Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti



Documenti analoghi
Statistica e calcolo delle Probabilità. Allievi INF

6. Catene di Markov a tempo continuo (CMTC)

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 13: 24 aprile 2013

Università di Napoli Parthenope Facoltà di Ingegneria

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

6. Catene di Markov a tempo continuo (CMTC)

3. Esercitazioni di Teoria delle code

Esercitazioni del corso: STATISTICA

La retroazione negli amplificatori

Risoluzione quesiti I esonero 2011

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)

Circuiti di ingresso differenziali

Macchine. 5 Esercitazione 5

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Studio grafico-analitico di una funzioni reale in una variabile reale

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Intorduzione alla teoria delle Catene di Markov

Esercizi sulle reti elettriche in corrente continua (parte 2)

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Test delle ipotesi Parte 2

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS

MACROECONOMIA A.A. 2014/2015

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

Dai circuiti ai grafi

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Esame di Statistica Corso di Laurea in Economia

LA COMPATIBILITA tra due misure:

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

Stabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE

Introduzione al Machine Learning

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Soluzione esercizio Mountbatten

Variabili statistiche - Sommario

Condensatori e resistenze

Relazioni tra variabili: Correlazione e regressione lineare

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO

Dinamica dei sistemi particellari

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa Esercitazione: 4 aprile 2013

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni

Lezione 20 Maggio 29

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Aritmetica e architetture

SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE

Realizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

Tutti gli strumenti vanno tarati

Elementi di statistica

INDICE. Scaricabile su: Derivate TEORIA. Derivata in un punto. Significato geometrico della derivata

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Appunti di Teoria dell Informazione

Corso di Automazione Industriale 1. Capitolo 7

Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive

ELEMENTI DI STATISTICA

Strutture deformabili torsionalmente: analisi in FaTA-E

Calibrazione. Lo strumento idealizzato

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

STRATIGRAFIE PARTIZIONI VERTICALI

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

Dinamica del corpo rigido

2 Modello IS-LM. 2.1 Gli e etti della politica monetaria

Analisi dei flussi 182

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

McGraw-Hill. Tutti i diritti riservati. Caso 11

Calcolo delle Probabilità

Carla Seatzu, 18 Marzo 2008

LE CARTE DI CONTROLLO

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

PICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Calcolo della caduta di tensione con il metodo vettoriale

Problemi variazionali invarianti 1

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

Modelli di variabili casuali

PROBLEMA DI SCELTA FRA DUE REGIMI DI

STATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007

LE FREQUENZE CUMULATE

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 22: 30 maggio 2013

Ragionamento probabilistico: rappresentazione

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Pattern Recognition. Bayes decision theory

Per calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:

Matematica Computazionale(6cfu) Ottimizzazione(8cfu)

CAPITOLO 3 Incertezza di misura Pagina 26

Progetto Lauree Scientifiche. La corrente elettrica

Transcript:

Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso Nazonale d Scenza e Tecnca delle sscurazon, Bologna.

. SUCCSSION LTORI Sa S un sstema ce evolve nel tempo n manera aleatora. d ogn stante, s può assocare una varable casuale ce va a descrvere lo stato n cu s trova l sstema n quell stante, assocazone possble percé tale stato è a pror, ovvero prma dell osservazone aleatoro. S denota con: { t,t є T} t dove T è un nseme dscreto d possbl valor d t, la successone d varabl aleatore dpendent dal tempo t e ce assumono valor n un nseme fnto, cu element sono appunto gl stat del sstema. In partcolare, s suppone ce ognuna delle varabl t può assumere solo queste m determnazon: = {,,.., m } dove è denomnato spazo degl stat. er descrvere come evolve l sstema nel corso del tempo, s necessta della defnzone delle probabltà d transzone da uno stato all altro. Innanztutto, s ndca genercamente con la probabltà ce l sstema s trov al tempo nello stato, ovvero è : rob( con ce prende ovvamente valor da a m. S può qund rappresentare medante S veda n proposto Galatoto G. (4.

