Riesgo

Introduccin a la o teor del riesgo a
Luis Rincn o Departamento de Matemticas a Facultad de Ciencias UNAM Circuito Exterior de CU 04510 Mxico DF e
Enero 2012
Prlogo o
El presente texto contiene los temas del curso semestral de teor del riesgo a que el autor ha impartido a estudiantes de ultimo semestre de la carrera de actuar en la Facultad de Ciencias de la UNAM. Contiene el material bsico a a para un curso introductorio a ciertos temas de la teor del riesgo aplicada a a seguros, e incluye una coleccin de ejercicios. La mayor parte del material o que se presenta aqu fue compilado de las fuentes que aparecen al nal del texto. Espero que este material sea de alguna ayuda para los numerosos alumnos de las distintas escuelas de actuar y de matemticas aplicadas de a a pa de habla hispana, y contribuya tambin a apoyar el trabajo docente ses e A de sus profesores. El texto fue escrito en el sistema L TEX, las ilustraciones fueron elaboradas usando el paquete pstricks. La ultima versin disponible o de este texto en su formato digital puede encontrarse en la pgina web a http://www.matematicas.unam.mx/lars Agradezco sinceramente los comentarios, correcciones y sugerencias que he recibido por parte de alumnos y profesores para mejorar este material. Y agradezco tambin el apoyo del proyecto PAPIME PE103111 a travs del e e cual pudo ser posible el desarrollo y la edicin de este texto. Toda comunio cacin puede enviarse a la cuenta de correo que aparece abajo. o
Luis Rincn o Enero 2012 Ciudad Universitaria UNAM lars@fciencias.unam.mx
Contenido
1. Modelo individual vs modelo 1.1. Introduccin . . . . . . . . . o 1.2. Modelo individual . . . . . 1.3. Frmula de De Pril . . . . . o 1.4. Modelo colectivo . . . . . . 1.5. Modelo colectivo Poisson . . 1.6. Ejercicios . . . . . . . . . . colectivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 . 1 . 3 . 8 . 16 . 23 . 30 41 41 49 50 51 55 61 61 69 71 72
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
2. Frmula de Panjer y mtodos de aproximacin o e o 2.1. Frmula de Panjer . . . . . . . . . . . . . . . . . o 2.2. Aproximacin normal . . . . . . . . . . . . . . . o 2.3. Aproximacin gamma trasladada . . . . . . . . . o 2.4. Aproximacin de Edgeworth . . . . . . . . . . . . o 2.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . 3. Principios para el clculo de primas a 3.1. Principios generales . . . . . . . . . . 3.2. Propiedades . . . . . . . . . . . . . . 3.3. Primas y funciones de utilidad . . . 3.4. Ejercicios . . . . . . . . . . . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
4. Reaseguro 79 4.1. Reaseguro proporcional . . . . . . . . . . . . . . . . . . . . . 81 4.2. Reaseguro no proporcional . . . . . . . . . . . . . . . . . . . . 82 4.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 iii
iv
Contenido
5. Teor de la credibilidad a 95 5.1. Credibilidad clsica . . . . . . . . . . . . . . . . . . . . . . . . 95 a 5.2. Credibilidad Bayesiana . . . . . . . . . . . . . . . . . . . . . . 101 5.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 6. Procesos estocsticos a 6.1. Filtraciones y tiempos de paro 6.2. Cadenas de Markov . . . . . . 6.3. Proceso de Poisson . . . . . . . 6.4. Martingalas . . . . . . . . . . . 6.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 110 110 111 112 113 117 117 127 130 134 138 149 151 154 157 179 181
7. Teor de la ruina a 7.1. Un proceso de riesgo a tiempo discreto 7.2. Modelo clsico de Cramr-Lundberg . a e 7.3. Probabilidad de ruina . . . . . . . . . 7.4. Severidad de la ruina . . . . . . . . . . 7.5. El coeciente de ajuste . . . . . . . . . 7.6. Aproximacin de De Vylder . . . . . . o 7.7. Frmula de Pollaczek-Khinchin . . . . o 7.8. Ejercicios . . . . . . . . . . . . . . . . A. Formulario y resultados varios Bibliograf a Indice anal tico
Cap tulo 1
Modelo individual vs modelo colectivo

En este cap tulo se presenta una introduccin al esquema del seguro y al o concepto general de riesgo. Se presentan adems las perspectivas individual a y colectiva para modelar el riesgo correspondiente al conjunto de reclamaciones que afronta una compa aseguradora. Se estudian tambin algunas na e propiedades y relaciones entre estas dos perspectivas. En el resto del texto se adopta el modelo colectivo como modelo fundamental.
1.1.
Introduccin o
El trmino riesgo tiene muchas acepciones dependiendo del rea de estudio e a que se trate, y en trminos imprecisos puede denirse como la posibilidad e de experimentar ciertos eventos de inters y las consecuencias derivadas de e dichos eventos. Los riesgos pueden tener un sentido positivo o negativo, pero en general tienen una connotacin de prdida. El objetivo es identicar los o e riesgos, ponderarlos con base en sus consecuencias, decidir la aceptacin o o no de los mismos, y tomar provecho de su existencia. Por lo tanto no se trata necesariamente de evitarlos o de protegerse contra ellos. El quehacer cotidiano del hombre, ya sea en el mbito personal o profesional, implia ca necesariamente y a cada momento hacer frente a ciertos riesgos, y ello puede tener consecuencias no deseadas pero tambin puede ofrecer oportue nidades. Por ejemplo, el comprar un boleto de loter conlleva el riesgo de a 1
1. Modelo individual vs modelo colectivo
perder el importe pagado por el boleto, pero al mismo tiempo la posibilidad de ganar una gran cantidad de dinero. Cada uno de nosotros pondera estas dos posibilidades de manera distinta y toma una decisin al respecto. o Otro ejemplo en donde es evidente la evaluacin (a veces inconsciente) de o los riesgos es cuando una persona decide viajar en avin, en este caso se o considera primordial la rapidez y comodidad del viaje, y se desdea conven nientemente cualquier posibilidad de accidente. Como hemos mencionado, el trmino riesgo se dene de manera distinta dependiendo de la disciplina e de estudio. En ingenier por ejemplo, puede denirse el riesgo como el a, producto de la probabilidad de que un evento no deseable ocurra y el dao n esperado debido a la ocurrencia del evento, es decir, Riesgo=(Probabilidad n de un accidente)(Daos como consecuencia del accidente). En nanzas, puede denirse el riesgo en trminos de la variacin o volatilidad de una ine o versin, o tambin como la posible prdida en una inversin; en general, se o e e o considera que una inversin en la bolsa de valores (tasa de inters variable) o e es ms riesgosa comparada con una inversin en un banco (tasa de inters a o e ja). Finalmente, en seguros, el riesgo puede denirse como el monto de las reclamaciones totales de los asegurados. Veremos a continuacin con ms o a detalle este ultimo caso pues es al que estn dirigidos principalmente los a modelos matemticos que estudiaremos. a A grandes rasgos, la forma en la que opera un seguro es la siguiente: un grupo de personas reconocen que estn expuestas a sufrir algn tipo de siniestro a u en sus bienes o en sus personas, y que dichos siniestros pueden causarles consecuencias irreparables como la prdida de sus vidas, o bien prdidas e e econmicas considerables. Al contratar un seguro (es decir, rmar una pliza o o de seguro), cada una de estas personas paga por adelantado una cantidad de dinero (generalmente pequea) llamada prima a una compa aseguradora, n na quien se compromete a resarcir monetariamente a todas aquellas personas aseguradas que sufrieron algn siniestro durante el tiempo de vigencia del u seguro y segn lo pactado en la pliza del seguro. De esta manera, aunque no u o se conozca de manera individual exactamente a las personas que sufrirn un a siniestro, el capital obtenido de manera colectiva debe ser suciente para solventar los gastos de los siniestros individuales que se presentan. Es claro que bajo este mecanismo las prdidas econmicas del colectivo se distribuyen en e o todos y cada uno de los individuos logrando as garantizar la sobrevivencia nanciera de cada uno de ellos, en otras palabras, mediante el contrato de
1.2. Modelo individual
un seguro se logran disminuir los daos econmicos de aquellas personas que n o tuvieron la mala fortuna de sufrir un siniestro. Naturalmente, para que tal mecanismo de asistencia colectiva sea factible, es necesario que el nmero de u asegurados sea sucientemente grande, y que se establezcan con precisin o las caracter sticas de los siniestros a considerar. Es claro tambin que, tanto e el nmero de siniestros, como el monto de las reclamaciones, as como los u tiempos en los que se efectan las reclamaciones son variables desconocidas, u y que los modelos de la teor de la probabilidad podr ser de alguna ayua an da en su estudio. En efecto, en las siguientes pginas estudiaremos algunos a modelos matemticos que han ayudado a entender y controlar el aspecto a aleatorio de ciertas variables relevantes en los seguros.
1.2.
Modelo individual
Suponga que se tiene un portafolio de n plizas individuales de seguros o vlidas por un ao como se muestra en la Figura 1.1. a n
Pliza 1 o
Pliza 2 o
....... ....... ....... .......
....... ....... ....... .......
Pliza n o
....... ....... ....... .......
Figura 1.1 Sea pj la probabilidad de que el j-simo asegurado no efecte ninguna reclae u macin durante el tiempo de vigencia del seguro, y sea qj la probabilidad o de que se observe exactamente una reclamacin. Suponga que la igualdad o a pj qj 1 se cumple, ello signica que no puede haber ms de una reclamacin por cada asegurado. Tal situacin puede corresponder, por ejemplo, o o a los seguros de vida. Dena la variable aleatoria Dj 1 si hay reclamacin en la pliza j, o o 0 si no hay reclamacin en la pliza j. o o
Claramente Dj tiene distribucin Bernoulli con parmetro qj . El uso de la o a letra D viene del trmino en ingls Death. Observe que el nmero total de e e u reclamaciones est dado por la variable aleatoria N D1 Dn . Ahora a
suponga articialmente que cada pliza efecta una reclamacin, y sea la o u o variable aleatoria Cj 0 el monto de la reclamacin efectuada por la pliza o o j. Debido a que los siniestros pueden presentarse con caracter sticas distintas y ello puede derivar en distintos montos de reclamacin, consideraremos o de manera general a Cj no como una constante sino como una variable aleatoria. La letra C proviene del trmino en ingls Claim, que se traduce en e e espaol como reclamacin. La verdadera reclamacin de la pliza j est dada n o o o a por el producto Dj Cj Cj 0 si Dj si Dj 1, 0.
Observe que esta variable aleatoria puede ser mixta, es decir, no ser continua ni discreta. Vase la Figura 1.2 en donde se muestran posibles grcas e a de la funcin de distribucin de esta variable aleatoria. De esta forma se o o considera como datos en este modelo la coleccin de vectores aleatorios o D1 , C1 , . . . , Dn , Cn, que supondremos independientes. Consideraremos adems que las variables Dj y Cj tambin son independientes entre s a e .
Denicin 1.1 El monto de reclamaciones agregadas, o tambin llamado o e agregado de reclamaciones, en el modelo individual, es la variable aleatoria S
n j 1
Dj Cj .
(1.1)
Esta variable es el monto que afronta una compa aseguradora por concepna to de reclamaciones durante el periodo completo del seguro. La ecuacin (1.1) o representa el modelo individual para una pliza de seguros de las caraco ter sticas sealadas. El modelo tiene este nombre pues supone conocer las n probabilidades de reclamacin y posible monto de reclamacin de todos y o o cada uno de los asegurados de manera individual. Una posible desventaja de este modelo es que presupone que el nmero de asegurados en la cartera u se mantiene constante durante todo el tiempo de vigencia del seguro. Desde el punto de vista matemtico, y tambin desde la perspectiva del nea e
gocio del seguro, nuestro objetivo es conocer las caracter sticas de la variable S, a quien llamaremos riesgo. Si Fj x denota la funcin de distribucin o o del producto Dj Cj , entonces la funcin de distribucin F x del riesgo S o o adquiere la siguiente expresin en trminos de convoluciones: o e F x
F1 Fnx.
Esta frmula general y compacta es, sin embargo, un tanto dif de calcular o cil y no la utilizaremos con frecuencia. Como primeros resultados generales se presentan a continuacin algunas caracter o sticas de S. Denotaremos por o o Gj x la funcin de distribucin de Cj , y como es costumbre, cuando exiso ta, MX t denota la funcin generadora de momentos de una variable X cualquiera.
Proposicin 1.1 Bajo la notacin e hiptesis del modelo individual se o o o tienen los siguientes resultados. 1. E S 2. VarS 3. Fj x 4. MDj Cj t 5. MS t
n j 1 n j 1 n j 1
qj E Cj .
qj VarCj qj pj E 2 Cj .
si x si x 0, 0.
1 qj Gj x 1 0
1 qj MCj t 1.
1 qj MC t 1 .
j
Demostracin. o 1. Por la hiptesis de independencia, o E S

n
E Dj Cj
E Dj E Cj
n j 1
qj E Cj .
j 1
j 1
2. Primeramente tenemos que VarDj Cj

2 2 E Dj Cj E 2 Dj Cj 2 2 qj E Cj qj E 2 Cj 2 qj VarCj E 2 Cj qj E 2 Cj
qj VarCj qj pj E 2 Cj . Por lo tanto VarS

