Robustna estimacija ekstremnih škod: Izzivi in napredne rešitve

Uvod v izzive modeliranja ekstremnih škod

Kot strokovnjakinja z bogatimi izkušnjami v zavarovalništvu se zavedam, da je modeliranje ekstremnih škod ključnega pomena za stabilnost in konkurenčnost vsake zavarovalnice. Ekstremni dogodki, kot so naravne katastrofe, velike nesreče ali obsežni škodni primeri, se sicer pojavljajo redko, vendar imajo lahko katastrofalne finančne posledice. Njihovo natančno predvidevanje in vrednotenje je temelj za oblikovanje ustreznih rezervacij, določanje premij in zagotavljanje solventnosti zavarovalnice, kar je v Sloveniji regulirano z Zakonom o zavarovalništvu (ZZavar-1) in nadzorom Agencije za zavarovalni nadzor.

Težava nastopi pri samih podatkih. Zavarovalni podatki so pogosto polni 'šuma', med katerim izstopajo outlierji, torej izjemno visoke ali nizke vrednosti, ki se statistično bistveno razlikujejo od večine opazovanj. Poleg tega je število ekstremnih opazovanj po definiciji omejeno, kar pomeni, da delamo z majhnimi vzorci. Klasične statistične metode estimacije parametrov, ki temeljijo na metodi največjega verjetja (MLE) ali metodi momentov (MOM), so v takšnih okoliščinah izjemno občutljive. Posledica je lahko napačna ocena tveganja, kar direktno vpliva na višino zavarovalnih rezervacij in s tem na finančno stabilnost institucije. Cilj te objave je osvetliti, zakaj so robustni pristopi nujni in kako jih lahko implementiramo.

Vzrok za nastanek outlierjev je različen – od napak pri vnosu podatkov do dejanskih, a izjemno redkih dogodkov, ki so statistično gledano 'čudaki'. Ne glede na izvor, njihova prisotnost bistveno izkrivlja standardne mere, kot sta povprečje in standardni odklon, kar posledično vodi do napačnih zaključkov o porazdelitvi škod. Na primer, pri oceni povprečne škode, ki se uporablja za izračun premij, lahko že nekaj ekstremnih dogodkov drastično poviša povprečje in zavarovalnica preceni ali podceni tveganje. Zato je pomembno iskati metode, ki so manj občutljive na takšne anomalije in hkrati učinkovite pri delu z omejenimi podatki.

Ekstremna vrednostna teorija (EVT) in ključne porazdelitve

Ekstremna vrednostna teorija (EVT) je matematično-statistična veja, ki se ukvarja z modeliranjem ekstremnih dogodkov. Ne osredotoča se na povprečne vrednosti, temveč na maksimalne ali minimalne vrednosti v določenih obdobjih. Ključna je za razumevanje 'debelih repov' porazdelitev, ki so značilni za zavarovalniške škode. Dve najpomembnejši porazdelitvi v EVT sta posplošena ekstremna vrednostna porazdelitev (GEV – Generalized Extreme Value) in posplošena Paretova porazdelitev (GPD – Generalized Pareto Distribution). GEV se uporablja za modeliranje blok maksim (npr. največja škoda na leto), GPD pa za modeliranje prekoračitev določenega visokega praga (npr. vse škode nad 100.000 EUR).

Parametri teh porazdelitev – lokacija, skala in oblika – določajo obliko repa in s tem verjetnost pojavljanja ekstremno visokih škod. Natančna estimacija teh parametrov je zato kritična. Na primer, parameter oblike (ξ) pri GPD porazdelitvi je še posebej pomemben, saj določa, ali ima porazdelitev končno ali neskončno varianco, kar ima neposredne implikacije za izračun tveganega kapitala. Če je ξ > 0, porazdelitev kaže 'težke repe', kar pomeni, da so ekstremni dogodki verjetnejši, kot bi pričakovali pri normalni porazdelitvi. To je značilnost številnih zavarovalnih škod, zlasti pri naravnih nesrečah in katastrofalnih dogodkih.

