TEORIA RYZYKA. Ryszard Szekli

Wielkość: px
Rozpocząć pokaz od strony:

Download "TEORIA RYZYKA. Ryszard Szekli"

Transkrypt

1 TEORIA RYZYKA Ryszard Szekli Skrypt do wykładu - Uniwersytet Wrocławski -22/23

2 2

3 Spis treści Wprowadzenie 5 3 Prawdopodobieństwo ruiny: czas dyskretny 3. Proces ryzyka jako błądzenie losoweprawdopodobieństwo ruiny Współczynnik dopasowania Prawdopodobieństwo ruiny - lekkie ogony *Prawdopodobieństwo ruiny: czas ciągły 9 4. Proces zgłoszeń - teoria odnowy Prawdopodobieństwo ruiny: proces zgłoszeń Poissona Prawdopodobieństwo ruiny dla rozkładów fazowych Prawdopodobieństwo ruiny dla rozkładów ciȩżkoogonowych Funkcje Copula Definicja i własności funkcji copula Funkcje copula Archimedesa Model zrandomizowany Przykłady modeli z zależnymi wielkościami roszczeń Roszczenia o rozkładzie Pareto z funkcją Copula Claytona Roszczenia o rozkładzie Weibull a z funkcją Copula Gumbel a Odstępy między roszczeniami o rozkładzie Pareto z funkcją Copula Claytona Odstępy między roszczeniami o rozkładzie Weibulla z funkcją Copula Gumbel a Dalsze rozszerzenia metody mieszania Techniki statystyczne dla rozkładów ci agłych Dopasowanie rozkładu do danych Dystrybuanta empiryczna Wykres kwantylowy (Q-Q plot) Średnia funkcja nadwyżki

4 4 SPIS TREŚCI 5.2 Rozkład Pareto *Rozkłady typu Pareto Rozkłady z ciȩżkimi ogonami Klasy podwykładnicze Dodatek Funkcje specjalne Parametry i funkcje rozkładów Estymacja momentów Rozkłady dyskretne Rozkład dwumianowy Bin(n, p) Rozkład Poissona P oi(λ) Rozkład ujemny dwumianowy Bin (r, p) Rozkłady ci agłe Rozkład normalny Rozkład odwrotny normalny IG(µ, σ 2 ) Rozkład logarytmiczno-normalny LN(µ, σ) Rozkład wykładniczy Exp(λ) Rozkład Gamma Gamma(α, β) Rozkład Weibulla W ei(r, c) Rozkład Pareto P ar(α, c) Literatura 84

5 Rozdział Wprowadzenie Zawód aktuariusza jest jednym z najstarszych w świecie finansów. Historia tego zawodu rozpoczyna sie w połowie dziewietnastego wieku wraz z ubezpieczeniami na życie i aż do lat sześćdziesiatych dwudziestego wieku matematyczne metody aktuariusza zwiazane były z wycena kontraktów ubezpieczeniowych, tworzeniem tablic przeżycia na podstawie danych statystycznych oraz z wyliczniem rezerw pienieżnych firmy. W latach sześćdziesiatych rozpoczeto stosowanie matematycznych metod do stworzenia teorii ryzyka na użytek ubezpieczeń majatkowych i osobowych. Punktem wyjścia był standardowy złożony proces Poissona, którego pomysł pochodzi od Filipa Lundberga z 93 roku, a który matematycznie został opracowany przez Haralda Cramera w latach trzydziestych. Do lat dziewiećdziesi atych był on rozwijany na różne sposoby. Proces Poissona został zastapiony przez proces odnowy oraz przez proces Coxa, nastepnie użyto procesów Markowa kawałkami deterministycznych, wreszcie wprowadzono losowe otoczenie pozwalajace na modelowanie losowych zmian w intensywności zgłoszeń szkód i wielkości szkód. Pojawia sie wiele ksiażek z teorii ryzyka, na prykład Bowers et al., Buhlman, Daykin, Pentakainen i Pesonen, Embrechts, Kluppelberg i Mikosch, Gerber, Panjer i Willmot, Rolski et al., Assmussen. Jednym z najbardziej matematycznie interesujacych zagadnień w teorii ryzyka jest zagadnienie ruiny, gdzie czasy pierwszego przekroczenia wysokiego poziomu rezerwy kapitałowej sa w centrum uwagi. Stare i nowe rezultaty na tym polu moga być wytłumaczone przez teorie martyngałów i użyte do pokazania nierówności Lundberga dla bardzo ogólnych modeli dowodzac, iż dla małych szkód prawdopodobieństwo ruiny daży do zera wykładniczo szybko wraz z rezerwa poczatkow a. Specjalna teoria pojawia sie dla szkód potencjalnie dużych. Warunkowe twierdzenia graniczne pozwalaja zrozumieć trajektorie prowadzace do ruiny. Interesujacy rozkwit metod matematycznych w latach dziewiećdziesi atych dokonał sie głównie z dwóch przyczyn: wzrostu szkód zwiazanych z katastrofami oraz z gwałtownego rozwoju rynków finansowych. 5

6 6 ROZDZIAŁ. WPROWADZENIE Wielkie katastrofy i szkody lat siedemdziesiatych i osiemdziesiatych spowodowały przekroczenia rezerw na rynku ubezpieczeń pierwotnych i wtórnych. Szybko rosnacy rynek finansowy w tym czasie poszukiwał nowych możliwości inwestycyjnych również w zakresie przyjmowania zakładów w zakresie naturalnych katastrof takich jak trzesienia ziemi i huragany. Czestość wystepowania i rozmiary wielkich szkód stworzyły potrzebe wprowadzenia wyszukanych modeli statystycznych do badania procesu szkód. Teoria wartości ekstremalnych dostarcza niezbednych matematycznych narzedzi do wprowadzenia nowych metod. Pojawiaja sie ksiażki w zakresie teorii wartości ekstremalnych w kontekście problematyki ubezpieczeniowej, na przykład Embrechts et al., Reiss and Thomas. W latach osiemdziesiatych banki inwestycyjne dostrzegaja, iż zabezpieczanie sie przed ryzykiem finansowym nie jest wystarczajace ze wzgledu na dodatkowe ryzyka rynkowe. Tak zwany traktat z Bazylei z roku 988 z poprawkami z lat , wprowadza tradycyjne metody ubezpieczeniowe budowania rezerw do sfery ryzyka bankowego. Rezerwy musza być tworzone na pokrycie tzw. earning at risk, to znaczy różnicy miedzy wartościa średnia a kwantylem jednoprocentowym rozkładu zysku/straty (profit/loss). Wyznaczenie tak małego kwantyla wymaga bardzo specjalnych metod statystycznych. Metody aktuarialne stosowane sa również do modelowania ryzyka kredytowego. Portfele kredytowe sa porównywalne z portfelami ryzyk ubezpieczeniowych. Przyszły rozwój metod ubezpieczeniowych zwiazany jest z powstawaniem złożonych rynków ubezpieczeniowych, firmy ubezpieczeniowe oczekuja elastycznych rozwiazań zapewniajacych pomoc w całościowym podejściu do zarzadzania ryzykiem. Całkiem naturalnie na tym tle wprowadzane sa metody pochodzace z teorii stochastycznej optymalizacji. Wiele zmiennych kontrolnych takich jak wielkość reasekuracji, dywidendy, inwestycje sa badane łacznie w sposób dynamiczny prowadzac do równań Hamiltona-Jakobiego-Bellmana, rozwiazywanych numerycznie. Po tym krótkim nakreśleniu historii rozwoju metod matematycznych w ubezpieczeniach wracamy do podstawowego modelu. Pomyślmy o konkretnej sytuacji. Przegl adaj ac wszystkie polisy ubezpieczeniowe, zakupione w jednej firmie ubezpieczeniowej, które ubezpieczaj a skutki pożaru mieszkań w pewnej dzielnicy dużego miasta, najprawdopodobniej natkniemy siȩ na porównywaln a wartość ubezpieczanych dóbr oraz możemy przyj ać, iż szanse na pożar w poszczególnych budynkach s a podobne. Taki zbiór polis tworzy jednorodny portfel ubezpieczeniowy. Wiȩkszość firm ubezpieczeniowych używa tego rodzaju portfeli jako podstawowych cegiełek swej działalności. Cegiełki takie, odpowiednio ułożone, tworz a wiȩksze bloki działalności takie jak ubezpieczenia od ognia, ubezpieczenia ruchu drogowego, ubezpieczenia przed kradzieżami, ubezpieczenia maj atkowe itd. Blok ubezpieczeń od ognia zawiera wtedy wiele portfeli różni acych siȩ rodzajami ryzyka, na przykład dla: wolno stoj acych domów, domów szeregowych, budynków wielomieszkaniowych, sklepów, marketów

7 itd., które wymagaj a osobnego określenia ryzyka ubezpieczeniowego dla każdego rodzaju i wyliczenia innej składki ubezpieczeniowej, choćby z tego tylko powodu, iż rozmiar szkody w poszczególnych portfelach może być nieporównywalny. W dalszym ci agu skupiać bȩdziemy nasz a uwagȩ na analizie pojedynczych portfeli, które składać siȩ bȩd a z wielu elementów natury losowej lub deterministycznej. Podstawowym parametrem portfela jest czasokres w którym ubezpieczone ryzyka mog a generować szkody. Zwykle dane odnosz ace siȩ do danego portfela obejmuj a okres jedengo roku. Kluczowym parametrem jest rezerwa pocz atkowa (kapitał pocz atkowy), wyznaczany na pocz atku czasokresu w celu pokrycia kosztów wynikaj acych ze zgłoszonych szkód w portfelu. Same zgłoszenia wyznaczone s a przez chwile zgłoszeń T < T 2 < T 3 <..., przy czym wygodnie jest przyj ać iż T = < T. Liczbȩ zgłoszeń do chwili t > definiujemy przez N(t) = max{n : T n t}. Każde zgłoszenie zwi azane jest z wielkości a zgłaszanej szkody oznaczanej przez X n, dla n tego zgłoszenia. Przy tych oznaczeniach całkowita wartość szkód zgłoszonych do chwili t równa siȩ S(t) = N(t) i= X i. (Przyjmujemy S(t) =, gdy N(t) = ). Oznaczmy przez H(t) wartość składek zebranych w portfelu do chwili t. Zwykle przyjmujemy, że H(t) = ct, dla pewnej stałej wartości c >. Wtedy rezerwa kapitału w portfelu, przy założeniu, że kapitał pocz atkowy wynosi u, wyraża siȩ wzorem R(t) = u + H(t) S(t). Zakładaj ac, że momenty zgłoszeń oraz wielkości szkód s a zmiennymi losowymi, możemy interpretować kolekcjȩ zmiennych (R(t), t > ) jako proces stochastyczny. (Jest to tak zwany proces ryzyka). Badanie procesu ryzyka jest centralnym zagadnieniem tak zwanej teorii ryzyka, która z kolei stanowi niew atpliwie j adro matematyki ubezpieczeniowej poświȩconej ubezpieczeniom majatkowym i osobowym. Nakreślimy teraz bliżej zestawy założeń przyjmowanych o zmiennych losowych tego modelu, które umożliwiaj a dokładniejsz a analizȩ portfeli. Rozpoczniemy od podania detali dotycz acych ci agu zgłoszeń. O zmiennych losowych T, T 2,...można przyj ać wiele różnych założeń. W pewnych szczególnych przypadkach użytecznym i odpowiednim założeniem jest to, iż ci ag ten tworzy proces odnowy, tzn. ci ag zmiennych losowych odstȩpów miȩdzy zgłoszeniami W i = T i T i, i =, 2,..., jest ci agiem niezależnych zmiennych losowych o jednakowych rozkładach. Taki proces zgłoszeń jest elementem składowym modelu Sparre Andersena, który bȩdzie opisany detalicznie później. Klasycznym przykładem procesu odnowy jest proces Poissona, w którym odstȩpy miȩdzy zgłoszeniami maj a rozkład wykładniczy. Ponieważ rozkład wykładniczy jako jedyny ma własność braku pamiȩci, proces Poissona ma wiele strukturalnych własności odróżniaj acych go od innych procesów. (Własność braku pamiȩci rozkładu wykładniczego jest zdefiniowana przez równość P (W > x + y W > y) = P (W > x), dla x, y > lub równoważnie P (W > x + y) = P (W > x)p (W > y)). Na przykład, dla procesu Poissona P (N(t) = k) = e λt (λt) k, k =,,..., gdzie < λ = (EW ), przy tym, k! EN(t) = λt = V arn(t). Ponadto liczby zgłoszeń w rozł acznych przedziałach cza- 7

