TUGAS TEORI RISIKO

Disusun oleh :

Dicky Adittya (140110150015)

Khairunnisa Lutfiani (140110150029)

Siti Sholihah (140110150031)

Suri Dian Pratama (140110150036)

Alberto Simanjuntak (140110150044)

Hasna Safira (140110150072)

Ayessa Dhara Syahrial (140110150083)

UNIVERSITAS PADJADJARAN

2018
 Bab 13

Model Risiko Kolektif pada Periode Diperpanjang

13.1 Pendahuluan

Tujuan bab ini adalah menyajikan model-model matematika untuk variasi

dalam jumlah surplus penerima asuransi pada suatu periode waktu yang

diperpanjang. Surplus di sini maksudnya adalah kelebihan dana awal ditambah

premi yang diperoleh dari pembayaran klaim.

Misalkan U(t) adalah notasi surplus pada waktu t, c(t) menotasikan premi-

premi yang dikumpulkan selama waktu t, dan S(t) menotasikan klaim agregat

yang dibayar selama waktu t. Jika u adalah surplus yang dimiliki pada waktu itu,

mungkin sebagai hasil operasi pada masa lalu, maka U(t) diperoleh dari:

U (t )  u  c(t )  S (t) t  0. (13.1.1)

Sekarang, didasarkan dari pertanyaan surplus yang dihabiskan setidaknya

sekali dalam suatu periode,akan dibahas kemungkinan mengenai besar U(t) untuk

beberapa nilai t secara bersamaan. Karena pertanyaan melibatkan sejumlah

variabel acak, konsisten dengan bahasa probabilitas, U(t) merupakan proses

surplus dan S(t) merupakan proses agregat klaim. Premi yang diperoleh, c(t)

merupakan proses deterministik, bukan stokastik.

Pemonitoran nilai surplus negatif, U(t), bisa berdasarkan periode ke

periode ataupun berlangsung terus menerus. Untuk kasus yang terakhir terdapat

proses surplus waktu yang kontinu:

{U (t ) : t  0}
 Hasil yang umumnya diperoleh dari proses surplus ini, {U (t ) : t  0} ,

ditunjukkan pada 13.1.1. Diasumsikan pada bab ini pergerakan premi konstan, c,

c  0 , dan himpunan c(t)  ct . Surplus meningkat secara linear (dengan

kemiringan c) kecuali pada saat terjadi klaim. Surplus pada waktu itu menurun

sesuai jumlah klaim. Jika surplus awal u meningkat atau menurun sejumlah h,

grafik U(t) akan meningkat atau menurun sejumlah h unit tingkat tapi tak akan

berubah pada kasus lain.

Surplus mungkin bisa mejadi negatif pada waktu tertentu. Ketika hal itu

terjadi, dikatakan ruin berlangsung. Istilah ini berasal dari masalah gambler’s ruin

pada teori probabilitas. Aplikasi tipikal pada ide bab ini adalah untuk proyeksi

atau menggariskan bisnis pemberi asuransi. Akan tetapi, pengukuran ririko

finansial dalam organisasi asuransi bisa diperoleh dengan menghitung

kemungkinan ruin sebagai konsekuensi variansi dalam jumlah dan timing klaim.

Misal

T  min{t : t  0 dan U (t )  0} (13.1.2)

menotasikan waktu ruin dimana T   jika U (t )  0 untuk semua t. Misal

 (u )  Pr(T  ) (13.1.3)

menotasikan kemungkinan ruin dianggap sebagai fungsi dari surplus awal u.

Terdapat juga U(T), surplus negatif pada waktu ruin.

Karena perubahan pada dunia aplikasi, model memiliki jangka waktu

kegunaan terbatas jadi perencanaan realistik mungkin menjadi periode yang

panjang tapi terbatas. Tepatnya, fungsi dibatasi menjadi:

 (u, t )  Pr(T  t ) (13.1.4)

yaitu kemungkinan ruin sebelum waktu t. Akan tetapi topik diskusi pada bab ini

hanya kemungkinan ruin dari jangka tak terbatas,  (u ) , yang lebih bisa

dinyatakan secara matematis.  (u ) adalah batas atas untuk  (u , t ) .

Ide bab ini bisa digunakan untuk menyediakan sistem peringatan awal

unruk panduan proyek asuransi. Sebuah model harus bisa dipilih untuk mewakili

proses risiko. Kemungkinan ruin dari model tersebut memberikan peringatan

risiko yang ada pad manajemen proyek.

Sebelum memasuki model kontinu, didefinisikan dahulu proses surplus

waktu diskrit yang didefinisikan dengan menganggap nilai U(t) hanya pada nilai

bilangan bulat t. Susunan variabel acak ini dinotasikan :

{U n : n  0,1, 2,...}.

Susunan ini bisa dianggap sebagai pemeriksaan jumlah surplus dalam

basis periodik, seperti harian, mingguan, bulanan, atau tahunan.

13.2 Model Waktu Diskrit

Misalkan U n menotasikan surplus pemberi asuransi pada waktu n,

n  0,1, 2,... . Diasumsikan bahwa

U n  u  nc  Sn (13.2.1)

dimana u adalah surplus awal , jumlah premi yang diterima setiap periode konstan

dinotasikan c, dan S n merupakan klaim agregat pada n periode pertama.

Kemudian diasumsikan bahwa

Sn  W1  W2  ...  Wn (13.2.2)
dimana Wi adalah jumlah klain pada periode i. Pertama diasumsikan W1 ,W2 ,...

merupakan variabel acak yang independen dan berdistribusi identik dengan

  E[Wi ]  c .

Oleh karena itu, U n bisa ditulis sebagai

U n  u  (c  W1 )  (c  W2 )  ...  (c  Wn ). (13.2.3)

Misalkan

T  min{n : U n  0} (13.2.4)

menotasikan waktu ruin ( dimana T   jika U n  0 untuk setiap n) dan

 (u )  Pr(T  ) (13.2.5)

menotasikan kemungkinan ruin dalam konteks ini.

Terdapat hubungan penting antara kuantitas yang akan didefinisikan,

koefisien adjusment, dan kemungkinan ruin. Koefisien adjusment R didefinisikan

sebagai solusi positif dari persamaan

M wc (r )  E[er (W c ) ]  e rc M w (r )  1 (13.2.6)

log M w (r )  rc (13.2.7)

dimana W menotasikan variabel acak dengan ditribusi klaim tahunan Wi .

Grafik dari e rc M w (r ) bisa dilacak dengan observasi bahwa

d
E[er (W c ) ]  E[(W  c)er (W c ) ]
dr

dan

d2
2
E[er (W c ) ]  E[(W  c)2 er (W c ) ]
dr
Contoh 13.2.1

Turunkan ekspresi dari R dalam kasus khusus dimana distribusi biasa dari Wi

adalah N (  ,  2 ).

Solusi:

Disini

 2r 2
log[ M w (r )]   r  .
2

Maka, solusi positif dari (13.2.7) adalah

2(c   )
R
2

dengan, seperti asumsi sebelumnya,   c.

Hubungan antara koefisien adjusment dan kemungkinan ruin diberikan

pada hasil berikut.

Teorema 13.2.1

n
Misalkan U n  u  nc   Wi untuk n  1, 2,..., dan W1 ,W2 ,... berdistribusi
i 1

identik dan independen dengan E[Wi ]    c. Jika u > 0 ,

exp( Ru )
 (u )  . (13.2.8)
E[exp( RU T )[T  ]

Karena menurut definisi U T  0 , maka menurut teorema 13.2.1

 (u )  exp( Ru ). (13.2.9)

Sekarang akan diturunkan perkiraan untuk R . Dapat dilihat bahwa untuk

suatu variabel acak X

 d
log M x (t ) t 0  E[ X ]
dt

dan

d2
log M x (t ) t 0  Var ( X ).
dt 2

Sehingga dengan menggunakan ekspansi deret Maclaurin diperoleh

1
log M w (r )   r   2 r 2  ...
2

dimana  2  Var (W ) . Jika digunakan dua istilah pertama dari ekspansi ini pada

persamaan 13.2.7, diperoleh perkiraan

2(c   )
R . (13.2.10)
2

Jika dibandingkan dengan contoh 13.2.1, dapat dilihat bahwa persamaan

13.2.10 merupakan eksak dalam kasus dimana distribusi biasa Wi normal.

Ditambah lagi, jika W memiliki distribusi komponen dan pengisian keamanan

relatif  diberikan oleh c  (1   )  , lalu dihasilkan persamaan berikut:

2 p1 E[ N ]
R (13.2.11)
( p2  p ) E[N]  p12Var ( N )
1
2

dimana N merupakan variabel acak yang didistribusikan sebagai banyak klaim

dalam satu periode.

Contoh 13.2.2

Perkirakan R jika

a. N memiliki distribusi Poisson dengan parameter 

b. N memiliki distribusi binomial negatif dengan parameter r dan p.

 Solusi:

a. Disini E[ N ]  Var ( N )   , sehingga persamaan 13.2.11 menjadi

2 p1
R (13.212)
p2

b. Untuk kasus ini,

rq
E[ N ]  ,
p
rq
Var ( N )  2 ,
p

jadi menurut 13.2.11, didapat

2 p1
R (13.2.13)
p2  p12 [(1/ p)  1]

Sudah diasumsikan bahwa jumlah total klaim pada periode waktu yang

berbeda merupakan variabel acak bebas. Asumsi ini dalam banyak kasus dianggap

tidak realistis. Untuk menginvestigasi situasi semacam ini, digunakan model

autoregresif untuk biaya klaim pemakai asuransi yang menggeneralisasi model

sebelumnya dan membuat adanya korelasi antara klaim dari beberapa periode

tertentu.

Diasumsikan bahwa Wi , jumlah dari klaim pada periode i, berbentuk

Wi  Yi  aWi 1 i  1, 2,.... (13.2.14)

Pada persamaan tersebut 1  a  1 , dan Y1 , Y2 ,... merupakan variabel acak yang

independen dan berdistribusi identik dengan E[Yi ]  (1  a)c . Nilai awal W0  w

melengkapi deskripsi model autoregresif orde 1 ini untuk nilai-nilai Wi .

Surplus pemakai asuransi U n pada waktu n didefinisikan seperti pada

persamaan 13.2.1 dan T , waktu ruin, pada persamaan 13.2.4. Kemungkinan ruin

sebagai berikut:

 (u, w)  Pr(T  ). (13.2.15)

Ini adalah fungsi 2 Variabel. Secara umum model ini dapat dipertimbangkan,

sesuai dengan kasus khusus dengan 𝑎 = 0.

Sekarang kita gunakan aturan iterasi di (13.2.16) untuk memperoleh

𝑊𝑖 = 𝑌𝑖 + 𝑎𝑌𝑖 + ⋯ + 𝑎𝑖−1 𝑌𝑖 + 𝑎𝑖 𝑤

Jadi total claim untuk periode n pertama adalah

𝑆𝑛 = 𝑌𝑛 + (1 + 𝑎)𝑌𝑛−1 + ⋯ + (1 + 𝑎 + ⋯ + 𝑎𝑛−1 )𝑌𝑖 + (𝑎 + 𝑎2 + ⋯ + 𝑎𝑛 )𝑤

1 − 𝑎2 1 − 𝑎𝑛 1 − 𝑎𝑛
= 𝑌𝑛 + 𝑌𝑛−1 + ⋯ + 𝑌𝑖 + 𝑎 𝑤
1−𝑎 1−𝑎 1−𝑎

𝑌1
Terlihat bahwa Y1dengan kontribusin akhir untuk claim total. Maka dari itu
1−𝑎

kita asumsikan bahwa c > E [Yi]/(1-a), dan analoginya pada (13.2.6), kita

menetapkan penyesuaian koefisien sebagai solusi positif dari suatu persamaan

𝑀𝑦
𝑒𝑎 = (𝑡) = 1
1−𝑎

Jadi R adalah bilangan positif dengan persamaan sebagai berikut

𝑅𝑌
𝑙𝑜𝑔 𝐸 = [𝑒𝑥𝑝 ] − 𝑐𝑅 = 0
1−𝑎
Catatan : secara umum bahwa R tergantung distribusi dari 𝑌𝑖 𝑠 dan pada nilai a

dan c

Penurunan rumus diatas ada pada lampiran bab ini

Teorema 13.2.2

exp⁡(−𝑅𝑢)
ψ(𝑢, 𝑤) =
𝐸[exp⁡(−𝑅𝑢𝑓 |𝑇 < ∞]

disini kita punya notasi

n
Uṅ = Un − 1−𝑛 𝑊𝑛 ⁡⁡⁡⁡⁡⁡⁡⁡𝑢̇ = 𝑈0̇ (13.2.21)

Dalam arti tertentu Uṅ adalah modifikasi tambahan. Ini berarti tambahan

sebenarnya Un⁡̇ disesuaikan untuk semua claim masa depan yang bergantung

dengan 𝑊𝑛 . Interpretasi dari Un ⁡dikembangkan pada latihan (13.2)

Jika 𝑎 ≥ 0 akan sesuai dengan U̇ t ≤ Ut < 0. Maka pada kasus ini

penyebut di (13.2.20) lebih besar dari 1. Dan kita dapat sederhanakan batas atas

dari kemungkinan kerugian.

