nghiên cứu khuôn gốm trên cơ sở vật liệu trong nước

Đối với các mô hình rủi ro cổ điển, bài toán thường được nghiên cứu với các giả thiết liên quan tới dãy biến ngẫu nhiên độc lập, chẳng hạn như ước lượng xác suất thiệt hại trong mô hình

MỞ ĐẦU Bảo hiểm là biện pháp chia sẻ rủi ro của một người hay một số người cho cả cộng đồng những người có khả năng gặp rủi ro cùng loại, bằng cách mỗi người trong cộng đồng góp một số tiền nhất định vào một quỹ chung và từ quỹ chung đó bù đắp thiệt hại cho thành viên trong cộng đồng không may bị thiệt hại, do rủi ro đó gây ra Bảo hiểm được xem như là một cách thức chuyển giao rủi ro tiềm năng một cách công bằng từ một cá thể sang cộng đồng thông qua phí bảo hiểm Ở Việt Nam, bảo hiểm xuất hiện dưới hình thức sơ khai vào khoảng năm 1880 Những năm gần đây, ngành bảo hiểm, tài chính đã thực sự trở thành ngành kinh tế giữ vai trò trọng yếu, có vai trò điều chỉnh và thúc đẩy hoạt động của các ngành kinh tế khác và đã trở thành nơi tập trung của các ý tưởng, xuất phát từ các lĩnh vực tri thức và ứng dụng thực tế khác nhau Các vấn đề của bảo hiểm, tài chính đã thu hút sự chú

ý của các nhà toán học nói chung và lý thuyết xác suất và thống kê toán học nói riêng Hiện nay, chúng ta đang được chứng kiến sự cộng tác chặt chẽ giữa các nhà kinh tế, tài chính và toán học, nhằm mục đích ứng dụng các thành tựu toán học hiện đại vào việc nghiên cứu các mô hình kinh tế, phân tích

và tìm hiểu các quy luật chi phối các hoạt động kinh tế, từ đó có các đề xuất và giải pháp phù hợp với quy luật Trong cuộc sống sinh hoạt nói chung cũng như trong những hoạt động sản xuất, kinh doanh phục vụ cuộc sống, con người luôn gặp phải những tai họa, tại nạn, sự cố bất ngờ, ngẫu nhiên sảy ra, gây thiệt hại về tài sản, con người Các tai họa, tại nạn, sự cố bất ngờ ấy gọi là rủi ro Các công ty bảo hiểm mở ra nhằm mục đích chịu trách nhiệm và chia sẻ một phần rủi ro cho chủ thể, nhưng ngay chính hoạt động bảo hiểm cũng là một hoạt động đầu tư tài chính nên bản thân nó cũng chứa đựng sự rủi ro (có thể dẫn đến thua lỗ hoặc phá sản) Việc đánh giá mức độ rủi ro và thời điểm xảy ra rủi ro là nhu cầu cấp thiết đặt ra, đòi hỏi cần được nghiên cứu và giải quyết để hạn chế tối thiểu thiệt hại có thể xảy ra

Năm 1903, một công trình của Lundberg, F đã đặt nền móng cho lý thuyết rủi ro trong bảo hiểm, tiếp theo đó, Cramer, H và trường phái Stockholm đã phát triển các ý tưởng của Lundberg và đóng góp vào việc hình thành và phát triển lý thuyết các quá trình ngẫu nhiên trong toán học Mô hình

cơ bản đầu tiên là mô hình rủi ro của Cramer – Lundberg, mô hình này thường liên quan đến các trường hợp chi trả bảo hiểm bình thường, và chưa được nghiên cứu nhiều cho các trường hợp phải chi trả bồi thường bảo hiểm lớn

Trong thời gian gần đây Lý thuyết rủi ro (Risk Theory) được nghiên cứu và phát triển mạnh, đặc biệt

là những nghiên cứu về rủi ro trong bảo hiểm nói riêng và kinh tế, tài chính nói chung Một trong các vấn đề trọng tâm mà lý thuyết này quan tâm, là bài toán ước lượng xác suất thiệt hại (hay xác suất rủi

