Hasil Pencarian  ::  Simpan CSV :: Kembali

"Asuransi merupakan suatu kebutuhan yang penting di kehidupan manusia, bahkan asuransi termasuk dalam tingkatan kedua pada piramida perencanaan keuangan. Hal ini menunjukkan pentingnya asuransi sebagai salah satu produk yang dapat mengalihkan risiko yang mungkin dihadapi pada masa yang akan datang. Dua komponen penting dari asuransi adalah premi dan besar klaim. Besaran dua komponen itulah yang menjadi dasar untuk memodelkan kerugian yang mungkin dihadapi oleh perusahaan asuransi di masa yang akan datang. Secara umum, premi dan besar klaim dianggap saling bebas, tetapi dalam praktiknya hal ini kurang tepat karena mungkin kedua komponen tersebut dependen satu dengan yang lainnya. Dependensi ini menjadi perhatian karena pada praktiknya premi yang besar menghasilkan klaim yang besar dan premi yang kecil menghasilkan premi yang kecil. Dependensi antara premi dan besar klaim dimodelkan dengan distribusi bivariat, yaitu distribusi bivariat Sarmanov. Distribusi tersebut digunakan untuk membangun model Cramér-Lundberg yang memodelkan surplus yang dibutuhkan oleh suatu perusahaan asuransi agar tidak mengalami rutin. Model Cramér-Lundberg melibatkan tiga komponen utama, yaitu initial surplus, besar premi, dan besar klaim. Setelah mempertimbangkan dependensi antara premi dan besar klaim, dilakukan perhitungan probabilitas terjadinya ruin dan Value-at-Risk (VaR). Hasil yang didapatkan adalah bahwa distribusi bivariat Sarmanov dapat menjadi salah satu alternatif untuk memodelkan dependensi antara premi dan besar klaim. Nilai probabilitas ruin dan Value-at-Risk (VaR) dapat memberikan informasi bagi perusahaan asuransi untuk memprediksi kemungkinan perusahaan asuransi bangkrut dan uang yang harus disediakan agar kondisi ruin memiliki probabilitas yang sangat kecil untuk terjadi.

---

Insurance is an important need in human life, it is considered the second basic need in the financial planning pyramid. This shows how important insurance is as a product to transfer risks that someone might face in the future. Two important components in insurance are the amount of premium and the size of a claim. That two components is the basic concept to model the losses of the insurance company that may take place in the future. In general, the amount of premium and the size of claim are considered to be independent of each other, but in practice, this might not be true. Dependency between the amount of premium and size of claim is more reliable because large premiums result to high claim and so for the small premium result to small claims. Dependency among the amount of premium and the size of claim is be modeled through a bivariate distribution, specifically Sarmanov’s bivariate distribution. Implementation of dependency between the amount of premium and size of claim is implemented to Cramér-Lundberg model which shows how much surplus is needed so the insurance company doesn’t encounter ruin. The Cramér-Lundberg model involves three main component, such as initial surplus, the amount of premium and the size of claim. After considering the dependency among premiums and claims, the probability of ruin and Value-at-Risk (VaR) is calculated. In result, Sarmanov’s bivariate distribution can become one of the alternatives to consider the dependency between the amount of premium and the size of claim. The value of ruin probability and Value-at-Risk (VaR) can give information to insurance company to predict chances it becomes ruin and money needed to be secured so the ruin probability can be minimalized."