Akibat 13.2.1

Jika0̇ ≤ a < 1.Maka

ψ(𝑢, 𝑤) ≤ 𝑒xp⁡(−𝑅𝑢)

Secara umum di (13.2.9)

13.3 Model Waktu Kontinu

Kita tahu rumus dari proses model kerugian menggunakan 2 waktu

kontinu, banyaknya proses claim dan proses agregate claim. Kita biasanya
memodelkan pertama dengan proses poisson dan kedua menggunakan proses

compound Poisson.

Dalam sebuah portofolio sebuah asuransi, N(t) menunjukan banyaknya

claim dan S(t) menunjukan agregate claim sampai waktu t. Kita mulai menghitung

dari waktu 0; jadi N(0) = 0 selanjutnya S(t) = 0 selama N(t) = 0 . pada bab 12 kita

mendapatkan Ẋ i untuk menunjukan jumlah i th claim. Kemudian

𝑆(𝑡) = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑁(𝑡)

Proses N(t), t ≥ 0 disebut claim number proses, dengan S(t), t ≥ 0 disebut

agregate claim proses. Kumpulan dari variabel acak tersebut disebut proses, dan

kita tertarik pada distribusi gabungan pada semua waktu t ≥ 0. Ini berbeda pada

ban 12 dimana kita tertarik pada banyaknya claim dan agregate claim untuk 1

periode.

Membiarkan t ≥ 0 dan h ≥ 0, dari definisi itu mengikuti N(t+h) - N(t)

adalah banyaknya claim dan S(t+h) - S(t) adalah jumlah keseluruhan dari calim

(agregate claim) yang terjadi pada interval antara t dan t+h. Membiarkan 𝑇𝑖

menunjukan waktu ketika i-th claim yang terjadi. Demikian 𝑇1 , 𝑇2 , …. Merupakan

variabel acak dengan 𝑇1 ≤ 𝑇2 ≤ ⋯.untuk menghindari kemungkinan 2 atau lebih

claim yang terjadi pada 1 waktu. Waktu berlalu secara berurutan pada claim

ditandai dengan 𝑉1 = 𝑇1 dan

𝑉𝑖 = 𝑇1 − 𝑇𝑖−1⁡ ⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑖 > 1

Hasil khas dari banyaknya claim prosses dan agregate claim prosses dapat

digambarkan pada gambar (13.3.1) dan (13.3.2). dengan catatan N(t) dan S(t)

merupakan fungsi yang meningkat atau fungsi tangga. Diskontinu pada claim
terjadi pada saat waktu Ti, dan ukuran dari langkah pada saat ini adalah 1 untuk

N(t) dan sesuai jumlah claim Ẋi di notasikan S(t).

Hasil dari banyak Claim Prosses

Hasil dari agregate claim prosses

Ada beberapa cara untuk mendefinisikan distribusi claim number prosses.

Kita dapat memeriksa 2 dari sekian banyak:

a. Metode global : untuk semua t ≥ 0dan semua h ≥ 0 kita menentukan

distribusi bersyarat N(t+h) - N(t), diberi nilai-nilai pada N(s) dengan ṡ ≤ 𝑡

b. Metode diskrit : kita menentukan distribusi gabungan V1, V2, ... atau,

ekuivalen dengan T1, T2,T3, .....

Contoh 13.3.1

Mempertimbangkan n orang usia x pada waktu 0. N(t) menunjukan banyaknya

kematian yang terjadi pada waktu t dan Ti menunjukan waktu ketika i-th kematian

yang terjadi (i = 1, 2, 3, .....n). kita asumsikan tidak tergantung pada waktu

kematian. Tentukan N(t), t ≥ 0 dengan menggunakan 2 metode diatas.

Jawaban

a. distribusi bersyarat N(t+h) - N(t), diberikan N(t) = i adalah binomial

dengan parameter n – i dan ℎ 𝑞𝑥+𝑡 ⁡𝑖 = 0,1,2, … , 𝑛 − 1. maka

Pr⁡[𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 𝑘|𝑁(𝑡) = 𝑖]

𝑛−𝑖
( ) (ℎ 𝑞𝑥+𝑡 ⁡𝑖)^𝑘(1 − ℎ 𝑞𝑥+𝑡 )^𝑛 − 𝑖 − 𝑘⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝐾 = 0,1,2, … , 𝑛 − 1
𝑘

Catatan disini, distribusi bersyarat tergantung di tdan hanya di N(s) saat

s=t

b. Kita menentukan distribusi gabungan dari 𝑇1 , 𝑇2 , ….Tn dengan iterasi.

Pertama
𝑛
Pr(𝑇1 > 𝑠) = ( 𝑠 𝑝𝑥 )

fTi (s) = (𝑛𝑠 𝑝𝑥 )𝑛 𝜇𝑥 (𝑠)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑢𝑛𝑡𝑢𝑘⁡𝑖 = 1,2,3, … , 𝑛 − 1

 𝑛−𝑖
Pr(𝑇𝑖+1 > 𝑡|𝑇𝑖 = 𝑠) = ( 𝑡−𝑠 𝑝𝑥+𝑠 )

dan

𝑛−𝑖
fTi−1|Ti (t|s) = (n − i)( 𝑡−𝑠 𝑝𝑥+𝑠 ) 𝜇𝑥 (𝑡)⁡⁡

Kita amati pada cintoh ini waktu berlalu berturut-turut antara kematian

tidak saling bebas atau mendistribusikan secara identik

Sekarang kita gunakan poisson prosses dimana waktu berlalu berturut-

turut antara claim tidak saling bebas dan mendistribusikan secara identik. Dengan

metode global, poisson prosses di definisikan sebagai berikut:

𝑒 −𝜆ℎ (𝜆ℎ)𝑘
Pr[𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 𝑘|𝑁(𝑠)𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑠 ≤ 𝑡] =
𝑘!

k = 0, 1, 2, .... untuk semua t ≥ 0 dan h ≥ 0 (13.3.3)

struktur diatas berasal dari definisi poisson prosses:

i. Pertambahannya bersifat stationer ,itu adalah distribusi dari N(t+h) -

N(t), yang mana poisson dengan parameter 𝜆ℎ,tergantung dari panjang

interval tetapi tidak dalam satu waktu t.

ii. Untuk setiap set interval waktu terputus, pertambahannya bersifat bebas,

ini adalah untuk t1 < t1+h1 < t2 < t2+h2 < .... < tn+hn penjumlahan

N(t1+h1) – N(t1), N(t2+h2) – N(t2), .... N(tn+hn) – N(tn) saling bebas

iii. Peluang pada claim yang bersamaan adalah 0

𝑃𝑟[𝑁(𝑡 + ℎ) − 𝑁(𝑡) > 1] 1 − 𝑒 −𝜆ℎ − 𝜆ℎ𝑒 −𝜆ℎ

lim ( ) = lim ( )=0
ℎ→∞ ℎ ℎ→∞ ℎ
 Berdasarkan definisi metode diskrit poisson prosses menyatakan bahwa

waktu berlalu V1, V2, ...., saling bebas dan masing-masing memiliki

distribusi exponensial dengan parameter 𝜆.

Kita tahu bahwa dari kedua definisi poisson prosses bersifat ekuivalen.

kita melihat bahwa definisi prosses oleh metode global lebih menonjol dari pada

metode diskrit. Kita amati

Pr(𝑉𝑖+1 > ℎ) |𝑉1 , 𝑉2, . . , 𝑉𝑖 = Pr[(𝑉𝑖+1 > ℎ)|𝑁(𝑠)𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑠 ≤ 𝑡 = ∑ 𝑉𝑗

𝑗=1

= 𝑃𝑟[𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 0|𝑁(𝑠)𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑠 ≤ 𝑡

= 𝑒 −𝜆ℎ

Fungsi kelangsungan hidup setiap Vi dalam poissson prosses .

Untuk melihatnya definisi prosses oleh metode diskrit lebih menonjol

dari pada metode global, terapkan definisi N(t)’s, Tj’s, dan Vj’s saling bebas dan

distribusi exponensial untuk Vj’s untuk menunjukan itu

Pr[𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 𝑘|𝑁(𝑠)𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑠 ≤ 𝑡]

= Pr[𝑇𝑘 ≤ ℎ⁡𝑑𝑎𝑛⁡𝑇𝑘 + 𝑉𝑘+1 > ℎ]

Karena 𝑇𝑘 = 𝑉1 + 𝑉2 + ⋯ + 𝑉𝑘 , dan 𝑉𝑘 ′ s independen dan terdistribusi

secara identik dengan distribusi ekponensial dengan parameter 𝜆, 𝑇𝑘 memiliki

distribusi gamma dengan parameter 𝑘 dan 𝜆. maka (13.3.5) setara dengan

ℎ ℎ

∫ Pr(𝑇𝑘 + 𝑉𝑘−1 > ℎ|𝑇𝑘 = 𝑢) 𝑓𝑇𝑘 (𝑢)𝑑𝑢 = ∫ Pr(𝑉𝑘−1 > ℎ − 𝑢) 𝑓𝑇𝑘 (𝑢)𝑑𝑢
0 0
 ℎ
𝜆𝑘 𝑢𝑘−1 𝑒 −𝜆𝑢
= ∫ 𝑒 −𝜆(ℎ−𝑢) 𝑑𝑢
(𝑘 − 1)!
0

ℎ
𝑒 −𝜆ℎ 𝜆𝑘 𝑘−1 −𝜆ℎ
𝜆ℎ𝑘
= ∫𝑢 =𝑒
(𝑘 − 1)! 𝑘!
0

jumlah kejadian dalam h waktu dalam proses Poisson.

Kita sekarang definisikan suatu proses Poisson majemuk. Jika untuk

𝑆(𝑡), terdefinisi di (13.3.1), variabel acak berupa independen, terdistribusi

variabel acak itu secara identik dengan 𝑃(𝑥), dan jika mereka independen dari

proses [𝑁(𝑡), 𝑡 ≥ 0], diasumsikan proses Poisson, proses [𝑆(𝑡), 𝑡 ≥ 0] adalah

proses Poisson majemuk.

Jika proses klaim agregat adalah proses Poisson majemuk dengan 𝜆 dan

𝑃(𝑥), maka properti berikut sesuai terhadap properti dari klaim dasar:

a. Jika 𝑡 ≥ 0 dan ℎ > 0, distribusi 𝑆(𝑡 + ℎ) − 𝑆(𝑡) adalah proses Poisson

majemuk dengan⁡𝜆 dan 𝑃(𝑥), yaitu,

𝑥
𝑃 ∗𝑘 (𝑥)
Pr[𝑆(𝑡 + ℎ) − 𝑆(𝑡) ≤ 𝑥|𝑆(𝑠), 𝑠 ≤ 𝑡] = ∑ 𝑒 −𝜆ℎ 𝜆ℎ𝑘
𝑘!
𝑘=0

di mana 𝑃∗𝑘 (𝑥) adalah konvolusi lipatan ke-k

b. Pada t waktu, kemungkinan klaim selanjutnya diantara t+h dan t+h+dh dan

jumlah klaim kurang dari atau sama dengan x adalah 𝑒 −𝜆ℎ (𝜆𝑑ℎ)⁡𝑃(𝑥).

c. proses [𝑆(𝑡), 𝑡 ≥ 0] independen dan meningkat secara stasioner; apabila

klaim agregat interval waktu disjoin adalah variabel acak secara

independen, dan distribusi masing-masing tergantung hanya pada panjang

interval waktu dan bukan pada lokasinya.

d. Jika 𝑆(𝑡) menunjukkan proses Poisson majemuk dan nilai t ada, 𝑆(𝑡)proses

Poisson majemuk dengan parameter 𝜆𝑡. Formula (12.3.2) dan (12.3.3)

memberi mean dan varians 𝑆(𝑡);

𝐸[𝑆(𝑡)] = 𝜆𝑡𝑝1 (13.3.6)

𝑉𝑎𝑟[𝑆(𝑡)] = 𝜆𝑡𝑝2 (13.3.7)

13.4 Kemungkinan Reruntuhan dan Distribusi Jumlah Klaim

Proses surplus [𝑈(𝑡), 𝑡 ≥ 0]dapat dipelajari oleh hubungannya, yang telah

diberi di (13.1.1), untuk klaim proses 𝑆(𝑡). Untuk sisa bab ini, asumsikan 𝑆(𝑡)

adalah proses Poisson majemuk. Dengan asumsi ini kita dapat kembangkan batas

atas dan batas bawah Ψ(𝑢). Pada kasus yang serupa mengenai distribusi

ekponensial dari klaim individual, ada bentuk eksplisit untuk Ψ(𝑢).

