Εφαρμογές των στοχαστικών διατάξεων στη θεωρία συλλογικού κινδύνου

Περίληψη

Οι στοχαστικές διατάξεις αφορούν τη σύγκριση τυχαίων μεταβλητών υπό κάποια στοχαστική έννοια. Σε πολλές περιπτώσεις μας ενδιαφέρει να συγκρίνουμε δύο μεταβλητές, για παράδειγμα στα Αναλογιστικά μαθηματικά (insurance mathematics) αν οι μεταβλητές αυτές παριστάνουν ατομικές ζημιές σε δύο χαρτοφυλάκια και μία μεταβλητή είναι μεγαλύτερη από την άλλη υπό κάποια έννοια, τότε το αντίστοιχο χαρτοφυλάκιο παρουσιάζει μεγαλύτερη επικινδυνότητα. Επίσης, οι στοχαστικές διατάξεις μας βοηθάνε στην εύρεση φραγμάτων τυχαίων μεταβλητών που ο υπολογισμός κάποιων συναρτήσεων τους (δεξιά ουρά, βαθμίδα αποτυχίας κ.α.) είναι πολύπλοκος. Η θεωρία των στοχαστικών διατάξεων έχει αποτελέσει ένα σημαντικό εργαλείο στη μελέτη στοχαστικών μοντέλων με εφαρμογές στη θεωρία των ουρών, στη θεωρία αξιοπιστίας, στα χρηματοοικονομικά και στη θεωρία του συλλογικού κινδύνου. Στην παρούσα διατριβή, αρχικά μελετάμε τη θεωρία Χρεοκοπίας αναπτύσσοντας το κλασικό μοντέλο και το κλασικό μοντέλο εφοδιασμένο με διάχυση και δίνουμε ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Roughly speaking, stochastic orders are a powerful tool from probability theory that allows random variables to be compared. In several cases, we are interested in comparing two variables, for example, in Insurance Mathematics, if these random variables represent individual claims, then their comparison enables us to compare the risk associated with the two portofolios. Additionally, stochastic orders help in finding bounds or approximations for random variables that their characteristics (e.g. right-tail distribution, failure rate function, etc) are difficult to obtain analytically. The theory of stochastic orders has been proposed as a significant tool in studying stochastic models with applications in queueing theory, finance, reliability theory and collective risk theory. In this thesis, we first study ruin theory by illustrating the classical model and classical model perturbed by diffusion, providing some examples with known distribution functions for better understanding. In th ...