Logarithmische Gammaverteilung

Dieser Artikel oder nachfolgende Abschnitt ist nicht hinreichend mit Belegen (beispielsweise Einzelnachweisen) ausgestattet. Angaben ohne ausreichenden Beleg könnten demnächst entfernt werden. Bitte hilf Wikipedia, indem du die Angaben recherchierst und gute Belege einfügst.

Die Logarithmische Gammaverteilung (auch Log-Gammaverteilung) ist eine stetige Wahrscheinlichkeitsverteilung. Die Heavy-tailed-Verteilung ist geeignet zur Modellierung von Schadensdaten im extremen Großschadenbereich der Industrie-, Haftpflicht-, Rückversicherung^[1].

Eine stetige Zufallsgröße ${\displaystyle X}$ mit den Parametern ${\displaystyle a>0}$ und ${\displaystyle b>0}$ genügt der logarithmischen Gammaverteilung, wenn sie die Wahrscheinlichkeitsdichte

${\displaystyle f(x)={\begin{cases}{\dfrac {b^{a}}{\Gamma (a)}}x^{-(b+1)}(\ln x)^{a-1}&x\geq 1\\0&x<1\end{cases}}}$

besitzt. Ihre Verteilungsfunktion lautet dann

${\displaystyle F(x)={\begin{cases}{\dfrac {\gamma (a,b\ln x)}{\Gamma (a)}}&x\geq 1\\0&x<1\end{cases}}}$,

wobei ${\displaystyle \gamma (p,q)}$ die unvollständige Gammafunktion ist.

Für ${\displaystyle b>1}$ ergibt sich der Erwartungswert zu

${\displaystyle \operatorname {E} (X)=\left(1-{\frac {1}{b}}\right)^{-a}}$.

Die Varianz ergibt sich für ${\displaystyle b>2}$ als

${\displaystyle \operatorname {Var} (X)=\left(1-{\frac {2}{b}}\right)^{-a}-\left(1-{\frac {1}{b}}\right)^{-2a}}$.

Aus Erwartungswert und Varianz erhält man sofort den Variationskoeffizienten

${\displaystyle \operatorname {VarK} (X)={\sqrt {\left(1+{\frac {1}{b(b-2)}}\right)^{a}-1}}}$.

Die Schiefe lässt sich für ${\displaystyle b>3}$ geschlossen darstellen als

${\displaystyle \operatorname {v} (X)={\frac {\left({\frac {b}{b-3}}\right)^{a}-3\left({\frac {b^{2}}{(b-2)(b-1)}}\right)^{a}+2\left({\frac {b}{b-1}}\right)^{3a}}{\left(\left({\frac {b}{b-2}}\right)^{a}-\left({\frac {b}{b-1}}\right)^{2a}\right)^{\frac {3}{2}}}}}$.

Es existieren nur die Momente der Ordnung kleiner als ${\displaystyle b}$.

Sind ${\displaystyle X_{1}\sim {\mathcal {LG}}(p_{1},b)}$ und ${\displaystyle X_{2}\sim {\mathcal {LG}}(p_{2},b)}$ unabhängige logarithmisch gammaverteilte Zufallsgrößen dann ist auch das ${\displaystyle X_{1}\cdot X_{2}}$ logarithmisch gammaverteilt, und zwar

${\displaystyle X_{1}\cdot X_{2}\sim {\mathcal {LG}}(p_{1}+p_{2},b).}$

Allgemein gilt: Sind ${\displaystyle X_{i}\sim {\mathcal {LG}}(p_{i},b)\quad i=1,\ldots ,n}$ stochastisch unabhängig dann ist

${\displaystyle \prod _{i=1}^{n}X_{i}\sim {\mathcal {LG}}(p_{1}+\dotsb +p_{n},b).}$

Somit bildet die logarithmische Gammaverteilung eine multiplikative Faltungshalbgruppe in einem ihrer beiden Parameter.

In der Versicherungsmathematik wird die Verteilung der Anzahl der Schäden häufig mit Hilfe von Poisson-, negativ Binomial- oder logarithmisch verteilten Zufallsvariablen modelliert. Zur Beschreibung der Schadenshöhe eignen sich dagegen die Gamma-, logarithmische Gamma- oder logarithmische Normalverteilung.

Wenn die Zufallsvariable ${\displaystyle X}$ Gamma-verteilt ist, dann ist ${\displaystyle Y=e^{X}}$ Log-Gamma-verteilt.

Die Paretoverteilung mit den Parametern ${\displaystyle k}$ und ${\displaystyle x_{\mathrm {min} }=1}$ entspricht der Log-Gammaverteilung mit den Parametern ${\displaystyle a=1}$ und ${\displaystyle b=k}$.

1. ↑ Claudia Cottin, Sebastian Döhler: Risikoanalyse: Modellierung, Beurteilung und Management von Risiken mit Praxisbeispielen. Springer-Verlag 2012