Vendar pa je estimacija teh parametrov izjemno zahtevna, predvsem zaradi omenjenih izzivov: majhnosti vzorcev in prisotnosti outlierjev. Klasična metoda največjega verjetja (MLE) za GEV in GPD porazdelitve sicer ponuja asimptotično optimalne ocene, a se njena učinkovitost drastično zmanjša, ko je število opazovanj majhno ali so prisotni ekstremni odkloni. Tudi majhen odklon v oceni parametra oblike lahko povzroči ogromno razliko v izračunanih ekstremnih kvantilih, kar neposredno vpliva na pravilnost oblikovanja zavarovalnih produktov in solventnostne zahteve po direktivi Solvency II.

Ranljivost klasičnih estimacijskih metod

Tradicionalne metode estimacije, kot sta metoda momentov (MOM) ali metoda največjega verjetja (MLE), so v zavarovalništvu široko uporabljane zaradi svoje matematične preprostosti in asimptotičnih lastnosti. Vendar pa so v praksi, še posebej pri modeliranju ekstremnih škod, izpostavljene resnim pomanjkljivostim. Metoda momentov, ki temelji na izenačevanju teoretičnih in vzorčnih momentov (npr. povprečja in variance), je izjemno občutljiva na outlierje. En sam ekstremni outlier lahko bistveno spremeni vzorčne momente in s tem povzroči popolnoma napačne ocene parametrov porazdelitve.

Podobno, čeprav MLE v teoriji nudi optimalne asimptotične ocene, njena robustnost v prisotnosti majhnih vzorcev in outlierjev hitro upade. Funkcija verjetja je namreč pogosto nekonveksna in ima več lokalnih maksimumov, še posebej pri manjših vzorcih, kar otežuje iskanje globalnega optimuma. Poleg tega se asimptotične lastnosti MLE (npr. konsistentnost, asimptotična normalnost) ne obdržijo dobro v situacijah, ko se število opazovanj ekstremnih dogodkov šteje v desetinah ali celo enotah. To pomeni, da bi lahko z uporabo teh metod podcenili ali precenili tveganje, kar bi imelo resne finančne posledice.

Predstavljajte si, da imate podatke o 30 največjih škodnih dogodkih v zadnjih 10 letih. Že en sam škodni primer, ki je za faktor 10 višji od ostalih, lahko dramatično spremeni oceno povprečne in variančne škode. Če bi to povprečje uporabili za določitev premije, bi bila ta lahko previsoka ali prenizka, kar bi negativno vplivalo na konkurenčnost zavarovalnice ali njeno solventnost. To kaže na nujnost iskanja robustnejših pristopov, ki bi bili manj dovzetni za te dejavnike in bi omogočali zanesljivejše napovedovanje ekstremnih dogodkov, ključnih za zavarovalništvo.

Robustne estimacijske metode: L-momenti

Kot odgovor na ranljivost klasičnih momentov so bili razviti L-momenti (Linear moments). L-momenti so analogi klasičnih momentov, vendar so namesto na potenčnih funkcijah vzorčnih opazovanj osnovani na urejenih statističnih vrednostih (ordered statistics). To jim daje bistveno večjo robustnost na outlierje in boljše lastnosti pri majhnih vzorcih, predvsem zaradi tega, ker so linearna funkcija opazovanj, medtem ko so klasični momenti nelinearni.

Matematično so L-momenti definirani kot linearna kombinacija pričakovanih vrednosti urejenih statističnih podatkov. Medtem ko se klasični momenti lahko izračunajo iz surovih podatkov, L-momenti zahtevajo, da so podatki najprej urejeni po velikosti. Prvi L-moment je enak povprečju, drugi je povezan z variabilnostjo (analog standardnega odklona), tretji z asimetrijo in četrti s sploščenostjo. Ključna prednost je njihova manjša občutljivost na ekstremne vrednosti, saj posamezen outlier manj vpliva na urejene statistike kot na potenčne funkcije. To pomeni, da so ocene parametrov porazdelitve, pridobljene z metodo L-momentov, stabilnejše in zanesljivejše, še posebej pri GEV in GPD porazdelitvah.

Simulacijske študije so pokazale, da so ocene parametrov, pridobljene z metodo L-momentov, pogosto bolj natančne in manj pristranske kot tiste, pridobljene z MLE ali MOM, ko so prisotni outlierji in/ali so vzorci majhni. Poleg tega imajo L-momenti prednost, da za nekatere porazdelitve obstajajo analitične rešitve, kar poenostavi estimacijo. Metoda L-momentov se je izkazala kot izjemno uporabna v hidrologiji, klimatologiji in tudi v zavarovalništvu, kjer je robustnost estimacije ključna za zanesljive napovedi. Uporaba L-momentov predstavlja pomemben korak naprej pri obravnavi zavarovalnih podatkov, kjer so ekstremne vrednosti pravilo in ne izjema.

