# Flashcards — Credibility Theory (CS1, IFoA)

> **הפער המרכזי שלך.** Credibility Theory הוא לב תמחור הביטוח ולא נלמד בקורס סטטיסטיקה אקדמי רגיל — לכן זה מתחיל כאן.
> פורמט: שאלה → תשובה. כסה את התשובה, ענה בעל-פה, חשוף. עבור בסדר; הרעיונות נבנים זה על זה.
> נוטציה לפי IFoA Core Reading. בנוי 14.6.2026.

---

## חלק א' — האינטואיציה והנוסחה המרכזית

**Q1.** מהי "פרמיית האמינות" (credibility premium) במשפט אחד, ומה הנוסחה הכללית?
> שקלול בין הניסיון של הפוליסה/קבוצה הספציפית לבין ניסיון התיק הכולל. הנוסחה:
> **P = Z·X̄ + (1 − Z)·μ**
> כאשר X̄ = ממוצע התביעות של היחידה, μ = הממוצע הכללי (collective / prior mean), ו-Z ∈ [0,1] הוא **גורם האמינות** (credibility factor).

**Q2.** מה המשמעות של Z קרוב ל-1 לעומת Z קרוב ל-0?
> Z→1: יש הרבה דאטה אמין על היחידה עצמה → סומכים על הניסיון שלה. Z→0: מעט/רועש דאטה → נסוגים לממוצע הקולקטיבי μ. ככל שיש יותר תצפיות (n גדל) Z עולה.

**Q3.** שתי הגישות המרכזיות לקביעת Z שנלמדות ב-CS1?
> (1) **Bayesian / Greatest-accuracy credibility** (כולל מודל Bühlmann ו-Bühlmann-Straub). (2) **Limited fluctuation / Classical credibility** (תקן ל"אמינות מלאה"). CS1 מתמקד בעיקר בגישה הבייסיאנית/Bühlmann.

---

## חלק ב' — מודל Bühlmann

**Q4.** מהי נוסחת ה-Z במודל Bühlmann?
> **Z = n / (n + k)**, כאשר n = מספר שנות הניסיון/התצפיות, ו-**k = EPV / VHM**.

**Q5.** מהם EPV ו-VHM? (במילים ובנוטציה)
> נתון פרמטר סיכון θ עם התפלגות prior:
> • **EPV** = Expected Process Variance = **E[ Var(X | θ) ]** — שונות "פנימית" ממוצעת בתוך פוליסה.
> • **VHM** = Variance of the Hypothetical Means = **Var( E[X | θ] )** — שונות בין הפוליסות (עד כמה הממוצעים האמיתיים שונים זה מזה).
> k = EPV/VHM.

**Q6.** אינטואיציה: למה Z יורד כש-EPV גדול וכש-VHM קטן?
> EPV גדול = הרבה רעש בתוך הפוליסה → כל תצפית פחות אינפורמטיבית → פחות אמינות. VHM קטן = הפוליסות דומות זו לזו → ממילא עדיף הממוצע הכללי → פחות אמינות לניסיון הפרטי. שניהם דוחפים את k למעלה ואת Z למטה.

**Q7.** מה הוא ה-credibility premium ב-Bühlmann, ומדוע הוא נקרא "best linear estimate"?
> P = Z·X̄ + (1−Z)·μ עם μ = E[E[X|θ]] = הממוצע הכולל. הוא ה-**אומד הליניארי הטוב ביותר** (minimum mean square error מבין כל הפונקציות הליניאריות של התצפיות) של הממוצע ההיפותטי E[X|θ]. זו אפרוקסימציה ליניארית לאומד הבייסיאני המלא.

---

## חלק ג' — Bühlmann-Straub (חשיפה משתנה)

**Q8.** מתי משתמשים ב-Bühlmann-Straub ולא ב-Bühlmann הרגיל?
> כאשר לכל יחידת זמן/קבוצה יש **חשיפה (exposure / weight) שונה** mᵢ — למשל מספר פוליסות-שנים שונה בכל שנה. Bühlmann הרגיל מניח חשיפה אחידה.

