Kalın kuyruklu risk modellerinde iflas olasılığı
Transkript
Kalın kuyruklu risk modellerinde iflas olasılığı
www.istatistikciler.org statistikçiler Dergisi 4 (2011) 39-56 statistikçiler Dergisi Kal n kuyruklu risk modellerinde iflas olas l Ba ak Bulut Cenap Erdemir Hacettepe Üniversitesi Aktüerya Bilimleri Bölümü 06800-Çankaya, Ankara, Türkiye [email protected] Ufuk Üniversitesi %statistik Bölümü 06520-Çankaya, Ankara, Türkiye [email protected] Özet Bu çal mada, hasar tutarlar n n kal n kuyruklu da l m yap s na uyup uymad , bu da l m yap s n n ko ullar incelenerek ara t r lm t r. Kal n kuyruklu da l m yap s na sahip risklerin, risk süreci ve iflas olas l klar üzerindeki etkisi teorik ispatlar e li inde aç klanmaya çal lm t r. Matlab yaz l m nda geli tirilen program sayesinde, Türkiye Trafik Sigortas veri kümesi kullan larak, hasar büyüklüklerinin kal n kuyruklu da l ma uyup uymad sorgulanm , uymas halinde ise hangi alt s n fa dahil oldu u ara t r lm t r. Ayr ca belirlenen dönem için risk süreci incelemesi yap larak, çe itli sermaye miktar ve güvenlik yükleme faktörlerine ba l olarak iflas olas l klar hesaplanm t r. Anahtar sözcükler: Kal)n kuyruklu da*)l)mlar; Risk süreci; %flas olas)l)*); Alt-üstel da*)l)mlar. Abstract Ruin probability in heavy tailed risk models In this study, detailed information about heavy tailed distributions and the )ts sub-classes are revieved and the conditions necessary for any distribution to belonging to one of these special classes of distributions are explained. It is showed that how the ruin probabilities of a risk process that includes heavy tailed claim severity amounts, can be calculated with theoretical justifications. An application is provided by using compulsory traffic insurance data in Turkey in Matlab programming language. It is investigated if the loss severities can be categorized under the heavy-tailed distribution and also the relevant sub-categorized of the distribution is determined,too. Moreover, ruin probabilities are calculated in terms of different initial surplus and safety factors by analyzing the risk process for this particular time. Keywords: Heavy-tailed distributions, Risk process, Ruin probability, Sub-exponential distributions. 1.Giri Sigorta irketinin yükümlülüklerini kar layabilmesi ve devaml l n sa layabilmesi aç s ndan incelenmesi gereken en önemli konulardan birisi, hasar tutar da l mlar n n modellenmesidir. Özellikle gerçekle me olas l dü ük olmas na ra men yüksek etki içeren do al katastrofik olaylar n sonuçlar n n incelenmesi ve bu etkileri içeren modellerin geli tirilmesi sigorta uygulamalar nda önemli bir yer tutmaktad r. Bu tür hasarlar sigorta irketinin, sigortal lar na kar sorumluluklar n yerine getirebilmelerini do rudan etkilemektedir. Bu nedenle, gerçekçi ve dengeli bir fiyatland rman n yap labilmesi, reasürans anla malar nda en do ru saklama pay limitlerininin ve oranlar n n belirlenebilmesi için hasar tutar da l mlar n n sa kuyruk bölgesinin do ru ekilde modellenmesi gerekmektedir. Olas l dü ük, ancak kay p de eri yüksek olan risklerin modellenmesinde kal n kuyruklu B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 40 da l mlar n kullan lmas çok daha gerçekçi sonuçlar elde edilmesini sa lamaktad r. Bu da l mlar n modellenmesi ve uygunluklar n n s nanmas aktüerler için ilginç bir ara t rma alan olu turmu tur. Çal man n ikinci bölümünde kal n kuyruklu da l mlar ve tüm s n flar ba l olduklar ko ullar çerçevesinde incelenirken,. üçüncü bölümde kal n kuyruklu da l m yap s na sahip risklerin, risk süreci ve iflas olas l klar üzerindeki etkisi teorik ispatlar e li inde aç klanmaya çal lm t r. Dördüncü bölümde ise Türkiye trafik sigortas verisi kullan larak, hasar büyüklüklerinin kal n kuyruklu da l ma uygunlu u incelenmi , uymas durumunda hangi alt s n fa dahil oldu u ara t r lm t r. Belirlenen dönem için risk süreci incelemesi yap larak, çe itli sermaye miktar ve güvenlik yükleme faktörü k s tlar alt nda irketin kar la abilece i iflas olas l klar hesaplanm t r. 2. Kal#n kuyruklu da$#l#mlar 2.1. Kal)n kuyruklu da*)l)mlar tan)m ve temel özellikleri Olas l k teorisinde kal n kuyruklu da l mlar; kuyruk yap lar s n rland r lmam ve üstel da l ma göre daha kal n kuyruk yap s na sahip olas l k da l mlar olarak aç klanmaktad r. Kal n kuyruk özelliklerini ta yan da l mlar n ara t r lmas nda; tehlike h z fonksiyonunun sonlu olmas n ( m( s ) = ) sa layacak ekilde negatif olmayan rastlant de i kenlerinin da l m s n flar ndan faydalan lmaktad r [5]. 