9.3 Bühlmann Credibility
Dalam bagian ini, kita akan mempelajari:
- Menghitung perkiraan yang ditimbang kredibilitas untuk kerugian yang
diharapkan untuk suatu risiko atau kelompok risiko.
- Menentukan kredibilitas \(Z\) yang
diberikan kepada pengamatan.
- Menghitung nilai yang diperlukan dalam kredibilitas Bühlmann,
termasuk Nilai Harapan Variansi Proses \(( EPV
)\), Variansi Rata-rata Hipotetis \((
VHM )\) dan rata-rata kolektif \(μ\) .
- Mengenali situasi di mana model Bühlmann sesuai.
Rencana peringkat klasifikasi mengelompokkan pemegang polis ke dalam
kelas berdasarkan karakteristik risiko. Meskipun pemegang polis dalam
satu kelas memiliki kesamaan, mereka tidak identik dan kerugian yang
diharapkan tidak akan sama persis. Rencana peringkat pengalaman dapat
melengkapi rencana peringkat kelas dengan menimbang kredibilitas
pengalaman kerugian individu pemegang polis dengan tarif kelas untuk
menghasilkan tarif yang lebih akurat bagi pemegang polis.
Dalam penyajian kredibilitas Bühlmann, disarankan untuk menetapkan
parameter risiko \(θ\) untuk setiap
pemegang polis. Kerugian \(X\) untuk
pemegang polis akan memiliki fungsi distribusi yang umum \(Fθ(x)\) dengan rata-rata \(μ(θ)=E(X|θ)\) dan varians \(σ2(θ)=Var(X|θ)\). Kerugian \(X\) dapat mewakili premi murni, kerugian
agregat, jumlah klaim, keparahan klaim, atau ukuran kerugian lainnya
untuk periode waktu, seringkali selama satu tahun. Parameter risiko
\(θ\) dapat bersifat kontinu atau
diskrit dan dapat multivariat tergantung pada model yang digunakan.
Jika seorang pemegang polis dengan parameter risiko \(θ\) mengalami kerugian \(X1,...,Xn\) selama \(n\) periode waktu, maka tujuannya adalah
untuk menemukan \(E(μ(θ)|X1,...,Xn)\),
yaitu ekspektasi bersyarat dari \(μ(θ)\) yang diberikan \(X1,...,Xn\). Perkiraan yang ditimbang
kredibilitas Bühlmann untuk \(E(μ(θ)|X1,...,Xn)\) untuk pemegang polis
adalah sebagai berikut:
\[\begin{equation}\hat{\mu}(\theta)=Z\bar{X}+(1-Z)\mu
\tag{9.7}\end{equation}\]
Dengan :
\[\begin{eqnarray*}
\theta&=&\textrm{a risk parameter that identifies a
policyholder's risk level}\\
\hat{\mu}(\theta)&=&\textrm{estimated expected loss for a
policyholder with parameter }\theta\\
& & \textrm{and loss experience } \bar{X}\\
\bar{X}&=&(X_1+\cdots+X_n)/n \textrm{ is the average of $n$
observations of the policyholder } \\
Z&=&\textrm{credibility assigned to $n$ observations } \\
\mu&=&\textrm{the expected loss for a randomly chosen
policyholder in the class.}\\
\end{eqnarray*}\]
Untuk pemegang polis yang dipilih, asumsi variabel acak \(Xj\) dianggap iid untuk \(j=1,...,n\) karena diasumsi8kan bahwa
paparan pemegang polis terhadap kerugian tidak berubah dari waktu ke
waktu. Kuantitas \(\bar{X}\) adalah
rata-rata dari \(n\) pengamatan dan
\(E(\bar{X}|θ)=E(Xj|θ)=μ(θ)\).
Jika seorang pemegang polis dipilih secara acak dari kelas dan tidak
ada informasi kerugian tentang risiko, maka kerugian yang diharapkan
adalah \(μ=E(μ(θ))\) di mana harapan
diambil dari semua \(θ\) dalam kelas.
Dalam situasi ini, \(Z=0\) dan kerugian
yang diharapkan adalah \(μ^(θ)=μ\)
untuk risiko tersebut. Kuantitas \(μ\)
juga dapat ditulis sebagai \(μ=E(Xj)\)
atau \(μ=E(\bar{X})\) dan sering
disebut sebagai mean keseluruhan atau collective mean. Perhatikan bahwa
\(E(Xj)\) dievaluasi dengan hukum total
ekspektasi: \(E(Xj)=E(E[Xj|θ])\).
Example 9.3.1 Jumlah klaim \(X\) untuk seorang tertanggung dalam suatu
kelas memiliki distribusi Poisson dengan mean \(θ>0\). Parameter risiko \(θ\) didistribusikan secara eksponensial di
