Nem-élet biztosítások díjés tartalékkockázat kalkulációja
|
|
- Margit Vörös
- 5 évvel ezelőtt
- Látták:
Átírás
1 Nem-élet biztosítások díjés tartalékkockázat kalkulációja Standard formula és az EIOPA által ajánlott alternatív számítási módok
2 Az előadás tartalomjegyzéke 1. Bevezetés 1.1. A számítás röviden 1.2. Néhány szó a QIS3-ról 2. A szórásparaméter kalibrációja 2.1. Adatbekérés, adatszolgáltatás, adattisztítás 2.2. Paraméterbecslés 2.3. Az illeszkedés megfelelőségének ellenőrzése 2.4. Kalibrációs szempontok 2.5. Az adatok összesítése (összeurópai versus átlagolás) 3. Biztosítóspecifikus paraméterek számítása
3 1. Bevezetés
4 Bevezetés Erről lesz szó
5 Bevezetés Elméleti alapok Premium risk annak a kockázatát hivatott mérni, hogy a jövőbeli díjak alacsonyabbak lesznek a károk (kárkifizetés+függőkár-tartalék az időhorizont végén) és a jövőbeli költségek összegénél. Az időhorizont 1 év. Reserve risk -nek két forrása van: egyrészt a tartalékok abszolút mértéke lehet, hogy nem jól van megbecsülve, másrészt a jövőbeli aktuális károk sztochasztikus természetüknél fogva fluktuálódhatnak a várható érték körül.
6 Bevezetés Fontos megjegyzés A Premium and Reserve risk részmodul csak a normál gyakoriságú károkkal foglalkozik, az extrém károkat a Catastrophe risk részmodul becsli.
7 A számítás röviden I. Jelölések: PCO s - nettó Best Estimate tartalék; P s - a következő 12 hónap becsült megszolgált díja P last,s - az előző 12 hónap megszolgált díja FP existing,s - FP future,s - becsült jelenértéke a következő 12 hónap utáni megszolgált díjaknak létező szerződésekre becsült jelenértéke a következő 12 hónap utáni megszolgált díjaknak a következő 12 hónapban létrejövő szerződésekre
8 A számítás röviden II. NL pr = 3 σ V V = V s = (V prem,s + V res,s ) (0,75 + 0,25 DIV s ) s V s V prem,s = max P s, P last,s + FP existing,s + FP future,s V res,s = PCO s σ = 1 V s,t CorrS s,t σ s V s σ t V t
9 A számítás röviden III. σ s = (σ prem,s V prem,s ) 2 +σ prem,s σ res,s V prem,s V res,s + (σ res,s V res,s ) 2 V prem,s + V res,s CorrS : Motor vehicle liability 1 50,0% 50,0% 25,0% 50,0% 25,0% 50,0% 25,0% 50,0% 25,0% 25,0% 25,0% 2: Other motor 0,5 1 25,0% 25,0% 25,0% 25,0% 50,0% 50,0% 50,0% 25,0% 25,0% 25,0% 3: MAT 0,5 0, ,0% 25,0% 25,0% 25,0% 50,0% 50,0% 25,0% 50,0% 25,0% 4: Fire 0,25 0,25 0, ,0% 25,0% 25,0% 50,0% 50,0% 25,0% 50,0% 50,0% 5: 3rd party liability 0,5 0,25 0,25 0, ,0% 50,0% 25,0% 50,0% 50,0% 25,0% 25,0% 6: Credit 0,25 0,25 0,25 0,25 0,5 1 50,0% 25,0% 50,0% 50,0% 25,0% 25,0% 7: Legal exp. 0,5 0,5 0,25 0,25 0,5 0,5 1 25,0% 50,0% 50,0% 25,0% 25,0% 8: Assistance 0,25 0,5 0,5 0,5 0,25 0,25 0, ,0% 25,0% 25,0% 50,0% 9: Miscellaneous. 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 1 25,0% 50,0% 25,0% 10:Np reins. (casualty) 0,25 0,25 0,25 0,25 0,5 0,5 0,5 0,25 0, ,0% 25,0% 11:Np reins. (MAT) 0,25 0,25 0,5 0,5 0,25 0,25 0,25 0,25 0,5 0, ,0% 12:Np reins. (property) 0,25 0,25 0,25 0,5 0,25 0,25 0,25 0,5 0,25 0,25 0,25 1
10 A számítás röviden IV. LoB σ prem,s σ res,s 1: Motor vehicle liability 10% NP lob 9% 2: Other motor 8% NP lob 8% 3: MAT (Marine, Aviation & Transport) 15% NP lob 11% 4: Fire 8% NP lob 10% 5: 3rd party liability 14% NP lob 11% 6: Credit 12% NP lob 19% 7: Legal exp. 7% NP lob 12% 8: Assistance 9% NP lob 20% 9: Miscellaneous. 13% NP lob 20% 10:Np reins. (casualty) 17% 20% 11:Np reins. (MAT) 17% 20% 12:Np reins. (property) 17% 20% NP lob értéke az 1., 4., 5. LoB-ban 80%, egyébként 100%.
11 Néhány szó a QIS3-ról Az első, jelenlegihez hasonló szabályozás a QIS3- ben szerepel (korábban pl. külön volt Premium risk és Reserve risk, más metodológiával). A QIS3 kalibráció legfőbb hibája az volt, hogy rendkívül limitált adatokkal dolgozott. A Premium risk -nél német, a Reserve risk -nél német és angol adatokat vett csak figyelembe. Szükségessé vált az adatgyűjtés kiszélesítése EU szintre és a kalibráció áttekintése.
12 2. A szórásparaméter kalibrációja
13 Adatbekérés A Level2 szintű szabályok átadásával egyidőben az EIOPA megalakított egy ún. Joint Working Group - ot (továbbiakban JWG), hogy széleskörűen felülvizsgálja a QIS5-ben található Premium and Reserve risk faktorok megfelelőségét. A Joint Working Group tagjai: Group Consultatif, AMICE, CEA, CRO fórum és az Európai Bizottság megfigyelői.
14 Premium risk adatbekérés I. A JWG 2010 októberében európai szintű adatgyűjtésbe kezdett. Az adatigény az alábbi volt (LoB-onként és káresemény éve szerint): - bruttó megszolgált díjak - bruttó megszolgált jutalék - költség információk, tartalmazzák (amennyiben elérhető) a nem allokált kárrendezési költségeket valamint bármely más releváns költséget
15 Premium risk adatbekérés II. - bruttó végső kár jelenlegi becslése (tartalmazza 2009-ig káresemény éve szerint a kárkifizetések évenkénti bontását és a QIS5 szerinti Best Estimate tartalékot év végén); - bruttó végső kár becslése az 1. év végén (tartalmazza a kárkifizetéseket az 1. évben és a QIS5 szerinti Best Estimate tartalékot az 1. év végén);
16 Reserve risk adatbekérés Az alábbi adatokat kérték be LoB-onként és káresemény éve szerint : - kifizetéses háromszögek - Best Estimate kártartalék háromszögek - bejelentéses háromszögek, amennyiben elérhetőek
17 Adatbekérés Az adatszolgáltatás mind Premium risk, mind Reserve risk esetben tartalmazzon - vb értelemben bruttó - vb értelemben bruttó, de katasztrófa károk nélküli - vb értelemben nettó (katasztrófa károk nélküli) adatokat.
