Professional Documents
Culture Documents
BAB I
PENDAHULUAN
∑ 𝑓(𝑥).
𝑥
Teorema 2.2.1
Fungsi 𝑓(𝑥) adalah suatu fungsi kepadatan untuk peubah acak
kontinu 𝑋 jika dan hanya jika memenuhi
𝑓(𝑥) ≥ 0
untuk semua 𝑥 ∈ ℝ, dan
∞
∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞
2.2.1 Distribusi Gamma
Fungsi Gamma dinotasikan dengan Γ(𝛼) untuk semua 𝛼 > 0.
Suatu peubah acak kontinu 𝑋 dikatakan berdistribusi gamma
dengan parameter 𝛼 > 0 dan 𝛽 > 0 jika fungsi kepekatan
peluangnya berbentuk
1 𝑥
𝛼−1 −(𝛽 )
𝑥 𝑒
𝑓(𝑥; 𝛼, 𝛽) = { 𝛽 𝛼 Γ(𝛼) , 𝑥>0
0 , 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
dengan 𝛼 adalah parameter bentuk dan 𝛽 adalah parameter
skala pada distribusi gamma. Nilai rata-rata dan variansi dari
distribusi gamma yaitu:
𝐸[𝑋] = 𝛼𝛽
𝑉𝑎𝑟[𝑋] = 𝛼𝛽 2
Atau
𝐸(𝑋) = 𝐸(𝐸(𝑋|𝑌 = 𝑦))
[Hogg dan Craig, 1995]
2.5.3 Ragam
Ragam dari peubah acak 𝑋 adalah nilai harapan kuadrat selisih
antara 𝑋 dengan nilai harapannya. Secara matematis dapat
dituliskan sebagai
𝑉𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝐸[𝑋])2 ]
= 𝐸[𝑋 2 ] − (𝐸[𝑋])2
[Hogg dan Carig, 1995]
2.5.4 Kovariansi
Ukuran kekuatan saling berhubungannya dua variabel acak 𝑋
dan 𝑌 yang umum digunakan adalah kovarian dari keduanya.
Didefinisikan sebagai :
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸 ((𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌)))
= 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)
Perhatikan bahwa 𝐶𝑜𝑣(𝑋, 𝑋) = 𝑉𝑎𝑟(𝑋). Konsep kovarian
juga merupakan dasar dari definisi koefisien korelasi :
𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) = 𝜌𝑋,𝑌 =
√𝑉𝑎𝑟(𝑋). √𝑉𝑎𝑟(𝑌)
[Ostaszewski.K, 2004]
Teorema 2.9.1
Misalkan sebuah urutan variabel acak {𝑋1 , 𝑋2 , 𝑋3 , … } dan
parameter risiko Θ. Diberikan Θ, 𝑋𝑡 saling bebas. Momen
pertama dan kedua dari 𝑋𝑡 diasumsikan berhingga. Dengan
demikian, rata-rata bersyarat dari 𝑋𝑡 diberikan oleh
𝜇𝑡 (Θ) = 𝐸[𝑋𝑡 |Θ], 𝑡 = 1,2,3, …
dan 𝐸[𝜇𝑡 (Θ)] = 𝜇𝑡 .
Nilai minimum dari
𝐸[(𝜇𝑇+1 (Θ) − Ψ(𝑋1 , 𝑋2 , … , 𝑋𝑇 ))2 ]
atas semua fungsi terukur Ψ ∶ ℝ𝑇 → ℝ diperoleh untuk
Ψ ∗ (𝑋1 , 𝑋2 , … , 𝑋𝑇 ) = 𝐸[𝑋𝑇+1 |𝑋1 , 𝑋2 , … 𝑋𝑇 ]
∗ (𝑋
Ψ 1 , 𝑋2 , … , 𝑋𝑇 ) = 𝐸[𝑋𝑇+1|𝑋1 , 𝑋2 , … 𝑋𝑇 ]
= 𝐸[𝜇𝑇+1 (Θ)|𝑋1 , 𝑋2 , … 𝑋𝑇 ]
𝑃𝑐𝑜𝑙𝑙 = ∫ 𝜇(𝜗)𝑑𝑈(𝜗)
Θ
Ini merupakan rata-rata untuk semua risiko kolektif dari jumlah
ekspektasi klaim tiap risiko individu.
BAB III
METODE PENELITIAN
𝑔(𝑥, 𝑧) = 𝑝𝑙 (z) + 𝑝𝑠 (𝑥 − 𝑧)
𝐸[𝜃, 𝑝|(𝑥̃, 𝑧̃ )] = ∫ ∫ 𝐴
0 0
× (𝜃𝑝)𝑝𝛼2 +𝑡𝑧̅ −1 (1
− 𝑝)𝛽2 +𝑡(𝑥̅ −𝑧̅)−1 𝑒 −𝜃(𝛽1 +𝑡) 𝜃 𝛼1 +𝑡𝑥̅ −1 𝑑𝑝 𝑑𝜃
∞ 1
e. Estimasi parameter
Karena distribusi posterior merupakan perkalian dari
distribusi prior gamma dan beta dengan parameter yang
berbeda, maka akan diestimasi parameter yang tidak
diketahui tersebut menggunakan metode log-likelihood.
