Mathematics of Non-Life Insurance FS 2017: Lösungen Übung 2.6.1 (1) Es gilt g : (a, ∞) → I 1 x 7→ b − . x Daher ist I = (b − 1/a, b) der Wertebereich. (2) Sei X ∼ Pareto(1) und a = b = 1. Dann folgt Y = g(X) = 1 − 1 x und g (−1) (y) = (1 − y)−1 . Schliesslich erhalten wir FY (y) = FX 1 1−y = y, ∀y ∈ (0, 1), d.h. Y ist uniformverteilt in (0, 1). Übung 2.6.8 (1) Sei x = λr + (1 − λ)s, λ ∈ [0, 1]. Es folgt aus der Konvexität von f , dass f (x) ≤ λf (r) + (1 − λ)f (s) ⇐⇒ f (x) − f (r) ≤ −(1 − λ)f (r) + (1 − λ)f (s). Zudem gilt x − r = (1 − λ)(s − r) ⇐⇒ 1 − λ = x−r s−r und deshalb erhalten wir i x − rh f (x) − f (r) ≤ f (s) − f (r) , s−r ∀x ∈ [r, s]. (2) Seien f konvex und g wachsend und konvex. Dann gilt g(f (λx + (1 − λ)y)) ≤ g(λf (x) + (1 − λ)f (y)) ≤ λg(f (x)) + (1 − λ)g(f (y)). Übung 2.6.9 Für die Überlebensfunktion F̄ (x) = 1 − F (x) des Netzes gilt F̄ (x) = F̄AB (x)F̄AC (x)F̄BC (x) + FAB (x)F̄AC (x)F̄BC (x) + F̄AB (x)FAC (x)F̄BC (x) + F̄AB (x)F̄AC (x)FBC (x). (1) Den Skalenparameter können wir λ = 1 wählen. Dann gilt F̄AB (x) = F̄AC (x) = F̄BC (x) = e−x und man erhält F̄ (x) = e−3x + 3(1 − e−x )e−2x = e−2x (3 − 2e−x ), f (x) = 6e−2x (1 − e−x ), f (x) 6 − 6e−x 2 h(x) = . = = 2 − 3 − 2e−x 3ex − 2 F̄ (x) Somit is h(x) wachsend in x und F (s) gehört zur IFR-Familie. (2) Wir können λ = 2 wählen und erhalten F̄ (x) = e−5x + e−6x + e−7x − 2e−9x , f (x) = 5e−5x + 6e−6x + 7e−7x − 18e−9x , 5 + 6e−x + 7e−2x − 18e−4x h(x) = . 1 + e−x + e−2x − 2e−4x Wir setzen s = e−x . So nimmt s Werte zwischen 0 und 1 an. Die Ausfallrate ist nun 5 + 6s + 7s2 − 18s4 h̃(s) = 1 + s + s2 − 2s4 und für ihre Ableitung erhält man 0 h̃ (s) = 1 + 4s + s2 − 32s3 − 18s4 − 8s5 . (1 + s + s2 − 2s4 )2 0 0 Für Werte von s nahe bei 1 (d.h. für kleine x) ist h̃ (s) < 0 und damit h (x) > 0. 0 0 Wenn dagegen s nahe bei 0 liegt (d.h. für grosse x), so ist h̃ (s) > 0 und h (x) < 0. Damit gehört F (·) des Netzes nicht zur IFR-Familie. Übung 2.6.11 (1) Die Verteilungsfunktion der Mischung ist 1 4 F (x) = 1 − e−x − e−5x . 5 5 Somit erhalten wir für die Exzess-Funktion R∞ R ∞ 1 −t 4 −5t 1 −x 4 −5x (1 − F (t))dt e + 5 e dt e + 25 e 5 x x 5 ex(x) = = = 1 −x 4 −5x . 