18 Ennyi válasz érkezett: Adatszolgáltatás LoB/Countries H-ME H-IP H-WC MTPL MO MAT PROP LIAB C-S L-E AS MISC NP-H NP-C NP-M NP-P Total Undertakings Countries Austria Belgium Bulgaria Cyprus Czech Republic Germany Denmark Estonia Spain Finland France Greece Hungary Ireland Iceland Italy Liechtenstein Lithuania Luxembourg Latvia Malta Netherlands Norway Poland Portugal Romania Sweden Slovenia Slovakia United Kingdom
19 Adattisztítás Az alábbi adatokat ki kellett szűrni: - nempozitív megszolgált díjak; - duplán elküldött adatok; - rövid időtartamok kevés megfigyeléssel; -inkonzisztencia a megszolgált díj és a becsült károk között; -inkonzisztencia a becsült károk és a háromszögek adatai között (pl. a végső kár jóval alacsonyabb,mint az első éves);
20 Adattisztítás Az adattisztítás után a következő adatmennyiség maradt a Premium risk esetében: Raw data gross Adjusted gross LoB Number Average size Mean length Number Average size Mean length Motor TPL ,7 10, ,6 9,0 Motor Other ,6 10, ,6 8,7 MAT ,1 9, ,5 8,6 Fire ,2 9, ,0 8,7 General Liability ,5 10, ,5 8,5 Credit & Suretyship 68 58,6 7, ,4 8,2 Legal Expenses ,7 9, ,2 8,4 Assistance 70 15,4 7,2 58 5,7 7,1 Miscellaneous ,1 7, ,1 7,4 NPRI - property ,3 6, ,7 6,6 NPRI - casualty 9 240,4 7, ,3 7,9 NPRI - MAT ,6 8, ,1 8,9 Medical Expenses ,1 8, ,6 7,3 Income Protection ,9 10, ,9 8,3 Workers Comp 43 37,1 9, ,2 6,7 NPRI - health 5 107,3 8, ,8 8,0 Total
21 Adattisztítás Az adattisztítás után a következő adatmennyiség maradt a Reserve risk esetében: Triangle type Premium methods Gross data Net data Gross data Net data Non-life Number Average size Mean length Number Average size Mean length Number Average size Mean length Number Average size Mean length Motor TPL , , , ,1 Motor Other , , , ,0 MAT , , , ,2 Fire , , , ,9 General Liability , , , ,6 Credit & Suretyship , , , ,5 Legal Expenses , , , ,5 Assistance , , , ,4 Miscellaneous , , , ,7 NPRI - property , , , ,0 NPRI - casualty , , , ,2 NPRI - MAT 8 7 9, , , ,2 Medical Expenses , , , ,5 Income Protection , , , ,7 Workers Comp , , , ,4 NPRI - health , ,0 Total
22 Premium risk alapfeltevések Paraméter becslés 1. Az adott évi végső kár várható értéke arányos a bruttó megszolgált díjjal, ahol az arányossági tényező társaságspecifikus paraméter; 2. Az adott évi végső kár szórásnégyzetéhez is a bruttó megszolgált díjat használták két modellben: a szórásnégyzet vagy a megszolgált díjjal, vagy a megszolgált díj négyzetével legyen arányos. 3. A várható érték és a szórásnégyzet specifikációjához normális illetve lognormális eloszlást illesztettek.
23 Premium risk módszertan Paraméter becslés 1. A kumulált végső kárt összetett Poisson-eloszlással modellezték. A kár darabszám legyen Poisson-eloszlású, az egyedi kárösszeg eloszlása legyen normális illetve lognormális; 2. a kárfolyamatban levő determinisztikus paramétereket időtől függő sztochasztikus paraméterekre cserélték; 3. majd egy maximum-likelihood becslésből származtatott becslési kritérium függvényt minimalizáltak.
24 Reserve risk alapfeltevések Paraméter becslés Kétféle módszert teszteltek: az egyik módszer a pénzügyi év adatain alapul, és a Premium risk -el analóg módon számolódik. Nevezzük ezt a továbbiakban Premium risk type módszernek. A másik módszer a kárbekövetkezési éves kifutási háromszögeken alapul. Nevezzük a továbbiakban Triangle módszernek.
25 Paraméter becslés Premium risk típusú Reserve risk alapfeltevés Kicseréljük a bruttó megszolgált díjat a kártartalékkal és alkalmazzuk a Premium risk alapfeltevéseket.
26 Paraméter becslés Triangle típusú Reserve risk alapfeltevés Kétféle módszert vizsgált a JWG: A tartalék kockázat előrejelzésének relative root mean squared error (RRMSEP)-ján alapuló módszert illetve az eltérések társaságspecifikus együtthatóján alapuló módszert.
27 Paraméter becslés RRMSEP (relative root mean squared error) típusú módszer Jelölések: PCO C,LoB - társaságonként és LoB-onként a jelenlegi Best Estimate tartalék (chain-ladder módszerrel számítva) V C,LoB - társaságonként és LoB-onként a kockázat mértéke RRMSEP C,LoB - társaságonként és LoB-onként a később definiált RRMSEP egy éves időtávon belül σ res,lob - LoB-onként a Reserve risk szórása
28 Paraméter becslés RRMSEP (relative root mean squared error) típusú módszer 1. lépésként ki kell számítani RRMSEP-t és RMSEP-t RRMSEP C i,j D I I C i,j = 1 V E (C I i,j C i,j 2 DI RMSEP C i,j D I I C i,j = E I (C i,j C i,j 2 DI ahol C i,j -t (kumulált i. évi végső kár) szeretnénk megbecsülni D I információ alapján. Feltevések: 1. C i,j függetlenek különböző i-re 2. i, j: C i,j Markov-lánc, és f j, s j konstansok, melyekre E C i,j C i,j 1 = f j C i,j 1 és Var C i,j C i,j 1 = s j 2 C i,j 1
29 Paraméter becslés RRMSEP (relative root mean squared error) típusú módszer V C,LoB = PCO C,LoB Ekkor a legkisebb négyzetek módszerét használó becslő függvény minimalizálja az alábbi összeget C (V C,LoB σ res,lob RMSEP C,LoB ) 2 Deriválva és a deriváltat 0-val egyenlővé téve kapjuk: σ (res,lob) = C V C,LoB RMSEP C V C,LoB 2 = C 2 V C,LoB RRMSEP C V C,LoB 2
30 Paraméter becslés Az eltérések társaságspecifikus együtthatóján alapuló módszer 1. lépésként itt is ki kell számítani RRMSEP értékét 2. lépésként meg kell határozni küszöbindexeket úgy, hogy biztosítsák a károsultak illetve a társaságok előre meghatározott százalékának védelmét, amely megfelel a deklarált 1 éven belüli 99,5%-os biztonsági szintnek.
31 Az illeszkedés megfelelőségének ellenőrzése Két módszert használtak az illeszkedés megfelelőségének ellenőrzésére: - szórásgörbéket (scatter plot) - valószínűség-valószínűség ábrákat (probability-probability plot)
32 Az illeszkedés megfelelőségének ellenőrzése Szórásgörbék A triangle módszer kivételével az összes LoB-ra és az összes becslési módszerre készült. Az ábrákból látható, hogy minél nagyobb egy társaság, annál kisebb a szórás és a szórás volatilitása is. Ugyanakkor a volatilitás nem éri el a 0-t. Ez az állítás mindegyik LoB-ra igaz volt.
33 Az illeszkedés megfelelőségének ellenőrzése Szórásgörbék példa
34 Az illeszkedés megfelelőségének ellenőrzése Valószínűség-valószínűség ábrák Ezeket az ábrákat annak ellenőrzésére szokták használni, hogy megfelelő valószínűségi változó eloszlását használjuk-e. Minél közelebb van a görbe az egyeneshez, annál jobb a modell illeszkedése az adatokra. A látható különbség okai különbözőek lehetnek: - az eloszlás család (normális, lognormális, gamma) tulajdonságai - szórásnégyzet modellezése; - a mintaértékek függetlensége ill. összefüggősége Jelentős különbség esetén további elemzés szükséges.
