КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

ІМЕНІ ТАРАСА ШЕВЧЕНКА

МЕХАНІКО-МАТЕМАТИЧНИЙ ФАКУЛЬТЕТ
КАФЕДРА ТЕОРІЇ ЙМОВІРНОСТЕЙ,
СТАТИСТИКИ ТА АКТУАРНОЇ МАТЕМАТИКИ

КУРСОВА РОБОТА

НА ТЕМУ:
«СКЛАДНИЙ ПРОЦЕС ПУАCСОНА І ЙОГО ВИКОРИСТАННЯ В ТЕОРІЇ БАНКРУТСТВА»

Виконав:
студент 4 курсу
механіко-математичного факультету
групи «Ймовірність, інформація,
обробка даних»
Сторожук Артем Олексійович

Науковий керівник:
кандидат фізико-математичних наук
доцент кафедри теорії ймовірностей,
статистики та актуарної математики
Яневич Тетяна Олександрівна

КИЇВ – 2021
1
 Зміст
1. Вступ
2. Однорідний складний процес Пуассона
 Алгоритм моделювання однорідного складного процесу Пуассона
 Приклад моделювання однорідного складного процесу Пуассона
3. Неоднорідний складний процес Пуассона
 Алгоритм моделювання неоднорідного складного процесу Пуассона
 Приклад моделювання неоднорідного складного процесу Пуассона
4. Теорія банкрутства
 Класичний процес ризику
 Приклад моделювання процесу ризику
 Означення ймовірності банкрутства
 Коригуючий коефіцієнт
 Нерівність Лундберга
5. Висновки
6. Джерела та література
7. Додаток

2
 Вступ
Одним з найважливіших процесів, що використовується для моделювання

багатьох процесів в економіці є складний пуассонівський процес. Даний процес

можна спостерігати майже у всіх сферах життя. Ось деякі приклади:
• Витрачені кошти відвідувачами торговельно-розважального центру
«Ocean Plaza» у вихідні дні.
• Сумарна тривалість перебування відвідувачів у супермаркеті «Ашан»
• Сумарна тривалість перебування відвідувачів на сайті після переходу
на нього за посиланням.
• Загальна сума збитків спричиненими водіями таксі
• Кількість куплених тарілок відвідувачами у продовольчому магазині
«Тарілки від пана Джона Сміта»
Моделювання складного процесу Пуассона є потужним інструментом для
статистиків, аналітиків, математиків і актуаріїв, оскільки завдяки ньому можна з
великою точністю передбачати майбутні результати.
Даний процес часто використовують в теорії ризику для обчислення
ймовірності банкрутства компанії. В класичному випадку для підрахунку
ймовірності банкрутства страхової компанії використовують однорідний складний
процес Пуассона. В цій роботі зроблена спроба порахувати ймовірності
банкрутства у випадку, коли процес надходження страхових виплат не є
однорідним. Для цього був використаний метод Монте-Карло.

3
 Однорідний складний процес Пуассона
Для початку дамо означення складного процесу Пуассона.
Означення: Стохастичний процес { X ( t ) ,t ≥ 0} називається складним процесом
N(t )

Пуассона, якщо він має вигляд ∑ Y i ,t ≥0 , де {N ( t ) ,t ≥ 0 } є однорідним процесом

i=1

Пуассона, {Y i , i≥ 1} – незалежні однаково розподілені випадкові величини, які

також незалежні від {N ( t ) ,t ≥ 0 }. [2, ст. 346]
Припустимо, що ми хочемо змоделювати однорідний складний процес
Пуассона. Для цього нам спочатку потрібно змоделювати процес Пуассона з
інтенсивністю λ . Щоб це зробити ми повинні використати те, що проміжки часу
між послідовними подіями у такому процесі – це незалежні випадкові величини з
експоненційним розподілом з параметром λ . Таким чином, один із способів
моделювання процесу – генерація цих проміжків часу. Отже, якщо ми генеруємо n
−1
випадкових чисел U 1, U 2,…, U n і набір X i = ln U i , то X i можна вважати
λ
проміжком часу між подіями під номерами (i−1) та i у пуассонівському процесі.
Оскільки фактичний час події під номером j рівний сумі перших j проміжків часу
j

маємо, що фактичний час перших n подій вираховується за формулою ∑ X i,

i=1

j=1 ,… , n . Далі генеруємо n випадкових величини Y 1, Y 2,…, Y n, що мають функцію

розподілу F .