"Perusahaan asuransi adalah perusahaan yang menyediakan jasa agar nasabahnya dapat mentransfer risiko sehingga terdapat banyak risiko yang harus ditanggung oleh perusahaan. Oleh karena itu, perusahaan asuransi perlu menghitung klaim agregat agar perusahaan dapat memperkirakan berapa banyak klaim yang harus ditanggung sekaligus menentukan premi yang sesuai untuk nasabah. Klaim agregat dapat dihitung dengan menggunakan dua komponen, yaitu frekuensi dan severitas klaim. Pada umumnya, frekuensi dan severitas klaim diasumsikan independen atau saling bebas. Hal tersebut bertujuan agar perhitungan total klaim dapat dilakukan dengan mudah. Namun, frekuensi dan severitas klaim umumnya saling bergantung di kehidupan nyata, sehingga apabila asumsi independen antara frekuensi dan severitas klaim terus digunakan, maka perhitungan klaim agregat menjadi kurang tepat. Oleh karena itu, penelitian ini akan menggunakan asumsi bahwa terdapat dependensi antara frekuensi dan rata-rata severitas klaim untuk memodelkan klaim agregat dengan menggunakan distribusi bivariat Sarmanov. Distribusi bivariat Sarmanov dapat digunakan untuk mengukur dependensi positif maupun negatif antara frekuensi dan rata-rata severitas klaim dengan menghitung nilai dependensi Sarmanov. Pada skripsi ini, akan dijabarkan kasus khusus distribusi bivariat Sarmanov, di mana frekuensi klaim diasumsikan mengikuti distribusi Poisson dan Zero-Inflated Poisson, sedangkan rata-rata severitasnya diasumsikan berdistribusi Gamma. Berdasarkan data ilustrasi yang digunakan, didapatkan bahwa distribusi Zero-Inflated Poisson lebih cocok untuk memodelkan frekuensi klaim. Oleh karena itu, distribusi bivariat Sarmanov-nya dibangun berdasarkan distribusi Zero-Inflated Poisson dan distribusi Gamma. Kemudian, parameter distribusi bivariat Sarmanov diestimasi menggunakan MLE. Model yang diperoleh selanjutnya digunakan untuk mengestimasi premi murni dengan cara menghitung ekspektasi klaim agregat dan didapatkan nilai premi murni sebesar $180,8335.

---

An insurance company is a company that provides services so that its customers can transfer risks so that there are many risks that must be borne by the company. Therefore, insurance companies need to calculate aggregate claims so that the company can estimate how many claims must be covered while determining the appropriate premium for customers. Aggregate claims can be calculated using two components, namely frequency and severity of claims. In general, the frequency and severity of claims are assumed to be independent of each other. It is intended that the calculation of total claims can be done easily. However, the frequency and severity of claims generally depend on each other in real life, so that if the independent assumption between the frequency and severity of claims continues to be used, then the calculation of aggregate claims becomes less precise. Therefore, this study will use the assumption that there is a dependency between the frequency and the average severity of claims to model aggregate claims using the bivariate Sarmanov distribution. The bivariate Sarmanov distribution can be used to measure the positive and negative dependencies between the frequency and the average severity of claims by calculating the Sarmanov dependency value. In this thesis, a special case of the bivariate Sarmanov distribution will be described, where the frequency of claims is assumed to follow the Poisson distribution and Zero-Inflated Poisson distribution, while the average severity is assumed to be Gamma distribution. Based on the illustrative data used, it is found that the Zero-Inflated Poisson distribution is more suitable for modeling claim frequency. Therefore, the bivariate Sarmanov distribution is built on the basis of the Zero-Inflated Poisson distribution and the Gamma distribution. Then, the parameters of the bivariate Sarmanov distribution were estimated using MLE. The model obtained is then used to estimate pure premiums by calculating aggregate claims expectations and obtains a pure premium value of $180,8335."

"Sistem bonus malus yang biasanya digunakan pada perusahaan asuransi adalah sistem bonus malus klasik, yang perhitungannya hanya didasarkan pada riwayat banyaknya klaim pemegang polis. Namun, hal ini akan menimbulkan ketidakadilan karena besar kerugian pemegang polis bervariasi, sehingga pada penelitian ini dibangunlah modifikasi sistem bonus malus yang juga mempertimbangkan severitas klaim pemegang polis di masa lalu dengan kredibilitas bivariat yang menggunakan metode Bayesian. Dikarenakan klaim yang diajukan masing-masing pemegang polis dapat bernilai sangat besar ataupun sangat kecil, maka ditentukanlah suatu nilai batas untuk memisahkan kedua jenis klaim tersebut. Distribusi yang digunakan untuk banyaknya klaim adalah distribusi Poisson Gamma. Sedangkan, total banyaknya klaim yang berukuran lebih besar dari nilai batas mengikuti distribusi Binomial Beta. Premi bonus malus akan didapatkan dengan menghitung rasio antara premi Bayes dan premi prior, yang masing-masing didapatkan dari hasil ekspektasi distribusi posterior dan distribusi prior secara berurutan. Aplikasi pada data asuransi kendaraan bermotor asal Swedia menunjukkan bahwa besar premi yang dibayarkan pemegang polis berbanding lurus dengan severitas klaim dan banyaknya klaim atau dengan kata lain model yang dihasilkan memberikan biaya premi yang lebih rendah untuk pemegang polis yang memiliki riwayat klaim bernilai lebih kecil dari nilai batas, begitupun sebaliknya.

