Modeliranje ekstremnih škod: NHPP in dinamični pristopi

Uvod v dinamično modeliranje frekvence škod: Zakaj NHPP?

V svetu zavarovalništva se pogosto srečujemo z izzivom modeliranja dogodkov, ki se ne pojavljajo z enako frekvenco skozi čas. Klasični homogeni Poissonov proces (HPP) predpostavlja konstantno stopnjo pojavljanja dogodkov (intenzivnost), kar je v mnogih realnih scenarijih, še posebej pri ekstremnih škodah, nerealno. Vplivi, kot so sezonske spremembe, dolgoročni trendi (npr. podnebne spremembe, spremembe v zakonodaji ali tehnologiji) in ciklični vzorci, lahko bistveno vplivajo na pogostost škodnih dogodkov. Na primer, prometne nesreče so pogostejše v določenih obdobjih leta (poletje, prazniki), nekatere naravne nesreče pa so izrazito sezonske. Prav tako se s časom lahko spreminja izpostavljenost tveganju zaradi demografskih sprememb ali spremenjenih navad.

Tu pride do izraza nehomogeni Poissonov proces (NHPP), ki omogoča, da se stopnja pojavljanja dogodkov, imenovana intenzivnostna funkcija λ(t), spreminja v odvisnosti od časa t. To nam omogoča, da zgradimo robustnejše in realističnejše modele, ki bolje odražajo dejansko dinamiko tveganj. Cilj te strokovne objave je podrobno predstaviti matematični okvir NHPP, metode za ocenjevanje parametrov intenzivnostne funkcije in, kar je ključnega pomena za obvladovanje ekstremnih tveganj, integracijo NHPP s teorijo ekstremnih vrednosti (EVT). Le tako lahko namreč celovito obravnavamo tako pogostost kot tudi resnost izjemnih dogodkov, ki lahko imajo katastrofalne posledice za posameznike in zavarovalnice.

Matematični okvir nehomogenih Poissonovih procesov (NHPP)

NHPP je stohastični proces štetja {N(t), t ≥ 0}, ki šteje število dogodkov v časovnem intervalu [0, t]. Ključna razlika od HPP je v tem, da je pričakovano število dogodkov odvisno od časa in se izračuna z integralom intenzivnostne funkcije λ(t). Kumulativna intenzivnostna funkcija Λ(t) je definirana kot Λ(t) = ∫₀ᵗ λ(u) du. Število dogodkov v kateremkoli intervalu (t₁, t₂] sledi Poissonovi porazdelitvi s parametrom Λ(t₂) - Λ(t₁). Torej, P(N(t₂) - N(t₁) = k) = [(Λ(t₂) - Λ(t₁))ᵏ * exp(-(Λ(t₂) - Λ(t₁)))] / k!, za k = 0, 1, 2, .... Dogodki so neodvisni. Intenzivnostna funkcija λ(t) je pozitivna in merljiva funkcija časa, ki odraža trenutno 'hitrost' pojavljanja dogodkov.

Izbira ustrezne oblike intenzivnostne funkcije je osrednjega pomena pri modeliranju NHPP. Pogosto se uporabljajo parametrične oblike, kot so eksponencialne funkcije za trende (npr. λ(t) = exp(α + βt)), polinomske funkcije (npr. λ(t) = α + βt + γt²) ali sezonske funkcije (npr. λ(t) = α + β sin(2πt/T) + γ cos(2πt/T)), kjer T predstavlja dolžino sezone, npr. 12 mesecev za letni cikel. Prav tako so priljubljeni Weibullovi procesi, kjer je λ(t) = (β/η) * (t/η)^(β-1) * exp(λ * t^β), ki omogočajo modeliranje procesov s staranjem ali pomlajevanjem. Neparametrične metode, kot so jedrne ocene (kernel density estimation), prav tako omogočajo fleksibilno oceno λ(t) brez vnaprejšnjih predpostavk o njeni obliki, vendar zahtevajo več podatkov.