Якщо ми хочемо змоделювати складний процес Пуассона на інтервалі (0 , T ),

то потрібно повторити попередню процедуру генерації проміжків часу між
подіями і зупинити цей процес, коли їх сума досягне T .

У наступному алгоритмі t – це час, N – число подій, які трапились до часу t ,

і S – значення складного процесу Пуассона.

4
 Алгоритм моделювання однорідного складного процесу Пуассона
Крок 1: t=0 , N=0, S=0
Крок 2: Генеруємо в.в. U , U [0 , 1]
1
Крок 3: t=t− λ ln U i. Якщо t >T , зупиняємось.

Крок 4: Генеруємо в.в. Y , що має функцію розподілу F .

Крок 5: N=N + 1, S=S+ Y
Крок 6: Повертаємось до кроку 2. [1, ст. 85-86]

5
 Приклад моделювання однорідного складного процесу Пуассона
Задача 1. Автобуси прибувають на спортивну подію згідно з пуассонівським
процесом з інтенсивністю 5 за годину. В кожному автобусі знаходиться 20, 21,…,
40 фанатів і їх кількість у різних автобусах незалежна. Напишіть алгоритм для
моделювання прибуття фанатів на подію до часу t=1.
Розв’язок: Побудуємо модель на відрізку [0 ,1] з інтенсивністю λ=5. Для
моделювання будемо використовувати мову програмування Python. Для
моделювання будемо використовувати готові пакети math, matplotlib.pyplot,
random.

Далі використовуємо алгоритм генерації

процесу Пуассона на інтервалі (0 , T ) з інтенсивністю λ. Для зручності одразу
будемо виводити дані у такому форматі: номер події, проміжок часу, фактичний
час, кількість фанатів у автобусі.

6
Візуалізуємо отримані дані на діаграмі за допомогою бібліотеки matplotlib.pyplot:

Отримали наступні результати:

7
Отже, ми змоделювали однорідний складний процес Пуассона до моменту часу t=1.

8
 Неоднорідний складний процес Пуассона
Неймовірно важливий процес для моделювання є складний неоднорідний
пуассонівський процес, адже він дозволяє інтенсивності λ у процесі Пуассона не
бути константою, а змінюватися з часом. Зазвичай дуже важко отримати
аналітичні результати для математичної моделі з неоднорідним пуассонівським
процесом і, як результат, такі процеси не застосовуються так часто як повинні
були б. Між тим, оскільки для аналізу таких моделей може використовуватися
моделювання, то очікується, що такі математичні моделі стануть більш
вживаними.

Припустимо, що ми хочемо змоделювати неоднорідний процес Пуассона

впродовж часу T з функцією інтенсивності λ ( t ). Метод, який ми будемо
використовувати, називається «The thinning method» або «Random sampling»,
починається з вибору значення λ такого, що

λ ( t ) ≤ λ для всіх t ≤T (1)

Такий неоднорідний складний процес Пуассона може бути змодельований

шляхом випадкового вибору часу кожної події пуассонівського процесу з
інтенсивністю λ . Отже, якщо подія з пуассонівського процесу з інтенсивністю λ яка
відбувається у час t обчислюється з імовірністю λ (t)/ λ, тоді процес зліченної
кількості подій є неоднорідним пуассонівським процесом з функцією інтенсивності
λ ( t ) ,0 ≤ t ≤ T . Таким чином, моделюючи процес Пуассона і випадковим чином рахуючи

його події, ми можемо змоделювати бажаний складний неоднорідний

пуассонівський процес.