Bayesovski pristopi za robustnejše ocene

Poleg L-momentov ponujajo Bayesovski pristopi še eno močno orodje za robustno estimacijo parametrov, še posebej v primeru majhnih vzorcev. Ključna prednost Bayesove statistike je sposobnost vključevanja predhodnega znanja (prior information) v proces estimacije. To predhodno znanje se lahko pridobi iz preteklih podatkov, strokovnih mnenj ali teoretičnih predpostavk in se izrazi skozi 'prior' porazdelitve za posamezne parametre.

V nasprotju s klasičnimi (frekventističnimi) pristopi, ki parametre obravnavajo kot fiksne, a neznane konstante, Bayesovski pristopi parametre obravnavajo kot naključne spremenljivke, za katere lahko določimo verjetnostne porazdelitve. Ko se pridobijo novi podatki, se ta 'prior' porazdelitev posodobi v 'posterior' porazdelitev, ki odraža združeno informacijo iz predhodnega znanja in novih podatkov. Ta proces omogoča bolj stabilne in zanesljive ocene parametrov, še posebej ko so podatki omejeni ali šumni.

Pri modeliranju ekstremnih škod, kjer so vzorci majhni in je zanesljivost ocen kritična, je vključitev predhodnega znanja izjemno koristna. Na primer, če vemo, da parameter oblike porazdelitve GPD verjetno leži znotraj določenega intervala (npr. med 0 in 0.5 na podlagi predhodnih študij v panogi), lahko to informacijo vključimo kot prior porazdelitev. To zmanjša negotovost ocen in prepreči, da bi ekstremni outlierji povzročili nerealistične ocene parametrov. Bayesovske metode, pogosto izvedene z Monte Carlo Markov Chain (MCMC) simulacijami, zagotavljajo celotno posteriorno porazdelitev parametrov, iz katere lahko izračunamo ne le točkovne ocene, ampak tudi intervale zaupanja, kar zagotavlja celovitejši vpogled v negotovost modela.

Kvantitativna primerjava učinkovitosti: Simulacijske študije

Za oceno resnične učinkovitosti robustnih estimacijskih tehnik v primerjavi s klasičnimi metodami so ključne simulacijske študije. Te nam omogočajo, da pod kontroliranimi pogoji ustvarimo podatkovne nize z znanimi parametri porazdelitve, dodamo outlierje in simuliramo majhne vzorce. Nato apliciramo različne estimacijske metode (npr. MLE, MOM, L-momente, Bayesovske metode) in primerjamo, kako dobro posamezna metoda oceni resnične parametre porazdelitve. Merila za primerjavo vključujejo pristranskost ocen (bias), srednjo kvadratično napako (MSE – Mean Squared Error) in intervale zaupanja.

Na primer, v eni takšni simulacijski študiji, kjer se generirajo podatki iz GPD porazdelitve z znanimi parametri (npr. skala 100, oblika 0.2), se v vzorec vključi 5 % outlierjev (npr. naključno povišanje nekaterih vrednosti za faktor 5 ali 10). Simulacija se ponovi tisočkrat. Ugotovitve so dosledne: medtem ko MLE in MOM izkažeta visoko pristranskost in MSE v prisotnosti outlierjev in majhnih vzorcev, L-momenti in Bayesovske metode (s primerno izbranim priorjem) zagotavljajo bistveno bolj stabilne in natančne ocene. Pristranskost je manjša, intervali zaupanja so ožji in pokritost (angl. coverage) resničnih parametrov je višja.

Tabelarični prikaz učinkovitosti (informativni primer, ne dejanski podatki):

| Metoda Estimacije | Povprečna pristranskost (oblika) | MSE (oblika) | Pokritost 95% IZ |

|-------------------|---------------------------------|--------------|------------------|

| MLE | 0.15 | 0.08 | 65% |

| MOM | 0.22 | 0.12 | 55% |

| L-momenti | 0.03 | 0.02 | 92% |

| Bayes (informativni prior)| 0.02 | 0.01 | 95% |

Kot je razvidno iz tega ilustrativnega primera, L-momenti in Bayesovi pristopi znatno prekašajo klasične metode. To je ključnega pomena za napovedovanje ekstremnih kvantilov, kot so VaR (Value at Risk) ali TVaR (Tail Value at Risk), ki so kritični za izračun kapitalskih zahtev zavarovalnic. Natančnejše ocene parametrov pomenijo zanesljivejše napovedi ekstremnih kvantilov, kar direktno vpliva na solventnost in finančno zdravje zavarovalnice.

