Professional Documents
Culture Documents
Általános Biztosításmatematika GY 1-8
Általános Biztosításmatematika GY 1-8
k=0
n
P
k=0
n
k
pk (1 p)nk z k = (1 p + pz)n
P
P
(z)k z (z1)
k k
Ekkor GX (z) =
e
z
=
e
= e(z1)
k!
k! e
pk =
k=0
k=0
(r + k)
(1 q)r q k
(r)k!
(k = 0, 1, 2...)
Figyelem! Gyakorlaton ms paramterezssel rtuk fel az eloszlst, mint eladson. Ott az 1 q s q szerepe fel volt cserlve. Itt most az elads jellseit
kvetjk. Ekkor
r
r
X
X
(r + k)
(r + k)
1q
1q
GX (z) =
(1q)r q k z k =
(1qz)r (qz)k
=
(r)k!
(r)k!
1 qz
1 qz
k=0
k=0
lst!
Megolds:
GX (z) =
pk z k
k=0
GX (z) =
k(k 1) ... (k n + 1) pk z kn
k=n
(n)
GX (0) = n!pn
(n)
pn =
GX (0)
n!
G0X (z) =
kpk z k1
k=1
G0X (1)
kpk =
k=1
G00X (z) =
kpk = EX
k=0
k(k 1)pk z k1
k=2
G00X (1) =
k(k 1)pk =
k=2
k=0
4. Mutassa meg, hogy fggetlen valsznsgi vltozk sszegnek genertorfggvnye a genertorfggvnyek szorzata.
Megolds: Legyen X s Y kt fggetlen valsznsgi vltoz. Ekkor
pn,0 +pn,1 +...+pn,[t] = P (Xn < t) = Fn (t) F (t) = P (X < t) = p0 +p1 +...p[t]
Ugyanezt t + 1-re is felrva kapjuk, hogy:
A kapott kt egyenlet klnbsgt felrva kapjuk, hogy minden nem egsz pozitv
t esetn: pn,[t]+1 p[t]+1 . Ebbl azonnal kvetkezik, hogy minden nemnegatv
egsz k esetn: pn,k pk
= Megmutatjuk, hogy ha a pn,k pk minden nemnegatv egsz rtk k
esetn, akkor az F (t) eloszlsfggvny t folytonossgi pontjaiban Fn (t) F (t).
Ebbl kvetkezne, hogy Xn X eloszlsban. Legyen t egy nem egsz pozitv
szm. Ekkor pn,0 p0 , pn,1 p1 ,..., pn,[t] p[t] . Ezrt sszeadva ezeket:
1
1
GX1 (z)+ GX2 (z) =
2
2
1
1
(1 p + pz)n + e(z1)
2
2
Lttuk a 3. feladatban, hogy G0X (1) = EX s G00X (1) = E(X(X 1)) =
E(X 2 X). Hasonl mdon kiszmolva a harmadik derivltat:
=
G000
X (z) =
k=3
k=0
G000
X (1) = E(X(X 1)(X 2))
Ellenrizhet a kvetkez algebrai azonossg:
G0X (z) =
(1 p + pz)n + e(z1) =
(1 p + pz)n1 + e(z1)
2
2
2
2
0
n(n 1)p2
2
(1p+pz)n2 + e(z1)
2
2
0
n(n 1)p2
2
n(n 1)(n 2)p3
3
G000
(1 p + pz)n2 + e(z1) =
(1p+pz)n3 + e(z1)
X (z) =
2
2
2
2
G00X (z) =
np
(1 p + pz)n1 + e(z1)
2
2
E(X 3 ) =
1
3
1
(n(n 1)(n 2)p3 + 3 ) + (n(n 1)p2 + 2 ) + (np + )
2
2
2
genertorfggvnye?
Megolds: Teljes vrhat rtk ttellel:
|(pn,k pk )z k |
k=0
k=0
rgztve. Ekkor minden |z| < 1 esetn ltezik olyan K szm, hogy
|z|k =
k=K
|z|K
1|z|
<
3
Ekkor
|(pn,k pk )||z|k
k=K
P
k=0
K1
P
|(pn,k pk )||z|k
k=0
K1
P
2|z|k < 2 3
K1
P
|(pn,k pk )| 0
k=0
k=0
3,
G(0) = lim G(z) hatrrtk ltezik, G(z) monoton, mert monoton fggz0+
vnyek hatrrtke.
pn,0
k=0
pn,k z k = pn,0 +
k=1
Gn (z)
z
1z
z
pn,0 Gn (z)
1z
z
lim inf pn,0 lim sup pn,0 G(z)
n
1z
n
Innen pedig z 0 hatrtmenetet tekintve:
G(z)
Azaz lim pn,0 = G(0) Azaz talltunk megfelel p0 -t. A tbbi pk -t teljes
n
indukcival tallhatjuk meg. Ha ugyanis van mr megfelel p0 , p1 ,..., pk , akkor
G (z)pn,0 pn,1 z...pn,k z k
tekintsk a Hn (z) = n
genertorfggvnyeket. H(z) =
z k+1
G(z)p0 p1 z...pk z k
z k+1
Krszm
0
Szerzdsszm 798
1
47
2
6
3
1
>3
0
q0 =
p1
=
p0
47
798+47+6+1
798
798+47+6+1
q1 = 2
47
0.059
798
p2
6
=2
0.255
p1
47
5
q2 =
p3
1
= 3 = 0.5
p2
6
A tbbi qn -re a kis elemszm minta miatt 0-t kapnnk tapasztalati becslsnek, amit nem hasznlhatunk semmire. Az adatokbl ltszik, hogy negatv
binomilis eloszlst rdemes illesztennk, hiszen a qn sorozat az els 3 eleme
alapjn nvekv tendencit mutat. Termszetesen a 3 elem alapjn nem szabad elhamarkodott kvetkeztetseket levonni, a paramterek becslse utn mindenkppen hipotzisvizsglatra lesz szksg!
A diszkrt illeszkedsviszglat menete: Adott N db meggyelsnk, amelyeket valamilyen szempont szerint k osztlyba soroltunk, az i-edik osztlyba Ni
meggyels esik /gyakorlati szempontok miatt clszer, hogy minden osztlyba
essen legalbb 4 6 elem/, s el szeretnnk dnteni, hogy illeszkednek-e egy
ltalnunk sejtett p1 , p2 , ...pk valsznsgi eloszlsra. Ekkor tudjuk, hogy
TN =
k
X
(Ni N pi )2
i=1
N pi
2k1
eloszlsban
gy elegend a TN statisztikt a 2k1 -eloszls (1 )-kvantilisvel sszehasonltani: ha TN nagyobb, akkor (1 ) megbzhatsgi szinten elutastjuk azt
a nullhipotzist, hogy a meggyelseink illeszkednek a p1 , ..., pk valsznsgi
eloszlsra.
A paramterek becslsre tbb mdszer is lehetsges.
1.mdszer: Eladson kiszmoltuk, hogy az (r, q)-paramter negatv binomilis eloszls az a = q , b = (r 1)q paramterekkel (a, b, 0)-eloszlst alkot.
Teht ha a qn rtkekre egyenest illesztnk, akkor az egyenes egyenletbl
becslst kaphatunk a-ra s b-re, azokbl pedig q -ra s r-re. A (0; 0.059)
(1; 0.255)(2; 0.5) pontokra illesztett, legjobban kzelt egyenes egyenlete (ami
pl. legkisebb ngyzetek mdszervel meghatrozhat): y = 0.22x + 0.05. Innen
teht 0.22 = a = q , 0.05 = a + b = (r 1)q + r = rq egyenletekbl megkaphatjuk
az (r, q) paramterek becslst: (0.23, 0.22)-paramter negatv binomilis eloszr k
lst kaptunk. Az eloszls kpletbe (pk = (r+k)
(k = 0, 1, 2...))
(r)k! (1 q) q
behelyettestve az albbi adatokra kell illeszkedsvizsglatot vgeznnk:
Krszm
Ni
N pi
0
798
804.7
1
47
40.7
>1
7
6.6
TN =
3
X
(Ni N pi )2
i=1
N pi
(798 804.7)2
(47 40.7)2
(7 6.6)2
+
+
1.05
804.7
40.7
6.6
Ezt sszehasonltva a 231 = 22 -eloszls kvantiliseivel, lthatjuk, hogy pl. 95%os szinten elfogadjuk a nullhipotzist, azaz a (0.23, 0.22)-paramter negatv binomilis eloszlsra val illeszkedst. /A 22 -eloszls 0.95-s kvantilise tblzatbl
kiolvashat: 5.99, ennl a TN kisebb./
TN =
3
X
(Ni N pi )2
i=1
N pi
0
798
798.6
1
47
46.3
>1
7
7.1
(47 46.3)2
(7 7.1)2
(798 798.6)2
+
+
0.012
798.6
46.3
7.1
3.mdszer: Miutn tudjuk mr, hogy negatv binomilis eloszlst kell illeszteni,
momentum-mdszerrel is becslhetjk a paramtereket. Eladson szerepeltek
a momentum-mdszer esetn kapott kpletek:
q = 1
M1
S2
r =
M12
S 2 M1
1
62
(798 0 + 47 1 + 6 2 + 1 3) =
0.073
852
852
1
(798(00.073)2 +47(10.073)2 +6(20.073)2 +1(30.073)2 ) 0.089
852
q = 1
M1
0.073
1
0.18
2
S
0.089
r =
M12
0.0732
=
0.33
S 2 M1
0.089 0.073
gy (0.33, 0.18) paramter negatv binomilis eloszlst kaptunk. Az illeszkedsvizsglat ebben az esetben:
7
Krszm
Ni
N pi
TN =
3
X
(Ni N pi )2
i=1
N pi
0
798
798
1
47
47.4
>1
7
6.6
(798 798)2
(47 47.4)2
(7 6.6)2
+
+
0.028
798
47.4
6.6
K
Y
(r + ni )
(r)ni !