ro - Ruin Probability) trong các mô hình rủi ro Đối với các mô hình rủi ro cổ điển, bài toán thường được nghiên cứu với các giả thiết liên quan tới dãy biến ngẫu nhiên độc lập, chẳng hạn như ước lượng xác suất thiệt hại trong mô hình rủi ro của tác giả Cramer – Lundberg với giả thiết về dãy các số tiền đòi trả bảo hiểm là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối Chủ đề này cũng được rất nhiều tác giả khác quan tâm, thể hiện trong các công trình nghiên cứu của nhiều nhà toán học có tên tuổi như: Asmussen [9], Buhlman, H [12], Dickson, D C M.[11], De Vylder, F.E.[20], [21], [22], Embrechts, P.[24], Ignatov [30], [31], Kluppelberg, C [24], Lèfèvre, Cl.[19], [40], Loisel, S.[19], Mikosch, T.[24], Grandell, J.[28], Hipp, C.[29], Schmidli, H.[29], Marceau, M.[20], Musiela, M.[35], Nyrhinen, H.[36], Rutkowski, M.[35], Paulsel, J.[37] [38], Picard, Ph [40],Schmidt, K.D.[43], …

Ngoài ra, còn có một số công trình nghiên cứu mô hình rủi ro có xét đến tác động của yếu tố lãi suất như: Bùi Khởi Đàm [11], Cai, J [13], [14], [15], [17], Dickson, D C M [15], [16], [23] Gaier,

J [26], Grandist, P [26], Kluppelberg, C [32], Stadtmuller, U [32], Konstantinides, D G [33], Tang,

Q H [33], Tsitsiashvili, G S [33], Sundt, B [44], [45], Teugels, J.L [44], [45], Tang Q [46], [47], [48], Yang, H [51], [53], Zhang, L H [53], Yuen, K C [54], [55], Wang, G [54], [55], Wates, H.R [23], Wu, R [54],…

Bên cạnh đó, một số tác giả xét mô hình rủi ro với giả thiết dãy số tiền thu bảo hiểm, đòi trả

bảo hiểm là dãy biến ngẫu nhiên phụ thuộc: Như m- phụ thuộc của tác giả Bùi Khởi Đàm.[1], [2], [3],

[10], Nguyễn Huy Hoàng.[1], [2], [3], [10],dãy lãi suất phụ thuộc theo nghĩa tự hồi quy cấp một, hoặc

là xích Markov như Albrecher, H.[8], Cai, J.[18], Dickson, D C M.[18], Gerber, H U.[27], Muller, A.[34], Pfug, G.[34], Promislow, S D.[39], Valdez, E A.[49], Mo, K.[49], Xu, L [50], Wang, R.[50], Yang, H.[52], Zhang, L H.[52],…

Tính toán xác suất rủi ro là bài toán rất quan trọng trong ngành bảo hiểm Đây là bài toán khó

và cho đến nay vẫn được nhiều tác giả quan tâm nghiên cứu Các nghiên cứu về đề tài này thường được thực hiện theo những cách tiếp cận sau:

Ước lượng xác suất rủi ro bằng các bất đẳng thức (như bất đẳng thức Cramer-Lundberg) Dùng kỹ thuật mô phỏng Monte Carlo để tính xác suất rủi ro

Phương pháp tính đúng (như công thức Picard- Lefèvre tính xác suất rủi ro)…

Với những lý do nói trên, chúng tôi xác định đối tượng nghiên cứu của luận án là các mô hình rủi ro trong bảo hiểm, thời gian rời rạc với các dãy biến ngẫu nhiên độc lập hoặc phụ thuộc Markov Ngoài

ra, các mô hình còn xét tới tác động của yếu tố lãi suất, với lãi suất là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối hoặc phụ thuộc Markov Luận án đã đánh giá xác suất thiệt hại cho mô hình này Đóng góp chính của luận án là tìm ra công thức tính xác suất rủi ro (không rủi ro) cho mô hình rủi

ro khi dãy số tiền thu bảo hiểm và chi trả bảo hiểm là dãy biến ngẫu nhiên rời rạc, độc lập, có phân phối bất kỳ (trường hợp riêng là dãy biến ngẫy nhiên độc lập cùng phân phối) và mở rộng công thức tính chính xác xác suất này cho dãy biến ngẫu nhiên phụ thuộc Markov Bên cạnh đó, bất đẳng thức ước lượng xác suất rủi ro với độ chính xác tùy ý cho mô hình rủi ro có số tiền chi trả bảo hiểm là dãy biến ngẫu nhiên có phân phối liên tục cũng được đưa ra

Các kết quả chủ yếu của luận án đã được công bố trong các công trình [1], [2], [3], [4], [5], (xem danh mục công trình khoa học đã công bố của luận án)

