Dyskretny proces ryzyka z uwzględnieniem reasekuracji i losowej stopy procentowej 1

Wielkość: px
Rozpocząć pokaz od strony:

Download "Dyskretny proces ryzyka z uwzględnieniem reasekuracji i losowej stopy procentowej 1"

Transkrypt

1 Roczniki Kolegium Analiz Ekonomicznych Zeszyt 3/23 Helena Jasiulewicz Dyskretny proces ryzyka z uwzględnieniem reasekuracji i losowej stopy procentowej Streszczenie W artykule rozważane jest prawdopodoieństwo ruiny w klasycznym dyskretnym procesie ryzyka z włączeniem reasekuracji i losowej stopy inwestycji. Nadwyżka finansowa uezpieczyciela jest inwestowana według stopy opisanej jednorodnym łańcuchem Markowa. Wyprowadzono wzory rekurencyjne na prawdopodoieństwo ruiny w czasie skończonym i nieskończonym. Podano również górne ograniczenie prawdopodoieństwa ruiny za pomocą współczynnika Lunderga. Dla reasekuracji proporcjonalnej i reasekuracji nadwyżki szkody wyznaczono optymalne poziomy retencji, przyjmując za kryterium optymalizacyjne maksymalizację współczynnika dopasowania. Uzyskane wyniki przedstawiono w taelach i na wykresach w zależności od narzutów na ezpieczeństwo uezpieczyciela i reasekuratora oraz poziomu kapitału początkowego.. Wstęp Celem pracy jest zadanie wpływu reasekuracji na finanse firmy uezpieczeniowej w klasycznym dyskretnym procesie ryzyka z uwzględnieniem inwestycji. Nadwyżka finansowa uezpieczyciela jest inwestowana według stochastycznej stopy procentowej opisanej jednorodnym łańcuchem Markowa. Wyprowadzone zostały wzory na prawdopodoieństwo ruiny firmy uezpieczeniowej oraz podano górne oszacowanie prawdopodoieństwa ruiny za pomocą współczynnika Lunderga. Dla najczęściej stosowanych w praktyce rodzajów reasekuracji wyznaczono optymalne poziomy retencji reasekuracji. Zamieszczono wykresy i wyniki liczowe dotyczące optymalnego poziomu reasekuracji w zależności od narzutów na ezpieczeństwo uezpieczyciela i reasekuratora oraz od poziomu kapitału początkowego uezpieczyciela. Budowa pracy jest następująca. W paragrafie 2 podane są stosowane oznaczenia i przyjęte założenia, przy których uzyskano nowe wyniki. Główne wyniki przedstawiono w paragrafie 3. W twierdzeniu sformułowane są równania rekurencyjne na prawdopodoieństwo ruiny firmy uezpieczeniowej w skończonym i nieskończonym horyzoncie czasu. W twierdzeniu 2 podano górne oszacowanie Projekt został sfinansowany ze środków Narodowego Centrum Nauki.

2 2 Helena Jasiulewicz prawdopodoieństwa ruiny za pomocą współczynnika Lunderga. W tym paragrafie podany jest przykład rozkładu, dla którego oszacowanie w twierdzeniu 2 jest istotnie lepsze od podonych oszacowań znanych w literaturze. W paragrafie 4 wyznaczono optymalną reasekurację dla poszczególnych przypadków reasekuracji: proporcjonalnej i nadwyżki szkody. Jako kryterium optymalizacji przyjęto maksimum współczynnika Lunderga. Wiadomo, że im wyższy współczynnik Lunderga, tym mniejsze jest prawdopodoieństwo ruiny. W paragrafie tym podane są przykłady liczowe dotyczące optymalnej reasekuracji, przy różnych narzutach na ezpieczeństwo uezpieczyciela i reasekuratora i różnych kapitałach początkowych. 2. Oznaczenia i założenia W pracy przyjęto następujące oznaczenia i założenia:. Z n całkowita wypłata na końcu okresu jednostkowego (n, n], wypłata w momencie n, Z n i.i.d. o dystryuancie W (z = Pr(Z n z i średniej µ = EZ n. 2. c = ( + θµ składka stała płacona na koniec każdego okresu jednostkowego (n, n], θ >. 3. U n nadwyżka finansowa na koniec okresu (n, n] liczona po wypłacie. U n jest inwestowana na początku okresu (n, n + ] według stopy losowej I n {i, i 2,..., i l }. 4. I, I 2,... jednorodny łańcuch Markowa o l stanach, macierzy przejścia P = = [p st ] l l i rozkładzie początkowym π = (π,..., π l. 5. Uezpieczyciel reasekuruje część ryzyka z każdego roszczenia. Z ce n = h(z n, część zatrzymana przez uezpieczyciela, o dystryuancie Oczywiste założenie o funkcji h: V z = Pr (Z ce n z, V (z = Pr (Z ce n > z. h(x, x. Zn re = Z n Zn ce część ryzyka reasekurowana. 6. Reasekurator wyznacza składkę według zasady wartości oczekiwanej: c re = ( + η E(Z n h(z n,. Zakładamy, że η > θ >, ay uezpieczyciel nie zaraiał ez ponoszenia ryzyka, gdyy zostawił soie zerową wartość roszczeń. 7. Składka zatrzymana przez uezpieczyciela w okresie jednostkowym: c( = c c re = ( + ηeh(z n, (η θµ.

