4.

3 BERAT EKOR

Ekor dari suatu distribusi (lebih tepat ekor kanan) adalah bagian dari mengungkapkan
probabilitas tentang nilai-nilai besar. Hal ini menarik bagi aktuaris karena kemunculan (atau
ketiadaan) nilai-nilai besar yang berpengaruh pada prof-nya. Jenis asuransi beresiko seperti
malpraktis medis memiliki klaim yang lebih besar (relatif terhadap rata-rata) daripada
asuransi yang kurang beresiko seperti kerusakan fisik mobil. Variabel acak yang cenderung
memberikan probabilitas yang lebih tinggi untuk nilai-nilai besar dikatakan ekor berat. Bobot
ekor dapat berupa konsep relatif (model A memiliki ekor yang lebih berat daripada model B)
atau konsep absolut (distribusi dengan sifat tertentu diklasifikasikan sebagai ekor berat). Saat
memilih model, bobot ekor dapat membantu mempersempit pilihan atau dapat menkonfirmasi
pilihan orang lain. Misalnya, ketika seseorang memodelkan pembayaran malpraktik medis
dengan distribusi pareto, tampaknya masuk akal karena distribusi pareto dianggap memiliki
ekor yang berat. Sebaliknya, distribusi lognorinal ekor ringan mungkin merupakan model
yang masuk akal untuk pembayaran asuransi gig. Namun, perlu dicatatat bahwa berbagai
ukuran bobot ekor tidak perlu disepakati.

4.3.1 keberadaan momen

Ingat bahwa dalam kasus kontinu momen mentah ke-k untuk variabel acak yang hanya
mengambil nilai positif (seperti kebanyakan variabel pembayaran asuransi) diberikan oleh
f(x)dz. Tergantung pada fungsi kerapatan dan nilai k, integral ini mungkin tidak ada. Jika
funsi kerapatan ini terlalu besar untuk nilai z yang besar, maka, jika dikendalikan dengan nilai
besar z*, nilai-nilai tersebut akan terlalu besar untuk integral tersebut untuk kovergen. Dengan
demikian, keberadaan semua momen positif menunjukan ekor kanan yang ringan, sedangkan
keberadaan hanya momen positif sehingga nilai tertentu (atau tidak ada nilai positif) atau nilai
tertentu (atau tidak ada momen positif sama sekali) menunjukan ekor kanan yang berat.

Contoh 4.15 tunjukan bahwa untuk distribusi gamma semua momen mentah positif ada tetapi
untuk distribusi pareto tidak ada.

Untuk distribusi gamma

∞
x α −1 e− x/ ϴ
µ =∫ x k
'
k ⅆx
0 Г ( α)ϴα

∞
( yϴ)α −1 e− y
¿ ∫ ( yϴ)k ϴdy , buat distribusi y = x /ϴ
0 Г (α )ϴα
 ϴk
¿ Г ( α+k )< ∞ untuk semua k > 0
Г (α )

Sedangkan untuk distribusi pareto

∞
' αϴα
k
µ =∫ x
k ⅆx
0 ( x +ϴ )α +1

∞
αϴ α
¿ ∫ ( y−ϴ) k α +1
ⅆybuat distribusi y = x + 0
0 y

∞ k
¿ αϴ α ∫ ∑ k y j−α −1(−ϴ)k− j dy untuk nilai dari k
0 j=0 j
()
Integral hanya ada jika semua eksponen pada y dalam jumlah kurang dari -1. Yaitu, j-a-1<-1
untuk semua j, atau, ekuivalen, k<a. Oleh karena itu, hanya beberapa momen yang ada.

Dengan perhitungan ini, distribusi pareto dikatakan memiliki eror yang lebih berat
daripada distribusi gamma. Lihat rumus momen di lampiran

3
Dengan cara yang sama, keberadaan semua momen negatif menunjukan ekor kiri yang
ringan. Sebuah perasaan untuk ekor kiri dapat membantu dalam memilih model distribusi
yang sesuai. Peryataan berlaku untuk fungsi kepadatan yang monoton dan dapat diturunkan
mendekati nol. Secara khusus, f(0) dan kemiringan fungsi kepadatan mendekati nol terkait
dengan keberadaan momen negatif (yaitu, E(x)dimana k adalah negatif). Misalkan momen
negatif hanya ada untuk k > -r jika r < 1, f(x) menuju tak hingga sebagai -0 jika r=1, f(0)
adalah bilangan non negatif a jika 1<r<2, f(0) = 0 dan kemiringan menuju tak hingga sebagai
– jika r = 2, f(0) = 0 dan kemiringan pada o adalah bilangan nonnegatif jika r > 2, f(0) = 0 dan
kemiringan pada 0 adalah 0, maka hanya sebagian kecil dari distribusi yang mendekati nol.