Luận án đã thu được các kết quả mới sau đây:

a Trong mô hình rủi ro có dãy tiền thu và chi trả bảo hiểm là dãy biến ngẫu nhiên rời rạc, nhận giá trị nguyên, không âm, độc lập

Lần đầu tiên đưa ra được công thức tính chính xác xác suất rủi ro (không rủi ro) cho mô hình rủi ro này (trước đó, các tác giả Claude Lefevre và Stephane Loissel (2008) chỉ đưa ra công thức tính chính xác cho mô hình cổ điển khi dãy tiền thu là tất định, dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên có phân phối nhị thức)

Phương pháp tiếp cận (tính toán) trực quan, cho phép mở rộng đối với các mô hình mà dãy thu, dãy chi là các biến ngẫu nhiên phụ thuộc Markov

b Trong mô hình rủi ro có dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên liên tuc

Luận án đã đưa ra được bất đẳng thức ước lượng xác suất rủi ro cho mô hình khi dãy tiền thu

là tất định, tuyến tính theo thời gian, còn dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối và có phân phối liên tục

c Áp dụng phương pháp Monter Carlo tính xác suất rủi ro

Chúng tôi nghiên cứu xác suất rủi ro đối với mô hình rủi ro của các công ty bảo hiểm với thời gian rời rạc, hữu hạn, khi có tác động của yếu tố lãi suất, dãy các số tiền đòi trả bảo hiểm trong mô hình được giả thiết là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối Đồng thời chúng tôi còn xem xét mô hình rủi ro tổng quát hơn khi có tác động của lãi suất là dãy các biến ngẫu nhiên không âm, phụ thuộc Markov

Qua việc hoàn thành bản luận án, chúng tôi cũng hy vọng được góp phần vào việc nghiên cứu

và phát triển lý thuyết về các mô hình rủi ro trong bảo hiểm, kinh tế và tài chính, với dãy các biến ngẫu nhiên độc lập hoặc phụ thuộc Markov (đặc biệt là tính được chính xác xác suất rủi ro trong bảo hiểm) và các ứng dụng của chúng vào thực tiễn

Nội dung của luận án bao gồm 3 chương và, được cấu trúc như sau:

Chương 1 được dành cho việc trình bày các khái niệm, kết quả cơ bản về xác suất, xác suất điều kiện, biến ngẫu nhiên, phân phối của biến ngẫu nhiên, dãy biến ngẫu nhiên độc lập, quá trình ngẫu nhiên, xích Markov và mô phỏng các thí nghiệm ngẫu nhiên trên máy tính

Chương 2 là đóng góp chính của luận án Trong chương này, chúng tôi mở rộng mô hình rủi

có phân phối bất kỳ Thuật toán được thiết lập để tính toán kết quả số, minh họa cho công thức tính chính xác suất rủi ro khi hai dãy tiền thu và chi trả bảo hiểm là các dãy biến ngẫu nhiên độc lập cùng phân phối

Bên cạnh đó, chúng tôi còn mở rộng công thức tính chính xác xác suất rủi ro (không rủi ro) cho mô hỉnh rủi ro khi dãy tiền thu bảo hiểm và chi trả bảo hiểm là dãy biến ngẫu nhiên phụ thuộc Markov

Luận án còn đưa ra được ước lượng xác suất rủi ro với độ chính xác tùy ý cho mô hình khi dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên có phân phối liên tục

Chương 3 nghiên cứu mô hình rủi ro được xét với thời gian rời rạc khi có tác động của yếu tố lãi suất Trong chương này phương pháp Monte- Carlo được áp dụng để tính xác suất rủi ro khi xét mô hình rủi ro có tác động của lãi suất Lãi suất được giả thiết là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối hoặc phụ thuộc Markov Một vài ví dụ số minh họa cho mô hình được đưa ra

Cuối cùng là phụ lục phần code các chương trình tính

Các kết quả chủ yếu của luận án đã được báo cáo và thảo luận tại:

- Đại hội toán học Việt Nam lần thứ 8, Nha Trang (8/ 2013)

- Xêmina tại Viện Toán ứng dụng và Tin học, Đại học Bách khoa Hà Nội

- Hội thảo khoa học tại trường Đại học Công nghiệp Việt Trì (10/ 2011)

