ltalnos biztostsmatematika gyakorlat / Boncz Andrs csoportja

Kocsis Albert Tihamr

1.) Hatrozza meg a binomilis, Poisson, negatv binomilis eloszls genertorfggvnyt!
Megolds: Denci: Egy nemnegatv, egsz rtk X valsznsgi vltoz esetn jellje pk a P (X = k) valsznsget k 0 esetn. Ekkor az elosz
P
ls genertorfggvnye a kvetkez hatvnysor: GX (z) =
pk z k = E(z X ).

Lthat, hogy |z| < 1 esetn ez biztosan konvergens.

k=0

n rend, p paramter binomilis eloszls esetn:

 
n k
pk =
p (1 p)nk
(k = 0, 1, ..., n)
k
Ekkor GX (z) =

n
P
k=0

n
k

pk (1 p)nk z k = (1 p + pz)n

paramter Poisson-eloszls eloszls esetn:

k
e
(k = 0, 1, 2, ...)
k!

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 rend, q paramter negatv binomilis eloszls esetn:

pk =

(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

2.) Adott a genertorfggvny. Hatrozza meg a valsznsgi vltoz elosz-

lst!

Megolds:

GX (z) =

pk z k

k=0

GX (z)-t n-szer derivlva kifejezhejk pn -et csak a genertorfggvny segtsgvel:

(n)

GX (z) =

k(k 1) ... (k n + 1) pk z kn

k=n

(n)

GX (0) = n!pn
(n)

pn =

GX (0)
n!

3.) Hatrozza meg a vrhat rtket s a szrsngyzetet a genertorfggvny segtsgvel!

Megolds:

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(k 1)pk = E(X(X 1)) = E(X 2 X)

k=0

D (X) = E(X )(EX) = E(X 2 X)+EX(EX)2 = G00X (1)+G0X (1)(G0X (1))2

2

4. Mutassa meg, hogy fggetlen valsznsgi vltozk sszegnek genertorfggvnye a genertorfggvnyek szorzata.
Megolds: Legyen X s Y kt fggetlen valsznsgi vltoz. Ekkor

GX+Y (z) = E(z X+Y ) = E(z X )E(z Y ) = GX (z)GY (z)

Az talaktsnl felhasznltuk, hogy X s Y fggetlensge miatt z X s z Y is
fggetlenek.
5.) Mutassa meg, hogy a nemnegatv egsz rtk Xn valsznsgi vltozk pontosan akkor konverglnak a nemnegatv egsz rtk X valsznsgi
vltozhoz, ha a P (Xn = k) (n = 0, 1, 2, ...) sorozat tart P (X = k)-hoz minden
nemnegatv egsz rtk k esetn!
Megolds: Bevezetve a a P (Xn = k) = pn,k rvidtst:
= Meg kell mutatni, hogy ha Xn X eloszlsban, akkor k : pn,k pk .
Xn X eloszlsban, ezrt P (Xn < t) = Fn (t) F (t) = P (X < t) az F
folytonossgi pontjaiban, azaz minden nem egsz pozitv t esetn. Teht minden
nem egsz pozitv t esetn:

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:

pn,0 + pn,1 + ... + pn,[t] + pn,[t]+1 p0 + p1 + ...p[t]+1

2

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:

pn,0 + pn,1 + ... + pn,[t] p0 + p1 + ... + p[t]

Azaz Fn (t) F (t) az F (t) minden folytonossgi pontjban.
6.) X kevert eloszls valsznsgi vltoz, 50% valsznsggel (n, p)binomilis s 50% valsznsggel -Poisson. rja fel X 3 vrhat rtkt a genertorfggvny alapjn (ld. 3. feladat)
Megolds: Legyen X1 egy (n, p)-binomilis eloszls, X2 pedig egy Poisson eloszls valsznsgi vltoz. A bellk kikevert eloszls genertorfggvnye a teljes vrhat rtk ttel alapjn:

GX (z) = E(z X ) = E(z X1 )P (X = X1 )+E(z X2 )P (X = X2 ) =

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(k 1)(k 2)z k3 =

k=3

k(k 1)(k 2)z k3

k=0

G000
X (1) = E(X(X 1)(X 2))
Ellenrizhet a kvetkez algebrai azonossg:

X 3 = X(X 1)(X 2) + 3X(X 1) + X

00
0
E(X 3 ) = G000
X (1) + 3GX (1) + GX (1)

gy E(X 3 ) meghatrozshoz elegend GX (z) els hrom derivltjt meghatrozni

z = 1-ben.

0
1
1
np

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

Behelyettestve z = 1-et a kpletekbe kapjuk, hogy:

E(X 3 ) =

1
3
1
(n(n 1)(n 2)p3 + 3 ) + (n(n 1)p2 + 2 ) + (np + )
2
2
2

7.) N egy valsznsgi vltoz, amelynek lehetsges rtkei termszetes

szmok s ismerjk a GN genertorfggvnyt. X1 , X2 ,... az N -tl s egymstl
is fggetlen, azonos eloszls valsznsgi vltozk, melyeknek szintn ismerN
P
Xk valsznsgi vltoz
jk a GX genertorfggvnyt. Mi lesz az Y =
k=1

genertorfggvnye?
Megolds: Teljes vrhat rtk ttellel:

GY (z) = E(z Y ) = E(E(z X |N )) = E(E(z X1 +...+XN |N ))

E(z X1 +...+XN |N = n) = E(z X1 +...+Xn |N = n) = E(z X1 +...+Xn ) =
= E(z X1 ) ... E(z Xn ) = E(z X1 )n = (GX (z))n
GY (z) = E((GX (z))N ) = GN (GX (z))

Hf/1.) Folytonossgi ttel genertorfggvnyekre:

Legyenek pn,0 , pn,1 , ...

(n = 1, 2, ...) valsznsgi vltozk eloszlst meghatroz rtkek. Gn (z) jelli az n-edik valsznsgi vltoz genertorfggvnyt.
Ha lteznek olyan p0 , p1 , ... szmok, melyekre pn,k pk minden k esetn,
s G(z)-vel jelli a p0 , p1 , ... genertorfggvnyt, akkor Gn (z) G(z) minden
|z| < 1 esetn.
Megfordtva, ha ltezik olyan G(z) fggvny, amire Gn (z) G(z) minden
z (0, 1) esetn, akkor a pn,k sorozatok minden k -ra konvergensek n
esetn: lim pn,k = pk , tovbb a G(z) fggvny ppen ennek a pk sorozatnak
n
lesz a genertorfggvnye.
Megolds:

|Gn (z) G(z)|

|(pn,k pk )z k |

|(pn,k pk )||z|k Legyen  > 0

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

pn,k pk miatt pedig

P
k=0

K1
P

|(pn,k pk )||z|k

k=0
K1
P

Teht elg nagy n esetn


3

2|z|k < 2 3
K1
P

|(pn,k pk )| 0

k=0

|(pn,k pk )||z|k <

k=0

+ 2 3 = , azaz Gn (z) G(z)


3,

gy |Gn (z) G(z)| <

 G(0) = lim G(z) hatrrtk ltezik, G(z) monoton, mert monoton fggz0+

vnyek hatrrtke.

pn,0

pn,k z k = Gn (z) 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)

G(0) lim inf pn,0 lim sup pn,0 G(0)

n

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

jells mellett: Hn (z) H(z) minden z (0, 1) esetn.

gy erre alkalmazva a p0 ltezsre kapott eredmnyt kapjuk, hogy ltezik olyan
pk+1 , melyre pn,k+1 pk+1 , ugyanis Hn (z) konstans tagja pp pn,k+1 .
Mg be kellene ltni, hogy a kapott pk sorozat genertorfggvnye ppen
G(z). A ttel msik, mr bizonytott irnya szerint, ha F (z) jelli a pk sorozat
genertorfggvnyt, akkor pn,k pk miatt Gn,k (z) H(z), de a felttel
szerint Gn,k G(z) is fennll |z| < 1 esetn, teht szksgkppen G(z) =
H(z), azaz G(z) valban megegyezik a genertorfggvnnyel.
Hf/2.) Milyen krszmeloszlst illesztene?

Krszm
0
Szerzdsszm 798

1
47

2
6

3
1

>3
0

Megolds: A krszmeloszlsok illesztsre tbb mdszert is tanultunk

eladson, ezen a feladaton keresztl megnzzk mindegyiket, gy ssze is hasonlthatjuk azok pontossgt.
(a, b, 0)-eloszlsok esetn lthat, hogy qn = (n + 1) pn+1
pn = a + b + an. Ez
azt jelenti, hogy a tapasztalati eloszls alapjn megbecslhetjk a qn sorozat
els nhny elemt, s megllapthatjuk a sorozat trendjt: ha kb. linerisan
cskken, akkor binomilis eloszlst, ha kb. lland, akkor Poisson-eloszlst, ha
pedig kb. linerisan n, akkor negatv binomilis eloszlst illesztnk r. A
konkrt esetben a tapasztalati becslsek:

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

A hipotzisvizsglathoz szksges statisztika rtke:

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./

2.mdszer: Mivel a kis elemszm minta miatt a nagyobb krszmok esetn

nagyon kicsi szerzdsszmokat (6 ill. 1) tallunk, ezrt az elz mdszerben
a jobb kzelts remnyben az egyenes illesztsnl tekinthetjk csak az els
kt pont ltal meghatrozott egyenest, azaz azt, ami a (0; 0.059) (1; 0.255)
pontokon megy t. A rajtuk tmen egyenes egyenlete /kerektve/: y = 0.2x +
0.06. Innen meghatrozhat r s q becslse a 0.2 = a = q , 0.06 = a + b = (r
1)q + q = rq egyenletekbl: (0.29, 0.2)-paramter negatv binomilis eloszlst
kapunk. Behelyettestve a paramtereket az albbi illeszkedsvizsglai feladatot
kapjuk:
Krszm
Ni
N pi

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

Ez a kzelts egszen pontosan kzelt, termszetesen elfogadjuk az illeszkedst,

mint nullhipotzist.

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

M1 jelli az tlagot, S 2 pedig a tapasztalati szrsngyzetet. A konkrt esetben:

M1 =
S2 =

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

Lthatjuk, hogy teljesl a M1 < S 2 egyenltlensg, ez is megersti a negatv

binomilis modellvlasztst.

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

Ebben az esetben is elfogadjuk a hipotzisviszglat alapjn a modellt.

4.mdszer: Maximum-likelihood-becslst is felrhatunk a feladatra. Eladson szerepelt, hogy a likelihood-fggvny:

L(r, q) = Pr,q (1 = n1 , ..., K = nK ) =

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) = (1 q)852r q 62 r54 (r + 1)7 (r + 2)1

l(r, q) = 852r log(1 q) + 62 log q + 54 log r + 7 log(r + 1) + log(r + 2)
0=

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

Ezt a hipotzist is elfogadjuk.