Pertama, kita asumsi bahwa tingkat koleksi premi c melebihi klaim

pembayaran dugaan per unit waktu, yaitu 𝜆𝑝1 . Lalu, kita definisi pemuatan

keamanan relatif 𝜃 dengan persamaan⁡𝑐 = (1 + 𝜃)𝜆𝑝1 di mana 𝜃 positif. Kita bisa

lihat bahwa 𝜃 = 0 atau 𝜃 < 0 mengimplikasikan Ψ(𝑢) = 1, apabila kehancuran

itu pasti.

Kemudian, biarkan (−∞, 𝛾) menunjukkan interval terbuka terbesar untuk

𝑃(𝑥). Kita asumsikan 𝛾 positif. Untuk kasus distribusi eksponensial dengan

parameter 𝛽, 𝛾 sama dengan 𝛽, sedangkan untuk distribusi jumlah klaim yang

dibatasi, 𝛾 adalah +∞. Selanjutnya, kita asumsikan bahwa 𝑀𝑥 (𝑟) cenderung ke

+∞ sebagaimana 𝑟 cenderung ke 𝛾. Asumsi ini tidak selalu berlaku untuk 𝛾

hingga yang didemonstrasikan dengan invers dari distribusi Gaussian di contoh

13.4.3. perbandingan pada figur 13.4.2, di mana contoh 13.4.3, dengan figur

13.4.1 menunjukkan pentingnya asumsi ini.

Definisi R

Kita sekarang lanjutkan dengan analogi, dengan definisi koefisien dengan

penyesuaian (13.2.6). Kegunaan penyesuaian koefisien ini ada di bukti teorema

13.4.1.

Pertimbangkan jangka waktu 𝑡 > 0 di mana jumlah premi yang

terkumpulkan adalah ct dan distribusi klaim adalah proses Poisson majemuk

dengan angka yang pasti untuk claim 𝑡. Lalu, secara analogi dengan (13.2.6), kita

pilih, untuk koefisien penyesuaian, akar positif terkecil dari

𝑀𝑆(𝑡)−𝑐𝑡 (𝑟) = 𝐸[𝑒 𝑟(𝑆(𝑡)−𝑐𝑡) ] = 𝑒 −𝑟𝑐𝑡 𝑀𝑆(𝑡) (𝑟)

= 𝑒 −𝑟𝑐𝑡 𝑒 𝜆𝑡[𝑀𝑥 (𝑟)−1] = 1 (13.4.1)

Dengan demikian,

𝜆[𝑀𝑥 (𝑟) − 1] = 1 (13.4.2)

Substitusi 𝑐 = (1 + 𝜃)𝜆𝑝1 , kita punya persamaan yang setara

1 + (1 + 𝜃)𝜆𝑝1 𝑟 = 𝑀𝑥 (𝑟) (13.4.3)

 Sisi kiri dari (13.4.3) adalah fungsi linier r, sedangkan sisi kanan adalah

fungsi peningkatan positif dengan asumsi cenderung ke +∞ sebagaimana 𝑟

cenderung ke 𝛾. Selanjutnya, turunan kedua dari sisi kanan adalah positif, maka

grafiknya cekung ke atas. Asumsi 𝑐 > ⁡𝜆𝑝1 (ekivalen 𝜃 > 0) mengartikan lereng,

(1 + 𝜃)𝜆𝑝1 , dari sisi kiri (13.4.3) melebihi lereng, 𝑀′𝑥 (0) = 𝑝1 , dari sisi kanan di

𝑟 = 0. Dari figur (13.4.1), kita bisa lihat bahwa (13.4.3) memiliki dua solusi.

Selain dari solusi trivial 𝑟 = 0, ada solusi positif 𝑟 = 𝑅, yang di definisikan

sebagai koefisien penyesuaian.

Contoh 13.4.1

Tentukan koefisien penyesuaian jika jumlah distribusi klaim eksponensial dengan

parameter 𝛽 > 0

Solusi:

Koefisien penyesuaian didapatkan dari (13.4.3)

(1 + 𝜃)𝑟 𝛽
1+ =
𝛽 𝛽−𝑟

Atau dalam persamaan kuadrat di r,

(1 + 𝜃)𝑟 2 − 𝜃𝛽𝑟 = 0

Sesuai dugaan, 𝑟 = 0 merupakan solusi, dan koefisien penyesuaiaan merupakan

solusi, akar positif terkecilnya adalah

𝜃𝛽
𝑅=
(1 + 𝜃)
Contoh 13.4.2

Hitung koefisien penyesuaian jika semua klaim 1.

Solusi:

Formula (13.4.3) memberikan koefisien penyesuaian dengan akar positif terkecil

1 + (1 + 𝜃)𝑟 = 𝑒 𝑟

Hasil dari pengerjaan secara numerik dari persamaan di atas untuk beberapa nilai

𝜃 adalah sebagai berikut

𝜃 R

0.2 0.3542

0.4 0.63903

0.6 0.8764

0.8 1.07941

1 1.25643

1.2 1.41318

1.4 1.55368

Secara umum, koefisien penyesuaian adalah fungsi peningkatan dari

pemuatan keamanan relatif,⁡𝜃. Hal ini dapat dilihat dari figur 13.4.1. Sebagaimana

𝜃 meningkat, kemiringan garis lurus melalui titik (0,1) meningkat sehingga titik

potong dari garis dan kurva bergerak ke kanan dan atas

Contoh 13.4.3

Asumsi distribusi jumlah claim adalah invers Gaussian dengan parameter 𝛼 dan

𝛽. Untuk asumsi ini:

 a. Tentukan interval terbuka terbesar (−∞, 𝛾) di mana 𝑀𝑥 (𝑡) terdefinisi

b. Tentukan limit 𝑀𝑥 (𝑡) sebagaimana 𝑡 → 𝛾

c. Tuliskan persamaan untuk koefisien penyesuaian

d. Gambarkan grafik sesuai dengan figur 13.4.1 untuk kasus jika limit di (b)

lebih besar dari

e. Gambarkan grafik sesuai dengan figur 13.4.1 untuk kasus jika limit di (b)

lebih kecil dari

Solusi:
2𝑡
𝛼[1−√(1− )]
a. 𝑀𝑥 (𝑡) = 𝑒 𝛽 , untuk 𝑡 < 𝛽/2. Maka 𝛾 = 𝛽/2

b. lim 𝑀𝑥 (𝑡) = 𝑒 𝛼
𝑡−𝛽/2

2𝑡
𝛼 𝛼[1−√(1− )]
c. 1 + (1 + 𝜃) (𝛽) 𝑟 = 𝑒 𝛽 ,untuk 𝑟 < 𝛽/2

𝛼
d. Jika 𝑒 𝛼 > 1 + (1 + 𝜃) ( 2 ), maka grafiknya sebagai berikut:

𝛼
e. Jika 𝑒 𝛼 < 1 + (1 + 𝜃) ( 2 ), maka grafiknya sebagai berikut:
Observasi:

1. Kita lihat di grafik kemungkinan kegagalan definisi koefisien penyesuaian

ketika batas distribusi klaim adalah hingga pada ujung interval terbuka dari

definisi
𝛼
2. Untuk ukuran klaim yang diharapkan tetap, 𝛽, garis pada figur 13.4.1, adalah

pasti untuk semua 𝛽. Sebagaimana 𝛽 meningkatkan ukuran variasi klaim,

𝛼 𝛽 𝛼
⁄𝛽 2 , menurun, dan poin ( 2 , 𝑒 )bergerak ke kanan dan atas, membuat

eksistensi R lebih jelas. Sebagaimana 𝛽 menurunkan sebaliknya adalah benar.

3. Percobaan bukti teorema 13.4.1 pada lampiran di bab ini membuktikan

kegunaan koefisien penyesuaian ke −𝑅𝑐 + 𝜆[𝑀𝑥 (𝑟) − 1] = 0 untuk

mendekati ke persamaan teorema 13.4.1. untuk situasi di poin (e), ketika

koefisien penyesuaian tidak ada, persamaan ini diselesaikan pada 𝛾 kurang

dari nol dan cara membuktikannya bisa dengan cara R digantikan oleh 𝛾 dan

kesetaraan digantikan oleh ketidaksetaraan. Ketidaksetaraan yang dihasilkan

kurang berguna ketimbang kesetaraan yang diperoleh ketika koefisien

penyesuaian ada.

Analogi pada teorema 13.2.1 adalah hasil lanjutan, yang dibuktikan di

lampiran untuk bab ini.

Teorema 13.4.1

Jika 𝑈(𝑡) adalah proses surplus berdasarkan proses klaim agregat Poisson

majemuk, 𝑆(𝑡), dengan 𝑐 > 𝜆𝑝1 , dengan pemuatan keamanan relatif, maka untuk

𝑢 ≥ 0.
 exp⁡(−𝑅𝑢)
𝜓(𝑢) = 𝐸[exp⁡(−𝑅𝑢(𝑇)|𝑇<−∞] (13.4.4)

di mana R adalah akar positif terkecil untuk (13.4.3)

Penyebutnya dihitung sehubungan dengan distribusi bersyarat dari surplus

negatif, 𝑈(𝑇), mengingat bahwa kehancuran itu terjadi: yaitu, 𝑇 < ∞.

Dari figur 13.4.1, kita bisa lihat bahwa jika 𝜃 → 0, sekan bergerak ke

tangen untuk 𝑀𝑥 (𝑟) di 𝑟 = 0, yang mengimplikasikan 𝑅 → 0. Akan tetapi, dari

(13.4.4), 𝜓(𝑢) = 1, atau kehancuran adalah sesuatu yang pasti. Kemudian,

𝑈(𝑡), 𝑡 > 0, untuk kasus di mana 𝜃 < 0, akan selalu kurang dari sesuai dengan

𝑈(𝑡) untuk 𝜃 → 0, and karena sejak itu kehancuran adalah pasti untuk 𝜃 = 0,

kehancuran juga pasti untuk 𝜃 < 0. Dengan alasan tersebut, kita tetap

menggunakan asumsi 𝜃 > 0.

Secara umum, penyelesaiaan secara tertutup dari penyebut di (13.4.4)

tidaklah mungkin. Pengecualian pada kasus 𝑢 = 0 (latihan 13.10), dan kasus di

mana jumlah distribusi klaim adalah eksponensial (lihat latihan 13.4.4). Namun,

teorema bisa digunakan untuk menurunkan ketidaksetaraan. Karena 𝑈(𝑇), dengan

𝑇 < ∞ bisa bernilai negatif, penyebut pada (13.4.4) melebihi 1. Hal itu berarti

𝜓(𝑢) < 𝑒 −𝑅𝑢 (13.4.5)

Jika jumlah distribusi klaim berhubungan sehingga 𝑃(𝑚) = 1 untuk suatu

hingga m, hal itu mengikuti, dengan 𝑇 < ∞, bahwa 𝑈(𝑡) > −𝑚 sejak surplus

sesaat sebelum klaim positif.

Dengan demikian,

𝜓(𝑢) > 𝑒 −𝑅𝑢 𝑒 −𝑅𝑚 = 𝑒 −𝑅(𝑢+𝑚) ⁡ (13.4.6)

Beberapa penulis menyarankan penggunaan pendekatan

𝜓(𝑢) ≅ 𝑒 −𝑅𝑢 (13.4.5)

yang mana, dalam pandangan (13.4.5), melebihkan probabilitas kehancuran.

Sekarang kita cek suatu kasus khusus di mana Teorema 13.4.1 dapat

diaplikasikan untuk mendapatkan sebuah ekpresi secara eksplisit untuk

probabilitas kehancuran 𝜓(𝑢).