3 Dyskretny proces ryzyka z uwzględnieniem reasekuracji U n proces nadwyżki finansowej uezpieczyciela przy reasekuracji na koniec okresu jednostkowego (n, n] po wpłynięciu składki i wypłacie: U n = U n ( + I n + c( h(z n,. 9. Prawdopodoieństwo ruiny w skończonym czasie: ( n Ψ ( n(u, i s = Pr Ui < U = u, I = i s = = Pr i= (U i < dla pewnego i n U = u, I = i s. Prawdopodoieństwo ruiny w nieskończonym czasie: ( Ψ ( (u, i s = Pr Ui < U = u, I = i s = = Pr i= (U i < dla pewnego i U = u, I = i s. Oczywiście Ψ (u, i s = lim n Ψ n(u, i s. Przykłady reasekuracji najczęściej stosowanych w praktyce uezpieczeniowej:. Reasekuracja proporcjonalna, gdy funkcja h(x, jest postaci h(x, = x, gdzie (, ]. 2. Reasekuracja nadwyżki szkody, gdy funkcja h (x, jest postaci gdzie >. h (x, = { x, x,, x >, 3. Główne wyniki EZ ce n Dla uniknięcia ruiny z prawdopodoieństwem równym, zakłada się, że < c (. Twierdzenie. Prawdopodoieństwo ruiny uezpieczyciela w czasie skończonym wyraża się rekurencyjnie w następujący sposó: l Ψ (u, i s = p sj V (u ( + ij + c (, j=

4 4 Helena Jasiulewicz l { Ψ n+ (u, i s = p sj V (u ( + ij + c ( + j= ˆ u(+ij +c( } + Ψ n (u ( + i j + c ( z, i j dv z. Prawdopodoieństwo ruiny w czasie nieskończonym: l { Ψ (u, i s = p sj V (u ( + ij + c ( + j= ˆ u(+ij +c( } + Ψ (u ( + i j + c ( z, i j dv x, gdzie c( = ( + η Eh (Z n, (η θ µ. Dowód twierdzenia jest podony do dowodu lematu 2. w pracy Cai i Dicksona (24. Dla reasekuracji proporcjonalnej składka zatrzymana jest postaci h (Z n, = Z n, (,, Z re n = ( Z n, c ( = (( + η (η θ µ, gdzie µ = EZ n, zaś dystryuanta zmiennej Z ce n postaci V (z = W ( z, gdzie W (z = Pr (Z n z, V (z = Pr (h (Z n, z, V (z = W Dla reasekuracji nadwyżki szkody, > : h (Z n, = min (Z n, = Z re n = (Z n + = ( z. { Zn gdy Z n, gdy Z n >, {, gdy Zn, Z n gdy Z n >,

5 Dyskretny proces ryzyka z uwzględnieniem reasekuracji... 5 składka zatrzymana jest postaci ˆ c ( = ( + η V (z dz (η θ µ, gdzie V (z = Pr (min (Z n, z = { W z dla z, dla z >, przy czym W (z = Pr (Z n z. Twierdzenie 2. Jeżeli Eh (Z, < c ( i istnieje stała dodatnia R( spełniająca równanie Ee R(h(Z, = e R(c(, ( to oszacowanie z góry prawdopodoieństwa ruiny w nieskończonym czasie jest postaci Ψ (u, i s βe (e R((u+I I = i s, (2 gdzie e R(x V (x β = sup, < β. (3 x c( x er(z dv (z Dowód. Dla każdego x mamy V (x + c ( = er(x V (x + c ( x er(z dv (z + c ( e R(x ˆ x e R(z dv (z + c ( = ˆ = er((x+c( V (x + c ( e R(x e R((y c( dv (y. x+c( er(y dv (y x+c( (4 Niech Zatem gdzie g (t = er((t V (t t e R(y dv (y. ˆ V (x + c ( sup {g (x + c (} e R(x e R((y c( dv (y x x+c( ˆ = βe R(x e R((y c( dv (y, x+c( β = sup g (y. y c( (5