Chương 1 MỘT SỐ KHÁI NIỆM VÀ KẾT QUẢ CƠ BẢN

Trong chương này, chúng tôi sẽ trình bày một số khái niệm về không gian xác suất, các khái niệm và kết quả về biến cố ngẫu nhiên, quá trình ngẫu nhiên, xích Markov và mô phỏng các thí nghiệm ngẫu nhiên trên máy tính (một công cụ quan trọng sử dụng trong việc chứng minh các kết quả của luận án, các kết quả này có trong [4], [5], [6], [7] và [42])

1.1 Không gian xác suất

Ta gọi bộ ba   A , , P  là một không gian xác suất Kolmogorov nếu:

a)    là tập hợp tùy ý có các phần tử ký hiệu là ; hay   

b) A là  đại số các tập con của ;

c) P là độ đo xác suất hay gọi là xác suất trên A,

Tập  được gọi là không gian các biến cố sơ cấp

Mỗi    được gọi là một biến cố sơ cấp

Mỗi A  A được gọi là một biến cố ngẫu nhiên

( )

P A là xác suất của biến cố A

P được gọi là xác suất trên A

Định nghĩa 1.1 Xét không gian xác suất   A , , P  Giả sử B là biến cố ngẫu nhiên có

Mệnh đề 1.4 (Công thức nhân xác suất)

Giả sử  A A1, 2, , An là họ các biến cố ngẫu nhiên sao cho P A A 1, 2, ,A n10, khi đó:

 1, 2, , n ( ) (1 2| 1) ( n| 1 2 n)

1.2 Biến ngẫu nhiên và hàm phân phối xác suất

Định nghĩa 1.2 Hàm thực X  X    xác định trên  lấy giá trị trên ℝ gọi hàm A đo được hoặc biến ngẫu nhiên, nếu   , ( ) X   B   A với mỗi B  B ( )  (Ở đây B ( )  là   đại số các tập Borel của trục thực ℝ)

Biến ngẫu nhiên X được gọi là rời rạc nếu miền giá trị X(  ) chỉ gồm hữu hạn hoặc đếm được

1.3 Kỳ vọng và phương sai của biến ngẫu nhiên

Kỳ vọng của biến ngẫu nhiên rời rạc X là số thực xác định theo công thức:

EX x p x P X x

nếu chuỗi hội tụ

Phương sai của biến ngẫu nhiên rời rạc X là số thực không âm xác định theo công thức:

1.4 Sự hội tụ của dãy biến ngẫu nhiên

Dãy biến ngẫu nhiên X nn1 được gọi là hội tụ theo xác suất tới biến ngẫu nhiên X, kí hiệu là

Dãy biến ngẫu nhiên X n n 1 được gọi là hội tụ hầu chắc chắn (a.s) đến biến ngẫu nhiên X, kí

hiệu là Xna s. X , nếu tồn tại tập A có xác suất không sao cho X n   X   với A Nghĩa là  | lim n( ) ( ) 1

n

  

Dãy biến ngẫu nhiên X n n 1 được gọi là hội tụ theo trung bình bậc p0 p  đến biến

ngẫu nhiên X, kí hiệu là XnLp X ,nếu E Xn  X p  0,  n   

Dãy biến ngẫu nhiên  Xn n 1

 được gọi là hội tụ theo phân phối đến biến ngẫu nhiên X, kí hiệu

là XnD X , nếu

n

F  F tại mọi điểm liên tục của F X

1.5 Quá trình ngẫu nhiên

a Cho , ≥ 0 là biến ngẫu nhiên xác định trên không gian xác suất  A, , P

Quá trình ngẫu nhiên X X t t, 0 là một hàm hai biến X t  ( , ) xác định trên   lấy giá trị trong  và là một hàm đo được đối với  trường tích B A Trong đó B là  trường các tập Borel trên    0,  

b Khi cố định một  thì ánh xạ riêng phần t  X t  ,   từ vào  được gọi là một quỹ đạo của quá trình ngẫu nhiên X X t t, 0 , ứng với yếu tố ngẫu nhiên ấy

c Nếu X lấy giá trị trong n( n  1) thì ta có một quá trình ngẫu nhiên n - chiều

1.6 Xích Markov với thời gian rời rạc

Định nghĩa 1.5 Ta nói rằng X t   có tính Markov nếu:

Xích Markov là quá trình ngẫu nhiên có tính Markov

Nếu t 0,1,2, thì ta có khái niệm xích Markov với thời gian rời rạc

Ma trận xác suất chuyển

Giả sử X n  n, 0,1, 2, là xích Markov rời rạc và thuần nhất

Đặt pij P X  n1 j Xn i   P X  n1 j X0 i0,  , Xn1 in1, Xn  i 

Do xích Markov có tính thuần nhất nên pij không phụ thuộc vào n mà chỉ phụ thuộc vào

khoảng thời gian xảy ra sự chuyển trạng thái này

Đặt P p ij thì ma trận P p ij được gọi là ma trận xác suất chuyển sau một bước

 có tính chất trên, sẽ gọi là ma trận ngẫu nhiên

Xác suất chuyển sau n bước, ký hiệu là pij( )n và được định nghĩa theo công thức:

10

i j p

ij

n

P  p , đó là ma trận xác suất chuyển sau n bước

1.7 Mô phỏng các thí nghiệm ngẫu nhiên trên máy tính

Trên cơ sở nền tảng là luật mạnh số lớn, phương pháp Monter-Carlo là phương pháp giải bằng

số các bài toán thông qua việc tạo ra và sử dụng các số ngẫu nhiên Để giải bằng số mỗi bài toán ta càn thiết lập các phép thử ngẫu nhiên tương ứng và xác định lời giải gần đúng của bài toán đã nêu từ các kết quả của các phép thử này Với một đại lượng khó tính toán về mặt giải tích, người ta tìm cách tính một loạt các giá trị cụ thể của nó (xem như các thể hiện của một biến ngẫu nhiên) rồi lấy trung bình cộng các giá trị đó

Đối với các bài toán tất định, tức là bài toán không liên quan đến phép tính xác suất, đây là những bài toán trong giải tích số thông thường Để sử dụng phương pháp Monter-Carlo vào mỗi bài toán tất định nói trên, trước hết ta cần lập các bài toán xác suất tương đương (mô hình xác suất tương ứng) mà lời

giải y của bài toán tất định được xác định từ lời giải x của bài toán xác suất bởi quan hệ hàm tính

( )

y  f x nào đó Để giải gần đúng bài toán xác suất tương đương trong mô hình thông qua việc tiến hành các phép thử ngẫu nhiên Đây là quá trình thể hiện mô hình xác suất tương ứng Từ kết quả của các phép thử trong quá trình nói trên, ta có thể thiết lập một véc tơ ngẫu nhiên X ℝm

xấp xỉ với lời giải x ℝm

của mô hình xác suất (theo một nghĩa nào đó) Nếu lời giải y ℝn

của bài toán tất định

được xác định từ x bởi quan hệ hàm tính y  f x ( )(với f là hàm liên tục), thì ta có thể xấp xỉ nó (theo một nghĩa nào đó) bởi véc tơ ngẫu nhiên Y  f X ( ) ℝn

, nghĩa là X  x ℝm

;

trong đó: Y và X được gọi là ước lượng Monter Carlo hoặc phỏng ước đối với lời giải y và x của lần

lượt các bài toán tất định và bài toán xác suất tương đương

Bây giờ ta xét việc ứng dụng của phương pháp Monter-Carlo vào việc giải bằng số các bài toán xác suất với các hiện tượng ngẫu nhiên không quan sát được Thuộc các loại bài toán này là các bài toán quan trọng của lý thuyết thông tin, lý thuyết phục vụ đám đông, lý thuyết trò chơi, vật lý, kỹ thuật và kinh tế…Các bài toán nói trên có chung nhau một đặc điểm là: Các hiện tượng ngẫu nhiên xuất hiện trong đó là “không có khả năng quan sát được”, nghĩa là ta không thể tiến hành các thí nghiệm để quan sát chúng trong thực tế, vì các thí nghiệm ngẫu nhiên này thuộc một trong ba loại: Loại thí nghiệm diễn biến quá chậm, loại thí nghiệm diễn biến quá nhanh và loại thí nghiệm đắt giá Tương tự như trường hợp của bài toán tất định, để giải bằng số các bài toán xác suất với các hiện tượng ngẫu nhiên không quan sát được ở trên, ta thiết lập một bài toán xác suất tương đương (gọi là

mô hình mô phỏng tương ứng), sao cho tuy nó có cùng lời giải x với bài toán xác suất ban đầu nhưng lại có thể mô hình hóa trên máy tính, nghĩa là có thể xác định phỏng ước của X đối với lời giải x thông

qua quá trình thể hiện một mô hình xác suất cơ bản nào đó Với mỗi bài toán xác suất khác nhau, sẽ có những mô hình mô phỏng khác nhau