4nce ve kal n kuyruk yap s na sahip da l mlar aras ndaki temel fark; ince kuyruk yap s na sahip da l mlar n ( ) pozitif de erli moment ç karan fonksiyonu Bˆ [ s ] = e sx B ( dx ) sonlu bir de er al rken, kal n kuyruklu da l mlar n moment ç karan fonksiyonun sonsuz de er almas d r[1]. X i ’nin, i N ve x > 0 de erleri için F ( x) < 1 olacak ekilde ayn F da l m fonksiyonuna sahip ba ms z pozitif rastlant de i kenleri oldu u varsay ls n. Bu durumda ortak bir X rastlant de i keninin da l m fonksiyonu F ( x) = P( X x) , kuyruk da l m ise (ya da ya am fonksiyonu) F ( x) = 1 F ( x) = P( X > x) eklinde gösterilmektedir. Negatif olmayan bir rastlant de i keninin kal n kuyruklu da l m yap s na sahip olabilmesi için gerekli ko ullar u ekilde verilmektedir. Ko ul 1: F da l m fonksiyonu, pozitif de erleri için E[e ] = x olmal d r. Ko ul 2: Pozitif x de erleri için F ( x) > 0 olmal d r. Ko ul 3: µ( x) tehlike fonksiyonu, olmak üzere F log F ( x) ’ten elde edilmektedir. Buna göre = 0 olmal d r. Ko ul 4 s > 0 olmak üzere; lim e sx F ( x ) = F = lim sup x µ ( x) x olmal d r [10]. x Kal n kuyruklu da l mlar n sahip olduklar ortak özelliklere ba l olarak çe itli alt s n flar olu turulmu tur. Bunlar, alt-üstel da l mlar (sub-exponential), uzun kuyruklu da l mlar (long tailed), bask n de i en kuyruklu da l mlar (dominated-varying tailed) ve düzenli de i en kuyruklu da l mlard r (regularly-varying tailed). B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 41 2.1.1. Alt-üstel da*)l)mlar Bu da l m s n f na alt-üstel denilmesinin nedeni; bu s n f içerisindeki da l mlar n herhangi bir üstel da l mdan daha yava azalan bir kuyruk yap s na sahip olmas d r [6]. Alt-üstel da l mlar ilk kez 1964 y l nda Chistyakov taraf ndan, dallanma süreci (branching process) üzerine yap lan uygulamalarda kullan lm t r. Alt-üstel da l mlara uyan hasar büyüklükleri bir portföyde kar la labilecek toplam riskleri art rmakta ve irketin risk sürecinde dalgalanmalara neden olmaktad r. S ile gösterilen alt-üstel da l mlara örnek olarak; log-normal da l m, Pareto da l m ve biçim parametresi bir de erinden küçük olan Weibull da l m verilebilmektedir [10]. Herhangi bir F da l m fonksiyonunun alt-üstel da l m s n f içerisinde yer alabilmesi için gerekli üç ko ul bulunmaktad r. Bu ko ullar u ekilde verilmektedir: 0 de erleri için F ( x) > 0 olmal d r. Ko ul 1: x n* Ko ul 2: F ; F da l m fonksiyonunun n katl konvülasyonunun kuyruk da l m n göstermek üzere F n* = 1 F n* ( x) = P( X 1 + X 2 + ..... X n > x) biçiminde elde edilmektedir. Herhangi bir da l mda n 2 de eri için lim x F n* ( x ) = n e itli i sa lanmal d r. F ( x) Ko ul 3: X 1 , X 2 ,... ba ms z ve alt-üstel da l m s n f içerisinde yer alan ayn F da l m na sahip rastlant de i kenleri olmak üzere, tüm n = 2,3,... de erleri için; Sn = X 1 + X 2 + ... + X n olmak üzere; Pr( Sn > x) = F *n ( x) ~ nF ( x) e itli ini sa lamaktad r. P( X 1 + X 2 + ...... + X n > x) F n* ( x) lim ~ x P(max( X 1 , X 2 ..... X n ) > x) nF ( x) 1 e itli i sa lan yor ise F da l m alt-üstel da l m s n f na girmektedir. Ko ul 2’nin ispat Chistyakov [3] taraf ndan; Ko ul 3’ün ispat ise Embrechts ve Goldie [4] taraf ndan yap lm t r. Bir da l m n alt-üstel da l m s n f içerisinde yer ald n n ispatlanmas çok kolay olmamaktad r. Bu nedenle risk teorisindeki uygulamalar için da l m n kendisinden çok, bu da l m n bütünle ik kuyruk da l m n n alt üstel olmas gerekmektedir. Sonlu beklenen de ere sahip, negatif olmayan rastlant de i keninin da l m fonksiyonu F ile gösterilmek üzere, bütünle ik kuyruk da l m FI 0 FI ( x) = 1 µ e*er x 0 x F ( y )dy e*er x > 0 olarak elde edilmektedir. 0 2.1.2. Uzun kuyruklu da*)l)mlar (Long–tailed) x iken e x F ( x) özelli inin sa lanmas kal n kuyruklu da l mlar n daha geni s n flar ndan uzun kuyruklu da l m ( L ) s n f için de geçerli olmaktad r. F , (0, ) aral alt nda tan ml B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 ve x > 0 de erleri için F ( x) < 1 olan bir da l m fonksiyonu olmak üzere; y da l m , 42 0 de erleri için bu F F ( x + y) = 1 e itli inin sa lanmas durumunda uzun kuyruklu da l m F ( x) s n f nda yer alacakt r. Bu e itli in pay ve paydas ndaki da l mlar a ( x ) ~ b( x ) fonksiyonlar eklinde gösterildi inde, x iken a ( x ) / b( x ) 1 olacakt r. Bu durum tüm y 0 de erleri için F ( x + y ) ~ F ( x) eklinde kullan lmaktad r. lim P ( X > x + y | X > x ) = lim x x 2.1.3. Bask)n de*iAen kuyruklu da*)l)mlar F da l m , 0 < t < 1 aral ndaki t de eri için; lim sup x F (tx) < F ( x) özelli ine sahip ise bu da l m bask n de i en kuyruklu da l m olarak tan mlanmaktad r. Bask n de i en kuyruklu da l m s n f D gösterilmektedir. ile 2.1.4. Düzenli de*iAen kuyruklu da*)l)mlar Düzenli de i en kuyruklu da l mlar R ile gösterilmektedir. Bir da l m n bu alt s n fta yer almas için gerekli ko ullar u ekilde verilmektedir. 0 ve t > 0 de erleri için lim Ko ul 1: F da l m x F (tx) =t F ( x) e itli ini sa lamal d r. Ko ul 2: Pozitif ölçülebilir fonksiyon f ile gösterilmek üzere olmas için; t > 0 için lim x olmas durumunda, f ( ) f (tx) = t e itli inin sa lanmas gerekmektedir. f ( x) Ko ul 3: Düzenli de i en kuyruklu da l mlar, uzun kuyruklu da l mlara ba l olarak da aç klanabilmektedir. l ( x ) ; yava de i en fonksiyon olmak üzere, x > 0 ve l R(0) olmak üzere 0 de erleri için F ( ) oldu u takdirde; F ( x) = x l ( x) olacakt r. Bu e itlikteki düzenli de i en kuyruklu da l mlar için l (tx) l ( x) = 0 endeksli t durumu sa lanmal d r. Düzenli de i en kuyruklu da l ma örnek olarak bünyesinde l ( x ) = c ln( x ) veya l ( x ) = c ln(ln( x )) eklindeki dönü üm fonksiyonlar ya da bir sabite yak nsayan l ( x ) fonksiyonunun yer ald Pareto da l m örnek olarak verilebilir. Literatürde düzenli de i en fonksiyonlar ile ilgili Bingham, Goldie ve Teugels [2] ‘in çal malar bulunmaktad r [11]. 