8 8 ROZDZIAŁ. WPROWADZENIE sowych w procesie Poissona tworz a kolekcjȩ niezależnych zmiennych losowych. W praktyce aktuarialnej zauważono już dawno, iż stosunek wartości oczekiwanej do wariancji w procesach zgłoszeń (N(t), t > ) bardzo czȩsto nie jest równy jeden (tak jest w procesie Poissona). Można to wytłumaczyć tym, że indywidualne szkody w portfelu s a zgłaszane zgodnie z procesem Poissona o pewnej wartości średniej, lecz wartość średnia ilości indywidualnych zgłoszeń może być różna dla każdej z polis w portfelu. Takie założenie prowadzi do procesu zgłoszeń dla którego P (N(t) = k) = e λt (λt) k df (λ), gdzie F jest pewn a dystrybuant a określaj ac a k! rozkład parametru λ w zbiorze możliwych wartości w danym portfelu (zakładamy zawsze, że λ > ). Wygodnie jest przyj ać, że istnieje zmienna losowa Λ określajaca losow a wartość parametru λ, spełniaj aca P (Λ λ) = F (λ). Zakładamy przy tym, że Λ jest zmienn a losow a niezależn a od indywidualnych procesów Poissona. Proces (N(t), t > ) spełniaj acy te założenia jest tak zwanym mieszanym Procesem Poissona. Szczególny przypadek, gdy Λ ma rozkład gamma, odpowiada tak zwanemu procesowi Polya. Inna użyteczna klasa procesów zgłoszeń jest wyznaczona zwi azkiem rekurencyjnym postaci P (N(t) = k) = (a + b )P (N(t) = k ),dla k =, 2,... oraz pewnych k stałych a, b (być może zależnych jedynie od t). Rozkład geometryczny, dwumianowy i Poissona znajduj a siȩ w tej klasie, przy odpowiedniej specyfikacji stałych a, b. Dla takich procesów Panjer pokazał użyteczn a rekurencjȩ pozwalaj ac a wyznaczyć rozkład całkowitej wartości szkód w portfelu. Wspomniana wcześniej własność procesu Poissona, iż liczby zgłoszeń w rozł acznych przedziałach czasowych tworz a kolekcjȩ niezależnych zmiennych losowych stanowi punkt wyjścia do teorii procesów o niezależnych przyrostach. Procesy zgłoszeń posiadaj ace tȩ własność s a procesami, dla których P (N(t) = k) = i= e λt (λt) i p i i! k, gdzie p i k oznacza i krotny splot funkcji prawdopodobieństwa (p k, k =,,...). Oznacza to, że liczbȩ zgłoszeń można zapisać w postaci N(t) = K(t) i= Y i, gdzie (K(t), t > ) jest Procesem Poissona niezależnym od ci agu zmiennych (Y i, i =, 2,...), które s a z kolei wzajemnie niezależne o jednakowym rozkładzie (p k, k =,,...) Takie procesy s a złożonymi procesami Poissona. Podstawowym założeniem o wielkościach zgłaszanych szkód w portfelu jest to, iż tworz a one ci ag X, X 2,... niezależnych zmiennych losowych o jednakowych rozkładach. W zasadzie każda dystrybuanta skoncentrowana na [, ) może być użyta do określenia rozkładu wielkości szkód, jednakże czȩsto odróżnia siȩ dystrubuanty o lekkich i cieżkich ogonach. Dystrybuanty o lekkich ogonach s a asymptotycznie równoważne rozkładowi wykładniczemu. Dystrybuanty o ciȩzkich ogonach służ a do modelowania szkód, które mog a osi agać wartości relatywnie bardzo duże z istotnymi prawdopodobieństwami (tak jak siȩ zdarza w przypadku portfeli ubezpieczeń od pożarów). Typowym rozkładem ciȩżkoogonowym używanym w praktyce jest rozkład Pareto.

9 Łatwo wyobrazić sobie sytuacje, w których proces zgłoszeń (N(t), t > ) i ci ag wielkości zgłaszanych szkód (X n, n =, 2,...) s a zależne, jak na przykład w przypadku szkód wynikaj acych z wypadków drogowych, kiedy to intensywność zgłoszeń jak również rozmiar szkód zależ a od warunków drogowych zwi azanych z por a roku. Obliczenie rozkładu całkowitej wartości szkód jest w tym przypadku możliwe jedynie w bardzo specjalnych przypadkach. Dlatego przyjmuje siȩ bardzo często, że (N(t), t > ) oraz (X n, n =, 2,...) s a niezależne. Nawet przy tym założeniu wyliczenie rozkładu S(t) nie jest łatwym zadaniem. Podstawowym wzorem w tym przypadku jest P (S(t) x) = i= P (N(t) = i)fx i (x), gdzie F X (x) = P (X x). Jak widzimy potrzebne s a sploty FX i, dla których proste wzory s a znane jedynie w nielicznych przypadkach. Z tego powodu musimy zdać siȩ czȩsto na aproksymacje. W przypadku, gdy liczba zgłoszeń jest duża a rozkłady maj a skończone wariancje można bȩdzie zastosować Centralne Twierdzenie Graniczne (CTG) i wtedy P (S(t) x) Φ( x ES(t) ). Aproksymacja tego rodzaju jest bardzo niedokładna, (V ars(t)) /2 gdy tylko niewielka ilość szkód wyznacza wartość całego portfela (tak jak w przypadku szkód o ciȩżkich ogonach). Wyznaczenie dobrych aproksymacji w takich przypadkach jest bardzo trudne. Użyliśmy oznaczenia H(t) dla oznaczenia wielkości składek zebranych w portfelu do chwili t. Zwykle składki pobierane s a raz do roku od indywidualnych posiadaczy polis, jednakże wygodniej jest założyc, iż napływ składek odbywa siȩ jednorodnie w ciagu całego roku. Wyznaczenie wielkości H(t) jest jedn a z niewielu rzeczy na jakie może wpłyn ać ubezpieczaj acy i musi być dokonane w taki sposób, aby pokryć zobowi azania w portfelu wynikaj ace ze zgłaszanych szkód. Z drugiej strony zawyżanie wysokości składek jest ograniczane konkurencj a na rynku ubezpieczeń. Najbardziej popularn a form a składki jest H(t) = ( + θ)en(t)ex, dla pewnej stałej θ odzwierciedlajacej narzut gwarantuj acy bezpieczeństwo działania (safety loading). Taki sposób naliczania składki nie odzwieciedla losowej zmienności portfela, dlatego alternatywnie używa siȩ wzorów uwzglȩdniaj acych wariancje składowych zmiennych losowych. Jeszcze innym aspektem w trakcie naliczania składek jest fakt, że nie wszyscy indywidualni posiadacze polis w danym portfelu powinni płacić składki w tej samej wysokości oraz składki powinny zależeć od historii indywidualnej polisy. Rezerwa kapitału R(t) = u + H(t) S(t) przybiera szczególnie prost a postać, gdy przyjmiemy iż parametr czasu przebiega zbiór liczb naturalnych. Oznaczaj ac wtedy przez H n składki zebrane w n jednostkach czasu oraz przez S n sumaryczne szkody zgłoszone w n jednostkach czasu otrzymujemy rezerwȩ w n tej chwili R n = u + H n S n (przyjmujemy S =, H = ). Przy dodatkowym założeniu, że przyrosty H n H n oraz S n S n s a wzajemnie niezależne dla n = 2, 3,..., otrzymujemy ci ag (R n, n =,, 2,...) zwany bł adzeniem losowym (random walk). Ogólnie trajektorie przebiegu w czasie wartości R(t) obrazuj a zachowanie siȩ losowego procesu, w którym trend dodatni reprezentuje H(t),a trend ujemny S(t). Przedmiotem inten- 9

10 ROZDZIAŁ. WPROWADZENIE sywnych badań teoretycznych jest tak zwane prawdopodobieństwo ruiny w procesie (R(t), t > ). Jesli przez τ = inf{t > : R(t) < } oznaczymy pierwsz a chwilȩ, gdy rezerwa przyjmie wartość ujemn a (tak zwana chwila ruiny), to prawdopodobieństwem ruiny jest ψ(u) = P (τ < ). W przypadku, gdy wielkości szkód maj a rozkład lekkoogonowy, można podać aproksymacje i ograniczenia na ψ(u) (bȩd a to wzory oparte o funkcjȩ wykładnicz a). W przypadku ciȩżkich ogonów aproksymacje istniej a dla tak zwanych rozkładów podwykładniczych (subexponential). Ostatnim zagadnieniem omówionym w tym wprowadzeniu bȩdzie reasekuracja. Reasekuracja jest podstawow a aktywności a ubezpieczycieli. Firmy ubezpieczeniowe podpisuj a kontrakty reasekuracyjne w celu zmniejszenia szansy na odpowiedzialność za szkody tak duże, że mogłyby zagrozić wypłacalności firmy. Taka sytuacja może nast apić na przykład w sytuacji, gdy zgłoszone zostan a szkody o nadzwyczaj dużej wielkości lub gdy ilość zgłoszeń skumuluje siȩ tworz ac nadzwyczaj duże skupiska lub gdy nastapi a nadzwyczajne zmiany w trakcie zbierania składek (niespodziewana inflacja, nagły wzrost kosztów działania itp.). Reasekuracja zwiȩksza możliwości firmy ubezpieczeniowej i jej elastyczność pozwalaj ac na oferowanie szerszego zakresu usług ubezpieczeniowych. Wiȩkszość ze stosowanych kontraktów reasekuracyjnych mieści siȩ w nastȩpuj acym zbiorze możliwości. Niech Z(t) = S(t) D(t) oznacza czȩść szkód podlegaj acych reasekuracji, gdzie D(t) oznacza wielkość własnej odpowiedzialności firmy (deductible). Oczywiście, firma ubezpieczeniowa za przekazanie odpowiedzialności za Z(t) musi czȩść zebranych składek przekazać firmie reasekuracyjnej. Ta z kolei może post apić podobnie rozpoczynaj ac cały łańcuch reasekuracyjny. Reasekuracja proporcjonalna odpowiada sytuacji, gdy Z(t) = as(t), dla pewnej stałej a (, ). Reasekuracja excess-loss wynika z zasady Z(t) = N(t) i= (X i d) +, gdzie d jest dodatnim poziomem retencji oraz x + = max(, x). Oznacza to, iż do reasekuracji przekazywane s a sumaryczne nadwyżki indywidualnych szkód ponad poziom retencji d. Taki kontrakt, przy dużej ilości zgłoszeń prowadzi do dużych kosztów administracyjnych. Reasekuracja stop-loss wyznaczona jest przez Z(t) = (S(t) D) +, dla poziomu retencji D wyznaczonego dla całego portfela. Taka reasekuracja zabezpiecza przed nadzwyczaj duż a ilości a niewielkich szkód. Istniej a liczne inne sposby reasekuracji oraz ich kombinacje, jednakże ze wzgladu na ich złożoność nie s a powszechnie akceptowane.

11 Rozdział 3 Prawdopodobieństwo ruiny: czas dyskretny Rozważmy nastȩpuj acy proces: R n = u + cn S n, n =,,..., (3..) gdzie u jest kapitałem pocz atkowym towarzystwa ubezpieczeniowego, c - składk a otrzyman a w ci agu jednego okresu, a S n = W + +W n - sumą szkód wypłaconych do chwili n. Zmienne losowe (W i ) i s a wypłatami w i-tym okresie. Proces (R n ) n nazywamy procesem nadwyżki ubezpieczyciela lub procesem ryzyka. Interesować nas bȩdzie zmienna losowa T postaci T = min{n : R n < }, (zmienna ta nazywana jest momentem technicznej ruiny), jak również ψ(u) = P (T < ), czyli prawdopodobieństwo ruiny, jeżeli kapitał pocz atkowy wynosił u. 3. Proces ryzyka jako błądzenie losoweprawdopodobieństwo ruiny Ciąg R n możemy zapisać jako błądzenie losowe startujące z poziomu u R n = u + (c W ) + + (c W n ),

12 2 ROZDZIAŁ 3. PRAWDOPODOBIEŃSTWO RUINY: CZAS DYSKRETNY oraz ψ(u) = P ( i {R i < }) = P ( i {S i ci > u}) = P (max(s i ci : i ) > u). Prawdopodobieństwo ruiny jest więc równe prawdopodobieństwu, że maksymalna wartość pewnego błądzenia losowego przekroczy poziom u. Oznaczmy to maksimum przez M = max(, W c, (W c) + (W 2 c),...), gdzie błądzenie losowe ma przyrosty postaci W i c, stąd ψ(u) = P (M > u). Powstaje pytanie, kiedy błądzenie losowe osiąga skończone maksimum? Intuicja wskazuje na błądzenia, które dryfują do dołu i w związku z tym osiągają skończony pułap do góry. Rzeczywiście zachodzi Lemat 3.. P (M < ) = E [W i c] <. Dowód. Z mocnego prawa wielkich liczb ni= (W i c) P ( lim n n = E [W i c]) =, stąd, jeśli E [W i c] <, to P (lim n ni= (W i c) = ) =, czyli trajektorie bładzenia z prawdopodobieństwem dążą do osiągając w związku z tym M <. Z drugiej strony, jeśli M <, to lim n n i= (W i c) n, czyli E [W i c]. Ponieważ w symetrycznym błądzeniu losowym trajektorie z prawdopodobieństwem powracają do punktu wyjścia nieskończenie wiele razy, warunek M < nie może zachodzić z prawdopodobieństwem, stąd E [W i c] = jest wykluczone. Oznacza to, że M < z prawdopodobieństwem pociąga E [W i c] <. Okazuje się, że rozkład maksimum M nie zmieni się jeśli dodamy jeden extra przyrost do M i wyrównamy do zera. Lemat 3..2 Rozkład zmiennej M jest taki sam jak zmiennej max(, M +(W c)), gdzie W jest zmienną niezależną od całego błądzenia {W i c, i }, ale posiadającą rozkład równy rozkładowi W i, pisząc krótko M = d (M + W c) +.