Vpliv na napovedovanje ekstremnih kvantilov

Natančna estimacija parametrov porazdelitev ekstremnih škod ni le akademska vaja, temveč ima neposredne in otipljive posledice za finančno stabilnost zavarovalnice. Glavni cilj modeliranja ekstremnih škod je namreč napovedovanje ekstremnih kvantilov, kot sta VaR (Value at Risk) in TVaR (Tail Value at Risk). VaR na določeni stopnji zaupanja (npr. 99,5 %) predstavlja maksimalno pričakovano izgubo v določenem časovnem obdobju (npr. eno leto), medtem ko TVaR meri povprečno izgubo, ki presega VaR, kar omogoča bolj celovito oceno tveganja 'debelih repov'.

Nepravilno ocenjeni parametri porazdelitve zaradi neustreznih estimacijskih metod lahko vodijo do napačnih izračunov VaR in TVaR. Če podcenimo tveganje (npr. zaradi podcenjevanja parametra oblike porazdelitve, ki določa 'debelino repa'), bodo izračunane kapitalske zahteve prenizke. To lahko pomeni, da zavarovalnica v primeru ekstremnega škodnega dogodka ne bo imela dovolj kapitala za pokritje obveznosti, kar je v nasprotju z Zakonom o zavarovalništvu (ZZavar-1) in lahko ogrozi njeno poslovanje in zaupanje strank. Po drugi strani, pretirano konservativna ocena tveganja (precenjevanje) lahko vodi do previsokih kapitalskih zahtev, kar zmanjšuje konkurenčnost zavarovalnice in donosnost kapitala.

Uporaba robustnih metod, kot so L-momenti in Bayesovi pristopi, zagotavlja bolj zanesljive in stabilne ocene parametrov, kar se neposredno odraža v natančnejših napovedih ekstremnih kvantilov. To omogoča zavarovalnicam, da optimizirajo svoje kapitalske rezerve, določijo ustrezne premije in učinkovito upravljajo s tveganji. S tem se zagotavlja dolgoročna stabilnost poslovanja in zanesljivost za zavarovance, saj je zavarovalnica bolje pripravljena na nepredvidene, a potencialno katastrofalne dogodke. Natančnost pri teh izračunih je zame kot strokovnjakinjo na področju zavarovalništva neprecenljiva, saj direktno vpliva na varnost in zanesljivost zavarovalnega kritja, ki ga ponujamo.

Praktični primer: Izračun rezervacij za katastrofalne škode

Poglejmo si praktičen primer iz prakse, brez navajanja pravih imen seveda. Zavarovalnica XY je pred leti modelirala rezervacije za katastrofalne škode (npr. obsežne poplave) na podlagi podatkov iz zadnjih 20 let. Uporabili so klasično metodo MLE za estimacijo parametrov GPD porazdelitve, ki je modelirala presežne škode nad določenim pragom. V podatkovnem nizu je bil en izjemen škodni dogodek, ki je bil bistveno višji od vseh ostalih, verjetno posledica redkega, a uničujočega neurja.

Zaradi prisotnosti tega ekstremnega outlierja je metoda MLE precenila parameter oblike (ξ), kar je pomenilo, da so bili 'repi' porazdelitve ocenjeni kot težji, kot so dejansko bili. Posledica je bila, da je zavarovalnica izračunala bistveno višje kapitalske zahteve in rezervacije za te katastrofalne dogodke, kot bi bilo potrebno. To je pomenilo, da je bil del kapitala po nepotrebnem vezan v rezervacijah, kar je zmanjšalo donosnost naložb in omejilo možnosti za razvoj novih produktov ter konkurenčnega nastopa na trgu.