Metode za oceno parametrov intenzivnostne funkcije

Za ocenjevanje parametrov intenzivnostne funkcije λ(t) v NHPP so na voljo različne statistične metode. Najpogostejša je metoda maksimalnega verjetja (MLE). Funkcija verjetja za NHPP, kjer opazujemo n dogodkov v časovnem intervalu [0, T] ob časih t₁, t₂, ..., tₙ, je L(θ) = (∏ᵢ₌₁ⁿ λ(tᵢ; θ)) * exp(-Λ(T; θ)), kjer je θ vektor parametrov intenzivnostne funkcije. Cilj MLE je najti vrednosti parametrov θ, ki maksimizirajo to funkcijo verjetja. To običajno vključuje reševanje sistema nelinearnih enačb z iterativnimi numeričnimi metodami, kot je Newton-Raphsonov algoritem. Asimptotične lastnosti MLE, kot sta konsistentnost in asimptotična normalnost, zagotavljajo zanesljivost ocen pri velikih vzorcih podatkov.

Poleg MLE se uporabljajo tudi druge metode, kot so metode najmanjših kvadratov (splošno manj primerne za procese štetja), momenti ali Bayesove metode. Bayesove metode omogočajo vključitev predhodnega znanja o parametrih in so še posebej uporabne, ko so podatkovni nabori majhni ali ko obstajajo močne strokovne ocene. Pri kompleksnih oblikah intenzivnostne funkcije lahko pride do težav s konvergenco in identifikacijo parametrov, zato sta pomembni predhodna analiza podatkov in skrbna izbira oblike λ(t). Validacija modela, npr. s pomočjo Kolmogorova-Smirnova testov ali testov z naključnimi residuali, je ključnega pomena za preverjanje ustreznosti izbranega modela in ocenjenih parametrov. Na primer, če opazimo število škod N = 100 v letu s sezonsko komponento, bomo ocenili koeficiente sinusnih in kosinusnih funkcij ter njihovega osnovnega trenda, ki najbolje opišejo ta vzorec pojavljanja škod.

Dinamični pristopi in sezonske prilagoditve: Primeri modelov

Dinamični pristopi pri modeliranju NHPP se osredotočajo na zajemanje časovno odvisne narave frekvence škod. Eden izmed pogostih pristopov je uporaba periodičnih funkcij za modeliranje sezonskih vplivov. Na primer, intenzivnostno funkcijo λ(t) lahko izrazimo kot λ(t) = exp(β₀ + β₁t + β₂sin(2πt/12) + β₃cos(2πt/12)), kjer so β₀, β₁, β₂, β₃ parametri, ki jih je treba oceniti. Tukaj parameter β₁ zajema linearni trend, medtem ko β₂ in β₃ skupaj modelirata letni (12-mesečni) sezonski cikel. Takšen model omogoča, da se osnovna stopnja pojavljanja škod linearno povečuje ali zmanjšuje skozi čas, hkrati pa superponira periodična nihanja, ki so značilna za sezonske pojave.

Drugi pristopi vključujejo uporabo netočnih intenzivnostnih funkcij ali modelov s spremenljivimi koeficienti. Na primer, lahko uporabimo λ(t) = λ₀(t) * g(t, X), kjer je λ₀(t) osnovna intenzivnost, g(t, X) pa funkcija, ki vključuje eksplanatorne spremenljivke X, kot so vremenski pogoji, ekonomski kazalniki ali spremembe v prometni zakonodaji. Za dolgoročne napovedi se lahko uporabijo tudi modeli s spremenljivimi trendi ali modeli z diskretnimi spremembami intenzivnosti ob določenih dogodkih (npr. sprememba zavarovalnih pogojev ali uvedba novega varnostnega standarda). Izbira modela je odvisna od razpoložljivih podatkov in specifične narave tveganja, ki ga modeliramo. Na primer, pri modeliranju poplavnih škod bi vključili parametre, ki so povezani z letnimi padavinami in hidrografskimi podatki, pri čemer bi lahko opazili povečanje frekvence škod v določenih mesecih zaradi taljenja snega ali intenzivnih poletnih neviht.

Integracija NHPP s Teorijo ekstremnih vrednosti (EVT)

Medtem ko NHPP učinkovito modelira frekvenco pojavljanja škodnih dogodkov, ne obravnava njihove magnitude. Za celovito razumevanje tveganja, še posebej pri ekstremnih škodah, je nujna integracija s teorijo ekstremnih vrednosti (EVT). EVT se ukvarja z obnašanjem skrajnih vrednosti in ponuja robustne metode za modeliranje porazdelitve resnosti škod, ki presegajo določen visok prag. Najpogosteje se uporabljata dva pristopa: blok-maksima in prekoračitve praga (Peaks Over Threshold – POT). POT pristop je pogosto bolj učinkovit, saj izkorišča več podatkov in omogoča modeliranje prekoračitev praga s posplošeno Pareto porazdelitvijo (GPD). Funkcija porazdelitve GPD je G(x; ξ, σ) = 1 - (1 + ξx/σ)^(-1/ξ) za x ≥ 0 (če je ξ ≠ 0) in G(x; ξ, σ) = 1 - exp(-x/σ) za x ≥ 0 (če je ξ = 0), kjer je ξ parameter oblike in σ parameter skale.