35 Az illeszkedés megfelelőségének ellenőrzése Valószínűség-valószínűség ábra példa
36 Kalibrációs szempontok Valószínűség eloszlás feltételezések A nagy számok törvénye miatt a normális eloszlás természetes és egyszerű jelölt a LoB-onkénti és évenkénti kumulált kár eloszlásra. Másik egyszerű és kézenfekvő jelölt a lognormális eloszlás. Az aktuáriusi kockázat elmélet megemlít további lehetőségeket (pl. normal power method vagy eltolt gamma eloszlás), de ezek három paramétert is tartalmaznak és nagy portfolióknál jól közelíthetők normális eloszlással. Sem elméleti, sem a tényleges adatokból felépített modellek alapján nem lehetett lényeges eltérést találni a két eloszlás között, így praktikus okok miatt a normális eloszlást választották.
37 Kalibrációs szempontok Különbségek a különböző tagállamok adatai között Az adatok jelentősen eltértek nemcsak mérettől, hanem tagállamtól függően is. Ennek fő okai a következőek: - különböző termékek (feltételszövegek); - különböző underwriting előírások; - különböző kárrendezési gyakorlat - különböző bírósági gyakorlat. E probléma kezelésére később még visszatérünk az adatok összegzésénél.
38 Kalibrációs szempontok A portfolió méretének jelentősége illetve az adatok reprezentativitása Minden LoB-ra és minden módszerre érvényes törvénynek tűnik, hogy a volatilitás a méret növelésével csökken. Azonban a JWG feladata mérettől független faktorokat ajánlani. Ténylegesen az országok közötti különbség jelentősebb volt, és e kettő között kereszt-összefüggés is megfigyelhető. Másik fontos kérdés volt, hogy a kapott adatok mennyire tekinthetőek reprezentatívnak a teljes európai piacra nézve. A megoldás a LoB-onkénti medián méret alkalmazása, amit a QIS5 szerinti 65% kvantilissal modelleztek (a kis társaságok nem lesznek érintve az SII szabályozásban).
39 Kalibrációs szempontok Underwriting cycle hatás a díjakban A díj a kitettségként egyszerűsített becslése. Az Underwriting cycle hatás azt jelenti, hogy attól függően, mennyire hard illetve soft körülmények vannak egy adott piacon, a díjtételek lehetnek magasabbak illetve alacsonyabbak. Általában megfigyelhető egy adott üzletágban a hard illetve soft szakaszok változása. A JWG elismerte ennek a ténynek a jelentőségét, ugyanakkor nem található alkalmazhatónak beépíteni az alkalmazott modellekbe, ugyanis nem lehetett megítélni, az egyes társaságok egyes LoB-jai a ciklus melyik részén tart. Azonban ezt a témát szükségesnek találta elemezni a további kalibrációk során.
40 Kalibrációs szempontok Viszontbiztosítás kezelése A Reserve risk számításánál felhasznált adatok főleg bruttó adatok. Ennek elsődleges oka az volt, hogy a társaságok jelentős része nem tudott historikus adatokat adni a nettó tartalékokról. A kalkuláció során az a feltevés erősödött meg, hogy a nettó tartalék adatok volatilitása kisebb, mint a bruttó adatoké. Végül egy LoB-tól függő gross-to-net faktor került alkalmazásra.
41 Bekövetkezés éve Bekövetkezés éve Kalibrációs szempontok Végső kár: első év végi versus aktuális becslés Első év végi adatok: Kumulált kárkifizetés Kifizetés éve (1,1) (1,6) (2,1) (2,5) (3,1) (3,4) (4,1) (4,3) (5,1) (5,2) (6,1) Aktuális becslés Kártartalék Értékelés éve (1,1) (1,6) (2,1) (2,5) (3,1) (3,4) (4,1) (4,3) (5,1) (5,2) (6,1)
42 Kalibrációs szempontok Végső kár: első év végi versus aktuális becslés A Premium risk számításának oka az a kockázat volt, hogy az egy éves kárkifizetés + becsült BE tartalék nagyobb lesz, mint a megszolgált díj. A felhasznált adatok főleg bruttó adatok. A rákövetkező évben a BE tartalék már a Reserve risk részét fogja képezni. Ezek az okok az első év végi adatok használatát indokolnák. Az első év végi adatok használata ellen szól, hogy az első év végi kártartalék tartalmazhat még prudenciális többletet, ami ellentmond a Solvency II. elveinek. Emiatt a faktorok becslése is torzulhat.
43 Kalibrációs szempontok Végső kár: első év végi versus aktuális becslés Az aktuális becslés adatait használva ez a hátrány elkerülhető, ugyanakkor ez az eljárás nem lesz teljesen konzisztens azzal az alapkoncepcióval, hogy a Premium risk és a Reserve risk egyértelműen megkülönböztetendő. Végül egy olyan kombinált módszer mellett döntöttek, amely minden LoB esetén a maximális mennyiségű adathalmazt vizsgálja, és összehasonlítja a két koncepcióból kapott eredményt.
44 Kalibrációs szempontok Díjadatok katasztrófa díjjal való csökkentése Elkerülendő a katasztrófa kockázatok dupla kezelését, a bruttó díjat csökkenteni szükséges a katasztrófa kockázatok díjával. Problémát jelentett, hogy a legtöbb társaság nem küldött erre vonatkozóan adatot (kivéve a Property LoB-ot). Minden társaságnál és minden LoB esetén megvizsgálta a JWG, hogy a kárhányad adatok időbeli változását. Ahol kellően sima illetve ciklikus mintát követett, ott úgy vélték, ez bizonyíték a katasztrófa mentes évekre. Viszont ahol volt egy kiugróan magas érték, abban az esetben az a feltételezés lett elfogadva, hogy katasztrófa esemény okozta a magas értéket.
45 Kalibrációs szempontok Díjadatok katasztrófa díjjal való csökkentése Eltávolítva a feltételezett katasztrófával terhelt éveket, kapunk egy újabb adathalmazt, melyet lehet elemezni a korábban megismert módon. Végül összehasonlítva a két adathalmazra kapott volatilitási faktort, meg lehet becsülni a katasztrófa károk hatását a volatilitási faktorra. Például Első év végi és normális eloszlású becslést használva a következő táblázatot kapjuk:
46 Kalibrációs szempontok Díjadatok katasztrófa díjjal való csökkentése Catastrophe claims adjustment Observed unbiased sigma CAT adjustment Observations Based on eliminating selected observations Gross Ex CAT Implied Recommended Original Excluded Motor Other 9,10% 9,20% -0,10% 0,00% Motor TPL 10,80% 10,70% -0,10% 0,00% Fire (see under) -2,00% General Liability 17,20% 16,50% -0,70% -1,00% Health: Medical Expenses 6,30% 6,10% -0,20% 0,00% Health: Income Protection 9,20% 9,30% 0,10% 0,00% MAT 20,70% 18,70% -2,00% -2,00% Credit & Suretyship 28,60% 20,30% -8,20% -8,00% Miscellaneous 16,90% 13,20% -3,70% -3,50% Health: Workers Comp 11,60% 11,50% -0,10% 0,00% Based on adjusted data submitted Fire and other damage to property 14,50% 13,00% -1,50% 1700 N/A Fire and other damage to property (common) 11,90% 9,50% -2,40% 177 N/A
47 Kalibrációs szempontok Megfelelőségi vizsgálat A cél az volt, hogy az eddig számolt torzítatlan szigma -t megszorozzuk egy olyan kappa értékkel, amely biztosítja azt, hogy az SCR számításában előírt 99,5% megfelelőségi szint teljesüljön. A 99,5% megfelelőségi szintet kétféleképpen lehet értelmezni: - biztosítottak (vagy reserve risk esetén károsultak) szintjén; - társaságok szintjén. A portfolió méretek aszimmetrikus eloszlása miatt a megfelelőségi szint biztosítottak esetén mindig magasabb lesz, mint társaságok esetén.