13 3.. PROCES RYZYKA JAKO BŁĄDZENIE LOSOWE-PRAWDOPODOBIEŃSTWO RUINY3 Dowód. Możemy M zapisać w postaci gdzie M = max(, W c + L), L = max(, W 2 c, (W 2 c) + (W 3 c), (W 2 c) + (W 3 c) + (W 4 c),...). Jeśli teraz w powyższych wzorach zastąpimy ciąg W, W 2, W 3,... ciągiem W, W, W 2,..., to rozkład uzyskanych zmiennych nie zmieni się, bo wyjściowy i nowy ciąg są o tym samym rozkładzie. To znaczy, że rozkład M jest taki sam jak rozkład max(, W c + max(, W c, (W 2 c) + (W 3 c),...)) = (W c + M) +. Używając powyższy lemat uzyskujemy rozkład M w języku funkcji tworzących w przypadku c =. Twierdzenie 3..3 Zalóżmy, że W i N mają funkcję tworzącą P W. Jeśli E [W i ] < to zmienna M ma funkcję tworzacą P M (t) = E [W i ] E [W i ] P W (t), gdzie P W (t) = P W i (t) E [W i ] ( t). Dowód. Liczymy funkcję tworzacą P M (t) = E [ t ] M = E [ ] t (M+W ) + = E [ t (M+W ) + I {M+W } ] + E [ t (M+W ) + I {M+W <} ] = P (M + W = ) + P (M + W = ) + P (M + W = )t + P (M + W = 2)t 2 + = P (M + W = ) + t (P (M + W = )t + P (M + W = 2)t2 + ) = P (M + W = ) t P (M + W = ) + t P M+W (t) = P (M + W = )( t ) + t P M(t)P W (t). Wyliczamy stąd P M (t) = (t )P (M + W = ). t P W (t)

14 4 ROZDZIAŁ 3. PRAWDOPODOBIEŃSTWO RUINY: CZAS DYSKRETNY Przechodząc z t w powyższej równości otrzymujemy = P (M + W = ), E [W ] co daje P (M + W = ) = E [W ]. Ostatecznie więc P M (t) = ( E [W ])( t), P W (t) t co po przekształceniu możemy zapisać jako P M (t) = E [W ] E [W ] P W (t). Funkcja tworząca P W odpowiada zmiennej losowej o rozkładzie P ( W = k) = P (W > k), E [W ] który nazywamy rozkładem resztowym rozkladu zmiennej W. Zmienna M ma rozkład złożony geometryczny CGeo(p = E [W ], F W ). Tak więc widzimy, że prawdopodobieństwo ruiny, przy wprowadzonych założeniach, jest równe ogonowi dystrybuanty zmiennej losowej o złożonym rozkładzie geometrycznym. Okaże się, że taka struktura jest również prawdziwa w modelu z czasem ciągłym. 3.. Współczynnik dopasowania Załóżmy, że zmienne losowe (W i ) i maj a ten sam rozkład i funkcjȩ tworz ac a momenty M W (t) oraz E[W ] < c. Definiujemy współczynnik dopasowania R(W, c) jako dodatnie rozwi azanie równania M W c (r) =, co jest równoważne exp( cr)m W (r) =. (3..) Zauważmy, że d dr M W c(r) = E [ (W c)e r(w c)], d 2 dr 2 M W c(r) = E [ (W c) 2 e r(w c)].

15 3.. PROCES RYZYKA JAKO BŁĄDZENIE LOSOWE-PRAWDOPODOBIEŃSTWO RUINY5 Co wiȩcej d dr M W c(r) = E [ (W c)e r(w c)] = E [W ] c < i M W c () =. Oznacza to, że funkcja M W c (r) maleje w otoczeniu i jest wypukła, co daje istnienie współczynnika dopasowania. Przykład 3..4 Załóżmy, że W N(µ, σ 2 ). Wtedy M W (r) = exp(µr + σ 2 r 2 /2) i st ad R(N(µ, σ 2 ), c) = 2(c µ). Jeżeli składka za jeden okres naliczana jest według σ 2 zasady wartości oczekiwanej, to c = ( + θ)e [W ], a st ad R(N(µ, σ 2 ), c) = 2θµ σ 2. Zauważmy, że założenie o normalności zmiennej losowej W ma sens tylko wtedy, gdy do ł acznych wypłat stosujemy aproksymacjȩ normaln a (szkody nie mog a być ujemne). Przykład 3..5 Załóżmy, że W przyjmuje dwie wartości: P (W = a) = p = P (W = b). Wtedy M W (r) = p exp(ra)+( p) exp(rb). Współczynnik dopasowania wylicza siȩ wiȩc ze wzoru exp(cr) = p exp(ra) + ( p) exp(rb) Jeżeli a = 2, b =, p <, c = powyższe równanie staje siȩ równaniem kwadratowym i otrzymujemy R(W, c) = log ( ) 2 p p. Powyższy przykład pokazuje, że rozwi azanie równania (3..) rzadko da siȩ przedstawić w postaci jawnej. Współczynnik R można jednak przybliżyć stosuj ac podobne rozumowanie jak w przypadku aproksymacji Edgewortha. Rozwijaj ac log M W (r) w szereg Taylora i uwzglȩdniaj ac dwa (trzy) pierwsze składniki dostajemy równanie (3..) w nastȩpuj acej postaci: re [W ] + 2 r2 Var [W ] cr =, (re [W ] + 2 r2 Var [W ] + 6 r3 E [ (W E [W ]) 3, ] cr = ), (3..2) co w pierwszym przypadku daje przybliżony współczynnik dopasowania R(W, c) 2(c E [W ]). (3..3) Var [W ]

16 6 ROZDZIAŁ 3. PRAWDOPODOBIEŃSTWO RUINY: CZAS DYSKRETNY Dla W bȩd acego rozkładem złożonym W = N i= X i dostajemy wiȩc N R( X i, c) i= 2(c E [N] E [X]) E [N] Var [X] + (E [X]) 2 Var [N]. Przykład 3..6 Załóżmy, że c = ( + θ)e [W ] = ( + θ)e [N] E [X].. Jeżeli W CP oi(λ, F X ), to R(CP oi(λ, F X ), c) 2θE [X] E [X 2 ]. 2. Jeżeli W CBin(n, p, F X ), to R(CBin(n, p, F X ), c) 3. Jeżeli W CBin (r, p, F X ), to R(CBin (r, p, F X ), c) 2θE [X] Var [X] + q(e [X]) 2. 2θE [X] E [X 2 ] + (E [X]) 2 (/p ). Zauważmy, że jeżeli p to współczynnik dopasowania R(CBin (r, p, F X ), c) jest równy analogicznej wielkości dla rozkładu CP oi(λ, F X ). Nie jest to zaskakuj acy, gdyż rozkład Poissona można w tym przypadku traktować jako graniczny dla rozkładu ujemnego dwumianowego. Podobnie jak w przypadku rozwiniȩcia Edgewortha wzór (3..3) daje złe przybliżenie jeżeli zmienna W ma duż a skośnośċ Prawdopodobieństwo ruiny - lekkie ogony Twierdzenie 3..7 Załóżmy, że w procesie ryzyka (3..) zmienne losowe (W i ) i s a niezależne i o tym samym rozkładzie, funkcja tworz aca momenty M W (t) istnieje i jest skończona,

17 3.. PROCES RYZYKA JAKO BŁĄDZENIE LOSOWE-PRAWDOPODOBIEŃSTWO RUINY7 E [W ] < c. Wtedy dla R := R(W, c) ψ(u) = exp( Ru) E [exp( RR T T < )]. (3..4) Dowód: Zauważmy najpierw, że ci ag (R n ) n ma przyrosty niezależn, tzn. zmienne losowe R n R, R n2 R n, R n3 R n2,... s a niezależne dla dowolnych n < n 2 <. Poza tym dla dowolnych n > i mamy z niezależności E [exp( R(R n R i ))] = E [exp( R(c W i+ ) R(c W n ))] = i w szczególności dla i = mamy = E [exp( R(c W ))] n i = E [exp( R(R n )] = exp( Ru). (3..5) St ad exp( Ru) = E [exp( RR n )] n = E [exp( RR n T = i)] P (T = i) + E [exp( RR n T > n)] P (T > n) i= n = E [exp( RR i R(R n R i ) T = i)] P (T = i) i= +E [exp( RR n T > n)] P (T > n) n = E [exp( RR i T = i)] P (T = i) + E [exp( RR n T > n)] P (T > n). i= Teraz, ostatni składnik w powyższym równaniu d aży do przy n, a st ad exp( Ru) = E [exp( RR i T = i)] P (T = i) = E [exp( RU T T < )]. i= Przykład 3..8 (cd. Przykładu 4.5. z a = i b = ) Zauważmy, że R T = z prawdopodobieństwem. St ad ( ) u+ p ψ(u) = exp( R(u + )) =. p

18 8 ROZDZIAŁ 3. PRAWDOPODOBIEŃSTWO RUINY: CZAS DYSKRETNY Wyliczenie wartości znajduj acej siȩ w mianowniku (3..4) jest zazwyczaj trudne i możliwe jedynie tylko w kilku przypadkach. Z Twierdzenia 3..7 otrzymujemy jednak górne oszacowanie na prawdopodobieństwo ruiny: Nierówność Cramera ψ(u) exp( Ru). (3..6)

19 Rozdział 4 *Prawdopodobieństwo ruiny: czas ciągły Podobnie do dyskretnego procesu ryzyka (3..) rozważa siȩ model w czasie ci agłym: R(t) = u + ct gdzie (X i ) i s a niezależnymi zmiennymi losowymi o tym samym rozkładzie, a (N(t), t ) jest procesem opisuj acym ilość szkód zgłoszonych do chwili t. Jeżli wiȩc szkody zgłaszane s a w losowych chwilach = T < T <, to N(t) i= X i, N(t) := max{n : T n t} = I {Tn }. n= zajmiemy się najpierw własnosciami procesu (N(t), t > ). 4. Proces zgłoszeń - teoria odnowy Jeśli U i = T i T i dla i =, 2,... są niezależnymi zmiennymi losowymi o jednakowych rozkładach, to proces (N(t), t > ) jest procesem odnowy. Zachodzą podstawowe związki zdarzeń opisujących ten proces. {N(t) = } = {T > t}, {N(t) = k} = {T k t < T k+ }, {N(t) k} = {T k t}, 9

20 2 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY {N(t) < k} = {T k > t}. Stąd P (N(t) = ) = F U (t), oraz P (N(t) k) = F k U (t), gdzie F U jest dystrybuantą odstępów U i. Twierdzenie 4.. Jeśli E [U i ] >, to N(t) P ( lim t t = E [U] ) =. Dowód: Korzystając z podstawowych zależności, mamy T N(t) N(t) t N(t) T N(t)+ N(t) + N(t) +. N(t) z mocnego prawa wielkich liczb otrzymujemy z prawdopodobieństwem T n lim n n = E [U], stąd teza, gdyż z prawdopodobieństwem, lim t N(t) =. Wielkość N(t) można postrzegać jako efekt sumaryczny wielu zmiennych losowych, gdy t rośnie do. Należy więc oczekiwać, że zachodzi twierdzenie graniczne podobne do CTG. Rzeczywiście: Twierdzenie 4..2 Jeśli < Var [U i ] <, to N(t) t/e [U] P ( (Var [U] t/(e [U]) 3 ) x) t Φ(x), gdzie Φ oznacza dystrybuantę standardowego rozkładu normalnego. Dowód: N(t) t/e [U] P ( (Var [U] t/(e [U]) 3 ) x) = P (N(t) x (Var [U] t/(e [U]) 3 ) + t/e [U]) = P (T x (Var[U]t/(E[U]) 3 )+t/e[u] + > t) = P ( U + + U K KE [U] (KVar [U]) t KE [U] (KVar [U]),

21 4.. PROCES ZGŁOSZEŃ - TEORIA ODNOWY 2 gdzie K = x (Var [U] t/(e [U]) 3 ) + t/e [U] +. Ponieważ t KE [U] (KVar [U]) t x, z CTG dla ciągu (U i ) i równości Φ( x) = Φ(x), otrzymujemy tezę. Wartość oczekiwaną liczby zgłoszeń do chwili t nazywamy funkcją odnowy i oznaczamy H(t) := E [N(t)], t >. Otrzymujemy natychmiast z podstawowych zależności między zdarzeniami H(t) = k= P (N(t) > k) = k= P (N(t) k + ) = P (T k+ t) = FU k (t). (4..) k= k= Z twierdzenia 4.. wiemy, że z prawdopodobieństwem uśredniona w czasie liczba zgłoszeń jest zbieżna do odwrotności wartości oczekiwanej odstępów między zgłoszeniami. Można się spodziewać, że wartość oczekiwana liczby zgłoszeń uśredniona w czasie będzie zbieżna do tej samej granicy. Rzeczywiście tak jest, ale wymaga to technicznie dodatkowej uwagi, ponieważ zbieżność z prawdopodobieństwem ciągu zmiennych losowych nie implikuje - ogólnie rzecz biorąc - zbieżności wartości oczekiwanych tego ciągu. Twierdzenie 4..3 Jeśli E [U ] <, to H(t) lim t t = E [U]. Dowód: Z lematu Fatou otrzymujemy Wystarczy więc pokazać, że [ E [U] = E lim t ] N(t) lim inf t t H(t). t lim sup t H(t) t E [U].