n j 1 n j 1
VarDj Cj
qj VarCj qj pj E 2 Cj .
3. Para cualquier nmero real x u Fj x P Dj Cj P Dj Cj x
0, 0 P Dj 0
P Dj Cj x Dj 1 P Dj P 0 x Dj 0 pj P Cj pj qj Gj x 1 qj Gj x 1.
4. Nuevamente condicionando sobre el valor de Dj , MDj Cj t E etDj Cj E etDj Cj Dj
tDj Cj
j
x Dj
x Dj
1 qj
Dj 1P Dj E e pj qj MC t 1 qj MC t 1.
j
0P Dj
5. Esta igualdad se sigue directamente de la anterior usando la hiptesis de o independencia. Puede considerarse que la variable S tiene una distribucin binomial generao lizada en el siguiente sentido: se tienen n ensayos independientes Bernoulli, en donde la probabilidad de xito en el ensayo j es qj , y el valor asociado e
Fj x 1 1 qj qj Gj x G discreta x (a) 1 1 qj
Fj x
qj Gj x G continua x (b)
Figura 1.2 al resultado xito no es 1 como en el esquema usual sino el monto Cj 0. e Puede comprobarse que cuando qj es constante p, y los montos Cj son todos iguales a 1, la variable S tiene distribucin binn, p, y las frmula generales o o demostradas para S se reducen a las de esta distribucin. Al respecto vase o e el ejercicio 15. Es tambin interesante observar que aunque inicialmente el e modelo individual de riesgo que hemos presentado puede aplicarse a esquemas de seguros en donde hay como mximo una reclamacin por pliza, esta a o o unica reclamacin puede considerarse como el monto total conformado por o la suma de varias posibles reclamaciones efectuadas por una pliza a lo largo o del periodo de vigencia del seguro. De este modo el modelo individual puede tambin aplicarse al caso de reclamaciones mltiples. En cualquier caso, los e u datos que deben tenerse o estimarse estad sticamente para aplicar el modelo individual a una situacin real son el nmero de asegurados n, las probabio u lidades de reclamacin q1 , q2 , . . . , qn , y las distribuciones de probabilidad de o los montos C1 , C2 , . . . , Cn . Aproximacin normal o Cuando n es grande y el portafolio de asegurados es homogneo en el sene tido de que las variables Dj Cj son idnticamente distribuidas con segundo e momento nito, puede usarse el teorema central del l mite para aproximar la distribucin de S mediante la distribucin normal, es decir, o o P S x P S E S VarS x E S VarS x E S . VarS
Esta aproximacin puede ser adecuada para ciertos riesgos pero tiene la o desventaja de que asigna una probabilidad positiva al intervalo , 0, 0. Sin embargo, dalo cual no es consistente con el hecho de que S do que la distribucin N, 2 se concentra principalmente en el intervalo o 4, 4, cuando la esperanza y la varianza de S son tales que E S 4 VarS 0, la probabilidad asignada a la parte negativa del eje es realmente pequea, ello alivia un poco el hecho de que esta distribucin n o no tenga soporte en el intervalo 0, . Tal vez la situacin ms compromeo a tedora sea que la funcin de densidad normal decae muy rpidamente pues o a existen riesgos cuyas funciones de densidad no cumplen con tal caracter stica. Ms adelante mencionaremos esta propiedad de las distribuciones de los a riesgos en trminos de colas pesadas y ligeras. e En la siguiente seccin encontraremos una forma recursiva para calcular o la funcin de probabilidad de S cuando el monto de las reclamaciones se o modela mediante una variable aleatoria discreta.
1.3.
Frmula de De Pril o
Presentaremos a continuacin la frmula de De Pril. Este resultado fue deo o mostrado por Nelson De Pril en 1986 y proporciona una expresin exacta, o aunque recursiva, de la distribucin de probabilidad de un riesgo en el moo delo individual [8]. La frmula es bastante general aunque presupone que o las reclamaciones toman los valores en el conjunto 1, 2, . . . . Este supuesto no es realmente una restriccin fuerte pues en la prctica el pago de sinieso a tros se realiza siempre usando alguna unidad monetaria. Para establecer la frmula de De Pril es necesario dividir el portafolio de n asegurados de o acuerdo a la tasa de mortalidad y la suma asegurada. Denotaremos por nij al nmero de asegurados que tienen probabilidad de reclamacin qj y u o monto de reclamacin i, en donde i toma valores en 1, 2, . . . , I , y j en o 1, 2, . . . , J . De esta forma se tiene la tabla de la Figura 1.3 en donde la suma de las entradas es n, es decir, n
I J i 1j 1
nij .
Denotaremos por Yij el monto real reclamado por un asegurado cuya pro-
1.3. Formula de De Pril Probabilidades de reclamacin o 1 2 q1 n11 n21 q2 n12 n22
Monto de la reclamacin o
i I

nij nIj
qj
qJ n1J n2J niJ nIJ
Figura 1.3 babilidad de reclamacin es qj , y posible monto reclamado i, es decir, o Yij 0 i con probabilidad 1 qj , con probabilidad qj .
Teorema 1.1 (Frmula de De Pril [i]) Sea nij el nmero de plizas o u o cuyos asegurados tienen tasa de mortalidad qj y suma asegurada i. Suponga que j 1, 2, . . . , J, e i 1, 2, . . . , I. Entonces las probabilidades gx P S x, estn dadas por a gx g0 en donde hi, k i1
k 1
1 x
x I x i
gxik hi, k ,
ij
para x
i 1 k 1 I J
1 qj n
i 1 j 1 J j 1
nij
1 qj
qj
Demostracin. o
La funcin generadora de probabilidad del monto reclao
10
mado Yij por un asegurado con probabilidad de reclamacin qj , y monto o reclamado i, es E tYij 1 qj qj ti . Por lo tanto, usando la hiptesis de independencia, la funcin generadora o o de probabilidad de la cartera completa es Gt en donde gr P S E tS
r 0
tr gr
J I i 1 j 1
1 qj qj tin q j t i .
ij
r . Tomando logaritmo y despus derivando, e ln Gt

J I i 1 j 1
nij ln1 qj
J I i 1 j 1
d ln Gt dt Por lo tanto tG t Gt Gt Gt
G t Gt
J I i 1 j 1 J I J I
nij
iqj ti1 . 1 q j q j ti
nij
iqj ti 1 q j q j ti
i q j ti j 1 1qtq 1 1 qj j
nij i
i 1 j 1
nij i
i 1 j 1
q j ti 1 qj
k 1
j 1k1 1qtq k1 , i j
k a en donde hemos usado la expansin 1x1 o k 0 x , vlida para x Por lo tanto, para valores sucientemente pequeos de t, n
1.
tG t
Gt
I J i 1 j 1
nij i
k 1
q 1k1 1 j q k tik .
j
Dena ahora la funcin o hi, k i1k1

J j 1
nij
1 qj
qj
k .
1.3. Formula de De Pril
11
La doble suma respecto de los ndices j y k es absolutamente convergente en cualquiera de los dos rdenes que se efecten estas sumas y el resultado o u es el mismo. Por lo tanto es vlido el intercambio en el orden de las sumas a y la expresin anterior puede escribirse como sigue o tG t Gt
I i 1 k 1
tik hi, k .
Substituyendo las expresiones para G t y Gt en sus correspondientes series de potencias se obtiene
r 1
rt gr
r 0
t gr
I i 1 k 1
tik hi, k .
Para x 1, el coeciente de tx en el lado izquierdo es xgx , mientras que en el lado derecho es la suma de los trminos gxik hi, k , para aquellos valores de e i y k tales que 1 ik x. Se pueden primero establecer los posibles valores para i de la siguiente forma i 1, . . . , x I, y por lo tanto los valores para k son k 1, . . . , xi, en donde x I es el valor m nimo entre x e I, y xi es la parte entera del cociente xi. Igualando estos coecientes se tiene que
x I x i
xgx
gxik hi, k , 1,
i 1 k 1
De esta forma se llega a la siguiente expresin, para x o gx 1 x

x I x i i 1 k 1
gxik hi, k .
Por otro lado, como S 0 slo cuando ningn asegurado efecta ninguna o u u reclamacin, para x 0 se tiene que o g0
I J
1 qj n
ij
i 1j 1
12
Para un mejor entendimiento de la frmula recursiva de DePril [i] escribireo mos a continuacin de manera expl o cita los primeros trminos de este dee sarrollo. g0 g1 g2 g3 . . . Ejemplo 1.1 Para los datos que se muestran en la tabla de la Figura 1.4 en donde se tienen 48 plizas de seguros con las probabilidades de reclamacin y o o los montos de reclamaciones indicados, la correspondiente funcin de densio dad para este riesgo es la que se muestra en la Figura 1.5. En el apndice A e se encuentra el cdigo en R de una implementacin de la frmula de De Pril o o o [i]. Debe tenerse cuidado en la implementacin numrica de esta frmula o e o pues dado su caracter recursivo y que algunas de las probabilidades involucradas pueden ser muy pequeas, pueden generarse resultados incorrectos n debido al inevitable redondeo de cifras en una computadora.
Probabilidades de reclamacin o iq 1 2 3 4 5 0.03 1 3 5 2 2 0.04 3 5 3 2 3 0.05 1 4 4 6 4
I J
1 qj n
ij
g0 h1, 1 1 g0 h1, 2 h2, 1 g1 h1, 1 2 1 g0 h1, 3 h3, 1 g1 h1, 2 h2, 1 g2 h1, 1 3
i 1j 1
Monto de la reclamacin o
Figura 1.4: Cartera de 48 plizas individuales. o La frmula que hemos denominado de De Pril [i] y que se encuentra exo presada en el contexto de un portafolio de asegurados individuales puede escribirse como un resultado terico de la teor de la probabilidad. Este es o a
1.3. Formula de De Pril gx
13
0.1
x 2 4 6 8 10 12 Figura 1.5 14 16 18 20
el contenido de la siguiente proposicin. La frmula tiene una expresin ms o o o a simple y la demostracin sigue los mismos lineamientos que la que hemos o presentado, sin embargo, escribiremos nuevamente los detalles de la prueba en esta versin simplicada. o
Proposicin 1.2 (Frmula de De Pril [ii]) Sean X1 , X2 , . . . , Xn o o v.a.i.i.d. con valores en el conjunto 0, 1, 2, . . . . Para cada entero j 0, P X j , y suponga f0 0. Sea S dena la probabilidad fj X1 Xn . Entonces las probabilidades gx P S x se pueden calcular recursivamente mediante la siguiente frmula o g0 gx
f0n ,
1 f0
x j n 1 1 f
j 1
gxj ,
para x
1.
Demostracin. Primeramente observemos que el evento S 0 ocurre si o y slo si todos los sumandos de S son cero, de modo que por independencia, o
14
g0 f0n . Ahora veamos la forma de obtener la frmula recursiva. Sean o PX t y PS t las funciones generadoras de probabilidad de las variables discretas X y S respectivamente, es decir, PX t PS t E tX E tS

k 0
tk f k , tk gk .
k 0
Por independencia e idntica distribucin, PS t e o respecto de t, PS t nPX tn1 PX t. Multiplicando ambos lados por t PX t,
PX tn .
Derivando
PX t t PS t
n PS t t PX t,
que en trminos de sumas se escribe como sigue e
j 0
tj f j
k 1
k tk gk
k 0
tk gk
j 1
j tj f j .
El siguiente paso es identicar el coeciente del trmino tx en cada lado de e la ecuacin, para x o 1. Por ejemplo, para el lado izquierdo el coeciente es el trmino fj k gk para todos aquellos valores de j 0 y k 1 tales que e 1 j k x. Esta doble suma puede escribirse como x0 fj x j gxj . De j manera similar se encuentra el coeciente del lado derecho. Igualando estos coecientes se llega a la identidad
x 1 j 0
x j fj gxj
x j 1
j fj gxj .
Separando el primer sumando del lado izquierdo y aadiendo en esa misma n suma el trmino correspondiente a j x, que es cero, se obtiene e xf0 gx
x j 1
x j fj gxj
x j 1
j fj gxj .
1.3. Formula de De Pril Finalmente se despeja el trmino gx para llegar a la frmula anunciada, e o gx 1 f0
x j n 1 1 f
15
j 1
gxj ,
1.
Los primeros trminos de la frmula de De Pril [ii] se muestran a continuae o cin. o g0 g1 g2 g3
f 0 n 3
f0 n, 1 n f1 g0 n f1 f0 n1, f0 1 1 n1 n 2 n2 2 f1 g1 n f2 g0 2 f1 f0 n f2 f0n1 , f0 1 1 n2 2n 1 f g f g nf g
3
1 2
f1 f0
3
n 3
2!
n
2
2 1
3 0
f 2 f 1 f 0
n 2
n
1
f3 f0 n1 .
Observe que las expresiones simplicadas tienen una interpretacin natural o en trminos combinatoriales. Por ejemplo, la expresin para g2 involucra e o dos situaciones: la primera cuando dos sumandos distintos de S toman cada uno el valor uno y el resto toma el valor cero, y la segunda situacin cuando o uno de los sumandos toma el valor dos y el resto es cero. Los coecientes binomiales dan cuenta de las distintas formas en las que se pueden presentar estos arreglos. Ejemplo 1.2 Sean X1 , X2 , X3 variables aleatorias independientes con idntie ca distribucin dada por la tabla que aparece abajo y cuya grca se muestra o a en la Figura 1.6(a). Usando la frmula de De Pril [ii] encontraremos la diso tribucin de S X1 X2 X3 . o j fj 0 0.5 1 0.2 2 0.3
Observe que la variable suma puede tomar cualquiera de los valores 0, 1, . . . , 6. Usando la misma notacin que en la frmula de De Pril se muestran a cono o tinuacin los clculos para encontrar la funcin de probabilidad de S y la o a o
16
fj 12 12
gx
0 1 2 (a)
0 1 2 3 4 5 6 (b) Figura 1.6
grca correspondiente aparece en la Figura 1.6(b). a g0 g1 g2 g3 g4 g5 g6
f03 0.125, 1 3f1g0 0.15, f