Tiếp theo, ta xét việc mô hình hóa trên máy tính (tạo lập những thí nghiệm ngẫu nhiên), nghĩa là xét các quá trình thể hiện các mô hình xác suất cơ bản trên máy tính, cụ thể ta xét thể hiện của đại lượng ngẫu nhiên bằng phương pháp nghịch đảo hàm phân phối

Ta xét việc mô phỏng thể hiện của đại lượng ngẫu nhiên  có hàm phân phối

F x  P   x đã cho, tức là ta xét những thể hiện (trong phép thử mô phỏng) của đại lượng ngẫu nhiên  ứng với hàm phân phối F x ( ), trong đó F x ( ) là hàm không giảm, liên tục trái và

0  F x ( ) 1  Tuy nhiên, nói chungF x ( ) không có hàm ngược theo ý nghĩa giải tích thông thường

Từ hàm phân phối xác suất, ta cần tìm một hàm ngược F1( ) x

(theo nghĩa rộng) của F x ( ) sao cho:

Ta thu được kết quả

Bổ đề 1.1 Đại lượng ngẫu nhiên  có hàm phân phối F x ( )  P {   x } đã cho trước và từ hàm phân phối xác suất F x ( ), ta định nghĩa hàm ngược của y  F x ( ) Giả sử R  [0,1] là đại lượng ngẫu nhiên phân phối đều trên [0,1]

Và nếu thể hiện của đại lượng ngẫu nhiên  được xác định bởi  F1( ) R

 , thì  là thể hiện của đại lượng ngẫu nhiên có hàm phân phối F x ( ) cho trước

Kết luận

Trong chương 1, chúng tôi đã giới thiệu một số khái niệm và kết quả đã có liên quan trực tiếp đến nội dung, phương pháp chứng minh của luận án bao gồm các khái nệm: Xác suất, xác suất điều kiện, dãy biến ngẫu nhiên độc lập, các dạng hội tụ của biến ngẫu nhiên, quá trình ngẫu nhiên, xích Markov và mô phỏng các đại lượng ngẫu nhiên trên máy tính Luận án sẽ tập trung nghiên cứu mô hình rủi ro nhị thức tổng quát, mô hình rủi ro trong bảo hiểm (thời gian rời rạc) với giả thiết dãy các số tiền thu, đòi trả bảo hiểm là độc lập; Đồng thời, luận án còn nghiên cứu các mô hình này trong trường hợp có xét đến tác động của lãi suất Các nội dung, cũng như các kết quả nghiên cứu mà tác giả đã đạt được về các vấn đề này, sẽ được trình bày trong các chương tiếp theo

Chương 2 CÁC CÔNG THỨC TÍNH CHÍNH XÁC XÁC SUẤT RỦI RO

Trong chương này, chúng tôi xét ba mô hình rủi ro với thời gian rời rạc mở rộng Mô hình thứ nhất được xét đến khi dãy các số tiền đòi trả bảo hiểm (X i)i1và dãy số tiền thu bảo hiểm (Y i)i1 là dãy biến ngẫu nhiên rời rạc, độc lập, có phân phối bất kỳ, hơn nữa, hai dãy (X i)i1 và (Y i)i1 là độc lập với nhau (hệ quả của nó là dãy biến ngẫu nhiên độc lập cùng phân phối) Từ đó, chúng tôi mở rộng cho mô hình thứ hai với giả thiết về dãy số tiền đòi trả bảo hiểm (X i)i1 và dãy số tiền thu bảo hiểm (Y i)i1 là các dãy biến ngẫu nhiên phụ thuộc Markov Hơn nũa, luận án còn xét mô hình rủi ro thứ ba, đây là mô hình có dãy tiền thu bảo hiểm là tất định, tuyến tính theo thời gian còn dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên không âm, độc lập, cùng phân phối và có phân phối liên tục

Các kết quả này có trong công trình [1], [2], [3] và [5], phần các công trình đã công bố của luận án