---

The bonus-malus system that is commonly used by insurance companies is the traditional bonus-malus system, which is based solely on the policyholder's claims frequency history. However, this approach can lead to unfairness due to variations in the severity of the policyholder's losses. Therefore, this thesis will focus on modifying the bonus-malus premium determination system to consider both the frequency and severity of the policyholder's past claims using bivariate credibility with Bayesian methods. Since claims made by policyholders can have significantly different values, can be very large or very small, a threshold is established to distinguish between these two types of claims. The claim frequency will follow a Poisson Gamma distribution. On the other hand, total claims exceeding the threshold value will follow a Binomial Beta distribution. The bonus-malus premium will be obtained by calculation the ratio between the Bayesian premium and the prior premium, which respectively will be derived from the expected value of the posterior distribution and the prior distribution. By applying this model to the automobile insurance data from Swedia, it demonstrates that the premium amount paid by the policyholder is directly proportional to the severity and frequency of claims. In other words, the resulting model offers lower premium costs for policyholders with a claims history below the threshold value and higher costs for those above it."

"Untuk menghindari kerugian yang besar, perusahaan asuransi biasanya menetapkan modifikasi (deductible, policy limit, atau coinsurance) pada jaminan asuransi. Modifikasi tersebut menyebabkan perubahan pada distribusi besar dan banyak klaim, yang diperlukan dalam perhitungan premi. Pada skripsi ini dibahas perubahan-perubahan distribusi tersebut. Untuk distribusi besarnya klaim, perubahan dilihat dari fungsi distribusi, fungsi probabilitas densitas, dan fungsi survival. Untuk distribusi banyaknya klaim, perubahan dilihat dari fungsi pembangkit probabilitasnya. Distribusi banyaknya klaim yang dibahas adalah distribusi diskrit anggota kelas ( ) dan ( ). Selain itu, dibahas pula perhitungan premi pada jaminan asuransi termodifikasi yang melibatkan perubahan-perubahan pada distribusi tersebut, serta beberapa implementasi dari modifikasi pada jaminan asuransi dalam dunia reasuransi.

---

To avoid large losses, insurance companies usually set modifications (deductibles, policy limits, and coinsurance) on insurance coverage. These modifications lead to major changes in the severity and frequency distributions of claims, which is required in the calculation of premiums. This minithesis discussed the changes of those distributions. For severity distribution, the changes will be presented from the distribution function, probability density function, and survival functions. For frequency distribution, the changes will be seen from the probability generating function. Frequency distributions discussed here are the members of ( ) and ( ) class of distributions. Beside that, discussed also in this minithesis, the premium calculations of insurance coverage with modifications that use the changes of distribution, as well as some implementations of coverage modifications in the reinsurances."

"Penentuan premi secara tepat merupakan tugas penting bagi perusahaan asuransi. Penentuan premi pada asuransi non-jiwa dihitung dari estimasi kerugian agregat yang didasari pada frekuensi (banyaknya) klaim dan severitas (besarnya) klaim. Kerugian agregat dapat diestimasi dengan model risiko kolektif yang mengasumsikan bahwa frekuensi klaim dan severitas klaim saling bebas. Pada praktiknya, ditemukan kondisi di mana frekuensi klaim dan severitas klaim saling bergantung (dependen). Untuk menghasilkan penentuan premi yang akurat, ketergantungan antara frekuensi klaim dan severitas klaim perlu diperhatikan. Dalam penelitian ini dilakukan pemodelan dependensi frekuensi klaim dan rata-rata severitas klaim menggunakan copula karena fleksibilitasnya dalam membangun distribusi bersama dari dua variabel acak yang dapat berasal dari distribusi berbeda. Pada beberapa kasus ditemukan bahwa besar kerugian juga dipengaruhi oleh beberapa faktor risiko (kovariat). Salah satu metode dalam membangun distribusi bersama dari dua variabel acak yang berasal dari distribusi berbeda dengan memerhatikan kovariat adalah dengan menggunakan model copula berbasis regresi. Hal tersebut dilakukan dengan mengkonstruksi dua Generalized Linear Model (GLM) terlebih dahulu, yaitu dengan variabel respons frekuensi klaim dan rata-rata severitas klaim. Kemudian model copula berbasis regresi berperan dalam menghubungkan kedua GLM dari frekuensi klaim dan rata-rata severitas klaim. Penelitian ini menggunakan pendekatan lain yaitu dengan menggunakan variabel acak kontinu waktu tunggu antar klaim sebagai representasi dari frekuensi klaim, sehingga aspek yang diperhatikan bukan hanya banyaknya klaim yang terjadi namun juga kapan klaim tersebut terjadi. Copula yang digunakan ialah copula Gaussian dan parameter dependensi diestimasi menggunakan metode Inference Function for Margin (IFM). Berdasarkan implementasi pemodelan dependensi antara frekuensi klaim dan rata-rata severitas klaim berdasarkan waktu tunggu antar klaim pada data ausprivauto0405, diperoleh informasi bahwa terdapat ketergantungan positif antara frekuensi klaim dengan rata-rata severitas klaim. Dari implementasi model yang sudah dibentuk pun diperoleh bahwa nilai ekspektasi total kerugian yang dihitung berdasarkan asumsi dependensi antara frekuensi klaim dan rata-rata severitas klaim lebih besar dibandingkan dengan nilai ekspektasi total kerugian berdasarkan asumsi independensi.