48 Kalibrációs szempontok Megfelelőségi vizsgálat (példa)
49 Az adatok összesítése (összeurópai versus átlagolás) Az összeurópai szinten történő összesítés az összes adatot egy pool -ban vizsgálná, míg az átlagolási módszer először országos szinten számolna, majd az országonkénti eredményből készítene egy súlyozott átlag eredményt (az országok LoB szintű díjával súlyozva). Az EIOPA tagok az összeurópai módszer mellett érveltek, mondván, hogy az eredeti cél egységes EU-szintű paraméterek meghatározása volt mind a Premium risk mind a Reserve risk esetén. A biztosítótársaságok résztvevői rámutattak ezzel szemben az adatok heterogenitására, a különböző nemzeti sajátosságok (pl. különböző termékek,különböző underwriting előírások, különböző kárrendezési gyakorlat, különböző bírósági gyakorlat) jelentőségére.
50 Az adatok összesítése (összeurópai versus átlagolás) Ezzel szemben az EIOPA tagok rámutattak arra, hogy a beérkezett adatok mennyisége országonként jelentősen különböző, így több ország adatai nem tekinthetőek reprezentatívnak és emiatt biztosítani kell azt, hogy a kapott adatok konzisztensek legyenek azokkal az adatokkal, amelyek a statisztikai elemzésből származnak. Végül egy kombinált módszer került elfogadásra: - mint az átlagolási módszernél, az európai faktor a nemzeti faktorok súlyozott átlaga legyen; - mind a Premium risk mind a Reserve risk számításánál az alkalmazott metodológia egységes legyen. A regionális faktorok mellett a metodológia biztosítsa a megfelelő összefüggést a portfolió mérete és a volatilitás között;
51 Az adatok összesítése (összeurópai versus átlagolás) - szükséges, hogy a metodológia teljesen konzisztens legyen a statisztikai adatok eredményével; - a kalibráció a társaságok méretének mediánján alapult. Azonban, mivel azon társaságok, melyek mérete a medián felett van, a biztosítottak több, mint 95%-át reprezentálják, ezért a kalibráció a biztosítottak 95%-nak való megfelelőségi szintjére lett redukálva. Ezzel a kockázatot biztosan felülbecsüljük.
52 3. Biztosítóspecifikus paraméterek számítása
53 Biztosítóspecifikus paraméterek számítása A standard formulában bizonyos feltételek teljesülése esetén van lehetőség biztosítóspecifikus paramétereket alkalmazni a standard paraméterek helyett. A premium risk-re egyféle, a reserve risk-re kétféle módszer található az L2 dokumentumban.
54 Biztosítóspecifikus paraméterek számítása Premium risk feltételek: - legalább 5 egymást követő év adatai rendelkezésre állnak; - a katasztrófa-kockázattal korrigálni kell az adatokat; - a kár adatok tartalmazzák a kárrendezési költségeket; - adott kárbekövetkezési évi kumulált kárösszeg egyenesen arányos az adott évi megszolgált díjjal; - adott kárbekövetkezési évi kumulált károk szórásnégyzete négyzetesen arányos az adott évi megszolgált díjjal; - a kumulált károk lognormális eloszlásúak; - a paraméterek becslésére a maximum-likelihood módszer alkalmazható.
55 Biztosítóspecifikus paraméterek számítása Premium risk számítás: σ prem,s,usp = c σ δ, γ T + 1 T 1 + (1 c) σ prem,s ahol σ δ, γ = ex p( γ T + T t=1 π t δ, γ ln y t T t=1 π t δ, γ x t π t δ, γ = 1 l n( 1 + ((1 δ) x + δ) e2 γ x t
56 Biztosítóspecifikus paraméterek számítása Premium risk számítás: δ és γ pár minimalizálja az alábbi kétváltozós függvényt T t=1 π t δ, γ (ln y t x t π t δ, γ + γ ln (σ δ, γ) ) 2 T - t=1 ln(π t δ, γ ) ahol t=1,2,,t jelöli a kárbekövetkezési éveket, y t a t-ik évbeli kumulált kárt, x t a t-ik évbeli megszolgált díjat c a credibility faktor, ami T-től és LoB-tól függ az alábbi táblázat szerint
57 Biztosítóspecifikus paraméterek számítása Premium risk számítás: c credibility faktor Időtartam években 1.,5., 6. LoB Többi LoB 5 34% 34% 6 43% 51% 7 51% 67% 8 59% 81% 9 67% 92% 10 74% 100% 11 81% 100% 12 87% 100% 13 92% 100% 14 96% 100% 15 és több 100% 100%
58 Biztosítóspecifikus paraméterek számítása 1. Reserve risk feltételek: - legalább 5 egymást követő év adatai rendelkezésre állnak; - vb-vel korrigálni kell az adatokat; - a kár adatok tartalmazzák a kárrendezési költségeket; - az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kárkifizetési év végi értékére vonatkozóan képzett tartalék legjobb becslésének és az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kapcsán teljesített kifizetéseknek az összege egyenesen arányos a kárkifizetési év végén vett legjobb becsléssel;
59 Biztosítóspecifikus paraméterek számítása 1. Reserve risk feltételek: - az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kárkifizetési év végi értékére vonatkozóan képzett tartalék legjobb becslésének és az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kapcsán teljesített kifizetéseknek az összegének szórásnégyzete négyzetesen arányos a kárkifizetési év végén vett tartalékkal; - az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kárkifizetési év végi értékére vonatkozóan képzett tartalék legjobb becslésének és az adott szegmens vonatkozásában a kárkifizetési év kezdetén még függő kárigények kapcsán teljesített kifizetéseknek az összegei lognormális eloszlásúak; - a paraméterek becslésére a maximum-likelihood módszer alkalmazható.