0
1 f1g1 3f2g0 0.285, f0 1 1 3 f1g2 8 f2g1 0.188, f0 3 1 f2g2 0.171, f0 1 1 f1g4 3 f2g3 0.054, f0 5 5 1 1 3 f1g5 1 f2g4 0.027 . f0 3
En la seccin de ejercicios el lector puede encontrar algunas aplicaciones de o la frmula de DePril [ii] para obtener la funcin de probabilidad de variables o o aleatorias que pueden construirse como sumas de variables discretas con distribucin conocida, por ejemplo, las distribuciones binomial y Poisson. o
1.4.
Modelo colectivo
Considere un conjunto de un nmero no determinado de contratos de seu guros con vigencia en un periodo de tiempo 0, T . Este periodo puede co-
1.4. Modelo colectivo
17
rresponder a un ao por ejemplo. Sea N la variable aleatoria que denota n el nmero de reclamaciones ocurridas en este intervalo, y sean las variables u positivas Y1 , . . . , YN los montos de estas reclamaciones. Grcamente una a posible realizacin de tal esquema se muestra en la Figura 1.7. o
$ Y2 $ Y3 $ Y1 $ Y4 0 T $ Y5
Figura 1.7 Consideraremos que el nmero de reclamaciones y los montos de stas son u e variables aleatorias independientes. Ms an, supondremos que las reclaa u maciones mismas son independientes entre s y que comparten la misma , distribucin de probabilidad. o
Denicin 1.2 El monto agregado o monto acumulado de todas las reclao maciones efectuadas es la variable aleatoria S, llamada riesgo, y denida como sigue S
N
Yj .
(1.2)
j 1
Observe que cada sumando es una variable aleatoria y que el nmero de u sumandos es tambin aleatorio. La suma (1.2) se dene como cero cuando e N 0. Observe adems que S puede ser una variable aleatoria mixta, es dea cir, no ser discreta ni continua, pues cuando los montos de las reclamaciones Y son variables continuas estrictamente positivas, la variable S puede tomar 0 P N 0 0, y puede adems a el valor 0 con probabilidad P S tomar cualquier valor en el intervalo 0, . La ecuacin (1.2) representa el o modelo colectivo para un contrato de seguros, cuyas posibles realizaciones
18
como funcin del tiempo tienen la forma de la grca de la Figura 1.8. o a
S t $ Y3 $ Y2 $ Y1 t
Figura 1.8
A la funcin de distribucin de cada reclamacin Y la denotaremos por la o o o letra G. Se asume naturalmente que G0 0, ello equivale a decir que la variable Y es positiva. Adicionalmente usaremos la notacin n : E Y n , o en particular se escribe en lugar de 1 : E Y . Nuevamente el problema central es encontrar la distribucin de probabilidad de S, la cual depende o de la distribucin de Y y de N . Un primer resultado general al respecto o es el que aparece a continuacin. Antes de enunciarlo recordemos que la o 0-convolucin de una funcin de distribucin G se dene como o o o
G0 x
1 si x 0 si x
0, 0.
Proposicin 1.3 La funcin de distribucin del riesgo S en el modelo o o o colectivo es F x
n G x P N
n .
n 0
1.4. Modelo colectivo Demostracin. o
19
F x
n 0
P S
x N
n P N
P S
x N
0 P N 0
n 1
P Y1 Yn n
x P N
G0 x P N
n G x P N
n 1
n G x P N
n 0
n.
Algunas caracter sticas numricas de la variable S se muestran a continuae cin. o Proposicin 1.4 Suponiendo que las cantidades y funciones indicadas o existen, el riesgo S en el modelo colectivo cumple las siguientes propiedades. 1. E S 2. E S 2 3. 4. E N E Y . E N E Y 2 E N N
1E 2 Y . VarS VarN E 2 Y VarY E N . MS t MN ln MY t .
Demostracin. o 1. Condicionaremos sobre el valor de N , y despus usaremos la hiptesis de e o independencia. El resultado del clculo es el mismo cuando la variable N a
20
inicia en el valor 0 o en valor 1. E S
E E
N j 1 n
Yj N Yj N
n P N n P N n
n n
n 0
n 0
j 1
nE Y P N
n 0
E N E Y . 2. Nuevamente condicionando sobre el valor de N , E S 2
n 0
E E E
N j 1 n
Y j 2 N Y j 2 N Y j 2 P N
n
n P N n P N n
n n
n 0
j 1 n j 1
n 0
E Yj2
E Yj Yk P N
n.
n 0 j 1
j,k 1
j k
Observe que segunda suma es nula cuando n 0, y a su vez la tercera suma , e o se anula cuando n 0 o 1. As por la idntica distribucin tenemos que E S 2
nE Y 2 P N
nn 1 E 2 Y P N
n 0
E N E Y 2 E N N 3. Por las frmulas anteriores, o VarS E S 2 E 2 S
1 E 2 Y .
n 0
E N E Y 2 E N N
1 E 2 Y E 2 N E 2 Y E N E Y 2 E 2 Y E N 2 E 2 N E 2 Y E N VarY Var N E 2 Y .
1.4. Modelo colectivo 4. De manera anloga a los dos primeros incisos, a MS t
21
E erY1 YN N E erY1 Yn P N
n P N n
n 0
n 0
MY tn P N
n 0
E MY tN
E eN lnMY t
MN lnMY t.
Vase la seccin de ejercicios para los terceros momentos de S. Considerae o remos a continuacin algunos casos particulares del modelo colectivo. o Modelo binomial compuesto Cuando el nmero de reclamaciones N tiene una distribucin binn, p se u o dice que el riesgo S tiene una distribucin binomial compuesta, y se escribe o bin compn, p, G, en donde G es la funcin de distribucin de cada o o S sumando en la denicin de S. Bajo esta hiptesis se tienen los siguientes o o resultados. Proposicin 1.5 Si N tiene distribucin binn, p, entonces o o a) E S b) E S 2 c) VarS d) MS t np. np2 nn 1p2 2 . np2 p2 .
1 p pMY tn .
Estas expresiones se siguen fcilmente de las frmulas generales demostradas a o
22
antes, basta recordar que si N tiene distribucin binn, p, entonces E N o e o np, VarN np1 p, y MN t 1 p pet n. Vase la seccin de ejercicios para los terceros momentos de este modelo. Observe que en este caso se tiene una cota superior para el nmero de reclamaciones que pueden u efectuarse. Modelo binomial negativo compuesto Cuando el nmero de reclamaciones N tiene una distribucin binomial negu o ativa se dice que el riesgo S tiene una distribucin binomial negativa como bin negk, p, entonces S bin neg compk, p, G, puesta. Esto es, si N donde nuevamente G hace referencia a la funcin de distribucin de cada o o sumando de S. En este caso se cumple lo siguiente. Proposicin 1.6 Si N tiene distribucin bin negk, p, entonces o o a) E S b) E S 2 c) VarS d) MS t k1p 1. . k1p 11p2 k1p 12 2 .
1 1 ppM t k . Y
Para encontrar estas frmulas es suciente recordar que si N tiene distribuo k1 pp, VarN k1 pp2 , y cin bin negk, p, entonces E N o t k . Vase la seccin de ejercicios para los terceros e o MN t p1 1 pe momentos de este modelo. En el caso particular cuando k 1, la distribucin de N se reduce a la distribucin geomtrica de parmetro p, y se dice o o e a que S tiene distribucin geomtrica compuesta. o e Modelo Poisson compuesto Cuando el nmero de reclamaciones N tiene una distribucin Poisson se u o dice que el riesgo S tiene una distribucin Poisson compuesta, y se escribe o Poisson comp, G, en donde es el parmetro de la distribucin a o S Poisson y G es la funcin de distribucin de cada sumando de S. Para este o o
1.5. Modelo colectivo Poisson modelo se tienen los siguientes resultados. Proposicin 1.7 Si N tiene distribucin Poisson, entonces o o a) E S b) E S 2 c) VarS d) MS t . 2 2 2 . 2 . exp MY t 1 .
23
Nuevamente estas expresiones son consecuencia de las frmulas generales o demostradas antes, y del hecho de que si N tiene distribucin Poisson, o t 1. Vase la seccin entonces E N , VarN , y MN t expe e o de ejercicios para los terceros momentos de este modelo. Observe que el parmetro y la distribucin de la variable Y determinan por completo al a o modelo Poisson compuesto. Estudiaremos con ms detalle este modelo en a la siguiente seccin. o
1.5.
Modelo colectivo Poisson
En esta seccin retomamos el caso cuando el nmero de reclamaciones en o u el modelo colectivo sigue una distribucin Poisson. Primeramente explicareo mos la forma en la que se puede obtener un modelo colectivo Poisson a partir del modelo individual. Despus mostraremos cmo este modelo Poie o sson compuesto aproxima al modelo individual. Finalmente estudiaremos algunas propiedades interesantes y utiles del modelo colectivo Poisson. Modelo Poisson compuesto asociado al modelo individual n Considere el modelo individual de riesgo S i j 1 Dj Cj , junto con la notacin e hiptesis correspondientes. El super o o ndice i indica que se trata de un modelo individual. A partir de este modelo se construye a continuacin un modelo colectivo con distribucin Poisson compuesta. Para ello o o recuerde que unicamente se necesita establecer el valor del parmetro de a
24
la distribucin Poisson y la funcin de distribucin Gx del monto de las o o o reclamaciones. Sean entonces y Gx
n
qj , qj Gj x,
(1.3) (1.4)
j 1 n
j 1
o o en donde Gj x es la funcin de distribucin de la variable Cj . Mediante la primera igualdad se establece que el nmero esperado de reclamaciones en u ambos modelos sea el mismo. En la segunda ecuacin se dene a la funcin o o de distribucin de una reclamacin en el modelo colectivo como la suma o o ponderada de las funciones de distribucin del monto de las reclamaciones o en el modelo individual. De esta forma se construye el modelo colectivo N Sc j 1 Yj , a quien llamaremos modelo colectivo Poisson compuesto asociado al modelo individual, en donde el super ndice c indica que se trata de un modelo colectivo. Para este modelo particular se cumplen las siguientes igualdades: a) E S c b) VarS c c) E Y k d) MY t
n
qj E Cj .
2 qj E Cj . k E Cj .
j 1 n j 1 n qj j 1
n qj j 1
MCj t.
Estas expresiones se siguen directamente de resultados previos acerca del modelo Poisson compuesto y de las igualdades (1.3) y (1.4). Por ejemplo, usando integrales de Riemann-Stieltjes (vase el apndice), el k-simo moe e e mento de una reclamacin del modelo S c es, o E Y
k
y dGy
k
n qj
j 1
y k dGj y
n qj
j 1
k E C j .
1.5. Modelo colectivo Poisson
25
De manera anloga se verican las otras identidades. A modo de comparaa cin se tiene que E S i E S c , mientras que VarS i VarS c . o El modelo Poisson compuesto asociado como l mite del modelo individual Sea S i el riesgo en un modelo individual y sea S c el riesgo del modelo colectivo Poisson compuesto asociado. En esta seccin se demuestra que o este modelo colectivo puede ser obtenido como un proceso l mite en el modelo individual. Consideremos entonces el modelo individual junto con la notacin e hiptesis usuales. Por resultados previos sabemos que o o MS i t
n j 1
1 qj MC t 1.
j
Se construye un modelo individual adicional de la siguiente forma: cada pliza j se reemplaza por k subplizas idnticas en cada una de las cuales la o o e o o probabilidad de reclamacin se dene como qj k, y la funcin de distribucin o del monto de una reclamacin es la misma Gj y . Vase la Figura 1.9. En o e consecuencia, el portafolio consiste ahora de kn plizas. o
Subpliza 1 o Pliza o
..........
....... ....... ....... .......

Subpliza k o
..........
Figura 1.9
i Por lo tanto, si Sk denota el riesgo asociado a tal portafolio, entonces se tiene que n MS i t 1 qkj MCj t 1k . k j 1
Se hace ahora tender k a innito y usando el resultado l 1 xkk m

k
ex
26 se obtiene
l MS i t m
k
n j 1
exp qj MCj t 1
n j 1
exp
qj MCj t
exp MY t 1 MS c t.
Puesto que la convergencia de funciones generadoras de momentos es equivalente a la convergencia en distribucin de las correspondientes variables o aleatorias, se obtiene entonces que el modelo colectivo Poisson compuesto asociado es el l mite en distribucin del modelo individual cuando el nmero o u de plizas crece y las probabilidades de reclamacin se hacen cada vez ms o o a pequeas. El argumento presentado en esta seccin justica el uso del mon o delo Poisson compuesto bajo las condiciones mencionadas. Para reforzar esta idea, el siguiente argumento intuitivo tambin favorece al modelo Poie sson compuesto como una generalizacin del modelo individual. Recordemos o nuevamente que la funcin generadora de momentos del riesgo S i es o MS i t
n j 1
1 qj MC t 1.
j
El trmino qj MCj t 1 es pequeo para valores pequeos de t. Usando la e n n frmula ln1 x x x2 2 x3 3 , se puede escribir la aproximacin o o ln1 x x. De modo que lnMS i t
n j 1 n
ln1 qj MCj t 1 qj MCj t 1

n qj
j 1
j 1
MCj t 1 ,
1.5. Modelo colectivo Poisson en donde q1 qn . Por lo tanto MS i t exp

n qj j 1
27
MCj t 1 .
Esta es nuevamente la funcin generadora de momentos del riesgo con diso tribucin Poisson compuesta, en donde los montos de las reclamaciones o qj tienen funcin generadora de momentos n 1 MCj t. o j Modelo Poisson compuesto con varios tipos de riesgos Se demuestra ahora que la suma de riesgos independientes que siguen el modelo Poisson compuesto tambin es Poisson compuesto. Esta es una e propiedad interesante y util.
Proposicin 1.8 Sean S1 y S2 dos riesgos independientes con distribucin o o Poisson compuesta con parmetros 1 y 2 , y reclamaciones Y 1 y Y 2 a con funcin de distribucin G1 x y G2 x respectivamente. Entonces el o o riesgo S S1 S2 tambin sigue una distribucin Poisson compuesta con e o o o parmetro 1 2 , y las reclamaciones tienen funcin de distribucin a Gx 1 2 G1 x G2 x.
Demostracin. o MS1 S2 t
Por independencia tenemos que MS1 tMS2 t exp1 MY 1 t 1 exp2 MY 2 t 1 1 2 exp MY 1 t MY 2 t 1,
en donde 1 MY 1 t 2 MY 2 t es la funcin generadora de momentos de o 1 2 la funcin de distribucin Gx o o G1 x G2 x. El resultado anterior puede extenderse fcilmente al caso S a Vase el enunciado del ejercicio 40 en la pgina 38. e a S1 Sn .
28
Modelo Poisson compuesto con reclamaciones clasicadas Sea S un riesgo con distribucin Poisson compuesta de parmetro . Supono a ga que los montos de las reclamaciones pueden ser clasicadas en m categor excluyentes y exhaustivas denotadas por A1 , . . . , Am . T as picamente estas categor pueden ser intervalos de valores para las reclamaciones. Sea as P Y Ak 0 tal que p1 pm 1. Sea Nk el nmero de u pk reclamaciones del tipo k. Entonces N N1 Nm y debido a la independencia de los montos en las reclamaciones, el vector N1 , , Nm tiene n, es una distribucin condicional multinomialp1 , . . . , pm ; n cuando N o decir, para enteros no negativos n1 , . . . , nm tales que n1 nm n, se tiene que P N1 n 1 , . . . , Nm nm N n
n1
nm
n!
pn1 pnm m 1
La distribucin no condicional del vector N1 , . . . , Nm es el contenido del o siguiente resultado.
n1 ! nm !
pn1 pnm . m 1
Proposicin 1.9 Las variables aleatorias N1 , . . . , Nm son independientes o y cada variable Nk tiene distribucin Poissonpk . o
Demostracin. Sean n1 , . . . , nm enteros no negativos cualesquiera, y sea o n la suma de todos estos nmeros, es decir, n1 nm n. Entonces u P N1 n 1 , . . . , Nm nm P N1 P N1 n1 , . . . , Nm nm N n! n pn1 pnm e m 1 n1 ! nm ! n! n pk nk pk e . nk ! k 1 n 1 , . . . , Nm nm , N n nP N n
Se desprende de esta igualdad que la variable Nk tiene distribucin marginal o Poissonpk . De esta identidad se verica tambin la independencia. e
1.5. Modelo colectivo Poisson
29
Observe que, condicionadas al evento N n, las variables N1 , . . . , Nm no son independientes, mientras que sin tal condicin, lo son. Por otro lado, o como los montos de las reclamaciones son independientes de N , el riesgo de tipo k est dado por la variable a
N k Y ,
k
Sk
j 1
en donde Yj
k es una variable aleatoria con funcin de distribucin o o