2.1.5. S * s)n)f) Da l mlar n ve bu da l mlar n bütünle ik kuyruk da l mlar n n alt üstel da l m s n f nda yer almas için gerekli ko ullar n belirlenmesinde kar la lan problemlerin biraraya getirilmesiyle Klüppelberg taraf ndan yeni bir alt s n f olu turulmu tur [8]. Bu alt s n f n en önemli özelli i; bu s n fa dahil olan bir da l m n hem kendisinin hem de bütünle ik kuyruk da l m n n alt-üstel da l ma uyuyor olmas d r. Bu alt s n f için temel ko ul F ’nin tüm x > 0 de erleri için F ( x) < 1 ve x 0 de erleri için de F ( x) > 0 olacak B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 43 x ekilde (0, ) aral nda tan ml bir da l m fonksiyonu olmak üzere, lim x 0 F ( x y) F ( y )dy = 2µ F ( x) e itli inin sa lanmas d r [9]. F da l m n n tehlike h z fonksiyonu m( x) olmak üzere, da l m n bu alt s n fta yer almas için gerekli ko ullar u ekilde s ralanm t r: a) E er lim sup x m( x) < (0,1) ve b) lim inf x m( x ) 1 olacak ekilde tüm x (2 2 ) x S * ’d r. ise F x 1 ise F , y 1 de erleri için µ ( x, y) y µ ( x) ve * S ’dir. x c) m( x) fonksiyonu, s f ra do ru azalan bir fonksiyon ise; F S * olacak ve lim e yq ( x ) F ( y )dy = µ x 0 e itli i sa layacakt r. 2.2. Kal)n kuyruklu da*)l)m s)n)flar) aras)ndaki iliAkiler Tüm da l m s n flar n n incelenmesinden sonra kal n kuyruklu da l m s n f ve alt s n flar için a a daki gibi bir s n fland rman n yap labilmesi sa lanm t r. K L S R D :kal n kuyruklu da l mlar , : uzun kuyruklu da l mlar , : alt-üstel da l mlar , :düzenli de i en da l mlar , :bask n de i en da l mlar göstermek üzere (0, ) aral K = fˆ ( ) = e x dF ( x ) = nda tan ml F da l m ; > 0 için 0 L = lim x R = {F F ( x y) =1 F ( x) x 0 için} , R D = lim sup y > 0 için , F ( x / 2) < F ( x) özelliklerine sahiptir. Bu s n flar aras ndaki özellikler ise u ekilde verilmektedir; 1. R 2. D 3. D S L L S S ve S K ve R D D [5]. 2.3. Kal)n kuyruklu da*)l)mlar)n belirlenmesi “Kuyruk a rl ” bir da l m n kuyruk yap s hakk nda, özellikle de sa kuyruk bölgesinin kal n olup olmad hakk nda bilgi veren bir ölçüttür. Kuyruk a rl ; incelenen da l mlar aras nda kar la t rma yap larak, bir da l m n di er da l mdan daha kal n kuyruk yap s na sahip olup olmad n n ara t r ld iliAkili durum ve kal n kuyruk s n f n n temel özelliklerine sahip olan da l mlar n incelemesinin yap ld mutlak durum olarak iki ekilde incelenmektedir [7]. B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 44 2.3.1. Momentlerin bulunuAu Sadece pozitif de erlere ba l rastlant de i kenleri için ortalamaya göre k’inci moment; kesikli durum için x k f ( x ) ; sürekli durum için ise 0 (x k ) f ( x) d x eklinde hesaplanmaktad r. Sürekli durumda, ortalamaya göre k’inci moment her zaman varolmayabilir. Bunun nedeni, bu integralin sonucunun yo unluk fonksiyonuna ve k de erine ba l olmas d r. E er yo unluk fonksiyonunun x noktas ndaki k de eri çok büyük ise; bu de erin x de eri ile çarp m da daha büyük bir sonuç olu turacak ve integral sonucunun anlaml bir de er ç kmas n zorla t racakt r. Kal n kuyruklu da l ma göre daha az büyük hasara sahip da l mlar için integral sonucu elde edilebilece inden tüm pozitif momentlerin varolu u bir ince sa kuyru u i aret edecektir. Pozitif momentlerin mutlak bir de eri göstermemesi ya da bulunamamas durumunda ise, incelenen da l m n kal n kuyruklu bir da l ma sahip olaca dü ünülecektir. 2.3.2. Limit oranlar) Bir da l m n, herhangi ba ka bir da l ma göre daha kal n kuyruk yap s na sahip olup olmad n n ara t r lmas nda bu da l mlar n ya am fonksiyonlar n n (survival function) oran na bak larak da yorumlarda bulunulabilir. 4ncelenen iki da l m n olas l k fonksiyonlar n n limit oranlar na bak lmas nda; daha kal n kuyruk yap s na sahip olan da l m n limitinin daha h zl ’a yak nsad görülecektir. 2.3.3. Tehlike h)z) ve arda kalan yaAam süresi Tehlike h z fonksiyonu da da l m n kuyruk yap s hakk nda bilgi vermektedir. Tehlike h z fonksiyonu azalan bir fonksiyon ise, bu durum da l m n kal n kuyruk yap s na sahip oldu una i aret edecektir. Di er taraftan, tehlike h z fonksiyonu artan bir fonksiyon ise, daha ince kuyruk yap s na sahip bir da l m olmas beklenecektir [7]. 2.3.4. Büyük hasarlar Bir portföyde kar la labilecek büyük hasarlar, hasar tutar da l m n n kal n kuyruklu olabilece inin göstergesi olabilmektedir. Portföydeki bir hasar n büyük hasar olarak nitelendirilebilmesi için bu tür büyüklükte bir hasar n ancak uzun zaman aral klar yla gerçekle ece inin biliniyor ya da tahmin ediliyor olmas gerekmektedir. Hasar büyüklü ü da l m n n ortalamas n n ve/veya varyans n n kuyruk bölgesinde yo unla mas da l m n kal n kuyruklu bir da l m oldu unu dü ündürecektir. S n , toplam hasar büyüklü ü, belirli bir dönem içerisinde gerçekle en hasarlar n toplam olarak verilmekte olup min X i = X (1) X ( 2) ....... X ( n ) = max X i olarak dizilen hasarlar içerisinde büyük hasarlar n var 1 i n 1 i n olmas , toplam hasar büyüklü ünde de do al da P ( S n > x ) ~ P ( X ( n ) > x ) e itli i sa lanabilecektir. olarak art yaratacakt