Ko so kasneje uporabili robustnejšo metodo L-momentov in Bayesov pristop z informativnim priorjem (ki je temeljil na splošnih spoznanjih o porazdelitvah naravnih katastrof v regiji), so ugotovili, da je parameter oblike dejansko nižji. Revidirane ocene parametrov so vodile do zmanjšanja ocenjenih kapitalskih zahtev za približno 15 % (informativni primer). To ni pomenilo zmanjšanja varnosti, ampak optimizacijo, saj je bila ocena sedaj bližje resničnemu tveganju. Sprostitev dela kapitala je omogočila zavarovalnici, da ga preusmeri v donosnejše naložbe in razvoj, hkrati pa ohrani visoko raven solventnosti in zanesljivosti za svoje stranke. Ta primer jasno ponazarja, da robustne estimacijske metode niso le teoretične izboljšave, temveč prinašajo konkretne finančne koristi in izboljšujejo upravljanje tveganj v praksi.

Kaj je krito in kaj ni krito pri ekstremnih škodnih dogodkih?

Pri razumevanju ekstremnih škodnih dogodkov je ključno razločiti med teoretičnim modeliranjem in dejanskim kritjem zavarovalnih polic. Modeliranje ekstremnih škod je osnova za finančno načrtovanje zavarovalnic, medtem ko konkreten obseg kritja določajo zavarovalni pogoji posamezne police. Pomembno je razumeti, da splošna zakonodaja, kot je ZZavar-1, določa le okvire poslovanja zavarovalnic, ne pa konkretnih kritij. Ta so odvisna od izbranega produkta in pogojev posamezne zavarovalnice.

**Kaj je običajno krito (ob upoštevanju specifičnih pogojev police):**

1. **Materialna škoda zaradi naravnih nesreč:** Poplave, potresi, neurja, toča, plazovi (kritje je odvisno od specifičnega paketa in vključenosti kritja naravnih sil). Kritje mora biti izrecno navedeno v polici.

2. **Škoda zaradi požara in eksplozije:** Uničenje premoženja zaradi požara, strele, eksplozije.

3. **Škoda zaradi vloma in ropa:** Izguba premoženja zaradi kaznivih dejanj.

4. **Odgovornost za škodo tretjim osebam:** Finančne obveznosti, ki nastanejo zaradi škode, povzročene drugim (npr. škoda na sosedovi hiši zaradi izliva vode iz naše inštalacije).

5. **Nezgodno zavarovanje:** Poškodbe, trajne posledice, invalidnost ali smrt zaradi nezgode (npr. prometna nesreča, padec). Običajno vključuje tudi stroške zdravljenja, če ni kritja iz obveznega zdravstvenega zavarovanja.

**Kaj običajno ni krito (primeri izključitev, ki so določene v zavarovalnih pogojih):**

1. **Namerno povzročena škoda:** Zavarovalnica ne krije škode, ki jo zavarovanec povzroči namerno. To je splošno pravilo v zavarovalništvu.

2. **Škoda zaradi vojne ali terorističnih dejanj:** Ti dogodki so skoraj vedno izključeni iz standardnih polic, razen če je sklenjeno posebno kritje.

3. **Škoda zaradi jedrskega sevanja:** Prav tako pogosto izključeno iz splošnih pogojev.

4. **Škoda, ki je nastala pred začetkom zavarovanja:** Kritje velja le za dogodke, ki se zgodijo med obdobjem zavarovanja. Zavarovalnica tudi ne krije škode, ki se zgodi med čakanjem (karenco), če je ta določena v splošnih pogojih.

5. **Nekatere vrste naravnih katastrof:** Kljub temu, da je osnovno kritje naravnih nesreč vključeno, so lahko določene vrste (npr. zemeljski usadi, ki niso povezani s poplavami) izključene ali zahtevajo doplačilo. Vedno je treba preveriti definicijo 'naravnih sil' v pogojih.

Zaključek: Pomen robustnosti za prihodnost zavarovalništva

V tem prispevku sem poskušala poudariti kritičen pomen robustne estimacije parametrov pri modeliranju ekstremnih škod v zavarovalništvu. Izzivi, kot so prisotnost outlierjev in majhnih vzorcev, so stalnica v zavarovalnih podatkih. Dokazali smo, da klasične metode estimacije ne zadostujejo za zanesljivo napovedovanje v takšnih okoliščinah, saj so preveč občutljive in vodijo do pristranskih ali neučinkovitih ocen. To lahko ima resne finančne posledice za zavarovalnice, od napačnega določanja premij do neustreznih rezervacij in morebitnega ogrožanja solventnosti.