Алгоритм моделювання складного неоднорідного процесу Пуассона

Крок 1: t=0 , N=0 , S=0

9
Крок 2: Генеруємо в.в. U , U [0 , 1]

1
Крок 3: t=t− λ ln U i. Якщо t >T , зупиняємось.

Крок 4: Генеруємо в.в. V , U [0 , 1]

λ (t )
Крок 5: Якщо V ≤ ,то N=N + 1, Генеруємо в.в. Y , що має функцію розподілу F ,
λ
S=S+ Y .

Крок 6: Повертаємось до кроку 2. [1, ст.85]

Приклад моделювання складного неоднорідного процесу Пуассона

Задача 2. Відвідувачі приходять до закладу згідно з пуассонівським процесом з
функцією інтенсивності

{
λ ( t )= 3+t ,∧0<t < 4
12−t ,∧4 <t <9

і витрачають деяку суму грошей згідно з експоненційним розподілом з

параметром α =60. Змоделюйте складний неоднорідний процес Пуассона з
відповідною умовою.
Розв’язок: Для моделювання будемо використовувати ті самі пакети що і у
попередній задачі, а також бібліотеку numpy для генерації суми грошей які
витратили відвідувачі. Для виконання умови (1) потрібно вибрати λ=8 . У Python
це буде виглядати наступним чином:

10
Код візуалізації усіх даних аналогічний до попередньої задачі. Маємо наступні
результати:

11
12
 Теорія банкрутства
Класичний процес ризику
Розглянемо визначення процесу ризику на прикладі роботи страхової
компанії. Нехай страхові премії надходять рівномірним потоком з інтенсивністю c ,
а в випадкові моменти часу 0<t 1 <t 2< … трапляються страхові події, що завдають
шкоди випадкового розміру Y 1 ,Y 2 , … відповідно. Тоді розмір капіталу U в момент
часу t за умови що початковий капітал (в момент часу t 0 = 0) дорівнює u
визначається наступним чином:
U ( t )=u+ct−S( t)
N (t )

де S ( t ) =∑ Y i – складний процес Пуассона, N ( t ) – процесс Пуассона. [4]

i=1

Траєкторія процесу має наступний вигляд:

[3, ст. 126]

13
 Приклад моделювання процесу ризику
Задача 3. Змоделювати процес ризику за таких умов: u=100, T =10, c=20 , λ=5,
Y F ( x )=1−exp {−αx } , x ≥ 0 , α=5.
Розв’язок: Використовуватимемо ті ж самі пакети що і у попередніх задачах. Дані
будемо виводити у наступному форматі: номер події, проміжок часу, фактичний
час, розмір капіталу у момент події, виплати. Отримаємо наступні результати:

14
 Означення ймовірності банкрутства
Ймовірність банкрутства на часовому інтервалі (0 ,+ ∞) визначена як
ψ (u)=P(U (t)<0 , t> 0)
Іншими словами, ψ (u) – це ймовірність того, що капітал страхової компанії буде
менше нуля у деякий момент часу в майбутньому, тобто витратити перевищують
дохід. Ми також можемо визначити ймовірність банкрутства на дискретному часі
як
ψr (u)=Pr (U (t )< 0 ,t=r ,2 r , 3r , ...)
Отже, згідно з цим означення, банкрутство трапляється лише в тому випадку, коли
капітал нижче нуля у один з моментів часу r , 2r , 3 r , … .
Для скінченного часу, ймовірність банкрутства ψ (u , t) визначається як
ψ (u , t)=Pr (U ( s)<0 , 0< s ≤ t)
[3, ст. 126]
Коригуючий коефіцієнт
Коригуючий коефіцієнт (позначається R ) визначає міру ризику для процесу
ризику. Він враховує два фактори: загальні виплати та надходження премій. Для
класичного процесу ризику коригуючий коефіцієнт визначається як додатній
корінь рівняння
λ+ cR=λ M X ( R) . [3, ст. 130] або [6, ст.7]

15
 Нерівність Лундберга
Для класичного процесу ризику, нерівність Лундберга стверджує, що
ψ (u)≤ exp {−Ru }
де R – коригуючий коефіцієнт. З доведенням цієї нерівності можна ознайомитись
в [3, ст. 133 - 135].
Використаємо всю вище описану теорію для підрахунку ймовірності
банкрутства у наступній задачі.