Gk x P Yj
x Yj
Ak
P Yj x, Yj Ak . P Yj Ak
Por lo anterior, el riesgo Sk tiene distribucin Poisson compuesta con paro a metros pk , y Gk x. En particular, cuando Ak xk1 , xk , con 0 x0 x1 xm , la funcin de distribucin Gk x tiene la siguiente forma: o o
0 Gx Gxk1 Gk x Gxk Gxk1

1
si x
xk , x xk ,
si xk1 si x xk .
Modelo Poisson compuesto mixto Cuando el nmero de reclamaciones N tiene una distribucin Poisson y u o el parmetro es a su vez una variable aleatoria, se dice que el riesgo S a tiene una distribucin Poisson compuesta mixta. Algunas caracter o sticas de esta distribucin se muestran a continuacin. o o
30
Proposicin 1.10 Si N tiene distribucin Poisson en donde es una o o variable aleatoria con funcin de distribucin F , entonces o o a) P N b) E S c) E S 2 d) VarS e) MS t n
e
0
n dF . n!
E . E 2 E 2 2 . Var2 E 2 . M MY t 1.
Para obtener todas las identidades que aparecen en esta proposicin es suo ciente condicionar sobre el valor de . Vase la seccin de ejercicios para e o los terceros momentos de este modelo.
1.6.
Ejercicios
Modelo individual 1. Considere el modelo individual para un portafolio de n plizas de seo guros. Bajo la notacin e hiptesis usuales, demuestre que el nmero o o u esperado de reclamaciones es q1 qn . 2. Para un modelo individual de riesgo, encuentre la distribucin de o probabilidad del nmero total de reclamaciones en una cartera de n u asegurados cuando Dj tiene distribucin Berq , es decir, qj q 0 o es constante. 3. Considere el modelo individual de riesgo en donde Dj tiene distribucin Berq , es decir, qj q 0 es constante. Suponga adems que o a 0, es decir, se trata de una cada reclamacin Cj es constante c o misma suma asegurada para todos. Encuentre una expresin para o la esperanza y la varianza de S.
1.6. Ejercicios
31
4. Considere el modelo individual para un portafolio de n plizas de o seguros de vida. Suponga que el j-simo asegurado tiene una suma e asegurada constante cj . Demuestre que a) E S b) VarS
n j 1
qj cj . qj pj c2 . j
j 1
5. Demuestre que si f1 x, . . . , fn x son funciones diferenciables que no se anulan, entonces d dx

n j 1
fj x
n j 1
fj x
n fj x j 1
fj x
Use esta frmula y la expresin encontrada para MS t en el modelo o o individual de riesgo para encontrar nuevamente E S y VarS . 6. Para un riesgo S que sigue el modelo individual demuestre que a. E S 2 b. E S 3
n j 1 n 2 qj E Cj
i j
qi qj E Ci E Cj .
2 qi qj E Ci E Cj
3 qj E Cj 3
j 1
qi qj qk E Ci E Cj E Ck .
i j
i,j,k
distintos
7. Suponga que D y C son dos variables aleatorias independientes tales que D tiene distribucin Berq y C se distribuye exp. Calcule o y graque la funcin de distribucin de la variable aleatoria mixta o o DC. 8. Para el modelo individual, suponga que Dj tiene distribucin Berq , o q 0 es constante. Encuentre la distribucin del o es decir, qj
32
1. Modelo individual vs modelo colectivo riesgo S cuando n babilidad 3 y Cj tiene la siguiente distribucin de proo P Cj P Cj P Cj 1 2 3 0.6, 0.3, 0.1.
9. Considere un portafolio de 21 plizas individuales de seguros de o vida vlidas por un ao como se indica en la tabla que aparece a n abajo. Usando el modelo individual calcule E S y VarS .
Tasa de mortalidad qj 0.04 0.05 0.06 Suma asegurada $2 $3 $4 $5 1 1 2 1 0 2 3 3 1 1 2 4
10. Sean qj,0 , qj,1 y qj,2 las probabilidades de que el j-simo asegurado e presente 0, 1 y 2 reclamaciones respectivamente durante el tiempo de vigencia del seguro. Suponga que cada una de las posibles reclamaciones de la pliza j es constante zj y que qj,0 qj,1 qj,2 1. o Encuentre frmulas para E S y VarS en el modelo individual. o 11. Una compa aseguradora tiene una cartera con plizas de seguros na o de vida y diferentes sumas aseguradas como se muestra en la tabla que aparece abajo. Calcule E S y VarS usando el modelo individual.
Suma asegurada $10,000 $20,000 $30,000 Nmero u de plizas o 50 75 100 Probabilidad de reclamacin o 0.0040 0.0035 0.0030
12. Considere el modelo individual de riesgo para una cartera de n 56 asegurados divididos en cinco subgrupos de la siguiente forma: 11 asegurados con probabilidad de reclamacin q 0.01, 7 asegurados o con q 0.015, 20 asegurados con q 0.02, 10 asegurados con q 0.025 y 8 asegurados con q 0.03. Todos ellos con suma asegurada
1.6. Ejercicios
33
$100. Calcule el valor esperado del agregado de reclamaciones del riesgo correspondiente a esta cartera de asegurados. 13. Para el modelo individual, suponga que Dj tiene distribucin Berq , o es decir, qj q 0 es constante, y que cada reclamacin Cj tiene o o distribucin exp. Encuentre la distribucin de probabilidad del o riesgo S.
n 14. Considere el modelo individual de riesgo S j 1 Dj Cj , en donde C1 , C2 , . . ., Cn son constantes posiblemente distintas todas ellas, y cada Dj tiene distribucin Berqj para j 1, 2, . . . , n. o
a) Demuestre que la funcin de probabilidad de la variable Dj Cj o es 1 qj si x 0, fDj Cj x q si x Cj , 0j en otro caso. Sj 1 Dj Cj para j 2, 3, . . . , n y S1 D1 C1 . b) Dena Sj Demuestre que la funcin de probabilidad de la variable Sj o puede calcularse recursivamente de la siguiente forma. Para j 2, 3, . . . , n, fSj x
1 qj fS x qj fS x Cj .
j 1 j 1
15. Considere el modelo individual de riesgo en donde todas las tasas de muerte qj son una misma probabilidad p, y los montos de las reclamaciones son iguales a 1. Verque que las frmula generales de o la Proposicin 1.1 se reducen a las de la distribucin binomialn, p, o o es decir, b) VarS c) a) E S
d) MDj Cj t e) MS t
np1 p. si x 0 1 p si 0 Fj x 1 si x
np.
1 p pet n.
1 p pet .
0, x 1.
1,
34
1. Modelo individual vs modelo colectivo Frmula de De Pril o 16. Sean X1 , X2 , X3 , X4 variables aleatorias independientes con distribucin comn como aparece en la tabla de abajo. Encuentre la o u distribucin de X1 X2 X3 X4 . o j fj 0 0.1 1 0.2 2 0.3 3 0.4
17. Sean X1 , . . . , Xn variables aleatorias independientes con distribucin Berp. Mediante la frmula de De Pril [ii] compruebe que la o o o variable S X1 Xn tiene distribucin binn, p. 18. Sean X1 y X2 dos variables aleatorias independientes con idntie ca distribucin Poisson. Use la frmula de De Pril [ii] para deo o o mostrar que X1 X2 tiene distribucin Poisson2. 19. Sean X1 y X2 dos variables aleatorias independientes con idntica e o distribucin binn, p. Use la frmula de De Pril [ii] para demostrar o que X1 X2 tiene distribucin bin2n, p. o x n m n m . Sugerencia: j xj x j 0 20. Demuestre que la frmula recursiva de De Pril [ii] produce efectio vamente una funcin de probabilidad. o 21. A partir de la frmula de De Pril [ii] y siguiendo la misma notacin o o de dicho enunciado, demuestre que a) E S nE X . b) VarS nVarX . 22. Suponga que las variables aleatorias X1 , . . . , Xn en la frmula de De o Pril [ii] son estrictamente positivas y toman valores en el conjunto 1, 2, . . ., con f1 P X 1 0. Demuestre que la distribucin o de S X1 Xn ahora es la siguiente gn gxn
f1 n,
1 f1
x j n 1 1 f
j 1
j 1 gx n j ,
para x
1.
1.6. Ejercicios Vase el siguiente ejercicio para una extensin de esta frmula. e o o
35
23. Extensin de la frmula de De Pril [ii]. Suponga que las variao o bles aleatorias X1 , . . . , Xn son independientes e idnticamente dise tribuidas pero ahora con valores en el conjunto m, m 1, . . . para algn entero m u 1. Sea nuevamente S X1 Xn , fj P X j para j m, con fm 0, y gx P S x para x nm. Demuestre que gnm gx
fmn,
1 fm
x nm j 1
j n 1
x nm 1 fj m gxj ,
para x
nm 1.
Sugerencia: Las variables Xi m, para i 1, . . . , n, ahora ya tienen o soporte en el conjunto 0, 1, . . . , aplique entonces la frmula de De Pril [ii] demostrada y un cambio de variable adecuado. Modelo colectivo 24. Para el modelo colectivo de riesgo demuestre que a. E S 3 E N E Y 3 3E N N 1E Y E Y 2 E N N 1N 2E 3 Y . .
b. E S E S 3
25. Suponga que las variables Y1 , Y2 , . . . en el modelo colectivo de riesgo son discretas con valores en el conjunto 1, 2, . . . . Sea fj P Y j para j 1, gx P S x para x 0, y pn P N n para n 0. Demuestre que g0 gx p0 ,
n f x pn ,
para x
1.
n 1
26. A partir de la frmula encontrada para MS t en el modelo colectivo o de riesgo, encuentre nuevamente las expresiones para E S , E S 2 y VarS .
36

N 27. Considere el modelo colectivo de riesgo S j 1 Yj , en donde N tiene distribucin Poisson y Y sigue una distribucin log o o normalm, 2 . Demuestre que
b) E Y n d) e) f)
a) E Y
exp 2 2 m.
c) VarY
1 exp 2m. E S exp 2 2 m. VarS exp2 2 2m. E S E S 3 1 exp3 2 2. 3 : 32 VarS

2 e
expnm n2 2 2,
1.
28. La transformada de Laplace-Stieltjes de una variable aleatoria X o de su distribucin se dene como la funcin o o lX t E etX
etx dFX x.
A diferencia de la funcin generadora de momentos, la transformada o de Laplace-Stieltjes siempre existe para variables aleatorias positivas. Demuestre que para el modelo colectivo de riesgo se cumple la identidad lS t PN lY t, o en donde PN t es la funcin generadora de probabilidad de N . 29. Sea PX t E tX la funcin generadora de probabilidad de una o variable aleatoria discreta X. Considere un modelo colectivo de riesgo en donde las reclamaciones son discretas con valores en 0, 1, . . . . Suponiendo la existencia de las funciones involucradas, demuestre que se cumple la identidad PS t PN PX t.
Modelo binomial compuesto 30. Verique la validez de las frmulas para el modelo binomial como puesto que aparecen en la Proposicin 1.5 de la pgina 21. o a
1.6. Ejercicios
37
31. Para el modelo binomial compuesto, demuestre las siguientes frmuo las. b. E S E S 3 c. 3 : a. E S 3 . E S E S 3 VarS 32 np3 3p2 2 2p3 3 .
0.
32. Sean S1 y S2 dos riesgos independientes con distribucin binomial o compuesta con parmetros n1 , p; G y n2 , p; G respectivamente. a Suponga que los montos de las reclamaciones de cada uno de estos e o riesgos son Y 1 y Y 2 con idntica distribucin G. Demuestre que e o el riesgo S S1 S2 tambin sigue una distribucin binomial como puesta con parmetros n1 n2 , p; G, es decir, la distribucin del a monto de las reclamaciones para S es nuevamente G.
Modelo binomial negativo compuesto 33. Verique la validez de las frmulas para el modelo binomial negativo o compuesto de la Proposicin 1.6 en la pgina 22. o a 34. Para el modelo binomial negativo compuesto, demuestre las siguientes frmulas. o b. E S E S 3 13 3 . c. 3 : a. E S 3 . k1p 13 3k1p 12 2 2k1p
E S E S 3 VarS 32
0. 0
35. Sea N con distribucin bin negk, p. Demuestre que P N o k , y para n p 0 se cumple la relacin recursiva o P N n 1 kn 1 p P N n1 n.
38
1. Modelo individual vs modelo colectivo Modelo Poisson compuesto 36. Verique la validez de las frmulas para el modelo Poisson como puesto que aparecen en la Proposicin 1.7 de la pgina 23. o a 37. Para el modelo Poisson compuesto, demuestre las siguientes frmuo las. b. E S E S 3 c. 3 : a. E S 3 3 32 2 3 3 . 3 . 3 3 2 0.
E S E S 3 VarS 32
38. Demuestre las frmulas para el modelo Poisson compuesto asociado o de la pgina 24. a 39. Sean F1 x y F2 x dos funciones de distribucin con funciones geno eradoras de momentos M1 t y M2 t respectivamente. Demuestre o que para cualquier 0, 1, la funcin F1 x 1 F2 x es una funcin de distribucin cuya funcin generadora de momentos o o o asociada es M1 t 1 M2 t. Este resultado fue utilizado en el anlisis de la suma de dos riesgos con distribucin Poisson a o compuesta. 40. Sean S1 , . . . , Sn riesgos independientes con distribucin Poisson como puesta con parmetros 1 , . . . , n , respectivamente. Suponga que a los montos de las reclamaciones de estos riesgos son Y 1 , . . . , Y n , con funcin de distribucin G1 x, . . . , Gn x, respectivamente. Deo o muestre que el riesgo S S1 Sn tambin sigue una dise tribucin Poisson compuesta con parmetro 1 n , y la o a funcin de distribucin de las reclamaciones es o o Gx 1 n G1 x Gn x.
41. Sean S1 y S2 dos riesgos independientes, el primero con distribucin o 50, y el segundo con distribucin o Poisson comp1 , F1 con 1 Poisson comp2 , F2 con 2 100, en donde F1 x m x, 1 n para x 0, y F2 x 1 ex para x 0. Encuentre la distribucin o
1.6. Ejercicios
39
de S S1 S2 y la funcin de distribucin de las reclamaciones o o del riesgo S. 42. Sean S1 y S2 dos riesgos independientes con distribucin Poisson o 10, y el secompuesta, el primero Poisson comp1 , F1 con 1 gundo Poisson comp2 , F2 con 2 20. Suponga que las reclamaciones de ambos riesgos son de magnitud 50 o 100, y por lo tanto tienen la siguiente funcin de distribucin o o
F x
0 si x 50, p si 50 x 100, 1 si x 100.
Suponga que el parmetro p es igual a 12 para el primer riesgo y es a o 13 para el segundo riesgo. Encuentre la distribucin de S S1 S2 y la funcin de distribucin de las reclamaciones del riesgo S. o o 43. Sea X1 , X2 , . . . una sucesin de variables aleatorias independientes o cada una de ellas con distribucin Berq , y sea X0 0. Sea N otra o variable aleatoria con distribucin Poisson independiente de las o N anteriores. Demuestre que la variable X i 0 Xi tiene distribucin Poissonq . Esta variable tiene la siguiente interpretacin: si o o N representa el total de siniestros ocurridos y cada siniestro es reportado con probabilidad q, entonces X representa el total de siniestros ocurridos reportados. 44. Sea Y una variable aleatoria con funcin de distribucin F y , y o o u sean a b dos nmeros tales que F a F b. Demuestre que la funcin de distribucin condicional de Y dado el evento Y a, b o o es 0 F y F a si y a, F y Y a, b F b F a si a y b, 1 si y b. Aplique este resultado al caso cuando Y tiene distribucin exp. o Encuentre y graque ambas funciones de distribucin: la original y o la condicional.
40
1. Modelo individual vs modelo colectivo Modelo Poisson compuesto mixto 45. Verique la validez de las frmulas de la Proposicin 1.10 de la o o pgina 30. a 46. Para el modelo Poisson compuesto mixto, demuestre que b. E S E S 3 a. E S 3 E 3 3E 2 2 E 3 3 . E E 3 3 3Var2 E 3 .
Esperanza condicional 47. Sea X, Y un vector aleatorio discreto con la funcin de probao bilidad que aparece abajo. Encuentre la distribucin de la variable o aleatoria E X Y y compruebe que E E X Y E X 7836. fX,Y x, y
x y36
0
si x, y 1, 2, 3, en otro caso.
Cap tulo 2
Frmula de Panjer y o algunos mtodos de e aproximacin o