dalam kelas dengan pdf \(f(θ)=e−θ\).
Berapakah jumlah klaim yang diharapkan untuk seorang tertanggung yang
dipilih secara acak dari kelas tersebut?
Solusi Variabel acak \(X\) memiliki distribusi Poisson dengan
parameter \(θ\) dan \(E(X|θ)=θ\). Jumlah klaim yang diharapkan
untuk seorang tertanggung yang dipilih secara acak adalah \(μ=E(μ(θ))=E(E(X|θ))=E(θ)=∫∞0θe−θdθ=1\).
Pada contoh di atas, parameter risiko \(θ\) adalah variabel acak dengan distribusi
eksponensial. Pada contoh berikutnya, terdapat tiga jenis risiko dan
parameter risiko memiliki distribusi diskrit.
Example 9.3.2 Untuk setiap risiko (pemegang polis)
dalam populasi, jumlah kerugian \(N\)
dalam setahun memiliki distribusi Poisson dengan parameter \(λ\). Jumlah kerugian individu \(Xi\) untuk sebuah risiko independen dari
\(N\) dan identik dan memiliki
distribusi Pareto Tipe II dengan \(F(x) = 1 -
[θ / (x + θ)]α\). Ada tiga jenis risiko dalam populasi sebagai
berikut:
\[\small{
\begin{array}{|c|c|c|c|}
\hline
\text{Risk } & \text{Percentage} & \text{Poisson} &
\text{Pareto} \\
\text{Type} & \text{of Population} & \text{Parameter} &
\text{Parameters} \\
\hline
A & 50\% & \lambda=0.5 & \theta=1000, \alpha=2.0 \\
B & 30\% & \lambda=1.0 & \theta=1500, \alpha=2.0 \\
C & 20\% & \lambda=2.0 & \theta=2000, \alpha=2.0
\\
\hline
\end{array}
}\]
Jika sebuah risiko dipilih secara acak dari populasi tersebut, berapa
kerugian total yang diharapkan dalam setahun?
Solusi Untuk suatu risiko, jumlah klaim yang
diharapkan adalah \(E(N|λ) = λ\). Nilai
harapan dari suatu variabel acak yang didistribusikan Pareto adalah
\(E(X|θ,α) = θ/(α-1)\). Nilai harapan
dari variabel acak kehilangan agregat \(S = X1
+⋯+XN\) untuk risiko dengan parameter \(λ\), \(α\), dan \(θ\) adalah \(E(S)
= E(N)E(X) = λθ/(α-1)\). Kerugian agregat yang diharapkan untuk
suatu risiko jenis A adalah \(E(SA) =
(0,5)(1000)/(2-1) = 500\). Kerugian agregat yang diharapkan untuk
suatu risiko yang dipilih secara acak dari populasi adalah \(E(S) =
0,5[(0,5)(1000)]+0,3[(1,0)(1500)]+0,2[(2,0)(2000)] = 1500\).
Berapa parameter risiko untuk suatu risiko (pemegang polis) pada
contoh sebelumnya? Dapat dikatakan bahwa parameter risiko memiliki tiga
komponen \((λ, θ, α)\) dengan nilai
mungkin (0,5, 1000, 2,0), (1,0, 1500, 2,0), dan (2,0, 2000, 2,0)
tergantung pada jenis risiko.
Perlu diperhatikan bahwa pada kedua contoh tersebut, parameter risiko
adalah kuantitas acak dengan distribusi probabilitasnya sendiri. Kita
tidak tahu nilai parameter risiko untuk risiko yang dipilih secara
acak.
Meskipun formula (9.7) diperkenalkan dengan menggunakan rating
pengalaman sebagai contoh, model kredibilitas Bühlmann memiliki aplikasi
yang lebih luas. Misalkan ada rencana rating dengan beberapa kelas.
Formula kredibilitas (9.7) dapat digunakan untuk menentukan tarif kelas
individu. Rata-rata keseluruhan \(μ\)
akan menjadi rata-rata kerugian untuk semua kelas yang digabungkan,
\(\bar{X}\) akan menjadi pengalaman
untuk kelas individu, dan \(μ^(θ)\)
akan menjadi perkiraan kerugian untuk kelas tersebut.
9.3.1 Credibility Z, EPV, and VHM
Ketika menghitung estimasi kredibilitas \(μ^(θ)=Z\bar{X}+(1−Z)μ\), berapa bobot \(Z\) yang harus diberikan pada pengalaman
\(\bar{X}\) dan berapa bobot \((1−Z)\) pada rata-rata keseluruhan \(μ\)? Dalam kredibilitas Bühlmann, terdapat
tiga faktor yang perlu dipertimbangkan:
- Berapa variasi dalam satu pengamatan \(Xj\) untuk risiko yang dipilih? Dengan
\(\bar{X} = (X1 + ⋯ + Xn) / n\) dan
dengan asumsi bahwa pengamatan adalah iid kondisional pada \(θ\), maka mengikuti bahwa \(Var(\bar{X}|θ) = Var(Xj|θ) / n\). Untuk