2.1 Các công thức tính chính xác xác suất rủi ro

Trong lý thuyết rủi ro, có hai mô hình cổ điển sau đây là rất quan trọng và được nghiên cứu nhiều: Một là mô hình rời rạc, đó là quá trình với thời gian rời rạc và lượng tiền chi trả trong mỗi chu

kỳ thời gian được giả thiết là các biến ngẫu nhiên nhận giá trị nguyên dương (hoặc bằng không) Hai

là mô hình Poisson phức hợp, đó là mô hình liên tục hóa (thời gian liên tục) của mô hình rời rạc (lượng tiền chi trả được giả thiết có phân phối liên tục) Mặc dù mô hình liên tục là tổng quát nhưng

mô hình rời rạc trực quan và dễ áp dụng hơn trong nhiều trường hợp thực tế

Bây giờ chúng tôi xin giới thiệu mô hình rủi ro rời rạc

Giả sử một công ty bảo hiểm phát hành một loại chứng từ bảo hiểm về một dịch vụ tài chính nào đó Khách hàng là những người mua chứng từ đó Công ty bảo hiểm có số vốn ban đầu là uℕ*

, thu được của khách hàng một số tiền mua bảo hiểm với phí suất c0, trên một đơn vị thời gian Tại mỗi thời kỳ t *

, công ty phải trả một số tiền bảo hiểm tổng cộng là St cho các khách hàng có nhu

cầu đòi trả bảo hiểm Thặng dư của công ty bảo hiểm tại thời kỳ t được xác định bởi

U t: u ctS t (2.1) trong đó

1 2 ,

với giả thiết dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên không âm, rời rạc và độc lập

Kí hiệu P n*i: P(X1 X2   X i n) là phân phối của một tổng các biến ngẫu nhiên độc lập, (xem [19])

Rủi ro xảy ra tại thời kỳ đầu tiên Tu khi U t 0, nghĩa là

mô hình (2.1) khi dãy (X i)i1 có phân phối nhị thức, điều đó được thể hiện trong mệnh đề sau đây

* 1

J u t

n u t P

P t

T P

t u

J n

J u t J n t

u

u J

u J J t

u

J

t J

và

)1(

)1(T   P X1u

P u

Ta nhận thấy, trong mô hình rủi ro ở trên, các tác giả Claude Lefèvre và Stephanne Loisel đã đưa ra công thức tính chính xác xác suất rủi ro cho mô hình (2.1) khi dãy tiền thu bảo hiểm là tất định, tuyến tính theo thời gian, còn dãy tiền chi trả bảo hiểm là dãy biến ngẫu nhiên độc lập, có phân phối nhị thức Nhưng trong thực tế, thì dãy tiền thu bảo hiểm cũng là dãy biến ngẫu nhiên, để mô hình phù hợp với thực tế hơn, sau đây, ta sẽ xét mô hình rủi ro khi mà số tiền thu bảo hiểm, chi trả bảo hiểm là các dãy biến ngẫu nhiên không âm, độc lập, có phân phối bất kỳ

2.1.1 Công thức tính chính xác xác suất rủi ro, cho mô hình rủi ro khi dãy tiền thu và dãy tiền chi trả bảo hiểm là các dãy biến ngẫu nhiên rời rạc, độc lập, nhận giá trị nguyên, không âm

Bây giờ, chúng ta khảo sát hoạt động của công ty bảo hiểm mà việc hạch toán thu, chi, lỗ, lãi được xét theo những thời kỳ cố định cho trước (ví dụ theo tháng, theo quý hoặc theo năm…), công ty

có số vốn ban đầu là u ℕ*

Tại mỗi thời kỳ t (t =1, 2,…), ta ký hiệu X , t Y t tương ứng là tổng số tiền chi trả và tổng số tiền thu bảo

hiểm trong thời kỳ thứ t

Ta ký hiệu U t là thặng dư của công ty bảo hiểm ở cuối mỗi thời kỳ t, khi đó ta có biểu diễn

Thặng dư phải dương thì công ty mới có lãi, ngược lại tại cuối thời kỳ t xảy ra rủi ro nếu như U t 0

Ký hiệu T là thời điểm đầu tiên xảy ra rủi ro, nghĩa là u

( , ) : u T P U { t 0

   với một t nào đó T}, Tương tự như đã xét trên, T u  t1 có nghĩa là: Trước thời kỳ t, rủi ro chưa xảy ra, tức là tại thời kỳ t

Nhận xét 2.1 ( , )u t là hàm không giảm theo t và không tăng theo u

Cũng như trên, thay cho việc tính xác suất rủi ro trong thời gian hữu hạn ( , )u T , ta sẽ tính xác suất không rủi ro trong thời gian hữu hạn P ( Tu  t  1 ), điều đó được thể hiện trong định lý sau đây