En este cap tulo se presenta la famosa frmula de Panjer. Este resultado o proporciona una expresin exacta, aunque recursiva, de la distribucin de o o probabilidad de un riesgo en el modelo colectivo, y es vlida cuando la disa tribucin del nmero de reclamaciones y los montos cumplen ciertas condio u ciones. Se presentan adems algunos mtodos de aproximacin con validez a e o general para estimar la distribucin de un riesgo. Estos mtodos generales o e de aproximacin pueden ser utiles cuando no se cumplen las condiciones o requeridas para aplicar la frmula de Panjer. o
2.1.
Frmula de Panjer o
Primeramente se enuncia la condicin que debe satisfacer el nmero de o u reclamaciones para obtener la frmula de Panjer. o
41
42
2. Formula de Panjer y mtodos de aproximacion e
Proposicin 2.1 Sea N una variable aleatoria discreta con valores en o 0, 1, . . . y sea pk P N k para k 0, 1, . . . Sean a y b dos constante. Entonces la igualdad pk se cumple cuando 1. N es binn, p, con a 2. N es Poisson, con a 3. N es bin negr, p, con a b a k pk1, k 1, (2.1)
p1 p y b n 1p1 p.
0yb . 1p y b
r 11 p.
La demostracin de este resultado es inmediata despus de realizar algunos o e clculos algebraicos sencillos, y se dejan como ejercicio al lector. Toda disa tribucin de probabilidad con soporte en 0, 1, . . . que cumple la identio dad (2.1) se le llama distribucin de clase a, b, 0, los trminos a y b se o e reeren a las constantes del mismo nombre que aparecen en la frmula (2.1) o y el cero se reere a que la probabilidad de inicio de la frmula recursiva es o aquella que tiene sub ndice cero, es decir, p0 . Observe que la identidad (2.1) es muy atractiva pues permite generar la distribucin de probabilidad de eso tas variables aleatorias discretas de una forma recursiva: se calcula primero p0 , a partir de ella se obtiene p1 , a partir de p1 se obtiene p2 , y as suce sivamente. Supondremos entonces que la distribucin del nmero de reclao u maciones cumple con la condicin (2.1) y la proposicin establece que tal o o condicin es vlida para las tres distribuciones sealadas. En el ejercicio 48 o a n en la pgina 55 se pide demostrar el resultado rec a proco de la proposicin o anterior, es decir, que las unicas distribuciones discretas de probabilidad no degeneradas que cumplen (2.1) son las tres mencionadas. Recordando la N notacin e hiptesis del modelo colectivo de riesgo S o o j 1 Yj , denido en el cap tulo anterior, tenemos las siguientes hiptesis y notacin adicionales. o o 1, lo Supondremos que las reclamaciones Yj son tales que P Yj cual no es ningn problema pues puede considerarse que las reclamaciones u
2.1. Formula de Panjer
43
se efectan en unidades monetarias, cualesquiera que estas sean. En los u clculos que haremos a continuacin usaremos los siguientes s a o mbolos. Notacin: o pk fr gr P N k r
fr k
P Y
P S
P Y1 Yk r
k r 1 r
0, 1, . . . 1, 2, . . . k r 1, 2, . . . 0, 1, . . .
En particular, para 1
k1
r,
r 1 i 1
fr k1
P S P S r 0
f k f r
0
k fi fri .
Adems, g0 a
P N
p0 , y para r
1,
gr
k 1
P S
r N
kP N
k f r pk .
k 1
Proposicin 2.2 Bajo la notacin e hiptesis anteriores, se cumplen las o o o siguientes igualdades: 1. E Y1
k j 1
Yj
r 1
r , para k k
1.
2. pk fr k
p k 1
i 1
a bi frki1 fi, r
para k
2.
44
2. Formula de Panjer y mtodos de aproximacion e Para el primer inciso, por idntica distribucin, e o
k j 1
Demostracin. o E Y1
Yj
1 k
k i 1
E Yi
k i 1
k j 1
Yj
1 E k r . k
Yi
Yj
j 1
Para el segundo inciso desarrollamos el lado derecho,

r 1
pk1
i 1
a bi frki1 fi r
pk1 pk1 pk1 pk1
i 1 r
a bi P Y2 Yk r a bi P Y1 r a
bi P Y1 r
k j 1
r iP Y1 r i
i, Y2 Yk i, Yj r
i 1 r i 1
i 1
a bi P Y1 r
bY1 r
k j 1
Yj
r f r k
j 1
pk1 E a pk1 a
Yj
r fr k
pk f r k
b k f k r
Ahora estamos listos para enunciar y demostrar la frmula de Harry Pano jer [17], publicada en 1981.
45
Teorema 2.1 (Frmula de Panjer) Para el modelo colectivo de riesgo, y o bajo las hiptesis y notacin arriba enunciados, la probabilidad gr P S o o r est dada por a gr g0
r i 1
a bi fi gri , r
para r
1.
p0 .
Demostracin. o el caso r 1, gr
Hemos observado antes que g0
P N
p0 . Para
k 1
P S
r N
kP N
pk f r k
k 1
p1 f r
k 2
pk f r k r1
k 2i 1 r 1
a bp0fr a bp0fr a bp0fr
r i 1
a bi pk1frki1fi r
k 2
i 1 r 1 i 1
a bi fi r
pk1 fri
k1
a bi figri r
a bi figri. r
Observe que cuando las reclamaciones son constantes y unitarias, es decir,
46
f1 P Y 1 1, entonces S N y la frmula de Panjer se reduce o a la frmula recursiva (2.1) de las distribuciones a, b, 0. A continuacin o o escribimos expl citamente los primeros trminos de la frmula recursiva de e o Panjer: g0 g1 g2 g3 . . . Como un ejemplo consideremos el caso cuando N sigue una distribucin o 3.5, y el monto de las reclamaciones tiene la Poisson de parmetro a siguiente funcin de densidad o r fr 1 0.1 2 0.1 3 0.2 4 0.3 5 0.3 p0 P N 0 b f1g0 1 b f1g1 a 2 b f1g2 a 3
a a a
2b f2g0 2 2b f2g1 a 3b f3g0 3 3
Entonces la frmula de Panjer produce la funcin de probabilidad para S o o que se muestra en la Figura 2.1. El cdigo en R correspondiente se encuentra o en el Apndice B. e
Harry Panjer
47
gr
0.03
r 5 10 Figura 2.1 15 20
Aproximacin en el caso de montos de reclamaciones continuas o Cuando los montos de las reclamaciones toman valores continuos, pueden usarse el siguiente mtodo de discretizacin de estos montos para poder e o aplicar la frmula de Panjer. Se toma cualquier unidad monetaria 0, y o se denen las variables aleatorias enteras Yj y Yj n : Yj nf sup n : Yj n , n ,
en donde tambin se dene e nf 0. Entonces Y j Yj Y j . Por ejemplo, para la situacin que se muestra en la Figura 2.2 se tiene que o Y j 4 y Y j 3, y efectivamente 3 Yj 4.
Yj
Figura 2.2 Se denen entonces los siguientes riesgos cuyas reclamaciones ahora son
48 enteras
N j 1
Y j,
N j 1
Y j.
Y entonces se cumple que S Por lo tanto, para cualquier x P S x 0, P S x P S x. S S.
Esto provee de cotas superior e inferior, calculadas usando la frmula de o Panjer, para la funcin de distribucin del riesgo. Conforme ms pequea o o a n sea la unidad monetaria mejor es la aproximacin. Debe observarse, sin o embargo, que surge una dicultad tcnica para aquellas reclamaciones Yj e con valores en 0, , pues estas reclamaciones llevan a la denicin Y j 0, o lo cual no es un caso contemplado en el esquema de la frmula de Panjer. o En una situacin real el monto de las reclamaciones es grande comparado o con el parmetro , de modo que la probabilidad de que una reclamacin a o tome un valor entre 0 y es realmente muy pequea. Existe tambin un n e 1, es decir, se aproximan las caso particular simple que es cuando reclamaciones mediante valores enteros: para cada valor de Yj existe un entero n 0 tal que n Yj n 1, y por lo tanto, Yj n, y Yj n 1. S S, y en consecuencia x ,
Entonces se tienen nuevamente las relaciones S para cualquier x 0, P S x P S x P S
en donde S y S son riesgos con reclamaciones enteras para los cuales puede aplicarse la frmula de Panjer y obtener su distribucin (exceptuando un o o pequeo error obtenido por el caso Y j 0). En cualquier caso podemos ser n prudentes y tomar las reclamaciones de manera sobre estimada: para n 0, Yj n1 cuando Y
n, n 1.
De esta forma cualquier valor continuo de una reclamacin en el intervalo o n, n 1 se considera como si fuera de magnitud n 1. Por lo tanto, los
2.2. Aproximacion normal
49
montos de las reclamaciones estn siendo ligeramente sobrevaluadas. Si Gx a denota la funcin de distribucin de una reclamacin Y cualquiera, entonces o o o se ha denido la distribucin discreta o P Y j n 1 Gn 1 Gn, n 0, 1, 2, . . . .
En las siguientes secciones estudiaremos algunos mtodos generales para e aproximar la distribucin de probabilidad de un riesgo en el modelo coleco tivo. Estas aproximaciones son muy generales y no presuponen el cumplimiento de las hiptesis para la validez de la frmula de Panjer, es decir, o o el nmero de reclamaciones no necesariamente tiene una distribucin en la u o clase a, b, 0, ni el monto de las reclamaciones es necesariamente discreto. Por otro lado, el problema de estimar el error en estas aproximaciones es tambin muy general y no nos ocuparemos de ello. e
2.2.
Aproximacin normal o
Si la distribucin de probabilidad del nmero de reclamaciones N se conceno u tra mayormente en valores grandes, entonces el teorema central del l mite sugiere aproximar la distribucin del riesgo S mediante la distribucin noro o mal. Suponga que la esperanza de S es m y la varianza es 2 . Entonces, para x 0, P S x P
Sm xm x m . Derivando esta expresin se encuentra una frmula aproximada para la funo o cin de densidad de S. o Proposicin 2.3 (Aproximacin normal) Sea S es una riesgo con meo o dia m y varianza nita 2 . Para cualquier x 0, f S x 1 xm . (2.2)
Esta aproximacin hace uso unicamente de la media y la varianza del riesgo, o y en general no es una buena aproximacin a menos que la densidad del o
50
riesgo presente la forma de campana o bien el nmero de reclamaciones sea u grande. Se puede particularizar esta aproximacin cuando la distribucin o o de N es conocida, por ejemplo, cuando el nmero de reclamaciones N sigue u una distribucin Poisson con parmetro , la aproximacin (2.2) adquiere o a o la expresin o 1 x fS x . 2 2 Otro caso particular se obtiene cuando N es binn, p, entonces la expresin o (2.2) se reduce a la frmula siguiente o P S x x np . np2 2 p
En el caso cuando N es bin negr, p se tiene que (2.2) es P S x x r 1 pp . r 1 p2 p 1 p2 p2
2.3.
Aproximacin gamma trasladada o
Puesto que la funcin de densidad o de probabilidad de algunos riesgos o pueden presentar un aspecto semejante a la forma de la distribucin gamo ma, se propone substituir la distribucin del riesgo S por la distribucin o o de la variable aleatoria k Z, en donde k es una constante y Z es una variable aleatoria con distribucin gamma, . Para ello se deben escoger o adecuadamente valores para los tres parmetros k, y , que determinan a la distribucin de k Z. Supongamos entonces conocidas o estimadas las o siguientes cantidades a) E S b) VarS c) m. 2. 3 .
E S E S 3 VarS 32
La correspondiente media, varianza y coeciente de asimetr (de Fisher) a de la variable aleatoria aproximante k Z son
2.4. Aproximacion de Edgeworth a) E k Z k . 2 .
51
E k Z E k Z 3 2 . Vark Z 32 La idea es hacer que las distribuciones de S y k Z coincidan en el sentido de que las tres cantidades mencionadas sean las mismas para las dos distribuciones. Haciendo coincidir estas cantidades se obtiene el sistema de ecuaciones 2 m, 2, 3 , k 2 cuya solucin es o 2 4 2 k m , . 2, 3 3 3 c) De esta forma se tiene la siguiente aproximacin. o
b) Vark Z
Proposicin 2.4 (Aproximacin gamma trasladada) La distribucin o o o del riesgo S en el modelo colectivo puede aproximarse mediante la distribucin de la variable aleatoria o m en donde Z se distribuye gamma 2 3
Z,
2 4 2 , . 3 3
Pueden substituirse las expresiones generales para la media, varianza y coeciente de asimetr de un riesgo que sigue el modelo colectivo para obtener a frmulas un poco ms particulares de esta aproximacin. o a o
2.4.
Aproximacin de Edgeworth o
Considere un cierto riesgo S modelado mediante una variable aleatoria con esperanza m, varianza nita 2 , y tal que su funcin generadora de moo
52
mentos existe. Dena la variable Z S m, cuya esperanza es cero y varianza es uno. Sea MZ r la funcin generadora de momentos de Z. La o serie de Taylor de la funcin ln MZ r alrededor de cero es o ln MZ r a0 a1 r
k
a2 2 a3 3 a4 4 r r r 2! 3! 4!
d en donde los coecientes son ak ln MZ r . Calculando las derivadas dr k r 0 y evaluando en cero se encuentra que los primeros cinco coecientes son
a0 a1 a2 a3 a4 . . .
0,
E Z E Z
1, E Z , E Z 4 3,
2 3
0,
La aproximacin de Edgeworth consiste en truncar la serie de Taylor de o u e la funcin ln MZ r hasta algn trmino adecuado. Por ejemplo, la aproxio macin hasta la cuarta potencia de r es o ln MZ r Entonces MZ r exp 1 2 a3 3 a4 4 r r r 2! 3! 4! a3 3 a4 4 r 2 2 e exp r r . 6 24 1 2 a3 3 a4 4 r r r . 2! 3! 4!
Ahora se usa la serie ex 1 x x2 2! x3 3! en el segundo factor y se obtiene la aproximacin o MZ r er e