60 Biztosítóspecifikus paraméterek számítása 1. Reserve risk számítás: σ res,s,usp = c σ δ, γ T + 1 T 1 + (1 c) σ res,s ahol σ δ, γ = ex p( γ T + T t=1 π t δ, γ ln y t T t=1 π t δ, γ x t π t δ, γ = 1 l n( 1 + ((1 δ) x + δ) e2 γ x t
61 Biztosítóspecifikus paraméterek számítása 1. Reserve risk számítás: δ és γ pár minimalizálja az alábbi kétváltozós függvényt T t=1 π t δ, γ (ln y t x t π t δ, γ + γ ln (σ δ, γ) ) 2 T - t=1 ln(π t δ, γ ) ahol t=1,2,,t jelöli a kárbekövetkezési éveket, y t a t-ik évbeli kumulált kárt, x t a t-ik évbeli megszolgált díjat c a credibility faktor, ami T-től és LoB-tól függ az alábbi táblázat szerint
62 Biztosítóspecifikus paraméterek számítása 1. Reserve risk számítás: c credibility faktor Időtartam években 1.,5., 6. LoB Többi LoB 5 34% 34% 6 43% 51% 7 51% 67% 8 59% 81% 9 67% 92% 10 74% 100% 11 81% 100% 12 87% 100% 13 92% 100% 14 96% 100% 15 és több 100% 100%
63 Biztosítóspecifikus paraméterek számítása 2. Reserve risk feltételek: - legalább 5 egymást követő év adatai rendelkezésre állnak; - az első kárév tekintetében legalább 5 egymást követő év kifutási adatai rendelkezésre állnak; - az első kárév kifutása lényegében teljes; - a kárbekövetkezési évek száma legalább a kifutási évek számával egyenlő; - vb-vel korrigálni kell az adatokat; - a kár adatok tartalmazzák a kárrendezési költségeket;
64 Biztosítóspecifikus paraméterek számítása 2. Reserve risk feltételek: - a különböző kárbekövetkezési évek kumulált káradatai sztochasztikusan függetlennek tekinthetőek; - minden kárévnél az alkalmazott növekedési kárösszegek sztochasztikusan függetlenek; - minden kárévnél az adott kifutási év kumulált kifizetésre vonatkozó legjobb becslésének várható értéke arányos a megelőző kifutási év kumulált kárkifizetésével; - minden kárévnél az adott kifutási év kumulált kifizetésre vonatkozó legjobb becslésének szórásnégyzete arányos a megelőző kifutási év kumulált kárkifizetésével,
65 Biztosítóspecifikus paraméterek számítása 2. Reserve risk számítás: σ res,s,usp ahol = c MSEP + (1 c) σ I res,s i=0 C i,j C i,i i C i,j = C i,i i f I i f j 2 f j 1 f j = MSEP = I j 1 i=0 Ci,j+1 I j 1 i=0 C i,j I i=0 C 2 i,j Q I i + C i,i i I I i=1 k=1 C i,j C k,j Q I i S I i + J 1 j=i i+1 C I j,j S j Q j S j
66 Biztosítóspecifikus paraméterek számítása 2. Reserve risk számítás: σ j 2 = 1 I i 1 I j 1 i=0 C i,j C i,j+1 C i,j f j 2 ha j=0,1,,j-2 σ j 2 = mi n( σ J 2 2, σ J 3 2, σ J 2 4 σ J 3 2 ha j=j-1 Q j = σ j 2 f j 2 S j = I j 1 i=0 C i,j S j = I j i=0 C i,j
67 Biztosítóspecifikus paraméterek számítása 2. Reserve risk számítás: ahol 0-val jelöljük az első kárbekövetkezési évet; I-vel az utolsó kárbekövetkezési évet; J-vel az első kárbekövetkezési év utolsó kifutási évét; C i,j -vel az i-ik kárbekövetkezési év j-ik kifutási évének kumulált kárösszegét. c a credibility faktor, ami T-től és LoB-tól függ az alábbi táblázat szerint
68 Biztosítóspecifikus paraméterek számítása 2. Reserve risk számítás: c credibility faktor Időtartam években 1.,5., 6. LoB Többi LoB 5 34% 34% 6 43% 51% 7 51% 67% 8 59% 81% 9 67% 92% 10 74% 100% 11 81% 100% 12 87% 100% 13 92% 100% 14 96% 100% 15 és több 100% 100%
69 Irodalom A-Report_JWG_on_NL_and_Health_non- SLT_Calibration.pdf _Underlying_Assumptions.pdf onpapers.pdf _Wuetrich.pdf
70 Irodalom A részletes eredmények: C- Annex_6_2_Report_JWG_on_NL_and_Health_non- SLT_Calibration.pdf
71
72 Kérdések, megjegyzések
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenIBNR számítási módszerek áttekintése
1/13 IBNR számítási módszerek áttekintése Prokaj Vilmos email: Prokaj.Vilmos@pszaf.hu 1. Kifutási háromszög Év 1 2 3 4 5 2/13 1 X 1,1 X 1,2 X 1,3 X 1,4 X 1,5 2 X 2,1 X 2,2 X 2,3 X 2,4 X 2,5 3 X 3,1 X 3,2
Részletesebbendr. Lorenzovici László, MSc orvos, közgazdász egészségügy közgazdász
dr. Lorenzovici László, MSc orvos, közgazdász egészségügy közgazdász Rólunk Piacvezetők Romániában Kórházfinanszírozás Kórházkontrolling, gazdálkodásjavítás Egészséggazdaságtani felmérések 2 Az egészségügyről
RészletesebbenA nő mint főbevásárló
A nő mint főbevásárló Csillag-Vella Rita, GfK Médiapiac 2016 1 Glamour napok a budapesti Aréna plázában akkora a tömeg, hogy ma (szombat) délután a 2800 férőhelyes parkolóban elfogytak a helyek. (Pénzcentrum.hu)
RészletesebbenFogyasztói árak, 2007. február
Közzététel: 2007. március 13. Sorszám: 47. Következik: 2007. március 14. Ipar Fogyasztói árak, 2007. február 2007. februárban az egyhavi átlagos fogyasztóiár-emelkedés 1,2% volt, 2006. februárhoz viszonyítva
RészletesebbenDr. Jane Pillinger Az EPSU Kollektív Szerzıdéskötési Konferencia számára készült bemutató Pozsony, 2010. szeptember 14-15.
Egyenlı bérek és a recesszió hatása a nıi dolgozókra Dr. Jane Pillinger Az EPSU Kollektív Szerzıdéskötési Konferencia számára készült bemutató Pozsony, 2010. szeptember 14-15. Miért állnak fenn a nemek
RészletesebbenELEKTRONIKUS MELLÉKLET
ELEKTRONIKUS MELLÉKLET XXVII. ÉVFOLYAM 2011 VOCATIONAL TRAINING REVIEW RUNDSCHAU DER BERUFSBILDUNG Hordósy Rita Király Gábor Pályakövetési tipológia Ábra és melléklet torgyik judit a nyelvtanulás európai
RészletesebbenAugusztusban 1,3% volt az infláció (Fogyasztói árak, 2013. augusztus)
Közzététel: 2013. szeptember 11. Következik: 2013. szeptember 12. Mezőgazdasági árak Sorszám: 137. Augusztusban 1,3% volt az infláció (Fogyasztói árak, 2013. augusztus) Augusztusban a fogyasztói árak 1,3%-kal
RészletesebbenSzépes Annamária február 28.
A QIS5 tapasztalatai az UNIQA Biztosítónál Szépes Annamária 2011. február 28. Tartalom A munkafolyamat Néhány kiemelt témakör Komplexitás Segédfájlok, egyszerűsítések Nyitott kérdések Néhány eredmény,
RészletesebbenQIS4. Proxyk alkalmazása a biztosítástechnikai tartalékok becslése során. Zubor Zoltán március 20.
QIS4 Proxyk alkalmazása a biztosítástechnikai tartalékok becslése során Zubor Zoltán 2008. március 20. 2008. március 20. 1/14 Alkalmazás Proxy: speciális típusú egyszerűsített módszer. Szerephez jut, ha
RészletesebbenFogyasztói árak, 2009. augusztus
Közzététel: 2009. szeptember 11. Sorszám: 146. Következik: 2009. szeptember 14. Mezőgazdasági árak Fogyasztói árak, 2009. augusztus 2009. augusztusban az egyhavi átlagos fogyasztóiár-csökkenés 0,3% volt.
RészletesebbenFebruárban leginkább az energia és élelmiszer árak mozgatták az inflációt
Közzététel: 2012. március 13. Következik: 2012. március 13. Mezőgazdasági árak Sorszám: 45. Februárban leginkább az energia és élelmiszer árak mozgatták az inflációt (Fogyasztói árak, 2012. február) Februárban
RészletesebbenQIS 3 tapasztalatai a nem-élet területen. Malicskó László Gábor
QIS 3 tapasztalatai a nem-élet területen Malicskó László Gábor (malicsko@allianz.hu) Vázlat Standard modell vázlatos felépítése U/W kockázat: Díj, tartalék és katasztrófa Cégspecifikus adatok figyelembe
Részletesebbenhalálos iramban Németh Dávid vezető elemző
halálos iramban Németh Dávid vezető elemző 2016.11.10. 1 innováció vezető innovátor követő innovátor mérsékelt innovátor lemaradó innovátor ki a gazdagabb? 0,5 1 1,5 2 2,5 3 3,5 4 versenyképesség alakulása
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenAz Európai Bizottság mellett működő ESF (European Science Foundation) a. kilencvenes évek közepe óta támogatja és szervezi a European Social Survey
Az Európai Bizottság mellett működő ESF (European Science Foundation) a kilencvenes évek közepe óta támogatja és szervezi a European Social Survey elnevezésű nagyszabású nemzetközi project előkészítő munkálatait.
RészletesebbenAz emulticoop Szociális Szövetkezet bemutat(koz)ása Pro Bono díj átadó Budapest, 2011 március 21.