1

 sszefoglals: A kapott eredmnyeket sszefoglalva:

r
0.23
0.29
0.33
0.32

q
0.22
0.2
0.18
0.19

TN
1.05
0.012
0.028
0.045

Hf/3.) X egy (n, p) paramter binomilis, Y pedig egy paramter

Poisson-eloszls valsznsgi vltoz, melyek egymstl fggetlenek. Hatrozza
meg az X +Y valsznsgi vltoz vrhat rtkt, szrsngyzett s harmadik
momentumt a genertorfggvny segtsgvel!
Megolds: A 3. s 6. feladatban mr kiszmoltuk, hogyan lehet meghatrozni
az els 3 momentumot a genertorfggvny z = 1-beli derivltjai alapjn:

E(X + Y ) = G0X+Y (1)

D2 (X + Y ) = G00X+Y (1) + G0X+Y (1) (G0X+Y (1))2
00
0
E((X + Y )3 ) = G000
X+Y (1) + 3GX+Y (1) + GX+Y (1)

Fggetlen valsznsgi vltozk genertorfggvnyt a 4. feladat alapjn a

genertorfggvnyeik szorzataknt kaphatjuk meg.

GX+Y (z) = GX (z)GY (z)

G0X+Y (z) = G0X (z)GY (z) + GX (z)G0Y (z)
G00X+Y (z) = G00X (z)GY (z) + 2G0X (z)G0Y (z) + GX (z)G00Y (z)
000
00
0
0
00
000
G000
X+Y (z) = GX (z)GY (z) + 3GX (z)GY (z) + 3GX (z)GY (z) + GX (z)GY (z)
GX (z) = (1 p + pz)n
0
GX (z) = np(1 p + pz)n1
2
n2

G00X (z) = n(n 1)p (1 p + pz)

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

GX+Y (1) = GX (1)GY (1) = 1

G0X+Y (1) = G0X (1)GY (1) + GX (1)G0Y (1) = np +
G00X+Y (1) = G00X (1)GY (1)+2G0X (1)G0Y (1)+GX (1)G00Y (1) = n(n1)p2 +2np+2
000
00
0
0
00
000
G000
X+Y (1) = GX (1)GY (1) + 3GX (1)GY (1) + 3GX (1)GY (1) + GX (1)GY (1) =

= n(n 1)(n 2)p3 + 3n(n 1)p2 + 3np2 + 3

E(X + Y ) = G0X+Y (1) = np +
D2 (X+Y ) = G00X+Y (1)+G0X+Y (1)(G0X+Y (1))2 = n(n1)p2 +2np+2 +(np+)(np+)2
D2 (X + Y ) = np(1 p) +
00
0
E((X + Y )3 ) = G000
X+Y (1) + 3GX+Y (1) + GX+Y (1)

E((X + Y )3 ) = n(n 1)(n 2)p3 + 3n(n 1)p2 + 3np2 + 3 + 3n(n 1)p2 + 6np + 32 + np +

2. Gyakorlat - 2010. februr 17.

1.) Hatrozza meg a negatv binomilis eloszls vrhat rtkt s szrsngyzett! Hasonltsa ssze a binomilis, Poisson-eloszlssal!
Megolds: Az 1. gyakorlat 1. feladatban kiszmoltuk az (r, q) paramter
negatv binomilis eloszls genertorfggvnyt. Fontos, hogy most sem a gyakorlaton hasznlt paramterezst kvetjk, hanem az eladson hasznlt felrst:

r
1q
GX (z) =
1 qz

A vrhat rtk s szrsngyzet kifejezhet a genertorfggvny segtsgvel

(ld. 1. gyakorlat/3. feladat).


r1


rq(1 q)r 
rq
q(1

q)
1

q

0
=
=
EX = GX (1) = r

1 qz
(1 qz)2 
(1 qz)r+1 z=1
1q
z=1

D (X) =

G00X (1)+G0X (1)(G0X (1))2

r


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

(n, p) paramter binomilis eloszls esetn:

EX = np > np(1 p) = D2 (X)
-Poisson esetn pedig

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.)

EY = E(Y |Y = X1 )P (Y = X1 )+E(Y |Y = X2 )P (Y = X2 ) = uEX1 +(1u)EX2

E(Y 2 ) = E(Y 2 |Y = X1 )P (Y = X1 )+E(Y 2 |Y = X2 )P (Y = X2 ) = uE(X12 )+(1u)E(X22 )
10

D2 (Y ) = E(Y 2 ) (EY )2 = uE(X12 ) + (1 u)E(X22 ) (uEX1 + (1 u)EX2 )2 =

= u(D2 (X1 )+(EX1 )2 )+(1u)(D2 (X2 )+(EX2 )2 )u2 (EX1 )2 (1u)2 (EX2 )2 2u(1u)EX1 EX2 =
= uD2 (X1 ) + (1 u)D2 (X2 ) + u(1 u)(EX1 EX2 )2
GY (z) = E(z Y ) = E(z Y |Y = X1 )P (Y = X1 )+E(z Y |Y = X2 )P (Y = X2 ) = uGX1 (z)+(1u)GX2 (z)
A konkrt esetben: EX1 = 0.1, EX2 = 0.5, D2 (X1 ) = 0.1, D2 (X2 ) = 0.5,
GX1 (z) = e0.1(z1) , GX2 (z) = e0.5(z1) . Behelyettestve az elz kpletekbe:

EY = 0.1u + 0.5(1 u) = 0.5 0.4u

D2 (Y ) = 0.1u+0.5(1u)+u(1u)(0.10.5)2 = 0.50.4u+0.16u(1u) = 0.16u2 0.24u+0.5
GY (z) = ue0.1(z1) + (1 u)e0.5(z1)

3.) A 2. feladatban szerepl szerzds 4 ven keresztl krmentes volt.

Mennyi a valsznsge, hogy a krszm 0.1 paramter Poisson?
Megolds: A keresett valsznsg:

P (Y = X1 |Y 4 vig krmentes) =
=

P ((Y = X1 ) s (Y 4 vig krmentes))

=
P (Y 4 ven t krmentes)

P ((Y = X1 ) s (Y 4 vig krmentes))

=
P ((Y = X1 ) s Y 4 vig krmentes)P (Y = X1 ) + P ((Y = X2 ) s Y 4 vig krmentes)P (Y = X2 )

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)

4.) Bizonytsa be, hogy amennyiben (a, b)-eloszls, gy ltezik olyan

> 0 szm, s (a, b, 0) vagy (a, b, 1)-eloszls valsznsgi vltoz, hogy

P ( = 0) = 1 + P ( = 0)
P ( = n) = P ( = n)

(n = 1, 2, 3, ...)

Megolds:

Denci: Egy valsznsgi vltoz (a, b)-eloszls, ha


P ( = n) =

b
a+
n


P ( = n 1)

n = (2, 3, ...)

Denci: Egy valsznsgi vltoz (a, b, 1)-eloszls, ha (a, b)-eloszls

s P ( = 0) = 0.
llts: Ha (p0 , p1 , ...) (a, b)-eloszlst alkot, s p0 6= 1, akkor a
(q0 = 0, q1 =

p2
p1
, q2 =
, ...)
1 p0
1 p0
11

eloszls (a, b, 1)-eloszlst alkot.

Bizonyts: q0 = 0 nyilvn teljesl,




a + nb pn1
pn
b
qn =
=
= a+
qn1
1 p0
1 p0
n

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, ...)

Amennyiben P ( = 0) = 1, akkor az mr nmagban (a, b, 0)-eloszls,

legyen teht = s pldul = 0.5. Ekkor
1 + P ( = 0) = 1 0.5 + 0.5 P ( = 0) = 1 0.5 + 0.5 = 1 = P ( = 0)
P ( = n) = 0.5P ( = n) = 0.5 0 = 0 = P ( = n)

(n = 1, 2, ...)

Teht mindkt esetben sikerlt tallnunk a kvetelmnyeknek megfelel

eloszlst.

Legyenek a kvetkezkben (5 7. feladat): N s M1 , M2 ,... fggetlen, nemnegatv egsz eloszls valsznsgi vltozk.

= M1 + M2 + ... + MN
Tovbbi jellsek: P (N = n) = pn , P (Mi ) = n = fn , P ( = n) = gn .


12

5.) Mi eloszlsa, ha N indiktorvltoz?

Megolds: Ha N indiktorvltoz, akkor p1 = P (N = 1) = p, s p0 =

P (N = 0) = 1 p.
Ekkor

g0 = P ( = 0) = P (N = 0) + P (N = 1)P (M1 = 0) = 1 p + pf0

gn = P ( = n) = P (N = 1)P (M1 = n) = pfn

(n = 1, 2, ...)

6.) Hatrozza meg vrhat rtkt, szrst s genertorfggvnyt! Mi

az eredmny, ha mindkt eloszls Poisson?
Megolds: Az 1. gyakorlat/7. feladata alapjn a genertorfggvny: G (z) =
GN (GM1 (z))
A Wald-azonossg alapjn: E = EN EM1 .
A teljes szrsngyzet ttellel:

D2 () = D2 (E(|N )+E(D2 (|N )) = D2 (N EM1 )+E(N D2 (M1 )) = (EM1 )2 D2 (N )+EN D2 (M1 )

Specilisan, ha N -Poisson s M1 -Poisson, akkor

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:

G (z) = GN (GM (z)) = e(

log(1qz)
1)
log(1q)

= e log(1q) log

1qz
1q


=

1q
1 qz

 log(1q)

, q) paramter negatv binomilis eloszls genergy ppen egy ( log(1q)

torfggvnyt kaptuk. Mivel a genertorfggvny egyrtelmen meghatrozza
az eloszlst (ld. 1. gyakorlat/2. feladat), ezrt valban negatv binomilis
eloszls.