r. Buradan 3. Kal#n kuyruklu da$#l#mlarda iflas olas#l#$# Bir sigorta irketinin uzun süreli yükümlülük kar lama yeterlili inin sa lanabilmesi için risk süreci iyi tan mlanmal , do ru risk yüklemeleri yap lmal , muafiyet ve saklama pay limitleri çok iyi belirlenmelidir. Risk süreci; kazan lan primler ile öncelikle sürekli artan , daha sonra ödenen tazminatlar n etkisiyle azalan bir stokastik süreçtir. Risk sürecinin s f r n alt na dü mesi durumunda ise iflas gerçekle mi olacakt r. B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 45 3.1. Klasik risk modeli ve iflas teorisi Sigorta irketi, herhangi bir anda meydana gelebilecek bir hasara ili kin ödenecek tazminat n yarataca finansal sonuçlar en aza indirmek amac yla portföyündeki tüm bireysel riskleri bir araya toplamaktad r. Bu nedenle de, sigorta irketi her dönem sonunda rezerv ya da art k olarak tabir edilen bir miktar ay rmak zorundad r. Biriktirilen art k miktarlar ; gelecekte olu abilecek hasar ödemelerinin toplanan primleri a t riskli dönemler için kullan larak sigorta irketine bir tür koruma sa layacakt r. Böylece sigorta irketi, sigortal lar na vermi oldu u taahhütleri yerine getirebilecektir. 3.1.1 Klasik risk modeli Bir sigorta irketinin iki temel nakit ak bulunmaktad r. Bunlar prim ve hasar süreçleridir. Bu nakit ak lar na ba l olarak olu turulan risk ya da art k süreci olarak da adland r lan sigortac n n klasik risk modeli; U (t ) = u + ! (t ) S (t ) t 0 biçimindedir. Risk sürecinin temel bile enleri; U (t ) : t an nda sigorta irketinin sermaye miktar , u : u > 0 olmak üzere ba lang ç sermayesi, ! (t ) : (0,t] aral nda toplanan prim miktar n gösteren prim süreci, S (t ) : [0, t ] zaman aral nda gerçekle en hasar say s n gösteren hasar süreci olarak verilmektedir. 3.1.2. Cramer-Lundberg ve yenileme modeli Cramer-Lundberg modelindeki süreçler; a. Toplam Hasar süreci; X i , i’nci hasar büyüklü ünü gösteren pozitif ve ayn da l ma sahip rastlant de i kenleri olmak üzere, ortalamas µ = E[X i ] ve varyans $ 2 = Var ( X i ) de i kenleridir. Toplam hasar süreci S (t ) = de i keni olup { N (t ) , t sonlu olan rastlant N (t ) i =1 X i eklinde tan mlanmaktad r. Burada, N(t) bir rastlant 0} sayma sürecinin ö esidir. b. Bekleme süresi; Wk , ( k 1) ’inci olay ile k ’inci olay aras nda geçen süreyi göstermektedir. Wk , W1 = T1 olmak üzere k = 2, 3,... de erleri için Wk = Tk Tk 1 biçiminde tan mlanan ayn üstel da l ma sahip ba ms z rastlant de i kenleri olarak tan mlanmaktad r ve E[W1 ] = 1/ ’d r. c. Hasar zaman); Ti , Hasar n gerçekle ti i andaki zaman noktas n yani i’nci olay n ortaya ç kmas na kadar geçen süreyi göstermektedir. Hasar n rastgele bir zamanda gerçekle ebildi i varsay m nda s ral hasar zamanlar aras nda 0 < T1 < T2 < ..... ili kisi verilmektedir. d. X k ve Wk birbirlerinden ba ms zd r. Cramer-Lundberg modelinin temel özellikleri B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 46 { N (t ) , t 0} sayma sürecinde N (t ) rastlant de i keni %t parametresiyle Poisson da l m na sahipse; süreç, % > 0 ko ulu alt nda, % ortalama ile Poisson sürecidir. Tüm t > 0 , h > 0 ve s t durumlar için; N (t + h) N (t ) ~ Poisson( % h )’d r. P { N ( s + t ) N ( s ) = k } = P ( N (t ) = k ) = e (% t ) k k! %t E [ N (t )] = Var[ N (t )] = % t ’dir. k = 0,1, 2,... Bu modelde Poisson sürecinin tercih edilmesi; ba ms z bile enlere ve monoton azalan ortalama de er fonksiyonuna sahip herhangi bir sürecin, Poisson sürecine çevrilebilir olmas ndan kaynaklanmaktad r [9]. Toplam hasar Gt ( x) = P ( S (t ) büyüklü ü x) = e S (t ) ’nin da l m , (%t ) n* F ( x) n! 0 x ve t 0 olmak üzere; n %t n =0 eklinde hesaplanmaktad r. n F n* ( x) , F da l m n n n katl konvülasyonu olup, F n * ( x ) = P ( i =1 Xi Bu e itlikte kullan lan x ) eklinde hesaplanmaktad r. 3.1.3 %flas olas)l)*) Y ll k primlerin ve hasar süreçlerinin de i mez oldu u varsay m alt nda, iflas olas l & (u ) ile gösterilmektedir. Bu olas l k uygun bir ba lang ç sermayesi ile sürece ba lad durumda, sigortac n n prim ve hasar süreçlerinin do ru hesaplan p hesaplanmad n n bir göstergesi olmaktad r. Yüksek iflas olas l ; reasürans antla malar n n gündeme gelmesine, riskli görülen poliçelerde prim miktarlar nda art a gidilmesine ya da sigorta irketinin i letme sermayesinden nakit çekmesine neden olabilmektedir. S n rl zamanl iflas olas l nda; belirlenen bir zaman aral ndaki risk sürecinin hareketi incelenerek sigorta irketinin iflas etme olas l ara t r lmaktad r ve 0 < T < , u 0 olmak üzere; & (u , T ) = P (U (t ) < 0, baz) t T ) eklinde gösterilmektedir. Yenileme sayma süreci Yenileme sayma süreci N (t )t 0 eklinde gösterilmektedir. N (t ) = sup {n 1 : Tn t} t 0 ve n 1 de erleri için n’nci hasar zaman Tn , n’nci döneme kadarki bekleme sürelerinin (W1 + ... + Wn ) toplam n göstermektedir. Buna göre bekleme süresinin, ( 1/ % ) ortalama ile üstel da l ma sahip bir rastlant de i keni olmas durumunda, yenileme sayma sürecinin momentleri; E[ N (t )] = (% + ' (1))t ve 2 W = Var (W ) < E[ N (t )] = %t + ((1) ve Var ( N (t )) = 2 W olmak üzere; t 3 t + (t ) eklinde bulunmaktad r. Yenileme modelinin beklenen de eri ise; E [U (t )] = u + ct iken; µ E [ N (t )] E[U (t )] = u + (c %µ ) t (1 + ' (1)) ) c * 1, %µt (1 + ' (1)) biçiminde elde edilmektedir. =u ++ - %µ . B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 47 E[U (t )] / c %µ olarak bulunmaktad r. Yükümlülük kar lama yeterlili inin ko ulu olarak t c %µ > 0 olmas , büyük t de erleri için art k sürecinin pozitif olmas n sa lamaktad r. Bu da yenileme Buradan da; modelinde temel net kar ko ulunu olu turmaktad r. Sigorta irketleri prim üzerine ekledikleri güvenlik yükleme faktörüyle finansal aç dan daha güvenilir bir duruma geçerler. 