2
2 1 a3 r3 a4 r4 a3 r6
2
r2
6 24 72 a3 3 r2 2 a4 4 r2 2 a3 6 r2 2 3 24 r e 72 r e . r e 6
(2.3)
2.4. Aproximacion de Edgeworth
53
El siguiente paso es invertir cada trmino de esta ecuacin encontrando e o una distribucin aproximada para Z. El resultado que utilizaremos es el o siguiente. Proposicin 2.5 Si x es la funcin de densidad de la distribucin noro o o mal estndar, entonces para cualquier entero n 0, a
erx 1n n x dx
r n er
2 .
Demostracin. o
Primeramente tenemos que para n
0,
erx x dx
er
2 ,
o o es decir, er 2 es la funcin generadora de momentos de la distribucin normal estndar. Multiplicando por r tenemos que a re
r2 2
rerx x dx d dx erx x dx
erx x dx.
Es decir, rer 2 es la transformada de Laplace de x. Procediendo de manera anloga, multiplicando sucesivamente por r, se llega a la frmula a o anunciada. En particular, se ha demostrado que rer 2 es la transformada de Laplace e de x. En este caso usamos el trmino transformada de Laplace y no funcin generadora de momentos pues la funcin x no es una funcin o o o n er 2 2 de densidad. Entonces el resultado anterior establece que la funcin r o es la transformada de Laplace de 1n n x. El siguiente paso es invertir cada uno de los trminos de la igualdad (2.3), aunque realmente que no se e
2
54
est calculando de manera formal la inversa de la funcin generadora de a o momentos (o transformada de Laplace) sino que se est usando el hecho de a que si dos distribuciones de probabilidad tienen la misma funcin generadora o de momentos, entonces las distribuciones coinciden. As invirtiendo trmino , e a trmino la igualdad (2.3), se obtiene e f Z z z a3 3 a4 4 a2 z z 3 6 z . 6 24 72 (2.4)
Recordemos que hemos denido Z S m, por lo tanto la funcin de o a densidad de S m Z est dada por fS x 1 xm , fZ
y de esta forma se llega al siguiente resultado.
Proposicin 2.6 (Aproximacin de Edgeworth) Sea S un riesgo con o o media m, varianza nita 2 , y cuya funcin generadora de momentos existe. o Entonces la funcin de densidad de S puede aproximarse de la siguiente o forma f S x 1 a4 a2 3 x m a63 3 x m 24 4 x m 72 6 x m .
Derivando directamente la funcin de densidad x de la distribucin noro o mal estndar puede demostrarse que a 3 x 4 x 6 x
3x x3 x, 3 6x2 x4 x, 15 45x2 15x4 x6 x.
Estas expresiones pueden substituirse en la aproximacin de Edgeworth o para obtener una expresin en trminos de unicamente la funcin x. Obo e o serve que el primer sumando en la aproximacin de Edgeworth corresponde o a la funcin de densidad normal con media m y varianza 2 . No es dif o cil
2.5. Ejercicios
55
vericar adems que cuando el riesgo S sigue una distribucin normal, la a o aproximacin de Edgeworth es exacta pues produce como resultado la miso ma distribucin con los mismos parmetros. o a
Francis Ysidro Edgeworth (Irlanda 18451926)
La aproximacin de Edgeworth puede expresarse tambin en trminos de la o e e funcin de distribucin de la siguiente forma. Integrando (2.4) se obtiene o o a3 3 a4 a2 z 4 z 3 6 z . 6 24 72 Considerando la identidad FS x FZ x m , se tiene que la aproximacin de Edgeworth para un riesgo S en trminos de la funcin de distribucin o e o o es xm a4 a2 3 a63 3 x m 24 4 x m 72 6 x m , FS x en donde derivando directamente la funcin z puede demostrarse que o FZ z z 3 z 4 z
6 z
z2 1 z, z3 3z z, z5 10z3 15z z.
2.5.
Ejercicios
Distribuciones de la clase a, b, 0
48. Las cuatro distribuciones de la clase a, b, 0. Sea pk una distribu-
56
2. Formula de Panjer y mtodos de aproximacion e cin de probabilidad en la clase a, b, 0, es decir, se trata de una o distribucin discreta con soporte el conjunto 0, 1, . . . y tal que o cumple la relacin pk a bk pk1 para k 1, en donde a y b o son dos constantes. Observe que tomando el caso particular cuando o k 1, se llega a la conclusin de que las constantes deben satisfacer la desigualdad a b 0. o a) Demuestre que en el caso a b 0, la distribucin se concentra en cero, es decir, p0 1. 0 ya 0 entonces pk es la disb) Demuestre que si a b tribucin Poisson con b 0. o 0ya 0 entonces para cualquier c) Demuestre que si a b k 1, pk
ak b b b b k a k 1 a 2 a 1 a p0 . (2.5) k! Dena r 1 ba, e incorpore este valor en (2.5). Concluya o que pk es la distribucin bin negr, p con p 1 a. d) Observe que si a b 0 y a 0, y si la relacin iterativa es o 1 como hemos supuesto, entonces vlida para cualquier k a necesariamente los valores de las constantes a y b deben ser tales que exista un entero n 1 tal que b b 0, y a 0. n n1 Y por lo tanto se debe tener que pk 0 para k n1, n2, . . .. De la igualdad anterior obtenga n ba 1. Compruebe la validez de la ecuacin (2.5) para 0 k n, e incorpore all el o o valor de n. Concluya que pk es la distribucin binomialn, p con p aa 1. 49. Funcin generadora de probabilidad de una distribucin en la clase o o a, b, 0. Sea N una variable aleatoria con distribucin de probabio lidad en la clase a, b, 0. a) Demuestre que la correspondiente funcin generadora de proo o babilidad PN t E tN satisface la ecuacin diferencial 1 at PN t a b PN t. (2.6) a
2.5. Ejercicios
57
b) Demuestre que la solucin a la ecuacin (2.6) con condicin o o o inicial PN 1 1 y para a 0, 1 es PN t
1 at 1a
aba
c) En particular, demuestre que c.1) P N 0 c.2) l P N m

a 0
1 aaba 0 eb .
para a
0.
50. Frmula para la esperanza de una distribucin en la clase a, b, 0. o o Sea N una variable aleatoria con distribucin de probabilidad pk o en la clase a, b, 0. A partir de la denicin elemental de esperanza o o bien usando la frmula (2.6) del ejercicio anterior, demuestre que o para a 1, ab . E N 1a Frmula de Panjer o 51. Compruebe que la frmula recursiva de Panjer efectivamente proo duce una funcin de probabilidad. o 52. A partir de la frmula recursiva de Panjer compruebe nuevamente o que E S E N E Y . 53. Frmula recursiva para los momentos de S. Use la frmula de Pano o jer y la misma notacin e hiptesis de dicho resultado para deo o mostrar que para a 1 y para n 1, E S
n
1a
n 1 i 0
n
a i
n 1
i
E S i E Y ni .
54. Frmula recursiva para la funcin de distribucin de S en un caso o o o particular. En general es dif encontrar una expresin recursiva cil o para la funcin de distribucin F x de un riesgo S en el modelo o o
58
2. Formula de Panjer y mtodos de aproximacion e colectivo. Sin embargo, para el siguiente caso particular es posible encontrar dicha relacin. Usando la notacin e hiptesis de la o o o frmula de Panjer y en el caso cuando N tiene una funcin de proo o babilidad geop, es decir, pk P N k 1 pk p, para k 0, demuestre que para x 1, F x p 1 p
x j 1
fj F x j .
55. Suponga que un riesgo S sigue un modelo colectivo en donde N tiene una distribucin Poisson de parmetro 2, y el monto de las o a reclamaciones tiene la funcin de probabilidad que aparece abajo. o Use la frmula de Panjer para encontrar la funcin de probabilidad o o de S. r fr 1 1/2 2 1/2
56. Suponga que un riesgo S sigue un modelo colectivo en donde N tiene una distribucin geomtrica de parmetro p 12, y el monto de las o e a reclamaciones tiene la funcin de probabilidad que aparece abajo. o Use la frmula de Panjer para encontrar la funcin de probabilidad o o de S. r fr Aproximacin normal o 57. Suponga que un cierto riesgo S tiene una distribucin Poisson como puesta con parmetro 30, en donde los montos de las reclamaa ciones siguen una distribucin uniforme(0, 10). Use la aproximacin o o normal para encontrar el valor de la prima p tal que b) P S a) P S p p 0.05. 0.01. 1 1/2 2 1/2
2.5. Ejercicios
59
58. Suponga que un riesgo S sigue una distribucin Poisson compuesta o con parmetro a 20, y los montos de las reclamaciones tienen o distribucin exp con 10. Use la aproximacin normal para o estimar la probabilidad P S E S . 59. Suponga que un riesgo S sigue una distribucin Poisson compuesta o con parmetro 20, y los montos de las reclamaciones tienen disa tribucin Pareto4, 3. Use la aproximacin normal para comprobar o o que el valor de la prima p que cumple la condicin P S p 0.01 o es p 38.0194 . Aproximacin gamma trasladada o 60. Demuestre que si S es un riesgo con distribucin gamma, , eno tonces E S 3 2 3 . Compruebe entonces que la aproximacin gamma trasladada para S coincide con S. o 61. Durante la derivacin de la aproximacin gamma trasladada se usa o o el hecho de que la variable aleatoria k Z, en donde Z tiene una distribucin gamma, , tiene media, varianza y coeciente de o asimetr k , 2 y 2 respectivamente. Demuestre estas a frmulas. o 62. Durante la derivacin de la aproximacin gamma trasladada se llega o o al sistema de ecuaciones k m, 2 2 y 2 3 , en donde k, y son las incgnitas. Demuestre que la solucin a este o o 2 y 23 . sistema es efectivamente k m 2 3 , 43 63. Encuentre una expresin para la aproximacin gamma trasladada o o cuando el riesgo sigue una distribucin o a) Poisson compuesta. b) binomial compuesta. c) binomial negativa compuesta. 64. Suponga que Z tiene una distribucin gamma, . Demuestre que o si 2 es un nmero entero natural, entonces 2Z tiene una distribuu cin 2 2 . o
60
2. Formula de Panjer y mtodos de aproximacion e Aproximacin de Edgeworth o 65. Demuestre que la aproximacin de Edgeworth para un riesgo con o distribucin normal con media m y varianza 2 produce esta misma o distribucin con los mismos parmetros. Recuerde que si Z tiene o a una distribucin normal estndar, entonces los momentos impares o a de esta variable aleatoria se anulan, y para cualquier nmero natural u n, 2n! . E Z 2n 2n n! 66. Suponga que S tiene una distribucin Poisson compuesta de paro a metro 0, y que se desea usar la aproximacin de Edgeworth o para S. Demuestre que ak
dk ln MZ r r k dr
x
k 2 k2 , para k
2, 3, 4.
En consecuencia P S
32 x 3 2 3 x 6 2 2 2 42 4 x 24 2 2 2 3 3 72 2 6 x . 2
67. Suponga que S tiene una distribucin Poisson compuesta de paro a 0, y que se desea usar la aproximacin de Edgeworth o metro para S. Suponga adicionalmente que el monto de las reclamaciones siguen una distribucin Pareto4, 3. Demuestre que 4 o , y por lo tanto la frmula del ejercicio anterior no puede aplicarse. o
Cap tulo 3
Principios para el clculo de a primas