8.) Egy krszm eloszlsa a kvetkez rekurzival jellemezhet:

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:

a) Bevezetve a szoksos P (N = n) = pn jellst:

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

c) A genertorfggvny z = 1-beli derivltjaibl megkaphatjuk a vrhat

rtket s szrsngyzetet (ld. 1. gyakorlat/ 3. feladat):

0 
1 (pz)M
qz

0
M 1
EN = GN (1) =
p0 +
(pz)
p0 
=

1 pz
1 qz
z=1


M q(pz)M 1 (1 qz) + pM 1 q 2 z M 
M p(pz)M 1 (1 pz) + (1 (pz)M )p 
p0  +
p0 
=
=
(1 pz)2
(1 qz)2
z=1
z=1

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

D2 (N ) = G00N (1)+G0N (1)(G0N (1))2 =


+

M q(pz)M 1 (1 qz) + pM 1 q 2 z M
p0
(1 qz)2

M p(pz)M 1 (1 pz) + (1 (pz)M )p

p0
(1 pz)2

0 




14

0 




+EN (EN )2 = ... = EN (EN )2 +

z=1

+
z=1

M (1 M )pM p0 2M pM +1 p0 2p2 (1 pM )p0 M (M 1)pM 1 qp0 2M pM 1 q 2 p0 2pM 1 q 3 p0

+
+
+

+
1p
(1 p)2
(1 p)3
1q
(1 q)2
(1 q)3

9.) N rgztett termszetes szm, a p valsznsgi vltoz eloszlsa:

P (p = 0.1) = 0.2

P (p = 0.2) = 0.5

P (p = 0.25) = 0.3

Mi az eloszlsa a kvetkez sszegeknek? (Jellemezze a genertorfggvnnyel s

szmolja ki a vrhat rtkt s szrsngyzett!)
a) N db p paramter geometriai eloszls valsznsgi vltoz
b) N db geometriai eloszls valsznsgi vltoz, p1 ,...,pN paramterekkel,
ahol p1 ,...,pN egymstl fggetlen valsznsgi vltozk, s mindegyik eloszlsa
megegyezik p eloszlsval.
Megolds:

Elzetes megjegyzs : A feladat rtelmezse sorn tbb hibt is elkvethetnk.

Az egyik lehetsges hiba, hogy az a) rszben azt gondolhatnnk, hogy ha Xi
jelli az sszeg i-edik tagjt, hogy az Xi valsznsgi vltozk fggetlenek. Ez
azonban nem igaz! A tves kvetkeztets egyik oka az lehet, hogy ha elkpzeljk,
hogyan is trtnik a konstrukci: ismertt vlik szmunkra a p valsznsgi vltoz rtke: p = q (q lehet 0.1, 0.2 vagy 0.25), utna vesznk N db fggetlen,
Geom(q )-eloszls valsznsgi vltozt s ezeket sszeadjuk. Ezrt tvesen az
Xi -ket fggetlennek gondoljuk. A valsg az, hogy az Xi valsznsgi vltozk
csak felttelesen fggetlenek a p = q felttel mellett. Ezrt lesz szksg kiss
eltr gondolatmenetre az a) s b) rsz megoldsa sorn.
a) Miutn elzetesen megllaptottuk, hogy az sszeg tagjai csak felttelesen
fggetlenek p mellett, ezrt teljes vrhat rtk ttellel rdemes szmolnunk. A
rvidebb jells rdekben legyen: S = X1 + ...XN .

ES = E(S|p = 0.1)P (p = 0.1)+E(S|p = 0.2)P (p = 0.2)+E(S|p = 0.25)P (p = 0.25)

Az E(S|p = 0.1) feltteles vrhat rtk

N
0.1 -del

egyenl, ugyanis

E(X1 + ...Xn |p = 0.1) = E(X1 |p = 0.1) + ... + E(XN |p = 0.1) =

hiszen egy Geom(q )-eloszls vrhat rtke 1q . gy:

ES =

N
N
N
0.2 +
0.5 +
0.3 = 5.7N
0.1
0.2
0.25

Teljes szrsngyzet ttellel hasonlan megkapjuk, hogy:

D2 (S) = D2 (E(S|p)) + E(D2 (S|p)) =

E(S|p = q) =
15

N
q

N
0.1

D2 (S|p = q) =

N (1 q)
q2

Ez utbbi azonossg sorn felhasznltuk a feltteles fggetlensget, hiszen p =

q felttel mellett mr az S -et fggetlen Geom(q )-eloszls tagok sszegeknt
lltottuk el, egy ilyen tagnak a szrsngyzete pedig 1q
q 2 . gy:

D2 (S) = D2

N
p


 



1
1p
1p
= N 2 D2
+E N 2
+ NE
p
p
p2

A kpletben szerepl vrhat rtket s szrsngyzetet mr egyszeren ki

tudjuk szmolni:
 
1
1
1
1
E
=
0.2 +
0.5 +
0.3 = 5.7
p
0.1
0.2
0.25


  
2
2
2
1
1
1
1
D2
=
5.7 0.2 +
5.7 0.5 +
5.7 0.3 = 4.81
p
0.1
0.2
0.25


1p
1 0.2
1 0.25
1 0.1
E
0.2 +
0.5 +
0.3 = 31.6
=
2
2
2
p
0.1
0.2
0.252

D2 (S) = 4.81N 2 + 31.6N

A genertorfggvnyt szintn teljes vrhat rtk ttellel szmoljuk:

GS (z) = E(z S ) = E(z S |p = 0.1)P (p = 0.1)+E(z S |p = 0.2)P (p = 0.2)+E(z S |p = 0.25)P (p = 0.25)

A fenti kpletben E(z S |p = 0.1) knnyen szmolhat, ugyanis a p = 0.1 felttel mellett az Xi vltozk mr felttelesen fggetlenek, gy a vrhat rtket kife
N
0.1z
,
jezhetjk szorzatalakban: E(z S |p = 0.1) = (E(z X1 |p = 0.1))N = 10.9z
ugyanis egy Geom(q )-eloszls genertorfggvnye:


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

b) A vrhat rtkhez s szrsngyzethez elegend kiszmolni egyetlen p

paramter geometriai eloszls vrhat rtkt s szrsngyzett, az sszeg
vrhat rtke ennek az N -szerese lesz (az elz esetben ez a vrhat rtkre
jrhat t lett volna, azonban a szrsngyzet additivitst csak fggetlen valsznsgi
vltozkra tudjuk). Ha X1 egy p paramter geometriai eloszls (p is valsznsgi
vltoz, nem konstans!) valsznsgi vltoz, akkor a vrhat rtke a teljes
vrhat rtk ttel alapjn: (felhasznljuk, hogy egy q (konstans) paramter
geometriai eloszls vrhat rtke 1q )

16

EX1 = E(X1 |p = 0.1)P (p = 0.1)+E(X1 |p = 0.2)P (p = 0.2)+E(X1 )P (p = 0.25) =

1
1
1
0.2 +
0.5 +
0.3 = 5.7
0.1
0.2
0.25
A szrsngyzet szmolsa is hasonlan trtnik a teljes vrhat rtk ttellel, felhasznlva, hogy adott q paramter geometriai eloszls szrsngyzete:
1q
2q
q 2 , msodik momentuma q 2 .
=

E(X12 ) = E(X12 |p = 0.1)P (p = 0.1)+E(X12 |p = 0.2)P (p = 0.2)+E(X12 |p = 0.25)P (p = 0.25) =

=

2 0.2
2 0.25
2 0.1
0.2 +
0.5 +
0.3 = 68.9
0.12
0.22
0.252

D2 (X1 ) = E(X12 ) (EX1 )2 = 68.9 5.72 = 36.41

Teht az N -tag sszeg vrhat rtke: 5.7N , szrsngyzete: 36.41N .
A genertorfggvny:

GS (z) = E(z S ) = E(z X1 +...+XN ) = E(z X1 ) ... E(z XN ) = E(z X1 )N

Ismt fontos volt, hogy tudtuk az Xi vltozk fggetlensgt, s gy a z Xi
vltozk is fggetlenek, szorzatuk vrhat rtke megegyezik a vrhat rtkek
szorzatval. Elg teht X1 genertorfggvnyt meghatroznunk teljes vrhat
rtk ttellel:

GX1 (z) = E(z X1 ) = E(z X1 |p = 0.1)P (p = 0.1) + E(z X1 |p = 0.2)P (p = 0.2)+

+E(z X1 |p = 0.25)P (p = 0.25) =
0.2z
0.25z
0.1z
+ 0.5
+ 0.3
1 0.9z
1 0.8z
1 0.75z
Teht az sszeg genertorfggvnye:
= 0.2


GS (z) = 0.2

0.2z
0.25z
0.1z
+ 0.5
+ 0.3
1 0.9z
1 0.8z
1 0.75z

N

Hf/1.) A HUHOG Biztost csoportos letbiztostst adott el a BRM

cgnek. A biztostsi sszegek 2, 4, s 10 milli Ft voltak. A biztostottak

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

Hatrozzk meg az egyves sszkr vrhat rtkt, szrst s eloszlst! Ez

utbbit normlis kzeltssel s pontosan is. A normlis kzeltsnl hatrozzk
meg az Essen-ttelben szerepl hibabecslst s hasonltsk ssze a tnylegessel!
2008. vi kiegyenltett halandsgi valsznsgek
N
Fr

25
45
55
0.00029 0.00277 0.00695
0.00086 0.00663 0.01757

Megolds: A pontos rtkek meghatrozshoz a De Pril-algoritmust rdemes

hasznlnunk. Ezrt a tovbbiakban az eladson hasznlt jellseket kvetjk: i
jelli a biztostsi sszegeket (i = 2, 4, vagy10), qj jelli a klnbz bekvetkezsi
valsznsgeket (a mostani esetben q1 = 0.00029,q2 = 0.00277,...,q6 = 0.01757),
mg ni,j jelli azon szerzdsek szmt, ahol i a biztostsi sszeg s qj a
bekvetkezsi valsznsg (a mostani esetben pl. n10,3 jelli a 10M Ft-os,
55 ves kategriba es nk szmt: n10,3 = 23).
A vrhat rtk s szrs meghatrozshoz elegend szerzdsenknt meghatrozni
azokat. Egy qj bekvetkezsi valsznsgi, i biztostsi sszeg szerzds esetben:

EXi,j = qj i + (1 qj ) 0 = qj i
2

D (Xi,j ) = qj (i qj i)2 + (1 qj i)(0 qj i)2 = qj (1 qj )i2

Az sszkr vrhat rtke s szrsa az sszegzst elvgezve megkaphat:

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

ni,j qj (1 qj )i2 81.679

i=1 j=1

Teht az egyves sszkr vrhat rtke ES = 9.73M Ft, mg a szrsa

DS = 9.04M Ft.
18

Az Essen-ttel becslshez ki kell szmolnunk a benne szerepl Ln rtket:

10 P
6
P

Ln =

i=1 j=1

(D(S))3
10 P
6
P

10 P
6
P

ni,j E|Xi,j EXi,j |3

i=1 j=1

ni,j ((qj |i qj i|3 ) + (1 qj )|0 qj i|3 )

i=1 j=1

(D(S))3

ni,j qj (1 qj )(qj2 + (1 qj )2 )i3

(D(S))3

749.44
1.015
9.043

Az Essen-ttel teht ebben a konkrt feladatban a kvetkez becslst adja:

 




S ES

sup P
< x (x) 0.7915Ln
DS
x
 




S 9.73

sup P
< x (x) 0.7915 1.015 0.8
9.04
x




t 9.73 

sup P (S < t)
 0.8
9.04
t


A normlis kzelts a P (S < t) valsznsget a t9.73
rtkkel be9.04
csli. A kvetkez tblzat tartalmazza az eloszlsfggvny pontos s kzeltett
rtkeit, illetve a hibt t = 0, 1, ..., 40 esetn.. A fellp maximlis hiba 0.143 <
0.8, termszetesen nem mond ellent az Essen-ttelnek. (A pontos rtkket a De
Pril-algoritmussal szmolhatjuk ki, brmely erre alkalmas szmtgpes program
segtsgvel. rdemes erre olyan (matematikai) segdprogramot hasznlni, mely
kpes igen pontosan szmolni, hogy a sokadik rekurzis lps utn ne kapjunk
nagy hibt a kerektsek miatt. A tblzat Maple segtsgvel kszlt.)