Az emulticoop Szociális Szövetkezet bemutat(koz)ása Pro Bono díj átadó Budapest, 2011 március 21. 1 Előzm zmények -GyENP A társadalmi különbségek parttalan növekedése A szegénység kiterjedésének és mélységének
RészletesebbenSvájci adószeminárium
Zürich Zug www.taxexpert.ch Svájci adószeminárium Sebestyén Péter,, Zürich Budapest, 2015. június 24. 2015. All rights reserved. Tartalom 2 I. Fontos tudnivalók a svájci adórendszerröl II. III. IV. Az
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenJanuárban változatlan maradt a fogyasztóiár-színvonal (Fogyasztói árak, 2014. január)
Közzététel: 2014. február 14. Következik: 2014. február 20. Népmozgalom Sorszám: 26. Januárban változatlan maradt a fogyasztóiár-színvonal (Fogyasztói árak, 2014. január) Januárban változatlan maradt a
RészletesebbenAz időskori balesetek terhe
Az időskori balesetek terhe Bényi Mária EUNESE konferencia Budapest, 2007. március 6. EUNESE EUropean NEtwork for Safety among Elderly = Európai Hálózat az Időskorúak Biztonságáért EUNESE, DG SANCO project
RészletesebbenA QIS5 tapasztalatai a K&H Biztosítóban. Almássy Gabriella Vezető aktuárius és Kockázatkezelési menedzser Gabriella.Almassy@kh.hu
A QIS5 tapasztalatai a K&H Biztosítóban Almássy Gabriella Vezető aktuárius és Kockázatkezelési menedzser Gabriella.Almassy@kh.hu Miről lesz szó? Bevezetés K&H Biztosító Szervezeti felépítés (QIS5-be bevont)
RészletesebbenHorizont 2020 keretprogram Magyar pályázati eredmények és lehetőségek
Horizont 2020 keretprogram Magyar pályázati eredmények és lehetőségek Csuzdi Szonja főosztályvezető Nemzetközi Kapcsolatok Főosztálya NKFI Hivatal 2015. 12. 14. Health Információs Nap Első eredmények 2014
RészletesebbenAZ EURÓPAI KÖZÖSSÉGEK BIZOTTSÁGA A BIZOTTSÁG BELSŐ SZOLGÁLATAINAK MUNKADOKUMENTUMA
AZ EURÓPAI KÖZÖSSÉGEK BIZOTTSÁGA Brüsszel, XXX SEC(2007) 707 A BIZOTTSÁG BELSŐ SZOLGÁLATAINAK MUNKADOKUMENTUMA Kísérő dokumentum a következőhöz: A Bizottság fehér könyve az Európai Parlamentnek és a Tanácsnak
RészletesebbenORSA ORSA ORSA. ORSA konzultáció I. pilléres aspektusok. Tatai Ágnes 2011 november 18
ORSA konzultáció I. pilléres aspektusok Tatai Ágnes 2011 november 18 1 Vázlat Mi az ORSA, miért jó ez nekünk? Az ORSA mennyiségi aspektusai tartalékok szavatoló tőkeszükséglet szavatoló tőke Összegzés
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenApplication Picture to follow
1.0-1.5 t Elektromos hajtású targonca Application Picture to follow www.toyota-forklifts.hu 2 Toyota Traigo 24 Toyota Traigo 24 Az új Toyota Traigo 24 Biztonság Termelékenység Tartósság Kezelhetőség Az
RészletesebbenKerékpározás Európában. Bodor Ádám EuroVelo Director, a.bodor@ecf.com Budapest 2013.09.18.
Kerékpározás Európában Bodor Ádám EuroVelo Director, a.bodor@ecf.com Budapest 2013.09.18. Európai Kerékpáros Szövetség www.ecf.com 2 Célunk: A kerékpározas aránya duplázódjon meg 2020-ra Európában! 3 Többféle
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenE Q U I C O M M é r é s t e c h n i k a i K f t. H B u d a p e s t, M á t y á s k i r á l y u T. : F.
MS NBP-Targets MS NBP-Targets Austria 99 % coverage with 100 Mbps by 2020 Italy 100 % coverage with 30 Mbps by 2020. 50 % HH penetration of 100Mbps services by 2020 Belgium 50 % HH penetration with 1 Gbps
RészletesebbenFelülvizsgálat napja : - Verzió : 01. BEKEZDÉS 1: Az anyag/készítmény és a vállalat/társaság azonosítása
Biztonsági adatlap A kiállítás kelte : 31-Aug-2015 SDS # : IRW 0002 N - 01 EU EN Verzió : 01 BEKEZDÉS 1: Az anyag/készítmény és a vállalat/társaság azonosítása 1.1. Termékazonosító Terméknév A termék kódja(i)
RészletesebbenA fotovillamos energiaátalakítás helyzete Magyarországon
A fotovillamos energiaátalakítás helyzete Magyarországon Pálfy Miklós Solart-System Bevezetés Sugárzási energia Elözmények, mai helyzet, növekedés Napelemes berendezések Potenciál Európai helyzetkép Sugárzási
RészletesebbenDigitális? Oktatás? C o m p u t e r a n d S t a t i s t i c s C e n t e r
Digitális? Oktatás? D r. B a l o g h A n i k ó K ö z é p - E u r ó p a i E g y e t e m C o m p u t e r a n d S t a t i s t i c s C e n t e r Digitális? Oktatás? Digitális? Digitális eszközök használati
RészletesebbenNemzetközi kitekintés. 350 milliárd Euró, 1000 milliárd Ft leírt követelés
Nemzetközi kitekintés 350 milliárd Euró, 1000 milliárd Ft leírt követelés Leírási veszteség 2013. (EU27) EU átlag: 2.8%-tól 3.0%-ig Jelmagyarázat Magyarázat A fizetési idő a különböző szektorokban (EU27)
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenA KÖBE és a Solvency II. egy újabb harmadik típusú találkozás: a QIS4
A KÖBE és a Solvency II egy újabb harmadik típusú találkozás: a QIS4 Előzmények Első típusú találkozás: egy idegen kultúra jeleinek észlelése 2006 Budapest, a KÖBE észleli, hogy az AISAM Solvency II munkacsoportot
RészletesebbenHorváth Gábor főtitkár
. Horváth Gábor főtitkár Előadó szándéka A parlament előtt levő földforgalmi törvény mellett nincs hatástanulmány (jogalkotásról szóló törvény) Objektív hatásfelméréshez: Ismerni kellene mit sikerül megszülni
RészletesebbenA évi demográfiai adatok értékelése. Dr. Valek Andrea Országos Gyermekegészségügyi Intézet
A 212. évi demográfiai adatok értékelése Dr. Valek Andrea Országos Gyermekegészségügyi Intézet Tartalom Népesség száma, megoszlása Élveszületések Magzati veszteségek Születés körüli halálozás Csecsemőhalálozás
RészletesebbenHíves Tamás. Az iskoláztatási, szakképzési, lemorzsolódási és munkapiaci adatok elemzése
Híves Tamás Az iskoláztatási, szakképzési, lemorzsolódási és munkapiaci adatok elemzése 1. Adatok a középfokú továbbtanulásról Tanulók száma és aránya a nappali oktatásban év szakiskola szakközépiskola
RészletesebbenVolatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére
Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos
RészletesebbenAES Borsodi Energetikai Kft
Biomassza energetikai i célú felhasználásának tapasztalatai Szabó Zoltán AES Borsodi Energetikai Kft 2010. február 24. Tartalom Az AES Corporation és az AES Borsodi Erőmű Megújuló energiatermelésre való
RészletesebbenA Szolvencia II harmadik mennyiségi hatástanulmányának (QIS3) eredményei. Gaálné Kodila Diána március 20.