6 6 Helena Jasiulewicz Z równania ( otrzymujemy ˆ V (x + c ( βe R(x e R((y c( dv (y = βe R(x. (6 Natomiast nierówność (3 wynika z faktu, że dla z t zachodzi nierówność exp (R ( z exp (R ( t. Zatem t e R(z dv (z e R(t V (t ˆ e R(t dv (z t e R(t V (t =. Z odwrotności tej nierówności otrzymuje się nierówność (3. Przejdźmy do indukcyjnego dowodu nierówności (2. Z twierdzenia 3 oraz nierówności (6 mamy Ψ (u, i s l j= p sj βe R(u(+ij = βe (e R(u(+I I = i s. Z założenia indukcyjnego Ψ n (u, i s βe (e R(u(+I I = i s i twierdzenia mamy Ponieważ więc ( ˆ l Ψ n+ (u, i s p sj βe R(u(+i j e R((y c( dv (y + i=j u(+i j +c( ˆ u(+ij +c( + βee R((u(+i j z+c((+i I = i s. E (e R((u(+i j z+c((+i I = i s e R((u(+ij z+c(, (7 Ψ n+ (u, i s l i=j = βe ˆ p sj βe R(u(+i j e R((y c( dv (y = (e R(u(+I I = i s. Biorąc granice przy n, otrzymujemy nierówność (2.

7 Dyskretny proces ryzyka z uwzględnieniem reasekuracji... 7 Oszacowanie (7 jest oszacowaniem gruym powodującym, że po prawej stronie nierówności (2 występuje tylko jeden wiersz macierzy przejścia P = [p ij ] łańcucha Markowa I, I 2,..., a mianowicie wiersz o numerze s. Prolem ten występował we wcześniejszych pracach Cai i Dicksona (24 oraz Jasiulewicz (2. Przykład. Dla rozkładu wykładniczego V (z z parametrem λ > R ( współczynnik β <. Ponieważ ˆ a więc ze wzoru (3 otrzymujemy e R(z λe λz dz = λ λ R (, β = λ R ( λ <. Współczynnik β przyjmuje wartość dla rozkładu normalnego V (z. Ay to pokazać, należy skorzystać z dwóch poniższych lematów. Lemat. ˆ ( 2 B σ e rx e x m σ 2 dx = 2π A ( ( ( = e rm+r2 σ 2 /2 B m rσ 2 A m rσ 2 Φ Φ, σ σ gdzie Φ (x jest dystryuantą rozkładu normalnego N(,. Dowód. Korzystając ze wzoru ( x m rσ 2 2 ( x m 2 = rx + rm + r2 σ 2 (8 σ 2 σ 2 i podstawienia t = ( x m rσ 2 /σ, otrzymujemy kolejno 2 σ 2π ˆ B A = σ 2π erm+r2 σ 2 /2 = σ 2π erm+r2 σ 2 /2 e rx e ( x m σ 2 2 dx = ˆ B e ( A ˆ B m rσ 2 σ A m rσ 2 σ x m rσ 2 2 σ 2 dx = e t2 /2 σ dt = ( ( ( = e rm+r2 σ 2 /2 B m rσ 2 A m rσ 2 Φ Φ. σ σ (9

8 8 Helena Jasiulewicz Lemat 2. ( Feller, 966, lemat 2, wzór (.8 x x 3 e x2 /2 < Φ (x < 2π x e x2 /2. 2π Przykład 2. Dla rozkładu normalnego N(, z lematów i 2 wynika, że granica przy x prawej strony wzoru (3 jest równa. Stąd β =. Równanie ( na współczynnik dopasowania R( rzadko daje się rozwiązać analitycznie. Jego przyliżenie jest postaci R ( 2 (c ( Eh (Z, Varh (Z,. ( Przyliżenie ( daje równość, gdy h (Z, ma rozkład normalny. Jeżeli zmienna losowa Z ce = h (Z, jest postaci to h (Z, = ξ n i= Y i, Eh (Z, = (EY i (Eξ n, ( Varh (Z, = (VarY i (Eξ n + EY 2 i (Varξ n, gdzie ξ n zmienna losowa dyskretna o wartościach całkowitych, nieujemnych. Oszacowaniem z góry i z dołu najmniejszego prawdopodoieństwa ruiny przy dynamicznej strategii reasekuracyjnej uezpieczyciela dla dyskretnego procesu ryzyka zajmowali się Groniowska i Niemiro (25. Wyznaczenie prawdopodoieństwa ruiny z równań rekurencyjnych (twierdzenie jest ardzo skomplikowane. W celu otrzymania optymalnego poziomu retencji według kryterium minimum prawdopodoieństwa ruiny skorzystano z faktu, że prawdopodoieństwo ruiny jest tym mniejsze, im większy jest współczynnik dopasowania. Dlatego za optymalny poziom retencji reasekuracji przyjęto taki poziom, dla którego współczynnik dopasowania Lunderga przyjmuje wartość największą. Współczynnik ten jest stosunkowo łatwy do wyznaczenia. 4. Szczególne przypadki reasekuracji I. Rozważmy reasekurację proporcjonalną: Z ce n = h (Z n, = Z n.