0 olarak gösterilen güvenlik yüklemesi risk prim oran anlam na da gelmektedir. Bu oran, [0, t ] aral ndaki prim gelir oran ndan hesaplanmaktad r: Dolay s yla ct = (1 + 0 ) %µ t olmak üzere; 0 = c 1 > 0 olmal d r. %µ Risk sürecinin tan m ndan hareketle; u 0 de erleri için iflas n ancak Ti zamanlar nda gerçekle ti i varsay m alt nda X k , hasar büyüklüklerini; Yk , prim büyüklüklerini göstermek üzere iflas olas l ; & (u ) = P (u + ct S (t ) < 0 , t 0 ) = P(u + cTn S (Tn ) < 0 , n 1) = P (u + n k =1 X k ) < 0 , n 1) (cYk = P(sup( X k cYk ) > u ) eklinde yaz labilmektedir. n 1 yönünden de yaz labilir. u Bu e itlikler iflas n gerçekle meme olas l gerçekle meme olas l n ) 1 & (u) = P + sup ( X k - n 1 k =1 * cYk ) u , > 0 eklinde gösterilebilir. . 4flas n gerçekle meme olas l 1 & (u ) , maksimum rasgele yürüyü sürecinin da l m fonksiyonu yönünden de incelenebilir. k 1 de erleri için Zk = X k n 1 de erleri için R0 = 0 olmak üzere, Rn = n k =1 Zk cYk olmak üzere, ili kili rasgele yürüyü süreci; eklinde elde edilmektedir. Bu e itlik için yenileme modelinin temel kar ko ulundan; E[Z1 ] = µ 1 & (u ) = P(sup Rn gerçekle meme olas l 0 olmak üzere iflas n c % < 0 olmal d r. Böylece iflas n u ) ekline dönü türülebilmektedir [5]. n 1 Bu olas l k, genel bir rastgele yürüyü e ili kin nihai supremumlar n da l m n veren Spitzer e itli i ile de hesaplanabilmektedir. Bu e itlikten yararlanarak bile ik geometrik da l ma ili kin iflas n gerçekle meme olas l , H bir da l m fonksiyonu ve (0,1) olmak üzere, 1 & (u ) = (1 n ) H n* (u ) eklinde elde edilmektedir. (1) n =0 Bu e itlik içerisindeki H n* : H ’nin n katl konvülasyonunu göstermektedir. genellikle, klasik Wiener-Hopf teorisi ile elde edilmektedir . ve H de erleri, B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 48 (1) e itli indeki gibi fonksiyonel ili kilere çe itli yöntemleri uygulanarak, çok say da modele ili kin & (u ) tahmini hesaplanabilmektedir. & (u ) ’ nun hesaplanmas nda kullan lan Wiener-Hopf yönteminin yan s ra yenileme teorisi de, ilgili tahminlerin elde edilmesine olanak tan maktad r. 4lgili hesaplamalar yap l rken Cramer-Lundberg modelinden faydalan lmaktad r. Büyük hasarlara ili kin iflas olas l tahminlerinde bu iki teoremin birle tirilmesiyle elde edilen e itliklerden yararlan lacakt r. 3.1.4. Cramer-Lundberg tahmini Yenileme modelinde, iflas olas l tahmininin elde edilmesinde genel yöntemin kullan m n n d nda Cramer-Lundberg modeli tahmini de bulunmaktad r. Bu modele göre iflas olas l n n hesaplamas nda, modele hasar büyüklü ü da l m da dahil edilmektedir. Cramer-Lundberg modelinde güvenlik yüklemesi c ko ulu sa lanmakta olup, iflas n gerçekle meme olas l ; için; 1> 0 0= %µ 0 1 & (u ) = 1+ 0 (1 + 0 ) n FI (u ) n* n=0 eklinde hesaplanabilmektedir. (2) Bu e itlik içerisinde yer alan FI n* ( x) , bütünle ik kuyruk da l m n n n katl konvülasyonunu göstermektedir. (2) e itli i portföyde büyük hasarlar n bulunmas durumunda iflas olas l n n elde edilmesinde kullan lmaktad r. Cramer-Lundberg teoremi > 0 olmak üzere, Laplace-Stieltjes dönü ümünden yararlanarak, bütünle ik kuyruk da l m n n (- ) de eri için Laplace-Stieltjes dönü ümü; c fˆI ( v) = evx dFI ( x) = = 1 + 0 eklinde elde edilir. %µ 0 (3) Bu e itlikten yola ç k larak a a daki özellikler elde edilebilmektedir: Özellik 1: (3) e itli indeki Laplace-Stieltjes dönü ümü Cramer-Lundberg ko ulundan yararlanarak c e1 x F ( x ) dx = % 0 biçiminde de yaz labilmektedir: Özellik 2 : u 0 de erleri için; & (u ) e 1u olmaktad r. Özellik 3: 4ncelenen da l m n 1/ µ parametresi ile üstel da l ma uymas durumunda iflas olas l & (u ) = 1 exp 1+ 0 0 u µ (1 + 0 ) u 0 eklinde elde edilir. ; (4) Özellik 4:Bu teoremden xe x F ( x) dx < 0 (5) B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 & (u ) = C < 1u e itsizli i elde edilmektedir. Bu e itsizlikten yola ç k larak lim e u 2 u ekilde hesaplanmaktad r: C = 4 6 0µ 3 xe F ( x ) dx 5 0 7 n n 1 k =1 1 = P( = P( 0 olmak üzere ; cYk ) u ) > 0 (Xk (u ) = P ( S (t ) ct olmak üzere C de eri 1x E itlik (5) ’in ispat n n yap lmas nda (u ) = 1 & (u ) ve u 1 & (u ) = P(sup 49 u tüm t > 0 için ) n k =1 n k =2 (Xk cYk ) u (Xk cYk ) u + cY1 = P ( S ' (t ) ct u + cY1 tüm n 1 için) X1 X1 tüm n 2 , X 1 cY1 tüm t > 0 , X 1 cY1 u) u ) e itli i kullan lmaktad r. 3.2. Kal)n kuyruklu da*)l)mlar için iflas teorisi Kal n kuyruklu da l mlar e itlik (3)’te verilen Cramer-Lundberg ko ulunu sa lamamakta ve bu nedenle de Cramer-Lundberg Teoremi bu tür hasar büyüklü ü da l mlar na uygulanamamaktad r. Bu durumda (2) e itli inin, konvülasyon yakla m kullan larak yeniden düzenlenmesi gerekmektedir. 