i=1
r 798
L(r, q) = ((1 q) )
r 47
(rq(1 q) )
r(r + 1) 2
q (1 q)r
2
(1 q)r q ni
6
r(r + 1)(r + 2) 3
q (1 q)r
6
l(r, q)
852r
62
62
=
+
= q =
q
q1
q
62 + 852r
54
7
1
l(r, q)
= 852 log(1 q) +
+
+
r
r
r+1 r+2
62
54
7
1
0 = 852 log(1
)+
+
+
62 + 852r
r
r+1 r+2
A fenti egyenlet megoldsa nem fejezhez ki zrt alakban, szmtgppel
numerikus megoldst kaphatunk:
0=
r 0.32 = q 0.19
A (0.32, 0.19) paramter negatv binomilis eloszlsbl kapott rtkek:
Krszm
Ni
N pi
TN =
3
X
(Ni N pi )2
i=1
N pi
0
798
796.5
1
47
48.4
>1
7
7.1
(798 796.5)2
(47 48.4)2
(7 7.1)2
+
+
0.045
796.5
48.4
7.1
1
q
0.22
0.2
0.18
0.19
TN
1.05
0.012
0.028
0.045
GY (z) = e(z1)
G0Y (z) = e(z1)
G00Y (z) = 2 e(z1)
3
n2
G000
X (z) = n(n 1)(n 2)p (1 p + pz)
3 (z1)
G000
Y (z) = e
E((X + Y )3 ) = n(n 1)(n 2)p3 + 3n(n 1)p2 + 3np2 + 3 + 3n(n 1)p2 + 6np + 32 + np +
q)
1
q
0
=
=
EX = GX (1) = r
1 qz
(1 qz)2
(1 qz)r+1 z=1
1q
z=1
D (X) =
rq(1 q)
= (r + 1)q
(1 qz)r+2
=
rq(1 q)r
(1 qz)r+1
0
+
z=1
rq
r2 q2
=
1 q (1 q)2
2 2
z=1
rq
r q
r(r + 1)q 2
rq
r2 q2
rq
=
+
=
2
2
2
1 q (1 q)
(1 q)
1 q (1 q)
(1 q)2
Lthat, hogy
EX =
rq
rq
<
= D2 X
1q
(1 q)2
EX = = D2 (X)
p1k s p2k kt krszmeloszls, melyeknek ismerjk a vrhat rtkt,
szrst s genertorfggvnyt. Egy adott szerzds krszma u valsznsggel
az els eloszsnak megfelel eloszls, 1 u valsznsggel a msodiknak.
Hatrozza meg a szerzds krszmnak vrhat rtkt, szrst s genertorfggvnyt! Hatrozzk meg ezt konkrtan, ha 0.1 s 0.5 paramter Poissoneloszlsokrl van sz!
Megolds: X1 s X2 -vel jelljk a kt lehetsges eloszlst, Y -nal pedig a
bellk kikevert eloszlst. Teljes vrhat rtk ttellel:
2.)
P (Y = X1 |Y 4 vig krmentes) =
=
u(p10 )4
0.67u
ue40.1
=
1
2
40.1
40.5
4
4
u(p0 ) + (1 u)(p0 )
ue
+ (1 u)e
0.67u + 0.135(1 u)
P ( = 0) = 1 + P ( = 0)
P ( = n) = P ( = n)
(n = 1, 2, 3, ...)
Megolds:
b
a+
n
P ( = n 1)
n = (2, 3, ...)
p2
p1
, q2 =
, ...)
1 p0
1 p0
11
qn =
n=0
pn
n=1
1 p0
(n = 2, 3, ...)
1 p0
=1
1 p0
Teht (q0 , q1 , ...) valsznsgi eloszlst alkot, s teljesti az (a, b)-eloszls feltteleit.
A feladat megoldsa:
Amennyiben P ( = 0) 6= 1, akkor legyen a kvetkez eloszls:
P ( = 0) = 0
P ( = n) =
P ( = n)
1 P ( = 0)
(n = 1, 2, ...)
Ez az elz llts szerint (a, b, 1)-eloszls, tovbb az = 1p0 > 0 vlasztssal teljeslnek a megkvetelt felttelek:
1 + P ( = 0) = 1 (1 P ( = 0)) + (1 P ( = 0) 0 = P ( = 0) =
P ( = n) = (1 P ( = 0))P ( = n) = P ( = n)
(n = 1, 2, ...)
(n = 1, 2, ...)
= M1 + M2 + ... + MN
Tovbbi jellsek: P (N = n) = pn , P (Mi ) = n = fn , P ( = n) = gn .
12
P (N = 0) = 1 p.
Ekkor
(n = 1, 2, ...)
G (z) = e(e
E =
(z1)
1)
D2 () = 2 + = ( + 1)
Mutassa meg, hogy amennyiben N Poisson-eloszls, M -ek logaritmikusak (a genertorfggvnye: GM (z) = log(1qz)
log(1q) ), gy az sszetett eloszls
negatv binomilis lesz.
7.)
Megolds:
log(1qz)
1)
log(1q)
= e log(1q) log
1qz
1q
=
1q
1 qz
log(1q)
P (N = n) = p P (n = n 1)
P (N = n) = q P (n = n 1)
a) Mi P (N = 0) rtke?
13
(0 < n < M )
(M n)
b) Mi az eloszls genertorfggvnye?
c) Ez alapjn hatrozza meg N vrhat rtkt, szrsngyzett.
Megolds:
p1 = p p0 , p2 = p2 p0 , ..., pM 1 = pM 1 p0
pM = qpM 1 p0 , pM +1 = q 2 pM 1 p0 , ...
1=
pn =
n=0
M
1
X
pn +
n=0
M
1
X
pn =
n=0
n=M
p0 =
pn p0 +
q n pM 1 p0 =
n=1
1 pM
qpM 1
+
1p
1q
q
1 pM
p0 +
pM 1 p0
1p
1q
1
b) A genertorfggvny:
GN (z) =
X
n=0
pn z =
M
1
X
n=0
pn z +
pn z =
M
1
X
p p0 z +
n=0
n=M
q n pM 1 p0 z M 1+n =
n=1
1 (pz)M
qz
p0 +
(pz)M 1 p0
1 pz
1 qz
p(1 pM ) M pM (1 p)
M pM 1 q(1 q) + pM 1 q 2
p0 +
p0
2
(1 p)
(1 q)2
M q(pz)M 1 (1 qz) + pM 1 q 2 z M
p0
(1 qz)2
0
14
0
+
z=1
+
1p
(1 p)2
(1 p)3
1q
(1 q)2
(1 q)3
P (p = 0.1) = 0.2
P (p = 0.2) = 0.5
P (p = 0.25) = 0.3
N
0.1 -del
egyenl, ugyanis
ES =
N
N
N
0.2 +
0.5 +
0.3 = 5.7N
0.1
0.2
0.25
N
q
N
0.1
D2 (S|p = q) =
N (1 q)
q2
D2 (S) = D2
N
p
1
1p
1p
= N 2 D2
+E N 2
+ NE
p
p
p2
GS (z) = 0.2
0.1z
1 0.9z
N
+ 0.5
0.2z
1 0.8z
qz
1(1q)z
N
+ 0.3
Teht:
0.25z
1 0.75z
N
16
2 0.2
2 0.25
2 0.1
0.2 +
0.5 +
0.3 = 68.9
0.12
0.22
0.252
GS (z) = 0.2
0.2z
0.25z
0.1z
+ 0.5
+ 0.3
1 0.9z
1 0.8z
1 0.75z
N
17
szma az albbi.
2M Ft
N
Fr
4M Ft
N
Fr
10M Ft
N
Fr
25 ves
20
15
45 ves
5
20
55 ves
9
4
25 ves
10
4
45 ves
20
5
55 ves
20
10
25 ves
1
1
45 ves
30
10
55 ves
23
25
25
45
55
0.00029 0.00277 0.00695
0.00086 0.00663 0.01757
EXi,j = qj i + (1 qj ) 0 = qj i
2
ES =
10 X
6
X
ni,j EXi,j =
i=1 j=1
D2 (S) =
6
10 X
X
i=1 j=1
10 X
6
X
ni,j qj i 9.73
i=1 j=1
ni,j D2 (Xi,j ) =
10 X
6
X
i=1 j=1
Ln =
i=1 j=1
(D(S))3
10 P
6
P
10 P
6
P
i=1 j=1
i=1 j=1
(D(S))3
(D(S))3
749.44
1.015
9.043
19
20
Eltrs
0.09006
0.06385
0.10412
0.07208
0.14304
0.10572
0.09589
0.05451
0.03525
0.00845
0.12901
0.08506
0.09789
0.05580
0.09651
0.05813
0.04505
0.01172
0.00083
0.02839
0.01717
0.00454
0.00120
0.01748
0.00071
0.01234
0.01330
0.02121
0.02088
0.02600
0.01226
0.01542
0.01208
0.01393
0.00776
0.00880
0.00740
0.00795
0.00669
0.00698
0.00385
Krok szma
0
Vezetk szma 565664
1
2
68714 5177
3
365
4 5
24 6
>5
0
Becsljk meg a vrhat rtket, szrsngyzetet s harmadik centrlis momentumot! Elfogadnk-e azt a hipotzist, hogy a krszm Poisson-eloszls?