\(Var(\bar{X}|θ)\) yang lebih besar,
bobot kredibilitas \(Z\) yang lebih
kecil harus diberikan pada pengalaman \(\bar{X}\). Nilai Harapan dari Varians
Proses, disingkat \(EPV\), adalah nilai
harapan dari \(Var(Xj|θ)\) di seluruh
risiko:
\(EPV =
\mathrm{E}(\mathrm{Var}(X_j|\theta)).\)
karena \(Var(\bar{X}|θ) =
Var(Xj|θ)/n)\) maka berlaku bahwa \(E(Var(\bar{X}|θ))=EPV/n\).
- Seberapa homogen populasi risiko yang pengalaman kerugiannya
digabungkan untuk menghitung rata-rata keseluruhan \(μ\)? Jika semua risiko memiliki potensi
kerugian yang serupa, maka bobot yang lebih besar \((1-Z)\) diberikan pada rata-rata
keseluruhan \(μ\) karena \(μ\) adalah rata-rata untuk sekelompok
risiko yang serupa dan rata-rata \(μ(θ)\) tidak terlalu jauh. Homogenitas atau
heterogenitas populasi diukur dengan Variance of the Hypothetical Means
dengan singkatan \(VHM\):
\[VHM=\mathrm{Var}(\mathrm{E}(X_j|\theta))=\mathrm{Var}(\mathrm{E}(\bar{X}|\theta)).\]
Perhatikan bahwa kita menggunakan \(E(\bar{X}|θ)=E(Xj|θ)\) untuk kesamaan
kedua.
- Berapa banyak pengamatan n yang digunakan untuk menghitung \(\bar{X}\)? Sampel yang lebih besar akan
menghasilkan \(Z\) yang lebih
besar.
Example 9.3.3 Jumlah klaim \(N\) dalam setahun untuk suatu risiko dalam
populasi memiliki distribusi Poisson dengan mean \(λ>0\). Parameter risiko \(λ\) didistribusikan secara seragam di
selang (0,2). Hitung \(EPV\) dan \(VHM\) untuk populasi.
Solusi
Variabel acak N berdistribusi Poisson dengan parameter λ sehingga
Var(N|λ)=λ . Nilai harapan dari varian proses adalah EPV=E(Var(N|λ)) =
E(λ)=∫20λ12dλ=1 . Varians dari rata-rata hipotetis adalah \(VHM=Var(E(N|λ)) = Var(λ)=E(λ^2)−(E(λ))^2 =
\int_{0}^{2}\lambda^2 \frac{1}{2}
d\lambda-(1)^2=\frac{1}{3}\)
Formula kepercayaan Bühlmann meliputi nilai untuk \(n\), \(EPV\), dan \(VHM\):
\[\begin{equation}
Z=\frac{n}{n+K} \quad , \quad K =\frac{EPV}{VHM}.
\tag{9.8}
\end{equation}\]
Jika \(VHM\) meningkat maka \(Z\) juga meningkat. Jika \(EPV\) meningkat maka \(Z\) menjadi lebih kecil. Berbeda dengan
kredibilitas fluktuasi terbatas di mana \(Z=1\) ketika jumlah klaim yang diharapkan
lebih besar dari standar kredibilitas penuh, \(Z\) dapat mendekati tetapi tidak sama
dengan 1 ketika jumlah pengamatan n mendekati tak hingga.
Jika Anda mengalikan pembilang dan penyebut rumus \(Z\) dengan \((
VHM/n )\), maka \(Z\) dapat
ditulis kembali sebagai:
\[Z=\frac{VHM}{VHM+(EPV/n)} .\]
Jumlah pengamatan \(n\) tertangkap
dalam istilah \((EPV/n)\). Seperti yang
ditunjukkan di bullet (1) di awal bagian, \(E(Var(\bar{X}|θ)) = EPV/n\). Seiring dengan
bertambahnya jumlah pengamatan, varians yang diharapkan dari \(\bar{X}\) menjadi lebih kecil dan
kredibilitas \(Z\) meningkat sehingga
lebih banyak bobot diberikan pada \(\bar{X}\) dalam perkiraan yang dibobotkan
kredibilitas \(μ^(θ)\).
9.4 Bühlmann-Straub Credibility
Di bagian ini, Anda akan belajar cara:
- Menghitung perkiraan bobot kredibilitas untuk kerugian yang
diharapkan untuk risiko atau kelompok risiko menggunakan model
Bühlmann-Straub.
- Menentukan kredibilitas \(Z\) yang
diberikan kepada pengamatan.
- Menghitung nilai yang dibutuhkan termasuk Expected Value of the
Process Variance \((EPV)\), Variance of
the Hypothetical Means \((VHM)\), dan
mean kolektif \(μ\).
- Mengenali situasi di mana model Bühlmann-Straub sesuai.
Dengan kredibilitas Bühlmann standar atau least-squares seperti yang
dijelaskan pada bagian sebelumnya, kerugian \(X1,…,Xn\) yang timbul dari pemegang polis
yang dipilih diasumsikan sebagai iid. Jika subskrip menunjukkan tahun 1,