**Q9.** מה נוסחת ה-Z ב-Bühlmann-Straub?
> **Z = m / (m + k)**, כאשר **m = Σ mᵢ** (סך החשיפה) ו-k = EPV/VHM (אותו k). הממוצע הוא משוקלל-חשיפה: **X̄ = Σ mᵢ Xᵢ / Σ mᵢ**.

**Q10.** ההבדל המהותי בין השניים בשורה אחת?
> Bühlmann: סופרים תצפיות (n). Bühlmann-Straub: סוכמים חשיפה (m), והממוצע משוקלל לפי חשיפה. אחרת המבנה זהה.

---

## חלק ד' — Bayesian / Exact Credibility (מצמדים)

**Q11.** מהו "exact credibility"?
> מצב שבו האומד הבייסיאני המלא (posterior mean) **כבר** בעל הצורה הליניארית Z·X̄ + (1−Z)·μ — כלומר אומד Bühlmann מדויק, לא רק אפרוקסימציה. קורה במשפחות conjugate מסוימות.

**Q12.** Poisson–Gamma: מה ה-prior, ה-likelihood, וה-posterior?
> Likelihood: Xᵢ | λ ~ Poisson(λ). Prior: λ ~ Gamma(α, β).
> Posterior: λ | data ~ **Gamma(α + Σxᵢ , β + n)**.
> Posterior mean = (α + Σxᵢ)/(β + n) — וניתן לכתוב אותו בדיוק כ-Z·X̄ + (1−Z)·μ עם Z = n/(n+β). דוגמה קלאסית ל-exact credibility.

**Q13.** Normal–Normal: התוצאה?
> X | θ ~ N(θ, σ²) עם θ ~ N(μ, τ²). Posterior של θ הוא נורמלי, ו-posterior mean = Z·X̄ + (1−Z)·μ עם **Z = n / (n + σ²/τ²)**. שים לב: k = σ²/τ² = EPV/VHM בדיוק.

**Q14.** Binomial–Beta: התוצאה?
> X | p ~ Binomial(n, p) עם p ~ Beta(α, β). Posterior: p ~ **Beta(α + Σxᵢ , β + n − Σxᵢ)**. Posterior mean שוב בצורת credibility. (שלושת המצמדים — Poisson-Gamma, Normal-Normal, Binomial-Beta — הם ה"חשודים המיידיים" בבחינה.)

**Q15.** הקשר בין הגישה הבייסיאנית ל-Bühlmann?
> Bühlmann = האפרוקסימציה הליניארית הטובה ביותר ל-posterior mean. במשפחות conjugate הליניאריות (לעיל) האפרוקסימציה הופכת מדויקת → exact credibility, ו-k הבייסיאני שווה ל-EPV/VHM.

---

## חלק ה' — Empirical Bayes Credibility (EBCT)

**Q16.** מה הבעיה ש-Empirical Bayes Credibility Theory (EBCT) פותר?
> ב-Bühlmann צריך לדעת EPV ו-VHM, אבל בפועל **לא יודעים** את התפלגות ה-prior. EBCT **מעריך את EPV ו-VHM מהדאטה עצמו** (מספר קבוצות לאורך מספר שנים).

**Q17.** שני המודלים של EBCT ב-CS1?
> **Model 1** — חשיפה אחידה (מקביל ל-Bühlmann). **Model 2** — חשיפה משתנה / משקלים (מקביל ל-Bühlmann-Straub). ההבדל הוא שוב טיפול בחשיפה.