Contoh 13.4.4

Hitung probabilitas kehancuran dengan kasus di mana jumlah distribusi klaim

adalah eksponensial dengan parameter⁡𝛽 > 0.

Solusi:

Kehancuran, jika itu terjadi, diasumsikan untuk terjadi pada waktu T. misal 𝑢̂

jumlah surplus sebelum T. Peristiwa di mana −𝑈(𝑇) > 𝑦 dapat diulang

sebagaimana peristiwa di mana X, ukuran klaim penyebab kehancuran, melebihi

𝑢̂ + 𝑦, mengingat bahwa itu melebihi 𝑢̂. Probabilitas kondisional untuk peristiwa

ini melebihi
∞
𝛽 ∫𝑢̂+𝑦 𝑒 −𝛽𝑥
∞ = 𝑒 −𝛽𝑦 ,
𝛽 ∫𝑢̂ 𝑒 −𝛽𝑥

Sehingga jika −𝑈(𝑇), melebihi 𝑇 < ∞ adalah

𝑑
(1 − 𝑒 −𝛽𝑦 ) = 𝛽𝑒 −𝛽𝑦 ,
𝑑𝑦

Maka,
𝑥
𝐸[exp(−𝑅𝑈(𝑇)|𝑇 < ∞] = ⁡𝛽 ∫ 𝑒 −𝛽𝑦 𝑒 𝑅𝑦 𝑑𝑦
0

𝛽
=
𝛽−𝑅
Dari contoh 13.4.1, kita mengetahui bahwa dengan koefisien penyesuaian pada

kasus 𝑅 = 𝜃𝛽/(1 + 𝜃). Dengan menggabungkan ini dengan (13.4.4)

menghasilkan

13.5 Surplus Pertama di Bawah Level Awal

Kami melanjutkan dengan model waktu kontinu di mana proses klaim

agregat, S (t), adalah Poisson majemuk. Khususnya, kami mempertimbangkan

jumlah surplus pada saat pertama kali jatuh di bawah level awal (ini, tentu saja,

tidak akan pernah terjadi). sebagai aplikasi, kami menemukan ekspresi sederhana

untuk ψ(0), kemungkinan kehancuran, jika surplus awal adalah 0.

Teorema utama bagian ini, yang dibuktikan dalam Apendiks pada bab ini,

adalah sebagai berikut.

Teorema 13.15.1

Untuk proses Poisson majemuk, probabilitas bahwa surplus akan turun, di

bawah tingkat awal u, dan akan berada di antara u-y dan u-y-dy ketika terjadi

untuk pertama kalinya, adalah

𝛌 1−𝑃(𝑦)
[1 − 𝑃(𝑦)]𝑑𝑦 = ⁡ 𝑑𝑦, 𝑦 > 0
𝑐 (1+𝜃)

Sebagai penerapan Teorema 13.5.1, kami mencatat bahwa probabilitas

bahwa surplus akan turun di bawah tingkat aslinya adalah

1 𝑥 1
∫ [1
(1+𝜃)𝑝1 0
− 𝑃(𝑦)]𝑑𝑦 = ⁡ (1+𝜃)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ (13.5.1)
Dari
𝑥
∫ [1 − 𝑃(𝑦)]𝑑𝑦 =⁡⁡ 𝑝1
0

Dalam kasus khusus u = 0, (13.5.1) memberikan probabilitas bahwa

surplus bahkan akan turun di bawah nol, yaitu, tingkat asalnya. Karenanya
1
ψ(0) = 1+𝜃 (13.5.2)

Luar biasa bahwa ψ(0) hanya bergantung pada pemuatan keamanan relatif

𝜃 dan bukan bentuk spesifik dari distribusi jumlah klaim. Kami mencatat

𝛌 1−𝑃(𝑦)
[1 − 𝑃(𝑦)]𝑑𝑦 = ⁡ ,⁡⁡⁡⁡⁡𝑦 > 0
𝑐 (1+𝜃)

bukan p.d.f. karena tidak berintegrasi ke 1. Namun, ada p.d.f. dalam arti yang

tepat. Biarkan 𝐿1 menjadi variabel acak yang menunjukkan jumlah yang surplus

jatuh di bawah tingkat awal untuk pertama kalinya, mengingat bahwa ini pernah

terjadi. The p.d.f. untuk 𝐿1 diperoleh dengan membagi.

1 − 𝑃(𝑦)
(1 + 𝜃)𝑝1

dengan

1
ψ(0) =
(1 + 𝜃)𝑝1

Dan
1
𝑓𝐿1 = 𝑝 [1 − 𝑃(𝑦)]⁡⁡⁡⁡⁡⁡𝑦 > 0 (13.5.3)
1

Hubungan antara m.g.f. 𝐿1 dan distribusi ukuran klaim X dapat diperoleh dengan

integrasi oleh bagian:

1 𝑥 𝑒 𝑟𝑦 [1 − 𝑃(𝑦)]𝑑𝑦⁡⁡⁡⁡⁡⁡⁡
𝑀𝐿1 (𝑟) ⁡ = ∫
𝑝1 0 ⁡⁡⁡⁡⁡⁡
 1 𝑒 𝑟𝑦 1 𝑥 1
=⁡𝑝 { [1 − 𝑃(𝑦)]| + ∫0 ⁡𝑒 𝑟𝑦 ⁡𝑝(𝑦)𝑑𝑦 = [𝑀𝑥 (𝑟) − 1] (13.5.4)
1 𝑟 𝑟 𝑝 𝑟
1

Kami mengilustrasikan aplikasi lebih lanjut dari teorema 13.5.1 dengan

menggunakan contoh-contoh berikut.

Contoh 13.5.1

Tulislah ungkapan untuk distribusi tingkat surplus pada saat pertama kali surplus

jatuh di bawah tingkat awal u, karena itu turun di bawah u, jika semua klaim

adalah ukuran 2.

Solusi:

Kita memiliki

1, 0≤𝑦<2
1 − 𝑃(𝑦) = {
0, 𝑦≥2

Dengan demikian p.d.f. untuk 𝐿1 adalah

1
1 , 0≤𝑦<2
1 − 𝑃(𝑦) = {2
𝑝1 0, 𝑑𝑖𝑚𝑎𝑛𝑎𝑝𝑢𝑛

Oleh karena itu, 𝐿1 terdistribusi secara merata antara 0 dan 2, jadi level surplus

setelah drop pertama tersebut terdistribusi secara merata antara u-2 dan u.

Contoh 13.5.2

Tulis ekspresi untuk distribusi 𝐿1 jika ukuran klaim individu memiliki distribusi

eksponensial dengan parameter 𝛽.

Solusi :

Dari 1 − 𝑃(𝑦) = 𝑒 −⁡𝛽𝑦 untuk 𝑦 > 0,⁡p.d.f dari 𝐿1 ⁡adalah

1
[1 − 𝑃(𝑦)] = 𝛽𝑒 −⁡𝛽𝑦 ⁡⁡⁡𝑦 > 0
𝑝1
Oleh karena itu, distribusi 𝐿1 juga eksponensial dengan parameter 𝛽.

13.6 Kerugian Agregat Maksimal

Sebuah variabel acak baru, kehilangan agregat maksimal, didefinisikan

sebagai
𝑚𝑎𝑥
𝐿= 𝑡≥0⁡[𝑆(𝑡) − 𝑐𝑡], (13.6.1)

yaitu, sebagai kelebihan maksimal dari klaim agregat atas premi yang diterima.

Karena S(t) -ct = 0 untuk t = 0, berarti L≥0.

Teorema 13.5.1 digunakan dalam pembuktian teorema lain yang

memberikan rumus eksplisit untuk m.g.f. L. Ini dapat digunakan untuk

memberikan informasi tentang ψ(u). Sebagai aplikasi, ψ(u) dinyatakan untuk

kasus di mana distribusi jumlah klaim individu adalah jumlah tertimbang dari

distribusi eksponensial.

Untuk mendapatkan d.f. dari variabel acak L yang kita anggap, untuk u ≥

0,

1 − ⁡ψ(u) = Pr⁡[U(t) ≥ 0⁡untuk⁡semua⁡t]

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= Pr⁡[𝑢 + 𝑐𝑡 − 𝑆(𝑡) ≥ 0⁡⁡𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑡]

= Pr[𝑆(𝑡) − 𝑐𝑡 ≤ 𝑢⁡𝑢𝑛𝑡𝑢𝑘⁡𝑠𝑒𝑚𝑢𝑎⁡𝑡].

Tetapi sisi kanan setara dengan Pr⁡(𝐿 ≤ 𝑢), jadi kami punya

1 − ⁡ψ(u) = Pr(𝐿 ≤ 𝑢) ⁡⁡⁡⁡⁡⁡⁡𝑢 ≥ 0. (13.6.2)

Ini mengikuti bahwa 1 − ⁡ψ(u), pelengkap dari kemungkinan kehancuran, dapat

diartikan sebagai d.f. dari L. Khususnya, kami punya

1 − ⁡ψ(0) = Pr(𝐿 ≤ 0) = Pr⁡(𝐿 = 0) (13.6.3)

Dari 𝐿 ≥ 0. Dalam hal, kehilangan maksimum tercapai pada saat t = 0. Juga,

distribusi L adalah tipe campuran. Ada titik massa 1 − ⁡ψ(0) pada titik asal

dengan probabilitas yang tersisa menyimpang terus menerus melebihi nilai positif

L.

Hasil utama dari bagian ini adalah rumus eksplisit berikut untuk m.g.f. L,

yang, dalam pandangan (13.6.2), dapat digunakan untuk memperoleh informasi

tentang ψ(u).

Teorema 13.6.1

𝜃𝑝 𝑟
𝑀𝐿 (𝑟) = 1+(1+𝜃)𝑝1𝑟−𝑀 (13.6.4)
1 𝑥 (𝑟)

Persamaan rumus :

𝜃 1 𝜃[𝑀 (𝑟)−1]
𝑥
𝑀𝐿 (𝑟) = 1+𝜃 + 1+𝜃 1+(1+𝜃)𝑝 , (13.6.4A)
1 𝑟−𝑀𝑥 (𝑟)

yang mencerminkan titik massa di asal lebih langsung, karena kontribusi ke m.g.f.

dari probabilitas di L = 0 adalah

𝜃
1 − ⁡ψ(0) =
1+𝜃

oleh (13.5.2). Perhatikan bahwa persamaan yang digunakan untuk menentukan

koefisien penyesuaian diperoleh dengan menyamakan penyebut (13.6.4) hingga 0

Bukti:

Bukti teorema melibatkan pertimbangan saat-saat ketika proses kehilangan

agregat mengasumsikan rekor tertinggi baru. Hasil dari proses kerugian agregat

ditunjukkan pada Gambar 13.6.1. Dalam hasil ini, rekor tertinggi baru ditetapkan

tiga kali. Setelah setiap catatan tinggi ada kemungkinan 1 − ⁡ψ(0) bahwa catatan
ini tidak akan rusak dan probabilitas ⁡ψ(0) yang akan rusak. Dalam membuat

pernyataan ini kita bergantung pada fakta bahwa proses Poisson majemuk

memiliki peningkatan stasioner dan independen.

Hasil Tipe Proses Hilangnya Agregat

Jika catatan rusak, p.d.f. peningkatannya adalah 𝐿1 , yang diberikan dalam

(13.5.3). Gambar 13.6.1 mengilustrasikan bahwa kita dapat mewakili L sebagai

jumlah dari sejumlah acak variabel acak, jadi

𝐿 = 𝐿1 + 𝐿2 + ⋯ + 𝐿𝑁 (13.6.5)

Di sini N adalah jumlah rekor tertinggi baru dan memiliki distribusi geometrik

dengan

1 𝑛+1
Pr(𝑁 = 𝑛) = [1 − ⁡ψ(0)][ψ(0)]𝑛 = 𝜃 (1+𝜃) ⁡⁡⁡𝑛 = 0,1,2, …, (13.6.6)

Dan m.g.f

𝜃
𝑀𝑁 (𝑟) = 13.6.7)
1+𝜃−𝑒 𝑟

Variabel acak N, 𝐿1 , 𝐿2 , … saling independen, dan p.d.f. dari 𝐿′𝑖 𝑠 diberikan oleh

(13.5.3). Menurut (12.2.7), m.g.f. dari L adalah

𝜃
𝑀𝐿 (𝑟) = 𝑀𝑁 [log 𝑀𝐿1 (𝑟)] = 1+𝜃−𝑀 (13.6.8)
𝐿1 (𝑟)

Persamaan (13.5.4) memberikan 𝑀𝐿1 (𝑟)dalam hal 𝑀𝑥 (𝑟) dan dengan demikian
 𝜃
𝑀𝐿 (𝑟) =
1 + 𝜃 − [1/(𝑝1 𝑟)][𝑀𝑥 (𝑟) − 1]

𝜃𝑝1 𝑟
=
1 + (1 + 𝜃)𝑝1 𝑟 − 𝑀𝑥 (𝑟)′

yang harus ditunjukkan. Persamaan alternatif (13.6.4A) dapat diverifikasi dengan

mengumpulkan istilah di atas common denominator.