tahun 2, dan seterusnya hingga tahun \(n\), maka asumsi iid berarti bahwa pemegang
polis memiliki paparan kerugian yang sama setiap tahun.
Misalkan ada pemegang polis komersial yang menggunakan armada
kendaraan dalam bisnisnya. Pada tahun 1, ada \(m1\) kendaraan dalam armada, \(m2\) kendaraan pada tahun 2, .., dan \(mn\) kendaraan pada tahun n. Paparan
kerugian dari kepemilikan dan penggunaan armada ini akan tidak konstan
dari tahun ke tahun. Kerugian tahunan untuk armada tersebut tidak dapat
didefinisikan sebagai iid. Maka untuk permisalan tersebut \(Yjk\) didefinisikan sebagai kerugian untuk
kendaraan ke-k dalam armada untuk tahun ke-j. Kemudian, total kerugian
untuk armada pada tahun ke-j adalah \(Yj1+⋯+Yjmj\), di mana kita menambahkan
kerugian untuk masing-masing dari \(mj\) kendaraan.
Sedangkan dalam model Bühlmann-Straub, diasumsikan bahwa variabel
acak \(Yjk\), iid di semua kendaraan
dan tahun untuk pemegang polis. Dengan asumsi ini, rata-rata \(E(Yjk|θ)=μ(θ)\) dan variansi \(Var(Yjk|θ)=σ2(θ)\) sama untuk semua
kendaraan dan tahun. Jumlah \(μ(θ)\)
adalah kerugian yang diharapkan dan \(σ2(θ)\) adalah varians pada kerugian untuk
satu tahun untuk satu kendaraan untuk pemegang polis dengan parameter
risiko \(θ\).
Jika \(Xj\) adalah kerugian
rata-rata per unit paparan pada tahun ke-j, \(Xj=(Yj1+⋯+Yjmj)/mj\), maka \(E(Xj|θ)=μ(θ)\) dan \(Var(Xj|θ)=σ^2(θ)/mj\) untuk pemegang polis
dengan parameter risiko \(θ\). Kerugian
rata-rata per kendaraan untuk seluruh periode \(n\) tahun adalah:
\[\begin{equation*}
\bar{X}= \frac{1}{m} \sum_{j=1}^{n} m_j X_{j} \quad ,
\quad m=\sum_{j=1}^{n} m_j.
\end{equation*}\]
Maka berikutnya \(E
(\bar{X}|θ)=μ(θ)\) dan \(Var(\bar{X}|θ)=σ2(θ)/m\) di mana \(μ(θ)\) dan \(σ^2(θ)\) adalah rata-rata dan varians untuk
satu kendaraan selama satu tahun untuk pemegang polis.
Example 9.4.1 Prove that \(Var(\bar{X}|θ)=σ^2(θ)/m\) for a risk with
risk parameter \(θ\).
Solusi
\[\begin{eqnarray*}
\mathrm{Var}(\bar{X}|\theta)&=&\mathrm{Var}\left(\frac{1}{m}
\sum_{j=1}^{n} m_j X_j|\theta \right)\\
&=&\frac{1}{m^2}\sum_{j=1}^{n}
\mathrm{Var}(m_j X_{j}|\theta)=\frac{1}{m^2}\sum_{j=1}^{n} m_j^2
\mathrm{Var}(X_j|\theta)\\
&=&\frac{1}{m^2}\sum_{j=1}^{n}
m_j^2 (\sigma^2(\theta)/m_j)=\frac{\sigma^2(\theta)}{m^2}\sum_{j=1}^{n}
m_j=\sigma^2(\theta)/m.\\
\end{eqnarray*}\]
Dimana Buhlmann-Straub credibility adalah:
\[\begin{equation}\hat{\mu}(\theta)=Z\bar{X}+(1-Z)\mu
\tag{9.9}
\end{equation}\]
Dengan :
\[\begin{eqnarray*}
\theta&=&\textrm{a risk parameter that identifies a
policyholder's risk level}\\
\hat{\mu}(\theta)&=&\textrm{estimated expected loss for one
exposure for the policyholder}\\
& & \textrm{with loss experience } \bar{X}\\
\bar{X}&=& \frac{1}{m} \sum_{j=1}^{n} m_j X_j \textrm{ is the
average loss per exposure for $m$ exposures.}\\
& & \textrm{$X_j$ is the average loss per exposure and $m_j$ is
the number of exposures in year $j$.} \\
Z&=&\textrm{credibility assigned to $m$ exposures } \\
\mu&=&\textrm{expected loss for one exposure for randomly
chosen}\\
& & \textrm{ policyholder from population.}\\
\end{eqnarray*}\]
Perlu diperhatikan bahwa \(μ^(θ)\)
merupakan estimator untuk kerugian yang diharapkan untuk satu paparan.
Jika pemegang polis memiliki mj paparan maka kerugian yang diharapkan
adalah \(mjμ^(θ)\).
---
title: "Teori Resiko "
subtitle: "Tugas 9"
author: "Muhammad Naufal Ardiansyah (20204920017)"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::robobook:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"