22 22 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY W tym celu pokażemy najpierw tę nierówność dla obciętych odstępów Ze względu na obcięcie mamy U K n := min(k, U n ), K >, n N. lim sup t H(t) t lim sup t H K (t), t gdzie H K jest funkcją odnowy dla obciętych odstępów. Aby oszacować wartość H K (t), pokażemy, że ] Rzeczywiście E [ U + + U N K (t)+ H K (t) + = E [ N K (t) + ] = E [ U + + U N K (t)+. E [U K ] [ ] ] = E = = = i= i= i= i= = E [ U K = E [ U K E [ U K i E [ U K i E [ U K i U K i I {i N K (t)+} I {i N K (t)+} I {T K i t} ] ] ] P (T K i t) ] P (N K (t) + > i) i= ] [ E N K (t) + ], gdzie korzystaliśmy z niezależności T K i od U K i lim sup t H K (t) t lim sup t Ponieważ E [ U + + U N K (t)+] t + K mamy lim sup t H(t) t lim sup t Przechodząc z K otrzymujemy lim sup t H K (t) t H(t) t. Otrzymujemy więc oszacowanie E [ ] U + + U N K (t)+. te [U K ] lim sup t E [U]. t + K te [U K ] = E [U K ].

23 4.. PROCES ZGŁOSZEŃ - TEORIA ODNOWY 23 Funkcja odnowy spełnia równanie całkowe (Fredholma) H(t) = F U (t) + H F U (t), t >, (4..2) gdzie tutaj operacja splotu jest zdefiniowana na (, ) dla dowolnych funkcji f, g ograniczonych na przedziałach zwartych o wahaniu ograniczonym, tzn. f g(t) = t f(t y)dg(t). Przypomnijmy, że f (t) = I (, ) (t). Rzeczywiście F U (t) + H F U (t) = F U (t) + F 2 U (t) + F 3 U (t) +... = H(t), z równania (4..). Okazuje się, że rozważanie równań tego typu jest bardzo owocne w kontekście badania procesu ryzyka. Zachodzi następujący ogólny lemat. Lemat 4..4 Niech F będzie być może ułomną dystrybuantą nieujemnej zmiennej losowej, tzn. F () =, F jest niemalejąca i prawostronnie ciągła oraz F ( ). Jeśli dla pewnej funkcji z(t), ograniczonej na przedziałach zwartych zachodzi równanie to rozwiązaniem tego równania jest Z(t) = z(t) + Z F (t), Z(t) = z Ĥ(t), Ĥ(t) = F n (t). n= Dowód: Niech wtedy k Z k (t) = z ( F n (t), n= Z k+ (t) = z(t) + Z k F (t). Przy założeniu z mamy monotoniczność ciągu Z k (t), więc przechodząc z k w powyższej równości otrzymujemy tezę.

24 24 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Przykład 4..5 Niech F := F U, o gęstości F U = f U. Niech z := f U. Wtedy Z(t) = H (t), tzn, zachodzi H (t) = f U (t) + H F U (t). Wynika to natychmiast ze wzoru (f g) = f g = f g, dla dowolnych różniczkowalnych splatanych funkcji f, g. Przykład 4..6 Niech F := qg, dla q (, ) i właściwej dystrybuanty G. Niech z(t) q = p. Mamy więc równanie Z = p + Z qg. Wtedy Z jest dystrybuantą złożonego rozkładu geometrycznego CGeo(p, G), tzn. Z(t) = pq n G n (t). n= Własności asymptotyczne rozwiązań Z(t) tego typu równań są zależne od całkowalności funkcji z(t). Kluczowym twierdzeniem odnowy jest fakt o istnieniu granicy rozwiązania równania typu odnowy. Twierdzenie 4..7 Jeśli z jest nierosnącą i całkowalną oraz F jest właściwą dystrybuantą ciągłą, to rozwiązanie równania z lematu 4..4 ma granicę lim Z(t) = t z(x)dx F (x)dx Twierdzenie to można uogólnić na funkcje bezpośrednio całkowalne w sensie Riemanna.

25 4.2. PRAWDOPODOBIEŃSTWO RUINY: PROCES ZGŁOSZEŃ POISSONA Prawdopodobieństwo ruiny: proces zgłoszeń Poissona Mówimy, że (N(t), t ) jest procesem Poissona z parametrem λ jeśli ten proces ma nastȩpuj ace własności: N() = ; Dla t < t < < t k, przyrosty N(t ) N(t ), N(t 2 ) N(t ),..., N(t k ) N(t k ) s a niezależnymi zmiennymi losowymi o rozkładach Poissona P (N(t i ) N(t i ) = m) = exp( λ(t i t i )) (λ(t i t i )) m, m, i =,..., k; m! dla h >, P (N(h) = ) = λh + o(h) oraz P (N(h) > ) = o(h); Odstȩpy mi edzy zgłoszeniami s a niezależne i maj a rozkład wykładniczy: P (T i T i x) = exp( λx), i. Niech (N(t), t ) bȩdzie wiȩc procesem Poissona z parametrem λ. Ponadto, niech (X i ) i bȩdzie ci agiem dodatnich, niezależnych zmiennych losowych o tej samej dystrybuancie F X (x) = P (X x), niezależnym od procesu (N(t), t ). Niech f X = F X. Prawdopodobieństwem ruiny przy kapitale początkowym u jest ψ(u) = P (T < ), T := inf(t > : R(t) < ). Możemy, więc równoważnie napisać N(t) ψ(u) = P X i ct > u dla pewnego t. i= Wygodnie jest wprowadzić zmienną M = sup(t > : N(t) i= X i ct), bo wtedy, analogicznie do modelu w czasie dyskretnym, możemy napisać ψ(u) = P (M > u). Zauważmy, że ruina może nastąpić jedynie w chwili jednego ze zgłoszeń, stąd supremum M wystarczy badać w chwilach zgłoszeń: Widać, ż musimy założyć M = sup(, X cu, (X cu ) + (X 2 cu 2 ),...).

26 26 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY q := λe [X] c <, (4.2.) gdzie E [X] = E [X ] <. W przeciwnym razie, M nie będzie skończoną zmienną losową i ψ(u) = dla każdego u >. Przy tym warunku, E [ ] N(t) i= X i = E [N(t)] E [X ] = λte [X], stąd (4.2.) oznacza, że składka c zebrana w jednostce czasu jest wiȩksza niż średnia wartość wypłaconych szkód. Okazuje się, że funkcja ψ oraz funkcja ψ := ψ spełniają pewne równania typu odnowy, z których będziemy mogli wywnioskować ich podstawowe własności. Lemat 4.2. Jeśli q (, ), to ψ(u) = p + q ψ F X (u), gdzie F X (u) = u E[X] F X(x)dx, p = q. Zanim podamy dowód tego faktu, zauważmy, że równanie w tym lemacie ma postać taką jak w przykładzie 4..6, a stąd natychmiast widzimy, że ψ jako rozwiązanie ma postać Twierdzenie (wzór Pollaczka-Chinczyna) Przy założeniu, że q = λe[x] c < mamy ψ(u) = n= pq n F n X (t), Czyli prawdopodobieństwo nie zajścia ruiny ψ(u) jest jako funkcja kapitału początkowego u dystrybuantą (zmiennej M) złożonego rozkładu geometrycznego CGeo(p, F X ). Jest to sytuacja analogiczna do modelu w czasie dyskretnym, ale tutaj nie zakładamy, że mamy w bładzeniu losowym, dla którego szukamy maksimum, do czynienia ze zmiennymi o wartościach naturalnych.

27 4.2. PRAWDOPODOBIEŃSTWO RUINY: PROCES ZGŁOSZEŃ POISSONA 27 Dowód: lematu ψ(u) = P (R(t), t > ) = P (S(t) < u + ct, t > ) = P (S(T ) < u + ct, S(t) S(T ) < u + ct S(T ), t > T ) = P (X < u + ct, S(z + T ) S(T ) < u + c(z + T ) X, z > ) = = = = = λ c u+cy u+cy s u P (X < u + ct, S(z + T ) S(T ) < u + c(z + T ) X, z > X = x, T = y)df X (x)λ exp( λy)dy I {x<u+cy} (x, y)p (S(z + y) S(y) < u + cz + cy x, z > ) df X (x)λ exp( λy)dy P (S(z) < u + cy x + cz, z > )df X (x)λ exp( λy)dy ψ(u + cy x)df X (x)λ exp( λy)dy ψ(s x)df X (x) exp( λ s u )ds, c gdzie ostatnia równość zachodzi po podstawieniu u + cy := s. Przypomnijmy regułę różniczkowania całki oznaczonej. Dla Ψ(u) = b(u) a(u) f(u, s)ds, d b(u) du Ψ(u) = a(u) u f(u, s)ds + f(u, b(u))b (u) f(u, a(u))a (u). Różniczkując względem u otrzymujemy ψ (u) = λ c [ d s u du ( ψ(s x)df X (x) exp( λ s u ))ds c u ψ(u x)df X (x)] s = λ c [λ ψ(s x)df X (x) exp( λ s u )ds c u c u ψ(u x)df X (x)] = λ c [ ψ(u) u ψ(u x)df X (x)]. Całkując po zmiennej u w zakresie od do t mamy ψ(t) ψ() = λ c t [ ψ(u) u ψ(u x)df X (x)]du.

28 28 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Aby wyliczyć t u ψ(u x)df X (x)du, podstawiamy s := u x i całkujemy przez części otrzymując t u czyli ψ(u x)df X (x)du = = t x t ψ(s)ds ψ(s)dsdf X (x) ψ(t x)( F X (x))dx, t ψ(t) ψ() = λ ψ(u)du c λ t ψ(s)ds + λ c c Gdy t co daje ψ() = λ c ψ(t x)( F X (x))dx. ( F X (x))dx = λ c E [X], ψ(t) = ( λ c E [X]) + λ c E [X] ψ F X (t). Z równania dla ψ natychmiast otrzymujemy równanie dla ψ. Lemat Funkcja prawdopodobieństwa ruiny ψ spełnia nastȩpuj ae równanie typu odnowy: ψ(u) = q( F X (u)) + qψ F X (u), (4.2.2) Przykład Gdy wielkości szkód X i mają rozkład wykładniczy Exp(/E [X]), to F X jest znowu dystrybuantą wykładniczą Exp(/E [X]) i wtedy ψ jest dystrybuantą CGeo(p, Exp(/E [X]), wiemy z (??), że jest to dystrybuanta wykładnicza wymieszana z atomem w zerze, dokładniej, dla p = λe [X] /c: ψ(u) = p + q( exp( pu/e [X])), ψ(u) = q exp( pu/e [X]). Wprowadzając narzut (security loading) ϑ > poprzez równość c = ( + ϑ)λe [X],

29 4.2. PRAWDOPODOBIEŃSTWO RUINY: PROCES ZGŁOSZEŃ POISSONA 29 otrzymujemy alternatywną postać ψ(u) = ϑ + ϑ + + ϑ ( exp( ϑ E [X] ( + ϑ) u)), ψ(u) = + ϑ exp( ϑ E [X] ( + ϑ) u). Rozkłady lekkoogonowe- model Cramera-Lundberga W modelu z czasem ciągłym przydatny będzie również współczynnik dopasowania, zdefiniowany jednak inaczej niż w modelu z czasem dyskretnym. Dodatnie rozwiązanie równania M X (r) = c λ r +, nazywamy wspólczynnikiem dopasowania w modelu ciągłym i oznaczamy R := R(X, λ, c). Przykład Dla X Exp(/E [X]), równanie definiujące przyjmuje postać E [X] r = c λ r +, co prowadzi do R(Exp(/E [X]), λ, c) = p/e [X], dla p = ( λe [X] /c). W języku narzutu otrzymujemy R(Exp(/E [X]), λ, c) = ϑ E [X] ( + ϑ). Porównując wzory na R = R(Exp(/E [X]), λ, c) z wzorami na prawdopodobienstwo ruiny dla szkód o rozkładach wykładniczych z poprzedniego przykładu widać, że możemy napisać krótko, w języku współczynnika dopasowania, że w tym przypadku ψ(u) = ( E [X] R) exp( Ru).