Amatilah bahwa karena 1 − ⁡ψ(u) adalah df. dari variabel acak L-lihat

(13.6.2) -di mana L memiliki titik massa pada titik asal dan kerapatan terus

menerus untuk nilai-nilai positif dari u, kita memiliki

𝑥
𝑀𝐿 (𝑟) = 1 − ⁡ψ(0) + ∫ 𝑒 𝑢𝑟 [−⁡ψ′(u) ]𝑑𝑢
0

𝑥
𝜃
⁡⁡⁡⁡⁡⁡= + ∫ 𝑒 𝑢𝑟 [−⁡ψ′(u) ]𝑑𝑢
1+𝜃 0

Oleh karena itu, (13.6.4A) dinyatakan

𝑥 𝜃 𝜃[𝑀 (𝑟)−1]
∫0 𝑒 𝑢𝑟 [−⁡ψ′(u) ]𝑑𝑢 = 1+𝜃 1+(1+𝜃)𝑝
𝑥
. (13.6.9)
1 𝑟−𝑀𝑥 (𝑟)

Rumus ini dapat digunakan untuk menemukan ekspresi eksplisit untuk −⁡ψ(u)

untuk keluarga tertentu dari distribusi jumlah klaim. Satu keluarga tersebut terdiri

dari campuran distribusi formulir eksponensial

𝑛

𝑝(𝑥) = ∑ 𝐴𝑖 𝛽𝑖 𝑒 −𝛽𝑖 𝑥 ⁡⁡⁡⁡⁡⁡ 𝑥 > 0,

𝑖=1

𝛽𝑖 > 0, 𝐴𝑖 > 0, 𝐴1 + 𝐴2 + ⋯ 𝐴𝑛 = 1 (13.6.10)

Kemudian

𝛽
𝑀𝑥 (𝑟) = ∑𝑛𝑖=1 𝐴𝑖 𝛽 −𝑟
𝑖
⁡⁡⁡⁡⁡⁡⁡⁡⁡ (13.6.11)
𝑖

Awalnya,⁡𝑀𝑥 (𝑟) didefinisikan sebagai expection dan hanya ada untuk 𝑟 <

𝛾= min [𝛽𝑖 , … , 𝛽𝑛 ]. Namun, fungsi ini dapat diperluas dengan cara alami ke semua
r≠ 𝛽𝑖 . Untuk kesederhanaan, kita menggunakan symbol yang sama, 𝑀𝑥 (𝑟), untuk

fungsi ini.

Kami mengganti (13.6.11) menjadi (13.6.9) dan mengakui bahwa sisi

kanan dari hasil adalah fungsi rasional dari r, yang, dengan menerapkan metode

pecahan parsial, kita dapat menulis dalam bentuk berikut:

𝑥 𝐶𝑟
∫0 𝑒 𝑢𝑟 [−⁡ψ′(u) ]𝑑𝑢 = ∑𝑛𝑖=1 𝑟 𝑖−𝑟𝑖 ⁡⁡⁡⁡⁡⁡⁡⁡⁡ (13.6.12)
𝑖

Satu-satunya fungsi yang memenuhi ini dan ψ(∞) = 0 adalah

ψ(u) − ∑𝑛𝑖=1 𝐶𝑖 𝑒 −𝑟1 𝑢 ⁡⁡⁡⁡⁡⁡⁡⁡⁡ (13.6.13)

Itu mengikuti bahwa kemungkinan kehancuran diberikan oleh ungkapan ini. Kami

mengilustrasikan prosedur ini dengan dua contoh.

Contoh 13.6.1

Turunkan ekspresi untuk ψ(u) jika X / s memiliki distribusi jumlah klaim

eksponensial; artinya, n = 1 dalam (13.6.10)

Solusi :

Karena

𝛽 1
𝑀𝑥 (𝑟) = =
𝛽 − 𝑟 1 − 𝑝1 𝑟′

sisi kanan (13.6.9) adalah

1
𝜃 𝜃[1 − 𝑝 𝑟 − 1 𝜃 𝜃
1
( ){ }=( )[ ]
1 + 𝜃 1 + (1 + 𝜃)𝑝1 𝑟 − 1/(1 − 𝑝1 𝑟) 1 + 𝜃 𝜃 − (1 + 𝜃)𝑝1 𝑟

𝑟1
= 𝐶1
𝑟1 − 𝑟
 1
Dimana 𝐶1 = 1+𝜃 dan 𝑟1 = 𝜃/[(1 + 𝜃)𝑝1 ]. Kemudian

ψ(u) = 𝐶1 𝑒 −𝑟1 𝑢 ⁡⁡⁡⁡⁡⁡⁡⁡⁡

Persamaan ini telah ditetapkan sebelumnya dalam Contoh 13.4.4, Persamaan

(13.4.8)

Contoh 13.6.2
2
Diberikan θ = 5 maka 𝑝(𝑥) adalah :

3 7
𝑝(𝑥) = ⁡ 𝑒 −3𝑥 + 𝑒 −7𝑥 ⁡⁡, 𝑥 > 0
2 2

Hitung nilai 𝜓(𝑢)

Solusi :

Dari 𝑝(𝑥) kita memiliki

3 7
𝑀𝑋 (𝑟) = 2 + 2
3−𝑟 7−𝑟

Dan

1 1 1 1 5
𝑝1 = ( ) ( ) + ( ) ( ) =
2 3 2 7 21

Kita substitusikan persamaan yang ada pada bagian kanan dari (13.6.9), setelah

disederhanakan menjadi

6 5−𝑟
( )( )
7 6 − 7𝑟 + 𝑟 2

Akar dari persamaan 𝑟1 = 1 dan 𝑟2 = 6 ; oleh karena itu persamaan tersebut

ditulis kembali dalam bentuk (13.6.12) adalah

𝐶1 6𝐶2
+
1−𝑟 6−𝑟
Koefisien determinasi menjadi
24 1
𝐶1 = 35 dan 𝐶2 = 35

Dengan demikian

24 −𝑢 1
𝜓(𝑢) = 𝑒 + 𝑒 −6𝑢 ⁡⁡⁡⁡, 𝑢 ≥ 0
35 35

Dalam 13.6.2 ilustrasi grafik point 𝑟𝑖 dengan persamaan

1 + (1 + 𝜃)𝑝1 𝑟 = 𝑀𝑋 (𝑟) (13.6.14)

Distribusi dari X adalah gabungan distribusi eksponensial. Fungsi 𝑀𝑋 (𝑟)

diberikan pada (13.6.11) dengan 𝑛 = 3

Solusi dari persamaan (13.6.14) untuk 𝑛 = 3

GRAFIK

Persamaan sisi kanan pada (13.6.11) diskontinu pada 𝛽1 , 𝛽2 , … . ., dan setiap

argument nilai fungsi bergeser dari +∞ hingga −∞. Grafik tersebut

mengilustrasikan secara umum, bahwa 𝑟𝑖 ⁡ akan memnuhi kondisi dalam bentuk

𝑟1 = 𝑅 < 𝛽1 < 𝑟2 < 𝛽2 <⁡. . . < 𝑟𝑛 < 𝛽𝑛

Persamaan 13.4.1 merupakan ilustrasi bagian persamaan 13.6.2 dengan persamaan

kiri 𝛽1 = 𝛾.

Masalah yang sederhana akan mrmbutuhkan klaim distirbusi dengan tidak

menggabungkan distribusi eksponensial. Beberapa distribusi, mungkin sulit untuk

menghitung koefisien penyesuaiannya sehingga mampu memperkirakan

probabilitas ruin. Metode berikut berdasarkan pada dua momen pertama dari

distribusi jumlah klaim mudah diterapkan dan tampaknya memberikan hasil yang

memuaskan untuk nilai moderat dari u.

 Moment pertama pada distribusi L diperoleh pada latihan 13.13(b).

Hasilnya adalah
𝑝
𝐸[𝐿] = 2𝜃𝑝2 (13.6.16)
1

1
Lebih lanjut, kita tahu dari (13.5.2) bahwa 𝜓(0) = 1+𝜃 dan dari (13.4.5) bahwa

𝜓(𝑢) < 𝑒 −𝑢𝑅 . Aproksimasi yang diperoleh adalah

1
1 − 𝐹𝐿 (𝑢) = 𝜓(𝑢) ≅ 𝑒 −𝐾𝑢 ,⁡⁡⁡⁡⁡𝑢 > 0
1+𝜃

Dimana K dipilih sehingga nilai yang diperkirakan darin E[L] sama dengan yang

diberikan dalam (13.6.16). Tetapi :

𝑥
1 1
𝐸[𝐿] = ∫ [1 − 𝐹𝑡 (𝑢)]𝑑𝑢 ≅ ,
0 1+𝜃𝐾

Sehingga

2𝜃𝑝1
𝐾=
(1 + 𝜃)𝑝2

Diberikan persamaan yang diperlukan. Jadi aproksimasinya adalah

1 2⁡𝜃⁡𝑝1 𝑢
𝜓(𝑢) ≅ exp⁡[− ⁡⁡⁡⁡⁡⁡𝑢 > 0
1+𝜃 (1 + 𝜃)𝑝2

Catatan jika distribusi klaim bersifat eksponensial dengan rata-rata 𝑝1, sehingga

𝑝2 = 2𝑝12 , hasilnya bernilai eksak; lihat (13.4.8). Metode ini digunakan dalam

latihan 13.19 untuk memberikan aproksimasi yang meningkat.

13.7 CATATAN DAM REFERENSI

Pentingnya distribusi dari probabilitas bersama waktu dan ruin, T, dan

tingkat surplus dengan segera setlah ruin, U(T), untuk proses surplus dengan

klaim agregat mengikuti proses Poisson majemuk ditunjukkan pada persamaan

probabilitas ruin di Teorema 13.4.1. Kemungkinan persamaan probabilitas ruin

untuk proses surplus seperti itu dalam hal distribusi jumlah klaim ditunjukkan

dalam Teorema 13.5.1 dan 13.6.1. Beberapa hasil peneitian di bidang ini telah

dipublikasikan pada edisi pertama Matematika Aktuaria. Penelitian terbaru oleh

Gerber dan Shiu(1997) memberikan ringkasan yang dapat dibaca dari hasil ini.

Kami mengutip abstrak mereka.

“Paper ini mempelajari tentang probabilitas bersama dari waktu dan ruin,

surplus dengan segera sebelum ruin, dan defisit di ruin. Model klasik

diumumkan melalui faktor diskon dengan memperhatikan waktu dan ruin.

Kami menunjukkan cara menghitung diskon akhir yang diharapkan, yang

mungkin bergantung pada defisit ruin dan surplus diawal sebelum ruin.

Diskon akhir yang diharapkan sebagai fungsi dari surplus awal,

memenuhi persamaan pembaruan tertentu, ysng memiliki interpretasi

probabilitas. Secara eksplisit diperoleh untuk keadaan nol dan surplus

awal yang snagat besar, dan untuk surplus acak ketika jumlah klaim

bedistribusi eksponensial. Kita mengumumkan formula dari D. C. M.

Dickson, dengan persamaan dari distribusi gabungan untuk surplus awal

sebelumnya dan ruin dalam probabilitas ruin akhir. Secara eksplisit

diperoleh dividen yang dibayarkan kepada pemegang saham.”

Pembaca membuktikan teorema 13.5.1 akan dikenali penggunaan fungsi akhir.