un vettore rga d dmensone m, camato vettore nzale, la dstrbuzone d probabltà al tempo nzale : L [,,..., m ] Conoscendo e L, s costrusce l nseme delle m probabltà condzonate d transzone tra gl stant e, l cu generco elemento è dato da: rob(, (o, rob( / rob(, ( con, =,,r. Questa legge condzonale d evoluzone s ndca con La legge per le m 3 probabltà d transzone tra gl stant e, not gl stat T. precedent del sstema e è rappresentata da: (, rob( /, rob( rob(,,,,,,, con,, =,,r. La legge s ndca con (, T. S procede n manera analoga consderando tutte le coppe d stant successv a. Così tra - e s avranno m + probabltà condzonate: (,,..., -,,,...,,,,...,... - - 3

e la legge d probabltà sarà, per analoga, L nseme delle legg: (,,...,- T. Modulo I ( T (, T... (,,...,- T s defnsce sstema delle legg condzonate fondamental.. DFINIZION DI CTN DI MRKOV S consdera ora la generca legge condzonata T tra gl stant (,,..., -, e + e s suppone ce vale la seguente condzone : (,,...,- rob( /,,..., rob( / per ogn ( e, -,...,,. Tenendo conto d questa nformazone, s può scrvere pù semplcemente: (,,...,- (, In questo caso, la successone { t } t è denomnata catena d Marov. In altre ssa mplca ce le probabltà d transzone tra due stant successv sono n numero par a m. 4

parole, la catena d Marov è una partcolare successone aleatora a parametro t dscreto caratterzzata da probabltà condzonate d transzone (ossa le probabltà ce regolano l passaggo da uno stato all altro ce dpendono uncamente dallo stato assunto dal sstema nell stante precedente a quello consderato e non ance dalla stora passata: è per tale ragone, ce s dce ce l processo d Marov è un processo senza memora. Le probabltà d transzone, vengono raccuse n una matrce del tpo: M ( [ (, avente dmensone m * m, essendo m possbl stat del sstema. Ne consegue ce l sstema delle legg condzonate fondamental dventa un sstema d matrc m * m. ] 3. L DU RINCILI RORITÀ DLL SUCCSSION DI MRKOV:L OMOGNITÀ L RGOLRITÀ 3. OMOGNIT Se le probabltà d passaggo sono stazonare nel senso ce dpendono dagl stat e e non dall stante n cu avvene la transzone, allora la catena d Marov vene detta omogenea nel tempo; n questa crcostanza, le 5

probabltà (, s denotano soltanto con e le matrc Modulo I M sono ( ovvamente tutte ugual ad un unca matrce M denomnata matrce d evoluzone. In formule è: ( M M [ ] N e la struttura della matrce M è rportata n tabella: Stat del sstema.... m.... m.... m.................. m.............. m m m.. m.. mm La suddetta matrce gode delle seguent propretà: è quadrata d dmenson m * m; ogn valore è compreso tra e ; la somma degl element d ogn rga è uguale a. questo punto, nota la dstrbuzone d probabltà nzale ce è rappresentata dal vettore L e nota la matrce d evoluzone M, s può studare l evoluzone del sstema, trascorso un stante (qund al tempo, moltplcando 6

l vettore nzale per la matrce d transzone 3. Qund è: Modulo I L LM er gl stant successv ad, con analogo procedmento moltplcatvo, s costruscono le relazon rportate d seguto: L LM LMM LM.. L L - M L M dove evdentemente L rproduce l evoluzone del sstema dopo stant. S sottolnea noltre ce M rappresenta la potenza d ordne della matrce d ( transzone M e suo element sono le probabltà d transzone n pass. Da quanto fn qu esposto derva ce: M M (t t t l ce asscura l omogenetà del sstema S. 3. RGOLRIT er completare l dscorso sulle catene d Marov, s rende opportuno defnre una seconda propretà la quale rsulterà utle nel seguto denomnata d regolartà 4. S dce ce l sstema S è regolare se per t ce tende a nfnto, le potenze successve della matrce M tendono verso una matrce composta d r 3 Le moltplcazon sono effettuate secondo le comun regole del calcolo matrcale. 4 Cfr., Galatoto G. (4. 7