19

t Pontos rtk Normlis kzelts

0
0.230947
0.140890
1
0.230947
0.167095
2
0.300373
0.196251
3
0.300373
0.228296
4
0.406132
0.263090
5
0.406132
0.300407
6
0.435835
0.339946
7
0.435835
0.381329
8
0.459368
0.424117
9
0.459368
0.467820
10
0.640919
0.511914
11
0.640919
0.555862
12
0.697026
0.599134
13
0.697026
0.641221
14
0.778167
0.681660
15
0.778167
0.720041
16
0.801078
0.756028
17
0.801078
0.789360
18
0.819029
0.819858
19
0.819029
0.847423
20
0.889203
0.872035
21
0.889203
0.893743
22
0.911458
0.912657
23
0.911458
0.928937
24
0.942066
0.942779
25
0.942066
0.954406
26
0.950754
0.964052
27
0.950754
0.971959
28
0.957485
0.978361
29
0.957485
0.983482
30
0.975265
0.987528
31
0.975265
0.990686
32
0.981042
0.993121
33
0.981042
0.994975
34
0.988609
0.996371
35
0.988609
0.997408
36
0.990769
0.998169
37
0.990769
0.998722
38
0.992423
0.999118
39
0.992423
0.999398
40
0.995744
0.999594

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

Hf/2.) Gpjrmvezetk krszmra a kvetkez meggyelsek addtak

(lltlag vals adat):

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:

d = 565664 0 + 68714 1 + 5177 2 + 365 3 + 24 4 + 6 5 = 80289 0.125

EX
565664 + 68714 + 5177 + 365 + 6 + 0
639950
565664 (0 0.125)2 + 68714 (1 0.125)2 + 5177 (2 0.125)2 + 365 (3 0.125)2
2 (X) =
+
D\
639950
+

24 (4 0.125)2 + 6 (5 0.125)2
0.13
639950

565664 |0 0.125|3 + 68714 |1 0.125|3 + 5177 |2 0.125|3 + 365 |3 0.125|3

E(|X\
EX|3 ) =
+
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

A statisztika, ami alapjn dntnk a hipotzisrl:

21

3
365
183.8

>3
30
5.9

TN =

3
X
(Ni N pi )2
i=1

N pi

(565664 564754)2 (68714 70594.2)2 (5177 4412.1)2

+
+
+
564754
70594.2
4412.1

(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.
+

Hf/3.) Mutassuk meg, hogy a logaritmikus eloszls (a, b, 1)-eloszls. A

logaritmikus eloszls genertorfggvnye:

log(1 qz)
log(1 q)

GM (z) =

Megolds: A genertorfggvnyt felrhatjuk olyan alakban, hogy leolvashassuk a P (M = n) rtkeket:

(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, ...)

GM (1) = 1 s a fenti felrs miatt is lthat hogy ez valban egy valsznsgi

eloszlst alkot s teljesti az (a, b, 1)-eloszlsok tulajdonsgait.
Hf/4.) Ksztsnk (a, b, 0)-eloszlsbl (a, b, 1)-eloszlst.
Megolds: A gyakorlat 4. feladatnak megoldsnl hasznlt segdllts

pp egy ilyen konstrukcit ad meg a nem-elfajul (a, b, 0)-eloszlsok esetre.

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

megkaphatjuk a szerzdsenknti vrhat rtkek s szrsngyzetek sszegvel.

Ugyangy szmolhatunk, mint a gyakorlat Hf/1. feladatban csak most n1,1 =
50, n5,2 = 50, n10,2 = 50, minden ms esetben ni,j = 0:

ES =

10 X
2
X

ni,j qj i = 50q1 + 50 5q2 + 50 10q2 = 50q1 + 750q2 = 0.775

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

Teht a vrhat rtk ES = 0.775M Ft, a szrs pedig DS 2.5M Ft.

A De Pril-algoritmus a mostani esetben:
l1

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

(1 qj )ni,j = (1 q1 )50 (1 q2 )100 0.882

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

Ha normlis kzeltst szeretnnk, akkor szintn lthattuk

a gyakorlat Hf/1.


feladatban, hogy a P (S < t) valsznsget tES
kzelti.
A kiszmolt
DS
adatokkal P (S 1) = P (S < 1.00001) = P (S < 2) lehetsges becslsei:


2 0.775

= (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

hallt (ennek valsznsge: p0 0.882), illetve akkor, ha pontosan 1 n szenved

baleseti hallt (ennek valsznsge: 50q1 (1q1 )49 (1q2 )100 0.022). A pontos
rtk gy: 0.905. A normlis kzelts legnagyobb hibja a fenti becslseknl:
0.905 0.536 = 0.369 Ellenrzsknt kiszmolhatjuk mg az Essen-ttelben
szerepl hibabecslst is:
10 P
2
P

Ln =

i=1 j=1

ni,j qj (1 qj )(qj2 + (1 qj )2 )i3

(D(S))3

50q1 (1 q1 )(q12 + (1 q1 )2 ) + 50 53 q2 (1 q2 )(q22 + (1 q2 )2 ) + 50 103 q2 (1 q2 )(q22 + (1 q2 )2 )

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

3. Gyakorlat - 2010. februr 24.

1.) A krszmok B(m, p) binomilis eloszlsak. Hatrozzuk meg a p maximum likelihood-becslst, ha m ismert. Mi lesz a becsls vrhat rtke s
szrsa? (Hf. jon fel aszimptotikus kondenciaintervallumot a paramterre.
Mi a maximum likelihood-becsls, ha mindkt paramter ismeretlen?)
Megolds: A maximalizland likelihood-fggvny, ha az i-edik szerzds
krszmt ki jelli s sszesen N szerzdsnk van:
! P
N
N
P
N  
N  
Y
Y
ki
Km
ki
n
n ki
mki
i=1
=
pi=1 (1 p)
L(p) =
p (1 p)
ki
ki
i=1
i=1

!
 
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

A becsls vrhat rtke:

 


X
X1 + ... + XN
EX
mp
E(b
p) = E
=E
=
=
=p
m
Nm
m
m
azaz a becsls torztatlan. Szrsa:


 
N
D2 X1 +...+X
X
D2 (X1 + ... + XN )
N D2 (X)
D2 (X)
mp(1 p)
2
2
N
D (b
p) = D
=
=
=
=
=
2
2
2
2
2
2
m
m
N m
N m
Nm
N m2

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

szint aszimptotikus kondenciaintervallumot szeretnnk, vennnk kell a standard normlis

eloszls 1 2 -kvantilist

 (ez 95%-os szint esetn x = 1.96), s
q
q
p)
p)
ekkor a pb x pb(1b
b + x pb(1b
intervallum aszimptotikusan megfelel
Nm , p
Nm
lesz.
2.) 10000 szerzds krszmt gyeltk meg. Az adatok az albbiak:

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

a) A maximalizland likelihood-fggvny, ha az i-edik szerzds krszmt

ki jelli s sszesen N szerzdsnk van:

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

A megadott adatok esetben:

b = X = 9048 0 + 905 1 + 45 2 + 2 3 = 1001 0.1

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

b) Geometriai eloszls szoksos paramterezse: pk = p(1 p)k1

(k =
1, 2, ...). A feladatban azonban a 0-nak is pozitv valsznsge van, ezrt egy
eltolt geometriai eloszlssal kell modellezzk:

pk = p(1 p)k

(k = 0, 1, ...)

Ebben az esetben a maximalizland likelihood-fggvny:

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

Teht q -ra konstrulhatunk egy aszimptotikus kondenciaintervallumot:

(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)

c) Negatv binomilis eloszls ML-becslse szerepelt eladson. A kvetkez

egyenletrendszert kell megoldani hozz:

rq
=X
1q
N log(1 q) +

N kX
i 1
X
i=1 m=0

1
=0
r+m

Az els egyenletbl kifejezhetjk q -t r segtsgvel, majd behelyettesthetjk a

msodik egyenletbe. A megadott adatokkal:

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

d) Poisson-modell esetn ki kell szmolni a kapott = 0.1 esetre a 10000

rtkeket, s utna illeszkedsvizsglatot vgznk. Az sszehasonltand
rtkek:
Krok szma
0
1
>1
Ni
9048
905
47
N pi
9048.4 904.8 46.8
k
k! e

A statisztika, ami alapjn dntnk a hipotzisrl:

TN =

3
X
(Ni N pi )2
i=1

N pi

(9048 9048.4)2 (905 904.8)2 (47 46.8)2

+
+
0.0009
9048.4
904.8
46.8

28

Ez jval kisebb, mint a 22 -eloszls 95%-os kvantilise (5.99), teht nincs okunk
elutastani a Poisson-modellt.
1
1.1

Geometriai eloszls esetn az sszehasonltand rtkek: 10000p(1p)k

Krok szma
Ni
N pi

0
9048
9090.9

1
905
826.4

p=

>1
47
83.7

A statisztika, ami alapjn dntnk a hipotzisrl:

TN =

3
X
(Ni N pi )2
i=1

N pi

(9048 9090.9)2 (905 826.4)2 (47 83.7)2

+
+
23.77
9090.9
826.4
83.7

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

A statisztika, ami alapjn dntnk a hipotzisrl:

TN =

3
X
(Ni N pi )2
i=1

N pi

(9048 9047.3)2 (905 905)2 (47 47.7)2

+
+
0.01
9047.3
905
47.7

Ez az rtk kisebb mint 5.99, ezrt ezt a modellt is elfogadhatjuk.