30 3 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Widzimy, z tych wzorów, że prawdopodobieństwo ruiny w przypadku szkód o rozkładach wykładniczych zależy od wielkości narzutu i wartości średniej szkody. Prawdopodobieństwo ruiny nie zmieni się w takim modelu przy jednoczesnym proporcjonalnym zwiększeniu intensywności nadchodzenia szkód i intensywności pobierania składek. Dla rozkładów innych niż wykładniczy, wyliczenie prawdopodobieństwa ruiny jest kłopotliwe. Dla rozkładów lekkoogonowych można jednakże wyznaczyć jego granicę przy u. Twierdzenie Jeśli istnieje skończony współczynnik dopasowania dla rozkładu szkód w modelu ciągłym R = R(X, λ, c), oraz M X( R) <, to gdzie p = λe [X] /c. lim ψ(u) exp( Ru) = u p M X( R)(λ/c), Dla dużych wartości kapitału początkowego można prawdopodobieństwo ruiny przybliżyć następująco: ψ(u) exp( Ru) p M X( R)(λ/c). Dowód: Wychodząc od równania ψ(u) = q( F X (u)) + qψ F X (u), mnożymy je obustronnie przez exp( R), otrzymując ψ(u) exp( Ru) = q( F X (u)) exp( Ru) + u ψ(u x) exp( R(u x)) λ c ( F X(x)) exp( Rx)dx, czyli traktując λ c ( F X(x)) exp( Rx) jako gęstość dystrybuanty powiedzmy F, oraz przyjmując Z(u) = ψ(u) exp( Ru), z(u) = q( F X (u)) exp( Ru), widzimy, że jest to równanie typu odnowy Z(u) = z(u) + Z F (u). (4.2.3) Z twierdzenia 4..7 otrzymujemy więc lim ψ(u) exp( Ru) = u q( F X (u)) exp( Ru)du. F (x)dx

31 4.3. PRAWDOPODOBIEŃSTWO RUINY DLA ROZKŁADÓW FAZOWYCH 3 Pozostaje wyliczyć wartości całek pojawiajacych się w granicy, q( F X (u)) exp( Ru)du = p/ R, F (x)dx = M X( R)(λ/c), R co wynika natychmiast z całkownia przez częsci. Dla dowolnych wartości u można podać ograniczenie górne i ograniczenie dolne na ψ(u) jeśli założymy lekkoogonowość rozkładu wielkości szkód. Twierdzenie Jeśli istnieje skończony współczynnik dopasowania dla rozkładu szkód w modelu ciągłym R = R(X, λ, c) <, to gdzie a exp( Ru) ψ(u) a + exp( Ru), a + = sup x z(x) F (x), z(x) a = inf x F (x), dla funkcji z i F zdefiniowanych w równaniu (4.2.3). 4.3 Prawdopodobieństwo ruiny dla rozkładów fazowych Przypomnijmy, że zmienna losowa ma rozkład fazowy P H(p, Q, n), jeżeli F (x) = P (X > x) = p exp(qx)e, gdzie p = (p,..., p n ) jest wektorem liczb nieujemnych sumuj acych si a do, Q jest macierz a n n, w której poza przek atn a s a liczby dodatnie, a na przek atnej s a wartości ujemne takie, że suma w wierszach macierzy jest mniejsza lub równa zero, e = (,..., ), exp(q) oznacza tzw. eksponens macierzowy, exp(q) := I + Q + Q 2 / Q n /n! +..., gdzie I jest macierz a jednostkow a. Dla rozkładu fazowego dystrybuanta resztowa F e jest też fazowa i ma reprezentacjȩ: P H(r, Q, n), gdzie r = pq /E [X] i E [X] wylicza siȩ ze wzoru E [X] = n!q e. Jeżeli teraz dla zadanego ci agu szkód (X i ) i o dystrybuancie fazowej F X, rozważymy ci ag (Y i ) i o dystrybuancie resztowej F X, to złożony rozkład geometryczny

32 32 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Ti= Y i jest znowu fazowy z parametrami (ρr, Q+t rρ, n), gdzie t = Qe. Funkcja ψ ma wiȩc postać ψ(u) = ρr exp ((Q + t rρ)x) e. (4.3.) Przykład 4.3. Rozkład wykładniczego Exp(µ) jest fazowy z parametrami p =, Q = [ /µ], n =. Wtedy r = i rozkład resztowy jest też wykładniczy. Wyliczaj ac ψ(u) ze wzoru (4.3.) dostajemy ψ(u) = ρ exp( x/( ρ)/µ). W ogólnym przypadku rozkładów fazowych, dla zadanych wartości x powyższy wzór wyliczamy numerycznie. Przykład Niech p = (/4, /8, /8, /4) i Q = Wtedy F X (x) = /4 exp( x) + /8 exp( 2x) + /8 exp( 3x) + /4 exp( 4x) jest mieszank a rozkładów wykładniczych. Rozkład resztowy dany jest wzorem F X (x) = 3/5 exp( x) + 3/2 exp( 2x) + / exp( 3x) + 3/2 exp( 4x). Funkcja ψ nie ma już tak ładnej postaci, można j a jednak łatwo wyrysować lub podać konkretne wartości. Na przykład ψ() =.95. Plik ruina-ciagla-.mws

33 4.3. PRAWDOPODOBIEŃSTWO RUINY DLA ROZKŁADÓW FAZOWYCH u Rysunek 4.3.:

34 34 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Rezerwa kapitalu Rezerwa kapitalu Rysunek 4.4.: Trajektorie procesu ryzyka 4.4 Prawdopodobieństwo ruiny dla rozkładów ciȩżkoogo Ze wzoru (4.3.) wynika, że w przypadku rozkładów fazowych funkcja prawdopodobieństwa ruiny maleje wykładniczo. Podobnie wygl ada to w przypadku wszystkich rozkładów, dla których istnieje współczynnik dopasowania, zdefinowany w Rozdziale 3... Przypomnijmy jednak, że dla rozkładów ciȩżkoogonowych nie istnieje funkcja tworz aca momenty, nie istnieje wiȩc współczynnik dopasowania. W takich przypadkach jesteśmy w stanie jednak otrzymać asymptotykȩ prawdopodobieństwa ruiny. Przed podaniem twierdzenia, przyjrzyjmy siȩ najpierw trajektoriom procesu ryzyka dla dwóch modeli. Lewy rysunek przedstawia proces ryzyka, gdzie szkody maj a rozkład wykładniczy, prawy rysunek - szkody Pareto z α = 2, a wiȩc z nieskończon a wariancj a. Widzimy ogóln a tendencjȩ do góry, co jest zagwarantowane przez ρ <. Na lewym rysunku trajektorie maj a lokalnie tendencjȩ w dół poprzez nagromadzenie małych szkód, na

35 4.4. PRAWDOPODOBIEŃSTWO RUINY DLA ROZKŁADÓW CIȨŻKOOGONOWYCH35 prawym - poprzez jedn a duż a szkodȩ 2. Jak należy siȩ wiȩc spodziewać, funkcja prawdopodobieństwa ruiny dla szkód ciȩżkoogonowych bȩdzie zachowywała siȩ inaczej niż dla fazowych. W nastȩpuj acym twierdzeniu użyjemy klasȩ rozkładów S, wprowadzon a w Rozdziale Twierdzenie 4.4. Jeżeli F S, to lim x ψ(u) F e (u) = ρ ρ. Dowód: Podamy najpierw bez dowodu dwa lematy techniczne. Lemat Jeżeli F e każdego n 2, S, to dla każdego ε > istnieje D > takie, że dla Fe n (u) F e (u) D( + ε)n, x. (4.4.) Lemat Niech G(u) = n= p k H n (u), (p n ) jest rozkładem prawdopodobieństwa, H S. Jeżeli n= p n ( + ε) n < dla pewnego ε >, to Ze wzoru (??) dostajemy G(u) lim x H(u) = np n. n= ( n ) ψ(u) = ( ρ) ρ n P Y i > x = ( ρ) ρ n F n (u). n= i= n= Połóżmy p n = ρ n i weźmy ε > tak, by ρ( + ε) <. St ad n= p n ( + ε) n <. Z faktu, że F S mamy F e S, a wȩc korzystaj ac z Lematu 4.4.2, istnieje D > takie, że (4.4.) jest prawdziwe. Z Lematu mamy lim u 2 Plik ruina-ciagla-2.mws ψ(u) F e (u) = ( ρ) n= nρ n ρ = ( ρ) ( ρ) = ρ 2 ρ.

36 36 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY 4.5 Funkcje Copula Bieżący rozdział jest oparty głównie na publikacji T. Schmidt a [35] oraz R.Nelsena [3]. Przedstawione poniżej funkcje copula zostaną w kolejnych rozdziałach wykorzystane do opisu struktury zależności w modelach z zależnymi roszczeniami lub odstępami czasowymi Definicja i własności funkcji copula Definicja 4.5. Niech d 2. Funkcja C: R d R nazywana jest funkcją copula, gdy jest d-wymiarową dystrybuantą o jednowymiarowych, brzegowych rozkładach jednostajnych na (,). Twierdzenie (Sklar) Dla d wymiarowej dystrybuanty o ciągłych dystrybuantach brzegowych F,..., F d istnieje wyznaczona jednoznacznie funkcja copula C taka, że: F (x,..., x d ) = C(F (x ),..., F d (x d )) (4.5.) Odwrotnie, dla danej funkcji copula C i dystrybuant brzegowych F,..., F d (4.5.) definiuje d-wymiarową dystrybuantę F. wzór Podstawowe własności funkcji Copula C(u) = C(u,..., u d ) to: ) C : R d [, ], jest rosnąca po współrzędnych 2) Rozkład brzegowy u i otrzymuje się przez podstawienie u j = dla wszystkich j i C(,...,, u i,,..., ) = u i, u i [, ] 3) Dla a i < b i prawdopodobieństwo P (U [a, b ],..., U d [a d, b d ]) jest nieujemne, co prowadzi do nierówności: gdzie u j, = a j oraz u j,2 = b j ( ) i +...+i d C(u,i,..., u d,id ), i = i d = Z drugiej strony każda funkcja C : [, ] d > [, ], która spełnia powyższe własności jest funkcją copula. Ponadto, mając d-wymiarową funkcję copula C(u,..., u d ), C(, u,..., u d ) jest również funkcją copula.

37 4.5. FUNKCJE COPULA 37 Hoeffding i Frechet niezależnie dowiedli, że funkcja copula zawsze leży pomiędzy określonymi granicami. Powodem tego jest istnienie skrajnych przypadków zależności. Pierwszy przypadek takiej skrajnej zależności to doskonała dodatnia zależność zmiennych (comonotonic). Wówczas funkcję copula podaje wzór: C(u,..., u d ) = min(u,..., u d ). W przypadku niezależnych zmiennych losowych funkcja copula to: C(u,..., u d ) = u... u d. (4.5.2) Bezpośrednio z twierdzenia Sklar a otrzymujemy, że zmienne losowe są niezależne wtedy i tylko wtedy, gdy ich funkcja copula, to opisana wzorem (4.5.2), funkcja copula niezależności. Jednakże, niezależność jest tylko etapem pośrednim od doskonałej dodatniej zależności do doskonałej ujemnej zależności (countermonotonic), dla której funkcję copula dla dwóch zmiennych losowych, tj. w przypadku U = U 2, przedstawia wzór: C(u, u 2 ) = max{u + u 2, } (4.5.3) W całej ogólności, nie istnieje taka funkcja copula dla trzech zmiennych, ponieważ równość U = U 2 nakłada pewne ograniczenia na zmienną losową U 3 tzn. jeśli U 3 = U 2, to U 3 = U, a jeśli U 3 = U, to U 3 = U 2. Z drugiej strony, nawet jeśli taka funkcja copula nie istnieje to wynikające z niej ograniczenia nadal obowiązują, mianowicie: Twierdzenie (ograniczenia Frechet-Hoeffding) Rozważmy funkcje copula C(u,..., u d ). Wtedy: d max{ u i + d, } C(u,..., u d ) min{u,..., u d }. (4.5.4) i = W analogiczny sposób, w jaki funkcja copula wiąże dystrybuantę łączną z jej dystrybuantami brzegowymi, można opisać związek pomiędzy funkcjami przeżycia: F (x,..., x d ) = Ĉ( F (x ),..., F d (x d )) (4.5.5) gdzie F (x,..., x d ) to łączna funkcja przeżycia opisana wzorem: F (x,..., x d ) = P (X > x,..., X d > x d ) natomiast F i (x i ), dla i =,..., d, to funkcje brzegowe: F i (x i ) = F (,..., x i,..., ) Funkcja Ĉ również jest funkcją copula, zwaną funkcją copula przeżycia (ang. survival copula). Funkcje C i Ĉ wiąże równość: Ĉ(u,..., u d ) = u u d + C( u,..., u d ). (4.5.6)

38 38 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Funkcje copula Archimedesa Bardzo ważną klasą kopuł są, tak zwane, kopuły Archimedesa. Charakteryzują się one dużą różnorodnością oraz łatwością, z jaką mogą być konstruowane. Definicja Niech ϕ : [, ] [, ) będzie ciągłą, ściśle malejącą funkcją taką, że ϕ() =. Funkcją pseudo-odwrotną do ϕ jest funkcja ϕ [ ], zdefiniowana wzorem: ϕ [ ] (t) = { ϕ (t), t ϕ(), ϕ() t (4.5.7) Funkcja ϕ [ ] jest ciągła i nierosnąca na przedziale [, ], oraz ściśle malejąca na przedziale [, ϕ()]. Poza tym, ϕ [ ] (ϕ(u)) = u na przedziale [, ], oraz: ϕ(ϕ [ ] (t)) = { t, t ϕ(), ϕ(), ϕ() t, W końcu, jeśli ϕ() =, to ϕ [ ] = ϕ. = min(t, ϕ()). Celem prezentacji kolejnego lematu wprowadzamy definicję funkcji całkowicie monotonicznych: Definicja Funkcja f jest całkowicie monotoniczna na przedziale J, jeżeli jest na tym przedziale ciągła i posiada pochodne f (n) wszystkich rzędów spełniające nierówność: ( ) n f (n) (λ), (4.5.8) dla każdego λ należącego do wnętrza przedziału J oraz n=,,2,.... Lemat 4.5. Niech ϕ : [, ] [, ) będzie ciągłą, ściśle malejącą funkcją taką, że ϕ() = oraz niech ϕ [ ] będzie funkcją pseudo-odwrotną do ϕ zdefiniowaną przez (4.5.7). Funkcja C : [, ] d [, ] postaci: C(u) = ϕ [ ] ( d i= ϕ(u i ) ) (4.5.9) jest funkcją copula wtedy i tylko wtedy, gdy funkcja ϕ [ ] jest całkowicie monotoniczna na przedziale [, ).