Задача 4. Знайти ймовірність банкрутства компанії за умови що u=2 ,c =2, α =3 ,

Y F ( x )=1−exp {−αx } , x ≥ 0, λ=5

Розв’язок: Для того щоб знайти ймовірність банкрутства компанії, будемо

використовувати метод Монте-Карло [5] і порівняємо отриманий результат з
нерівністю Лундберга. Спочатку підставимо числа з нашої умови у нерівність
Лундберга (коефіцієнт коригування було пораховано на [3, ст. 131]), отримаємо
ψ (u)≤ 0,367879
Тепер змоделюємо 1000 траєкторій процесу ризику на часовому інтервалі (0 , 10),
подивимось у скількох випадках з 1000 компанія збанкрутувала – це буде оцінка
для ймовірності банкрутства і порівняємо отримані результати з тими, що ми
отримали у нерівності Лундберга.

16
Отримали ймовірність 0,264. Збільшивши кількість ітерацій, наприклад до
1000000, для більш точного результату, отримаємо ймовірність 0.254587.
Зіставляючи даний результат з тим, що ми отримали у нерівності Лундберга,
бачимо, що вони дещо відрізняються і це нормально, бо ми моделювали лише на
інтервалі (0, 10). Для того, щоб порівняння було більш наглядним, змоделюємо
траєкторію на довшому проміжку, наприклад (0 , 100). Тоді отримаємо ймовірність
0,306607, що вже ближче до того, що ми отримали у нерівності.

Ми переконались в тому, що метод Монте-Карло дає досить близькі

результати на однорідному складному процесі Пуассона, спробуємо тепер
порахувати ймовірність банкрутства для неоднорідного складного процесу
Пуассона.
17
 Задача 5. Знайти ймовірність банкрутства компанії за умови що u=2 ,c =2, α =3 ,

{
T
4 ,∧t <
2
Y F ( x )=1−exp {−αx } , x ≥ 0, λ ( t )=
T
6 ,∧t>
2

Розв’язок: Як і у попередній задачі, використовуємо метод Монте-Карло для

оцінки ймовірності банкрутства. У Python це буде виглядати наступним чином:

Отримали ймовірність банкрутства 0,104518.

18
 Висновки
В даній роботі ми перевірили як працює метод Монте-Карло для випадку
однорідного складного процесу Пуассона. Порівнявши результати з нерівністю
Лундберга, ми зрозуміли, що для 1000 ітерацій результати задовільні, але для
більшої кількості ітерацій, наприклад 1000000, і для більших проміжків часу
отримуємо набагато кращі результати. Але це можливо лише з використанням
сучасних технологій.
Оскільки метод Монте-Карло дав хороший результат для однорідного
складного процесу Пуассона, ми спробували порахувати цим же методом
ймовірність банкрутства компанії для неоднорідного складного процесу Пуассона.
Даний метод є універсальним, бо використовуючи його можна рахувати
ймовірності банкрутства для самих різних випадків. Зрозуміло, що реалізація його
від задачі до задачі буде трішки відрізнятися, але загальний алгоритм однаковий.
Інші методи або є дуже складними, або працюють лише для якихось конкретних
частинних випадків.

19
 Джерела та література

[1] Sheldon M. Ross, Simulation, Fifth Edition (2012)

[2] Sheldon M. Ross, Introduction to Probability Models, 10th Edition
[3] David C.M. Dickson, Insurance Risk and Ruin
[4] Класичний процес ризику: посилання
[5] Метод Монте-Карло: посилання
[6] Класичний процес ризику і ймовірність банкрутства: посилання

20
 Додаток
Програмний код задач знаходиться за наступним посиланням:
https://github.com/Artemoshechka/Term-Paper

21