3.Teil
Prof.ErikaHausenblas
MontanuniversitätLeoben,Österreih
25.April 2018
Zwei Kategorien vonRisiken:
denobjektivenRisiken:z.B.diePSzahleinesAutos,der Hubraum,das
Gewiht,et..;
unddensubjektivenRisiken(nihtobjektivmessbareRisiken):
Risikobereitshaft,dasKönnen,dasFahrverhaltendesFahrers,
Temperament,diegenaueKilometeranzahl,et....
JederAutofahrer
a
hat seinindividuellesRisikoprol,dasdurhden Parameterϑ a
beshriebenwird.DieserParameterkannWerteausD Θ
annehmen,wobei
D Θ
dieMengeallermöglihenWertefürϑ a
darstellt.JederAutofahrer
a
hat seinindividuellesRisikoprol,dasdurhden Parameterϑ a
beshriebenwird.DieserParameterkannWerteausD Θ
annehmen,wobei
D Θ
dieMengeallermöglihenWertefürϑ a
darstellt.FüreinenbestimmtenAutofahreristder genaueWert von
ϑ a
zumeistunbekannt.Aus StatistikenkannmanaberRükshlüsseauf dieVerteilung
von
ϑ a
mahen,sosinddiemeistenAutofahrervorsihtig,allerdingsgibteseinigeAusreißer,dieimmerwiederUnfälleverursahen.
JederAutofahrer
a
hat seinindividuellesRisikoprol,dasdurhden Parameterϑ a
beshriebenwird.DieserParameterkannWerteausD Θ
annehmen,wobei
D Θ
dieMengeallermöglihenWertefürϑ a
darstellt.FüreinenbestimmtenAutofahreristder genaueWert von
ϑ a
zumeistunbekannt.Aus StatistikenkannmanaberRükshlüsseauf dieVerteilung
von
ϑ a
mahen,sosinddiemeistenAutofahrervorsihtig,allerdingsgibteseinigeAusreißer,dieimmerwiederUnfälleverursahen.
A'prioriVerteilungdesParameters
ϑ a
JederAutofahrer
a
hat seinindividuellesRisikoprol,dasdurhden Parameterϑ a
beshriebenwird.DieserParameterkannWerteausD Θ
annehmen,wobei
D Θ
dieMengeallermöglihenWertefürϑ a
darstellt.FüreinenbestimmtenAutofahreristder genaueWert von
ϑ a
zumeistunbekannt.Aus StatistikenkannmanaberRükshlüsseauf dieVerteilung
von
ϑ a
mahen,sosinddiemeistenAutofahrervorsihtig,allerdingsgibteseinigeAusreißer,dieimmerwiederUnfälleverursahen.
A'prioriVerteilungdesParameters
ϑ a
A'prioriistdieRisikobereitshaftimFahrverhaltenbei Abshlusseines
Vertrageshoh.FahrenSiejetzteinigeZeitUnfallfrei,werdendieDaten
miteinbezogenunddieAutohaftpihtversiherungordnetIhre
Risikobereitshaftgeringerein.DieWahrsheinlihkeitimnähstenJahr
einenUnfallzuverursahenist(statistishgesehen)geringerundIhre
Prämiesinkt.
Variablen
JederAutofahrerhateineRisikobereitshaft
Θ
,dieseRisikobereitshaftist wirdalsZufallsvariableinterpretiert;Für
j =
1, . . . , n
istX j
dieForderungeinesVersihertenimJahrj
miteinerVerteilung
F ϑ
dievomParameterϑ = Θ
abhängt.Variablen
JederAutofahrerhateineRisikobereitshaft
Θ
,dieseRisikobereitshaftist wirdalsZufallsvariableinterpretiert;Für
j =
1, . . . , n
istX j
dieForderungeinesVersihertenimJahrj
miteinerVerteilung
F ϑ
dievomParameterϑ = Θ
abhängt.Gegebenim Jahre
n
:ForderungvondenletztenJahren,d.h.X
= (X
1, . . . , X n ) ′
Variablen
JederAutofahrerhateineRisikobereitshaft
Θ
,dieseRisikobereitshaftist wirdalsZufallsvariableinterpretiert;Für
j =
1, . . . , n
istX j
dieForderungeinesVersihertenimJahrj
miteinerVerteilung
F ϑ
dievomParameterϑ = Θ
abhängt.Gegebenim Jahre
n
:ForderungvondenletztenJahren,d.h.X
= (X
1, . . . , X n ) ′
Aufgabe:
DieindividuellePrämiefürdasnähsteJahrjedesAutofahrersberehnen.
Variablen
JederAutofahrerhateineRisikobereitshaft
Θ
,dieseRisikobereitshaftist wirdalsZufallsvariableinterpretiert;Für
j =
1, . . . , n
istX j
dieForderungeinesVersihertenimJahrj
miteinerVerteilung
F ϑ
dievomParameterϑ = Θ
abhängt.Gegebenim Jahre
n
:ForderungvondenletztenJahren,d.h.X
= (X
1, . . . , X n ) ′
Aufgabe:
DieindividuellePrämiefürdasnähsteJahrjedesAutofahrersberehnen.