39 4.5. FUNKCJE COPULA 39 Konsekwencją (4.5.8) jest, że jeśli ϕ [ ] jest funkcją całkowicie monotoniczną oraz ϕ [ ] (c) = dla skończonego c >, wtedy ϕ [ ] jest tożsamościowo równa. Zatem funkcja ϕ [ ] musi być dodatnia na przedziale [, ), co z kolei oznacza, że zachodzi równość ϕ [ ] = ϕ. Funkcje copula postaci (4.5.9) są nazywane funkcjami copula Archimedesa. Natomiast funkcja ϕ jest zwana generatorem funkcji copula. Przykład 4.5. Funkcja Copula Gumbell a jest szczególną funkcją Archimedesa, uzyskaną dla generatora ϕ(t) = ( ln t) θ : C θ Gumbel (u,..., u d ) = exp[ (( ln u ) θ ( ln u d ) θ ) /θ ] (4.5.) gdzie θ [, ). Dla θ = otrzymujemy funkcję copula niezależności. Natomiast dla θ szukana funkcja jest zbieżna do funkcji copula doskonale dodatnio zależnej, tak więc funkcja Copula Gumbel a jest funkcją copula albo niezależności, albo doskonałej dodatniej zależności. Zgodnie z wzorem (4.5.6) funkcja copula przeżycia w tym przypadku to: Ĉ(u,..., u d ) = u u d + exp[ (( ln( u )) θ ( ln( u d )) θ ) /θ ]. Przykład Funkcja Claytona również należy do rodzin funkcji copula Archimedesa, otrzymujemy ją przez podstawienie ϕ(t) = (t θ )/θ: C θ Clayton (u,..., u d ) = (max{u θ u d θ, }) /θ (4.5.) gdzie θ (, ). Dla θ, otrzymujemy funkcję copula niezależności, a dla θ copula Clayton a zmierza do funkcji copula doskonale dodatnio skorelowanej. Dla θ = otrzymujemy ograniczenie z dołu Frechet-Hoeffding a. Podsumowując, tak jak funkcja copula Gumbel a, copula Clayton a interpoluje wśród struktur zależności takich jak: niezależność oraz doskonała dodatnia zależność. Funkcja copula przeżycia wyliczona dla omawianego przykładu z wzoru (4.5.6) to: Ĉ(u,..., u d ) = u u d + (max{( u ) θ ( u d ) θ, }) /θ.

40 4 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY 4.6 Model zrandomizowany Rozważmy teraz klasyczny model ryzyka (??) z wykładniczymi wielkościami roszczeń, dla których, dla każdego n, spełniona jest równość: n P (X > x,..., X n > x n Θ = θ) = e θx k, (4.6.) k= gdzie Θ to dodatnia zmienna losowa. Wyliczając rozkład brzegowy X k okazuje się, że nie jest on wykładniczy, a wielkości roszczeń są zależne. Pokażmy to na przykładzie. Przykład 4.6. Weźmy dwuwymiarowy wektor losowy X = (X, X 2 ) oraz zmienną losową Θ o rozkładzie F Θ (θ) = 2 [, )(θ) + 2 [2, )(θ) Z wcześniejszych rozważań mamy równość: n P (X > x, X 2 > x 2 Θ = θ) = e θx k = e θ(x +x 2 ) k= P (X > x, X 2 > x 2 ) = exp θ(x +x 2 ) df Θ (θ) Liczymy rozkład brzegowy X. Najprościej będzie skorzystać z rozkładu łącznego wykluczając z niego wpływ zmiennej X 2, co osiągniemy przez podstawienie x 2 = : P (X > x, X 2 > ) = P (X > x ) = exp θ(x +) df Θ (θ) = 2 exp x + 2 exp 2x Analogicznie dla X 2 : P (X >, X 2 > x 2 ) = P (X 2 > x 2 ) = Sprawdzamy niezależność: exp θ(+x 2) df Θ (θ) = 2 exp x exp 2x 2 P (X > x )P (X 2 > x 2 ) = ( 2 exp x + 2 exp 2x )( 2 exp x exp 2x 2 ) = 4 exp x x exp x 2x exp 2x x exp 2x 2x 2

41 4.6. MODEL ZRANDOMIZOWANY 4 P (X > x, X 2 > x 2 ) = exp θ(x +x 2 ) df Θ (θ) = 2 exp x x exp 2x 2x 2 Iloczyn brzegowych rozkładów i rozkład łączny są różne, co świadczy o tym, że zmienne X i X 2 nie są niezależne. Rozkłady brzegowe nie są wykładnicze, ale są mieszankami rozkładów wykładniczych. Kolejnym krokiem jest przedstawienie wzoru na prawdopodobieństwo ruiny dla modelu z zależnymi ryzykami. W tym celu przypomnę wzór na prawdopodobieństwo ruiny (??) w klasycznym modelu z wykładniczymi wielkościami roszczeń Exp(θ), który został wyprowadzony w przykładzie (.): ψ θ (u) = min{ λ θc exp{ (θ λ )u}, }, u. (4.6.2) c Wówczas, po uwzględnieniu zmiennej θ, prawdopodobieństwo ruiny dla modelu zależności dane jest wzorem: ψ(u) = ψ θ (u)df Θ (θ). (4.6.3) Dla θ θ = λ, złamany jest wspomniany warunek zysku netto, mówiący, że c składka c zebrana w jednostce czasu musi być większa niż średnia wypłaconych szkód. Oznacza to, że dla θ θ = λ pojawienie się ruiny jest pewne tzn. ψ c θ(u) =, dla wszystkich u, dlatego wzór ogólny na prawdopodobieństwo ruiny można zastąpić przez: ψ(u) = F Θ (θ ) + Bezpośrednią konsekwencją jest: θ ψ θ (u)df Θ (θ). (4.6.4) lim ψ(u) = F Θ(θ ) (4.6.5) u co jest dodatnie, gdy zmienna losowa Θ ma dodatnią masę prawdopodobieństwa na poziomie θ = λ lub poniżej. c Twierdzenie 4.6. Model ryzyka z zależnymi wielkościami szkód, spełniający równanie (4.6.), można opisać za pomocą wektora szkód (X, X 2,...) o całkowicie monotonicznych brzegowych rozkładach roszczeń zmiennych X, X 2,... takiego, że odpowiednie funkcje copula przeżycia są funkcjami Archimedesa z generatorem ϕ = (L(F Θ )), gdzie L(F Θ ) oznacza transformatę Laplace-Stieltjesa F Θ, a potęga (-) funkcję odwrotną.

42 42 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Dowód: Powołując się na wzór (4.6.), łączny rozkład X,.., X n możemy zapisać jako: P (X > x,..., X n > x n ) = e θ(x +...+x n) df Θ (θ) = L(F Θ )(x x n ). (4.6.6) Na podstawie twierdzenia Sklara (tw. 2.2) oraz wzoru dla kopuł przeżycia (4.5.5), dla każdej wielowymiarowej dystrybuanty z rozkładami brzegowymi F,..., F n istnieje kopuła przeżycia Ĉ taka, że: P (X > x,..., X n > x n ) = Ĉ( F X (x ),..., F Xn (x n )) gdzie F X (x i ) = F X (x i ) to ogon dystrybuanty rozkładu brzegowego X i. W omawianym przykładzie X i, i =,..., n mają takie same rozkłady. Jeśli kopuła jest funkcją Archimedesa z generatorem ϕ wtedy powyższy wzór możemy wyrazić jako: Ĉ( F X (x ),..., F X (x n )) = ϕ (ϕ( F X (x )) ϕ( F X (x n ))), gdzie F X (x i ) = e θx i df Θ (θ) = L(F Θ )(x i ), i =...n, (4.6.7) co dokładnie pasuje do (4.6.6), gdy generator ϕ(t) = (L(F Θ )) (t). Zauważmy, że ϕ jako odwrotna tranformata Laplace a dystrybuanty jest funkcją ciągłą, ściśle malejącą z [, ] do [, ], dla której ϕ() = i ϕ() = i ϕ jest całkowicie monotoniczna, więc zgodnie z lematem 4.5. funkcja copula Archimedesa jest dobrze określona dla każdego n. Z równości (4.6.7) widzimy, że zmienne losowe X i muszą być całkowicie monotoniczne. Uwaga Powyższą zmianę konstrukcji można zobrazować jako pobieranie próbek θ z Θ według F Θ, a następnie poprowadzenie trajektorii dla niezależnego modelu ryzyka z parametrem θ. Tak, więc zależność zostaje wprowadzana poprzez realizację modelu dla wszystkich możliwych wartości θ. Odpowiednio, otrzymana zależność będzie tym silniejsza im bardziej dytrybuanta Θ będzie rozrzucona. Taka zmiana w budowie modelu jest tylko narzędziem do określenia wzoru na prawdopodobieństwo ruiny, natomiast nie jest konieczna do stworzenia modelu zależności. Kolejno można równoważnie pójść w dwie strony: dla każdego modelu ryzyka z całkowicie monotonicznymi wielkościami roszczeń - zmiennymi losowymi X i, oraz dla dodatniej zmiennej losowej Θ zachodzi równość (4.6.7). Wówczas wzór (4.6.2) odnosi się do struktury zależności opisanej za pomocą kopuły Archimedesa z generatorem ϕ = (L(F Θ )). Alternatywnie można zacząć od określenia kopuły Archimedesa przez jej generator, wówczas powyższe równania dadzą rozkład brzegowy, dla którego jawny wzór (4.6.2) zachodzi. Poniżej znajduje się kilka szczegółowych przykładów modeli zależnych.

43 4.7. PRZYKŁADY MODELI Z ZALEŻNYMI WIELKOŚCIAMI ROSZCZEŃ Przykłady modeli z zależnymi wielkościami roszczeń 4.7. Roszczenia o rozkładzie Pareto z funkcją Copula Claytona Rozważmy model zrandomizowany z wykładniczymi wielkościami roszczeń (4.6.) oraz z parametrem Θ o rozkładzie Gamma(α, β) z gęstością: f Θ (θ) = βα Γ(α) θα e βθ, θ > Otrzymany wówczas rozkład łączny wielkości roszczeń to: P (X > x n,..., X n > x n ) = co wynika bezpośrednio z: e θ(x +...+x n) β α Γ(α) θα e βθ dθ, P (X > x n,..., X n > x n Θ = θ) = e θ(x +...+x n). Na podstawie twierdzenia (3.) strukturę zależności rozważanego modelu można przedstawić za pomocą rozkładów brzegowych oraz funkcji copula przeżycia Archimedesa z generatorem: ϕ(t) = (L(F Θ )) (t) W tym celu obliczamy rozkład brzegowy wielkości roszczeń X k, zgodnie ze wzorem (4.6.7): F X (x) = e θx f Θ (θ)dθ = θx βα e Γ(α) θα e βθ dθ = ( β )α x+β (x+β) α θ α e θ(x+β) dθ = ( β Γ(α) x+β )α = ( + x β ) α, x Wyrażenie pod całką (x+β)α θ α e θ(x+β) jest gęstością zmiennej θ z rozkładem Gamma Γ(α) z parametrami α oraz x + β, co na przedziale (, ) całkuje się do. Otrzymany rozkład brzegowy X k dla k =,..., n to rozkład Pareto(α, β). Mając dany rozkład brzegowy, na podstawie wzoru (4.6.7) z dowodu twierdzenia (3.), można obliczyć generator funkcji copula Archimedesa: ϕ(t) = (L(F Θ )) (t) = ( F X ) (t) = t /α.

44 44 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Kopuła Archimedesa z takim generatorem ϕ, opisana w przykładzie (2.2), jest kopułą Claytona z parametrem α. Z równości (4.6.4) wynika dla tego modelu, że: ψ(u) = F Θ (θ ) + λ λ θc e (θ c )u βα θ Γ(α) θα e βθ dθ. Na początek obliczymy F Θ (θ ) poprzez oszacowanie ogonu dystrybunty zmiennej Θ w punkcie θ i wykorzystanie prawdopodobieństwa przeciwnego : Czyli: F Θ (θ ) = θ gdzie Γ(α, x) = βα Γ(α) θα e βθ dθ = x β (βθ) α e βθ dθ = Γ(α) θ t α e t dt = Γ(α, βθ ) Γ(α) Γ(α) βθ F Θ (θ ) = Γ(α, βθ ) Γ(α) ω α e ω dω jest niekompletną funkcją Gamma. t := βθ dt := βdθ = dt := dθ Pozostaje obliczyć drugą część tj. całkę ze wzoru na prawdopodobieństwo ruiny, pamiętając z wcześniejszych rozważań, że θ = λ c : λ λ θc e (θ c )u βα θ Γ(α) θα e βθ dθ = θ e θu β β α θ α 2 e θ(u+β) dθ = Γ(α) θ θ e θu β α (θ(β + u)) α 2 e θ(u+β) dθ = Γ(α)(u + β) α 2 θ (β+u) β t := θ(β + u) dt := (β + u)dθ = dt := dθ θ e θu β α t α 2 e t dt = θ Γ(α)(u + β) α e θu β( + u Γ(α, (β + u)θ ) β ) (α ) Γ(α) (β+u)θ Ostateczny wzór na prawdopodobieństwo ruiny dla danego przykładu to: ψ(u) = Γ(α, βθ ) Γ(α) W szczególności, z (4.6.5) wynika: + θ e θu β( + u Γ(α, (β + u)θ ) β ) (α ). Γ(α) lim u ψ(u) = Γ(α, βλ c ) Γ(α) (4.7.)