Integracija NHPP in EVT poteka tako, da NHPP modelira število dogodkov, ki presegajo določen prag, medtem ko EVT modelira velikost teh prekoračitev. Recimo, da imamo N(t) dogodkov, ki so presegli prag u v časovnem intervalu [0, t]. Število teh dogodkov N(t) lahko modeliramo z NHPP z intenzivnostno funkcijo λᵤ(t), ki se lahko razlikuje od celotne intenzivnosti λ(t), saj se lahko frekvenca ekstremnih dogodkov obnaša drugače. Nato vsako od teh N(t) škod modeliramo z GPD. Celotna porazdelitev kumulativne škode S(t) v intervalu [0, t] se lahko nato pridobi s konvolucijo (sestavljanjem) teh dveh modelov, pogosto s pomočjo Monte Carlo simulacij. To nam omogoča oceno verjetnosti, da bo kumulativna škoda presegla določeno vrednost v danem časovnem obdobju, kar je ključno za določanje kapitalnih zahtevkov in cenitev zavarovalnih produktov. Na primer, pri modeliranju ekstremnih škod zaradi toče bo NHPP modeliral pogostost dogodkov toče z določeno intenzivnostjo (npr. nad 2 cm premera), EVT pa bo modeliral porazdelitev škode, ki jo takšna toča povzroči.

Praktični primeri izračunov in interpretacija dinamike tveganja

Predpostavimo, da imamo podatke o mesečnem številu škodnih dogodkov v zvezi s prometnimi nesrečami na določenem avtocestnem odseku v Sloveniji za obdobje 5 let. Želimo modelirati frekvenco teh dogodkov z NHPP, ki vključuje sezonsko komponento in potencialni linearni trend. Uporabimo intenzivnostno funkcijo oblike λ(t) = exp(β₀ + β₁t + β₂sin(2πt/12) + β₃cos(2πt/12)), kjer je t čas v mesecih. Z metodo maksimalnega verjetja (MLE) ocenimo parametre. Recimo, da smo dobili naslednje ocenjene vrednosti: β̂₀ = 2.5, β̂₁ = 0.005, β̂₂ = -0.3, β̂₃ = 0.2. Interpretacija: β̂₀ = 2.5 pomeni osnovno log-intenzivnost; exp(2.5) ≈ 12.18 dogodkov mesečno, če ni trenda in sezonskosti. β̂₁ = 0.005 kaže na pozitiven trend, kar pomeni povprečno 0.5 % mesečno povečanje števila škod skozi opazovano obdobje. Parametra β̂₂ in β̂₃ pa kažeta na sezonskost, kjer je na primer pričakovano število škod višje poleti in nižje pozimi. Izračunamo lahko pričakovano število škod za določen mesec, npr. za julij (t = 7, 19, 31, ...), kjer bo sin(2πt/12) blizu 1 in cos(2πt/12) blizu 0, kar bo povzročilo povečanje intenzivnosti.

Za interpretacijo dinamike tveganja izračunamo pričakovano število škod za prihodnje obdobje. Recimo, da želimo napovedati število škod za naslednje leto (mesece 61 do 72). S pomočjo ocenjenih parametrov izračunamo λ(t) za vsak mesec in nato kumulativno intenzivnost Λ(t). Če je Λ(72) - Λ(60) = 150, to pomeni, da v prihodnjem letu pričakujemo 150 škodnih dogodkov. Nadalje, s pomočjo EVT lahko modeliramo tudi resnost teh škod. Če je recimo prag za ekstremno škodo določen na 10.000 EUR, bomo z NHPP modelom, ki je prilagojen za ekstremne škode nad tem pragom, določili, da pričakujemo, recimo, 5 takšnih dogodkov v letu. Z GPD, ki smo jo kalibrirali na pretekle ekstremne škode nad 10.000 EUR, pa določimo, da je 99-odstotni kvantil za te škode, recimo, 50.000 EUR. To nam omogoča, da ocenimo potencialno izgubo, na primer: če je 5 dogodkov z 99 % kvantilom 50.000 EUR, lahko simuliramo portfelj za potencialni scenarij visoke skupne škode. Takšna analiza je ključna za določanje optimalne kapitalske rezerve in oblikovanje zavarovalnih produktov. To so primeri izračunov, ki služijo zgolj ilustraciji in niso dejanski statistični podatki.