Azt lttuk, hogy kt lnyegesen klnbz modellt is elfogadtunk. Termszetesen, ha vlasztanunk kell kzlk, akkor a Poisson-modellt rdemes
vlasztanunk, hiszen annak csak 1 szabad paramtere volt, mg a negatv binomilis modell esetben 2 paramtert is megvlaszthattunk, ezrt nem meglep,
hogy ilyen pontosan illeszkedik az is.
e) Az egyes modellek esetben a becslsek a kvetkezek lesznek (az 1-nl
nagyobb krszmokat is 1 krnak tekintjk a biztost szemszgbl):
Krok szma
0
1

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:

Poisson-modellt kaphatunk, ha azt felttelezzk, hogy a ti id alatt bekvetkezett

krok szma ti -paramter Poisson-eloszlst alkotnak, ahol a szerzdsek kzs
paramtert szeretnnk megbecslni. Ha t-t nveljk, akkor lthat, hogy a
krok szmnak vrhat rtke n, amint azt a valsgban elvrnnk. A maximalizland likelihood-fggvny (az i. szerzds krszmt ki jelli):

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

Momentum-mdszeres becslsnl jellje az tlagkrszmot X .

EX =

K
1 X
ti
K i=1

K
X
d = 1
ki
EX
K i=1

A momentum-mdszer sorn a vrhat rtket a tapasztalati mintatlaggal

b rtket
d egyenletet megoldva ugyanazt a
kzeltjk, innen az EX = EX
kapjuk, mint az ML-becsls sorn.
Binomilis modell esetn azt rdemes feltteleznnk, hogy a ti id alatt
bekvetkezett krok szma egy m rend, pti paramter binomilis eloszlst
alkot. A krok szmnak vrhat rtke: mpti ebben az esetben is n ti
nvelsvel. Persze azzal a felttelezssel lnk mg, hogy a p elg kicsi ahhoz,
hogy pti < 1 fennlljon minden i esetn. Az m-et felttelezhetjk ismertnek,
de meghagyhatjuk ismeretlennek is, ezzel jelentsen neheztve a paramterek
becslst. A maximalizland likelihood-fggvny:
30

L(m, p) =

K  
Y
m
i=1

ki

(pti )ki (1 pti )mki =

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

Amennyiben m-et ismerjk, a fenti egyenlet a konkrt ki , ti adatok ismeretben

numerikusan megoldhat. Momentum-mdszeres becslshez az tlagkrszm
vrhat rtkt felrva:

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

Negatv binomilis modellt kaphatunk akkor, ha a ti id alatt bekvetkezett

krszmot (r, qti ) paramter negatv binomilis eloszlsnak ttelezzk fel. Enrqti
nek a vrhat rtke: 1qt
n a ti nvelsvel, persze fel kell tennnk, hogy
i
q elg kicsi ahhoz, hogy qti < 1 fennlljon. A maximalizland likelihoodfggvny:

L(r, q) =

K
Y
(r + ki )
i=1

l(r, q) =

K
X
i=1

ki log(qti ) + r

(r)ki !
K
X

(qti )ki (1 qti )r

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

A utbbi egyenletbl r-et kifejezhetjk q segtsgvel, majd azt berva az els

egyenletbe, azt mr a konkrt adatok ismeretben szmtgppel numerikusan
megoldhatjuk. Momentum-mdszeres becslshez az sszkrszm vrhat rtkt
s szrsngyzett felrva:

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

Megolds: Az elz feladatban lthattuk, hogy csak a Poisson-modell

esetn tudtunk olyan zrt kpletet felrni, melyet most ki tudunk szmolni
a megadott adatokkal. A paramter ML- s momentum-mdszeres becslse
ugyanaz:
K
P
ki
b = i=1

K
P
ti
i=1

Neknk ppen az sszkrszm s az sszid van megadva a feladatban. A 6 vre

kln-kln kiszmolhatjuk a becslst:

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

b = 0.096, ezrt az 1 v alatt bekvetkez

A kapott becslsek tlaga:
sszkrszmot 0.096-paramter Poisson-eloszlsnak kzelthetjk.
5.) CASCO biztostsokkal rendelkez s nem rendelkez gpjrmvek ves
krszmt vizsgltk. A meggyelsek a kvetkezk:

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

Fgg-e a krszm a biztosts meglttl?

Megolds:

A fggetlensgvizsglat menete: Meggyelseinket 2 szempont szerint viszgljuk,

melyek szerint r ill. s osztlyba sorolhatjuk azokat. Az gy elksztett kontingenciatblzat i-edik sornak s j -edik oszlopnak elemt Nij jelli. Az i-edik
sorsszeget (marginlist) Ni , a j -edik oszlopsszeget Nj jelli. Ekkor azt a
hipotzist, hogy a kt szempont fggetlen, az albbi statisztika alapjn dntjk
el (n az sszes meggyels szma):

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

CASCO-val nem rendelkezk

947
50
3
1000

Ni
1848
142
10
2000

A statisztika, ami alapjn dntnk:


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

Ezt kell sszehasonltani a 221 = 22 -eloszls kvantiliseivel. Azt tapasztaljuk,

hogy a 99.9%-os kvantilisnl (13.8) is nagyobb, ezrt 99.9%-os szinten elutastjuk
a fggetlensget.
6.) A 2. gyakorlat/2. feladat folytatsa. Egy-egy szerzds krszma u
valsznsggel paramter Poisson s 1 u valsznsggel paramter
Poisson eloszls. rja fel a momentum-mdszeres s maximum likelihoodegyenenleteket!

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 !

gy a maximalizland likelihood-fggvny (K meggyelsnk van sszesen):

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

A 2. Gyakorlat/ 2.feladatban kiszmoltuk a vrhat rtket s szrsngyzetet.

A genertorfggvny segtsgvel most kiszmoljuk a harmadik momentumot is.
Ehhez felhasznljuk az 1. Gyakorlat/6. feladatnak rszeredmnyeit:

GX (z) = ue(z1) + (1 u)e(z1)

G0X (1)

(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)

Teht a megoldand egyenletrendszer:

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

4. Gyakorlat - 2010. mrcius 3.

1.) Hatrozza meg a 95%-os kvantilist exponencilis, Gamma, lognormlis s
Pareto-eloszlsok esetn a paramterek fggvnyben (Gamma-eloszlsnl elg
egsz paramterre vizsglni)
Megolds: -exponencilis eloszls kvantilise:

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)!

Innen teljes indukcival azonnal addik, hogy:

Fn (t) = 1

n1
X
i=0

(t)n1 t
e
(n 1)!

Teht a kvantilist az albbi egyenlet megoldsa adja:

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

Lognormlis(m, 2 )-eloszls kvantilise:


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

(c, a)-paramter (eurpai) Pareto-eloszls kvantilise:

0.95 = P (X < t)
 c a
0.95 = 1
t
 c a
= 0.05
t
c
t=
0.05a
2.) Bizonytsa be, hogy n db fggetlen, -paramter exponencilis eloszls
valsznsgi vltoz sszege Gamma-eloszls, n s paramterekkel!
Megolds: Bebizonytjuk, hogy egy (, ) s egy (, )-eloszls valsznsgi
vltoz sszege ( + , ) eloszls lesz. Mivel a -exponencilis eloszls
(1, )-eloszls, ezrt ebbl kvetkezne feladat lltsa. A Laplace-transzformlt
egyrtelmen meghatrozza az eloszlst, ezrt elg meghatrozni a Laplacetranszformltjt egy Gamma-eloszlsnak.

LX (s) = E(e

sX

Z
)=

x1 ex sx
e
dx =
()

+s

 Z

( + s) x1 e(+s)x
dx =
()

+s

Innen azonnal ltszik, hogy ha X (, ) s Y (, ) eloszls, akkor


 
 
+

LX+Y (s) = LX (s)LY (s) =

=
+s
+s
+s
Teht pont egy ( + , )-eloszls Laplace-transzformltjt kaptuk.
a)

3.) A kvetkez meggyelseket tettk:

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

50 100 100 150

16
16

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)

Lognormlis eloszls illesztse momentum-mdszerrel: Meg kell becslni elszr

a momentumokat a megadott adatokbl. A legegyszerbb md erre az, ha az
intervallumokon a felezpontban tekintjk a meggyelseket, az utolsnl pedig
140-nek vesszk. Ekkor
d =
M1 = EX

17 10 + 8 30 + 5 50 + 11 70 + 3 90 + 2 110 + 1 130 + 2 140

47.6
49

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)

A megoldand egyenletrendszer teht:

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

Teht a lognormlis modellre egy (m = 3.62, 2 = 0.48) paramter lognormlis

eloszlst kaptunk.

Exponencilis eloszls illesztse momentum-mdszerrel: Egy paramter

exponencilis eloszls vrhat rtke

1
.

Ezrt a momentum-mdszeres becsls:

b = 1 = 1 0.021

M1
47.6

38

350
1

Gamma-eloszls illesztse momentum-mdszerrel: Egy (, ) paramter

Gamma-eloszls vrhat rtke s szrsngyzete:

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 =

Pareto-eloszls illesztse momentum-mdszerrel: Eladson szerepeltek a

Pareto-eloszls momentumai. Egy (, )-Pareto eloszls esetn:
EX =
E(X 2 ) =

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

A konkrt esetben M2 = S 2 + M12 1410 + 47.62 3676, ezt behelyettestve:

b=

2(M12 M2 )
2(47.62 3676)
=
3.3 < 0
2M12 M2
2 47.62 3676

Negatv rtk jtt ki az

b-ra, ezrt nem tudunk Pareto-eloszlst illeszteni momentummdszerrel.
b)

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

Teht egy (m = 4.52, 2 = 0.39)-paramter lognormlis eloszlst kaptunk.

Exponencilis eloszls illesztse momentum-mdszerrel:

b = 1 = 1 = 1 0.009

d
M1
111.2
EX

Gamma-eloszls illesztse momentum-mdszerrel:

M1 =

S2 =

M1
111.2
=
0.019
2
S
5945

M12
111.22
=
2.08
2
S
5945

gy egy (2.08, 0.019) paramter Gamma-eloszlst kaptunk.

Pareto-eloszls illesztse momentum-mdszerrel: Az a) rszben kiszmolt

eredmny alapjn:

b=

M2 = S 2 + M12 18310

2(M12 M2 )
2(111.22 18310)
=
1.85 < 0
2M12 M2
2 111.22 18310

Teht Pareto-eloszlst most sem tudunk illeszteni.