A Szolvencia II harmadik mennyiségi hatástanulmányának (QIS3) eredményei Gaálné Kodila Diána 2008. március 20. 1 Korábbi hatástanulmányok Előkészítő helyszíni tanulmány (Preparatory Field Study, PFS) 2005.
RészletesebbenA Tanács. A pilléres szerkezet. A Közösség fő szervei. Az Európai Unió szerkezete 3. Az Európai Unió szerkezete. 2. pillér. 3. pillér.
A Tanács EU Európa Tanács Brussels Strasbourg Európai Unió 27 tagállam Európa Tanács 47 tagállam A pilléres szerkezet EU ELSŐ PILLÉR (EK) alapvetően közösségi jellegű Az Európai Unió szerkezete 3. MÁSODIK
RészletesebbenSzolvencia II: A QIS4 hatástanulmány magyarországi eredményei. Szabó Péter december 10.
Szolvencia II: A QIS4 hatástanulmány magyarországi eredményei Szabó Péter 2008. december 10. Miről lesz szó? Részvétel Pénzügyi helyzet alakulása Értékelés: Eszközök és nem biztosítási kötelezettségek
RészletesebbenGyermekgondozás (bölcsőde) és az európai szemeszter
Gyermekgondozás (bölcsőde) és az európai szemeszter Az európai szemeszter A gazdaságpolitikai koordináció folyamata Fontos események: Éves növekedés felmérés (November) Ország-jelentések (Február) Nemzeti
RészletesebbenAz információs társadalom és a digitális egyenlőtlenségek főbb irányai és teljesítményei
Projektzáró workshop (TÁMOP-4.2.1/B-09/1/KONV-2010-0005) Generációk az információs társadalomban Infokommunikációs kultúra, értékrend, biztonságkeresési stratégiák Az információs társadalom és a digitális
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenTerületi kormányzás és regionális fejlődés
Területi kormányzás és regionális fejlődés Pálné Kovács Ilona MTA Székház, 2014. november 20. Regionális kormányzás kiment a divatból? Területi jelző néha elmarad (Oxford Handbook of Governance 2014. 800
Részletesebben1. Átoltottság szerepe: a nyájimmunitás egy egyszerű modellje
Tartalom Tartalomjegyzék 1. Átoltottság szerepe: a nyájimmunitás egy egyszerű modellje 1 2. Átoltottság és kérdései 3 2.1. Az átoltottság mérése................................. 3 2.2. Eredmények.......................................
RészletesebbenA demokrácia értékelésének életkori meghatározottsága Magyarországon a 2012-es ESS adatok alapján
A demokrácia értékelésének életkori meghatározottsága Magyarországon a 2012-es ESS adatok alapján Papp Zsófia MTA Társadalomtudományi Kutatóközpont Politikatudományi Intézet papp.zsofia@tk.mta.hu Az öregedés
RészletesebbenSzolvencia II. Biztosítástechnikai tartalékok 2005.04.27
Szolvencia II. Biztosítástechnikai tartalékok 2005.04.27 Biztosítástechnikai tartalékok A. Nem-életbiztosítási tartalékok B. Életbiztosítási tartalékok C. Próbaszámolások 2005.04.27 2 A. Nem-életbiztosítási
RészletesebbenDIGITÁLIS PÁLYAORIENTÁCIÓ
DIGITÁLIS PÁLYAORIENTÁCIÓ AZ ANALÓG OKTATÁS SZABÁLYOZÁSI KÖRNYEZETÉNEK ÉS ÖSZTÖNZŐRENDSZERÉNEK ÁTALAKÍTÁSA A KÖZNEVELÉS KERETRENDSZERÉHEZ KAPCSOLÓDÓ MÉRÉSI- ÉRTÉKELÉSI ÉS DIGITÁLIS FEJLESZTÉSEK, INNOVATÍV
RészletesebbenA K ORM ÁNYZAT E XPORTFEJ LESZTÉSI E SZKÖZRENDSZERE
A K ORM ÁNYZAT E XPORTFEJ LESZTÉSI E SZKÖZRENDSZERE Joó István helyettes államtitkár Budapest, 2019. március 6. EU average (¹) United Kingdom Greece Cyprus Ireland Italy Malta Netherlands Germany Spain
RészletesebbenLogisztika és versenyképesség Magyarországon
Közlekedésfejlesztés Magyarországon Magyar Mérnöki Kamara Közlekedési Tagozata Logisztika és versenyképesség Magyarországon Chikán Attila Egyetemi tanár, Budapesti Corvinus Egyetem Elnök, Magyar Logisztikai,
RészletesebbenSTATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai
Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő
RészletesebbenAdatok és tények a magyar felsőoktatásról II. Forrás: Adatok a felsőoktatásról és a diplomások foglalkoztatásáról, GVI
Adatok és tények a magyar felsőoktatásról II. Forrás: Adatok a felsőoktatásról és a diplomások foglalkoztatásáról, GVI- 2013. 04. 17. 1: A GDP és a felsőfokú végzettségűek arányának összefüggése Forrásév
RészletesebbenAZ ELVESZETT MOBILINTERNET
NAGY PÉTER PÁPAI ZOLTÁN MCLEAN ALIZ PAPP BERTALAN AZ ELVESZETT MOBILINTERNET NYOMÁBAN A MAGYAR MOBIL SZÉLESSÁV PENETRÁCIÓS LEMARADÁS LEHETSÉGES OKAI Verseny és Szabályozás 2016 2017.02.22. A lemaradás
RészletesebbenA PISA 2003 vizsgálat eredményei. Értékelési Központ december
A PISA 2003 vizsgálat eredményei Értékelési Központ 2004. december PISA Programme for International Students Assessment Monitorozó jellegű felmérés-sorozat Három felmért terület Szövegértés, matematika,
RészletesebbenA HÁZIORVOSLÁS JÖVŐKÉPE HAZAI ÉS NEMZETKÖZI MEGOLDÁSOK
A HÁZIORVOSLÁS JÖVŐKÉPE HAZAI ÉS NEMZETKÖZI MEGOLDÁSOK Prof. Dr. Varga Albert, Prof. Dr. Hajnal Ferenc, Dr. Nagyvári Péter, Dr. Ágoston Gergely SZTE ÁOK Családorvosi Intézet Globális egészségügyi felmérés
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenAz egészségi egyenlőtlenségekkel kapcsolatos európai uniós tevékenységek
Az egészségi egyenlőtlenségekkel kapcsolatos európai uniós tevékenységek Charles Price Európai Bizottság Egészségügyi és Fogyasztóvédelmi Főigazgatóság (DG SANCO) Budapest 2009. december 3. Szolidaritás
RészletesebbenÁtoltottság és védőoltással megelőzhető fertőző betegségek
Átoltottság és védőoltással megelőzhető fertőző betegségek Módszertan, eredmények, távlatok Ferenci Tamás vedooltas@medstat.hu http://vedooltas.blog.hu 2014. szeptember 26. Tartalom 1 Átoltottság szerepe:
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
RészletesebbenHelyzetkép. múlt jelen jövő. A képességmérés dilemmái. A magyar tanulók tudásának alakulása történeti és nemzetközi kontextusban
Molnár Gyöngyvér SZTE Neveléstudományi Intézet http://www.staff.u-szeged.hu/~gymolnar A képességmérés dilemmái Amit nem tudunk megmérni, azon nem tudunk javítani. Kelvin Szeged, 2014. november 29. Helyzetkép
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenA minőségügyi szakfőorvosi és a szakfelügyelő főorvosi rendszer felépítése
Semmelweis Egyetem Fogorvostudományi Kar Fogászati és Szájsebészeti Oktató Intézet igazgató: Dr. Kivovics Péter egyetemi docens http://semmelweis-egyetem.hu/fszoi/ https://www.facebook.com/fszoi A minőségügyi
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenType of activity Field or subject Target group Number of participants
Date/Duration/ Venue 7th of January 10-11th of January 14-18th of January 22th of January 22th of January 4-8th of February 27th of February February Type of activity Field or subject Target group Number
RészletesebbenLEGJOBB BECSLÉS Módszerek, egyszerűsítések
LEGJOBB BECSLÉS Módszerek, egyszerűsítések Tusnády Paula 2010. Június 24. 1 Tartalom Értékelési folyamat lépései Módszerek Arányosság elve Élet ági egyszerűsítések Nem-élet ági egyszerűsítések 2 Értékelési
RészletesebbenTájékoztató. clxmkg000024.1000 RE'Z CINK Elektrolit arra az esetre, réz. 41057 Spilamberto (Mo) Italia. tel: +39059785210 fax: +390597861612
Oldal 1/7 Tájékoztató 1 SZAKASZ. Az anyag/keverék és a vállalat/vállalkozás azonosítása 1.1. Termékazonosító Kód: Elnevezés Kémiai név és szinomímák clxmkg000024.1000 RE'Z CINK Elektrolit arra az esetre,
RészletesebbenÁttekintés a kapcsolt erőművek európai helyzetéről
Áttekintés a kapcsolt erőművek európai helyzetéről Dr. Kiss Csaba MKET, elnökhelyettes COGEN Europe, igazgatóság tagja Alstom Power, ügyvezető igazgató TARTALOM 2014 COGEN Europe Cogeneration Snapshot
RészletesebbenA Megújuló Energiaforrás Irányelv és a Nemzeti Cselekvési Terv szerepe a 2020 as célok elérésében
A Megújuló Energiaforrás Irányelv és a Nemzeti Cselekvési Terv szerepe a 2020 as célok elérésében Szélenergia a tények szélenergia integrációja Magyarországon, EWEA Budapest, 2009 június 12. EUROPEAN COMMISSION
RészletesebbenA fotovillamos energiaátalakítás helyzete az EU-hoz újonnan csatlakozott országokban
A fotovillamos energiaátalakítás helyzete az EU-hoz újonnan csatlakozott országokban Pálfy Miklós Solart-System Bevezetés 2005-ben több mint 1460 MWp PV Éves növekedés>40% EU a legnagyobb piac Bevezetés
RészletesebbenA évi európai pontprevalencia vizsgálatok jellemzői I.