3.2.1. Alt –üstel da*)l)mlar için Cramer-Lundberg teoremi . Alt-üstel da l ma Cramer-Lundberg teoreminin uygulanabilmesi için, bu da l ma ili kin üç özellik a a da verilmi tir. (a) F da l m alt-üstel da l m s n f içerisinde yer al yor ise, benzer ekilde (0, ) aral ndaki y F ( x y) de eri için de lim = 1 e itli i elde edilir. x F ( x) (b) Tüm (c) F F n* ( x ) F ( x) > 0 de erleri için; x S olmas durumunda, n K (1 + ) n x 0 iken e x F ( x ) olmaktad r. 2 de erleri için s f rdan büyük bir de eri için e itli i sa lanacakt r. > 0 de erleri için herhangi bir e x eklinde olan üstel da l mdan daha yava s f ra F ( x) da l m olarak aç klanmakta olup, tüm > 0 ve y 0 de erleri için Alt-üstellik, yakla an e x dF ( x ) e y F ( y ) e itsizli i elde edilmektedir. F S olmas durumunda tüm > 0 de erleri için y fˆ ( olmaktad r. Buna ba l olarak, alt-üstel da l m n Laplace–Stieltjes dönü ümü, s f r durumu için özel bir tekilli e sahiptir. Bu durum ilk kez Chistyakov (1964) taraf ndan ispatlanm t r. Bu teoremin )= B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 geni letilmesiyle daha geni da l m s n flar içinde lim x F ( x y) = 1 e itsizli inin sa land F ( x) 50 durumlar n oldu u görülmü tür [5]. Cramer-Lundberg modelinin net kâr ko ulu ( 0 > 0 ) ve bütünle ik kuyruk da l m n n alt üstel da l m snf içerisinde bulunmas durumunda u iken iflas ols l & (u ) ~ 0 1 F I (u ) eklinde hesaplanmaktad r. Bu e itli in elde edilmesinde (1 + 0 ) <1 ko ulu oldu undan (1 + 0 ) (1 + ) < 1 e itsizli ini sa layacak ekilde belirlenen s f rdan büyük bir de eri için; 1 & (u ) FI (u) = (1 + 0 ) & (u ) 0 1+ 0 n = (1 + 0 ) n n =0 FIn* (u ) FI (u ) 0 FIn* (u ) FI (u ) (1 + 0 ) n K (1 + ) n (1 + 0 ) n FI (u) 1 + 0 n =0 0 = (1 + 0 ) n n = 0 1 + 0 n=0 1 FIn* (u ) FI (u ) u 0. (6) 1 olarak yaz labilmektedir. Buradan da & (u ) ~ 0 1 F I (u ) e itli inin elde edildi i görülebilmektedir. Altüstel da l m yap s na sahip kal n kuyruklu hasar büyüklü ü da l mlar için, iflas olas l tahmini & (u ) ~ 0 1 F I (u ) eklinde hesaplanmaktad r. Ancak & (u ) ~ 0 1 F I (u ) tahmini sadece FI S ko ulu alt nda gerçekle ebilmektedir. Net kazanç ko uluna ( 0 > 0 ) sahip olan Cramer-Lundberg teoremi göz önünde bulundurularak alt–üstel da l m üzerine yap lan incelemeler sonucunda a a daki durumlar kabul edilmi tir. a) FI S, b) 1 & (u ) S , c) lim& (u ) / F I (u ) = 0 u 1 [5]. 4. Uygulama 4.1. GiriA Çal man n bu bölümünde, Trafik Sigortalar Bilgi Merkezi’ne (TRAMER) kay tl Karayollar Motorlu Araçlar Zorunlu Mali Sorumluluk (Trafik) Sigortas verilerinin kullan ld bir uygulama yap lm t r. Yap lan hesaplamada, 2009 y l için Ankara ilindeki otomobil araç grubuna ait toplanan net poliçe prim tutar ve ödenen hasar tutarlar ndan yararlan lm t r. Uygulamada kullan lacak hasar tutarlar n n da l m na karar verilmesinde hasar büyüklü ünü temsil edecek ekilde Ankara iline ait otomobil s n f için 300 adet gerçek bireysel hasar tutar ndan olu an örneklem kümesinden yararlan lm t r. 4.2. Risk sürecinin incelenmesi TRAMER sistemine kay tl 2009 y l için her bir ayda ödenen hasar ve toplanan net prim tutarlar ndan olu turulan risk sürecinde; primlerin dönem ba nda topland , hasar ödemelerinin ise dönem sonunda yap ld varsay m alt nda risk sürecinin ilk kez s f r n alt na dü tü ü durum için, iflas n gerçekle me B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 51 olas l klar hesaplanm t r. 2009 y l nda Ankara ilinde otomobil araç grubu için yürürlükteki poliçe adedi, toplanan net primler ile o y l içerisinde gerçekle en hasar dosya say lar ve hasar tutarlar Yekil 1’de gösterilmektedir. ,ekil 1. 2009 y l Ankara ili otomobil trafik sigortas nda her bir ayda gerçekle en hasar say lar , hasar tutarlar , net poliçe say s ve toplanan net poliçe primleri Risk sürecine U0 ba lang ç sermayesi ile ba lamakta, bu ba lang ç sermayesi ve dönem ba nda toplanan prim tutarlar dönem sonuna kadar ayl k faiz oran na göre faizlendirilerek dönem sonunda da hasar ödemeleri yap larak sürdürülmektedir. 4lgili dönem sonunda sistemde kalan tutar, bir sonraki dönemin ba lang ç sermayesini olu turmaktad r. Risk süreci, t = 1, 2,...,12 olmak üzere; ! t : prim sürecini; St : hasar sürecini; r: faiz oran n göstermek üzere Ut = (Ut 1 + !t )(1 + r ) St eklinde gösterilmektedir. B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 52 Uygulamada ayl k faiz oran 0,03 olarak al nm olup, toplam ve ortalama de erlere göre incelenen süreçlerde farkl ba lang ç sermaye de erleri kullan lm t r. Kolmogorov–Smirnov, Anderson Darling ve ki-kare uyum iyili i testleri sonucunda hasar tutar n n µ = 6.1327 ve $ =0,45195 parametreleriyle Log–normal da l ma uydu u %95 güvenilirlik düzeyinde kabul edilmi tir. Lognormal da l ma uydu u belirlenen hasar tutarlar n n Matlab program nda log-normal da l ma göre incelemesinin yap lmas nda integral ve limit i lemlerinde kolayl k sa lamas nedeniyle hata fonksiyonu ve tamamlay c hata fonksiyonu tablo de erlerinden yararlan lm t r (Ek1). µ = 6.1327 ve $ =0,45195 parametreli Log–normal