9 Dyskretny proces ryzyka z uwzględnieniem reasekuracji... 9 Załóżmy, że Z n ma rozkład N(µ, σ. Zatem Zn ce N (µ, σ. Dla tego rozkładu normalnego też ma rozkład normalny R ( = 2 (c ( µ 2 σ 2 = 2µ σ 2 ( + η (η θ 2 = 2µ σ 2 η η + θ 2. Dla parametrów µ = i σ = 2 wykresy funkcji R ( przedstawione są na rysunku. Rysunek. Wykres R( dla η =.3, θ =.2 (linia cienka, η =.5, θ =. (linia grua, η =.4, θ =.2 (linia przerywana R( dla Ponieważ oraz druga pochodna w jest równa dr ( d = (4µθ + (2 4 ηµ 3 σ 2 = = 2 (η θ η d 2 R ( 4µ (3θ + η 3η d 2 = 4 σ 2 d 2 R ( d 2 = 4η4 µ (θ η σ 2 (2η 2θ 4 <, to współczynnik dopasowania R ( przyjmuje wartość największą dla Niech = 2η θ η, (,. ( γ = θ η, < θ < η. Wówczas = (γ = 2 ( γ, γ [.5,.

10 2 Helena Jasiulewicz Wartość maksymalna współczynnika dopasowania R ( wynosi R ( = µ σ 2 η 2 2η θ. Maksymalne współczynniki dopasowania, gdy Z ce n N(, 2 (µ =, σ = 2, przedstawia taela. Taela. Wartości maksymalne R( rozkładu normalnego η θ R Wartości parametrów η oraz θ są zaczerpnięte z pracy Dicksona i Watersa (996. Teraz zajmiemy się górnym oszacowaniem prawdopodoieństwa ruiny danego w twierdzeniu 2, czyli prawą stroną nierówności (2. Wcześniej zostało pokazane, że β = dla rozkładu normalnego. W dalszych rozważaniach przyjmujemy, że µ =, σ = 2 oraz łańcuch Markowa jest trzystanowy: i =.4, i 2 =.8, i 3 =.2 o macierzy przejścia (2.7.3 i rozkładzie początkowym π = (,,. Niech f (η, θ,, u = βe (e R((u+I I = i 2. (3 Wykresy funkcji f (η, θ,, u dla maksymalnego współczynnika dopasowania przy ustalonych parametrach η oraz θ są przestawione na rysunkach 2, 3 i 4. Rysunek 2. Wykres f(.3,.2,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 f(

11 Dyskretny proces ryzyka z uwzględnieniem reasekuracji... 2 Rysunek 3. Wykres f(.5,.,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 f( Rysunek 4. Wykres f(.4,.2,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 f( Górne ograniczenia prawdopodoieństwa ruiny Ψ (u, i, gdzie wyznaczone jest tak, że współczynnik dopasowania dla rozważanego rozkładu i łańcucha Markowa przyjmuje wartość największą, równą R (, przedstawione są w taeli 2. Taela 2. Górne ograniczenie prawdopodoieństwa ruiny dla rozkładu normalnego f (η, θ,, u η θ R u = u = u = II. Rozważmy reasekurację nadwyżki szkody: Z ce n = min (Z n,.