Referensi umum adalah :

 Beard (Penitikamen, dan Pesonen (1984)

 Beekman (1974)

 Buhlmann (1970)
  Gerber (1979)

 Panjer dan willmot (1992) dan

 Seal (1969)

Teori ruin tekah dikembangkan oleh Sekolah Scandinavian (F. Lundberg, Cramer)

dan oleh Sekolah Italia (DeFinetti); perkembangan ini secara akurat dijelaskan

oleh Dubourdieun (1952)

Kita tidak membahas formula asymptotic yang terkenal untuk probabilitas

ruin,

𝜓(𝑢) ≅ 𝐶𝑒 −𝑅𝑢 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡, 𝑢 → ⁡∞ (13.7.1)

Dimana C merupakan konstanta. Lihat teorema 13.4.1, pada formula ini cukup

masuk akal.; artinya penyebut pada (13.4.4) terbatas di 𝑢 → ⁡∞ dengan C di

(13.7.1) yang merupakan resiprokal dari limit. Dalam bentuk lain dimana jumlah

distribusi klaim adalah gabungan distribusi eksponensial, bentuk asimtotik

diilustrasikan di (13.6.13).

Formua pada latihan 13.11 adalah persamaan yang telah diperbaharui.

Feller (1966) mendiskusikan solusi dari persamaan tipe ini; khususnya; dia

membuktikan (13.7.1). dengan teknik yang sama, Gerber (1974) menemukan

batas dari kondisi distribusi dari −𝑈(𝑇), diberikan 𝑇 < ∞, untuk 𝑢 → ⁡∞.

Jika kita memodifikasi model dengan asumsi bahwa surplus menghasilkan

bunga yang konstan. 𝛿 > 0, kita bisa mengganti c dengan 𝑐 + 𝑢𝛿 pada persamaan

integro-differential (13.A.12) di bagian Appendix. Bentuk lain jumlah eksponen

klaim, persamaan yang dihasilan memiliki solusi eksplisit dalam fungsi gamma.
 Jika premi dan klaim ditukar dengan premi pembayaran oleh perusahaan

asuransi dan klaim yang mewakili pembayaran kepada perusahaan, sehingga

𝑈(𝑡) = 𝑢 − 𝑐𝑡 + 𝑆(𝑡)

Dimana asumsi sekarang 𝑐 < 𝜆⁡𝑝1 , dan secara eksplisit formulanya

𝜓(𝑢) = 𝑒 −𝑅𝑢

Untuk membuktikan ini, pertama lihat Teorema 13.4.1 dan amati surplus pada

waktu ruin selalu 0. Telah disarankan bahwa model ini dapat digunakan untuk

portofolio anuitas ketika kematian bisa membebaskan cadangan dari pemegang

polis dan mengarah klaim negative.

Seal (1978b) membahas metode untuk mengevaluasi probabilitas ruin

pada interval waktu yang terbatas. Beekman and Bowers (1972), aproksimasi

𝜓(𝑢, 𝑡) dengan moment yang pas. Gerber (1974) dan DeVylder (1977) memberi

batas atas untuk 𝜓(𝑢, 𝑡) dengan argument martingale.

Panjer dan Willmot (1992, Chapter 11) mendiskusikan ide pada bagian ini

menggunakan tools matematika. Bagian 11.4 dan 11.5 adalah bunga khusus

karena metode rekursif untuk menghitung aproksimasi ruin akhir.

APPENDIX

Pembuktian Teorema 13.2.2

Perhitungan berikut menghasilkan rumus rekursif sederhana untuk surplus

yang dimodifikasi

𝑎
̂𝑖 = 𝑈𝑖 −
𝑈 𝑊
1−𝑎 𝑖
𝑎
= 𝑈𝑖−1 + 𝑐 − 𝑊𝑖 − 𝑊
1−𝑎 𝑖
 𝑎
= 𝑈𝑖−1 + 𝑐 − 𝑊
1−𝑎 𝑖

1
= 𝑈𝑖−1 + 𝑐 − (𝑌 + 𝑎𝑊𝑖−1
1−𝑎 𝑖
𝑖 𝑌
= 𝑈𝑖−1 + 𝑐 − 1−𝑎 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡, 𝑖 = 1,2, … (13.A.1)

Dari (13.A.1), (131.2.18) dan variabel bebas dari 𝑌𝑖 untuk setiap n,

𝐸(exp(−𝑅̅ [𝑈
̂𝑛 − 𝑈
̂𝑖 ])) = 1, 𝑖 = 0,1,2, … , 𝑛 (13.A.2)

Sekarang pandang identitas

𝐸[exp(−𝑅̅ 𝑈
̂𝑛 )] = ∑𝑛𝑖=1 𝐸[exp(−𝑅̅ 𝑈
̂𝑛 ) |𝑇̅ = 𝑖] Pr(𝑇̅ = 𝑖) + 𝐸[exp(−𝑅̅ 𝑈
̂𝑛 )|⁡⁡⁡𝑇̅ >

𝑛]⁡Pr⁡(𝑇̅ > 𝑛)⁡ (13.A.4)

Sama dengan persamaan (13.A.8) pada pembuktian Teorema 13.4.1. Sekarang

kita lihat 𝑛 → ∞, maka pertama persamaan sebelah kanan pada (13.A.4)

konvergen ke
∞

∑ 𝐸[exp(−𝑅̅ 𝑈
̂𝑖 ) |𝑇̅ = 𝑖] Pr(𝑇̅ = 𝑖) = 𝐸[exp(𝑅̅ 𝑈
̂𝑇 ) |𝑇̅ < ∞]Pr⁡(𝑇̅ < ∞)
𝑖=1

Sehingga untuk melengkapi bukti Teorem 13.2.2 kita harus menunjukkan bahwa

persamaan kedua dari sebelah kanan (13.A.4) 𝑛 → ∞. Kita dapat mengerjakan

dengan bentuk

Dari (13.2.17) menunjukkan

𝐸[𝑌] 1 − 𝑎𝑛 𝐸[𝑌]
𝐸[𝑆𝑛 ] = 𝑛 −𝑎 ( − 𝑤)
1−𝑎 1−𝑎 1−𝑎
𝐸[𝑌]
̂𝑛 ] > 𝑢 + 𝛼⁡𝑛⁡jika n
Karena 𝑐 > (1−𝑎), terdapat bilangan positif 𝛼 sehingga 𝐸[𝑈

cukup besar. Selanjutnya, mengikuti dari (13.2.17) terdapat bilangan 𝛽 2 sehingga

̂𝑛 ) < 𝛽 2 𝑛. Ingat pembuktian bentuk kedua dari persamaan sebelah kanan

𝑉𝑎𝑟(𝑈
(13.A.4) konvergen ke 0 dari 𝑛 → ∞ sama dengan pembuktian yang ditunjukkan

secara jelas untuk konvergensi dari persamaan kedua disisi kanan (13.A.4) dalam

bukti yang diberikan dibawah ini untuk Teorema 13.4.1. Lihat Promislow (1991a)

untuk melengkapi demontrasi pada langkah ini.

Pembuktian Teorema 13.4.1

Untuk 𝑡 > 0 dan 𝑟 > 0 , kita memandang

𝐸[𝑒 −𝑟𝑈(𝑡) |𝑇 ≤ 𝑡] Pr(𝑇 ≤ 𝑡) + 𝐸[𝑒 −𝑟𝑈(𝑡) |𝑇 > 𝑡]Pr⁡(𝑇 > 𝑡) (13.A.5)

Karena 𝑈(𝑡) = 𝑢 + 𝑐𝑡 − 𝑆(𝑡), persamaan disisi kiri adalah

exp⁡[−𝑟𝑢 − 𝑟𝑐𝑡 + 𝜆𝑡[𝑀𝑋 (𝑟) − 1]] (13.A.6)

dalam persamaan pertama sisi kanan, kita dapat menuliskan

𝑈(𝑡) = 𝑈(𝑇) + [𝑈(𝑡) − 𝑈(𝑇)]

= 𝑈(𝑇) + 𝑐(𝑡 − 𝑇) − [𝑆(𝑡) − 𝑆(𝑇)]

Diberikan T, persamaan dalm kurung tidak bergantung pada 𝑈(𝑇) dan

berdistribusi Poisson dengan Parameter Poisson 𝜆(𝑡 − 𝑇). Karena itu persamaan

pertama pada sisi kanan (13.A.5) bisa dituliskan :

𝐸(exp(−𝑟𝑈(𝑇)) exp{−𝑟𝑐(𝑡 − 𝑇) + 𝜆(𝑡 − 𝑇)[𝑀𝑥 (𝑟) − 1]} |𝑇 ≤]Pr⁡(𝑇 ≤ 𝑡)

(13.A.7)

Persamaan (13.A.6) dan (13.A.7) dapat disederhanakan dengan memilih r seperti :

−𝑟𝑐 + 𝜆[𝑀𝑋 (𝑟) − 1] = 0

Terdapat dua solusi (Lihat persamaan (13.4.1). Solusi 𝑟 = 0 memberikan identitas

trivial ketika disubstitusikan kedalam (13.A.5). Solusi lainnya 𝑟 = 𝑅, adalah

koefisien penyesuaian. Jika 𝑟 = 𝑅 kita substitusikan kedalam persamaan yang

sederhana(13.A.5), kita akan memperoleh

 𝑒 −𝑅𝑢 = 𝐸[𝑒 −𝑅𝑈(𝑇) |𝑇 ≤ 𝑡] Pr(𝑇 ≤ 𝑡) + 𝐸[𝑒 −𝑅𝑈(𝑡) |𝑇 > 𝑡]Pr⁡(𝑇 > 𝑡)

(13.A.8)

Perhatikan 𝑡 → ∞. Istilah pertama pada persamaan sisi kanan konvergen ke

𝐸[𝑒 −𝑅𝑈(𝑇) |𝑇 < ∞]𝜓(𝑢)

Karena Teorema 13.4.1 kita dapat melihat istilah kedua persamaan sisi kanan

habis oleh 𝑡 → ∞. Dapat ditunjukkan sebagai berikut :

Biarkan 𝑎 = 𝑐 − ⁡𝜆𝑝1 ⁡, 𝛽 2 = ⁡𝜆𝑝2 ⁡⁡Sehingga, dari (13.2.6) dan (13.3.7).

E[𝑈(𝑡)] = E[𝑢 + 𝑐𝑡 − 𝑆(𝑡)] = 𝑢 + 𝑎𝑡,

dan

Var[𝑈(𝑡)] = ⁡Var[𝑆(𝑡)] = ⁡⁡ 𝛽 2 𝑡.
2
Kita perhitungkan 𝑢 + 𝑎𝑡 − ⁡𝛽𝑡 3 , dimana positif untuk 𝑡 cukup besar.

Sekarang kita bagi bentuk kedua disisi kanan dari (13.A.8) dengan membedakan
2
𝑈(𝑡) itu lebih kecil atau lebih besar dari 𝑢⁡ + ⁡𝑎𝑡 − ⁡𝛽𝑟 3 . Dengan pembagian ini,

kita memiliki
2
𝐸[𝑒 −𝑅𝑈(𝑡) |𝑇 > 𝑡, 0 ≤ 𝑈(𝑡) ≤ 𝑢 + 𝑎𝑡 − 𝛽𝑟 3
2
Pr⁡[𝑇 > 𝑡, 0⁡ ≤ 𝑈(𝑡) ≤ 𝑢 + 𝑎𝑡 − 𝛽𝑡 3 ]
2
+𝐸[𝑒 −𝑅𝑈(𝑡) |𝑇 > 𝑡, 𝑈(𝑡) > 𝑢 + 𝑎𝑡 − 𝛽𝑟 3 ]
2
Pr⁡[𝑇 > 𝑡, 𝑈(𝑡) > 𝑢 + 𝑎𝑡 − ⁡𝛽𝑡 3 ]
2 2
≤ Pr [𝑈(𝑡) ≤ 𝑢 + 𝑎𝑡 − 𝛽𝑡 3 ] + ⁡exp⁡[−𝑅 (𝑢 + 𝑎𝑡 − 𝛽𝑡 3 )]

𝟏 2
≤ 𝒕−𝟑 + exp⁡[−𝑅 (𝑢 + 𝑎𝑡 − 𝛽𝑡 3⁡ )]

dengan ketidaksamaan Chebychev. Tapi dengan ikatan di atas ini, bentuk kedua di

sisi kanan dari (13.A.8) akan hilang bagi 𝑡 →⁡∝

Bukti dari Theorem 13.5.1:

Untuk bukti ini kita memperkenalkan sebuah konsep baru yaitu

ketertarikan pada bagian itu sendiri. Misalkan 𝑤(𝑥), 𝑥 < 0, berfungsi dengan

𝑤(𝑥) ≥ 0. Kita menetapkan

(𝑢; 𝑤) = ⁡𝐸[𝑤(𝑈(𝑇))⁡|𝑇 <⁡∝]⁡(𝑎),⁡⁡⁡𝜓(𝑢) (13.A.9)

Diperhitungkan sebagai fungsi surplus awal,𝑢. Kita bisa menafsirkan

𝑤(𝑥) sebagai sebuah penalti jika surplus nya pada waktu penghancuran adalah 𝑥.