Sebagai contoh, distribusi webull dengan = 0.2 telah digunakan untuk asuransi
konpensasi pekerja. Nilai r adalah 0,2 yang berarti bahwa banyak probabilitas mendekati 03
pengaturan untuk 9 untuk menghasilkan rata-rata 30.000 memberikan peluang 28% klaim
menjadi kurang dari 1 dan peluang 1% melebihi 500.000. Ini mungkin model yang masuk
akal untuk kerugian besar (lihat bagian 4.4.7 untuk cara menggunakan bagian dari model).
Sebaliknya, distribusi lognormal yang memiliki mean dan varians yang sama memiliki
probabilitas kurang dari 0,1% untuk kurang dari 1 dan juga probabilitas sekitar 1% untuk
melebihi 500.000. Distribusi lognormal memiliki semua momen negatif dan dengan demikian
f(r) menjadi nol saat menuju nol.
A mengungkapkan distribusi mana yang memiliki ekor berat dan mana yang tidak, seperti
yang ditunjukkan oleh keberadaan momen.

4.3.2 Membatasi Rasio

Indikasi bahwa satu distribusi memiliki ekor yang lebih berat daripada yang lain adalah
bahwa rasio dari dua fungsi kelangsungan hidup harus menyimpang hingga tak terhingga
(dengan distribusi ekor yang lebih berat di pembilangnya). Ini menyiratkan bahwa distribusi
pembilang menempatkan probabilitas yang lebih besar secara signifikan pada nilai-nilai besar.
Ini setara dengan menguji rasio fungsi kepadatan. Batasnya akan sama, seperti yang dapat
dilihat dengan penerapan aturan L'Hospital:
S 1 ( x) S '1 ( x) −f 1( x)
lim =lim ' =lim
x→ ∞ S 2 ( x) x→ ∞ S ( x) x→ ∞ −f 2 ( x)
2

Contoh 4.16 menunjukkan bahwa distribusi pareto memiliki ekor yang lebih berat daripada
distribusi gamma menggunakan batas rasio fungsi densitasnya.

Untuk menghindari kebingungan, huruf dan akan digunakan untuk parameter

distribusi gamma, bukan dan biasa. Maka limit yang dibutuhkan adalah.

Dan, baik dengan penerapan aturan L'Hospital atau dengan mengingat bahwa eksponensial
menuju tak hingga lebih cepat daripada polinomial, batasnya adalah tak terhingga . Gambar
4.3 menunjukkan sebagian fungsi densitas untuk distribusi Pareto dengan parameter = 3 dan =
10 dan distribusi gamma dengan parameter =1/3 dan = 15. Kedua distribusi memiliki mean 5
dan varians 75. Grafik konsisten dengan turunan aljabar.

4.3.3 Tingkat bahaya dan rata-rata pola hidup sisa

Sifat fungsi tingkat bahaya juga mengungkapkan informasi tentang ekor distribusi. Jika fungsi
hazard rate menurun , maka pada nilai besar peluang nilai tersebut menjadi kecil dan peluang
nilai besar menjadi lebih besar. Dengan demikian distribusi akan memiliki ekor yang lebih
berat. Sebaliknya, jika fungsi tingkat bahaya meningkat, ekor yang lebih ringan diharapkan.

Gambar 4.3 Ekor distribusi gamma dan Pareto.

Contoh 4.17 Bandingkan ekor dari distribusi Pareto dan gamma dengan melihat fungsi
tingkat bahayanya.

Fungsi tingkat bahaya untuk distribusi Pareto adalah:

f (x)
h ( x )= =αθ α ¿ ¿
S(x)

yang semakin berkurang. Untuk distribusi gamma kita perlu sedikit lebih pintar karena tidak
ada ekspresi bentuk tertutup untuk S(x). Perhatikan itu

∞ ∞

∫ f ( t ) dt ∫ f ( x + y ) dy
1
=x 0
=
h(x) f (x) f (x )