DazuistdieVerteilungvon
X n+
1 zushätzen.DaunterderBedingungdassϑ
bekanntist,derTypderVerteilung
F ϑ
bekanntist,heißtdiesdassderParameter
ϑ
geshätztwerdensoll.Umϑ
zushätzen,können wirnuraufdieDatenXzurükgreifen.
Variablen
JederAutofahrerhateineRisikobereitshaft
Θ
,dieseRisikobereitshaftist wirdalsZufallsvariableinterpretiert;Für
j =
1, . . . , n
istX j
dieForderungeinesVersihertenimJahrj
miteinerVerteilung
F ϑ
dievomParameterϑ = Θ
abhängt.Gegebenim Jahre
n
:ForderungvondenletztenJahren,d.h.X
= (X
1, . . . , X n ) ′
Aufgabe:
DieindividuellePrämiefürdasnähsteJahrjedesAutofahrersberehnen.
DazuistdieVerteilungvon
X n+
1 zushätzen.DaunterderBedingungdassϑ
bekanntist,derTypderVerteilung
F ϑ
bekanntist,heißtdiesdassderParameter
ϑ
geshätztwerdensoll.Umϑ
zushätzen,können wirnuraufdieDatenXzurükgreifen.
1
GegebenseidasRisikoprol
ϑ
desAutofahrers.DanngiltE [X j | Θ = ϑ] = C · E [N j | Θ = ϑ]
wobei
C
nurvonder PS-ZahldesAutos abhängtundE [N j | Θ = ϑ]
vomFahrer(bzw.dessenRisikobereitshaft)anhängt.
2
Gegebenist
Θ = ϑ
,dann sinddie{N j : j =
1, . . . , n, n +
1}
unabhängigundPoissonverteiltmitParameter
ϑ
, i.e.f ϑ (N j ) = P (N j = k | Θ = ϑ) = e − ϑ ϑ k k ! .
3
DieZufallsvariable
Θ
istGammaverteiltmitParameternγ
undβ
.Genauer,dieDihtefunktionlautet
u(ϑ) = ( β γ
Γ(γ) ϑ γ−
1e −β ϑ , ϑ >
0,
0 sonst
.
k 0 1 2 3 4 5 6 Total
N(k ) = #
PolizenmitkForderungen 103704 14075 1766 255 45 6 2 119853
Poisson Negative Binomial
k beobahtete (
λ =
0.
1555) (γ =
1.
001, β =
6.
458)0 103 704 102 629 103 757
1 14 075 15 922 13 934
2 1 766 1 234 1 871
3 255 64 251
4 45 3 34
4 6 0 5
6 2 0 1
Vorgangsweise
ShätzenderStrukturalen Parameter
α
undβ
anhand derGesamtdaten;BerehnendesIndividuellenPrämiemitHilfederbeobahtetenDateneines
Autofahrers;
Vorgangsweise
ShätzenderStrukturalen Parameter
α
undβ
anhand derGesamtdaten;BerehnendesIndividuellenPrämiemitHilfederbeobahtetenDateneines
Autofahrers;
Literatur
Bühlmann,Gisler:ACoursein CredibilityTheoryanditsAppliations
Ho:AFirstCoursein BayesianStatistialMethods;
Das Problem:
Sei
D
der Parameterbereihundp : D → R +
0 einestrukturFunktionabhängig von Parametern
α
undβ
;Sei
{F θ : θ ∈ D}
einegegebeneFamilievonVerteilungen,{f (x | θ) : θ ∈ D}
die Familieder zugehörigen Verteilungsfunktionen;Sei
X
verteiltmitDihtefunktionf (x) = Z
D
f (x | θ)p (θ)d θ, x ∈ R .
Gegeben ist X
= (X
1, . . . , X n )
,shätzenSieα
undβ
;Gegeben ist X
ind = (X
1, . . . , X n )
,shätzenSieΘ
;Berehnen Siedie Prämieanhand von
Θ
.BinominalVerteilung
⇔
BetaVerteilungNormal Verteilung
⇔
Normal VerteilungGamma Verteilung
⇔
GammaVerteilungGeometrisheVerteilung
⇔
BetaVerteilungParetoVerteilung
⇔
Gamma VerteilungBinominalVerteilung
⇔
BetaVerteilungNormal Verteilung
⇔
Normal VerteilungGamma Verteilung
⇔
GammaVerteilungGeometrisheVerteilung
⇔
BetaVerteilungParetoVerteilung
⇔
Gamma VerteilungMashinellesLernen
Die Story:
Ein Betriebproduziert Werkstüke .DiesenWerkstüke werdenvon
vershiedenen Mashinen produziert jedeMashine hateine bestimmte
Ausfall Rate.DieseAusfallratekann bei vershiedenen Mashinen
untershiedlihsein. Allerdings hatjede MashineeinekonstanteAusfall
Rate die nihtin derZeitvariiert.DieAufgabe istesdieseAusfallratein
Abhängigkeit vonder Mashinezu shätzen.
