei gegebenem i ...10  0.. X n  xn ()  n 1 1  n 1n m a  1n 1 [ m. identisch verteilte Realisierungen i des empirischen Mittels X angesehen werden... .01 und Var  X  durch die empirische Varianz 0.35 / 4  0. dass die Risiken 1 bis 6 sowie die zugehörigen Strukturparameter 1 bis 6 unabhängig und identisch verteilt sind.125 0. 4 wenn Sie dies mit der Schätzung für E (X ) aus a) vergleichen? c) Unter den gemachten Annahmen gilt E( X )  E  H ()  d) Berechnen Sie damit den Wert der allgemeinen Credibility-Prämie H * für Risiko 1. n a . b) Unter der gegebenen Verteilungsannahmen gilt nach der Formel von Bayes 14 . Folglich ist E Var[ X | ]  E  E[ s 2 | ]  E  s 2  . Hinweis: Dabei können Sie davon ausgehen. Wegen der Erwartungstreue der empirischen Varianz gilt E[ s 2 | ]  Var[ X | ] . Damit kann man E ( X )  E ( X ) durch das empirische Mittel 1....125 b) Der Aktuar geht nun davon aus..10 und H **   X  (1  ) E ( X )  0. Daher kann man E Var[ X | ] durch das empirische Mittel 0.875 1. 01  1. Begründen Sie Ihre Vorgehensweise..Schätzen Sie in diesem Beispiel E ( X ). Berechnen Sie  und die lineare Credibility-Prämie H ** für Risiko 1. 1 n 1 m 2n  a 2n Hinweis: Gemäß b) gilt H   . Kontrollergebnis:   0.a ] () mit m : max xi . 08 . mit einem a  0.1 schätzen. Var  X  und E Var[ X | ] . Kontrollergebnis: Im Verlauf der Rechnung ermitteln Sie f| X1  x1 . Welche Schätzung für a ergibt sich. dass der Strukturparameter  gleichverteilt auf [0. Xn.125 1.. Die letzte Spalte enthält unabhängige. 60  0.. X n  .35 schätzen.

...a ] () .. 1n m a  1n  .a ] ()   a   i 1   n 1 1 1 ()  1[0. X n  xn () d  2 m Gleichzeitig ist H()  E[X | ]  n 1 n 1 m 2n  a 2n 1n      d n2 2 m1n  a1n  m 2 m1n  a1n  a  1 n 1 m 2n  a 2n    .a ] () a  c mit einer geeigneten Normierungskonstanten c.. 2 4  2 1. X n  xn () d    c  0 m 1 c d   m1n  a1n  .85... dass xi    a für alle i. 043 * 15 .. Dabei beachte man... n f| X1  x1 ..... X n ]    f| X1  x1 .a ] () n [max i1..... 04 . ) a  1  c  n 1[maxi1. 04 folgt 1 4 1 1..n xi . und die allgemeine Credibility-Prämie ist 2 a  H * : E[ H () | X 1 . d) Für Risiko 1 ist m = 1...n xi .. Insgesamt ergibt sich i 1.. ] ( xi )   1[0. 042 H     1... 21. X n  xn ()  c  f X1 ... X n | ( x1 . 2 n  2 m1n  a1n c) Es gilt in der Tat (dies war nicht nachzurechnen) a E ( X )  E  H ()   0  1  f  ( ) d   2 2a a 1   d   4a  a 0 2  a .. 4 Gleichsetzen mit der Schätzung E ( X )  1. und mit n = 4 und a  4... 01 ergibt a  4... n a a (n 1) wobei m : max xi .. xn )  f () 1  1  c    1[0.....Die Normierungskonstante c folgt aus ! a a 1  f| X1  x1 ...852  4..853  4.f| X1  x1 . X n  xn ()  n 1 1  n 1[ m .