Megolds: A becslseink a meggyelsekbl kapott tapasztalati becslsek
lesznek:
24 (4 0.125)2 + 6 (5 0.125)2
0.13
639950
24 |4 0.125|3 + 6 |5 0.125|3
0.144
639950
d = 0.125 <
A vrhat rtk s a szrsngyzet becslsre fennll az EX
2 (X) egyenltlensg, ezrt ez alapjn negatv binomilis eloszlst
0.13 = D\
prblnnk meg illeszteni. A kt rtk azrt nincs olyan messze egymstl,
ezrt a Poisson-eloszlsra val illeszkeds is szba jhet. Pontos vlaszt akkor
kapunk, ha megbecsljk a Poisson-eloszls paramtert maximum likelihoodmdszerrel, majd diszkrt illeszkedsvizsglattal eldntjk, hogy elfogadjuk-e a
hipotzist.
Poisson-eloszls paramternek ML-becslse (ld. majd 3. gyakorlat/2a) feladat):
b = EX
d = 0.125
Felrva a 0.125-Poisson eloszls rtkeit (639950 elemre), az albbi illeszkedsvizsglatot kell elvgeznnk (egybevontuk a kisebb csoportokat, hogy minden csoportban legalbb 4 6 elem legyen, mert klnben pontatlan lenne a kis rtkek
miatt a hipotzviszglat):
Krok szma
Ni
N pi
0
565664
564753.4
1
68714
70594.2
2
5177
4412.1
21
3
365
183.8
>3
30
5.9
TN =
3
X
(Ni N pi )2
i=1
N pi
(30 5.9)2
(365 183.8)2
+
461.3
183.8
5.9
Ez az rtk bven meghaladja a 251 = 24 -eloszlsnak mg a 99.95%-os kvantilist is (461.3 > 20.0), el kell vetnnk azt a hipotzist, hogy a krszm Poissoneloszls.
+
log(1 qz)
log(1 q)
GM (z) =
(qz)n
n
X
log(1 qz)
qn
GM (z) =
= n=1
=
zn
log(1 q)
log(1 q) n=1 n log(1 q)
P (M = 0) = 0
P (M = n) =
1
qn
log(1 q) n
(n = 1, 2, ...)
1
q n1 q(n 1)
1
P (M = n) =
= P (M = n1) q
log(1 q) n 1
n
n
(n = 2, 3, ...)
Hf/5.) Egy biztost llomnya 150 baleseti hallra szl biztostsbl ll.
A biztostottak kzl 50 n (0.5 ezrelk a baleseti hall valsznsge) s 100
fr (1 ezrelk a baleseti hall valsznsge). A n biztostsi sszege 1M Ft,
a frak fele-fele arnyban 5 ill. 10M Ft. Hatrozzk meg az egyves sszkr
vrhat rtkt, szrst. rjk fel a De Pril-algoritmust! Normlis kzeltssel
milyen valsznsg addna arra, hogy az sszkr legfeljebb 1M Ft? s mi a
pontos rtk? Mennyi a normlis kzelts hibja?
Megolds: Jelljk a megadott valsznsgeket q1 = 0.0005 s q2 =
0.001-del. Ekkor az egyves sszkr vrhat rtkt s szrsngyzett knnyen
22
ES =
10 X
2
X
i=1 j=1
D2 (S) =
10 X
2
X
ni,j qj (1qj )i2 = 50q1 (1q1 )+5052 q2 (1q2 )+50102 q2 (1q2 ) 6.269
i=1 j=1
h(i, l) = i(1)
m
X
ni,j
j=1
qj
1 qj
l
l1
= i(1)
ni,1
q1
1 q1
l
+ ni,2
q2
1 q2
l !
l
5
h(1, l) = (1)
50
9995
l
1
h(5, l) = (1)l1 5 50
999
l
1
l1
h(10, l) = (1)
10 50
999
l1
p0 =
m
r Y
Y
i=1 j=1
1
pk =
k
min(k,r)
b ki c
i=1
l=1
h(i, l)pkil
l=1
l=1
b5c
b 10 c
k
1X
1X
1 X
=
h(1, l)pkl +
h(5, l)pk5l +
h(10, l)pk10l
k
k
k
l=1
= (0.49) 0.688
2.5
1.00001 0.775
(0.09) 0.536
2.5
A pontos rtket knnyen meghatrozhatjuk a De Pril-algoritmus nlkl is,
ugyanis legfeljebb 1M Ft kr akkor addik, ha vagy nem szenved senki baleseti
23
Ln =
i=1 j=1
2.53
56.1
3.57
2.53
Mivel 0.7915Ln > 1, ezrt semmi lnyegeset nem mond erre a feladatra a hibabecsls, s lthattuk, hogy a normlis kzelts hibja elg jelents is.
=
24
!
N
N
X
X
n
l(p) =
log
+ log p
ki + log(1 p) N m
ki
ki
i=1
i=1
i=1
N
X
N
P
dl
=
dp
(1 p)
i=1
p
N
X
Nm
ki
N
P
ki
i=1
1p
ki pN m + p
i=1
N
X
=0
ki = 0
i=1
N
X
ki = pN m
i=1
N
P
pb =
ki
i=1
Nm
X
m
p(1 p)
Nm
Aszimptotikus kondenciaintervallum konstrukcijhoz felhasznljuk, hogy a
maximum likelihood-becsls konzisztens s radsul az N (b
p p) eloszlsa egy 0
vrhat rtk normlis eloszlshoz tart eloszlsban (a szrsngyzet/kovarianciamtrix/
pedig az egyelem minta p-re vonatkoz Fisher-informci inverze lesz, de ezt
2
most
p)) =
nem haszljuk
konkrtan).
Teht pbp elsozlst kzelthetjk egy N (0, D (b
D2 (b
p) =
p)
N 0, pb(1b
normlis eloszlssal. Ezrt ha 1 megbzhatsgi
N 0, p(1p)
Nm
Nm
25
Krok szma
Szerzdsek szma
0
9048
1
2
905 45
3 >3
2
0
a) Hatrozza meg Poisson-modell esetn a paramter maximum likelihoodbecslst, s rjon fel 95%-os megbzhatsgi kondenciaintervallumot a paramterre!
b) Hatrozza meg geometriai eloszls esetn a paramter maximum likelihoodbecslst, s rjon fel 95%-os megbzhatsgi kondenciaintervallumot a paramterre!
c) Hatrozza meg negatv binomilis eloszls esetn a paramterek maximum
likelihood-becslst!
d) Hipotzisvizsglattal ellenrizze, hogy melyik modell elfogadhat!
e) A kvetkez vben mdosultak a felttelek, a biztost csak szerzdsenknt
csak 1 krra zet. Vrhatan hogy cskken a krok szma? Klnbz modellek esetn mennyire eltrk ennek a becslsei? Mennyire megbzhatak ezek a
becslsek?
Megolds
L() =
N
Y
ki ki !e
i=1
N
X
l() =
(ki log + log ki !) N
i=1
N
X ki
dl
=
N =0
d
i=1
N
P
b=
ki
i=1
=X
N
b = EX = E X1 + ... + XN = N EX = EX =
E
N
N
2
b = D2 (X) = D2 X1 + ... + XN = N D (X) =
D2
N
N2
N
26
10000
10000
b = b = 0.1 = 105
Ezrt a kondenciaintervallumra a D2
N
N
10000
kzeltst felhasznlva kapjuk:
b
b , 1.96D
b
b ) (0.11.960.0032, 0.11.960.0032) (0.094, 0.106)
(1.96D
pk = p(1 p)k
(k = 0, 1, ...)
L(p) =
N
Y
N
P
ki
p(1 p)
= p (1 p)
ki
i=1
i=1
l(p) = N log p +
N
X
ki log(1 p)
i=1
N
P
ki
dl
N
=
i=1 = 0
dp
p
1p
N (1 p) p
N
X
ki = 0
i=1
pb =
1
N
1
=
0.91
N
P
1
+
0.1
1+X
N+
ki
i=1
A kapott becslsre
E(b
p) = E
1
1+X
>
1
=p
1 + EX
1
felhasznlva a Jensen-egyenltlensget az 1+x
fggvny konvexitsa miatt. Teht
a pb becsls p-re mgcsak nem is torztatlan, vrhat rtkt s szrsngyzett
nem egyszer kiszmolni. Ha azonban a q = p1 1 = EX -re alkalmazunk MLbecslst, akkor az qb = p1b 1 = X lesz (az x1 1 fggvny injektv). Ekkor a
qb q eloszlsa is normlissal kzelthet a centrlis hatreloszlsttel alapjn.