Kaj je krito in kaj ni krito: Povezava z zavarovanjem

Čeprav je modeliranje NHPP in EVT kompleksna matematična zadeva, ima neposredne posledice za zavarovalno kritje. Pri modeliranju frekvence in resnosti škod na podlagi NHPP in EVT zavarovalnice določajo premije in obseg kritja. Zavarovalna polica za nezgode, na primer, običajno krije naslednje dogodke, ki jih lahko modeliramo s tovrstnimi pristopi:

Krito je:

1. Smrt kot posledica nezgode.

2. Trajna invalidnost kot posledica nezgode, običajno glede na odstotek invalidnosti, določen v medicinskem izvedenskem mnenju.

3. Začasna nezmožnost za delo (dnevnice) kot posledica nezgode, običajno za določeno število dni po poteku karenčne dobe.

4. Stroški zdravljenja in okrevanja, kot so bolnišnični stroški, stroški zdravil, rehabilitacije (v določenem obsegu in časovnem okviru).

5. Zlomi, opekline, izpahi in drugi telesni zlomi, ki so jasno opredeljeni v zavarovalnih pogojih in so nastali kot posledica nezgode.

Krito ni:

1. Škoda, ki ni neposredno posledica nezgode, ampak kroničnih bolezni ali obstoječih zdravstvenih stanj (razen če je to specifično določeno kot kritje).

2. Škoda, nastala pod vplivom alkohola ali prepovedanih drog, ali namerna samopoškodba.

3. Škoda, ki nastane med izvajanjem nevarnih aktivnosti, ki niso bile predhodno prijavljene in odobrene s strani zavarovalnice (npr. ekstremni športi, vojaške operacije).

4. Posledice vojn, terorističnih dejanj ali naravnih katastrof, če te niso posebej vključene v kritje (npr. potresi, poplave, če polica ne vključuje kritja za naravne nesreče).

5. Poškodbe, ki nastanejo kot posledica malomarnosti ali neupoštevanja varnostnih predpisov, če je to izrecno navedeno v izključitvah. Zavarovalnice uporabljajo te modele za oceno verjetnosti posameznih dogodkov in posledičnih škod, kar vpliva na določanje primernih premij in obsega kritja v splošnih in posebnih pogojih zavarovanj. Pomembno je razumeti, da so pogoji zavarovanja specifični za vsako zavarovalnico in jih je treba natančno prebrati pred sklenitvijo pogodbe. To je strokovno priporočilo, ne zakonodaja ali pogoji posamezne zavarovalnice.

Primer iz prakse: Modeliranje škod zaradi žledoloma in integracija z EVT

V zavarovalniškem svetu smo se pred leti soočali z izjemnim žledolomom, ki je povzročil obsežne škode na infrastrukturi in premoženju po vsej Sloveniji. Takšen dogodek je odličen primer ekstremne škode, pri katerem je uporaba NHPP in EVT ključna. Pred žledolomom so zavarovalnice morda imele model, ki je temeljil na HPP in ocenjeval povprečno število škod zaradi žledoloma kot konstantno. Vendar pa so analize po dogodku pokazale, da intenzivnost žledoloma ni homogena in se spreminja skozi čas, predvsem zaradi podnebnih sprememb in dolgoročnih trendov, ki povečujejo verjetnost ekstremnih zimskih pojavov. Prav tako so bile škode izjemno visoke, kar je zahtevalo modeliranje z EVT.