---

Determining the accurate premium is a crucial task for insurance companies. The determination of non-life insurance premium is calculated from the aggregate loss estimation based on claim frequency and claim severity. Aggregate losses can be estimated with a collective risk model that assumes independence between claim frequency and claim severity. In practice, there are found conditions where claim frequency and claim severity are dependent. To achieve an accurate premium determination, the dependence between claim frequency and claim severity needs to be considered. This research applies dependence modelling using copula due to its flexibility in costructiong a joint distribution of two random variables that may originate from different distributions. In some cases, the amount of losses is also influenced by several risk factors (covariates). One method for constructing a joint distribution of two random variables from different distributions while considering covariates is to use a copula-based regression model. This is done by constructing two Generalized Linear Models (GLM), one for claim frequency and another one for average claim severity. Then the copula-based regression model plays a role in connecting the two GLMs of claim frequency and average claim severity. This research introduces an alternative approach by using a continuous random variable, waiting time between claims, as a representation of claim frequency. This approach considers not only the number of claims but also the time when these claims occur. The copula used is a Gaussian copula and the dependen parameter is estimated using the Inference Functions for Margin (IFM) method. Based on the implementation of dependency modeling between claim frequency and average claim severity based on waiting time between claims on ausprivauto0405 data, it is obtained that there is a positive dependency between claim frequency and average claim severity. The implemented model also reveals that the total expected loss calculated based on the assumption of dependence between claim frequency and average claim severity is higher than the total expected loss under the independence assumption."

"

Perusahaan asuransi perlu memastikan bahwa mereka memiliki dana yang cukup untuk membayar segala biaya dan kewajibannya, agar terhindar dari gagal bayar. Teori ruin dapat membantu dalam memahami kerentanan perusahaan mengalami peristiwa gagal bayar tersebut. Dalam compound Poisson ruin model digunakan asumsi bahwa premi diterima dalam jumlah konstan, dan besar klaim dengan jarak antarklaim saling bebas. Skripsi ini mengembangkan model ruin tersebut dengan menggunakan asumsi yang lebih sesuai dengan keadaan di dunia nyata, yaitu premi yang diterima mengikuti proses compound Poisson dan terdapat dependensi antara besar klaim dan jarak antarklaim. Kemudian, ditelaah pula fungsi discounted penalty dari model ruin yang baru tersebut. Fungsi discounted penalty merupakan fungsi yang cukup penting dalam teori ruin karena dapat menjadi ekspresi dari kuantitas penting dalam teori ruin, termasuk probabilitas ruin. Setelah itu, dilakukan contoh perhitungan probabilitas ruin melalui fungsi discounted penalty yang telah ditelaah dan dilakukan juga analisis pengaruh rate distribusi waktu antarklaim 𝜆1 dan 𝜆2 terhadap probabilitas ruin. Diperoleh bahwa semakin kecil rate 𝜆1 dan 𝜆2, waktu antarklaim semakin besar sehingga probabilitas ruin semakin kecil. Sedangkan untuk rate 𝜆1 dan 𝜆2 yang semakin besar, waktu antarklaim semakin kecil sehingga probabilitas ruin semakin besar.