---




<br>


<img style="float: right; margin: -50px 50px 0px 50px; width:25%" src="naufal.jpeg"/> 

|
:---- |:----
*Kontak| *: *$\downarrow$*
Email| naufal3433@gmail.com
Instagram | https://www.instagram.com/m_naufalardiansyah/ 
RPubs  | https://rpubs.com/muhamad_naufal/ 

***

# 9.3 Bühlmann Credibility

***

Dalam bagian ini, kita akan mempelajari:

- Menghitung perkiraan yang ditimbang kredibilitas untuk kerugian yang diharapkan untuk suatu risiko atau kelompok risiko.
- Menentukan kredibilitas $Z$ yang diberikan kepada pengamatan.
- Menghitung nilai yang diperlukan dalam kredibilitas Bühlmann, termasuk Nilai Harapan Variansi Proses $( EPV )$, Variansi Rata-rata Hipotetis $( VHM )$ dan rata-rata kolektif $μ$ .
- Mengenali situasi di mana model Bühlmann sesuai.

***

Rencana peringkat klasifikasi mengelompokkan pemegang polis ke dalam kelas berdasarkan karakteristik risiko. Meskipun pemegang polis dalam satu kelas memiliki kesamaan, mereka tidak identik dan kerugian yang diharapkan tidak akan sama persis. Rencana peringkat pengalaman dapat melengkapi rencana peringkat kelas dengan menimbang kredibilitas pengalaman kerugian individu pemegang polis dengan tarif kelas untuk menghasilkan tarif yang lebih akurat bagi pemegang polis.

Dalam penyajian kredibilitas Bühlmann, disarankan untuk menetapkan parameter risiko $θ$ untuk setiap pemegang polis. Kerugian $X$ untuk pemegang polis akan memiliki fungsi distribusi yang umum $Fθ(x)$ dengan rata-rata $μ(θ)=E(X|θ)$ dan varians $σ2(θ)=Var(X|θ)$. Kerugian $X$ dapat mewakili premi murni, kerugian agregat, jumlah klaim, keparahan klaim, atau ukuran kerugian lainnya untuk periode waktu, seringkali selama satu tahun. Parameter risiko $θ$ dapat bersifat kontinu atau diskrit dan dapat multivariat tergantung pada model yang digunakan.

Jika seorang pemegang polis dengan parameter risiko $θ$ mengalami kerugian $X1,...,Xn$ selama $n$ periode waktu, maka tujuannya adalah untuk menemukan $E(μ(θ)|X1,...,Xn)$, yaitu ekspektasi bersyarat dari $μ(θ)$ yang diberikan $X1,...,Xn$. Perkiraan yang ditimbang kredibilitas Bühlmann untuk $E(μ(θ)|X1,...,Xn)$ untuk pemegang polis adalah sebagai berikut:

$$\begin{equation}\hat{\mu}(\theta)=Z\bar{X}+(1-Z)\mu \tag{9.7}\end{equation}$$

Dengan :

$$\begin{eqnarray*} 
\theta&=&\textrm{a risk parameter that identifies a policyholder's risk level}\\
\hat{\mu}(\theta)&=&\textrm{estimated expected loss for a policyholder with parameter }\theta\\
 & & \textrm{and loss experience } \bar{X}\\
\bar{X}&=&(X_1+\cdots+X_n)/n \textrm{ is the average of $n$ observations of the policyholder } \\
 Z&=&\textrm{credibility assigned to $n$ observations } \\
\mu&=&\textrm{the expected loss for a randomly chosen policyholder in the class.}\\
\end{eqnarray*}$$

Untuk pemegang polis yang dipilih, asumsi variabel acak $Xj$ dianggap iid untuk $j=1,...,n$ karena diasumsi8kan bahwa paparan pemegang polis terhadap kerugian tidak berubah dari waktu ke waktu. Kuantitas $\bar{X}$ adalah rata-rata dari $n$ pengamatan dan $E(\bar{X}|θ)=E(Xj|θ)=μ(θ)$.

Jika seorang pemegang polis dipilih secara acak dari kelas dan tidak ada informasi kerugian tentang risiko, maka kerugian yang diharapkan adalah $μ=E(μ(θ))$ di mana harapan diambil dari semua $θ$ dalam kelas. Dalam situasi ini, $Z=0$ dan kerugian yang diharapkan adalah $μ^(θ)=μ$ untuk risiko tersebut. Kuantitas $μ$ juga dapat ditulis sebagai $μ=E(Xj)$ atau $μ=E(\bar{X})$ dan sering disebut sebagai mean keseluruhan atau collective mean. Perhatikan bahwa $E(Xj)$ dievaluasi dengan hukum total ekspektasi: $E(Xj)=E(E[Xj|θ])$.