**Q18.** רעיון האמידה ב-EBCT Model 1 (בלי לשנן את כל הנוסחה — מה מעריכים?)
> נתונים N קבוצות × n שנים, Xᵢⱼ.
> • Estimate של μ = הממוצע הכללי X̄̄.
> • Estimate של **EPV** = ממוצע השונויות בתוך כל קבוצה: (1/N)·Σᵢ [ (1/(n−1)) Σⱼ (Xᵢⱼ − X̄ᵢ)² ].
> • Estimate של **VHM** = השונות של ממוצעי הקבוצות פחות תיקון: (1/(N−1)) Σᵢ (X̄ᵢ − X̄̄)² − EPV/n.
> ואז Z = n/(n+k), k = ÊPV/V̂HM. (בבחינה — מתוך נוסחאות שמסופקות; צריך לדעת **להציב ולפרש**, לא לשנן בעל-פה.)

**Q19.** מה עושים אם אומד ה-VHM יוצא שלילי?
> מציבים VHM = 0 → k → ∞ → Z = 0. כלומר אין עדות לשונות אמיתית בין הקבוצות, אז משתמשים בממוצע הכולל בלבד.

---

## חלק ו' — Classical / Limited Fluctuation Credibility

**Q20.** מהו תקן "אמינות מלאה" (full credibility) באמינות הקלאסית?
> מספר התביעות/החשיפה הנדרש כדי ש-Z=1 — לרוב מוגדר ע"י: בהסתברות p, הניסיון בפועל יהיה בתוך ±k% מהערך הצפוי. עבור תדירות Poisson, תקן התביעות המלא הוא בערך **λ_full = (z_{(1+p)/2} / k)²**.

**Q21.** מה ה-Z כשאין אמינות מלאה (partial credibility), ומה ההנחה מאחוריו?
> **Z = √(n / n_full)** ("square-root rule"), כש-n_full = תקן האמינות המלאה. נובע מכך ש-SE של הממוצע יורד כ-1/√n.

**Q22.** ההבדל המושגי בין אמינות קלאסית ל-Bühlmann בשורה אחת?
> קלאסית: שואלת "כמה דאטה צריך כדי שהשגיאה תהיה קטנה מספיק?" (גישת מובהקות). Bühlmann/בייסיאנית: "מהו השקלול שממזער MSE בהינתן השונויות?" (גישת אומד אופטימלי). CS1 שם יותר דגש על Bühlmann.

---

## חלק ז' — מלכודות בחינה ונקודות עדינות

**Q23.** טעות נפוצה: בין EPV ל-VHM, מי "בתוך" ומי "בין"?
> **EPV = בתוך** (within): E[Var(X|θ)] — שונות התהליך הממוצעת. **VHM = בין** (between): Var(E[X|θ]) — שונות הממוצעים. בלבול ביניהם הופך את k ואת כל התשובה.

**Q24.** מה קורה ל-Z כש-n→∞? וכש-VHM→0?
> n→∞ ⇒ Z→1 (סומכים לגמרי על הניסיון הפרטי). VHM→0 ⇒ הקבוצות זהות ⇒ k→∞ ⇒ Z→0 (סומכים על הממוצע הכללי). שתי בדיקות שפיות מצוינות בבחינה.

**Q25.** מתי תשובה שלך "לא הגיונית" וצריך לעצור?
> אם Z יצא מחוץ ל-[0,1], או k שלילי, או EPV/VHM שליליים — יש טעות (לרוב בלבול within/between או שכחת תיקון ה-EPV/n באומד VHM). תמיד בדוק ש-0≤Z≤1.

---

## בדיקה עצמית מהירה (5 דקות, בלי הצצה)

1. כתוב את נוסחת ה-credibility premium. ✦
2. Z של Bühlmann ושל Bühlmann-Straub — מה ההבדל? ✦
3. הגדר EPV ו-VHM בנוטציה. ✦
4. Poisson-Gamma → איזו התפלגות posterior ומה ה-Z? ✦
5. למה VHM שלילי ב-EBCT → Z=0? ✦

> ענית על כל החמש בלי להסס? עברת את הפער המרכזי. אם נתקעת ב-3 או 5 — שם להשקיע.