---

"

"ABSTRAKCount data biasanya merupakan hasil dari suatu count process pada waktu yang kontinu. Salah satu distribusi yang sering digunakan untuk memodelkan count data adalah Poisson count model yang interarival times-nya berdistribusi eksponensial. Namun demikian, Poisson hanya valid untuk data yang memilliki sifat equidispersion. Menerapkan Poisson count model terhadap data yang tidak memenuhi asumsi equidispersion data yang overdispersed maupun underdispersed dapat mengakibatkan kesalahan spesifikasi distribusi dari data. Sebuah count model dikembangkan pada penelitian ini dengan memperluas interarrival times yang digunakan, yaitu Weibull sebagai generalisasi dari eksponensial. Weibull interarrival times dapat mengatasi overdispersion dengan parameter shape 0.

---

ABSTRACTCount data are usually the outcomes of an underlying count process in continuous time. One of the distributions often used to fit count data is Poisson count model. However, Poisson count model is only valid if the data satisfy equidispersion assumption. Applying Poisson count model to the significantly non equidispersed data overdispersed or underdispersed could lead to misspesification of the distribution of the data. A count model would be derived in this thesis by expanding the interarrival times used, that is Weibull interarrival times as the generalization of exponential. Weibull interarrival times could handle overdispersed data with shape parameter 0."

"Industri konstruksi kilang merupakan proses konstruksi yang sangat kompleks, di lingkungan ini banyak perubahan dan keterlambatan yang sangat mungkin terjadi. Perubahan dan keterlambatan dapat menimbulkan risiko sengketa yang dapat terus berkembang dan situasi ini mendorong industri konstruksi untuk mencari lebih banyak cara untuk menyelesaikan sengketa secara efektif. Dengan konsep tersebut, tesis ini bertujuan untuk mengidentifikasi faktor-faktor risiko yang menyebabkan terjadinya klaim selama pembangunan proyek Kilang, mengidentifikasi masalah pada setiap siklus proyek dalam proses manajemen klaim, mengkuantifikasi nilai klaim dan menyediakan usulan untuk pengembangan sistem manajemen klaim. Penelitian dilakukan dengan data primer berdasarkan studi kasus dan pengumpulan kuesioner, data dianalisis menggunakan SPSS untuk mengetahui skor tertinggi dari pendapat responden terkait faktor risiko dan apakah proses klaim telah diterapkan sesuai standar PMBOK, lalu dilakukan kuantifikasi dan usulan pengembangan sistem manajemen klaim. Disimpulkan bahwa penerapan standar belum dilakukan secara optimal, setiap proses harus dievaluasi untuk mencegah terjadinya klaim yang dapat menimbulkan dispute.

---

Refinery construction industries are very complex, in this environment many changes and delay are very likely to occur. Changes and delay can lead to the risk of dispute that can continue to develop and this situation have prompted the construction industry to seek more ways to resolve dispute effectively. With that concept, this thesis aims to identify the risk factors that cause the occurrence of claims during the construction of Refinery project and identify the problems in each project cycle in claim management process, quantified the claim amount and give reccommendation of the development of claim management system. The study conducted by study case in Refinery Project in Indonesia, primary data was used and questionnaire collected, data were analysed using SPSS to determine the highest score of respondent’s opinions related to the risk factor and whether claim process has been applied accordingly based on PMBOK standard, then quantification claim was carried out and proposed development of a claims management system was done. It appears that the application of the standard not yet done optimally, each process shall be evaluated to prevent the occurrence of claim that could lead to dispute."