E(b
q ) = EX = EX = q
27
D2 (b
q ) = D2 (X) =
D2 (X)
1 pb
1 0.91
1p
1.1 105
=
N
N p2
N pb2
10000 0.912
(b
q 1.96D(b
q ), qb+1.96D(b
q )) (0.11.960.0033, 0.11.960.0033) (0.093, 0.107)
Ebbl p-re is kaphatunk kondenciaintervallumot, felhasznlva, hogy p =
1
1
,
1 + 0.093 1 + 0.107
1
1+q :
(0.904, 0.914)
rq
=X
1q
N log(1 q) +
N kX
i 1
X
i=1 m=0
1
=0
r+m
q=
1001
10000r + 1001
952
47
2
10000r
+
+
+
=0
10000r + 1001
r
r+1 r+2
Ezt szmtgppel numerikusan megoldhatjuk, a vgeredmny:
10000 log
r 56.2
q 0.018
TN =
3
X
(Ni N pi )2
i=1
N pi
28
Ez jval kisebb, mint a 22 -eloszls 95%-os kvantilise (5.99), teht nincs okunk
elutastani a Poisson-modellt.
1
1.1
0
9048
9090.9
1
905
826.4
p=
>1
47
83.7
TN =
3
X
(Ni N pi )2
i=1
N pi
Ez az rtk nagyobb, mint a 22 -eloszls 99.95%-os kvantilise (15.2), ezrt nyugodtan elutasthatjuk ezt a modellt.
Negatv binomilis modell esetn az sszehasonltand rtkek: 10000q k (1
q)
r = 56.2, q = 0.00178
r
Krok szma
Ni
N pi
0
9048
9047.3
1
905
905
>1
47
47.7
TN =
3
X
(Ni N pi )2
i=1
N pi
Meggyelsek
9048
952
Poisson-modell
9048.4
951.6
29
Geometriai
9090.9
909.1
Negatv binomilis
9048.3
951.7
3.) K szerzds krait gyeltk meg, az i-edik szerzds ti napig llt kockzatban. Hogyan modellezn az idtl val fggst binomilis, Poisson illetve
negatv binomilis eloszls esetn? A modellekre rja fel a momentum-mdszeres
s maximum likelihood-becslseket!
Megolds:
L() =
K
Y
(ti )ki
ki !
i=1
l() =
K
X
ki log(ti )
i=1
K
X
eti
ti
i=1
K
K
X
log(ki !)
i=1
X ki ti X
dl
=
ti = 0
d
ti
i=1
i=1
K
P
b=
i=1
K
P
ki
ti
i=1
EX =
K
1 X
ti
K i=1
K
X
d = 1
ki
EX
K i=1
L(m, p) =
K
Y
m
i=1
ki
K
K Y
Y
m
i=1
ki
(pti )ki
i=1
K
Y
(1 pti )mki
i=1
K
X
X
K
K
X
m
l(m, p) =
log
+
ki log(pti ) +
(m ki ) log(1 pti )
ki
i=1
i=1
i=1
K
X ki ti X (m ki )ti
l
=
p
pti
1 pti
i=1
i=1
K
X
ki
i=1
K
X
(m ki )ti
1 pti
i=1
EX =
K
1 X
mpti
K i=1
K
X
d = 1
ki
EX
K i=1
K
P
pb =
ki
i=1
K
P
ti
i=1
L(r, q) =
K
Y
(r + ki )
i=1
l(r, q) =
K
X
i=1
ki log(qti ) + r
(r)ki !
K
X
log(1 qti ) +
K kX
i 1
X
log(r + m)
i=1 m=0
i=1
K
K kX
i 1
X
X
1
l
=
log(1 qti ) +
=0
r
r
+
m
i=1
i=1 m=0
K
K
K
K
X
X
X
X
l
ki
qti
rqti
=
r
= 0
ki =
q
q
1 qti
1 qti
i=1
i=1
i=1
i=1
31
EX =
D2 (X) =
K
1 X rqti
K i=1 1 qti
K
rqti
1 X
K i=1 (1 qti )2
K
X
d = 1
EX
ki
K i=1
K
1 X
2 (X) =
d 2
D\
(ki EX)
K i=1
Az els egyenlet ugyanazt az sszefggst adja r s q kztt, amit az MLbecsls sorn kaptunk. Ebbl kifejezhetjk r-et q -val, majd azt berhatjuk a
msodik egyenletbe, s numerikusan megoldhatjuk szmtgppel.
4.) Alkalmazzuk az elz pldt a kvetkez meggyelssorozat esetn!
v
Szerzdsek szma
Krok szma
1986
2145
207
1987
2452
227
1988
3112
341
1989
3458
335
1990
3698
362
1991
3872
359
K
P
ti
i=1
c1 = 207
2147
c2 = 227
2452
c3 = 341
3112
c4 = 335
3458
c5 = 362
3698
c1 = 359
3872
c1 0.097
c2 0.093
c3 0.11
c4 0.097
c5 0.098
c6 0.093
Krok szma
CASCO-val rendelkezk
CASCO-val nem rendelkezk
32
0
901
947
1 2
92 5
50 2
3
1
1
4
1
0
>4
0
0
r X
s
2
X
Nij
1
n
Ni Nj
i=1 j=1
Ha ez a statisztika nagyobb, mint a 2(r1)(s1) -eloszls megfelel (1 )kvantilise, akkor (1 megbzhatsgi szinten) elutastjuk a fggetlensget.
Termszetesen itt is clszer egybevonni csoportokat, hogy a kontingenciatblzat
minden celljba essen kb 4 6 meggyels.
A feladatban a kt szempontunk a kvetkez: a CASCO biztosts meglte
ill. a krszm. Ez alapjn a kontingenciatblzat:
Krszm=0
Krszm=1
Krszm>1
Nj
CASCO-val rendelkezk
901
92
7
1000
Ni
1848
142
10
2000
r X
s
2
X
Nij
9472
922
9012
n
1 = 2000
+
+
+
Ni Nj
1848 1000 1848 1000 142 1000
i=1 j=1
+
502
72
32
+
+
1 15.17
142 1000 10 1000 10 1000
33
Megolds: A maximum likelihood-mdszerhez fel kell rni a likelihoodfggvnyt. Egyetlen mintaelemre a valsznsg a teljes valsznsg ttelvel
kaphat meg (X jelli a keverk valsznsgi vltozt, ki pedig a meggyelt
mintaelemet):
P (X = ki ) = P (X = ki |X -Poisson)P (X -Poisson)+
+P (X = ki |X -Poisson)P (X -Poisson) =
ki
ki
e u+
e (1 u)
ki !
ki !
L(u, , ) =
K ki
Y
i=1
l(u, , ) =
K
X
ki !
ki
e (1 u)
u+
ki !
K
X
log ki e u + ki e (1 u)
log ki !
i=1
i=1
K
X
ki e ki e
l
=
=0
u
ki e u + ki e (1 u)
i=1
K
X ki ki 1 e u ki e u
l
=
=0
ki e u + ki e (1 u)
i=1
K
X ki ki 1 e (1 u) ki e (1 u)
l
=
=0
ki e u + ki e (1 u)
i=1
A fenti 3 egyenletbl a konkrt esetekben szmtgp segtsgvel numerikusan
meghatrozhatjuk az ML-becslst.
A momentum-mdszeres becslshez fel kell rni az els, msodik s harmadik
momentumot (a msodik helyett lehet szrsngyzetet is), hiszen 3 ismeretlen
paramtert szeretnnk becslni. Ha M1 s M3 jelli a tapasztalati momentumokat, S 2 a tapasztalati szrsngyzetet, akkor az egyenletrendszer, amit
meg kell oldanunk:
EX = M1
D2 (X) = S 2
E(X 3 ) = M3
(z1)
= ue
(z1)
+ (1 u)e
34
0
= u + (1 u)
z=1
G00X (1)
(z1)
= ue
+ (1 u)e
(z1)
00
= u2 + (1 u)2
z=1
000
(z1)
(z1)
G000
(1)
=
ue
+
(1
u)e
X
= u3 + (1 u)3
z=1
00
0
3
3
2
2
E(X 3 ) = G000
X (1)+3GX (1)+GX (1) = u +(1u) +3u +3(1u) +u+(1u)
M1 = u + (1 u)
S 2 = u + (1 u) + u(1 u)( )2
M3 = u3 + (1 u)3 + 3u2 + 3(1 u)2 + u + (1 u)
Ezt az egyenletrendszert szintn szmtgppel lehet megprblni numerikusan megoldani.
35
Zt
0.95 = P (X < t) =
ex dx = 1 et
et = 0.05
log(0.05)
t=
(, )-eloszls kvantilise: Csak egsz esetn szmoljuk ki. Legyen P (Xn <
t) = Fn (t), ahol Xn (n, )-eloszls. n = 1 esetn exponencilis eloszlst
kapunk, ekkor
F1 (t) = 1 et
n > 1 esetn parcilis integrlssal kapjuk, hogy:
Zt
Fn (t) =
0
n n1
t
Zt n
n xn1 x
x
ex
(n 1)xn2 ex
e
dx =
dx =
(n 1)!
(n 1)! x=0
(n 1)!
(t)n1 t
e
+
=
(n 1)!
Zt
n1 xn2 x
(t)n1 t
e
dx =
e
+ Fn1 (t)
(n 2)!
(n 1)!
Fn (t) = 1
n1
X
i=0
(t)n1 t
e
(n 1)!
0.95 = Fn (t) = 1
n1
X
i=0
0.05 =
n1
X
i=0
(t)n1 t
e
(n 1)!
(t)n1 t
e
(n 1)!
.
36
0.95 = P
0.95 = P (X < t)
log X m
log t m
log t m
<
=
1.64 =
log t m
t = em+1.64
LX (s) = E(e
sX
Z
)=
x1 ex sx
e
dx =
()
+s
Z
( + s) x1 e(+s)x
dx =
()
+s
Krsszeg
sszesen
0 20
17
20 40 40 60
8
5
37
60 80 80 100
11
3
100 120
2
120 140
1
140
2
b)
Krsszeg
sszesen
0 50
9
150 200
3
200 250
1
250 300
1
300 350
2
Illesszen lognormlis, exponencilis, Gamma illetve Pareto-eloszlst a meggyelsekre. Milyen eloszlsak voltak a krok?