1 −x 4 −5x 1 − F (x) e + 5e e + 5e 5 5 Es ist offensichtlich, dass lim ex(x) = 1. x→∞ 2 (2) Wenn man ex(x) ableitet, sieht man, dass (ex(x))0 > 0. Somit handelt es sich um eine IMRL-Verteilung. (3) Allgemein kann man nicht sagen, ob es sich um eine IMRL- oder DMRL-Verteilung handelt. Übung 2.6.15 (1) Sei X ∼ Pareto(α), d.h. P(X ≤ x) = 1 − x−α für alle x ≥ 1 und α > 0. Wir erhalten für die Exzess-Funktion R∞ R ∞ −α (1 − F (t))dt t dt x = x −α , ex(x) = x = 1 − F (x) x α−1 falls α > 1 ist. (2) Es handelt sich um die Loglogistische Verteilung. Es gilt 1 − F (tx) 1 + βx−α = lim = t−α = t−α . x→∞ x→∞ 1 − F (x) 1 + β(tx)−α lim Somit ist F vom Pareto-Typ und der Index der regulären Variation ist −α. Wir wählen βxα l(x) = α . x +β (3) Für die Exzess-Funktion erhalten wir R∞ x ex(x) = (1 − F (t))dt = 1 − F (x) R∞ x β dt tα +β . β xα +β Das letzte Integral exisiert, falls α > 1. Allerdings ist es nicht möglich, einen geschlossenen Ausdruck für dieses Integral zu finden. (4) Es gilt ex(x) = lim lim x→∞ x→∞ x R∞ R∞ x x (1 − F (t))dt = lim x→∞ x(1 − F (x)) t−α l(t)dt , x1−α l(x) wobei l(x) = βxα /(xα + β) mit α, β > 0. Mit dem Satz von Karamata folgt nun ex(x) 1 = . x→∞ x α−1 lim Somit gilt ex(x) ∼ wenn x → ∞. 3 x , α−1 (5) Da ex(x) → ∞, wenn x → ∞, gehört F nach Satz 2.39 zu den subexponentiellen Verteilungen. Weiter liefert Satz 2.43 die folgende Aussage: Wenn die VerlustVerteilungsfunktion F zur subexponentiellen Klasse gehört, dann gilt lim eεx (1 − F (x)) = ∞, ∀ε > 0. x→∞ Daher folgt Z ∞ εx Z εy e dF (x) ≥ e y ∞ dF (x) = eεy (1 − F (y)) −→ ∞, y wenn y → ∞. Deshalb gilt ∞ Z eεx dF (x) = ∞, M (ε) = ε > 0. 0 Übung 2.6.16 (1) Wir erhalten P(X1 + X2 + X3 = 5) = P(X1 = 0)P(X2 = 2)P(X3 = 3) + P(X1 = 1)P(X2 = 1)P(X3 = 3) + P(X1 = 1)P(X2 = 2)P(X3 = 2) = 0.9 · 0.2 · 0.25 + 0.1 · 0.3 · 0.25 + 0.1 · 0.2 · 0.25 = 0.0575. (2) Sei X ∼ Exponential(λ) und Y ∼ Gamma(α, λ), wobei α, λ > 0. Die Dichte von X ist g(x) = λe−λx , x > 0, und die Dichte von Y ist f (x) = λα −λx α−1 e x , Γ(α) x > 0. Sei h(z), z > 0, die Dichte von Z = X + Y . Mit der Formel für die Faltung erhalten wir Z z h(z) = f (t)g(z − t)dt Z0 z α λ = e−λt tα−1 λe−λ(z−t) dt 0 Γ(α) Z λα+1 −λz z α−1 = e t dt Γ(α) 0 λα+1 −λz α e z . = Γ(α + 1) Im letzten Schritt haben wir ausgenützt, dass Γ(α + 1) = αΓ(α). Somit ist Z Gamma(α + 1, λ) verteilt. 4 (3) Es ist bekannt, dass die Gammaverteilung eine direkte Verallgemeinerung der Exponentialverteilung ist. Sei nun X ∼ Exponential(λ) verteilt, dann ist X anders ausgedrückt Gamma(1, λ) verteilt. Die Summe aus stochastisch unabhängigen gammaverteilten Zufallsvariablen ist wiederum gammaverteilt. Somit ist die gefragte Summe Gamma(n, λ) verteilt. Diese Verteilung ist auch