**Example 9.3.1** Jumlah klaim $X$ untuk seorang tertanggung dalam suatu kelas memiliki distribusi Poisson dengan mean $θ>0$. Parameter risiko $θ$ didistribusikan secara eksponensial di dalam kelas dengan pdf $f(θ)=e−θ$. Berapakah jumlah klaim yang diharapkan untuk seorang tertanggung yang dipilih secara acak dari kelas tersebut?

**Solusi**
Variabel acak $X$ memiliki distribusi Poisson dengan parameter $θ$ dan $E(X|θ)=θ$. Jumlah klaim yang diharapkan untuk seorang tertanggung yang dipilih secara acak adalah $μ=E(μ(θ))=E(E(X|θ))=E(θ)=∫∞0θe−θdθ=1$.

Pada contoh di atas, parameter risiko $θ$ adalah variabel acak dengan distribusi eksponensial. Pada contoh berikutnya, terdapat tiga jenis risiko dan parameter risiko memiliki distribusi diskrit.

**Example 9.3.2** Untuk setiap risiko (pemegang polis) dalam populasi, jumlah kerugian $N$ dalam setahun memiliki distribusi Poisson dengan parameter $λ$. Jumlah kerugian individu $Xi$ untuk sebuah risiko independen dari $N$ dan identik dan memiliki distribusi Pareto Tipe II dengan $F(x) = 1 - [θ / (x + θ)]α$. Ada tiga jenis risiko dalam populasi sebagai berikut:

$$\small{
\begin{array}{|c|c|c|c|}
\hline
\text{Risk } & \text{Percentage} & \text{Poisson} & \text{Pareto} \\
\text{Type} & \text{of Population} & \text{Parameter} & \text{Parameters} \\
\hline
A & 50\% & \lambda=0.5 & \theta=1000, \alpha=2.0 \\
B & 30\% & \lambda=1.0 & \theta=1500, \alpha=2.0 \\  
C & 20\% & \lambda=2.0 & \theta=2000, \alpha=2.0 \\              
\hline
\end{array}
}$$

Jika sebuah risiko dipilih secara acak dari populasi tersebut, berapa kerugian total yang diharapkan dalam setahun?

**Solusi**
Untuk suatu risiko, jumlah klaim yang diharapkan adalah $E(N|λ) = λ$. Nilai harapan dari suatu variabel acak yang didistribusikan Pareto adalah $E(X|θ,α) = θ/(α-1)$. Nilai harapan dari variabel acak kehilangan agregat $S = X1 +⋯+XN$ untuk risiko dengan parameter $λ$, $α$, dan $θ$ adalah $E(S) = E(N)E(X) = λθ/(α-1)$. Kerugian agregat yang diharapkan untuk suatu risiko jenis A adalah $E(SA) = (0,5)(1000)/(2-1) = 500$. Kerugian agregat yang diharapkan untuk suatu risiko yang dipilih secara acak dari populasi adalah $E(S) = 0,5[(0,5)(1000)]+0,3[(1,0)(1500)]+0,2[(2,0)(2000)] = 1500$.

***

Berapa parameter risiko untuk suatu risiko (pemegang polis) pada contoh sebelumnya? Dapat dikatakan bahwa parameter risiko memiliki tiga komponen $(λ, θ, α)$ dengan nilai mungkin (0,5, 1000, 2,0), (1,0, 1500, 2,0), dan (2,0, 2000, 2,0) tergantung pada jenis risiko.

Perlu diperhatikan bahwa pada kedua contoh tersebut, parameter risiko adalah kuantitas acak dengan distribusi probabilitasnya sendiri. Kita tidak tahu nilai parameter risiko untuk risiko yang dipilih secara acak.

Meskipun formula (9.7) diperkenalkan dengan menggunakan rating pengalaman sebagai contoh, model kredibilitas Bühlmann memiliki aplikasi yang lebih luas. Misalkan ada rencana rating dengan beberapa kelas. Formula kredibilitas (9.7) dapat digunakan untuk menentukan tarif kelas individu. Rata-rata keseluruhan $μ$ akan menjadi rata-rata kerugian untuk semua kelas yang digabungkan, $\bar{X}$ akan menjadi pengalaman untuk kelas individu, dan $μ^(θ)$ akan menjadi perkiraan kerugian untuk kelas tersebut.