Zavarovalnica A je po dogodku revidirala svoje modele. Z uporabo podatkov za zadnjih 30 let o žledolomih in povezanih škodah so zgradili NHPP model, kjer je intenzivnostna funkcija λ(t) vključevala linearni trend in sezonsko komponento (višja verjetnost v zimskih mesecih). Linearni trend je pokazal statistično značilno povečanje frekvence žledolomov skozi čas. Za resnost škod so uporabili EVT (POT pristop), pri čemer so modelirali prekoračitve praga 5.000 EUR z GPD. Integracija teh dveh modelov jim je omogočila, da so izboljšali ocene verjetnosti, da se bo pojavil žledolom določene intenzivnosti, in kakšna bo pričakovana skupna škoda. Na podlagi teh novih spoznanj so prilagodili premije za določene regije, ki so bile bolj izpostavljene tveganju žledoloma, in ponudili nova kritja za specifične tipe škod, npr. za kmetijstvo. Ta pristop je omogočil boljše upravljanje s kapitalskimi rezervami in zmanjšanje izpostavljenosti nepričakovanim velikim škodam, kar je dolgoročno prispevalo k finančni stabilnosti zavarovalnice.

Omejitve in izzivi NHPP modeliranja

Kljub svoji robustnosti in fleksibilnosti ima modeliranje z NHPP določene omejitve in izzive. Eden glavnih izzivov je izbira ustrezne oblike intenzivnostne funkcije λ(t). Napačna izbira funkcije lahko vodi do pristranskih ocen parametrov in slabih napovedi. To še posebej velja, ko so podatkovni nabori majhni ali ko se dinamika procesa hitro spreminja. Preveč kompleksna intenzivnostna funkcija lahko povzroči preveliko prilagajanje (overfitting) podatkov in slabo generalizacijo na nove podatke, medtem ko preveč preprosta funkcija ne bo zajela vseh pomembnih vzorcev. Prav tako je ocena parametrov lahko računalniško intenzivna, še posebej pri uporabi neparametričnih metod ali pri velikih podatkovnih naborih.

Drugi pomemben izziv je predpostavka neodvisnosti dogodkov v Poissonovih procesih. V nekaterih primerih, npr. pri zaporednih škodnih dogodkih, ki so posledica istega dogodka (npr. poplave, ki sprožijo zemeljske plazove), se dogodki ne pojavljajo neodvisno. V takšnih situacijah bi bili bolj primerni razširjeni Poissonovi procesi, kot so Coxovi procesi ali GARCH modeli za štetje, ki omogočajo zajemanje odvisnosti. Poleg tega je pomembna kakovost vhodnih podatkov – nepopolni ali netočni podatki lahko bistveno vplivajo na zanesljivost modela. Končno, integracija z EVT dodaja dodatno kompleksnost, saj je treba skrbno izbrati prag za EVT analizo in oceniti parametre GPD, kar zahteva specializirano strokovno znanje. Vsi ti dejavniki zahtevajo skrbno validacijo in preverjanje modela pred njegovo uporabo v praksi.

Prihodnje smeri in umetna inteligenca

Razvoj na področju stohastičnih procesov in umetne inteligence (UI) odpira nove možnosti za naprednejše modeliranje frekvence ekstremnih škod. Zlasti se napoveduje, da bodo metode strojnega učenja (ML), kot so nevronske mreže in globoko učenje, igrale vse pomembnejšo vlogo pri modeliranju kompleksnih intenzivnostnih funkcij, ki jih je težko zajeti s tradicionalnimi parametričnimi pristopi. ML modeli lahko zajamejo nelinearne odnose in interakcije med številnimi eksplanatornimi spremenljivkami, kar omogoča bolj natančne napovedi frekvence škod. Na primer, lahko se uporabijo za prepoznavanje vzorcev v zelo kompleksnih podatkovnih naborih, ki vključujejo geografske, demografske, ekonomske in vremenske podatke.

Poleg tega se pričakuje, da se bo izboljšala integracija med različnimi statističnimi modeli. Hibridni pristopi, ki združujejo moč NHPP za modeliranje osnovne dinamike in sposobnost ML modelov za zajemanje kompleksnih nelinearnih vplivov, imajo velik potencial. Nadaljnji razvoj bo verjetno vključeval tudi uporabo velikih podatkov (Big Data) in obdelavo podatkov v realnem času, kar bo zavarovalnicam omogočilo hitrejše prilagajanje na spreminjajoče se tveganje. Uporaba UI in naprednih analitičnih tehnik bo omogočila bolj natančno določanje premij, boljše upravljanje s portfeljem in inovativno oblikovanje zavarovalnih produktov, kar bo prispevalo k večji stabilnosti in konkurenčnosti zavarovalnega sektorja. Vendar pa bo še naprej ključnega pomena transparentnost in razumljivost modelov, še posebej pri regulativnih zahtevah.