Megolds:
a)
1
2 (x) =
\
S2 = D
17 (10 47.6)2 + 8 (30 47.6)2 + 5 (50 47.6)2 + 11 (70 47.6)2 +
49
+3 (90 47.6)2 + 2 (110 47.6)2 + 1 (130 47.6)2 + 2 (140 47.6)2 1410
A momentumok tnyleges rtkei lognormlis modell esetn:
EX = em+
2
2
D2 (X) = e2m+ (e 1)
em+
2
2
= M1
e2m+ (e 1) = S 2
2
e 1 =
em =
S2
0.62 = 2 = log 1.62 0.48
M12
M1
e
2
2
47.6
e
0.48
2
37.4 = m 3.62
1
.
b = 1 = 1 0.021
M1
47.6
38
350
1
EX =
D2 (X) =
gy a momentum-mdszeres becsls:
M1 =
M1
47.6
M12
=
=
=
47.60.034 1.61
0.034
=
=
M
=
1
2
S2
1410
S2
Azaz egy (1.61, 0.034) paramter Gamma-eloszlst kaptunk.
S2 =
2 2
2 2
2 2
=
2 1
( 2)( 1)
A momentum-mdszeres egyenletek:
M1 =
M2 =
M2 =
M2 =
2M12 ( 1)
2
2 2
( 2)( 1)
2( 1)2 M12
( 2)( 1)
M2 2M2 = 2M12 2M12
(2M12 M2 ) = 2(M12 M2 )
b=
2(M12 M2 )
2M12 M2
b=
2(M12 M2 )
2(47.62 3676)
=
3.3 < 0
2M12 M2
2 47.62 3676
Lognormlis eloszls illesztse momentum-mdszerrel: Ismt meg kell becslni a vrhat rtket s szrsngyzetet, megint az intervallumok felezpontjait tekintjk:
39
d =
M1 = EX
1
(925+1675+16125+3175+1225+1275+2325+1350) 111.2
49
1
2 (X) =
S 2 = D\
9 (25 111.2)2 + 16 (75 111.2)2 + 16 (125 111.2)2 + 3 (175 111.2)2 +
49
+1 (225 111.2)2 + 1 (275 111.2)2 + 2 (325 111.2)2 + 1 (350 111.2)2 5945
Az a) rszhez hasonlan itt is megkapjuk a momentum-mdszerbl, hogy
2
e 1 =
S 2 111.22
0.48 = 2 = log 1.48 0.39
M12 5945
em =
M1
e
2
2
111.2
e
0.39
2
91.5 = m 4.52
d
M1
111.2
EX
S2 =
M1
111.2
=
0.019
2
S
5945
M12
111.22
=
2.08
2
S
5945
eredmny alapjn:
b=
M2 = S 2 + M12 18310
2(M12 M2 )
2(111.22 18310)
=
1.85 < 0
2M12 M2
2 111.22 18310
log b m
log a m
=
0 20
17
9
20 40 40 60
8
5
17.4
10.5
60 80 80 100
11
3
5.4
2.9
100 120
2
1.5
120 140
1
0.9
140
2
1.4
0 20 20 40 40 60 60 80 80
17
8
5
11
8
9
17.4
10.5
5.4
6.7
TN =
5
X
(Ni N pi )2
i=1
N pi
21.1
0 50
9
8.1
150 200
3
5.4
200 250
1
2.5
0 50
9
8.1
41
250 300
1
1.2
300 350
2
0.6
350
1
0.8
TN =
5
X
(Ni N pi )2
i=1
N pi
3.15
Zb
ex dx = ea eb
0 20
17
16.8
20 40 40 60
8
5
11
7.3
60 80 80 100
11
3
4.8
3.1
100 120
2
2.1
120 140
1
1.4
140
2
2.6
0 20 20 40 40 60 60 80 80
17
8
5
11
8
16.8
11
7.3
4.8
9.1
TN =
5
X
(Ni N pi )2
i=1
N pi
9.7
0 50
9
17.8
150 200
3
4.6
200 250
1
2.9
Az sszevont tblzat:
Krsszeg
Ni
N pi
0 50
9
17.8
250 300
1
1.9
300 350
2
1.2
350
1
2.1
TN =
5
X
(Ni N pi )2
i=1
N pi
18.8
Zb
x1 ex
dx
()
0 20
17
12.2
20 40 40 60
8
5
13.5
9.4
60 80 80 100
11
3
5.9
3.5
100 120
2
2
120 140
1
1.1
140
2
1.4
sszevonva az adatokat:
Krsszeg
Ni
N pi
0 20 20 40 40 60 60 80 80
17
8
5
11
8
12.2
13.5
9.4
5.9
8
TN =
5
X
(Ni N pi )2
i=1
N pi
10.6
Zb
x1 ex
dx
()
0 50
9
11
150 200
3
6
200 250
1
3.1
250 300
1
1.5
300 350
2
0.7
350
1
0.6
Az sszevont tblzat:
Krsszeg
Ni
N pi
0 50
9
11
TN =
5
X
(Ni N pi )2
i=1
N pi
4.2
i=1
Poisson-eloszls?
Megolds: Teljes vrhat rtk ttellel:
ex esx dx =
+s
LS (s) = e( +s 1) = e +s
44
P (Y < t) =
(1 p1 )q
p1
(1 e1 t ) +
(1 e2 t )
p1 + (1 p1 )q
p1 + (1 p1 )q
EY = E(Y |Y 1 exp)
=
p1
(1 p1 )q
+ E(Y |Y 2 exp)
=
p1 + (1 p1 )q
p1 + (1 p1 )q
1
1
p1
(1 p1 )q
+
1 p1 + (1 p1 )q 2 p1 + (1 p1 )q
100 -ad
100
1 100
45
1 100
kifejezsre.
P (Y < t) = P (X < tq) = P (log X < log t + log q) = P (log X log q < log t)
Azaz log X log q N (m log q, 2 ) miatt egy (m log q, 2 )-paramter
lognormlis eloszlst kapunk.
c) (e
, )-Pareto eloszls esetn:
P (Y < t) = P (X < tq) = 1
+ tq
e
=1
!e
+t
Teht egy (e
, q )-paramter Pareto-eloszlst kaptunk.
d) (e
, )-paramter gamma-eloszls esetn:
Z tq e e1 x
x
e
dx
P (Y < t) = P (X < tq) =
(e
)
0
dx
Helyettests integrlssal: x = qu, du
=q
Z t
Z t e
(q)e ue1 equ
(qu)e1 equ
qdu =
du
P (Y < t) =
(e
)
(e
)
0
0
Teht egy (e
, q)-paramter gamma-eloszlst kaptunk.
3.) Mi lesz a kreloszls, ha kombinlt c-levonsos s -szzalkos nrszt
alkalmazunk (a kr 100
-ad rszt a szerzd viseli, de legalbb c-t) s a kreloszls:
a) exponencilis
b) lognormlis
c) Pareto
d) gamma
X < c X > c +P X
X < t s
X > c X > c =
= P X c < t s
100
100
100
100
t
100c
X > c =
= P X < min c + t,
c X > c + P
<X<
1 100
F 1t F 100c
c
F
(c)
F min c + t, 100
100
=
+
1 F (c)
1 F (c)
46
Ha t < 100
c, akkor c + t <
kpletben 0 lesz:
P (Y < t) =
Ha t >
100
c,
P (Y < t) =
100c
>
1 100
, gy a msodik tag a
100
c,
F (c)
+
1 F (c)
F (t + c) F (c)
0
F (t + c) F (c)
+
=
1 F (c)
1 F (c)
1 F (c)
akkor c + t <
100c
100
c,
gy a kplet:
F 1t F
100
100c
1 F (c)
1 100
F (c)
1 F (c)
f (c + t)
1 F (c)
fY (t) =
f
fY (t) =
100t
100
1 F (c)
0<t<
100
100
100
c
t>
100
c
fY (t) =
1
e(c+t) = et
1 (1 ec )
0<t<
100
c
100t
fY (t) =
100
e 100
100
100 100
t
=
e
c
1 (1 e
) 100
100
t>
100
c
fY (t) =
1
1
fY (t) =
1
log cm
1
log cm
2
1
1
e 22 (log(t+c)m)
2(c + t)
100t
100 12 (log( 100
)m)2
e 2
2 100t
0<t<
t>
100
c
100
c
c) (e
, )-Pareto eloszls esetn:
fY (t) =
e e
e( + c)e
=
e ( + t + c)e+1
( + c + t)e+1
1 1 +c
fY (t) =
e e
100
100e
( + c)e
e+1 100 =
e+1
e
100t
100t
+ 100e
(100 ) + 100
1 1 +c
47
0<t<
100
c
t>
100
c
d) Gamma(e
, )-eloszls esetn:
fY (t) =
e (t + c)e1 e(t+c)
1 F (c)
100e
fY (t) =
100t
100
e1
0<t<
100
c
100t
e 100
t>
100
c
P (Y < t) = P min dX c, 1
dX < t dX > c =
100
= P dX c < t s
dX < c dX > c +P dX
dX < t s
dX > c dX > c =
100
100
100
100c
t
100
dX > c =
c dX > c +P
< dX <
= P dX < min c + t,
1 100
100
c,
akkor:
P (Y < t) =
100t
(100)d
1F
F
c
c
d
EY =
0
f t+c
d
dt +
t
d 1 F dc
f
t
100
c
1
100t
(100)d
F dc
100
dt
(100 )d
100
c
c
t t
e d dt + e d
d
EY =
0
te
t
d
100t
100t
e (100)d dt =
(100 )d
100
c
100 c
100t
100t
d t
(100 )d (100)d
(100)d
d
e
e
+ te
100 =
100
t=
c
t=0
d
d c(100)
d
=
e
100
Az tlagos krkizets megvltozsa teht:
EY (t1 ) EY (t0 ) =
=
1)
0)
d
1 d c1 (100
1
0 c0 (100
d1
0
e
+
e
=
100
100
1 (1001 )
0)
i
0 c0 (100
1 (100 + i) 100c
0
(100+i)1
+
e
e
100 100
10000
c
Z
+
100
c
2
1
100t
t(100 )d
100
I1 + I2
c
e 22 (log (100)d m) dt =
log d m
2 100t (100 )d
1
I1 =
2
1
t
e 22 (log(t+c)log dm) dt =
2(c + t)
0
log
100
c
ew c 12 (wlog dm)2 w
e 2
e dw =
2ew
log c
log
100
c
log
2
1
1
ew 22 (wlog dm) dw
2
log c
100
c
2
1
c
e 22 (wlog dm) dw =
2
log c
log
100
c
2 2
1
2
1
e 22 (w(log d+m+ )) elog d+m+ 2 dw
2
log c
49
log
c
100c
log d m
log c log d m
2
2
log 100c
log c log d m 2
log d+m+ 2
log d m
=e
log 100c
log c log d m
log d m
I2 =
2
(100)d
1
1
e 22 (log tlog 100 m) dt =
2
100
c
=
log
=
log
=e
log
2
(100)d
1
1
e 22 (w(log 100 +m)) ew dw =
2
100
c
2
(100)d
(100)d
2
1
2
1
e 22 (w(log 100 +m+ )) elog 100 +m+ 2 dw =
2
100
c
2
(100)d
+m+ 2
100
log
(100 )d m+ 2
2
e
100
(100)c
log
(100)d
100
m 2
log
1
100c
log d m 2
!!