Pertama, akan dicari fungsi marjinal tidak bersyarat dari
(𝑋, 𝑍) yaitu
∞ 1
+ 𝛽2 )]
= (𝑝𝑙 − 𝑝𝑠 )𝑝𝜃 + 𝑝𝑠 𝜃
= ((𝑝𝑙 − 𝑝𝑠 )𝑝 + 𝑝𝑠 )𝜃
5. Perhitungan premi Bayes bonus malus
a. Menentukan premi prior(kolektif)
Premi risiko dapat ditentukan apabila nilai 𝜃 dan 𝑝 diketahui.
Dengan demikian, perhitungan premi risiko harus diestimasi dari
data. Apabila data tidak tersedia maka dilakukan perhitungan
premi prior (kolektif) dengan meminimumkan fungsi risiko
𝑃 = 𝐸𝜋(𝜗) [𝐿(𝑃(𝜗), 𝑃]
𝜋(𝜗) adalah distribusi prior dari parameter risiko 𝜗.
∞ 1
∞ 1
∞ 1
𝛼1 −𝛽1 𝜃
=∫𝜃 𝑒 (∫(𝑝𝑙 𝑝 − 𝑝𝑠 𝑝 + 𝑝𝑠 )𝑝𝛼2−1 (1 − 𝑝)𝛽2 −1 𝑑𝑝) 𝑑𝜃
0 0
∞ 1 1
𝛼1 −𝛽1 𝜃 𝛼2 𝛽2 −1
=∫𝜃 𝑒 (∫ 𝑝𝑙 𝑝 (1 − 𝑝) 𝑑𝑝 − ∫ 𝑝𝑠 𝑝𝛼2 (1 − 𝑝)𝛽2−1 𝑑𝑝
0 0 0
𝑢
Misal u = 𝛽1 𝜃 ⇒ 𝜃 =
𝛽1
𝑑𝑢
𝑑𝜃 =
𝛽1
1
= (𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 ) ( 𝛼1 +1 ∫ 𝑢𝛼1 𝑒 𝑢 𝑑𝑢)
𝛽1
1
= ((𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 )) ( 𝛼1 +1 Γ(𝛼1 + 1))
𝛽1
𝛽1 𝛼1
×
Γ(𝛼1 )𝐵(𝛼2 , 𝛽2 )
𝛼1
= ((𝛽2 − 1)! (𝛼2
𝛽1
𝛼1 𝑝𝑙 𝛼2 + 𝑝𝑠 𝛽2
=
𝛽1 𝛼2 + 𝛽2
b. Menentukan premi posterior
0 0
Perlu untuk menentukan nilai konstan dari distribusi posterior
𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ )).
∞ 1
∞ 1
1
∫ ∫ 𝑒−𝜃(𝛽1 +𝑡) 𝜃𝛼1 +𝑥−1 𝑝𝛼2 +𝑧−1 (1 − 𝑝)𝛼1 +𝑥−𝑧−1 𝑑𝑝 𝑑𝜃 =
𝐴
0 0
(𝛽 +𝑡)𝛼1+𝑥 Γ(𝛼2 +𝛽2 +𝑥)
didapat nilai A = Γ(𝛼 1+𝑥)Γ(𝛼 dengan 𝑥 = 𝑡𝑥̅ dan 𝑧 = 𝑡𝑧̅.
1 2 +𝑧)Γ(𝛽2 +𝑥−𝑧)
∞ 1
0 0
∞ 1
(𝛼1 + 𝑥)
= ×
(𝛽1 + 𝑡)
(𝛼2 + 𝑧 − 1)! ((𝑝𝑙 − 𝑝𝑠 )(𝛼2 + 𝑧)(𝛽2 + 𝑥 − 𝑧 − 1)! + 𝑝𝑠 ((𝛽2 + 𝑥 − 𝑧 − 1)! (𝛼2 + 𝛽2 + 𝑥)
[ ]
(𝛼2 + 𝛽2 + 𝑥)! (𝛼2 + 𝑧 − 1)! (𝛽2 + 𝑥 − 𝑧 − 1)!
(𝛼1 + 𝑥) 𝑝𝑙 (𝛼 + 𝑧) + 𝑝𝑠 (𝛽2 + 𝑥 − 𝑧)
2
𝑃∗ (𝑥, 𝑧, 𝑡) = ×
(𝛽1 + 𝑡) 𝛼2 + 𝛽2 + 𝑥
Premi Bayes adalah ratio antara premi posterior dengan premi prior
yaitu
𝑃∗ (𝑥, 𝑧, 𝑡)
𝑃∗∗ (𝑥, 𝑧, 𝑡) =
𝑃
6. Melakukan uji kecocokan data dengan Chi-Square Goodness of Fit
Test
Untuk melakukan perhitungan premi dengan rumus yang telah
diperoleh pada langkah sebelumnya maka data yang akan
digunakan harus berdistribusi poisson-gamma untuk jumlah klaim
dan binomial-beta untuk total klaim dengan ukuran klaim lebih
besar dari batas limit 𝜓. Oleh karena itu, akan dilakukan uji
kecocokan data pada data banyaknya klaim pemegang polis.
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 ]