Zaključek: Pomen naprednega modeliranja za stabilnost zavarovalnega sektorja

Aplikacija nehomogenih Poissonovih procesov za modeliranje frekvence ekstremnih škod predstavlja bistven korak naprej v aktuarski znanosti in upravljanju tveganj. Z možnostjo prilagajanja intenzivnosti pojavljanja škod skozi čas, upoštevanjem sezonskih vplivov in dolgoročnih trendov NHPP omogoča zavarovalnicam bolj realistično in natančno oceno tveganj. V kombinaciji s teorijo ekstremnih vrednosti (EVT) je mogoče celovito modelirati tako frekvenco kot tudi resnost ekstremnih dogodkov, kar je ključnega pomena za vzdrževanje kapitalske ustreznosti in finančne stabilnosti zavarovalnega sektorja, še posebej v luči naraščajočih in spreminjajočih se tveganj (npr. podnebne spremembe, kibernetska tveganja).

Razumevanje in implementacija teh naprednih statističnih modelov ni zgolj akademska vaja, temveč neposredno vpliva na učinkovitost delovanja zavarovalnic, cenitev produktov in sposobnost izplačevanja škod v kritičnih trenutkih. To znanje mi omogoča, da vam kot zavarovalni strokovnjakinji ponudim bolj utemeljene nasvete in prilagojene rešitve. Ne morem nadzorovati, kdaj se bo pojavila ekstremna škoda, lahko pa vam pomagam pri razumevanju, modeliranju in obvladovanju tveganj. Za poglobljen pogovor o tem, kako lahko napredni pristopi k modeliranju tveganja optimizirajo vaše zavarovalne rešitve, me kontaktirajte. Z veseljem delim svoje znanje in izkušnje z vami.

Pogosta vprašanja

Kaj je glavna razlika med HPP in NHPP?

Glavna razlika je v intenzivnostni funkciji. HPP predpostavlja konstantno stopnjo pojavljanja dogodkov skozi čas, medtem ko NHPP omogoča, da se ta stopnja (intenzivnostna funkcija λ(t)) spreminja v odvisnosti od časa, s čimer zajame trende in sezonskost.

Zakaj je pomembna integracija NHPP z EVT?

NHPP modelira le frekvenco dogodkov. EVT pa modelira resnost (magnitude) ekstremnih dogodkov. Integracija obeh omogoča celovito oceno tako pogostosti kot tudi potencialne velikosti škod, kar je ključno za upravljanje tveganj.

Ali lahko NHPP predvidi prihodnje škodne dogodke?

NHPP ne predvideva posameznih dogodkov, ampak ocenjuje pričakovano frekvenco dogodkov v določenem časovnem intervalu. Z uporabo ocenjene intenzivnostne funkcije lahko napovemo povprečno število dogodkov v prihodnosti ob upoštevanju preteklih trendov in sezonskosti.

Kateri dejavniki vplivajo na izbiro intenzivnostne funkcije λ(t)?

Izbira je odvisna od narave podatkov in tveganja. Dejavniki vključujejo prisotnost trendov (linearni, eksponencialni), sezonskosti (mesečna, letna), cikličnosti ter vpliv zunanjih eksplanatornih spremenljivk (npr. vreme, ekonomske razmere, zakonodaja).

Kako vpliva na zavarovalne premije?

Natančnejše modeliranje frekvence in resnosti škod z NHPP in EVT omogoča zavarovalnicam bolj precizno oceno tveganja. To vodi do bolj optimalnega določanja premij, ki bolje odražajo dejansko izpostavljenost tveganju, kar je koristno tako za zavarovance kot za zavarovalnice.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za aktuarsko funkcijo
• J. Grandell, 'Mixed Poisson Processes', Chapman & Hall/CRC, 1997.
• S. I. Resnick, 'Extreme Values, Regular Variation and Point Processes', Springer, 2007.

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Kreditno življenjsko zavarovanje in FURS: Obdavčitev izplačil za zunajzakonske partnerje

• 
  Primer: Tehnični vpogledi

  Šolsko nezgodno zavarovanje vs. individualna otroška polica

• 
  Primer: Tehnični vpogledi

  Zavarovanje izpada dohodka za s.p. in uskladitev polic z inflacijo

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Davčna obravnava izplačila za hudo bolezen in uporaba sredstev