=
d log clogdm
100
2
c
EY = em+ 2
log d m
1
log
100c
log dm
log
log clog dm
c
d m
i
Ebben a kpletben kell (d = 1, = 0 , c = c0 )-t s (d = 1 + 100
, = 1 , c = c1 )et helyettesteni, hogy megkapjuk a t0 ill. t1 -beli tlagos krkizetst.
c) (e
, )-Pareto-eloszls esetn:
100
c
EY =
0
e e t
e+1
+ t+c
d
50
c
d
e
1
dt+
d
e e t
100
c
100t
(100)d
e+1
c
d
e
100
dt = I1 + I2
(100 )d
100
c
I1 = (d + c)e
et
dt
(d + t + c)e+1
= (d + c)
I2 -ben a w =
100
c
(e
t + d + c)
(e
1)(d + t + c)e t=0
100
ec + d + c
1
100
e
1
(e
1)(d + c)
(e
1)( c + d + c)e
e
+ d (d + c) 100
ec + d + c (d + c)e
e
(e
1) 100c
+ d
= (d + c)
100c
helyettestssel integrlunk:
100t
(100d)
e e t
I2 =
100
c
100t
(100)d
e+1
e
+ dc 100
=
(100 )d
c
d
e
et
100
c
100t
(100)d
100
dt =
(100 )d
e+1 dt =
e
Z (100)d
+ dc 100
e 100 w (100 )d
dw =
=
(100 )d
( + w)e+1
100
100c
d
e
c
d
(100 )d
100
ew
dw =
( + w)e+1
100c
d
e
c
d
(100 )d
100
+
ew
=
e
(e
1)( + w) w= 100c
d
e
c
d
(100 )d
+ 100ce
d
e =
100
(e
1) + 100c
d
= (d + c)e
d + 100
100
ce
e
100c
100
(e
1) d + d
51
EY = I1 + I2 =
100c
e
+ d (d + c)
(e
1)
100
ec + d
e
100c
+ d
+ c (d + c)e
d + 100
100
ce
e =
100
(e
1) d + 100c
d
e
+ d (d + c) d
+
c
(d + c)e
100
e
(e
1) 100c
+ d
+(d + c)e
100c
c)
c
q=P X>
=
d
+ dc
52
6.) Egy kis autbiztostsi egyeslet nem tl nagy kr esetn 10 ezer Ftot, totlkrnl 20 ezer Ft-ot trt. A kizetsek 95%-a 10 ezer Ft-os. Egy tag
ves krszma binomilis eloszls 3 s 0.1 paramterekkel. Az egyesletnek
400 tagja van. rjunk fel rekurzit egy tag s az egyeslet ves sszkrnak
eloszlsra.
Megolds: Egy tag krszma binomilis m = 3 s p = 0.1 paramterekkel,
p
= 91 , b = (m+1)p
= 49 paramterekkel. A
azaz (a, b, 0)-eloszls, a = 1p
1p
Panjer-rekurzi teht ebben az esetben:
P (S = 0) = P ( = 0) = (1 p)3 = 0.93
P (S = n) =
n
X
y=1
=
1 4 10
+
9
9n
a+
by
n
P (X1 = y)P (S = n y) =
1 4 20
0.95 P (S = n 10) + +
9
9n
0.05 P (S = n 20)
P (S = 0) = P ( = 0) = (1 p)1200 = 0.91200
n
X
by
P (S = n) =
a+
P (X1 = y)P (S = n y) =
n
y=1
1 1201 20
1 1201 10
0.95P (S = n10)+ +
0.05P (S = n20)
= +
9
9n
9
9n
7.) Legyen (a, b)-eloszls s X1 , X2 , ... egymstl s -tl is fggetlen,
azonos eloszls nemnegatv egsz valsznsgi vltozk. rjunk fel rekurzit
S = X1 + ...X eloszlsra!
Megolds:
8.) A POSZMH Biztost mhszek felelssgbiztostst terjeszti. Nem
viseli a felelssgi kr teljes egszt, hanem csak egy rszt: nem hallos csps
esetn 10 ezer Ft-ot trt a krosultnak, hallos csps esetn pedig 100 ezer Ft-ot
a hozztartozknak. Az eddigi tapasztalat szerint egy biztostott krszma 20%os Poisson-eloszls s a krok mindssze 1%-a volt halleseti. A SZARVASMARHA Biztost kizrlag lovak lrgsi felelssgbiztostst mveli mr.
Egy srlssel jr lrgsnl 200 ezer Ft-ot zetnek. Egy l vente tlagosan
0.03 embert rg meg (srlst okozan, s a lrgsok szma jl ismerten
Poisson-eloszls). A SZARVASMARHA Biztost beolvad a POSZMH Biztostba gy, hogy llomnybl 40 ezer l biztostsa marad meg. A POSZMH
Biztost 2000 mhszt biztost. Mi lesz ezutn a biztost:
53
1600
vrhat ves krszm
=
= 0.038 = 3.8%
szerzdsek szma
40000 + 2000
e) A vrhat ves sszkrhoz ssze kell adni a ktfle tpus vrhat sszkrt
(=vrhat krszm vrhat krkizets).
24436000
vrhat ves sszkr
=
5818
szerzdsek szma
42000
f) A krszmeloszls ktfle Poisson-eloszls keverke, a slyaik pedig a szerzdsek szmval arnyosak, teht:
P ( = k) =
2000
0.2k 0.2
40000
0.03k 0.03
e
+
e
=
2000 + 40000 k!
2000 + 40000
k!
e
+
e
21 k!
21
k!
g) A szerzdsenknti kreloszls diszkrt, 3-fle rtket vehet fel: 10, 100
s 200 ezret. Jellje M a mhszek sszkrszmt, L a lrgsos szerzdsek
sszkrszmt. Ekkor M eloszlsa 2000 db 0.2-Poisson sszege, azaz 400-paramter
Poisson lesz, L eloszlsa pedig 40000 0.03 = 1200-paramter Poisson. Ekkor
annak a valsznsge, hogy pl. egy krkizets 10 ezer Ft-os, a M = m, L =
l, M + L > 0 felttel mellett, gyelembe vve, hogy ebben az esetben egy szm
erzds m+l
valsznsggel vonatkozik a mhszekre:
=
P (X = 10000|M = m, L = l, M + L > 0) =
54
0.99m
m+l
0.99m P (M = m, L = l)
=
m + l P (M + L > 0)
m,l0
m+l1
=
m+l
m!l!(1 e1600 )
(n = m + l)
m,l0
m+l1
n
0.99e1600 X X
m
400m 1200nm =
1 e1600 n=1 m=0 n m!(n m)!
m
nm
n
0.99e1600 X 1600n X
m n!