als Erlang-Verteilung bekannt. (4) Sei X ∼ Uniform(0, 1) und Y eine unabhängige Zufallsvariable mit der Dichte 0 ≤ y < 1, y, fY (y) = 2 − y, 1 ≤ y < 2, 0, sonst. Wir sind interessiert an Z = X + Y . Es gilt Z zZ FZ (z) = P(Z ≤ z) = 0 z−x fX (x)fY (y)dydx. 0 Wenn z ∈ (0, 1), dann gilt z Z Z z−x FZ (z) = y dydx = 0 Für z ∈ (1, 2) erhalten wir Z Z z−1 Z 1 y dydx + FZ (z) = 0 1 Z z−x Z z−1 Z 0 z−x (2 − y) dydx y dydx + z−1 0 =z−1+ 0 z3 . 6 0 1 (2 − z)3 (z − 1)3 − . 6 6 Wenn z ∈ (2, 3), dann gilt Z 1 Z 2 FZ (z) = 1 − (2 − y) dydx = 1 − z−2 z−x (3 − z)3 . 6 Somit gilt 2 z , 0 ≤ z ≤ 1, 2 −z 2 + 3z − 3 , 1 ≤ z ≤ 2, 2 fZ (z) = (z2 −6z+9) , 2 ≤ z ≤ 3, 2 0, sonst. Übung 3.6.1 (1) Sei Kt ∼ Poisson(5t), wobei t die Anzahl Monate darstellt. Dann gilt E(Kt ) = 5t und somit erhalten wir für t = 5 den Wert 25. 5 (2) Sei T1 ∼ Exponential(5)-verteilt. Dann erhalten wir Z ∞ 5e−5t dt = e−10 . P(T1 > 2) = 2 (3) Es ist offensichtlich, dass 1 E(T1 ) = . 5 (Wobei die Zeit in Monate gemessen wird.) Übung 3.6.2 Für alle t ≥ 0 gilt P(T ∈ (t, t + dt) | T > t) = a dt, wobei a > 0. (1) Kein Schaden während (0, t) ist äquivalent zu T > t. Daher sind wir an P (T > t) = 1 − F (t) interessiert. (2) Wir erhalten f (t)dt = h(t)dt 1 − F (t) P(T ∈ (t, t + dt) | T > t) = und somit ist a = h(t) die momentane Ausfallrate, die konstant ist. (3) Es gilt at = − log(1 − F (t)) + c ⇐⇒ ⇐⇒ e−at+c = 1 − F (t) F (t) = 1 − e−at+c . Da F (0) = 0 ist, folgt c = 0. Deshalb erhalten wir auch f (t) = ae−at , t ≥ 0. (4) Sei At = {ω ∈ Ω | T (ω) > t}, dann gilt P(T > t, ∀t ≥ 0) = P({ω ∈ Ω | T (ω) > t, ∀t ≥ 0}) ! \ =P {ω ∈ Ω | T (ω) > t} t≥0 = P lim At t→∞ = lim P(At ) t→∞ = lim e−at t→∞ = 0. Wir konnten den Satz der monotonen Konvergenz anwenden, da At fallend ist. Übung 3.6.3 6 (1) Wir stellen fest, dass ⇐⇒ genau n − 1 Ereignisse in [0, t] oder genau n − 2 Ereignisse in [0, t] oder .. . genau 0 Ereignisse in [0, t]. Tn > t Dabei handelt es sich um disjunkte Ereignisse und somit ist P (Tn > t) = n−1 X P (Nt = i). i=0 (2) Es sei P (Nt = i) = (at)i −at e , i! i = 0, 1, . . . gegeben. Dann gilt n−1 n−1 X d X P (Nt = i) = − − dt i=0 i=0 = ai+1 ti −at ai ti−1 −at e 1{i>0} − e (i − 1)! i! an tn−1 −at d e = P(Tn ≤ t). (n − 1)! dt Damit ist Tn Gamma(n, a)-verteilt. Übung 3.6.4 Wir wollen zeigen, dass 1 pk,k+n (s, t) = n! Z n t λ(x)dx Z exp{− s t λ(x)dx} s für 0 < s < t und k, n = 0, 1, . . . , wenn λ(t) = λ0 (t) = λ1 (t) = . . . gegeben sind. Für n = 0 erhalten wir mit Satz 3.17 Z t pk,k (s, t) = exp{− λ(x)dx}. s Nun nehmen wir an, dass die Formel für n − 1 stimmt. Daher gilt Z t Z t pk,k+n (s, t) = λk+n−1 (y) pk,k+n−1 (s, y) exp{− λk+n (x)dx}dy s y Z y n−1 Z t 1 = λ(y) exp{− λ(x)dx} λ(x)dx exp{− λ(x)dx}dy (n − 1)! s s s y Z y n−1 Z t Z t 1 = λ(y) λ(x)dx dy exp{− λ(x)dx}, (n − 1)! s s s Z t Z y 7 für n ≥ 1. Es ist offensichtlich, dass n Z y n−1 Z y d λ(x)dx = n λ(x)dx λ(y) dy s s und deshalb folgt Z y n Z Z t 1 1 t d pk,k+n (s, t) = λ(x)dx dy exp{− λ(x)dx} (n − 1)! n s dy s s Z t n Z t 1 λ(x)dx exp{− λ(x)dx}, = n! s s für n ≥ 1. Übung 3.6.5 Es sei T1 die Zeit bis zum ersten Feuer. Dann gilt P(T1 > t) = P(Nt = 0) = e−Λ(t) , wobei Z t Z a + b cos λ(t)dt = Λ(t) = t 0 0 2π 365b 2π t dt = at + sin t . 365 2π 365 Deshalb erhalten wir Z E(T1 ) = ∞ Z P(T1 > t)dt = 0 ∞ e−Λ(t) dt. 0 Das letzte Integral kann man numerisch lösen. Übung 3.6.6 Wir stellen fest, dass (j) P(Nt = n) = e−λj t (λj t)n , n! j = 1, . . . , m. Es ist bekannt, dass die Summe X1 +· · ·+Xm stochastisch unabhängiger Poisson-verteilter Zufallsvariablen X1 , . . . , Xm mit den Parametern λ1 , . . . , λm eine Poisson Verteilung mit (1) (m) Parameter λ1 +· · ·+λm hat. Deshalb ist {Nt +· · ·+Nt } Poisson-verteilt mit Parameter (1) (m) t(λ1 + · · · + λm ). Weiter gilt P(N0 + · · · + N0 = 0) = 1. Die Zuwächse sind stationär und unabhängig, da jeder Prozess bereits diese Eigenschaften erfüllt. Somit handelt es sich um einen Poisson Prozess mit Parameter λ1 + · · · + λm . Übung 3.6.12 8 (1) Die momenterzeugende Funktion von N ist MN (λ) = ∞ X λk k e p(1 − p) = p k=0 ∞ X (1 − p)eλ k k=0 = p , 1 − (1 − p)eλ wenn (1 − p)eλ < 1 ⇐⇒ λ < − log(1 − p). Die momenterzeugende Funktion von X ist ∞ Z ∞ 1 1 x(λ−1) xλ −x e = , e e dx = MX (λ) = λ−1 1−λ 0 0 wenn λ < 1. Deshalb gilt MZ (λ) = MN (log MX (λ)) = p p(1 − λ) , 1−p = p−λ 1 − 1−λ λ < p. (2) Es gilt p(1 − λ) p(p − λ + 1 − p) p = = p 1 + (1 − p) , λ < p. p−λ p−λ p−λ Offensichtlich ist 1 die momenterzeugende Funktion von 0. Hingegen ist p/(p − λ) die momenterzeugende Funktion einer Ex(p)-verteilten Zufallsvariable. (3) Aus der Teilaufgabe (2) folgt somit P (Z ≤ z) = p + (1 − p) 1 − e−pz , z ≥ 0. Übung 3.6.14 Sei N eine Zufallsvariable mit P (N = n) = (1/5)n 4/5. Weiter sind X1 , X2 , . . . i.i.d. Zufallsvariablen mit P(X1 = 1) = 0.5, P (X1 = 2) = 0.4 und P(X1 = 3) = 0.1. Zusätzlich P wird angenommen, dass N und X1 , X2 , . . . unabhängig