12 22 Helena Jasiulewicz Gdy zmienna losowa Z n ma rozkład wykładniczy o dystryuancie W (z = = e λz, z, to zmienna losowa Z ce ma dystryuantę dla z, V z = e λz dla < z, dla z > oraz EZ ce = e λ λ VarZ ce = e 2λ, ( 3e 2λ + (2λ 4 e λ + λ 2. Przy tego typu reasekuracji składka zatrzymana przez uezpieczyciela jest postaci ( c = e λ e λ θ + e λ η. λ Współczynnik dopasowania R ( dla rozkładu V (z ma postać: 2λe 2λ θ 2ηλe λ R = 3e 2λ + (2λ 4 e λ +. Dla λ = wykresy funkcji R ( są przedstawione na rysunku 5. Rysunek 5. Współczynnik dopasowania R( dla η =.3, θ =.2 (linia cienka, η =.5 (linia grua, θ =., η =.4, θ =.2 (linia przerywana 2.5 R( Maksymalne współczynniki dopasowania dla uciętego rozkładu wykładniczego z parametrem λ = zmiennej Z ce n przedstawia taela 3.

13 Dyskretny proces ryzyka z uwzględnieniem reasekuracji Taela 3. Wartości maksymalne R( rozkładu wykładniczego uciętego η θ R( Górne oszacowanie prawdopodoieństwa ruiny danego w twierdzeniu 2 oznaczmy przez g (η, θ,, u, tzn. gη, θ,, u = βe (e R((u+I I = i 2. (4 Dla uciętego rozkładu wykładniczego współczynnik β =. W dalszych rozważaniach przyjmujemy λ =. Łańcuch Markowa I n jest określony tak, jak w reasekuracji proporcjonalnej. Wykresy funkcji g (η, θ,, u dla maksymalnego współczynnika dopasowania przy ustalonych parametrach η oraz θ są przedstawione na rysunkach 6, 7, 8. Rysunek 6. Wykres g(.3,.2,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 g( Rysunek 7. Wykres g(.5,.,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 g(

14 24 Helena Jasiulewicz Rysunek 8. Wykres g(.4,.2,, u dla u = (linia cienka, u = 2 (linia grua, u = 3 (linia przerywana.8 g( Górne ograniczenia prawdopodoieństwa ruiny Ψ (u, i przedstawione są w taeli 4. Taela 4. Górne ograniczenie prawdopodoieństwa ruiny dla rozkładu wykładniczego uciętego g (η, θ,, u η θ R u = u = 2 u = Podsumowanie Uwzględnienie reasekuracji i losowej stopy procentowej inwestycji w klasycznym dyskretnym procesie ryzyka przyliża ten model do rzeczywistości. Elementy wprowadzone do modelu mają istotny wpływ na wyniki finansowe firm uezpieczeniowych. Również rozważany model dyskretny w porównaniu do ciągłego jest liższy praktyce uezpieczeniowej, a ponadto używa dość prostych narzędzi matematycznych. Otrzymane nowe wyniki są podane w paragrafie 2. Uogólniają one wyniki prac Cai i Dicksona (24 oraz Jasiulewicz (2, dotyczących klasycznego dyskretnego procesu ryzyka ez reasekuracji. Wyznaczenie prawdopodoieństwa ruiny z równań rekurencyjnych (twierdzenie jest ardzo skomplikowane, choć możliwe. Dlatego przy wyznaczaniu optymalnego poziomu retencji reasekuracji według kryterium minimalizacji prawdopodoieństwa ruiny wykorzystano maksymalizację współczynnika dopasowania Lunderga, który jest stosunkowo łatwy do uzyskania. Wykorzystano fakt, że prawdopodoieństwo ruiny jest tym mniejsze, im większy jest współczynnik dopasowania. Wykorzystując twierdzenie 2, za