Pada kasus ini (𝑢; 𝑤) adalah nilai yang diharapkan dari penalti tersebut.

Contohnya:

a. jika⁡𝑤(𝑥) − ⁡ 𝑒 −𝑅𝑥 , lalu (13.4.4) menunjukan bahwa (𝑢; 𝑤) = ⁡ 𝑒 −𝑅𝑢

b. jika 𝑤(𝑥) = 1, lalu (13.A.9) menunjukan bahwa (𝑢; 𝑤) = 𝜓(𝑢)

1⁡⁡⁡,⁡⁡⁡⁡⁡⁡⁡⁡𝑥 < −ℎ
c. jika 𝑤ℎ (𝑥) = {
0⁡, −ℎ ≤ 𝑥 ≤ 0,

kemudian

𝜓(0; 𝑤ℎ ) = Pr[𝑈(𝑇) < −ℎ|⁡𝑇 <∝]𝜓(0).

Kita mulai membuktikan dengan menunjukan bahwa, untuk setiap fungsi terikat

𝑤(𝑥), kita memiliki

𝐴 𝑥
𝜓(0; 𝑤) = 𝑐 ∫0 𝑤(−𝑦)[1 − 𝑃(𝑦)]𝑑𝑦. (13A.10)

Menggunakan hukum probabilitas total diterapkan pada definisi dari

penalti yang diharapkan (13.A.9) dengan pengkondisian pada jumlah yang

diklaim di interval awal (0, 𝑏), kita memiliki

(𝑢; 𝑤) = Pr[𝑁(𝑏) = 0] [Harapan Penalti Bersyarat diberikan 𝑁(𝑏) = 0⁡]

+Pr[𝑁(𝑏) = 1] [Harapan Penalti Bersyarat diberikan 𝑁(𝑏) = 1]

 +Pr[𝑁(𝑏) > 1] [Harapan Penalti Bersyarat diberikan 𝑁(𝑏) > 1].

(13.A.11)

Dari sifat proses perhitungan Poisson,

Pr[𝑁(𝑏) = 0] = 𝑒 −𝜆𝑏 ,

Pr[𝑁(𝑏) = 1] = 𝜆𝑏𝑒 −𝜆𝑏 ,

Pr[𝑁(𝑏) > 1] = 𝑏⁡𝐴(𝑏), di mana batas 𝐴(𝑏) adalah 0 ketika 𝑏 menjadi 0.

Dengan pembatasan 𝑤(𝑏) pada fungsi non-negatif terikat, 0 ≤ 𝑤(𝑥) ≤ 𝑀

untuk beberapa 𝑀. Dengan batasan ini, dan sifat proses Poisson senyawa, kita

menghitung sebagai berikut:

Untuk 𝑁(𝑏) = 0, harapan penalti bersyaratnya adalah 𝜓(𝑢 = 𝑐𝑏; 𝑤).

Karena tak ada klaim yang terjadi dan penghasilan telah diterima pada nilai 𝑐,

surplus telah maju ke 𝑢 = 𝑐𝑏 dan peningkatan independen stasioner menempatkan

prosesnya ke titik awal baru.

Untuk 𝑁(𝑏) = 1, kita perlu mengkondisikan lebih jauh jumlahnya, 𝑥, dari

klaim satuan:

- jika 𝑥 ≤ 𝑢, surplusnya tetap positif, dan untuk kasus pengklaiman, harapan

penalti bersyaratnya adalah 𝜓(𝑢 = 𝑐𝑏 − 𝑥; 𝑤).

- Jika 𝑢 < 𝑥 ≤ 𝑢 + 𝑐𝑏, itu cukup untuk mengamati bahwa harapan penalti

bersyarat, katakanlah, 𝐴(𝑥, 𝑏), kurang atau setara dengan ikatan dari 𝑤(𝑥), 𝑀.

- Jika 𝑥 > 𝑢 + 𝑐𝑏, lalu surplusnya menjadi negatif pada terjadinya es dari

pengklaiman, dan harapan penalti bersyarat adalah 𝑤(𝑢 + 𝜉 − 𝑥), dimana ξ

adalah jumlah penghasilan yang diterima sampai pada waktu pengklaiman.

Demikian juga untuk 𝑁(𝑏) = 1, harapan penalti bersyarat nya adalah

𝑥 𝑢+𝑐𝑏
∫0 𝜓(𝑢 + 𝑐𝑏 − 𝑥; 𝑤)𝑝(𝑥)𝑑𝑥 + ∫𝑥 𝐴(𝑥, 𝑏)𝑝(𝑥)𝑑𝑥
 𝑥

+ ∫ 𝑤(𝑢 + 𝜉 − 𝑥)𝑝(𝑥)𝑑𝑥
𝑢+𝑐𝑏

Untuk 𝑁(𝑏) > 1, itu juga cukup untuk mengamati bahwa harapan penalti

bersyarat, katakanlah, 𝐷(𝑏), kurang atau setara dengan ikatan dari 𝑤(𝑥), 𝑀.

Dengan menggabungkan tiga kasus ini menjadi (13.A.11), kita

mendapatkan
𝑢
(𝑢; 𝑤) = 𝑒 −𝜆𝑏⁡ 𝜓(𝑢 + 𝑐𝑏; 𝑤) + 𝜆𝑏𝑒 −𝜆𝑏 [∫0 𝜓(𝑢 + 𝑐𝑏 − 𝑥; 𝑤)𝑝(𝑥)𝑑𝑥

𝑢+𝑐𝑏 𝑥
+ ∫𝑢 𝐴(𝑥, 𝑏)𝑝(𝑥)𝑑𝑥 + ∫𝑢+𝑐𝑏 𝑤(𝑢 + 𝜉 − 𝑥)𝑝(𝑥)𝑑𝑥] + 𝑏⁡𝐴(𝑏)𝐷(𝑏)

(13.A.12)

Sekarang kurangi 𝜓(𝑢; 𝑤) dari kedua sisi (13.A.12) dan bagi hasilnya dengan 𝑐𝑏

untuk mendapatkan

𝒆−𝝀𝒃 ⁡𝝍(𝒖+𝒄𝒃;𝒘)−𝝍(𝒖;𝒘) 𝝀 𝒖
+ 𝒄 𝒆−𝝀𝒃 [∫𝟎 𝝍(𝒖 + 𝒄𝒃 − 𝒙; 𝒘)𝒑(𝒙)𝒅𝒙
𝒄𝒃

𝒖+𝒄𝒃 𝒙 𝑨(𝒃)𝑫(𝒃)
+ ∫𝒖 𝑨(𝒙, 𝒃)𝒑(𝒙)𝒅𝒙 = ∫𝒖+𝒄𝒃 𝒘(𝒖 + 𝝃 − 𝒙)𝒑(𝒙)𝒅𝒙] + = 𝟎.
𝒄

(13.A.13)

Ketika b menuju 0 , batas dati ketiga syarat (13.A.13) yaitu

𝑢
𝜆⁡𝜓(𝑢; 𝑤) + 𝑐𝜓′ (𝑢; 𝑤) 𝜆
−⁡ ⁡, ⁡[∫ 𝜓(𝑢 − 𝑥; 𝑤)𝑝(𝑥)⁡𝑑𝑥
𝑐 𝑐 0

∞
+ ⁡ ∫ 𝑤(𝑢 − 𝑥)𝑝(𝑥)⁡𝑑𝑥] , 𝑑𝑎𝑛⁡0
𝑢

Sehingga

′ (𝑢;
𝜆 𝜆 𝑢 𝜆 𝑥
𝜓 𝑤) = ⁡ 𝜓(𝑢; 𝑤) − ⁡ ∫ 𝜓(𝑢 − 𝑥; 𝑤)𝑝(𝑥)⁡𝑑𝑥 − ∫ 𝑤(𝑢 − 𝑥)𝑝(𝑥)⁡𝑑𝑥⁡⁡
𝑐 𝑐 0 𝑐 𝑢

(13.A.14)
 Sekarang kita integralkan persamaan diatas u dari 0 ke z. Hasil dari

integral ganda dapat direduksi menjadi integral tunggal dengan perubahan pada

variabel nya. Untuk integral ganda yang pertama kita ganti 𝑥⁡dan 𝑢 dengan 𝑥 dan

𝑦 = 𝑢 − 𝑥. Kemudian
𝑧 𝑢 𝑧 𝑧−𝑦
∫ ∫ 𝜓(𝑢 − 𝑥; 𝑤)𝑝(𝑥)⁡𝑑𝑥⁡𝑑𝑢 = ⁡ ∫ ∫ 𝜓(𝑦; 𝑤)𝑝(𝑥)⁡𝑑𝑥⁡𝑑𝑦⁡
0 0 0 0

𝑧
= ⁡ ∫ ⁡ 𝜓(𝑦; 𝑤)𝑃(𝑧 − 𝑦)⁡𝑑𝑦
0

Untuk integral ganda yang kedua kita ganti 𝑥⁡dan 𝑢 dengan 𝑥 dan 𝑦 = 𝑥 − 𝑢.

Kemudian
𝑧 ∞ ∞ 𝑧+𝑦
∫ ∫ 𝑤(𝑢 − 𝑥)𝑝(𝑥)⁡𝑑𝑥⁡𝑑𝑢 = ⁡ ∫ ∫ 𝑤(−𝑦)[𝑃(𝑦 + 𝑧) − 𝑃(𝑦)]⁡𝑑𝑦⁡
0 𝑢 0 𝑦

𝜆 𝑥
−⁡ ∫ 𝑤(−𝑦)[𝑃(𝑦 + 𝑧) − 𝑃(𝑦)]⁡𝑑𝑦⁡
𝑐 0

(13.A.15)

Untuk 𝑧 → ∞⁡,⁡syarat pertama menghilangkan kedua sisi

𝜆 ∞
−⁡𝜓(0; 𝑤) = ⁡ −⁡ ⁡∫ 𝑤(−𝑦)⁡[1 − 𝑃(𝑦)]⁡𝑑𝑦
𝑐 0

Sekarang definisikan 𝑤ℎ (𝑥) pada contoh ( c ) , sebagai berikut

1⁡⁡⁡⁡⁡⁡⁡⁡, 𝑥 < −ℎ
𝑤ℎ (𝑥) = ⁡ {
0⁡, −ℎ ≤ 𝑥 ≤ 0

Kemudian

𝜆 ∞
Pr ⁡[𝑈(𝑇) < ⁡ −ℎ⁡|⁡𝑇 < ∞]⁡𝜓(0) = 𝜓(0;⁡𝑤ℎ ) = ⁡ ∫ [1 − 𝑃(𝑦)]⁡𝑑𝑦
𝑐 ℎ

Oleh karena itu, ketika = 0 , probabilitas bahwa surplus turun dibawah 0

dan akan berada diantara −ℎ dan −ℎ − 𝑑ℎ ketika itu terjadi, yaitu

 𝜆
⁡[⁡1 − 𝑃(ℎ)]⁡𝑑ℎ
𝑐

Jika 𝑢 > 0⁡,⁡peristiwa dengan probabilitas sama bahwa surplus akan jatuh

dibawah u, dan akan berada diantara 𝑢 − ℎ dan 𝑢 − ℎ − 𝑑ℎ ketika itu terjadi. Ini

membuktikan teorema 13.5.1 .