Hemos mencionado antes que una prima es un pago por adelantado que un asegurado realiza a una compa aseguradora para obtener una cobertura na parcial o completa contra un riesgo determinado, en los trminos y condie ciones que establece la pliza del seguro. En este cap o tulo vamos a estudiar algunas reglas generales para calcular el valor de una prima tomando en consideracin unicamente los aspectos matemticos del riesgo, es decir, no o a consideraremos cuestiones administrativas o mercadolgicas del negocio del o seguro, las cuales en situaciones prcticas son indispensables de considerar. a Denotaremos por p, o pS , la prima para cubrir un riesgo S. De esta manera, a la frmula para calcular una prima se le puede considerar como una o funcin numrica de la variable aleatoria S o de su distribucin. o e o
3.1.
Principios generales
E S . Aunque esta frmula o La prima pura de riesgo est dada por p a podr parecer justa para el asegurado, no lo es as para el asegurador, quien a debe solventar los diversos gastos de administracin del seguro, y quien por o otro lado no tendr ningn margen de ganancia promedio por operar el a u negocio del seguro. Veremos a continuacin la posible situacin catastrca o o o que podr presentarse cuando se toma p E S . Considere un portafolio a homogneo de n plizas de seguro de un mismo riesgo y vlidas por un e o a 61
62
3. Principios para el calculo de primas
tiempo determinado. Suponga que se cobra una misma prima p por cada pliza, y que Sj representa el monto de las reclamaciones efectuadas por la o pliza j, las cuales se presuponen independientes y con idntica distribucin. o e o Si u es el capital inicial de la aseguradora, entonces el capital de la misma al trmino de la vigencia de las plizas es e o Xn u np
n j 1
Sj
p Sj .
j 1
Tenemos las siguientes dos situaciones: a) Cuando p E S , al tomar esperanza en la ecuacin anterior se obo na tiene E Xn u n p E S u. Es decir, en promedio la compa aseguradora permanece con su capital inicial, sin embargo puede demostrarse que cuando n , casi seguramente, l sup Xn m
n
ln inf Xn m
Esto quiere decir que el capital Xn puede oscilar y tomar valores grandes, tanto negativa como positivamente. b) Cuando p E S , por la ley de los grandes nmeros, la variable Xn u tiene el siguiente comportamiento l mite en el sentido casi seguro, l Xn m
si p si p
E S , E S .
En vista de estos resultados, es natural y deseable suponer p E S . Esta condicin se conoce con el nombre de condicin de ganancia neta (net prot o o condition), y debe prevalecer en cualquier mtodo para calcular p. En genee ral no existe un mecanismo de clculo para la prima que sea el mejor pues a existen varias condiciones que afectan la forma de calcular primas, entre ellas, las restricciones legales y nancieras, las condiciones del asegurado, las condiciones de la propia aseguradora y de las otras aseguradoras, as co mo las condiciones del mercado del seguro. Todos estos son factores que determinan, directa o indirectamente, el valor de una prima para cubrir un riesgo particular en una situacin real. o
3.1. Principios generales
63
Principio del valor esperado Este principio es uno de los ms sencillos y establece que la prima puede a calcularse de la siguiente forma p
1 E S ,
en donde 0 es una constante llamada factor de recargo (safety loading). Es decir, se trata de la reclamacin promedio mas un porcentaje de sta. o e En el factor de recargo se encuentran inmersos los costos administrativos y comerciales del seguro, as como los mrgenes de utilidad de la aseguradora. a La forma simple en la que se calculan las primas mediante este principio es una de sus caracter sticas principales, sin embargo puede observarse que una desventaja de esta frmula es que asigna la misma prima a dos rieso gos con distinta distribucin pero con media comn, y no toma en cuenta o u otro aspectos. Por ejemplo, si las varianzas de los riesgos fueran distintas, entonces las primas tal vez deber ser distintas. an Principio de la varianza Este principio hace uso de la esperanza y la varianza del riesgo. En este caso el factor de recargo 0 se aplica sobre el valor de la varianza de la siguiente forma p E S VarS . Principio de la desviacin estndar o a Sea nuevamente 0 una constante. En este principio el factor de recargo se aplica sobre la desviacin estndar del riesgo como indica la frmula que o a o aparece abajo. A diferencia del principio de la varianza, en este caso las unidades de medicin del riesgo y de la prima coinciden. Y es evidente que o la prima calculada mediante este principio produce una prima menor o igual a aquella calculada mediante el principio de la varianza. p E S VarS .
Principio de utilidad cero Este principio hace uso de una funcin de utilidad, esto es, una funcin v x o o denida sobre 0, o un subconjunto de este intervalo y con valores en R, que cumple las propiedades que se mencionan a continuacin, y cuya grca o a en trminos generales se muestra en la Figura 3.1. e
64
3. Principios para el calculo de primas a) Es estrictamente creciente. b) Es cncava. o
Suponiendo diferenciabilidad, la primera condicin se escribe v x o 0, y n o la segunda condicin signica que v x 0. A veces se aade la condicin o o v 0 0 pues toda funcin de utilidad (denida en x 0) puede modicarse de tal forma que cumpla esa condicin sin afectar el resultado en los procesos o de decisin que llevaremos a cabo usando estas funciones. La nueva funcin o o de utilidad ser v x v 0. Vase la seccin sobre este tema en el apndice. a e o e
v x
Figura 3.1: Funcin cncava. o o El principio de utilidad cero establece que la prima para cubrir un cierto riesgo S es aquel nmero p que satisface la ecuacin u o v u E v u p S , (3.1)
en donde u es el capital inicial de la aseguradora. Es decir, la utilidad que representa para la aseguradora el capital inicial u debe ser idntica a la e utilidad esperada al cubrir el riesgo. As pues, el clculo de p est dado a a impl citamente por la ecuacin (3.1), y para que la prima est bien denida o e supondremos el caso cuando esta ecuacin tiene una unica solucin p. Debeo o mos mencionar, sin embargo, que resolver ecuaciones de la forma (3.1) para p, no es sencillo. El siguiente ejemplo es un caso muy particular y at pico. Ejemplo 3.1 Considere la funcin de utilidad ux 1 ex , con 0. o La prima se calcula como aquel valor de p que es solucin de la ecuacin o o 1 eu E 1 eupS .
65
En este caso la solucin se puede encontrar con facilidad. Despus de alo e gunos clculos, de la identidad anterior se obtiene la expresin a o p 1 ln MS . (3.2)
Se presentan a continuacin algunos ejemplos de funciones de utilidad. o a) Funcin de utilidad exponencial. o v x v x v x v x 1 ex , x x2 , 0. 12.
b) Funcin de utilidad cuadrtica. o a 0, para 0 x
c) Funcin de utilidad logar o tmica. ln x, 0.
d) Funcin de utilidad de potencia fraccional. o x , 0 1.
Demostraremos a continuacin que el principio de utilidad cero produce o primas que cumplen la condicin p E S . Por la desigualdad de Jensen o en el caso de funciones cncavas, o v u E v u p S v E u p S v u p E S .
Como v es una funcin estrictamente creciente, es uno-a-uno, y por lo tanto o 1 existe y tambin es estrictamente creciente. Al aplicar ensu inversa v e tonces la inversa se preserva la desigualdad anterior y se obtiene p E S . La igualdad se logra, por ejemplo, cuando S es constante. Principio del valor medio Este principio hace uso de una funcin de valor, esto es, una funcin v x o o que cumple las propiedades que aparecen abajo y cuya grca general se a muestra en la Figura 3.2. a) v 0 0.
b) Es estrictamente creciente.
66

v x
Figura 3.2: Funcin convexa. o c) Es estrictamente convexa. El principio del valor medio establece que la prima p debe calcularse a partir de la igualdad v p E v S . (3.3) Esta identidad signica que la compa aseguradora asigna el mismo valor na a la prima que al valor promedio de la reclamacin. Como v es estrictamente o creciente, es uno-a-uno, su inversa por lo tanto existe y es tambin estrictae mente creciente. De hecho, la inversa de cualquier funcin de utilidad que se o anula en cero es un ejemplo de una funcin de valor. As la prima mediante o , este principio se puede escribir de la siguiente forma p v 1 E v S .
Por la desigualdad de Jensen para la funcin convexa v, E v S v E S , o o bien por la misma desigualdad para la funcin cncava v 1 , v 1 E X o o E v 1 X . Ambos caminos llevan a la desigualdad p E S .
Ejemplo 3.2 Considere la funcin de valor v x o ex p 1 Bajo este principio, la igualdad (3.3) se escribe e que lleva a la siguiente solucin, que es idntica a (3.2), o e p 1 ln MS .
1, con 0. E eS 1, lo
(3.4)
67
Principio exponencial Este es el principio de utilidad cero aplicado a la funcin de utilidad v x o 1 ex , con 0. Y coincide tambin con el principio del valor medio e aplicado a la funcin de valor v x ex 1, con 0. Hemos visto que o la prima calculada bajo estos principios es 1 ln MS . Observe que en este caso la prima no depende del capital inicial u. Puede vericarse directamente que p E S , lo cual hemos demostrado de manera general en dos ocasiones. p Principio del porcentaje 0 una constante. El principio del porcentaje sugiere que la priSea ma p puede calcularse mediante la expresin aparece abajo. El signicado o geomtrico de esta frmula se muestra en la Figura 3.3. e o p x nf
f x
0 : P S
Figura 3.3 De esta forma la probabilidad de que el riesgo exceda el monto de la prima debe ser pequeo o controlable mediante el parmetro . A este princin a pio tambin se le conoce tambin como principio de prdida mxima. Por e e e a ejemplo, si S sigue una distribucin exponencial de parmetro , entonces o a e P S x ex . Y por lo tanto p es aquel valor numrico tal que ep , 1 es decir, p ln . As para este ejemplo particular, se cumple la condi, 1 1 E S si, y slo si, ln o e1 . Esto muestra cin p o , es decir, que el principio del porcentaje no produce en general primas que cumplen la condicin de ganancia neta. o
68
Principio de Esscher Antes de establecer este principio es necesario primero denir la transformada de Esscher de una distribucin. Sea S un riesgo con funcin de densidad o o o o o f x, funcin de distribucin F x, y para la cual existe la funcin generadora de momentos MS h, para algunos valores de h 0. La transformada de Esscher con parmetro h de la funcin de densidad f x es a o g x MS h 1 ehx f x. (3.5)
Es inmediato comprobar que esta funcin es efectivamente de densidad. El o principio de Esscher establece que la prima para cubrir el riesgo S es la esperanza de esta nueva funcin de densidad, es decir, o p x ehx f x dx MS h 0 1 E SehS . MS h 1
Habiendo denido la forma de calcular primas bajo este principio, vamos a hacer ahora algunas observaciones acerca de la nueva funcin de densio dad (3.5), la cual es la funcin de densidad original ponderada por la funo ehx MS h. Para valores de x menores a E S esta ponderacin o cin x o es menor a uno pues ehx ehE S 1, MS h MS h en donde la segunda desigualdad se obtiene de la desigualdad de Jensen. Ello tiene como consecuencia que la esperanza de (3.5) sea mayor a la esperanza de S, cumpliendose as la condicin de ganancia neta. Observe adems que o a la correspondiente funcin de distribucin de (3.5) es o o Gx MS h 1
x
0
ehy f y dy.
A esta funcin tambin se le llama la transformada de Esscher de la funcin o e o de distribucin F x. Sea S una variable aleatoria asociada a esta funcin de o o distribucin. Algunos clculos sencillos muestran que la funcin generadora o a o de momentos de esta nueva variable aleatoria est dada por a MS t MS t h . MS h
3.2. Propiedades
69
Principio del riesgo ajustado Este principio, as como el de Esscher, est basado en una transformacin a o de la distribucin del riesgo. Para un riesgo S con funcin de distribucin o o o o o F x se dene una nueva funcin de distribucin de la siguiente forma Gx 1 1 F x1 ,
en donde 1 es un parmetro conocido como el a ndice del riesgo. Puesto u 1, se cumple que que 1 F x es un nmero entre cero y uno, y 1 1 F x 1 F x. De donde se obtiene que F x Gx y ello se muestra en la Figura 3.4.
F x Gx x
Figura 3.4 La prima por el principio del riesgo ajustado para el riesgo S se dene como la esperanza de la nueva funcin de distribucin es , es decir, o o
p
0
1 Gx dx
E S pues
1 F x1 dx.
E S .
Se verica la condicin p o
p
0
1 F x1 dx
1 F x dx
3.2.
Propiedades
En esta seccin se enuncian algunas propiedades generales que son deseables o que posea cualquier mtodo para calcular primas. e
70
Simplicidad El clculo de la prima debe ser fcil de calcular, por ejemplo, los principios a a del valor esperado, el de la varianza y el de la desviacin estndar cumplen o a plenamente esta primera propiedad. La simplicidad en el clculo de la prima a es deseable que se cumpla por varias razones, entre ellas est el aspecto a prctico del clculo mismo, as como el de lograr una cabal comprensin a a o del clculo de la prima por parte del asegurado y del resto de las personas a involucradas en los procesos administrativos y legales del seguro. Cota inferior Por lo explicado antes, la prima debe tener siempre como cota inferior estricta la prima de riesgo, es decir, p E S , en otras palabras, las primas deben tener siempre un recargo positivo. Sin embargo, como hemos constatado en algunos clculos, es ms sencillo vericar la condicin p E S . a a o Consistencia Si un riesgo se incrementa en una constante, entonces la prima debe reejar ese cambio incrementndose en la misma cantidad, es decir, si c 0 es una a constante, entonces pS c pS c. Los principios de varianza, de la desviacin estndar, de utilidad cero, el principio exponencial y el principio o a del porcentaje cumplen con esta propiedad. Aditividad La prima de un portafolio consistente en dos riesgos independientes debe pS1 ser la suma de las primas individuales, es decir, pS1 S2 pS2 , cuando S1 y S2 son dos riesgos independientes. Es claro que cuando se cumple esta propiedad, el intentar combinar o separar los riesgos no resulta en ninguna ventaja o provecho alguno ni para el asegurado ni para el asegurador. Los principios de valor esperado, el de la varianza y el principio exponencial cumplen esta propiedad. Invarianza de escala 0 es una constante, entonces paS apS , es decir, si la cuanSi a ticacin del riesgo S cambia de escala y se considera ahora el riesgo aS, o la prima para este nuevo riesgo debe ser apS , esto es, la prima original modicada con la misma escala.
3.3. Primas y funciones de utilidad
71
Cota superior Si un riesgo est acotado superiormente, entonces la prima para cubrir este a riesgo tambin debe tener la misma cota superior, es decir, si S M para e alguna constante M 0, entonces pS M .
3.3.
Primas y funciones de utilidad
Hemos mencionado que el principio de utilidad cero establece que la prima que una aseguradora est dispuesta a cobrar a un asegurado para cubrir un a u cierto riesgo S, y tomando como funcin de utilidad v1 x es aquel nmero o p que satisface la ecuacin o en donde u1 es el capital inicial de la aseguradora. Denotemos por p a esta prima puesto que en realidad la aseguradora estar contenta en cobrar una a , es decir, desde el punto de vista de prima p que sea mayor o igual a p nima la aseguradora y bajo el criterio de utilidad cero, la prima p es la m p . En contraparte, un asegurado con prima a cobrar, y por lo tanto p capital inicial o riqueza u2 y con funcin de utilidad v2 x, considera que o puede aceptar contratar un seguro para cubrirse contra el riesgo S cuando, de acuerdo al principio de utilidad cero, la prima p est dada por a v2 u2 p E v2 u2 S . (3.7) v1 u1 E v1 u1 p S , (3.6)
El posible valor de p solucin de esta ecuacin representa el punto de balance o o (misma utilidad) para el asegurado entre la decisin de contratar el seguro o o o no contratarlo. Denotemos ahora por p a la solucin de (3.7). Nuevamente ese valor es en realidad la prima mxima que el asegurado est dispuesto a a a pagar para cubrirse contra S, pues es claro que una prima menor o igual a tal valor es conveniente para l. De esta manera el principio de utilidad cero e establece las condiciones de ambas partes para tomar un decisin respecto o a rmar o no rmar el contrato del seguro. Es claro que habr un acuerdo a entre ambas partes si existe un valor de p tal que p p p .
En tal caso se dice que el riesgo es asegurable bajo el criterio y condiciones mencionados. La situacin se ilustra en la Figura 3.5. o
72
p Prima de la aseguradora
Prima del asegurado p