45 4.7. PRZYKŁADY MODELI Z ZALEŻNYMI WIELKOŚCIAMI ROSZCZEŃ 45 Wreszcie dla kapitału początkowego u= otrzymujemy prosty wzór: ψ() = Γ(α, βθ ) Γ(α) + βθ Γ(α, βθ ) Γ(α) Warto podjąć próbę porównania wyników wzoru na prawdopodobieństwo ruiny dla modelu niezależnego i dla modelu z zależnymi ryzykami. Dlatego w celu porównania, dla obu przypadków załóżmy λ = c = oraz, że wartości oczekiwane wielkość roszczeń będą równe. Rozkład brzegowy w niezależnym modelu to zwykły rozkład wykładniczy z wartości oczekiwaną E[X] = /θ. Z kolei rozkład brzegowy wielkości roszczeń w modelu zależnym to rozkład P areto(α, β). Wartość oczekiwana zmiennej z rozkładu P areto(α, β) to E[X] = α β. Tak, więc szukana równość to: = α β. α θ α Dodatkowe ograniczenia narzuca warunek składki netto, tj. E[X] < c, czyli przy λ omówionych założeniach: E[X] <. Dla modelu niezależnego warunek jest spełniony, gdy θ >, a dla zależnego, gdy β < α. Po rozważeniu ograniczeń można α zaproponować odpowiednie parametry np.: θ = 2, α = 3, β =. 3 Kolejno zostaną obliczone wzory na prawdopodobieństwo ruiny dla modelu niezależnego i z zależnościami. Prawdopodobieństwo ruiny w modelu niezależnym: ψ(u) = min{ exp{ u}, } 2 Prawdopodobieństwo ruiny w modelu z zależnymi wielkościami roszczeń: ψ(u) = Γ(3, 3 ) Γ(3) + e u 3 ( + 3u) 2 Γ(2, 3 + u) Γ(3) Wyniki obliczeń potrzebnych do ostatecznego wzoru, wykonane w Matlabie: Γ(3) = Γ(3, /3) = /3 x 2 e x dx = 2 x 2 e x dx = 25 9 e /3 Γ(2, /3 + u) = (4/3 + u)e (/3+u) Prowadzi to do ostatecznego wzoru na prawdopodobieństwo ruiny w modelu zależnym: ψ(u) = e / u 6( + 3u) 2 e /3

46 46 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Z wykresu odczytujemy, że prawdopodobieństwo ruiny dla modelu niezależnego jest z początku dużo wyższe niż prawdopodobieństwo ruiny w modelu z zależnymi ryzykami, ale również szybciej maleje. Dla u > 4 prawdopodobieństwo ruiny dla modelu niezależnego jest już mniejsze. Przykładowo obliczę prawodpodobieństwa ruiny obu modeli dla u= oraz dla u=5: Model niezależny: ψ() = min{, } =, 5 2 Model zależny: ψ(5) = min{ 2 exp{ 5}, } =.5 e 5, 35 ψ() = 25 8 e / e /3 = 2 8 e /3, 2 ψ(5) = e / ( + 5) 2 e /3, 77 Dla zerowego kapitału początkowego prawdopodobieństwo ruiny w modelu niezależnym jest dużo większe, ale dla u = 5 jest już nieznacznie mniejsze niż w modelu z zależnymi ryzykami. Poniżej został umieszczony wykres funkcji copula przeżycia dla obu modeli, zgodnie z ustalonymi parametrami, dla dwóch zmiennych X i Y:

47 4.7. PRZYKŁADY MODELI Z ZALEŻNYMI WIELKOŚCIAMI ROSZCZEŃ Roszczenia o rozkładzie Weibull a z funkcją Copula Gumbel a Rozważmy kolejny model zależności. Tym razem zmienna losowa Θ pochodzi z rozkładu stabilnego (/2) (zwanego również rozkładem Levy ego) z gęstością: f Θ (θ) = α 2 /4θ πθ 3 e α2, θ > Otrzymany wówczas rozkład łączny wielkości roszczeń to: P (X > x,..., X n > x n ) = e θ(x +...+x n) α 2 /4θ πθ 3 e α2 dθ Analogicznie do poprzedniego przykładu zostanie obliczony rozkład brzegowy F X (x) i generator funkcji copula, aby następnie skorzystać z twierdzenia 3.. W celu otrzymania rozkładu brzegowego zmiennej X, należy wykluczyć z rozkładu łącznego wpływ pozostałych zmiennych przez podstawienie X 2 =... = X n = : F X (x) = e θx f Θ (θ)dθ = exp{ αx /2 }, x. Uzyskany rozkład brzegowy to rozkład Weibull a z parametrem kształtu /2. Ponieważ L(F Θ )(s) = F Θ (s) = e α s, to otrzymany generator ϕ(t), jako funkcja odwrotna ogona dystrybuanty brzegowego rozkładu wielkości roszczeń, ma wartość (L(F Θ )) (t) = ( ln t) 2 (dla wszystkich wartości α). Zgodnie z definicją dana kopuła Archimedesa jest kopułą Gumbel a (przykład 2.2), którą opisuje wzór: ( d ) /2 C Gumbel 2 (F (x ),..., F d (x d )) = exp ( ln( e α x i )) 2. i=

48 48 ROZDZIAŁ 4. *PRAWDOPODOBIEŃSTWO RUINY: CZAS CIĄGŁY Należy pamiętać, że rozkład brzegowy roszczeń zmienia się w zależności od wyboru α, natomiast kopuła pozostaje niezmieniona. Z równości (4.6.5) otrzymujemy: ψ(u) = F Θ (λ/c) + λ/c λ θc e θu e λc/u α 2 /4θ πθ 3 e α2 dθ, co można też wyrazić za pomocą funkcji błędu jako: Erfc(z) = Erf(z) = 2 π z e ω2 dω = 2Φ( z 2) ψ(u) = Erfc( Erfc( uλ/c 2 α λ/c ) + λ c/4λ α 2 c e α2 ( πλ/c 2α + uλ) e(cα 2 2 /4cλ ( + α u) α uλ) 2 λ/c )+e(cα+2 2 /4cλ ( + α u)erfc( uλ/c + Dla z > : Erfc(z) = Γ(/2, z 2 )/ π. Dla u= otrzymujemy: α ψ() = Erfc( 2 λ/c ) 2 λ/c α /4λ π e cα2 + 2λ cα Erf( α 2 2 λ/c ) oraz lim u α ψ(u) = Erfc( 2 λ/c ) α 2 λ/c )) Jeśli F Θ (a) = dla a > (tzn. nie ma żadnej masy prawdopodobieństwa w okolicach ), otrzymany rozkład brzegowy wielkości roszczeń jest lekkoogonowy. Oznacza to, że ogon dystrybuanty da się ograniczyć przez pewną funkcję wykładniczą. Tak jak w poprzednim przykładzie spróbujmy porównać model niezależny z modelem z zależnymi ryzykami (tym razem Θ ma rozkład stabilny (/2)). Zakładamy λ = c = oraz, że wartości oczekiwane wielkość roszczeń w modelach będą równe. Wartość oczekiwana zmiennej z rozkładu Weibulla to:, czyli szukamy parametrów α 2 spełniających równość: = 2. Dodatkowo, średnia szkoda musi być mniejsza od θ α 2 składki tj.: E[X] < c =. Parametry spełniające wszystkie podane warunki to np.: λ θ = 2, α = 2. Kolejno zostaną obliczone wzory na prawdopodobieństwo ruiny dla modelu niezależnego i z zależnościami. Prawdopodobieństwo ruiny w modelu niezależnym: ψ(u) = min{ exp{ u}, } 2

49 4.7. PRZYKŁADY MODELI Z ZALEŻNYMI WIELKOŚCIAMI ROSZCZEŃ 49 Prawdopodobieństwo ruiny w modelu z zależnymi wielkościami roszczeń: ψ(u) = Erfc() + 4 e ( 4 π + e ( u) 2 ( + 2 u) Erfc( u ) + e (+ u) 2 ( + 2 u)erfc( u + )) Kolejno zostały porównane prawdopodobieństwa ruiny dla kilku wybranych wartości kapitału początkowego: Tak, jak w poprzednim przykładzie, dla zerowego kapitału początkowego prawdopodobieństwo ruiny w modelu niezależnym jest większe, ale również szybciej maleje. Już dla u= prawdopodobieństwo ruiny w modelu niezależnym jest mniejsze niż w modelu z zależnymi ryzykami.

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

Zadanie 1. są niezależne i mają rozkład z atomami: ( ),

Zadanie 1. są niezależne i mają rozkład z atomami: ( ), Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 6.04.2009 r.

Matematyka ubezpieczeń majątkowych 6.04.2009 r. Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba

Bardziej szczegółowo

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem

Bardziej szczegółowo

LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III

LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III Komisja Egzaminacyjna dla Aktuariuszy LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III Matematyka ubezpieczeń majątkowych Imię i nazwisko osoby egzaminowanej:. Czas egzaminu: 100 minut Komisja

Bardziej szczegółowo

Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:

Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Układy równań i nierówności liniowych

Układy równań i nierówności liniowych Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga

Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga RAP 412 21.01.2009 Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga Wykładowca: Andrzej Ruciński Pisarz: Łukasz Waszak 1 Wstęp Na ostatnim wykładzie przedstawiliśmy twierdzenie o zbieżności

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa wielkich liczb, centralne twierdzenia graniczne , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

Bardziej szczegółowo

STATYSTYKA

STATYSTYKA Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1

W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1 W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1 Zadanie IV. Dany jest prostokątny arkusz kartony o długości 80 cm i szerokości 50 cm. W czterech rogach tego arkusza wycięto kwadratowe

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

Zakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.

Zakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji. Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji

Bardziej szczegółowo

Pochodne wyższych rzędów definicja i przykłady

Pochodne wyższych rzędów definicja i przykłady Pochodne wyższych rzędów definicja i przykłady Pochodne wyższych rzędów Drugą pochodną funkcji nazywamy pochodną pochodnej tej funkcji. Trzecia pochodna jest pochodną drugiej pochodnej; itd. Ogólnie, -ta

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Matematyka ubezpieczeń maj atkowych i osobowych (MUMIO) Ryszard Szekli

Matematyka ubezpieczeń maj atkowych i osobowych (MUMIO) Ryszard Szekli Matematyka ubezpieczeń maj atkowych i osobowych (MUMIO) Ryszard Szekli Skrypt do wykładu - Uniwersytet Wrocławski -212/213 2 Spis treści 1 Wprowadzenie 11 2 Rozkłady wielkości portfela 17 2.1 Rozkład wielkości

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone Rozdział 4 Ciągi nieskończone W rozdziale tym wprowadzimy pojęcie granicy ciągu. Dalej rozszerzymy to pojęcie na przypadek dowolnych funkcji. Jak zauważyliśmy we wstępie jest to najważniejsze pojęcie analizy

Bardziej szczegółowo

4 Kilka klas procesów

4 Kilka klas procesów Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (I)

Równanie przewodnictwa cieplnego (I) Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca

Bardziej szczegółowo

Funkcje wymierne. Jerzy Rutkowski. Działania dodawania i mnożenia funkcji wymiernych określa się wzorami: g h + k l g h k.

Funkcje wymierne. Jerzy Rutkowski. Działania dodawania i mnożenia funkcji wymiernych określa się wzorami: g h + k l g h k. Funkcje wymierne Jerzy Rutkowski Teoria Przypomnijmy, że przez R[x] oznaczamy zbiór wszystkich wielomianów zmiennej x i o współczynnikach rzeczywistych Definicja Funkcją wymierną jednej zmiennej nazywamy

Bardziej szczegółowo

1. Przyszła długość życia x-latka

1. Przyszła długość życia x-latka Przyszła długość życia x-latka Rozważmy osobę mającą x lat; oznaczenie: (x) Jej przyszłą długość życia oznaczymy T (x), lub krótko T Zatem x+t oznacza całkowitą długość życia T jest zmienną losową, której

Bardziej szczegółowo

Funkcja wykładnicza kilka dopowiedzeń

Funkcja wykładnicza kilka dopowiedzeń Funkcje i ich granice Było: Zbiór argumentów; zbiór wartości; monotoniczność; funkcja odwrotna; funkcja liniowa; kwadratowa; wielomiany; funkcje wymierne; funkcje trygonometryczne i ich odwrotności; funkcja

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

Matematyka ubezpieczeń maj atkowych i osobowych

Matematyka ubezpieczeń maj atkowych i osobowych Matematyka ubezpieczeń maj atkowych i osobowych Ryszard Szekli Skrypt do wykładu - Uniwersytet Wrocławski -216/217 wersja skrócona 2 Spis treści 1 Wprowadzenie 11 2 Rozkłady wielkości portfela 17 2.1 Rozkład

Bardziej szczegółowo

Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne.

Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne. Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne. Funkcja homograficzna. Definicja. Funkcja homograficzna jest to funkcja określona wzorem f() = a + b c + d, () gdzie współczynniki

Bardziej szczegółowo

Rok akademicki: 2013/2014 Kod: AMA-2-311-MN-s Punkty ECTS: 6. Kierunek: Matematyka Specjalność: Matematyka w naukach technicznych i przyrodniczych

Rok akademicki: 2013/2014 Kod: AMA-2-311-MN-s Punkty ECTS: 6. Kierunek: Matematyka Specjalność: Matematyka w naukach technicznych i przyrodniczych Nazwa modułu: teoria ryzyka Rok akademicki: 2013/2014 Kod: AMA-2-311-MN-s Punkty ECTS: 6 Wydział: Matematyki Stosowanej Kierunek: Matematyka Specjalność: Matematyka w naukach technicznych i przyrodniczych

Bardziej szczegółowo

Z Wikipedii, wolnej encyklopedii.