LATIHAN

Bagian 13.2

13.1 Misalkan 𝑊𝑖 hanya diasumsikan bahwa nilai 0 dan +2 dan Pr(𝑊 = 0) =

1
𝑝⁡, Pr(𝑊 = 2) = 𝑞⁡dimana +𝑞 = 1 . Asumsikan bahwa 𝑐 = 1⁡, 𝑝 > 2⁡dan

u merupakan bilangan bulat. Untuk kasus ini, tentukan

a) U(T)

b) 𝜓(𝑢)⁡dalam hal 𝑅

c) 𝑅 dalam hal 𝑝, 𝑞

d) 𝜓(𝑢)⁡dalam hal 𝑝, 𝑞

13.2 Tinjau kalim pada periode 𝑛 + 1⁡, 𝑛 + 2⁡, … , 𝑛 + 𝑚 dan tunjukan total

𝑆𝑛,𝑚 ⁡dibawah ini

a) 𝑆𝑛,𝑚 = ⁡ ∑𝑚 𝑚−𝑖 𝑖 𝑚
𝑖=1 𝑌𝑛+1 ⁡∑𝑗=0 𝑎 + 𝑊𝑛 ∑𝑗=1 𝑎
𝑗

1−𝑎(𝑚−𝑖+1 𝑎−⁡𝑎𝑚+1
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= ⁡ ∑𝑚
𝑖=1 ( )⁡𝑌𝑛+𝑖 + ⁡ ( )⁡𝑊𝑛
1−𝑎 1−𝑎

b) Untuk 𝑚⁡ → ⁡∞ syarat terakhir disisi kanan dari ekspresi (a)

𝑎⁡𝑊𝑛
konvergen ke 1−𝑎
 c) 𝐸⁡[⁡𝑆𝑛,𝑚 ⁡|⁡𝑊1 = ⁡ 𝑤1 ⁡, 𝑊2 = ⁡ 𝑤2 ⁡, …⁡𝑊𝑛 = ⁡ 𝑤𝑛 ⁡]

𝑚(1 − 𝑎) − 𝑎 + ⁡ 𝑎𝑚+1 𝑎 − 𝑎𝑚+1

⁡⁡⁡⁡⁡⁡= ⁡ [ ] ⁡𝜇 + ⁡ ( )⁡𝑤𝑛
(1 − 𝑎)2 1−𝑎

Dimana 𝐸⁡(𝑌𝑛+𝑖 ) = ⁡𝜇

Bagian 13.3

13.3 Misalkan 𝑉1 ⁡, 𝑉2 ⁡, … bebas , variabel acak terdistribusi secara acak dengan

𝑑. 𝑓⁡𝐹(𝑥) dan 𝑝. 𝑑. 𝑓. 𝑓, 𝑥 ≥ 0 . Diberikan 𝑁(𝑡) = 𝑖⁡dan 𝑇𝑖 = 𝑠⁡(𝑠 <

𝑡),⁡Berapakah probabilitas terjadinya klaim antara waktu 𝑡 dan 𝑡 + 𝑑𝑡 ?

(generalisasi proses Poisson ini disebut proses pembaruan)

13.4 {𝑁(𝑡),⁡⁡⁡𝑡 ≥ 0} merupakan proses Poisson dengan parameter 𝜆 dan

𝑝𝑛 (𝑡) = Pr[𝑁(𝑡) = 𝑛]

a. Tunjukkan bahwa

𝑝′ 0 (𝑡) = −𝜆⁡⁡𝑝0 (𝑡)

𝑝′ 𝑛 (𝑡) = −𝜆⁡⁡𝑝𝑛 (𝑡) + 𝜆⁡⁡𝑝𝑛−1 (𝑡)⁡,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑛 ≥ 1

b. Interpretasikan formula pada soal tersebut

Bagian 13.4

13.5 Hitunglah lim 𝑅 dan lim 𝑅

𝜃→0 𝜃→𝑥

1
13.6 Gunakan 𝑒 𝑟𝑥 > 1 + 𝑟𝑥 + 2 (𝑟𝑥)2 dimana 𝑟 > 0⁡dan 𝑥>0 untuk

menunjukan bahwa

2⁡𝜃⁡𝑝1
𝑅< !
𝑝2
 2 3 7
13.7 Andaikan 𝜃 = 5 dan 𝑝(𝑥) = 2 𝑒 −3𝑥 + 2 𝑒 −7𝑥 ⁡ dengan 𝑥 > 0. Hitunglah

a. 𝛾 b. 𝑅

1
13.8 Anggap bahwa distribusi jumlah klaim adalah diskrit dengan 𝑝(1) = 4⁡

3
dan 𝑝(2) = 4 . Jika 𝑅 = ⁡ log 2⁡,⁡hitunglah 𝜃.

13.9 Tunjukkan bahwa koefisien 𝑐 yang sesuai sehingga dapat diperoleh solusi

unik dari persamaan

𝑥 𝑐
∫0 𝑒 𝑟𝑥 [1 − 𝑃(𝑥)]⁡𝑑𝑥 = ⁡ 𝜆 ⁡⁡,⁡⁡⁡⁡⁡𝑟 < 𝛾

Bagian 13.5

13.10 Gunakan Teorema 13.5.1 untuk mengevaluasi penyebutnya di 13.4.4

dalam kasus 𝑢 = 0. Apakah hasilnya konsister dengan 13.5.2?

13.11 a. Tunjukkan dengan interpretasi bahwa 𝜓(𝑢)⁡⁡, 𝑢 ≥ 0 memenuhi

persamaan berikut :

𝜆 𝑢 𝜆 𝑢
𝜓(𝑢) = 𝑐 ⁡ ∫0 [1 − 𝑃(𝑦)] ⁡𝜓(𝑢 − 𝑦)⁡𝑑𝑦 + ⁡ 𝑐 ⁡ ∫0 [1 − 𝑃(𝑦)] ⁡𝑑𝑦

Petunjuk : Gunakan Teorema 13.5.1

b. Persamaan yang ditunjukkan pada bagian (a) disebut persamaan

pembaharuan. (Lihat latihan 13.3). Itu adalah persamaan integral karena

merupakan hubungan antara fungsi dimana hubungan tersebut melibatkan

integral. Salah satu metode mencari solusi untuk persamaan integral

 adalah dengan mengubahnya menjadi persamaan Integro-differential.

Tunjukkan bahwa
𝑢
𝜆 𝜆
𝜓′(𝑢) = ⁡{𝜓(𝑢) − ⁡∫ 𝜓(𝑢 − 𝑦)⁡𝑝(𝑦) 𝑑𝑦 − [1 − 𝑃(𝑢)]}
𝑐 𝑐
0

𝑟2 𝑟3
13.12 Subtitusikan 𝑀𝑥 (𝑟) = 1 + 𝑝1 ⁡𝑟 + 𝑝2 ⁡ 2 + 𝑝3 ⁡ 6 + ⋯ kedalam (13.5.4)

untuk menyatakan

a. 𝐸[𝐿1 ] b. 𝐸[𝐿21 ] c. 𝑉𝑎𝑟[𝐿1 ]

Bagian 13.6

13.13 a. Untuk 𝑁 seperti pada (13.6.5) tunjukkan bahwa

1 1+𝜃
𝐸[𝑁] = 𝜃⁡ dan 𝑉𝑎𝑟[𝑁] = 𝜃2

b. Gunakan hasil latihan 13.12 untuk menurunkan pernyataan untuk E⁡[L]

danVar⁡[L].

[Petunjuk: Rumus (13.6.5), (12.2.5) dan (12.2.6), dengan 𝑝1 =

𝐸[𝐿1 ], 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝐿1 ), sangat membantu. Untuk penurunan

alternatif, perluas 𝑀𝐿 (𝑟) pada (13.6.4) dengan kekuatan dari 𝑟]

13.14 Tentukan m.g.f dari L jika semua klaim memiliki ukuran 2.

13.15 Dibawah asumsi tertentu, kemungkinan kehancuran adalah

𝜓(𝑢) = (0,3)𝑒 −2𝑢 + (0,2)𝑒 −4𝑢 + (0,1)𝑒 −7𝑢 ⁡⁡⁡⁡⁡⁡⁡⁡𝑢 ≥ 0 . Hitunglah

a. 𝜃 b. 𝑅
13.16 Berapa ukuran klaim yang diharapkan untuk distribusi dari formula

(13.6.10)

1 16
13.17 Misalkan 𝜆 = 3⁡, 𝑐 = 1 dan 𝑝(𝑥) = 3 ⁡𝑒 −3𝑥 + ⁡ ⁡𝑒 −6𝑥 ⁡⁡⁡⁡⁡⁡⁡𝑥 > 0
3

Hitung : a. 𝑝1

b. 𝜃

c. 𝑀𝑥 (𝑟)

d. Pernyataan untuk sisi kanan dari (13.6.9) dan (13.6.12)

e. Rumus secara eksplisit untuk 𝜓(𝑢)

9𝑥
13.18 Misalkan 𝜆 = 1⁡, 𝑐 = 10 dan 𝑝(𝑥) = 25 ⁡𝑒 −3𝑥/5 ⁡⁡⁡⁡⁡⁡𝑥 > 0

Hitung : a. 𝑝1

b. 𝜃

c. 𝑀𝑥 (𝑟)

d. Pernyataan untuk sisi kanan dari (13.6.9) dan (13.6.12)

e. Rumus secara eksplisit untuk 𝜓(𝑢)

13.19 Diskusi Beekman (1969) dan Bowers menyarankan pendekatan berikut

untuk d.f. dari L :

Pr(𝐿 ≤ 𝑢) ≅ 𝜉⁡𝐼(𝑢) + (1 − 𝜉)⁡𝘎(𝑢:⁡𝛼, 𝛽)

Dimana 𝐼(𝑥) adalah adalah degenerate d.f. dari konstanta 0 dan G adalah

d.f. dari distribusi gamma dengan parameter 𝛼 dan 𝛽.

a. Tentukan 𝜉⁡, 𝛼 dan 𝛽 untuk mencocokkan titik massa pada titik asal

dan dua momen pertama L; lihat Excercise 13.13 (b)

 b. Apa pendekatan yang dihasilkan untuk 𝜓(𝑢), 𝑢 ≥ 0 ?

13.20 Dalam proses surplus, (1) klaim agregat mengikuti proses Poisson

majemuk, dan (2) distribusi jumlah klaim adalah campuran dari 𝑛

distribusi eksponensial dengan p.d.f yang diberikan oleh (13.6.10).

a. Tunjukkan bahwa distribusi bersyarat dari 𝐿1 , dimana surplus turun di

bawah tingkat awalnya adalah campuran dari 𝑛 distribusi eksponensial

yang sama.

b. Tentukan pernyataan untuk bobot 𝑛 dari campuran tersebut, dalam hal

bobot dan parameter-parameter dari distribusi jumlah klaim

c. Tentukan 𝐸[𝐿1 ]

13.21 Untuk proses surplus dalam contoh 13.6.2, tentukan :

a. P.d.f dari 𝐿1

b. 𝐸[𝐿1 ]

c. 𝑉𝑎𝑟[𝐿1 ]

Lain-lain

13.22 Dalam konteks rumus (13.2.1) , 𝐺𝑖 ⁡ = ⁡ 𝑈𝑖 − 𝑈𝑖−1 melambangkan laba

perusahaan asuransi antara waktu 1⁡– ⁡𝑖 dan 𝑖. Misalkan 𝐺1 , 𝐺2 , … adalah

independen, variabel acak terdistribusi secara terpisah. Anggap lebih jauh

bahwa 𝑢⁡(𝑥) = −𝑒 −𝛼𝑥 ⁡, 𝛼 > ⁡0 adalah fungsi utiilitas perusahaan

asuransi. Tunjukkan bahwa

𝐸[𝑢(𝑈𝑛+1 )⁡|⁡𝑈𝑛 = 𝑥] ⁡ ≥ 𝑢(𝑥)

 jika dan hanya jika 𝛼 ≤ 𝑅̅, dan interpretasikan hasilnya!

13.23 Jika kita mengubah unit waktu sehingga unit baru samadengan 𝑓 kali unit

lama (untuk beberapa 𝑓 > ⁡0) dan 𝑐̅, 𝜆̅⁡, 𝜓̅(𝑢, 𝑡) menunjukkan parameter

model dalam hal unit baru,

a. Apa parameter baru ini dalam hal 𝑐, 𝜆, 𝜓(𝑢, 𝑡) ?

b. Pada nilai 𝑓 mana sehingga 𝜆 = ⁡1? (Beberapa pengarang menyebut

unit-unit ini sebagai waktu operasional)

13.24 Dalam surplus proses :

1. Klaim agregat memiliki proses Poisson majemuk

2. Jumlah klaim terdistribusi secara merata di atas (0,10)

3. 𝜃 = 0,05

4. 𝑢 = 0,0

5. 𝑈(𝑇) adalah defisit dari kerusakan

6. 𝑈(𝑇−) adalah posisi surplus langsung sebelum kerusakan

[Catatan : 𝑈(𝑇 −) − 𝑋 = 𝑈(𝑇) , dimana 𝑋 adalah jumlah klaim

pada kerusakan.

Tentukan 𝐸[𝑈(𝑇 −)⁡|⁡𝑇 < ∞]

13.25 Misalkan semua klaim memiliki ukuran 1.

a. Nyatakan persamaan untuk 𝜓(𝑢) yang berhubungan dengan (13.A.14).

b. Selesaikan persamaan tersebut jika 0 ≤ 𝑢 ≤ 1 .