sind. Wir definieren Z = N i=1 Xi . Es sei nun p∗n (x) = P(X1 + · · · + Xn = x). Dann gilt P(Z = z) = ∞ X p∗n (z)P(N = n). n=0 ∗0 Es ist einfach zu sehen, dass p (3) = 0, p∗1 (3) = 0.1, p∗2 (3) = 2 · 0.5 · 0.4 = 0.4, p∗3 (3) = 0.53 = 0.125 und p∗4 (3) = p∗5 (3) = · · · = 0. Deshalb gilt 1 4 4 4 1 74 4 + + = . P (Z = 3) = 25 10 125 10 625 8 2500 Im anderen Fall erhalten wir 4 P (Z = 0) = . 5 Übung 3.6.19 9 (1) Die momenterzeugende Funktion von Nt ist M (v) = E evNt = exp{λt[ev − 1]}. Zudem gilt √ λ̂t − λ Nt − λt = √ . t √ λ λt Wir erhalten √ v Nt − λt = E exp √ Nt exp{−v λt} M (v) = E exp v √ λt λt √ v = exp λt exp √ − 1 − v λt λt √ v2 v −1 + o(t ) − 1 − v λt = exp λt 1 + √ + λt 2λt 2 v −1 + o(t ) , = exp 2 ∗ für t → ∞. Deshalb gilt √ λ̂t − λ Nt − λt d t √ = √ → − N (0, 1). λ λt (2) Mit dem Hinweis folgt sofort √ λ̂t − λ t √ = Op (1) λ und deshalb gilt auch − 12 λ̂t = λ + Op t Übung 4.9.5 Sei r f (x) = ( Θ Θ exp − 3 2πx 2x x−µ µ . 2 ) , x > 0, die Dichte der inversen Normalverteilung mit Parametern Θ > 0 und µ > 0. Dann müssen wir ( 2 ) Z ∞r Θ Θ x−µ MX (v) = exp vx − dx 2πx3 2x µ 0 10 bestimmen. Wir stellen fest, dass 2 Θ x−µ Θ 2vµ2 2 2 2 vx − =− 2 − x + x − 2xµ + µ 2x µ 2µ x θ Θ 2vµ2 2 2 =− 2 1− x − 2xµ + µ 2µ x θ r Θ 2vµ2 2vµ2 2 =− 2 1− x −2 1− xµ + µ2 2µ x θ Θ r 2vµ2 + 2xµ 1− −1 Θ r r 2 2vµ2 2vµ2 Θ Θ 1− =− 2 x−µ + 1− 1− . 2µ x θ µ Θ Zudem gilt Z ∞r 0 ( Θ Θ exp − 3 2πx 2x sx − µ µ 2 ) Z dx = 0 ∞ r ( Θ Θ exp − 3 2πx 2x x − µ/s µ/s 2 ) dx = 1, q für alle s > 0. Die letzte Gleichung gilt zum Beispiel auch für s = 1 − folgt ( r ) Θ 2vµ2 MX (v) = exp . 1− 1− µ Θ 2vµ2 . θ Deshalb Übung 4.9.11 √ √ (1) Nein, √ denn die Zuwächse Xs+t − Xs = ( s + t − s)Z sind nicht unabhängig von Xs = sZ. (2) Ja, denn für alle 0 ≤ s < t gilt p Xt − Xs = ρ (Wt − Ws ) + 1 − ρ2 (W̃t − W̃s ) p √ d √ = ρ t − s Z + 1 − ρ2 t − s Z̃, wobei Z und Z̃ unabhängig und standardnormalverteilt sind. Deshalb ist Xt − Xs normalverteilt mit Erwartungswert 0 und Varianz ρ2 (t − s) + (1 − ρ2 )(t − s) = t − s. Die anderen Eigenschaften folgen sofort aus der Tatsache, dass {Wt }t≥0 und {W̃t }t≥0 unabhängige Brownsche Bewegungen sind. (3) Für t > 0 ist die Zufallsvariable St normalverteilt mit Erwartungswert µt und Varianz σ 2 t. Somit ist die gesuchte Wahrscheinlichkeit gleich der Wahrscheinlichkeit, √ dass eine standardnormalverteilte Zufallsvariable kleiner ist als (−c − µt)/(σ t) und diese Wahrscheinlichkeit ist positiv. 11