Rešitev leži v uporabi robustnejših metod. L-momenti so se izkazali kot superiorna alternativa klasičnim momentom, saj so manj občutljivi na ekstremne vrednosti in so bolj učinkoviti pri majhnih vzorcih. Bayesovski pristopi pa s svojo zmožnostjo vključevanja predhodnega znanja ponujajo dodatno stabilnost in zanesljivost, še posebej ko so podatki redki. Simulacijske študije in praktični primeri so jasno pokazali, da uporaba teh naprednih tehnik vodi do natančnejših ocen parametrov in s tem do bolj zanesljivih napovedi ekstremnih kvantilov, kot sta VaR in TVaR. To posledično omogoča zavarovalnicam optimalno upravljanje s kapitalom in tveganji.

Investicija v napredne analitične metode ni zgolj tehnološki napredek, ampak je strateška nuja za vsako sodobno zavarovalnico. Zagotavlja večjo finančno stabilnost, boljšo konkurenčnost in predvsem večjo varnost za zavarovance. Moj cilj je vedno bil in bo ostal zagotoviti, da so moje stranke in zavarovalnice, s katerimi sodelujem, opremljene z najboljšimi možnimi orodji za razumevanje in obvladovanje tveganj. Samo z zanesljivim in robustnim modeliranjem ekstremnih dogodkov lahko zagotovimo trajnostno in varno prihodnost zavarovalništva v Sloveniji.

Če želite poglobiti svoje razumevanje robustnih estimacijskih metod, optimizirati vaše modele tveganj ali potrebujete strokovno svetovanje pri implementaciji naprednih analitičnih tehnik, sem vam na voljo za pogovor. Z veseljem delim svoje znanje in izkušnje, da boste lahko sprejemali informirane odločitve.

Pogosta vprašanja

Zakaj so outlierji problematični pri modeliranju ekstremnih škod?

Outlierji lahko bistveno izkrivijo ocene parametrov porazdelitev, kar vodi do napačnih napovedi ekstremnih dogodkov. Klasične metode so nanje zelo občutljive, saj spremenijo povprečje in varianco vzorca, kar napačno določi obliko porazdelitve.

Kaj so L-momenti in zakaj so boljši od klasičnih momentov?

L-momenti so linearni analogi klasičnih momentov, ki temeljijo na urejenih statističnih vrednostih. So bolj robustni na outlierje in bolj učinkoviti pri majhnih vzorcih, saj posamezen ekstremni podatek manj vpliva na njihovo vrednost.

Kako Bayesovska statistika prispeva k robustnosti?

Bayesovska statistika omogoča vključitev predhodnega znanja (prior) o parametrih porazdelitve. To stabilizira ocene, še posebej pri majhnih vzorcih in prisotnosti outlierjev, saj preprečuje, da bi se ocene preveč oddaljile od pričakovanih vrednosti.

Katere porazdelitve so ključne v Ekstremni vrednostni teoriji (EVT)?

Ključni porazdelitvi sta posplošena ekstremna vrednostna porazdelitev (GEV), ki modelira blok maksime, in posplošena Paretova porazdelitev (GPD), ki modelira preseganje visokih pragov. Obe sta bistveni za razumevanje 'debelih repov' škod.

Kakšen je vpliv robustne estimacije na finančno stabilnost zavarovalnic?

Robustna estimacija vodi do natančnejših napovedi ekstremnih kvantilov (VaR, TVaR), kar omogoča optimizacijo kapitalskih rezervacij in premij. S tem zavarovalnice izboljšajo svojo solventnost, konkurenčnost in finančno stabilnost, kar je v skladu z ZZavar-1.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• AZN – Agencija za zavarovalni nadzor (splošne regulative in smernice)
• Hosking, J. R. M., Wallis, J. R. (1997). Regional frequency analysis: an approach based on L-moments. Cambridge University Press.
• Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer.
• Beirlant, J., Goegebeur, Y., Segers, J., Teugels, J. L. (2004). Statistics of Extremes: Theory and Applications. Wiley.

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police

• 
  Primer: Tehnični vpogledi

  Kolektivno nezgodno zavarovanje zaposlenih: Znižanje tveganj delodajalca

• 
  Primer: Tehnični vpogledi

  Predčasna prekinitev naložbenega zavarovanja: kaj dejansko dobite nazaj

• 
  Primer: Tehnični vpogledi

  Zavarovalna vsota in inflacija: zakaj se realna vrednost kritja znižuje