Ahhoz, hogy eldntsk, a kapott modellek kzl melyik illeszkedik legjobban, illeszkedsvizsglatra lenne szksg. Most folytonos eloszlsfggvnyeink
vannak, ezrt elszr diszkretizlnunk kell. Teht kiszmoljuk az egyes modellekben a megadott intervallumokba elmletileg es krok szmt, majd azokat
40

a meggyelt rtkekkel diszkrt illeszkedsvizsglatot alkalmazva sszehasonltjuk.

a) Illeszkedsvizsglat lognormlis eloszls esetn: Annak a valsznsge,
hogy egy (m, 2 ) paramter lognormlis eloszls valsznsgi vltoz az [a, b]
intervallumba esik:


log a m
log X m
log b m
P (a X b) = P (log a log X log b) = P





log b m
log a m
=

Az sszehasonltand adatokat megkapjuk, ha kiszmoljuk a 49P (a X b)

rtkeket rendre a [0, 20], [20, 40],...[140, ) intervallumokon:
Krsszeg
Ni
N pi

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

Az egybevont adatokbl ll, mdostott tblzat:

Krsszeg
Ni
N pi

0 20 20 40 40 60 60 80 80
17
8
5
11
8
9
17.4
10.5
5.4
6.7

A statisztika, ami alapjn dntnk az illeszkedsrl:

TN =

5
X
(Ni N pi )2
i=1

N pi

21.1

Ez nagyobb mint a 24 -eloszls 99.95%-os kvantilisnl (20.0) is, ezrt elutastjuk

ezt a modellt.
b) Illeszkedsvizsglat lognormlis eloszls esetn: Az a) rszhez hasonlan
itt is ki kell szmolnunk a 49P (a X b) rtkeket a [0, 50], [50, 100],...,[50, )
intervallumokra. A kapott tblzat:
Krsszeg
Ni
N pi

0 50
9
8.1

50 100 100 150

16
16
19.1
11.3

150 200
3
5.4

200 250
1
2.5

Az sszevont adatokat tartalmaz tblzat:

Krsszeg
Ni
N pi

0 50
9
8.1

50 100 100 150 150

16
16
8
19.1
11.3
10.5

41

250 300
1
1.2

300 350
2
0.6

350
1
0.8

A statisztika, ami alapjn dntnk a hipotzisrl:

TN =

5
X
(Ni N pi )2
i=1

N pi

3.15

Ez kisebb, mint a 23 -eloszls 95%-os kvantilise (7.81), ezrt elfogadjuk ezt a

hipotzist.
a)Illeszkedsvizsglat exponencilis eloszls esetn: Ismt ki kell szmolni a
P (a X b) rtkeket:

Zb

ex dx = ea eb

Az ebbl kapott rtkek tblzata:

Krsszeg
Ni
N pi

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

Az sszevont rtkeket tartalmaz tblzat:

Krsszeg
Ni
N pi

0 20 20 40 40 60 60 80 80
17
8
5
11
8
16.8
11
7.3
4.8
9.1

A statisztika, ami alapjn dntnk:

TN =

5
X
(Ni N pi )2
i=1

N pi

9.7

Ez nagyobb, mint a 24 -eloszls 95%-os kvantilise (9.49), ezrt 95%-os szinten

elutastjuk az illeszkedst.
b)Illeszkedsvizsglat exponencilis eloszls esetn: Az elz rszhez hasonlan szmolhatjuk ki az sszehasonltand adatokat:
Krsszeg
Ni
N pi

0 50
9
17.8

50 100 100 150

16
16
11.3
7.2

150 200
3
4.6

200 250
1
2.9

Az sszevont tblzat:
Krsszeg
Ni
N pi

0 50
9
17.8

50 100 100 150 150

16
16
8
11.3
7.2
12.7
42

250 300
1
1.9

300 350
2
1.2

350
1
2.1

Az ebbl szmolt statisztika:

TN =

5
X
(Ni N pi )2
i=1

N pi

18.8

Ez nagyobb, mint a 23 -eloszls 99.95%-os kvantilise (17.7), ezrt nyugodtan

elutasthatjuk az illeszkedst.
a)Illeszkedsvizsglat Gamma-eloszls esetn: Egy (1.61, 0.034)-paramter
Gamma-eloszlsra kell kiszmolni a megadott intervallumokba ess valsznsgeit:

Zb

x1 ex
dx
()

Ezt szmtgppel kiszmolhatjuk, az albbi tblzathoz jutunk:

Krsszeg
Ni
N pi

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

A statisztika, ami alapjn dntnk:

TN =

5
X
(Ni N pi )2
i=1

N pi

10.6

Ez nagyobb, mint a 24 -eloszls 95%-os kvantilise (9.49), ezrt elutastjuk ezt a

modellt is.
b)Illeszkedsvizsglat Gamma-eloszls esetn: Egy (2.08, 0.019)-paramter
Gamma-eloszls X valsznsgi vltozra kellene kiszmolni a P (a X b)
rtkeket. Ehhez az albb integrlt kell kiszmolni:

Zb

x1 ex
dx
()

Szmtgppel elvgezve az integrlsokat, az albbi tblzathoz jutunk:

Krsszeg
Ni
N pi

0 50
9
11

50 100 100 150

16
16
15.5
10.7
43

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

50 100 100 150 150

16
16
8
15.5
10.7
11.8

Az ebbl szmolt statisztika:

TN =

5
X
(Ni N pi )2
i=1

N pi

4.2

Ez kisebb, mint 23 -eloszls 95%-os kvantilise (7.81), ezrt nem utasthatjuk el

ezt a hipotzist.

sszefoglalva : Az a) feladatban nem tudtuk elfogadni egyik modellt sem, mg

a b) feladatban a Gamma( = 2.08, = 0.019)-modellt s a lognormlis(m =
4.52, 2 = 0.39)-modellt is elfogadhattuk.
n
P

4.) Hogyan rhat fel a kvetkez sszeg Laplace-transzformltja? S =

Xi , ahol az Xi -k -paramter exponencilis eloszlsak s n -paramter

i=1

Poisson-eloszls?
Megolds: Teljes vrhat rtk ttellel:

LS (s) = EesS = E(E(esS |n))

E(esS |n = k) = E(es(X1 +...Xn ) |n = k) = E(es(X1 +...+Xk ) ) = (E(esX1 ))k = (LX1 (s))k
LS (s) = E(LX1 (s)n ) = Gn (LX1 (s))
Gn (z) = e(z1)
Z
LX1 (s) =

ex esx dx =

+s

LS (s) = e( +s 1) = e +s

44

5. Gyakorlat - 2010. mrcius 10.

1.) A Hunnia Biztost grdeszka biztostsa trd- s fejsrls esetn zet.
Egy kr p1 valsznsggel trdsrlsbl ered, s ekkor a kreloszls 1 -paramter
exponencilis eloszls. A fejsrls 2 -paramter exponencilis eloszls.
Hogyan vltozik meg a kreloszls s az tlagos krkizets, ha a fejsrlseknl
c-levonsos nrszt alkalmazunk?
Megolds: Az eredeti kreloszls 2 exponencilis eloszls keverkeknt ll
el. Az j eloszls felrsa teljes valsznsg ttellel (a vgn felhasznlva az
exponencilis eloszls rkifj tulajdonsgt):

P (Y < t) = P (trdsrls utn zetnk)P (Y < t|Y 1 exp)+

+P (fejsrls utn zetnk)P (Y < t + c|Y > c s Y 2 exp) =
= P (trdsrls utn zetnk)(1e1 t )+P (fejsrls utn zetnk)(1e2 t )
Lthat, hogy ez is 2 exponencilis eloszls keverke, de a slyok megvltoztak.
Ugyanis eredetileg N krbl krok N p1 szrmazott trdsrlsbl, N (1 p1 )
pedig fejsrlsbl. Az nrsz bevezetse utn azonban, ha a q = e2 c =
P (egy fejsrls ltal okozott kr > c) jellst bevezetjk, N krbl N p1 lesz
trdsrlses, N (1p1 )q pedig fejsrlses, N (1p1 )(1q) fejsrlses kr utn
pedig az nrsz miatt nem kell zetni. Ezrt az j krszm N p1 + N (1 p1 )q
p1
1 )q
ill. p1(1p
lesz, a trd- s fejsrlsek arnya pedig p1 +(1p
+(1p1 )q lesz. Teht:
1 )q

P (Y < t) =

(1 p1 )q
p1
(1 e1 t ) +
(1 e2 t )
p1 + (1 p1 )q
p1 + (1 p1 )q

A vrhat krzets knnyen addik a teljes vrhat rtk ttelbl, hiszen az j

kreloszls is exponencilis eloszlsok keverke:

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

2.) Mi lesz az j kreloszls, ha -szzalkos nrszt alkalmazunk (a kr

100 -ad

rszt a szerzd viseli) s a kreloszls:

a) exponencilis
b) lognormlis
c) Pareto
d) gamma
Megolds: Ha X jelli az eredeti kreloszlst, Y az nrsz bevezetse
utnit, akkor:



 

t
<t =P X<
= P (X < tq)
P (Y < t) = P X 1

100
1 100
45

Bevezettnk egy rvidebb jellst a q =

1 100

kifejezsre.

a) -exponencilis eloszls esetn: P (Y < t) = P (X < tq) = 1 etq , azaz

q -szorosra vltozott a paramter, de ugyangy exponencilis maradt.
b) Lognormlis(m, 2 )-eloszls esetn:

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

Megolds: Ha a kr nagysga X , akkor a biztost min(X c, 1 100

X)
sszeget zet. Krkizets pontosan akkor trtnik, hogy ha a kr nagysga
legalbb c. Ezrt az j kreloszls:





 

P (Y < t) = P min X c, 1
X < t X > c =
100









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)

Felrhatjuk a srsgfggvnyt is az eloszlsfggvny derivlsval:

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

a) -exponencilis eloszls esetn:

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

b) Lognormlis(m, 2 )-eloszls esetn:

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 )(1 F (c))

100
c

4.) Hogyan vltozik az tlagos krkizets, ha t0 -ban kombinlt c0 -levonsos

s 0 -szzalkos nrszt alkalmaztunk, ami t1 -re c1 -levonsosra s 1 -szzalkosra
vltozott (i volt a kt idpont kztti inci) s az nrsz nlkli kreloszls
a) exponencilis
b) lognormlis
c) Pareto
Megolds: Jellje X az nrsz nlkli kreloszlst. Ekkor a t1 utni j
i
= d jellst bevezetve:
eloszlst Y -nal jellve, s az incira az 1 + 100









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

Innen az elz feladatban ltott esetsztvlasztssal teljesen hasonlan megkapjuk,

hogy t < 100
c esetn:




F t+c
F dc
d


P (Y < t) =
1 F dc
Ha t >

100
c,

akkor:

P (Y < t) =

100t
(100)d

1F

F


c

c
d

Ahhoz, hogy a feladat krdsre vlaszolni tudjunk, elegend kiszmolni az EY

vrhat rtket. A kapott kpletbe d = 1-et helyettestve megkapjuk a t0 -beli
tlagos krkizetst is.
100
c

EY =
0

f t+c
d


dt +
t
d 1 F dc

f
t

100
c

a) -exponencilis eloszls esetn:

48


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

b) Lognormlis(m, 2 )-eloszls esetn:

100
Z c
2
1
dt
1

 c


e 22 (log(t+c)log dm) dt+

EY =
log d m
2(c + t)d
1

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

Az els integrlban a log(t + c) = w helyettestst elvgezve (dt = ew dw):

100
c

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 kiszmolsban a log t = w helyettestst elvgezve (dt = ew dw):

Z

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

!!
=



gy megkaptuk az EY vrhat rtket:

 100c



2
log log dm 2
(100)d
d
+ 100

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

Teht sszeadva a kapott kt integrlt:

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

Ebbl a szoksos t0 s t0 -beli helyettestst elvgezve megkaphatjuk a vrhat

rtkek eltrst.
5.) Az elz feladat folytatsa. Hogyan vltozik az egy szerzdsre jut tlagos krkizets s a krgyakorisg, ha az nrsz nlkli krszm -paramter
Poisson-eloszls s az nrsz nlkli kreloszls
a) exponencilis
b) lognormlis
c) Pareto
Megolds: Az elz feladatban lttuk, hogyan vltozott az tlagos krkizets, mr csak a krgyakorisgot kell meghatroznunk. Egy kombinlt ci
levonsos, -szzalkos nrszt bevezetsekor, d = 1+ 100
inci mellett annak
a valsznsge, hogy egy adott kr az nrszt meghaladja:

c
q = P (Y > c) = P (dX > c) = P X >
d

Teht minden egyes kr q valsznsggel esik az nrsz fl, 1q valsznsggel

az nrsz al, ez utbbi esetben termszetesen nem trtnik krkizets. gy
az eredetileg -Poisson eloszls krgyakorisgot megritktjuk, minden egyes
krt q esllyel megtartunk, 1 q esllyel kidobunk (nem zetnk utna, nem
tekintjk krnak). Eladson szerepelt, hogy ilyenkor az krgyakorisg tovbbra
is Poisson-eloszls marad, csak a paramtere vltozik q-ra.
Teht
az a), b), c) feladatban nincs ms dolgunk, mint kiszmolni a q =
P X > dc rtkeket az egyes eloszlsok esetn.
a)

c
c
q=P X>
= e d
d
b)
!



log dc m
c
q=P X>
=1
d

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)

Az egyeslet ves sszkrnak eloszlsa ugyangy kaphat, csak annak a krszma

(m = 1200, p = 0.1)-paramter binomilis, azaz ekkor a = 91 ,

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

a) vrhat ves krszma

b) vrhat krgyakorisga
c) vrhat tlagkra
d) egy szerzdsre jut vrhat kra
e) vrhat ves sszkra
f) krszmeloszlsa
g) kreloszlsa?
rjon fel rekurzit az sszkr eloszlsra!
Megolds: A megoldsban az egyes feladatrszek nem bcsorrendben
kvetik egymst, hanem bizonyos logikai szempontbl.
a) A vrhat ves krszm a ktfle tpus biztosts vrhat rtknek
sszege:
EY = 2000 0.2 + 40000 0.03 = 400 + 1200 = 1600
b)
vrhat krgyakorisg =

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).

400 (0.01 10000 + 0.99 100000) + 1200 200000 = 24436000

d)
egy szerzdsre jut vrhat kr =

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!

1 0.2k 0.2 20 0.03k 0.03

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

Ekkor teljes vrhat rtk ttellel:




0.99M 
P (X = 10000) = E
M
+
L
>
0
=
M + L

0.99m P (M = m, L = l)

=
m + l P (M + L > 0)

m,l0
m+l1

0.99m 400m e400 1200l e1200

=
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

Teljesen hasonlan (0.99 helyett 0.01-et rva a kpletbe) kapjuk, hogy:

P (X = 100000) =

0.01 400
= 0.25%
1600

Termszetesen ekkor

P (X = 200000) = 1 P (X = 10000) P (X = 100000) = 75%

c) Most, hogy mr ismerjk a kreloszlst, elegend kiszmolni a vrhat
rtkt annak, ez pp a vrhat tlagkrt adja meg.

P (X = 10000) 10000 + P (X = 100000) 100000 + P (X = 200000) 200000 =

= 0.2475 10000 + 0.0025 100000 + 0.75 200000 = 152725
Megjegyzs: Az utbbi kt feladatrszre megkaphatjuk egyszerbben is ezt
az eredmnyt, m az a mdszer csupn heurisztika, nem teljesen korrekt rvels.
Az tlagkrt ugyanis felttelezhetjk gy, hogy vrhatan 400 mhszes s 1200
lovas kresemny trtnik. Ezekbl vrhatan 400 0.99 = 396 db 10 ezer Ft-os,

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

fggetlen krszm, s a Z = i=1

vrhat rtkt szmoljuk ki. Ekkor ugyanis


1
=
EX
E(Z| = n) = E nEX
1 fggetlen -tl, ezrt EZ = E(E(Z|)) = EX1
n
lesz. A pldban a biztostk egyeslse utn a krkizetsek nem lesznek azonos
eloszlsak, gy az elz rvels nem alkalmazhat.
Rekurzi az sszkrra: Az sszkrszm kt Poisson-eloszls keverke, az nem
(a, b, 0)-eloszls, gy a Panjer-rekurzi arra nem alkalmazhat. Jellje teht Sm
a mhszes szerzdsek sszkrt, Sl a lovas szerzdsek sszkrt. Ekkor S =
Sm + Sl . Ezekre kln-kln alkalmazhat a Panjer-rekurzi (egy -Poissoneloszls (a, b, 0)-eloszls a = 0, b = paramterekkel):

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

P (Sm = n)P (Sl = N n)

n=0

Hf/1.) A Gyarmat Biztost a Suzuki autk CASCO biztostst akarja

mdostani. Eddig a biztostsok 10 ezer Ft nrszek voltak. Az 1994. vi

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

A rendelkezsre ll adatok alapjn momentum-mdszerrel tudnnk becslni a

paramtereket, de ehhez elbb ki kell szmolni az EY 2 msodik momentumot
is:
Z
2
1
t2
1
2



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

(ew c)2 12 (wm)2 w

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

A momentum-mdszeres becslshez meg kell oldanunk az

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

Hf/2.) Hogyan vltozik az eredmny, ha feltesszk, hogy a kt v alatt az

inci 35%-os?
Megolds: A paramterek becslse ugyanaz lesz, mint az elz feladatban,
csak most a vrhat rtkhez az incit is gyelembe vev, 4/b) feladatban
kiszmolt kpletbe kell d = 1.35, c = 20000, m = 10.8769, s = 0.4653, = 0-t
helyettestteni:


log clog dm 2
d

d
2


 c=
EY 00 = em+ 2
log clog dm
1

=e

2
10.8769+ 0.4653
2

1.35 1.35

log 20000log 1.3510.87690.46532

0.4653

log 20000log 1.3510.8769

0.4653


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

Teht = 0.99983-Poisson eloszls az nrsz utni krszm. A szerzdsek

9.3%-nl trtnt kizets, gy a 92.7%-nl nem trtnt kizets. Teht 0.927
annak a valsznsge, hogy -Poisson-eloszls krszm a 0 rtket veszi fel.
Teht:
0.927 = e = e0.99983

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:

szerzdsek szma 39769

sszkr
=
= 0.0756 39769 3006.5
szerzdsek szma
szerzdsek szma

Hf/4.) A Magyarorszg Biztost mezgazdasgi csotrognyokat biztost.

Az 1994. vi krokrl a kvetkez krstatisztika ll rendelkezsre. A krok ezer
forintban rtendk.

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

Milyen kreloszlst illesztene? Mirt? Hogyan? Elfogadhat-e?

Megolds: Elszr exponencilis eloszlst prbljunk meg illeszteni, ugyanis a lognormlis s Pareto-eloszlssal szemben ennek csak 1 paramtere van,
gy ha ez jl illeszkedik, akkor inkbb ezt fogadjuk el, mint egy ktparamteres
eloszlst. Momentum-mdszeres becslssel prblkozhatunk, csak nem ismerjk
a momentumokat. Ezrt a mr korbban ltott mdon kzeltjk az intervallumokba es rtkeket az intervallumok felezpontjaival. Teht:

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

Ez mr rnzsre is rosszul illeszkedik, hipotzisvizsglattal is elutastjuk az

exponencilis modellt.
Ha lognormlis(m, 2 )-eloszlssal prblkozunk, akkor kell a msodik momentum is:

EX 2

3 52 + 26 cot 152 + 35 252 + 22 352 + 9 452 + 5 552 + 2 652 + 1 752

992
103
D2 (X) = EX 2 (EX)2 = 992 + 28.4952 180

A momentum-mdszeres egyenletek teht:

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

Teht egy m = 3.25, 2 = 0.2-lognormlis eloszlst kaptunk. Ebben az esetben

egy adott [a, b] intervallumba ess valsznsge:




log b m
log b m

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

Ezek egszen pontosan illeszkednek, ezt a modellt elfogadhatjuk.