"Sistem bonus malus adalah salah satu sistem yang ditawarkan oleh perusahaan asuransi kendaraan bermotor dalam penentuan premi berdasarkan sejarah klaim. Sistem bonus malus pada awalnya hanya didasari oleh frekuensi klaim. Namun ini akan tidak adil karena setiap pemegang polis mengalami kerugian yang berbeda-beda. Maka untuk mengatasi hal tersebut penentuan premi sistem bonus malus sebaiknya tidak hanya mempertimbangkan frekuensi klaim tetapi juga severitas klaim. Pada penelitian ini akan dibahas penentuan net premi sistem bonus malus berdasarkan frekuensi klaim dan severitas klaim. Frekuensi klaim menggunakan campuran distribusi Poisson Lindley sedangkan severitas klaim menggunakan campuran distribusi lognormal gamma. Pada penelitian ini juga diasumsikan bahwa frekuensi klaim dan severitas klaim independen. Parameter dari distribusi frekuensi klaim dan severitas klaim diestimasi dengan menggunakan metode maximum likelihood estimator (MLE). Selanjutnya metode Bayesian digunakan untuk penentuan net premi yang dibayarkan pemegang polis yaitu berdasarkan perkalian ekspektasi posterior severitas klaim dan frekuensi klaim. Hasil aplikasi pada data menunjukkan bahwa besar premi yang dibayarkan pemegang polis berbanding lurus dengan severitas klaim dan frekuensi klaim yang artinya semakin besar frekuensi klaim dan semakin besar klaim yang diajukan maka semakin besar pula premi yang dibayarkan.

---

The bonus malus system is one of the systems offered by motor vehicle insurance companies in determining premiums based on claim history. The malus bonus system was initially only based on the claim frequency. However, this would be unfair because each policyholder experiences different losses. So to overcome this, the determination of the bonus of the malus bonus system should not only consider the claim frequency but also the claim severity. In this study, we will discuss the determination of the net premium for the bonus malus system based on the claim frequency and the claim severity . The claim frequency use a mixed Poisson Lindley distribution and the claim severity use a mixture of lognormal gamma distribution. In this study, it is also assumed claim frequency and claim severity are independent. The parameters of claim frequency and claim severity are estimated using the maximum likelihood estimator (MLE). Furthermore, the amount of net premium to be paid by policyholders is determined based on he product of the posterior expectation of claim frequency and claim severity. The data application results show that the premium that must be paid by policyholders is directly proportional to the claim frequency and claim severity, which means that the greater the claim frequency and the greater the claim severity submitted, the greater the premium paid."

"Pada penelitian ini akan dijelaskan sebuah distribusi yang bernama distribusi Beta Pareto. Distribusi tersebut merupakan distribusi yang dibangun oleh distribusi Beta-Generated dengan mengkombinasikan distribusi Beta dan distribusi Pareto. Selain proses pembentukan distribusi Beta Pareto, karakteristik distribusi Beta Pareto yang meliputi fungsi kepadatan peluang, fungsi ditribusi, momen ke-r, momen sentral ke-r, mean, variansi, perilaku limit, serta karakteristik lainnya dari distribusi Beta Pareto juga akan dibahas pada penelitian ini. Distribusi Beta Pareto sendiri memiliki kelebihan pada fungsi kepadatan probabilitas nya yang berbentuk monoton turun dan unimodal. Selain itu, distribusi ini juga dapat memodelkan data yang heavy-tailed. Untuk penaksiran parameter dari distribusi Beta Pareto akan digunakan metode Maximum Likelihood Estimation dan hasil akhirnya akan diperoleh dengan metode numerik. Sebagai ilustrasi, akan digunakan data severitas klaim dari asuransi kendaraan bermotor yang akan dimodelkan dengan distribusi Beta Pareto. Akan ditunjukkan dengan perbandingan nilai AIC dan BIC bahwa distribusi Beta Pareto mampu memodelkan data severitas klaim dari asuransi kendaraan bermotor lebih baik dari distribusi Pareto.

---

In this study, a distribution called the Beta Pareto distribution will be introduced. This distribution is a distribution builtby the Beta-Generated distribution by combining the Beta distribution and the Pareto distribution. In addition, beside the process of forming the Beta Pareto distribution, the characteristics of the Beta Pareto distribution which include theprobability density function, distribution function, rth moment, rth central moment, mean, variance, behavior limit, and other characteristics of the Beta Pareto distribution will also be explained in this research. The Beta Pareto distribution itself has the advantage of its probability density function which not only have decreasing shape but also unimodal. In addition, this distribution can also model heavy-tailed data. The Maximum Likelihood Estimation method will be used to estimate the parameters of the Beta Pareto distribution and the final result will be obtained by a numerical method. As an illustration, the severity of motor vehicle insurance claims data will be used and will be modeled by the Beta Pareto distribution. It will be shown by a comparison of AIC and BIC values that the Beta Pareto distribution is able to model the the severity of motor vehicle insurance claims data better than the Pareto distribution."