400
1200
=
1 e1600 n=1 n n! m=0 m!(n m)! 1600
1600
m
nm
n
n
400
0.99e1600 X 1600n X
1200
m
m
1 e1600 n=1 n n! m=0
1600
1600
400
A bels sszegzsben pp egy n, 1600
-paramter binomilis eloszls vrhat
rtke jelent meg:
=
P (X = 10000) =
0.99e1600 400(e1600 1)
396
0.99e1600 X 1600n 400n
=
= 24.75%
1600
1600
1e
n n! 1600
1e
1600
1600
n=1
P (X = 100000) =
0.01 400
= 0.25%
1600
Termszetesen ekkor
55
400 0.01 = 4 db 100 ezer Ft-os, 1200 db 200 ezer Ft-os kizets trtnik. gy
a vrhat tlagkr:
396 10000 + 4 100000 + 1200 200000
= 152725
400 + 1200
sszkr
A fenti gondolatmenetben az a hiba, hogy neknk az krok
szma trt vrhat
rtke kell. Ehelyett mi kln-kln vettk a vrhat rtket s osztottuk le
egyiket a msikkal. Ez ltalban hibs rvels! Nem igaz ltalban
az, mg
fggetlen X s Y valsznsgi vltozk esetn sem, hogy E X
= EX
Y
EY lenne.
1
, holott a
Pl. ha X az azonosan 1, akkor azt kapnnk, hogy E Y1 = EY
Jensen-egyenltlensg alapjn az utbbi szinte mindig kisebb (hacsak Y nem
konstans). Most kivtelesen szerencsnk volt, hogy a kt gondolat ugyanazt
az eredmnyt adta. Abban az esetben helytll lehet a fenti rvels is, ha az
Xi krkizetsek fggetlen, azonos eloszls valsznsgi vltozk, a tlk
P (Sm = 0) = e400
P (Sm = n) =
=
n
X
by
a+
P (X1 = y)P (Sm = n y) =
n
y=1
400 10
400 100
0.99P (Sm = n 10) +
0.01P (Sm = n 100)
n
n
P (Sl = 0) = e1200
n
X
1200 200
by
P (Sl = n) =
P (X1 = y)P (Sl = ny) =
P (Sl = n200)
a+
n
n
y=1
Innen pedig az S -re is fel tudunk rni egy rekurzv kpletet:
P (S = N ) =
N
X
n=0
56
krstatisztika szerint a kizetett krok tlaga (az nrsz levonsa utn) 49 ezer
Ft volt, szrsa 29 ezer. 1996-ban mr csak 20 ezer Ft-os nrsszel lehet szerzdst ktni. Becsljk meg az 1996. vi tlagkr-kizetst! A biztost nem
szmol incival, s tapasztalatai szerint az nrsz nlkli krok lognormlis
eloszlsak. rdemes-e Pareto-eloszlssal prblkozni?
Megolds: Az eredeti eloszls lognormlis(m, 2 ) volt, erre mr a 4./b) feladatban kiszmoltuk, hogy kombinlt -szzalkos, c-levonsos nrsz bevezetse
utn hogyan vltozik a kr vrhat rtke. Abban a kpletben d = 1, = 0
helyettestssel megkapjuk a kpletet a c-levonsos nrsz esetre. Eszerint:
2
1 log cm
2
c
EY = em+ 2
1 log cm
e 22 (log(t+c)m) dt
EY =
2(t + c)
1 log cm
0
Helyettests integrlssal: log(t + c) = w, t = ew c,
2
EY =
1
1
log cm
=
1
1
+
1
e2w 12 (wm)2
e 2
dw
2
log c
2cew 12 (wm)2
e 2
dw+
2
log c
Z
log cm
log cm
e 2
e dw =
2ew
log cm
1
= ew
log c
1
1
dt
dw
c2 12 (wm)2
e 2
dw =
2
log c
2 2
1
e2m+2
1
e 22 (w(m+2 )) dw
2
1 log cm
log c
Z
2
2 2
1
2cem+ 2
1
e 22 (w(m+ )) dw+
log cm
2
1
log c
+
1
c2
log cm
Z
log c
57
2
1
1
e 22 (wm) dw =
2
1
=
log cm2 2
log cm
2
e2m+2
log cm 2
log cm
2cem+
2
2
+ c2
EY = 49000
EY 2 = D2 Y + (EY )2 = 290002 + 490002 = 3242000000
egyenletrendszert c = 10000 esetn. Ezt egy erre alkalmas segdprogram (pl.
Maple) segtsgvel numerikusan megoldhatjuk:
m 10.8769, 0.4653
Az 1996-os vrhat rtkhez c = 20000-et kell a mr ismert kpletbe helyettestennk:
log 2000010.87690.46532
1
2
0.4653
0.4653
20000 39769
EY 0 = e10.8769+ 2
log 2000010.8769
1
0.4653
d
2
c=
EY 00 = em+ 2
log clog dm
1
=e
2
10.8769+ 0.4653
2
1.35 1.35
20000 59831
Hf/3.) Folytats. Az 1994. vi krstatisztika szerint a szerzdsek 9.3%nl trtnt kizets, s a biztost tapasztalatai szerint az nrsz nlkli krszm
Poisson-eloszls. Becsljk meg az 1996. vi krgyakorisgot s az egy szerzdsre jut vrhat krt!
Megolds: Az 5. feladatban lthattuk, hogy a -Poisson eloszls krszmbl = P (egy adott kr az nrsz fl esik)-paramter Poisson-eloszls krszm
lesz. 1994-ben az nrsz 10000 Ft volt, ezrt ekkor
log c m
log 10000 10.8769
P (egy adott kr az nrsz fl esik) = 1
= 1
0.99983
0.4653
58
0.0758
Teht az nrsz nlkli krszm 0.0758-Poisson-eloszls volt. 1996-ban 20000Ftos nrsz s 35%-os inci mellett annak a valsznsge, hogy egy eredeti kr
az nrszt meghaladja:
log 20000 log 1.35 10.8769
log c log d m
= 1
0.9969
P (dX > c) = 1
0.4653
Teht 1996-ban a krszm 0.9969 = 0.0756-Poisson-eloszls lesz, azaz 7.56%
lesz a krgyakorisg. Az egy szerzdsre jut vrhat kr:
Krnagysg
Krszm
0 10 10 20 20 30
3
26
35
30 40 40 50
22
9
50 60 60 70
5
2
70 80 > 80
1
0
EX
3 5 + 26 cot 15 + 35 25 + 22 35 + 9 45 + 5 55 + 2 65 + 1 75
28.495
103
1
Innen a = 28.495
0.035-exponencilis eloszls addik becslsnek. Az erre
illesztett eloszlshoz ki kell szmolni az [a, b] intervallumokba ess valsznsgeit,
azaz ea eb .
Krnagysg
Ni
N pi
0 10 10 20 20 30
3
26
35
30.42
21.43
15.1
59
30 40 40 50
22
9
10.64
7.5
50 60 60 70
5
2
5.29
3.72
70 80 > 80
1
0
2.62
6.26
EX 2
28.495 = em+ 2
2
2
180 = e2m+ e 1
Az els egyenlet ngyzetvel leosztjuk a msodikat, majd kifejezzk -t:
180
2 = log 1 +
0.2
28.4952
m = log(28.495)
2
3.25
2
Az gy kapott tblzat:
Krnagysg
Ni
N pi
0 10 10 20 20 30
3
26
35
1.76
27.58
35.8
30 40 40 50
22
9
21.06
9.66
50 60 60 70
5
2
4.11
1.72
60
70 80 > 80
1
0
0.73
0.59
P
S=
Xi valsznsgi vltozra kell djat szmolnunk.
i=0
(S) = (1 + 0 )
00
(S) = (1 + 0 )em+
2
2
(S) = (1 + 0 ) 0
1
b-c) -paramter szrs ill. szrsngyzet elvhez ki kell szmolnunk S
szrst:
b (S) = (1 + ) 00 +
+ 002
002
0
c (S) = (1 + ) 00 +
+ 002
002
61
2
2
2
b (S) = em+ 2 + e2m+2 (e2 1) + e2m+2 = em+ 2 + em+
c (S) = em+
2
2
+ e2m+2
2 2
2
+
+ 0
b (S) = 0
0
0
1
( 1)( 2) ( 1)2
c (S) = 0
+
1
2 2
2
+
(0 1)(0 2) (0 1)2
1
= 0.05
P S > ES + 20DS P |S ES| > 20DS
20
62
Krszm
0
Szerzdsszm 7482
1
1941
2
485
3
4 5
81 10 1
>5
0
qn = (n + 1)
pn+1
= a + b + an
pn
q2 = 3
81
0.501
485
q0 =
q3 = 4
1941
0.259
7482
10
0.494
81
63
q1 = 2
q4 = 5
485
0.4997
1941
1
= 0.5
10
Lthat, hogy qn 0.5 n 1 esetn. Ez arra utal, hogy mgsem (a, b, 0)eloszlst rdemes illeszteni, hanem (a, b)-eloszlst,
mgpedig (a = 0, b = 0.5)
7482
, pn = a + nb pn1
paramterekkel, s ekkor p0 = 10000
3.) A Ltraksztk Biztost Egyeslete 100 biztostsi szerzdssel indult, amibl minden negyedv vgn 5-t trltek le. Tudjuk, hogy minden szerzdsre negyedvenknt p valsznsggel trtnik kresemny (negyedvente
csak 0 vagy 1 db kr lehet), a kresemnyek egymstl fggetlenek.
a) Hatrozza meg az els v alatt bekvetkezett krok eloszlst!
b) Tudjuk, hogy 1 db kr sszegnek eloszlsa -paramter exponencilis,
rja fel a teljes portfoli krsszeg-eloszlsnak Laplace-transzformltjt!
c) Ksztsen maximum-likelihood becslst s 95%-os kondenciaintervallumot p rtkre, a kvetkez adatok ismeretben: 1 db kr kvetkezett be 1 db
olyan szerzdsre, amelyik 1 negyedvig lt; 1 db olyan szerzdsre, mely 3 negyedvig lt; s 19 db olyan szerzdsre, amely egsz negyedvben lt; illetve
szerzdsenknt 2 db kr kvetkezett be 2 db olyan szerzdsre, amelyik egsz
vben lt (a tbbi szerzdsre 0 db kr kvetkezett be).
d) Ksztsen becslst s kondenciaintervallumot rtkre, ha tudjuk, hogy
a teljes krsszeg 550 eFt volt.