Định lý 2.1 ([2], [5] phần các công trình đã công bố của tác giả)

Giả sử công ty bảo hiểm có vốn ban đầu là u ℕ*

, tại cuối mỗi thời kỳ t (t =1, 2,…), thặng dư của công ty là biến ngẫu nhiên Ut , được thể hiện bởi:

2) Tồn tại số nguyên dương M   sao cho P(Y j  M)1với  j và P ( Xi  M )  1

Hệ quả 2.1 ([2] và [5] phần các công trình đã công bố của tác giả)

Giả sử công ty bảo hiểm có vốn ban đầu là u ℕ*

, tại cuối mỗi thời kỳ t (t =1,2,…), thặng dư của công ty được thể hiện bởi

i i

U

1 1

trong đó X , i Y i tương ứng là tổng số tiền chi ra và tổng số tiền thu được trong thời kỳ thứ

P thì ta có thể lập luận như sau:

Với mọi   0 (có thể nhỏ tùy ý), tồn tại M sao cho: P(Y1  M),khi đó ta có công thức gần đúng cho xác suất trong (2.10) như sau:

1 2 2 0

M = 10

Dãy q: 0.93159240 0.06819402 0.00008155 0.00000410 0.00012399 0.00000385 0.00000000 0.00000000 0.00000005 0.000000004

Dãy p: 0.44511175 0.27795150 0.09868925 0.12949805 0.02708238 0.02034434 0.00100900 0.00002661 0.00005986 0.00022724

ta thu được kết quả cho trong bảng sau :

Nhận xét 2.4 Trong phần trên, chúng tôi đã đưa ra được công thức tính chính xác xác suất không rủi

ro (không rủi ro), thời gian hữu hạn cho mô hình rủi ro rời rạc, khi dãy tiền thu và chi trả bảo hiểm là dãy biến ngẫu nhiên nhận giá trị nguyên, không âm, độc lập, có phân phối bất kỳ Trong phần kế tiếp, chúng tôi tiếp tục mở rộng công thức tính chính xác xác suất không rủi ro trong thời gian hữu hạn ở định lý 2.1, cho mô hình rủi ro rời rạc, khi dãy tiền thu và chi trả bảo hiểm là phụ thuộc Markov 2.1.2 Công thức tính chính xác xác suất rủi ro cho mô hình rủi ro khi các dãy tiền thu và chi trả bảo hiểm là các dãy biến ngẫu nhiên phụ thuộc Markov

Định lý 2.2 ([3],[5] phần các công trình đã công bố của tác giả)

Giả sử công ty bảo hiểm có vốn ban đầu là u ℕ*

, tại cuối mỗi thời kỳ ( t 1, 2 ), thặng dư của công ty được thể hiện bởi công thức sau

i i

U

1 1

, trong đó X ,i Yi tương ứng là tổng số tiền chi ra và tổng số tiền thu được của công ty bảo hiểm trong thời kỳ thứ i i ,  1, 2, , t

3) Quá trình thu bảo hiểm ( Yi)i1 là xích Markov rời rạc, thuần nhất, nhận giá trị nguyên, không âm với phân phối ban đầu P ( Y1  k )  qk,

0

M k k

i i

U

1 1

, trong đó, dãy tiền chi trả bảo hiểm X1, , Xt và dãy tiền thu bảo hiểm Y1, , Yt là dãy biến ngẫu nhiên nhận giá

trị dương (không nhất thiết phải nguyên), độc lập, cùng phân phối và chỉ nhận hữu hạn giá trị (là sự

mở rộng của định lý 2.1), ta có thể sử dụng định lý 2.3 dưới đây

Chú ý 2.1 Gần đây, các tác giả Bùi Khởi Đàm và Phùng Duy Quang (xem [11]) đã phát triển kỹ thuật

chứng minh, tổng quát hóa kết quả của chúng tôi và thu được công thức tính chính xác xác suất rủi ro khi có tác động của yếu tố lãi suất

Định lý 2.3 ([1], phần các công trình đã công bố của tác giả)

Giả sử công ty bảo hiểm có vốn ban đầu là u ℕ*, tại cuối mỗi chu kỳ t ℕ*, thặng dư của công ty

là biến ngẫu nhiên Ut , được thể hiện bởi:

 , là dãy biến ngẫu nhiên độc lập, cùng phân phối, nhận

các giá trị dương trong tập hữu hạn G Y y y1, 2, ,y N(0 y1y2  y N), hơn nũa dãy