Jadi, jika f(x+y)/f(x) adalah fungsi naik dari x untuk setiap y tetap, maka 1/h(x) akan
meningkat di x dan variabel acak akan memiliki tingkat bahaya yang menurun. Sekarang
untuk distribusi gamma

f ( x + y ) ( x+ y)α −1 e−(x+ y)/θ

= =¿
f (x) x α −1 e− x/θ

Yang benar-benar meningkat di x asalkan <1 dan benar-benar menurun di x jika >1.
Dengan ukuran ini, beberapa distribusi gamma memiliki ekor yang berat (yang memiliki <1)
dan beberapa memiliki ekor yang ringan. Perhatikan bahwa ketika =1 kita memiliki distribusi
eksponensial dan tingkat bahaya yang konstan. Juga, meskipun h(x) rumit dalam kasus
gamma, kita tahu apa yang terjadi untuk x besar. Karena f(x) dan S(x) keduanya menuju 0
sebagai x→∞, aturan L’Hospital menghasilkan

f (x ) f ' (x) d
lim h ( x )=lim
x→ ∞ x→ ∞ S(x)
=− lim
x →∞ f ( x)
=− lim [
x →∞ dx
ln f ( x ) ]
d
¿−lim ¿¿
x→∞ dx

Nilai sisa rata-rata juga memberikan informasi tentang dibagian nilai akhir. Jika sisa rata-
rata meningkat dalam d, maka pada nilai besar hasil yang diharapkan jauh lebih besar dan
dengan demikian probabilitas dipindahkan kekanan, menunjukkan nilai akhir yang lebih
berat daripada model di mana fungsi hidup sisa rata-rata menurun atau meningkat pada
tingkat lebih lambat.Faktanya, rata-ata menurun atau meningkat pada tingkat lebih
lambat.Faktanya,rata-rata fungsi sisa dan tingkat hazard terkait erat dalam beberapa
hal.Pertama, perhatikan bahwa

y+d

S( y+ⅆ)
=
[ 0
]
exp − ∫ h ( x ) ⅆx

S (d ) d

[∫ ]
exp − h ( x ) ⅆx
0

y+d

[
¿ exp − ∫ h ( x ) ⅆx
d
]
y

[
= exp −∫ h ( d+t ) ⅆt
0
]
y
Oleh karena itu, jika tingkat hazard menurun, maka untuk y tetap maka ∫ h(d +t)dt adalah
0

fungsi menurun dari d, dan dari persamaan di atas S(y+d)/S(d) adalah fungsi naik dari D.
Tetapi dari (3.5), fungsi sisa rata-rata dapat dinytakan sebagai :
 ∞

∫ S ( x ) ⅆx ∞
S ( y +ⅆ )
ⅇ ( d )= ⅆ =∫ ⅆy
S (d ) 0 S ( d)

Jadi, jika tingkat hazard adalah fungsi menurun, maka fungsi sisa rata-rata e(d) adalah
fungsi naik dari d karena hal yang sama berlaku untuk S(y+d)/S(d) untuk y tetap. Demikian
pula, jika tingkat nilai hazard adalah fungsi yang meningkat, maka fungsi rata-rata sisa
adalah fungsi yang menurun. Perlu dicatat (dan mungkin berlawanan dengan instuisi),
bagaimanapun, implikasi sebaliknya tidak benar. Latihan 4.16 memberikan contoh distribusi
yang memiliki fungsi sisa rata rata yang menurun, tetapi tingkat hazard tidak meningkat
untuk semua nilai. Namun, demikian implikasi yang dijelaskan di atas umumnya konsisten
dengan diskusi diatas tengtang nilai akhir.

Ada hubungan kedua antra fungsi sisa rata-rata dan tingkat hazard. Saat d → ∞, S(d) dan

∫ s ( x ) ⅆx menuju 0. Jadi, perilkau pembatas dari fungsi rata-rata sisa sebagai d → ∞ dapat
ⅆ

dipastikan melalui aturan L’Hopital karena (3.5) berlaku :

∞
lim ∫ s ( x ) ⅆx
d→∞ ⅆ
lim ⅇ ( d )=
d→∞ S (d )

lim −S ( d ) lim 1
¿ d→∞ = d →∞
−f ( d ) h (d )