da lan hasar tutarlar n n s ras yla kümülatif da l m ve kuyruk da l m grafikleri Yekil 2’de; olabilirlik yo unluk ve tehlike fonksiyonu grafikleri Yekil 3’te ve son olarak da PP ve QQ grafikleri Yekil 4’te verilmektedir. ,ekil 2. µ = 6.1327 ve $ = 0.45195 parametreli Lognormal da l m n kümülatif ve kuyruk da l m ,ekil 3. µ = 6.1327 ve $ = 0.45195 parametreli Lognormal Da l m n Olabilirlik Yo unluk ve Tehlike Fonksiyonu B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 53 ,ekil 4. µ = 6.1327 ve $ = 0.45195 parametreli Lognormal Da l m n PP ve QQ Grafikleri Hasar tutar na ili kin yukar da verilen grafikler de, Kolmogorov–Smirnov, Anderson Darling ve ki-kare uyum iyili i testleriyle de kabul edilen µ = 6.1327 ve $ = 0.45195 parametreli log-normal da l m n hasar tutar da l m için uygun oldu unu desteklemektedir. Kal n kuyruklu hasar büyüklü ü da l mlar için iflas olas l klar n n hesaplanmas nda öncelikle incelenen risk sürecinde iflas durumunun gerçekle mi olmas gerekmektedir. Kal n kuyruklu oldu una karar verilen hasar tutarlar n n; çal man n ikinci bölümünde verilen ko ullar sa lamas bak m ndan s ras yla uzun kuyruklu, alt-üstel ya da düzenli de i en kuyruklu da l ma uyup uymad geli tirilen yaz l m kullan larak karar verilmi tir. Kal n kuyruklu da l ma sahip hasar büyüklükleri için iflas olas l n n hesaplanmas nda çal man n üçüncü bölümünde alt-üstel da l m s n f için elde edilen iflas olas l e itliklerinden yararlan lm t r. Alt üstel da l ma uyan hasar tutar ile ayl k toplanan prim tutarlar na göre olu turulan risk sürecinin üçüncü bölümde de inilen alt-üstel da l m s n f için elde edilen iflas olas l e itliklerinden yararlan larak farkl ba lang ç sermayeleri ve güvenlik yükleme faktörlerine göre iflas olas l klar hesaplanm t r. Tüm hesaplamalar Matlab yaz l m kullan larak geli tirilen program arac l ile yap lm t r. 20 farkl ba lang ç sermayesi ve sekiz farkl güvenlik yükleme faktörüne göre 0,03 faiz oran na ba l olarak risk sürecinin s f r n alt na dü tü ü ilk nokta için elde edilen iflas olas l klar Çizelge1’de gösterilmektedir. Yaz l mdan elde edilen de erler sonucunda, ba lang ç sermaye miktarlar ndaki ve sistemin uygulayaca güvenlik yükleme faktörlerindeki art n iflas olas l klar nda azalmaya neden oldu u gözlemlenmi tir. 4flas olas l için en yüksek de er sermaye miktar n n 1 TL ve güvenlik yükleme faktörünün bulunmad durumda, 0.999999 olarak elde edilirken en dü ük iflas olas l olan 0,493650 de eri ise, sermaye miktar n n 1.500.000 TL ve güvenlik yükleme faktörünün 1,875 oldu u durum için elde edilmektedir. B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 54 Çizelge 1. 2009 y l otomobil s n f için Ankara ili trafik sigortas n n ödenen tüm hasarlar ve toplanan net primlere göre olu turulan risk süreci için iflas olas l klar tahmini Senaryo Senaryo 1 Senaryo 2 Senaryo 3 Senaryo 4 Senaryo 5 Senaryo 6 Senaryo 7 Senaryo 8 Senaryo 9 Senaryo 10 Senaryo 11 Senaryo 12 Senaryo 13 Senaryo 14 Senaryo 15 Senaryo 16 Senaryo 17 Senaryo 18 Senaryo 19 Senaryo 20 flas Olas#l#klar# Sermaye Miktarlar# (TL) Ba lang#ç Sermayesi =1 Ba lang#ç Sermayesi =5.000 Ba lang#ç Sermayesi =10.000 Ba lang#ç Sermayesi =20.000 Ba lang#ç Sermayesi =30.000 Ba lang#ç Sermayesi =40.000 Ba lang#ç Sermayesi =50.000 Ba lang#ç Sermayesi =75.000 Ba lang#ç Sermayesi =100.000 Ba lang#ç Sermayesi =200.000 Ba lang#ç Sermayesi =300.000 Ba lang#ç Sermayesi =400.000 Ba lang#ç Sermayesi =500.000 Ba lang#ç Sermayesi =600.000 Ba lang#ç Sermayesi =700.000 Ba lang#ç Sermayesi =800.000 Ba lang#ç Sermayesi =900.000 Ba lang#ç Sermayesi =1.000.000 Ba lang#ç Sermayesi =1.250.000 Ba lang#ç Sermayesi =1.500.000 Güvenlik Yükleme Faktörleri 1 1,125 1,25 1,375 1,5 1,625 1,75 1,875 0,999999 0,888888 0,799999 0,727272 0,666666 0,615384 0,571428 0,533333 0,999752 0,888668 0,799802 0,727092 0,666501 0,615232 0,571287 0,533201 0,999504 0,888448 0,799603 0,726912 0,666336 0,615079 0,571145 0,533069 0,999008 0,888007 0,799206 0,726551 0,666005 0,614774 0,570862 0,532804 0,998511 0,887566 0,798809 0,72619 0,665674 0,614469 0,570578 0,532539 0,998015 0,887125 0,798412 0,725829 0,665343 0,614163 0,570294 0,532275 0,997519 0,886683 0,798015 0,725468 0,665013 0,613858 0,570011 0,53201 0,996278 0,885581 0,797023 0,724566 0,664185 0,613094 0,569302 0,531348 0,995037 0,884478 0,79603 0,723664 0,663358 0,612331 0,568593 0,530687 0,990075 0,880066 0,79206 0,720054 0,66005 0,609277 0,565757 0,52804 0,985112 0,875655 0,788089 0,716445 0,656741 0,606223 0,562921 0,525393 0,980149 0,871243 0,784119 0,712836 0,653433 0,603169 0,560085 0,522746 0,975186 0,866832 0,780149 0,709226 0,650124 0,600114 0,557249 0,520099 0,970223 0,86242 0,776178 0,705617 0,646815 0,59706 0,554413 0,517452 0,96526 0,858009 0,772208 0,702007 0,643507 0,594006 0,551577 0,514805 0,960297 0,853598 0,768238 0,698398 0,640198 0,590952 0,548741 0,512159 0,955334 0,849186 0,764267 0,694789 0,63689 0,587898 0,545905 0,509512 0,950371 0,844775 0,760297 0,691179 0,633581 0,584844 0,543069 0,506865 0,937964 0,833746 0,750371 0,682156 0,625309 0,577209 0,535979 0,500248 0,925557 0,822717 