Mathematishgesehen, hatman vershiedene Gruppen von Werkstüken.
Man istan der Wahrsheinlihkeitdes Auftretenseines Shadenfalles
innerhalbeiner bestimmtenGruppe interessiert.Hiernehmen wiran dass
jedes Werkstük (Element)derGruppe (oderKlasse)mitgleiher
Wahrsheinlihkeitdefektwirdund das diesunabhängigvon denanderen
Gruppenelementenpassiert.Auh nehmenwiran dassein Elementin Falle
eines Defektesoder Shadenfallsdie Gruppeverlässt.
Modellannahmen:
Unter derBedingung dassderParameter
ϑ
gegeben ist,sinddieN j
,j =
1,
2, . . .
unabhängig undbinominalverteilt,i.e.P (N j = k | P = ϑ) = V n+
1k
ϑ k (
1− ϑ) V n+
1.
Der Parameter
Θ
istBeta(a, b)verteiltmita, b >
0,bzw.u(ϑ) =
1B(a, b) ϑ a−
1(
1− ϑ) b−
1,
0≤ ϑ ≤
1,
wobei gilt
B(a, b) = Γ(a)Γ(b) (a+b)
.Bemerkung
Dieersten beideMomenteder BetaVerteilunglauten
E Θ = a
a + b ,
Var(Θ) = a b
(
1+ a + b)(a + b)
2Wirwollen denAusfallrateshätzen;
DieFamiliederBetaVerteilungendie mit
a
undb
beshrieben werdenistziemlihgross.
Proposition
UnterdenobigenModellannahmengilt
F ind = E[X n+
1|Θ] = Θ, F coll = EE [Θ] = a
a + b
F Bayes = a + P n
j=
1N j
a + b + P n j=
1V j
= α N ¯ + (
1− α) a a + b
wobeigilt
N ¯ = P n
j=
1N j
P n j=
1V j
, α =
P n j=
1V j
a + b + P n j=
1V j
.
DerquadratisheVerlustdesShätzers
F Bayes
beträgtE(F Bayes − Θ)
2= (
1− α)E(F coll − Θ)
2= αE( ¯ N − Θ)
2.
Der Normal
⇔
Normal FallDie Story
Angenommen eineMashineproduziertBauteileeiner bestimmtenLänge
L
.DieMashinen müssen adjustiertwerden, dabei passiertesöftersdas die
Länge der Bauteiledie erzeugt werdenvariieren, d.h.umeinen Mittelwert
shwanken. Wirdso ein Bauteilgemessen,gibt esaberMessfehler,bzw.
passierenbei derProduktionFehler.
L j
dieLängedesj
tenBauteilsdieMashineproduziertBauteilederLänge
Θ
Modellannahmen:
Unterder BedingungdassderParameter
ϑ
gegeben ist,sinddieL j
,j =
1,
2, . . .
unabhängigundnormalverteiltmitMittelwertϑ
undVarianzσ
2,i.e.L ∼ N (ϑ,
0.
01)
.DerParameter
Θ
istNormalverteiltmitMittelwertµ
und Varianzτ
2.Proposition
Unter denobigen Modellannahmen gilt
P ind = E [X n+
1|Θ] = Θ, P coll = E [Θ] = µ, P Bayes =
τ
2µ + σ
2P n
j =
1X j
τ
2+ nσ
2= α X ¯ + (
1− α)µ
wobei gilt
X ¯ =
1n
n
X
j =
1X j , α = n n
2+ σ τ
22.
Der quadratisheVerlustdes Shätzers
F Bayes
beträgtE (F Bayes − Θ)
2= (
1− α) E (F coll − Θ)
2= α E ( ¯ X − Θ)
2.
Pareto
⇔
Gamma FallDie Story
Man betrahtetnur Beträgevonvershiedenen Forderungen die gröÿer als
einebestimmtenShwellenwert
x
0sind. Diese Fragestellungist für
Rükversiherungen (Münher Rük,Züriher Rük) wihtig.Aus
Grenzwertsätzenweissman, dassdieseVerteilungenannähernd Pareto
verteilt sind.
Pareto
⇔
Gamma FallDiePareto-Verteilungliefert nuroberhalbeinesShwellenwertes
x
0positive
Wahrsheinlihkeiten.DieDihtefunktion
f X
unddieVerteilungsfunktionF X
einerParetoverteiltenZufallsvariablen
X ∼ Pareto(x
0; α)
mitden reelwertigen Parameternx
0>
0undα >
0lautenf α,x
0(x) =
( α · x α
0
· (x − θ) − α −
1 fürx > x
0 0sonst.
und
F X (x) =
1
−
x x
0− α
für
x > x
00sonst
.
DerErwartungswertlautet
EX = x
0· α
α −
1 (fallsα >
1),
dieVarianzlautet
Var