Megolds:
P
b) Korbbi gyakorlaton s eladson is szerepelt, hogy S =
Xi Laplacei=0
G (z) = (1 p + pz)370
Z
sX1
LX1 (s) = Ee
= esx ex dx =
+s
ps
LS (s) = 1 p + p
= 1
+s
+s
c) Felrhatjuk a likelihood-fggvnyt a becslshez. Ehhez
n k
p (1p)nk
k
p (1 p)
(1 p)
=
1
1
1
2
64
= Cp25 (1 p)345
Ezt kell maximalizlni, a logaritmusnak derivltja:
25
345
=0
p
1p
25
kresemnyek szma
=
370
szerzdsek szma
Teht pb 0.0676 a maximum-likelihood becsls. Lthat, hogy pp a krgyakorisgot kaptuk ML-becslsnek. Kondenciaintervallumhoz felahsznljuk,
hogy:
N1 + ... + N370
= EN1 = p
E pb = E
370
pb =
2
370
370
370
370
Db
p 0.013
gy a centrlis hatreloszls-ttel alapjn tudjuk, hogy pbE pb eloszlsa 0 vrhat
rtk, normlis. Szrsra az elz kzeltst alkalmazva kapunk egy aszimptotikus kondenciaintervallumot p-re.
(b
p 1.96Db
p; pb + 1.96b
p)
(0.0676 1.96 0.013; 0.0676 + 1.96 0.013) (0.042; 0.093)
d) Azt tudjuk, hogy a c) rszben megadott 27 kresemnyre sszesen 550
eFt-ot zettnk ki. Ha Xi jelli az i-edik kr nagysgt, akkor a likelihoodfggvny:
25
Y
eXi
i=1
A logaritmusa:
25 log
25
X
Xi
i=1
Ennek a derivltja:
25
25 X
Xi = 0
i=1
b=
25
25
1
1
=
=
=
4.55 105
25
P
550000
22000
tlagkr
Xi
i=1
65
25
P
Xi
i=1
1
Kondenciaintervallumot -ra gy adhatunk, hogy b
=
25 -re adunk kondenciaintervallumot, majd vesszk a vgpontok reciprokait.
P
25
Xi
i=1 1
E
25 =
P
25
Xi
D2
=
=
25 =
252
25
252
P
D
i = 125 Xi
25
A kondenciaintervallum teht
=
22000
1
1
=
= 4400
b
5
5
5
1
-ra:
GX (z) = (1p+pz)n
GY (z) = (1q+qz)m
E(X+Y ) = G0X+Y (z)|z=1 = G0X (1)GY (1)+GX (1)+G0Y (1) = np1+1mq = np+mq
D2 (X+Y ) = G00X+Y (1)+G0X+Y (1)(G0X+Y (1))2 = G00X+Y (1)+(np+mq)(np+mq)2
G00X+Y (z) = (G0X GY (z)+Gx (z)G0Y (z))0 = G00X (z)GY (z)+2G0X (z)G0Y (z)+GX (z)G00Y (z)
G00X+Y (1) = n(n 1)p(p 1) + 2npmq + m(m 1)q(q 1)
D2 (X + Y ) = G00X+Y (1) + (np + mq) (np + mq)2 =
= n(n 1)p2 + 2npmq + m(m 1)q 2 + (np + mq) (np + mq)2 =
= (n2 n)p2 + (m2 m)q 2 + 2nmpq + np + mq (n2 p2 + 2npmq + m2 q 2 ) =
= np np2 + mq mq 2 = np(1 p) + mq(1 q)
66
X Np
p
N (0, 1)
N p(1 p)
gy a 95%-os kvantilisre j becslst ad az
p
p
c00.95 N p + c0.95 N p(1 p) = N p + 1.64 N p(1 p)
ahol c0.95 a standard normlis eloszls 0.95-es kvantilise. Ekkor a kapott dj
becslse:
p
(X) = EX + 0.1c0.95 1.1N p + 0.1 1.64 N p(1 p)
2.) Az X valsznsgi vltoz eloszlsa 50% valsznsggel (N, p1 )-binomilis
eloszls, 50%-os valsznsggel (N, p2 )-paramter binomilis. Adjunk becslst a 95%-os kvantilisre abban az esetben, ha
a) N = 1000, p1 = 0.1, p2 = 0.2
b) N = 1000, p1 = 0.1, p2 = 0.5
Megolds: Teljes valsznsg ttellel:
0.95 = P (X < t) =
1
1
P (X < t|X Binom(N, p1 ))+ P (X < t|X Binom(N, p2 ))
2
2
Binom(1000, 0.1) esetn c 1000 0.1 + 1.64 1000 0.1 0.9 115.6
Binom(1000, 0.2) esetn c 1000 0.2 + 1.64 1000 0.2 0.8 220.7
A megoldand konkrt egyenlet a keverkre:
t 100
t 200
0.95 =
+
90
160
Szmtgppel numerikusan kzeltve a megoldst, azt kapjuk, hogy 216 <
t < 217 teljesl a kvantilisre.
b)
Binom(1000, 0.1) esetn c 1000 0.1 + 1.64 1000 0.1 0.9 115.6
Binom(1000, 0.5) esetn c 1000 0.5 + 1.64 1000 0.5 0.5 525.9
67
A megoldand egyenlet:
0.95 =
t 100
90
+
t 500
250
Szintn numerikusan kzeltve 520 < t < 521 addik a kvantilisre. Azt
tapasztalhattuk teht mindkt esetben, hogy a kevers utni eloszls kvantilise
sokkal kzelebb lesz a nagyobb paramter eloszls eredeti kvantilishez.
68
Zp
Z
p 7 E(L(X, p)) = (1 ) (x p)f (x)dx + (p x)f (x)dx =
p
Zp
Z
= (1 )
xf (x)dx
p
d
dp
Zp
g(x)dx = g(p)
0
d
E(L(X, p)) = (1)(pf (p))pf (p)(1)(1F (p))+p(1)f (p)+F (p)+pf (p) = F (p)(1)
dp
0=
d
E(L(X, p)) = F (p) (1 )
dp
F (p) = 1
(X) =
E(XehX )
E(ehX )
69
2.) Mutassuk meg, hogy korltos kockzatokra ltezik svjci djelv alapjn
szmolt dj.
Megolds:
3.) Egy biztost betrses lops elleni biztostsokat ad el Kukutyin vrosban.
Az a tapasztalatuk, hog a vrosban trtn ves betrsszm jl kzelthet
(10000, 0.1)-paramter binomilis eloszlssal. Ha a vrosban = y betrs van,
y
.
akkor annak a valsznsge, hogy a biztost egy szerzdsnl kr van: 10000
Ha van kr, akkor a nagysga 20000 vrhat rtk exponencilis eloszls. A
1
paramter szrsngyzet elv alapjn hatrozza meg.
biztost a djakat 100000
Mi a feltteles dj y fggvnyben?
Megolds: Ha egyetlen szerzdst tekintnk, s 0 jelli a krszmt, akkor
y
10000
y
P ( 0 = 1| = y) =
10000
P ( 0 = 0| = y) = 1
A szerzds sszkra: S =
Xi , ahol az Xi -k fggetlen,
i=1
eloszlsak.
E(S| = y) = E( 0 | = y)EX1 =
1
20000 -exponencilis
y
20000 = 2y
10000
4y(10000 y)
280000y 4y 2
D2 (S| = y
= 2y+0.4y+
=
100000
100000
100000
4.) A Specil Biztost jelents tapasztalatokkal rendelkezik a gpjrmfelelssgbiztosts terletn. Ezen tapasztalatok szerint az egyes djosztlyokhoz
tartoz krok mind exponencilis eloszlsak, csak az eloszls paramtere fgg
a djosztlytl. A paramtert -val jellve a 15 djosztly tbbvi meggyelse
a kvetkez eredmnyt adja (eFt-ban)
1
1
E
= 34
D2
= 100
70
5.) Egy vllalati vagyonbiztosts krszmeloszlsa 0.15-paramter Poissoneloszls s kreloszlsa (milli Ft-ban) 1 paramter exponencilis eloszls.
A biztost a brutt dj 30%-t sznja kltsgekre. A kockzati djat nett
vrhat rtk elvvel hatrozza meg. Hasonltsa ssze a brutt djat, ha nincs
djvisszatrts, azzal, hogy krmentessg esetn a brutt dj 30%-t adja vissza!
Megolds:
Hf/1.) Legyen u ktszer derivlhat hasznossgi fggvny. Mutassuk meg,
hogy ekkor a megfelel djelv pontosan akkor additv, ha a fggvny lineris
vagy exponencilis!
Megolds:
Hf/2.) (korbbi HF folytatsa) Gpjrmvezetk krszmra a kvetkez
meggyelsek addtak:
Krok szma
0
Vezetk szma 565664
1
2
68714 5177
3
365
4 5
24 6
>5
0
71