0,740445 0,673132 0,617038 0,569573 0,52889 0,49363 B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 55 Bulunan sonuçlar iflas olas l n n güvenlik yükleme faktörü ve ba lang ç sermaye miktarlar na göre de i ti ini göstermektedir. Güvenlik yükleme faktörü incelenen sistemde daha temkinli bir durumu yarataca ndan, güvenlik yükleme faktöründeki art beklenildi i gibi iflas olas l n n dü mesine neden olmu tur. Ba lang ç sermaye miktar ndaki art a ba l olarak da risk sürecinin s f r n alt na dü me olas l azalm t r. 5. Sonuç ve öneriler Bu çal mada öncelikle, kal n kuyruklu da l m yap s n n tüm özellikleri ve alt s n flar ara t r lm , her bir s n f için gerekli ko ullar incelenmi tir. Sigortac l kta irketin devaml l aç s ndan bir yol gösterici olan risk sürecinin yap s ve özellikleri incelenmi , iflas olas l klar n n sigorta irketi aç s ndan önemine de inilmi tir. Kal n kuyruklu da l m yap s na sahip oldu una karar verilen hasar büyüklüklerine ili kin iflas olas l klar n n hesaplanmas nda, kal n kuyruklu da l mlar n alt s n flar ndan alt–üstel da l m s n f na özel geli tirilen teoriler nda çe itli formüller elde edilmi tir. Geli tirilen Matlab program yard m yla herhangi bir da l m n kal n kuyruklu da l ma sahip olup olmad ara t r lm , kal n kuyruklu da l ma sahip olmas durumunda hangi alt s n fa dahil oldu u incelenmi tir. Risk süreç yap s incelenerek, risk sürecinin s f r seviyesinin alt na dü mesi durumunda iflas olas l kal n kuyruklu da l ma ait formüller kullan larak hesaplanm t r. Yap lan uygulama ile risk sürecine ba l olarak gerçekle en iflas durumlar n n olu mas nda sermaye miktar ve güvenlik yükleme faktörlerinin etkili oldu u gözlemlenmi tir. Sermaye miktar ve güvenlik yükleme faktörü de erinin beklenildi i gibi iflas olas l ile ters orant l oldu u ve bu de erlerdeki art n iflas olas l n belirgin ekilde dü ürdü ü gözlemlenmi tir. Bu çal ma ile hayat d sigorta alan nda önemli bir yere sahip olan kal n kuyruklu da l mlar n risk süreci ve iflas olas l klar üzerindeki etkisi incelenmi ve kal n kuyruklu da l mlara özel iflas olas l klar n n nas l hesaplanaca incelenmi tir. Kaynaklar [1] Asmussen, S., 2000, Ruin probabilities, Advanced Series on Statistical Science and Applied Probability Vol.2, World Scientific Publishing, Singapore, 385p. [2] Bingham, N.H., Goldie, C.M., Teugels, J.L., 1987, Regular variation, Cambridge University Press, Cambridge. [3] Chistyakov, V.P., 1964, A theorem on sums of independent positive random variables and its applications to branching random processes, Theory probability Application 9, pp 640-649. [4] Embrechts, P., Goldie, C.M., 1982, On convolution tails, Stochastic Processes Applied 13, pp 263-278. [5] Embrechts, P., Klüppelberg C., Mikosch T., 2001, Modelling Extremal Events for Insurance and F nance, Applications of Mathematics Stochastic Modelling and Applied Probability 33 , Springer, 648p. [6] Goldie, C. M., Klüppelberg C., 1998, Subexponential Distributions, A practical guide to heavy tails: statistical techniques and applications, pp 435-460. [7] Klugman, S.,A., Panjer H.H., Willmot G.,E., 2008, Loss models from data to decisions, Third Edition, John Wiley and Sons, New Jersey, 726p. [8] Klüppelberg, C., 1988, Subexponential distributions and integrated tails, Journal of Applied Probability,Vol 25,No:1,pp 132-14.1 [9] Mo, K.C.K., 2002, Ruin probabilities with dependent claims, Actuarial Studies, Faculty of Commerce and Economics, University of New South Wales, 50p. [10] Rolski T., Schmidli H., Schmidt V., Teugels J., 1999, Stochastic processes for Insurance and Finance, Wiley Series in Probability and Statstics, John Wiley and Sons, England, 654p. [11] Sigman K., 1999, Appendix: A primer on heavy-tailed distributions, Queueing Systems 33, pp 261-275. B.Bulut, C. Erdemir / statistikçiler Dergisi 4 (2011) 39-56 56 Ekler Ek-1. Hata fonksiyonu (error function-Erf) ve tamamlay c hata fonksiyonu (complementary error function-Erfc) tablosu x Erf(x) Erfc(x) x Erf(x) Erfc(x) 0 0 1 1,3 0,9340079 0,0659921 0,05 0,056372 0,943628 1,4 0,9522851 0,0477149 0,1 0,1124629 0,8875371 1,5 0,9661051 0,0338949 0,15 0,167996 0,832004 1,6 0,9763484 0,0236516 0,2 0,2227026 0,7772974 1,7 0,9837905 0,0162095 0,25 0,2763264 0,7236736 1,8 0,9890905 0,0109095 0,3 0,3286268 0,6713732 1,9 0,9927904 0,0072096 0,35 0,3793821 0,6206179 2 0,9953223 0,0046777 0,4 0,4283924 0,5716076 2,1 0,9970205 0,0029795 0,45 0,4754817 0,5245183 2,2 0,9981372 0,0018628 0,5 0,5204999 0,4795001 2,3 0,9988568 0,0011432 0,55 0,5633234 0,4366766 2,4 0,9993115 0,0006885 0,6 0,6038561 0,3961439 2,5 0,999593 0,000407 0,65 0,6420293 0,3579707 2,6 0,999764 0,000236 0,7 0,6778012 0,3221988 2,7 0,9998657 0,0001343 0,75 0,7111556 0,2888444 2,8 0,999925 0,000075 0,8 0,742101 0,257899 2,9 0,9999589 0,0000411 0,85 0,7706681 0,2293319 3 0,9999779 0,0000221 0,9 0,7969082 0,2030918 3,1 0,9999884 0,0000116 0,95 0,8208908 0,1791092 3,2 0,999994 0,000006 1 0,8427008 0,1572992 3,3 0,9999969 0,0000031 1,1 0,8802051 0,1197949 3,4 0,9999985 0,0000015 1,2 0,910314 0,089686 3,5 3,5 0,9999993 0,9999993 0,0000007 0,0000007