Selama batas yang ditunjukkan ada. Hubungan pembatas ini berguna jika S(x) [ dan

karenanya juga h(x) dan e (d) rumit]. Karena e(d) = ∫ S(x)dx/S(d) dan S (x) rumit, e(d) juga
ⅆ

rumit. Tetapi e(0) = E(X) =αθ dari lampiran A, Dan dengan menggunakan contoh 4.17, kita
memperoleh:

lim 1
1
lim ⅇ ( x ) = x→ ∞ = =0
x→ ∞ h ( x ) lim ⁡ h ( x )
x →∞

Juga, dari contoh 4.17, h(x) benar benar menurun di x untuk a < 1 dan sangat meningkat di x
untuk a > 1, menyiratkan bahwa e(d) benar benar meningkat dari e(0) =αθ ke e(∞) = 0 untuk
a < 1 dan menurunt drastis dari e(0)=αθ ke e(∞)=0 untuk a > 1. Untuk a=1, kita memiliki
distribusi exponensial dimana e(d)=0.
 Wawasan lebih lanjut ke dalam rata rata sisa dan nilai akhir dapat diperoleh dengan
memperkenalkan apa yang disebut distribusi keseimbangan, yang memiliki aplikasi penting
sehubungan dengan model kehancuran waktu kontinu Bab 8. Untuk variabel acak positif

∞
dengan S(0)=1,maka dari defenisi 3.6 dan 3.5 dengan d=0 bahwa E(X)= ∫ S(x)dx, atau
0

ekuivalen 1¿ ∫ S(x)/E(X)dx, diperoleh

0

S(x)
f e ( x )= , x≥0
E( X )

Adalah fungsi kepadatan probabilitas. Fungsi kelangsungan hidup sesuai adalah

Se(x)=
∞ ∫ S ( t ) ⅆt
∫ fⅇ ( t ) ⅆt= x E ( x ) , x ≥0
x

Tingkat hazard yang sesuai dengan distribusi ekuilibrium adalah

fⅇ ( x ) s( ) 1
¿ =∞ x =
he(x) Sⅇ ( x ) ⅇ(x)
∫ S ( t ) ⅆt
x

menggunakan (3.5). Dengan demikian, kebalikan dari fungsi rata-rata sisa itu sendiri
merupaan tingkat nilai hazard dan fakta ini dapat digunakan untuk menunjukan bahwa rata-
rata fungsi umur sisa secara unik mencirikan distribusi asli. Kita mempunyai
x

−∫ he ( t ) ⅆt
f e ( x )=h e ( x ) Se ( x )=he ( x ) ⅇ 0

Atau sederhana
X
1
ⅇ ( 0 ) −∫ { e ( t) }dt
Sx= ⅇ 0

ⅇ(x)

Menggunakan e(0)= E(X)

Distribusi ekuilibrium juga memberikan wawasan lebih lanjut kedalam hubungan antara
tingkat bahaya, rata-rata fungsi sisa hidup, dan berat ekor. Asumsikan bahwa kita punya S(0)=
 ∞

1, dan dengan demikian e(0)=E(X), kita mendapatkan ∫ S ( t ) dt=e ( 0 ) Se ( x ) ,dan dari (3.5),
0

∫ S ( t ) dt=e ( x ) S ( X ) . Menyamakan kedua ekspresi ini menghasilkan

0

ⅇ ( x ) Se ( x )
=
ⅇ (0 ) S ¿ ¿

Jika fungsi sisa hidup rata-rata meningkat (jika tingkat resiko menurun), maka ⅇ ( x ) ≥ ⅇ ( 0 ) ,
yang ekuivalen dengan Se ( x ) ≥ S ( x ) dari persamaan di atas. Ini artinya bahwa

∞ ∞

∫ S e ( x ) dx ≥∫ S ( x ) dx .
0 0

Akan tetapi E ( X ) =∫ S ( x ) dx sesuai definisi (3.6) dan (3.5) jika S ( 0 )=1. Begitu juga,
0

∞ ∞

∫ S e ( x ) dx=∫ x f e ( x ) dx karena kedua sisi mewakili rata-rata distribusi kesetimbangan. Hal ini
0 0

dapat dievaluasi menggunakan definisi (3.9) dengan u=∞ ,k =2 ,dan F ( 0 )=0untuk

memberikan rata-rata kesetimbangan, yaitu,

∞ ∞ ∞
1
∫ S e ( x ) dx=∫ x f e ( x ) dx= E(x ∫ xS ( x ) dx=E ¿ ¿
)0
0 0

Ketidaksetaraan ini dapat dinyatakan sebagai

E¿¿

2 2
Atau menggunakan Var ( X )=E ( X 2 )− { E ( X ) } dimana Var ( X ) ≥ { E ( X ) } . Yang
merupakan koefisien variasi kuadrat, dan oleh karena itu, koefisien variasi itu sendiri ialah
minimal 1 jika e ( x ) ≥ e ( 0 ) . Pembalikan persamaan menunjukkan bahwa koefisien variasi
paling banyak 1 jika e ( x ) ≤ e ( 0 ) , jika fungsi sisa hidup rata-rata menurun atau tingkat resiko
meningkat.