rge tutte dentce della forma: Modulo I [a,a,...,a m ] n cu alcune component sono nulle 5. Il vettore è detto legge lmte degl stat ed è tale ce vale la seguente relazone: M S rporta n ultmo un teorema ce fornsce una condzone necessara e suffcente affncé una successone d Marov omogenea sa regolare. Teorema: Condzone necessara e suffcente percé una successone d Marov omogenea sa regolare è ce tra dfferent stat possbl d un sstema S oggetto d studo ne essta uno, s, tale ce prendendo t molto grande s abba: t s, t / s dove t s è la probabltà d transtare dallo stato allo stato s n t operazon. 4. IL SISTM DI TRIFFZION BONUS-MLUS INTRRTTO COM UN CTN DI MRKOV degl element ce vanno a defnre l sstema Bonus-Malus quattro sono quell ce permettono d nquadrarlo correttamente nell ambto della teora sulle 5 Se nvece, l vettore a tutte component postve (a > per ogn l sstema è detto postvamente regolare. sstono due teorem ce asscurano questa condzone. S veda n proposto Galatoto G. (4. 8

catene d Marov 6 : Modulo I In prmo luogo, esso realzza la suddvsone delle polzze appartenent ad una prefssata classe tarffara ndvduata sulla base delle caratterstce del rsco rlevate a pror n un numero fnto d class d merto, n manera tale ce l premo dpenda solo dalla classe; La classe d Bonus-Malus d appartenenza nel perodo corrente dpende soltanto dalla classe del perodo precedente e dal numero de snstr con responsabltà causat dall asscurato nello stesso perodo: l passato, ovvero la completa stora d snstro e le class occupate ne var ann, non contano per determnare la classe presente raggunta; La presenza d regole d evoluzone per ndvduare la classe d arrvo, una volta not due precedent fattor; Infne, l esstenza d una classe fnale ce tutt gl asscurat possono raggungere, dopo un perodo alquanto lungo, non dando orgne ad alcun snstro. uò n defntva drs ce l sstema Bonus-Malus forma una catena d Marov e ce questa è ance omogenea e regolare, cu stat sono le dfferent class d merto. 6 Cfr., Galatoto G. (4. 9

5. L MTRIC DI VOLUZION er quanto rguarda le regole d evoluzone del sstema Bonus-Malus, lo strumento utle per rappresentarle è costtuto da una partcolare operazone cosddetta trasformazone o traslazone 7 : T ( con, =,,..,m ce assoca alla classe d merto la classe n dpendenza dal numero de snstr con responsabltà, rportat dall asscurato. In base ad essa, s va a strutturare la matrce quadrata d evoluzone d ordne m percé m sono le class del sstema Bonus-Malus ce vene denotata con T : T [ e l cu generco elemento t ( è defnto nel modo seguente: t ( ] t ( se T ( se T ( per cu valgono le relazon sotto: e t t ( Caramente s costruscono un numero d matrc d evoluzone matrc d sol uno e zero una per ogn possble valore d (con =,,,.. 7 S veda n proposto Lomaranta (97 e Lemare J. (995.

6. L MTRIC MRKOVIN DI TRNSIZION NLL MBITO DL SISTM BM Defnto cò, l obettvo ce ora c s propone d raggungere è quello dell ndvduazone e qund della costruzone d una matrce d transzone tra le class del sstema Bonus-Malus, la quale contene appunto le probabltà d passaggo ce sono funzone della frequenza d snstro. Rprendendo n consderazone ~ t, la varable aleatora ce descrve l numero de snstr nell anno d contratto t e la frequenza d snstro, sa p* ( ~ rob( / p t ~ rob( / t K p se se K K la probabltà d un gudatore con frequenza d snstro, d dar luogo almeno a K snstr nel suddetto perodo d osservazone e p ( è la probabltà ce l asscurato denunc esattamente snstr. Sulla base d * (, ovvamente varable al varare d, e sotto l potes d p ndpendenza d dal tempo, s costrusce la probabltà d transzone da una classe all altra del sstema Bonus-Malus (per esempo dalla alla per l perodo mmedatamente successvo a t la quale è uguale a: p ( p* ( t (

Caramente sono valde le seguent: Modulo I p ( e p ( Le m probabltà d transzone rsultato d tutte le possbl combnazon delle class d partenza con le class d arrvo (con, =,,.,m e ognuna delle qual è calcolata nella manera ndcata dalla relazone precedente possono essere sstemate n una matrce M detta matrce marovana d transzone 8 : K M( [ p ( ] p* ( T coè meda delle matrc T ponderate con le probabltà d snstro. Come preannuncato la matrce d transzone è ndpendente dal tempo e qund ottenamo una catena omogenea. 8 Cfr., Grasso F. (4.

La matrce delle regole evolutve del sstema BM talano secondo una rappresentazone alternatva (s veda Lemare. 3