15 Dyskretny proces ryzyka z uwzglêdnieniem reasekuracji optymalny poziom retencji przyjęto taki poziom, który minimalizuje górne ograniczenie współczynnika dopasowania. Dla podstawowych rodzajów reasekuracji, proporcjonalnej i nadwyżki szkody dla konkretnych rozkładów całkowitej straty w pojedynczym okresie, wyznaczono optymalne poziomy retencji. Współczynnik Lunderga ma kluczowe znaczenie dla wyznaczania górnego ograniczenia prawdopodoieństwa ruiny. Wiadomo, że ten współczynnik istnieje tylko dla rozkładów lekkoogonowych. Jednak w przypadku reasekuracji nadwyżki szkody strata zatrzymana przez uezpieczyciela Zn ce zawsze ma rozkład o lekkim ogonie, niezależnie od rozkładu Z n. Dla tego rodzaju reasekuracji zastosowana w pracy metoda wyznaczania optymalnego poziomu retencji może yć stosowana również, gdy rozkład całkowitej straty przed reasekuracją Z n jest rozkładem ciężkoogonowym. Dalsze adania skupią się na określeniu rozkładu wielkości deficytu firmy w momencie ruiny, gdy uezpieczyciel stosuje reasekurację optymalną i inwestuje nadwyżkę finansową. Dziękuję Recenzentom za uwagi i sugestie dotyczące zmian. Biliografia [] Cai J., Dickson D.C.M. (24, Ruin proailities with a Markov chain interest model, Insurance Math. Econom, vol. 35, s [2] Dickson D.C.M., Waters H.R. (996, Reinsurance and ruin, Insurance Math. Econom, vol. 9, s [3] Feller W. (966, Wstęp do rachunku prawdopodoieństwa, PWN, Warszawa. [4] Groniowska A., Niemiro W. (25, Controlled risk processes in discrete time: Lower and upper approximation to the optimal proaility of ruin, Insurance Math. Econom, vol. 36, s [5] Jasiulewicz H. (2, Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką, w: Zagadnienia aktuarialne teoria i praktyka, red. W. Otto, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa, s *** Discrete risk process with reinsurance and random interest rate Astract In the paper a proaility of of ruin in the classical discrete risk process, including reinsurance and random investment rate is considered. A financial surplus of an insurer is invested according to random rate descried y a homogeneous Markov chain. Recurrence formulae for proailities of ruin in the finite and infinite time were derived. The upper ound of ruin proaility was also given using Lunderg s coefficient. For the proportional

16 26 Helena Jasiulewicz reinsurance and reinsurance of stop-loss an optimal level of retention was determined, assuming maximalize of fitting coefficient as an optimizing criterion. The otained results were presented in tales and on figures. They depend on loading for safety of an insurer and reinsurer and on level of an initial capital. Autor: Helena Jasiulewicz, Instytut Nauk Ekonomicznych i Społecznych, Uniwersytet Przyrodniczy we Wrocławiu, pl. Grunwaldzki 24 A, Wrocław, helena.jasiulewicz@up.wroc.pl

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n

Bardziej szczegółowo

poprzez reasekurację proporcjonalną w modelu Jan Matuszewski Uniwersytet Warszawski

poprzez reasekurację proporcjonalną w modelu Jan Matuszewski Uniwersytet Warszawski Minimalizacja prawdopodobieństwa ruiny poprzez reasekurację proporcjonalną w modelu Sparre Andersena Jan Matuszewski Uniwersytet Warszawski Prezentacja powstała w oparciu o wyniki uzyskane w pracy magisterskiej

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k = Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie

Bardziej szczegółowo

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X

Bardziej szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku

Bardziej szczegółowo

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

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

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )

Bardziej szczegółowo

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną:

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Zadanie. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Pr Pr ( = k) ( N = k ) N = + k, k =,,,... Jeśli wiemy, że szkód wynosi: k= Pr( N = k) =, to prawdopodobieństwo,

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie

Bardziej szczegółowo

8 Całka stochastyczna względem semimartyngałów

8 Całka stochastyczna względem semimartyngałów M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,

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

Zagadnienia brzegowe dla równań eliptycznych

Zagadnienia brzegowe dla równań eliptycznych Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta

Bardziej szczegółowo

Detekcja rozkładów o ciężkich ogonach

Detekcja rozkładów o ciężkich ogonach Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja

Bardziej szczegółowo

STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI

STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI 1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,

Bardziej szczegółowo

Spacery losowe generowanie realizacji procesu losowego

Spacery losowe generowanie realizacji procesu losowego Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z

Bardziej szczegółowo

Numeryczne aproksymacje prawdopodobieństwa ruiny

Numeryczne aproksymacje prawdopodobieństwa ruiny Numeryczne aproksymacje prawdopodobieństwa ruiny Krzysztof Burnecki Aleksander Weron Centrum Metod Stochastycznych im. Hugona Steinhausa Instytut Matematyki i Informatyki Politechnika Wrocławska www.im.pwr.wroc.pl/

Bardziej szczegółowo

Zadania z ekonomii matematycznej Teoria produkcji

Zadania z ekonomii matematycznej Teoria produkcji Paweł Kliber Zadania z ekonomii matematycznej Teoria produkcji Zadania Zad Dla podanych funkcji produkcji a fk z k + z b fk z 6k z c fk z k z d fk z k 4 z e fk z k + z wykonaj następujące polecenia: A

Bardziej szczegółowo

Układy równań i równania wyższych rzędów

Układy równań i równania wyższych rzędów Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem

Bardziej szczegółowo

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej

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 r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane

Bardziej szczegółowo

Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y)

Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y) Wykład 6 Funkcje harmoniczne Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. e f i n i c j a Funkcję u (x 1, x 2,..., x n ) nazywamy harmoniczną w obszarze R n wtedy i

Bardziej szczegółowo

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności

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

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są

Bardziej szczegółowo

VI. Równania różniczkowe liniowe wyższych rzędów

VI. Równania różniczkowe liniowe wyższych rzędów VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych

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

F t+ := s>t. F s = F t.