Antimikrobiális szer alkalmazás a hazai és európai kórházakban és bentlakásos szociális intézményekben az európai pont-prevalencia vizsgálatok eredményei alapján dr. Kurcz Andrea, dr. Hajdu Ágnes, Veress
RészletesebbenArató Miklós. A nem-életbiztosítók belsı modellezésének lehetséges problémái
Arató Miklós A nem-életbiztosítók belsı modellezésének lehetséges problémái Célok Szolvencia 2 Piaci alapú eredménykimutatás és mérleg (MVIS és MVBS) Nem-élet termékek valós értékének meghatározása (MCEV
RészletesebbenSzociális gazdaság. Nyílt munkaerőpiac
A szociális gazdaság fejlesztése és a foglalkoztatás növelése szociális szövetkezeteken keresztűk Ruszkai Zsolt Magyar Munka Terv Közfoglalkoztatás Szociális gazdaság Nyílt munkaerőpiac 2 Szociális gazdaság
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
RészletesebbenMűködőtőke-befektetések Adatok és tények
Német-Magyar Ipari és Kereskedelmi Kamara 1. Konjunktúrafórum 13. november. Működőtőke-befektetések Adatok és tények Működőtőke-befektetések állománya Magyarországon 1.1.31., származási ország szerint,
RészletesebbenEligazodás napjaink összetett üzleti kockázatai között
Eligazodás napjaink összetett üzleti kockázatai között Európára, a Közel-Keletre, Indiára és Afrikára kiterjedő felmérés a visszaélésekről - magyarországi eredmények 2013. Május 7. Pesszimizmus a piac
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenA MAGYAR H2020 SZEREPLÉS TAPASZTALATAI
Mintacím szerkesztése A MAGYAR H2020 SZEREPLÉS TAPASZTALATAI Jeney Nóra főosztályvezető-helyettes Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal TéT Konferencia, 2016. július 13. Germany United Kingdom
RészletesebbenEnterprise Vision Day
Dr. Strublik Sándor Kereskedelmi igazgató sandor.strublik@arrowecs.hu 2014.06.18. Fontos információ Parkolás A várba történő behajtáskor kapott parkoló kártyát tartsa magánál! A rendezvény után ezt a parkoló
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenMit nehezebb találni: munkahelyet vagy munkaerőt? A munkaerőpiaci helyzet alakulása Romániában
Mit nehezebb találni: munkahelyet vagy munkaerőt? A munkaerőpiaci helyzet alakulása Romániában Dr. Kerekes Kinga egyetemi docens abeș- olyai Tudományegyetem, Közgazdaság- és Gazdálkodástudományi Magyar
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenÁtoltottság és védőoltással megelőzhető fertőző betegségek
Átoltottság és védőoltással megelőzhető fertőző betegségek Módszertan, eredmények, távlatok Ferenci Tamás vedooltas@medstat.hu http://vedooltas.blog.hu 2014. szeptember 26. Tartalom 1 Átoltottság szerepe:
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenPÉNZ, DE GYORSAN DR. SUTÁK PÉTER JUSSON HOZZÁ AZ ELNYERT UNIÓS TÁMOGATÁSOKHOZ FAKTORINGGAL EGYSZERŰEN ÉS RÖVID IDŐ ALATT!
DR. SUTÁK PÉTER FAKTORING ÜZLETÁG PÉNZ, DE GYORSAN JUSSON HOZZÁ AZ ELNYERT UNIÓS TÁMOGATÁSOKHOZ FAKTORINGGAL EGYSZERŰEN ÉS RÖVID IDŐ ALATT! PÉNZ, DE HONNAN? VESZPRÉM 2015.11.12. TARTALOM # RÖVIDEN A FAKTORINGRÓL
RészletesebbenIreland. Luxembourg. Austria
Üdvözöljük a Megújuló Energia Információs Nap résztvevőit 1 Köszöntő Néhány gondolat a megújuló energia hasznosítás jelentőségéről Innovatív megújuló energetikai kis- és középvállalkozások együttműködése:
RészletesebbenTúlélés és kivárás 51. KÖZGAZDÁSZ-VÁNDORGYŰLÉS. átmeneti állapot a villamosenergia-piacon. Biró Péter
Túlélés és kivárás átmeneti állapot a villamosenergia-piacon 51. KÖZGAZDÁSZ-VÁNDORGYŰLÉS Biró Péter 2 Kereslet Kínálat rendszerterhelés 3 4 Árak 5 Termelői árrés 6 Költségtényezők Végfogyasztói árak, 2012
RészletesebbenA magyar gazdaság felülnézetből
Orbán Gábor A magyar gazdaság felülnézetből Kötvény üzletág-vezető AEGON Magyarország Befektetési Alapkezelő Zrt. Balatonalmádi, 212 szeptember 7. avagy Vezeklés 28-2?? Kényszerpályán a magyar gazdaság
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenA nemek közötti bérrés mérése: nemzetközi szinten, a Visegrádi országokban és Lengyelországban
A nemek közötti bérrés mérése: nemzetközi szinten, a Visegrádi országokban és Lengyelországban Dorota Szelewa Nemzetközi Kutató- és Elemzőközpont (ICRA), Varsó, Lengyelország és Dél-dániai Egyetem, Dánia
RészletesebbenA szolgáltatásmenedzsment nemzetközi szabványa magyarul
A szolgáltatásmenedzsment nemzetközi szabványa magyarul (MSZ ISO/IEC 20000-1:2013) LATERAL Consulting 1 Tartalom ISO/IEC 20000-1 alapú tanúsítások a nagyvilágban és itthon ISO/IEC 20000-1:2011 f jellemz
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
Részletesebben