60

70 80 > 80
1
0
0.73
0.59

6. Gyakorlat - 2010. mrcius 17.

1.) Mi lesz a

a) vrhat rtk elvvel

b) szrs elvvel
c) szrsngyzet elvvel
d) maximlis vesztesg elvvel
e) kvantilis elvvel
maghatrozott dj, ha a szerzds krszma -paramter Poisson-eloszls
s a kreloszls
a') exponencilis
b') lognormlis
c') Pareto
Megolds: Jellje a krszmot , a krok kzs eloszlst X . Ekkor az

P
S=
Xi valsznsgi vltozra kell djat szmolnunk.
i=0

a) 0 -paramter vrhat rtk elv esetn:

(S) = (1 + 0 )ES = (1 + 0 )EEX = (1 + 0 )EX

a/a') 00 -exponcilis kreloszls esetn:

(S) = (1 + 0 )

00

a/b') lognormlis(m, 2 )-eloszls krok esetn:

(S) = (1 + 0 )em+

2
2

a/c') (0 , )-Pareto-eloszls krok esetn: ha 0 1, akkor (S) = ,

egybknt:

(S) = (1 + 0 ) 0
1
b-c) -paramter szrs ill. szrsngyzet elvhez ki kell szmolnunk S
szrst:

D2 (S) = ED2 (X) + D2 ()(EX)2 =

b (S) = ES + DS
c (S) = ES + D2 (S)
b-c/a') 00 -exponcilis kreloszls esetn:

b (S) = (1 + ) 00 +
+ 002

002




0
c (S) = (1 + ) 00 +
+ 002

002

61

b-c/b') lognormlis(m, 2 )-eloszls krok esetn:

q

2
2
2
b (S) = em+ 2 + e2m+2 (e2 1) + e2m+2 = em+ 2 + em+

c (S) = em+

2
2

+ e2m+2

b-c/c') (0 , )-Pareto-eloszls krok esetn: ha 2, akkor (S) = ,

egybknt:
s

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

d) Maximlis vesztesg elvnl valamennyi dj lesz, ugyanis mindhrom

eloszls tetszlegesen nagy rtket pozitv valsznsggel vesz fel.
e) Kvantilis elvhez meg kellene hatrozni S -nek az (1 )-kvantilist. ltalnosan erre csak egy becslst tudunk adni a Csebisev-egyenltlensg felhasznlsval, pldul a 95%-os kvantilis becslse:






1
= 0.05
P S > ES + 20DS P |S ES| > 20DS
20

Teht a 95%-os kvantilisre kaptunk egy fels becslst ES + 20DS rtkvel.

Innen pedig a djra kaphatunk egy becslst az egyes esetekben.
2.) Hogyan vltoznak ezek a djak, ha c-levonsos s -szzalkos nrszt
alkalmazunk?
Megolds: Az elz feladatsorban kiszmoltuk mr (inci mellett is) a
kombinlt c-levonsos s -szzalkos nrsz bevezetse utn vrhat rtket.
Szintn kiszmoltuk, hogy a Poisson-eloszls paramtere hogyan vltozik a kombinlt nrsz hatsra. gy ismerjk korbbrl az j krszmeloszlst s az j
kreloszlst is. gy rendelkezsre minden adat pl. a vrhat rtk elv szmolshoz. A szrs(ngyzet) elvhez nem rt ismerni az j eloszls szrst.
Ezt pl. lognormlis eloszlsra lnyegben kiszmoltuk mr az elz Hf/1.) feladathoz. A msik kt kreloszlsra is hasonlan szmolhat a szrsngyzet.
3.) Mely djak fggnek a "mrtkegysgtl"? (pl. Ft-ban vagy ezer Ft-ban
szmolunk)
Megolds: Termszetesen a vrhat rtk, szrs, maximlis vesztesg s
kvantilis elvvel kapott dj nem fgg az tsklzstl, a szrsngyzet elvvel szmolt dj viszont megvltozik.

62

Zrthelyi dolgozat - 2010. mrcius 30.

1.) A Fkusz Biztost Zrt. egy v alatt bekvetkezett krainak szma
(1000, 0.002)-paramter binomilis eloszls. Ha bekvetkezik a kr, akkor
90%-os valsznsggel 1 mFt az sszege s 10%-os valsznsggel 5 mFt. Becslje meg annak a valsznsgt, hogy a teljes krsszeg 1 mFt, 2 mFt, illetve
5 mFt. Segtsgkppen: P (teljes krsszeg = 0) = 0.135
Megolds: Az (1000, 0.002)-binomilis eloszls egy (a, b, 0)-eloszls: a =
10010.002
2 paramterekkel. Ezekre a Panjer-rekurzt
0.002
0.998 0.002, b =
0.998
felrva:
P (S = 0) = 0.135


n
X
by
P (X1 = y)P (S = n y) =
P (S = n) =
a+
n
y=1




21
25
= 0.002 +
0.9P (S = n 1) + 0.002 +
0.1P (S = n 5)
n
n


21
P (S = 1) = 0.002 +
0.9P (S = 0) 1.998 0.9 0.135 0.243
1


21
0.9P (S = 1) 0.998 0.9 0.243 0.218
P (S = 2) = 0.002 +
2


21
P (S = 3) = 0.002 +
0.9P (S = 2) 0.131
3


21
0.9P (S = 3) 0.059
P (S = 4) = 0.002 +
4




21
255
P (S = 5) = 0.002 +
0.9P (S = 4)+ 0.002 +
0.1P (S = 0) 0.0483
5
5

2.) A Mesterszakcs Biztost Zrt. elektromos zsrkocsikban keletkezett

krokat fedez termkbl 2009-ben 10000 szerzdssel rendelkezett. A kvetkez
krszmeloszls volt meggyelhet:

Krszm
0
Szerzdsszm 7482

1
1941

2
485

3
4 5
81 10 1

>5
0

a) Milyen krszmeloszlst illesztene?

Megolds: a) rjuk fel az (a, b, 0)-eloszlsoknl vizsglt sorozatot:

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:

a) sszesen a ngy negyedv alatt 100 + 95 + 90 + 85 = 370 fggetlen,

p valsznsggel bekvetkez esemnyt gyelnk meg, teht az sszkrszm
eloszlsa binomilis (370, p) paramterekkel.

P
b) Korbbi gyakorlaton s eladson is szerepelt, hogy S =
Xi Laplacei=0

transzformltja kifejezhet a krszm genertorfggvnyvel s kreloszls Laplacetranszformltjval:

LS (s) = G (LX1 (s))

G (z) = (1 p + pz)370
Z
sX1
LX1 (s) = Ee
= esx ex dx =

+s

Teht a keresett transzformlt:


370 
370

ps
LS (s) = 1 p + p
= 1
+s
+s
c) Felrhatjuk a likelihood-fggvnyt a becslshez. Ehhez

P (egy n negyedvig l szerzdsre k db kr kvetkezik be) =

 
n k
p (1p)nk
k

gy a fggetlensg miatt a rendelkezsnkre ll adatok alapjn a likelihoodfggvny:

 
 
 
19  
2
1 1
3 1
4 1
4 2
3701319424
0
2
3
2
p (1p)
p (1p)
p (1 p)

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 =

ahol Ni az i-edik meggyelt esemnyhez tartoz indiktorvltoz.



N1 + ... + N370
p(1 p)
370D2 (N1 )
pb(1 pb)
2
2
D (b
p) = D
=
=

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

i=1 25D2 (X1 )

D2 (X1 )
1

D2
=
=
25 =
252
25
252
P
D

i = 125 Xi
25

A kondenciaintervallum teht


=

22000
1
1
=

= 4400
b
5
5
5

1
-ra:

(22000 1.96 4400; 22000 + 1.96 4400) = (13376; 30624)

gy -ra az aszimptotikus kondenciaintervallum:


1
1
;
(3.26 105 ; 7.48 105 )
30624 13376
4.) X (n, p) paramter binomilis s Y (m, q)-paramter binomilis eloszls, egymstl fggetlen valsznsgi vltozk. Hatrozza meg az (X +
Y ) valsznsgi vltoz vrhat rtkt, szrsngyzett a genertorfggvny
alapjn!
Megolds: Ismerjk a binomilis eloszls genertorfggvnyt, tovbb
tudjuk, hogyan kell genertorfggvnybl vrhat rtket s szrsngyzetet
szmolni:

GX (z) = (1p+pz)n

G0X (z) = np(1p+pz)n1

GY (z) = (1q+qz)m

G0Y (z) = mq(1q+qz)m1

G00X (z) = n(n1)p2 (1p+pz)n2

G00Y (z) = m(m1)q 2 (1q+qz)m2

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

6.Gyakorlat - 2010. prilis 7.

1.) Az X valsznsgi vltoz (N, p) paramter binomilis eloszls. Adjunk becslst arra a djra, amelyet gy kapunk, hogy a vrhat rtket a 95%-os
kvantilis 10%-val megnveljk!
Megolds: Az X (N, p)-binomilis eloszls N db fggetlen, azonos eloszls indiktorvltoz sszege, gy a centrlis hatreloszls-ttel alapjn

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

Az elz feladatban ltott normlis kzeltssel az albbi egyenletet kapjuk t-re:

!
!
t N p1
t N p2
0.95 = P hi p
+ p
N p1 (1 p1 )
N p2 (1 p2 )
a) rdemes felrnunk a kvantilisek becslseit a Binom(N, pi ) valsznsgi
vltozkra is, hogy lssuk, milyen hatst r el a kevers.

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

7.Gyakorlat - ZH-feladatok megbeszlse - 2010. prilis 14.

8.Gyakorlat - 2010. prilis 21.
1.) Mi lesz a vesztesgfggvny-elvvel meghatrozott dj, ha

a) L(x, a) = (1 )|x a|+ + |x a|

b) L(x, a) = (x a)2 ehx
Megolds: a) A megolds sorn felttelezzk, hogy az eloszlsunk abszolt
folytonos, srsgfggvnye f (x), eloszlsfggvnye F (x).
Ebben az esetben a dj a kvetkez fggvny minimumhelye p-ben:

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

xf (x)dx p(1 )(1 F (p)) + pF (p) =

0

Lthat, hogy p 0 esetn EX -hez, mg p esetn vgtelenbe tart a

vrhat rtk, p-ben folytonos, gy van minimumhelye. A fenti fggvnyt p
szerint derivlva s felhasznlva, hogy tetszleges folytonos g(x) esetn

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 

Teht ppen az (1 )-kvantilis lesz a kapott dj.

b) A dj a p 7 E(L(X, p)) fggvny minimumhelye lesz.

E(L(X, p)) = E((X p)2 ehX ) = p2 E(ehX ) 2pE(XehX ) + E(X 2 ehX )

Ez p-ben egy msodfok polinom, a minimumhelye:

(X) =

E(XehX )
E(ehX )

Termszetesen feltteleztk, hogy a felrt vrhat rtkek vgesek.

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

D2 (S| = y) = E( 0 | = y)D2 (X1 ) + D2 ( 0 | = y)E 2 (X1 ) =

y
y 
y 
=
200002 +
1
200002 = 40000y + 4y(10000 y)
10000
10000
10000
A megadott szrsngyzet elvvel szmolt feltteles dj:
(S| = y) = E(S| = y)+

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

A biztost 1994-ben egy j djosztlyt vezetett be a terepjrkra. Ebben az

vben 27 kresemny trtnt, a krok tlaga 49 eFt volt. Becsljk meg a
djosztlyi krok vrhat rtkt.
Megolds:

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

Az tlagkr 100 ezer Ft volt. A dj fele visszajr krmentessg esetn. Hatrozza

meg a djat 20%-os paramter vrhat rtk elv esetben! Mennyi dj jn ki, ha
a krmentessgi valsznsget egyszeren a tapasztalati gyakorisggal becsljk
s Poisson-eloszlst feltteleznk?
Megolds:

71