## 9.3.1 Credibility Z, EPV, and VHM

Ketika menghitung estimasi kredibilitas $μ^(θ)=Z\bar{X}+(1−Z)μ$, berapa bobot $Z$ yang harus diberikan pada pengalaman $\bar{X}$ dan berapa bobot $(1−Z)$ pada rata-rata keseluruhan $μ$? Dalam kredibilitas Bühlmann, terdapat tiga faktor yang perlu dipertimbangkan:

1. Berapa variasi dalam satu pengamatan $Xj$ untuk risiko yang dipilih? Dengan $\bar{X} = (X1 + ⋯ + Xn) / n$ dan dengan asumsi bahwa pengamatan adalah iid kondisional pada $θ$, maka mengikuti bahwa $Var(\bar{X}|θ) = Var(Xj|θ) / n$. Untuk $Var(\bar{X}|θ)$ yang lebih besar, bobot kredibilitas $Z$ yang lebih kecil harus diberikan pada pengalaman $\bar{X}$. Nilai Harapan dari Varians Proses, disingkat $EPV$, adalah nilai harapan dari $Var(Xj|θ)$ di seluruh risiko:

$EPV = \mathrm{E}(\mathrm{Var}(X_j|\theta)).$

karena $Var(\bar{X}|θ) = Var(Xj|θ)/n)$ maka berlaku bahwa $E(Var(\bar{X}|θ))=EPV/n$.

2. Seberapa homogen populasi risiko yang pengalaman kerugiannya digabungkan untuk menghitung rata-rata keseluruhan $μ$? Jika semua risiko memiliki potensi kerugian yang serupa, maka bobot yang lebih besar $(1-Z)$ diberikan pada rata-rata keseluruhan $μ$ karena $μ$ adalah rata-rata untuk sekelompok risiko yang serupa dan rata-rata $μ(θ)$ tidak terlalu jauh. Homogenitas atau heterogenitas populasi diukur dengan Variance of the Hypothetical Means dengan singkatan $VHM$:

$$VHM=\mathrm{Var}(\mathrm{E}(X_j|\theta))=\mathrm{Var}(\mathrm{E}(\bar{X}|\theta)).$$

Perhatikan bahwa kita menggunakan $E(\bar{X}|θ)=E(Xj|θ)$ untuk kesamaan kedua.

3. Berapa banyak pengamatan n yang digunakan untuk menghitung $\bar{X}$? Sampel yang lebih besar akan menghasilkan $Z$ yang lebih besar.

**Example 9.3.3** Jumlah klaim $N$ dalam setahun untuk suatu risiko dalam populasi memiliki distribusi Poisson dengan mean $λ>0$. Parameter risiko $λ$ didistribusikan secara seragam di selang (0,2). Hitung $EPV$ dan $VHM$ untuk populasi.

**Solusi**

Variabel acak N berdistribusi Poisson dengan parameter λ sehingga Var(N|λ)=λ . Nilai harapan dari varian proses adalah EPV=E(Var(N|λ)) = E(λ)=∫20λ12dλ=1 . Varians dari rata-rata hipotetis adalah $VHM=Var(E(N|λ)) = Var(λ)=E(λ^2)−(E(λ))^2 = \int_{0}^{2}\lambda^2 \frac{1}{2} d\lambda-(1)^2=\frac{1}{3}$

Formula kepercayaan Bühlmann meliputi nilai untuk $n$, $EPV$, dan $VHM$:

$$\begin{equation}
Z=\frac{n}{n+K} \quad , \quad K =\frac{EPV}{VHM}. 
\tag{9.8} 
\end{equation}$$

Jika $VHM$ meningkat maka $Z$ juga meningkat. Jika $EPV$ meningkat maka $Z$ menjadi lebih kecil. Berbeda dengan kredibilitas fluktuasi terbatas di mana $Z=1$ ketika jumlah klaim yang diharapkan lebih besar dari standar kredibilitas penuh, $Z$ dapat mendekati tetapi tidak sama dengan 1 ketika jumlah pengamatan n mendekati tak hingga.

Jika Anda mengalikan pembilang dan penyebut rumus $Z$ dengan $( VHM/n )$, maka $Z$ dapat ditulis kembali sebagai:

$$Z=\frac{VHM}{VHM+(EPV/n)} .$$

Jumlah pengamatan $n$ tertangkap dalam istilah $(EPV/n)$. Seperti yang ditunjukkan di bullet (1) di awal bagian, $E(Var(\bar{X}|θ)) = EPV/n$. Seiring dengan bertambahnya jumlah pengamatan, varians yang diharapkan dari $\bar{X}$ menjadi lebih kecil dan kredibilitas $Z$ meningkat sehingga lebih banyak bobot diberikan pada $\bar{X}$ dalam perkiraan yang dibobotkan kredibilitas $μ^(θ)$.

# 9.4 Bühlmann-Straub Credibility

***

Di bagian ini, Anda akan belajar cara:

- Menghitung perkiraan bobot kredibilitas untuk kerugian yang diharapkan untuk risiko atau kelompok risiko menggunakan model Bühlmann-Straub.
- Menentukan kredibilitas $Z$ yang diberikan kepada pengamatan.
- Menghitung nilai yang dibutuhkan termasuk Expected Value of the Process Variance $(EPV)$, Variance of the Hypothetical Means $(VHM)$, dan mean kolektif $μ$.
- Mengenali situasi di mana model Bühlmann-Straub sesuai.