F t+ := s>t. F s = F t. M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną

Bardziej szczegółowo

Egzamin z matematyki ubezpieczeniowej (MUMIO), semestr zimowy 2013/14

Egzamin z matematyki ubezpieczeniowej (MUMIO), semestr zimowy 2013/14 ZESTAW A IMIȨ I NAZWISKO: Egzamin z matematyki ubezpieczeniowej (MUMIO), semestr zimowy 2/4 Data: 224 Egzaminar: Ryszard Szekli INSTRUKCJE: Rozwiązując test zakreślamy literką X POPRAWNE ODPOWIEDZI W TABELCE

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

Agata Boratyńska Statystyka aktuarialna... 1

Agata Boratyńska Statystyka aktuarialna... 1 Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie

Bardziej szczegółowo

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20:

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: E X 20 8 oraz znamy następujące charakterystyki dotyczące przedziału 10, 20 : 3 Pr

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

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

Bardziej szczegółowo

Statystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012

Statystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012 Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH

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

Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone

Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 3 i 4 1 / 25 MODEL RYZYKA INDYWIDUALNEGO X wielkość

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

System BCD z κ. Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna. Semestr letni 2009/10

System BCD z κ. Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna. Semestr letni 2009/10 System BCD z κ Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna Semestr letni 2009/10 Rozważamy system BCD ze stałą typową κ i aksjomatami ω κ κ i κ ω κ. W pierwszej części tej notatki

Bardziej szczegółowo

Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.

Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy bez pamięci w których czas i stany są zbiorami dyskretnymi. Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych

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

Rachunek prawdopodobieństwa i statystyka

Rachunek prawdopodobieństwa i statystyka Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk

Bardziej szczegółowo

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:

Bardziej szczegółowo

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y

Bardziej szczegółowo

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7 Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

MUMIO Lab 6 (składki, kontrakt stop-loss)

MUMIO Lab 6 (składki, kontrakt stop-loss) MUMIO Lab 6 (składki, kontrakt stop-loss) 1. (6p.) Niech X oznacza ryzyko (zmienn a losow a o własności P (X 0) = 1), a H( ) niech oznacza formułȩ kalkulacji składki (przyporz adkowuj ac a każdemu ryzyku

Bardziej szczegółowo

5. Równania różniczkowe zwyczajne pierwszego rzędu

5. Równania różniczkowe zwyczajne pierwszego rzędu 5. Równania różniczkowe zwyczajne pierwszego rzędu 5.1. Wstęp. Definicja 5.1. Niech V R 3 będzie obszarem oraz F : V R. Równaniem różniczkowym zwyczajnym rzędu pierwszego nazywamy równanie postaci Równanie

Bardziej szczegółowo

UBEZPIECZ SIĘ, NAJLEPIEJ U MATEMATYKA

UBEZPIECZ SIĘ, NAJLEPIEJ U MATEMATYKA KARIERA MATEMATYKĄ KREŚLONA UBEZPIECZ SIĘ, NAJLEPIEJ U MATEMATYKA Ryzyko i ubezpieczenie Możliwość zajścia niechcianego zdarzenia nazywamy ryzykiem. Ryzyko prawie zawsze wiąże się ze stratą. Ryzyko i ubezpieczenie

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

Statystyka aktuarialna i teoria ryzyka, rozkłady szkód

Statystyka aktuarialna i teoria ryzyka, rozkłady szkód Statystyka aktuarialna i teoria ryzyka, rozkłady szkód Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 7 1 / 16 ROZKŁADY WARTOŚCI SZKÓD Podstawowe własności: rozkłady skupione na dodatniej

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:

Bardziej szczegółowo

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,

Bardziej szczegółowo

Wykład 3 Równania rózniczkowe cd

Wykład 3 Równania rózniczkowe cd 7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie

Bardziej szczegółowo

Matematyka Dyskretna 2/2008 rozwiązania. x 2 = 5x 6 (1) s 1 = Aα 1 + Bβ 1. A + B = c 2 A + 3 B = d

Matematyka Dyskretna 2/2008 rozwiązania. x 2 = 5x 6 (1) s 1 = Aα 1 + Bβ 1. A + B = c 2 A + 3 B = d C. Bagiński Materiały dydaktyczne 1 Matematyka Dyskretna /008 rozwiązania 1. W każdym z następujących przypadków podać jawny wzór na s n i udowodnić indukcyjnie jego poprawność: (a) s 0 3, s 1 6, oraz

Bardziej szczegółowo

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie. Niech łączna wartość szkód: Ma złożony rozkład Poissona. Momenty rozkładu wartości poedyncze szkody wynoszą:, [ ]. Wiemy także, że momenty nadwyżki wartości poedyncze szkody ponad udział własny

Bardziej szczegółowo

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =. Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,

Bardziej szczegółowo

Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.

Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną

Bardziej szczegółowo

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -

Bardziej szczegółowo

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1 Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:

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

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych Elżbieta Krajewska Instytut Matematyki Politechnika Łódzka Elżbieta Krajewska Immunizacja ubezpieczycieli życiowych 1/22 Plan prezentacji

Bardziej szczegółowo

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński czyli jak tanio i dobrze zabezpieczyć opcję Michał Krawiec Piotr Piestrzyński Koło Naukowe Probabilistyki i Statystyki Matematycznej Uniwersytet Wrocławski Niedziela, 19 kwietnia 2015 Przykład (opis problemu)

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

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X

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

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem

Bardziej szczegółowo

Metody numeryczne. Sformułowanie zagadnienia interpolacji

Metody numeryczne. Sformułowanie zagadnienia interpolacji Ćwiczenia nr 4. Sformułowanie zagadnienia interpolacji Niech będą dane punkty x 0,..., x n i wartości y 0,..., y n, takie że i=0,...,n y i = f (x i )). Szukamy funkcji F (funkcji interpolującej), takiej

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH

MODELE MATEMATYCZNE W UBEZPIECZENIACH MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 6: SKŁADKI OKRESOWE Składki okresowe netto Umowę pomiędzy ubezpieczycielem a ubezpieczonym dotyczącą ubezpieczenia na życie nazywa się polisą ubezpieczeniową

Bardziej szczegółowo

V. Jednorodne układy równań różniczkowych liniowych o stałych współczynnikach

V. Jednorodne układy równań różniczkowych liniowych o stałych współczynnikach V. Jednorodne układy równań różniczkowych liniowych o stałych współczynnikach 1. Niezależność wielomianów, funkcji wykładniczych i trygonometrycznych W paragrafie tym podamy pewien lemat 1 potrzebny w

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

Całki podwójne. Definicja całki podwójnej. Jacek Kłopotowski. 25 maja Katedra Matematyki i Ekonomii Matematycznej

Całki podwójne. Definicja całki podwójnej. Jacek Kłopotowski. 25 maja Katedra Matematyki i Ekonomii Matematycznej Definicja całki podwójnej Katedra Matematyki i Ekonomii Matematycznej 25 maja 2016 Definicja całki podwójnej Załóżmy, że f : K R, gdzie K = a, b c, d R 2, jest funkcją ograniczoną. Niech x 0, x 1,...,

Bardziej szczegółowo

MODEL RACHUNKU OPERATORÓW DLA RÓŻ NICY WSTECZNEJ PRZY PODSTAWACH

MODEL RACHUNKU OPERATORÓW DLA RÓŻ NICY WSTECZNEJ PRZY PODSTAWACH ZESZYTY NAUKOWE AKADEMII MARYNARKI WOJENNEJ ROK LIV NR 1 (192) 2013 Hubert Wysocki Akademia Marynarki Wojennej Wydział Mechaniczno-Elektryczny, Katedra Matematyki i Fizyki 81-103 Gdynia, ul. J. Śmidowicza

Bardziej szczegółowo

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać

Bardziej szczegółowo

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.

Bardziej szczegółowo

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q

Bardziej szczegółowo

Rozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,

Rozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2, Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać

Bardziej szczegółowo

Zmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014

Zmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014 Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje

Bardziej szczegółowo

Dyskretne zmienne losowe

Dyskretne zmienne losowe Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która

Bardziej szczegółowo

1. Obciążenie statyczne

1. Obciążenie statyczne . Obciążenie statyczne.. Obliczenie stopnia kinematycznej niewyznaczalności n = Σ ϕ + Σ = + = p ( ) Σ = w p + d u = 5 + 5 + 0 0 =. Schemat podstawowy metody przemieszczeń . Schemat odkształceń łańcucha

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

System bonus-malus z mechanizmem korekty składki

System bonus-malus z mechanizmem korekty składki System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia

Bardziej szczegółowo