Z Wikipedii, wolnej encyklopedii. Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to

Bardziej szczegółowo

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie

Bardziej szczegółowo

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może

Bardziej szczegółowo

4,5. Dyskretne zmienne losowe (17.03; 31.03)

4,5. Dyskretne zmienne losowe (17.03; 31.03) 4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE

RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE A. RÓWNANIA RZĘDU PIERWSZEGO Uwagi ogólne Równanie różniczkowe zwyczajne rzędu pierwszego zawiera. Poza tym może zawierać oraz zmienną. Czyli ma postać ogólną Na przykład

Bardziej szczegółowo

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i

Bardziej szczegółowo

3. Macierze i Układy Równań Liniowych

3. Macierze i Układy Równań Liniowych 3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x

Bardziej szczegółowo

Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne)

Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Przygotował: Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Zima 2014/15 1 TABLICE ROZKŁADÓW... 3 ROZKŁAD

Bardziej szczegółowo

PROCES RYZYKA Z ZALEŻNYMI OKRESAMI MIĘDZY WYPŁATAMI ANALIZA PRAWDOPODOBIEŃSTWA RUINY 1

PROCES RYZYKA Z ZALEŻNYMI OKRESAMI MIĘDZY WYPŁATAMI ANALIZA PRAWDOPODOBIEŃSTWA RUINY 1 Stanisław Heilpern Uniwersytet Ekonomiczny we Wrocławiu PROCES RYZYKA Z ZALEŻNYMI OKRESAMI MIĘDZY WYPŁATAMI ANALIZA PRAWDOPODOBIEŃSTWA RUINY 1 Wprowadzenie W pracy będzie rozpatrywany ciągły proces ryzyka,

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości

Bardziej szczegółowo

AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA

AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja

Bardziej szczegółowo

Ekonomia matematyczna - 1.2

Ekonomia matematyczna - 1.2 Ekonomia matematyczna - 1.2 6. Popyt Marshalla, a popyt Hicksa. Poruszać się będziemy w tzw. standardowym polu preferencji X,, gdzie X R n i jest relacją preferencji, która jest: a) rosnąca (tzn. x y x

Bardziej szczegółowo

Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010

Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne

Bardziej szczegółowo

Następnie przypominamy (dla części studentów wprowadzamy) podstawowe pojęcia opisujące funkcje na poziomie rysunków i objaśnień.

Następnie przypominamy (dla części studentów wprowadzamy) podstawowe pojęcia opisujące funkcje na poziomie rysunków i objaśnień. Zadanie Należy zacząć od sprawdzenia, co studenci pamiętają ze szkoły średniej na temat funkcji jednej zmiennej. Na początek można narysować kilka krzywych na tle układu współrzędnych (funkcja gładka,

Bardziej szczegółowo

Konstrukcja liczb rzeczywistych przy pomocy ciągów Cauchy ego liczb wymiernych

Konstrukcja liczb rzeczywistych przy pomocy ciągów Cauchy ego liczb wymiernych Konstrukcja liczb rzeczywistych przy pomocy ciągów Cauchy ego liczb wymiernych Marcin Michalski 14.11.014 1 Wprowadzenie Jedną z intuicji na temat liczb rzeczywistych jest myślenie o nich jako liczbach,

Bardziej szczegółowo

1 Funkcja użyteczności

1 Funkcja użyteczności 1 Funkcja użyteczności Funkcja użyteczności to funkcja, której wartościami są wartości użyteczności (satysfakcji, komfortu psychicznego). Można mówić o użyteczności różnych zjawisk. Użyteczność pieniądza

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27.1. Wiadomości wstępne Równaniem różniczkowym cząstkowym nazywamy związek w którym występuje funkcja niewiadoma u dwóch lub większej liczby zmiennych niezależnych i

Bardziej szczegółowo

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i ) Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby

Bardziej szczegółowo

Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: Własności dystrybuanty zmiennej losowej:

Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: Własności dystrybuanty zmiennej losowej: Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: F (t) P (X t) < t < Własności dystrybuanty zmiennej losowej: jest niemalejąca: 0 F (t) jest prawostronnie

Bardziej szczegółowo

Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne.

Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne. Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne. Definicja. Niech a i b będą dodatnimi liczbami rzeczywistymi i niech a. Logarytmem liczby b przy podstawie

Bardziej szczegółowo

Notatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski

Notatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski Notatki z Analizy Matematycznej 2 Jacek M. Jędrzejewski Definicja 3.1. Niech (a n ) n=1 będzie ciągiem liczbowym. Dla każdej liczby naturalnej dodatniej n utwórzmy S n nazywamy n-tą sumą częściową. ROZDZIAŁ

Bardziej szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład

Bardziej szczegółowo

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa

Bardziej szczegółowo

Przegląd ważniejszych rozkładów

Przegląd ważniejszych rozkładów Przegląd ważniejszych rozkładów Rozkład dwupunktowy P (X = x) = { p dla x = a, 1 p dla x = b, to zmienna losowa X ma rozkład dwupunktowy z parametrem p (0 < p < 1). Rozkład ten pojawia się przy opisie

Bardziej szczegółowo

Funkcja kwadratowa. f(x) = ax 2 + bx + c = a

Funkcja kwadratowa. f(x) = ax 2 + bx + c = a Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax, a R \ {0}.

Bardziej szczegółowo

Rozdział 2. Liczby zespolone

Rozdział 2. Liczby zespolone Rozdział Liczby zespolone Zbiór C = R z działaniami + oraz określonymi poniżej: x 1, y 1 ) + x, y ) := x 1 + x, y 1 + y ), 1) x 1, y 1 ) x, y ) := x 1 x y 1 y, x 1 y + x y 1 ) ) jest ciałem zob rozdział

Bardziej szczegółowo

Całki niewłaściwe. Całki w granicach nieskończonych

Całki niewłaściwe. Całki w granicach nieskończonych Całki niewłaściwe Całki w granicach nieskończonych Wiemy, co to jest w przypadku skończonego przedziału i funkcji ograniczonej. Okazuje się potrzebne uogólnienie tego pojęcia w różnych kierunkach (przedział

Bardziej szczegółowo

Funkcja kwadratowa. f(x) = ax 2 + bx + c,

Funkcja kwadratowa. f(x) = ax 2 + bx + c, Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax 2 + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax 2, a R \

Bardziej szczegółowo

Uniwersyteckie Koło Matematyczne - Tajemnicza liczba e.

Uniwersyteckie Koło Matematyczne - Tajemnicza liczba e. Uniwersyteckie Koło Matematyczne - Tajemnicza liczba e. Filip Piękniewski Wydział Matematyki i Informatyki Uniwersytetu Mikołaja Kopernika http://www.mat.umk.pl/ philip 17 grudnia 2009 Filip Piękniewski,

Bardziej szczegółowo

0 + 0 = 0, = 1, = 1, = 0.

0 + 0 = 0, = 1, = 1, = 0. 5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,

Bardziej szczegółowo

Wykład 4. Określimy teraz pewną ważną klasę pierścieni.

Wykład 4. Określimy teraz pewną ważną klasę pierścieni. Wykład 4 Określimy teraz pewną ważną klasę pierścieni. Twierdzenie 1 Niech m, n Z. Jeśli n > 0 to istnieje dokładnie jedna para licz q, r, że: m = qn + r, 0 r < n. Liczbę r nazywamy resztą z dzielenia

Bardziej szczegółowo

Ubezpieczenia majątkowe

Ubezpieczenia majątkowe Funkcje użyteczności a składki Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych 2016/2017 Funkcja użyteczności Niech ω wielkość majątku decydenta wyrażona w j.p., u (ω) stopień

Bardziej szczegółowo

Metoda największej wiarygodności

Metoda największej wiarygodności Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 4

RÓWNANIA RÓŻNICZKOWE WYKŁAD 4 RÓWNANIA RÓŻNICZKOWE WYKŁAD 4 Obszar określoności równania Jeżeli występująca w równaniu y' f ( x, y) funkcja f jest ciągła, to równanie posiada rozwiązanie. Jeżeli f jest nieokreślona w punkcie (x 0,

Bardziej szczegółowo

13 Równanie struny drgającej. Równanie przewodnictwa ciepła.

13 Równanie struny drgającej. Równanie przewodnictwa ciepła. Równanie struny drgającej. Równanie przewodnictwa ciepła 13 1 13 Równanie struny drgającej. Równanie przewodnictwa ciepła. 13.1 Równanie struny drgającej Równanie różniczkowe liniowe drugiego rzędu typu

Bardziej szczegółowo

1. Ubezpieczenia życiowe

1. Ubezpieczenia życiowe 1. Ubezpieczenia życiowe Przy ubezpieczeniach życiowych mamy do czynienia z jednorazową wypłatą sumy ubezpieczenia. Moment jej wypłaty i wielkość wypłaty może być funkcją zmiennej losowej T a więc czas

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu 1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie

Bardziej szczegółowo

5. Rozwiązywanie układów równań liniowych

5. Rozwiązywanie układów równań liniowych 5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a

Bardziej szczegółowo

RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych. Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych

RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych. Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych wyliczamy według wzoru (x, x 2,..., x n ) f(x, x 2,..., x n )

Bardziej szczegółowo

Zadanie 3 Oblicz jeżeli wiadomo, że liczby 8 2,, 1, , tworzą ciąg arytmetyczny. Wyznacz różnicę ciągu. Rozwiązanie:

Zadanie 3 Oblicz jeżeli wiadomo, że liczby 8 2,, 1, , tworzą ciąg arytmetyczny. Wyznacz różnicę ciągu. Rozwiązanie: Zadanie 3 Oblicz jeżeli wiadomo, że liczby 8 2,, 1, 6 11 6 11, tworzą ciąg arytmetyczny. Wyznacz różnicę ciągu. Uprośćmy najpierw liczby dane w treści zadania: 8 2, 2 2 2 2 2 2 6 11 6 11 6 11 26 11 6 11

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD Metoda najmniejszych kwadratów funkcje nieliniowe Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji

Bardziej szczegółowo

1 Podstawowe oznaczenia

1 Podstawowe oznaczenia Poniżej mogą Państwo znaleźć skondensowane wiadomości z wykładu. Należy je traktować jako przegląd pojęć, które pojawiły się na wykładzie. Materiały te nie są w pełni tożsame z tym co pojawia się na wykładzie.

Bardziej szczegółowo

4. Ubezpieczenie Życiowe

4. Ubezpieczenie Życiowe 4. Ubezpieczenie Życiowe Składka ubezpieczeniowa musi brać pod uwagę następujące czynniki: 1. Kwotę wypłaconą przy śmierci ubezpieczonego oraz jej wartość aktualną. 2. Rozkład czasu do śmierci ubezpieczonego

Bardziej szczegółowo

Dlaczego nie wystarczają liczby wymierne

Dlaczego nie wystarczają liczby wymierne Dlaczego nie wystarczają liczby wymierne Analiza zajmuje się problemami, w których pojawia się przejście graniczne. Przykładami takich problemów w matematyce bądź fizyce mogą być: 1. Pojęcie prędkości

Bardziej szczegółowo

Dystrybucje. Marcin Orchel. 1 Wstęp Dystrybucje Pochodna dystrybucyjna Przestrzenie... 5

Dystrybucje. Marcin Orchel. 1 Wstęp Dystrybucje Pochodna dystrybucyjna Przestrzenie... 5 Dystrybucje Marcin Orchel Spis treści 1 Wstęp 1 1.1 Dystrybucje................................... 1 1.2 Pochodna dystrybucyjna............................ 3 1.3 Przestrzenie...................................

Bardziej szczegółowo

Matematyka finansowa w pakiecie Matlab

Matematyka finansowa w pakiecie Matlab Matematyka finansowa w pakiecie Matlab Wykład 5. Wycena opcji modele dyskretne Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK Kurs letni dla studentów studiów zamawianych na kierunku Matematyka

Bardziej szczegółowo

Rachunek całkowy - całka oznaczona

Rachunek całkowy - całka oznaczona SPIS TREŚCI. 2. CAŁKA OZNACZONA: a. Związek między całką oznaczoną a nieoznaczoną. b. Definicja całki oznaczonej. c. Własności całek oznaczonych. d. Zastosowanie całek oznaczonych. e. Zamiana zmiennej

Bardziej szczegółowo

Obliczenia iteracyjne

Obliczenia iteracyjne Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej

Bardziej szczegółowo

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele

Bardziej szczegółowo

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (II)

Równanie przewodnictwa cieplnego (II) Wykład 5 Równanie przewodnictwa cieplnego (II) 5.1 Metoda Fouriera dla pręta ograniczonego 5.1.1 Pierwsze zagadnienie brzegowe dla pręta ograniczonego Poszukujemy rozwiązania równania przewodnictwa spełniającego

Bardziej szczegółowo

E-learning - matematyka - poziom rozszerzony. Funkcja wykładnicza. Materiały merytoryczne do kursu

E-learning - matematyka - poziom rozszerzony. Funkcja wykładnicza. Materiały merytoryczne do kursu E-learning - matematyka - poziom rozszerzony Funkcja wykładnicza Materiały merytoryczne do kursu Definicję i własności funkcji wykładniczej poprzedzimy definicją potęgi o wykładniku rzeczywistym. Poprawna

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z MATEMATYKI KLASA III ZAKRES ROZSZERZONY (90 godz.) , x

WYMAGANIA EDUKACYJNE Z MATEMATYKI KLASA III ZAKRES ROZSZERZONY (90 godz.) , x WYMAGANIA EDUACYJNE Z MATEMATYI LASA III ZARES ROZSZERZONY (90 godz.) Oznaczenia: wymagania konieczne (dopuszczający); P wymagania podstawowe (dostateczny); R wymagania rozszerzające (dobry); D wymagania

Bardziej szczegółowo

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można

Bardziej szczegółowo