***

Dengan kredibilitas Bühlmann standar atau least-squares seperti yang dijelaskan pada bagian sebelumnya, kerugian $X1,…,Xn$ yang timbul dari pemegang polis yang dipilih diasumsikan sebagai iid. Jika subskrip menunjukkan tahun 1, tahun 2, dan seterusnya hingga tahun $n$, maka asumsi iid berarti bahwa pemegang polis memiliki paparan kerugian yang sama setiap tahun.

Misalkan ada pemegang polis komersial yang menggunakan armada kendaraan dalam bisnisnya. Pada tahun 1, ada $m1$ kendaraan dalam armada, $m2$ kendaraan pada tahun 2, .., dan $mn$ kendaraan pada tahun n. Paparan kerugian dari kepemilikan dan penggunaan armada ini akan tidak konstan dari tahun ke tahun. Kerugian tahunan untuk armada tersebut tidak dapat didefinisikan sebagai iid. Maka untuk permisalan tersebut  $Yjk$ didefinisikan sebagai kerugian untuk kendaraan ke-k dalam armada untuk tahun ke-j. Kemudian, total kerugian untuk armada pada tahun ke-j adalah $Yj1+⋯+Yjmj$, di mana kita menambahkan kerugian untuk masing-masing dari $mj$ kendaraan.

Sedangkan dalam model Bühlmann-Straub, diasumsikan bahwa variabel acak $Yjk$, iid di semua kendaraan dan tahun untuk pemegang polis. Dengan asumsi ini, rata-rata $E(Yjk|θ)=μ(θ)$ dan variansi $Var(Yjk|θ)=σ2(θ)$ sama untuk semua kendaraan dan tahun. Jumlah $μ(θ)$ adalah kerugian yang diharapkan dan $σ2(θ)$ adalah varians pada kerugian untuk satu tahun untuk satu kendaraan untuk pemegang polis dengan parameter risiko $θ$.

Jika $Xj$ adalah kerugian rata-rata per unit paparan pada tahun ke-j, $Xj=(Yj1+⋯+Yjmj)/mj$, maka $E(Xj|θ)=μ(θ)$ dan $Var(Xj|θ)=σ^2(θ)/mj$ untuk pemegang polis dengan parameter risiko $θ$. Kerugian rata-rata per kendaraan untuk seluruh periode $n$ tahun adalah:

$$\begin{equation*}
\bar{X}= \frac{1}{m} \sum_{j=1}^{n} m_j X_{j} \quad , \quad  m=\sum_{j=1}^{n}  m_j. 
\end{equation*}$$

Maka berikutnya $E (\bar{X}|θ)=μ(θ)$ dan $Var(\bar{X}|θ)=σ2(θ)/m$ di mana $μ(θ)$ dan $σ^2(θ)$ adalah rata-rata dan varians untuk satu kendaraan selama satu tahun untuk pemegang polis. 

**Example 9.4.1** Prove that $Var(\bar{X}|θ)=σ^2(θ)/m$ for a risk with risk parameter $θ$.

**Solusi**

$$\begin{eqnarray*}
\mathrm{Var}(\bar{X}|\theta)&=&\mathrm{Var}\left(\frac{1}{m} \sum_{j=1}^{n} m_j X_j|\theta \right)\\
                                  &=&\frac{1}{m^2}\sum_{j=1}^{n} \mathrm{Var}(m_j X_{j}|\theta)=\frac{1}{m^2}\sum_{j=1}^{n} m_j^2 \mathrm{Var}(X_j|\theta)\\
                                  &=&\frac{1}{m^2}\sum_{j=1}^{n} m_j^2 (\sigma^2(\theta)/m_j)=\frac{\sigma^2(\theta)}{m^2}\sum_{j=1}^{n} m_j=\sigma^2(\theta)/m.\\
\end{eqnarray*}$$

***

Dimana Buhlmann-Straub credibility adalah:

$$\begin{equation}\hat{\mu}(\theta)=Z\bar{X}+(1-Z)\mu 
\tag{9.9} 
\end{equation}$$

Dengan :

$$\begin{eqnarray*} 
\theta&=&\textrm{a risk parameter that identifies a policyholder's risk level}\\
\hat{\mu}(\theta)&=&\textrm{estimated expected loss for one exposure for the policyholder}\\
 & & \textrm{with loss experience } \bar{X}\\
\bar{X}&=& \frac{1}{m} \sum_{j=1}^{n} m_j X_j \textrm{ is the average loss per exposure for $m$ exposures.}\\
 & & \textrm{$X_j$ is the average loss per exposure and $m_j$ is the number of exposures in year $j$.} \\
Z&=&\textrm{credibility assigned to $m$ exposures } \\
 \mu&=&\textrm{expected loss for one exposure for randomly chosen}\\
 & & \textrm{ policyholder from population.}\\
\end{eqnarray*}$$

Perlu diperhatikan bahwa $μ^(θ)$ merupakan estimator untuk kerugian yang diharapkan untuk satu paparan. Jika pemegang polis memiliki mj paparan maka kerugian yang diharapkan adalah $mjμ^(θ)$.