Figura 3.5 Ejemplo 3.3 Suponga que una compaa aseguradora con capital inicial n u1 0 decide asegurar un riesgo S y el clculo de la prima se determina de a acuerdo al principio de utilidad cero usando la funcin de utilidad v1 x o 1 e1 x , con 1 0. De este modo, la prima mnima que la aseguradora o o est dispuesta a cobrar es p dada por la solucin de la ecuacin a v1 u1 E v1 u1 p S .
Resolviendo esta ecuacin como se ha hecho antes se encuentra que p o 1 a 1 ln MS 1 . Por otro lado, un asegurado con capital inicial u2 est dispuesto a pagar una prima mxima p para asegurarse contra este riesgo, a determinada por la ecuacin v2 u2 p E v2 u2 S , en donde v2 x o es la funcin de utilidad particular v2 x 1 e2 x , con 2 0. La soluo 1 cin de esta ecuacin es p o o 2 ln MS 2 . As, el riesgo mencionado es asegurable bajo las condiciones mencionadas si, y slo si, las constantes 1 o y 2 satisfacen la relacin o 1 ln MS 1 1 1 ln MS 2 . 2
3.4.
Ejercicios
Desigualdad de Jensen
68. Una funcin u : a, b o R es convexa si para cualesquiera nmeros u x y en a, b, y para cualquier t 0, 1 se cumple la desigualdad utx 1 ty tux 1 tuy .
3.4. Ejercicios
73
Geomtricamente esta desigualdad signica que la recta que une e los puntos x, ux y y, uy se encuentra por arriba de la funcin en el intervalo x, y . Cuando u es dos veces diferenciable, la o 0. La desigualdad de condicin de convexidad se escribe u x o Jensen establece que si u es una funcin convexa y X es una vao riable aleatoria tal que tanto X como uX tienen esperanza nita, entonces uE X E uX . Demuestre esta desigualdad en el caso cuando u es dos veces diferenciable siguiendo los siguientes pasos: a) Escriba la serie de Taylor de la funcin u alrededor de un punto o x0 , hasta la segunda derivada. b) Use la condicin u x 0 para concluir que ux ux0 o u x0 x x0 . c) Substituya x por X, x0 por E X , y despus tome esperanza e de ambos lados. Funciones de utilidad y el principio de utilidad cero 69. Sean a 0 y 0 constantes. Demuestre que la funcin v x o a1 ex denida para x 0, es una funcin de utilidad y que o usada bajo el principio de utilidad cero determina que la prima para 1 cubrir un riesgo S debe ser p ln MS . 70. Suponga que una persona con capital u tiene dos opciones de inversin, las cuales le reportan ganancias o prdidas dadas por las o e variables aleatorias I1 e I2 . Es decir, al cabo de cada una de las inversiones su capital ser u I1 o u I2 . Suponga que la persona a decide tomar la inversin que le otorga una utilidad esperada mao yor, en donde su funcin de utilidad es exponencial. Demuestre que o su decisin es independiente del capital inicial u. o Funciones de valor y el principio del valor medio 71. Suponga que un riesgo S tiene distribucin exp. Use el principio o del valor medio para calcular la prima para cubrir este riesgo usando
74
3. Principios para el calculo de primas la funcin de valor v x o x2 .
Principio de la varianza 72. Usando el principio de la varianza calcule la prima p para cubrir un riesgo S con distribucin unif0, 1, y encuentre el valor del factor o tal que P S p 0.1 . Principio exponencial 73. Use la desigualdad de Jensen para demostrar directamente que la prima calculada mediante el principio exponencial cumple la desigualdad p E S . Principio del porcentaje 74. Usando el principio del porcentaje, calcule la prima para cubrir un riesgo S con distribucin exp. o 75. Mediante el principio del porcentaje calcule la prima para cubrir un riesgo con distribucin Paretoa, b. o 76. Mediante el principio del porcentaje calcule la prima para cubrir un riesgo con distribucin Weibullr, . o 77. Considere un riesgo S con funcin de densidad como aparece abajo. o Calcule la prima para cubrir S mediante el principio del porcentaje. f x Transformada de Esscher 78. Calcule la transformada de Esscher de parmetro h a tribucin o a) unifa, b. 0 de la dis2 x2 2 e , x 0.
3.4. Ejercicios b) Poisson. c) N, 2 .
75
79. Sea S un riesgo con funcin de densidad f x. Demuestre que la o doble transformada de Esscher de f x con parmetros h1 y h2 , a respectivamente, es g x MS h1 h2 1 eh1 h2 x f x,
y que la funcin generadora de momentos de esta nueva funcin de o o densidad es MS t h1 h2 . M t MS h1 h2 Principio de Esscher 80. Calcule la transformada de Esscher de parmetro h de la distribua cin gamma, , y encuentre la prima mediante el principio de o Esscher para cubrir un riesgo con esta distribucin. Se verica la o condicin de ganancia neta? o 81. Demuestre que la transformada de Esscher de parmetro h de un a riesgo S con distribucin exp es nuevamente la distribucin o o exp h, para h .
Graque ambas funciones de densidad para efectos de comparacin. o Determine la prima por el principio de Esscher para cubrir el riesgo S. Se verica la condicin de ganancia neta? o Principio del riesgo ajustado 82. Demuestre que la transformada del principio del riesgo ajustado de parmetro de un riesgo S con distribucin exp es nuevamente a o la distribucin exp. Determine la prima por este principio para o cubrir el riesgo S, y verique la condicin de ganancia neta para o 1.
76
3. Principios para el calculo de primas 83. Demuestre que la transformada del principio del riesgo ajustado de parmetro de un riesgo S con distribucin Paretoa, b es nuea o vamente la distribucin Paretoa, b. Determine la prima para o cubrir S usando este principio, y verique la condicin de ganancia o neta para 1. 84. Calcule la prima para cubrir un riesgo S con distribucin unif0, 1, o usando el principio del riesgo ajustado con ndice de riesgo , y verique la condicin de ganancia neta. o Propiedades 85. Complete la siguiente tabla determinando si cada uno de los principios mencionados para calcular primas cumple la propiedad correspondiente. En cada caso demuestre su armacin o proporcione un o contraejemplo. Para simplicar las cosas considere que la propiedad de cota inferior se reere a la desigualdad no estricta p E S .
Cota inferior Valor esperado Varianza Desv estndar a Utilidad cero Valor medio Exponencial Porcentaje Esscher Riesgo ajustado Consistencia Aditividad Invarianza Cota superior
Primas y funciones de utilidad 86. Calcule la prima mxima que un asegurado est dispuesto a pagar a a para cubrirse contra un riesgo S que puede tomar los valores 0 y o 100, con idntica probabilidad 12. Suponga que como funcin de e utilidad se toma la funcin identidad. o 10. 87. Considere un riesgo S con distribucin Poisson con o x con 12 la funcin de utilidad de la 1 e o Sea v1 x
3.4. Ejercicios
77
aseguradora. Sea v2 x x 1 la funcin de utilidad del solicitante o del seguro. Determine si el riesgo S es asegurable. Observe que en este caso no es necesario conocer el capital inicial del asegurado ni del asegurador. o 88. Sea v x una funcin de utilidad, y sean a y b dos constantes con o a 0. Demuestre que a v x b es una funcin de utilidad. 89. Suponiendo diferenciabilidad, demuestre que la composicin de dos o funciones de utilidad es una funcin de utilidad. o 90. Aversin al riesgo. Suponga que una persona con capital inicial o u tiene la posibilidad de participar en un juego justo en el que a recibir una cantidad positiva x con probabilidad 12, o perder dia cha cantidad con probabilidad 12. En caso de no desear participar en este juego, el capital de la persona no se modica y permanece con el valor u. Suponga que la persona toma la decisin de paro ticipar o no participar en el juego usando el criterio de la utilidad esperada mxima, es decir, tomar aquella decisin que le redite a a o u una utilidad promedio mxima. Demuestre que si la funcin de utia o lidad usada es estrictamente cncava, es decir, v x 0, entonces o la decisin ser siempre no participar en el juego, a pesar de que o a ste es justo. Esto ilustra la interpretacin de que las funciones de e o utilidad estrictamente cncavas representan la utilidad de personas o con aversin al riesgo. o 91. Coeciente de aversin al riesgo. Se dene el coeciente de avero sin al riesgo de una funcin de utilidad v x como la funcin o o o vxv x 0. Calcule este coeciente en el caso de la funcin de o utilidad exponencial, cuadrtica, logar a tmica y potencia fraccional.
78
Cap tulo 4
Reaseguro
En este cap tulo estudiaremos algunas ideas simples y generales del reaseguro. El reaseguro se presenta cuando una aseguradora rma un contrato para cubrir ciertos riesgos con otra compa aseguradora llamada reasena guradora. De esta manera ambas aseguradoras adquieren la obligacin de o solventar las posibles reclamaciones del riesgo en cuestin. De esta manera o nos encontramos nuevamente en el esquema general de un asegurado y una aseguradora, en donde debe existir un acuerdo entre ambas partes acerca de las condiciones del contrato, las caracter sticas del riesgo, las condiciones para el pago de la suma asegurada y, por supuesto, el clculo de la prima a correspondiente. Desde el punto de vista de la aseguradora, el reaseguro le ayuda a evitar posibles fuertes montos en las reclamaciones, aunque naturalmente disminuyen sus ingreso por primas pues tiene que compartir stas e con la reaseguradora. Consideremos entonces un riesgo S, y denote por S A la parte del riesgo asumido por el asegurador y sea S R la parte asumida por el reasegurador. Las letras A y R indican los trminos Asegurador y e Reasegurador, respectivamente. Debe entonces cumplirse la igualdad S S A S R.
Los distintos tipos de reaseguro corresponden a las distintas formas en las que esta descomposicin puede llevarse a cabo. El objetivo ahora es estudiar o las caracter sticas probabil sticas de las variables aleatorias S A y S R , y si se dan las condiciones adecuadas, pueden aplicarse los resultados encontrados antes en este curso para lograr dicho objetivo. El reaseguro puede tomar 79
80
4. Reaseguro
por lo menos dos perspectivas: actuar sobre las reclamaciones individuales o sobre el total del riesgo.
Reclamaciones
individuales
Reaseguro Total del
riesgo
Figura 4.1 En ambos esquemas de reaseguro se aplica una funcin continua h del intero valo 0, en s mismo tal que h0 0 y hx x. Las dos funciones de este tipo que consideraremos son hx ax, para a 0, 1, y hx m x, M , n 0. Grcamente estas funciones se muestran a a para alguna constante M la Figura 4.2.
hx
ax M x
hx
m x, M n
x M
Figura 4.2 Bajo el esquema de reaseguro, la aseguradora afronta unicamente el riesgo resultante de aplicar la funcin h al riesgo original o a cada una de sus o reclamaciones. Cuando se utiliza la primera de las funciones h mencionadas, el reaseguro se llama proporcional, y en el segundo caso se le llama no proporcional. Estudiaremos a continuacin estos dos tipos de reaseguro. o
4.1. Reaseguro proporcional
81
4.1.
Reaseguro proporcional
Suponga que una compa aseguradora reasegura un riesgo de la forma na N S ax, o j 1 Yj . En el reaseguro proporcional se usa la funcin hx para algn valor de la constante a en el intervalo 0, 1. Usando la linealu idad de esta funcin, es claro que es equivalente aplicar la funcin a cada o o reclamacin por separado o al riesgo completo. Dada una reclamacin Y , o o la aseguradora hace frente a una proporcin de sta, aY , y la reaseguradoo e ra cubre el porcentaje restante, 1 aY . El riesgo total asumido por la aseguradora es aS, y la reaseguradora cubre 1 aS, es decir, SA SR aS
N j 1
a Yj ,
N j 1
1 aS
1 a Yj .
Las caracter sticas probabil sticas de S A , o bien de S R , se encuentran fcila mente de las de S, pues no es dif comprobar los siguientes resultados. cil a) FS A x b) fS A x c) MS A r d) E S A e) VarS A FS xa. 1 fS xa, cuando S es absolutamente continua. a MS ar . a E S E S . VarS .
a2 VarS
Probabilidad de insolvencia Comprobaremos a continuacin que el reaseguro proporcional es conveniente o para la aseguradora en el sentido de que la probabilidad de insolvencia bajo este tipo de reaseguro es menor o igual a la probabilidad de insolvencia cuando no hay reaseguro. Suponga que una compa aseguradora adquiere na un riesgo S durante un cierto periodo y por el cual cobra una prima p. Suponga que esta aseguradora tiene un capital inicial u. La probabilidad de que la compa aseguradora no pueda solventar el riesgo es P S p u. na
82
4. Reaseguro
Ahora suponga que la compa decide reasegurarse mediante el esquema na de reaseguro proporcional. Suponga adems que el asegurador retiene una a parte de la prima original p dada por ap, con 0 a 1, y el reasegurador obtiene al aceptar reasegurar este riesgo la cantidad 1ap. La probabilidad de que la aseguradora no pueda solventar el nuevo riesgo bajo este esquema es u P aS ap u P S p P S p u. a
fS x
pu
u a
Figura 4.3 De esta forma hemos comprobado que la probabilidad de insolvencia bajo el esquema de reaseguro proporcional es menor o igual a la probabilidad del mismo evento cuando no hay reaseguro. La ventaja para la aseguradora al contratar el reaseguro es que la incertidumbre disminuye pero sus ganancias tambin disminuyen al ceder un porcentaje de sus ingresos por primas. Esta e propiedad de disminucin de insolvencia mediante el reaseguro es un tanto o ms dif de vericar en otros tipos de reaseguro y depender, en general, a cil a del clculo de la prima para el reaseguro. a
4.2.
Reaseguro no proporcional
n En el reaseguro no proporcional se toma la funcin hx m x, M , para o 0 llamada nivel de retencin. Distinguiremos dos o alguna constante M casos: cuando se aplica esta funcin a cada reclamacin y cuando se aplica o o sobre el total del riesgo. Reaseguro en el riesgo completo (stop loss) En este caso se aplica la funcin hx o m x, M sobre el totalidad del n riesgo para obtener la parte del riesgo que cubre la aseguradora, y el ries-
4.2. Reaseguro no proporcional
83
go excedente lo cubre la reaseguradora. De esta manera cada una de las aseguradoras cubren los riesgos SA en donde puede vericarse la identidad S S A S R . Mediante este mecanismo la aseguradora tiene la certidumbre de que cubrir un monto mximo a a de M para el riesgo S. A este tipo de reaseguro se le llama reaseguro de prdida mxima (stop loss). Tanto la variable S A como S R son, en genee a ral, variables aleatorias mixtas, es decir, no son discretas ni continuas. Por ejemplo, la variable S A tiene una masa de probabilidad en el punto M de M , es decir, P S A M P S M . Puede demostrarse valor P S que su funcin de distribucin toma la expresin o o o FS A x FS x si x 1 si x M, M, m S, M n y SR mx0, S M , a
la cual se muestra en la Figura 4.4 (a) en el caso cuando FS x es continua. Debido a su condicin de variable aleatoria mixta, la funcin de densidad o o A no puede expresarse como una funcin tradicional sino que hay del riesgo S o que usar funciones generalizadas. El n-simo momento de S A , sin embargo, e puede expresarse de la siguiente forma suponiendo que S es absolutamente continua, E S A n
M 0
xn fS x dx M n P S
M .
Por su parte, la variable S R tiene una masa de probabilidad en el punto 0 de valor FS M , es decir, P S R 0 FS M , y su funcin de distribucin o o es 0 si x 0, FS R x FS M x si x 0, la cual se muestra en la Figura 4.4 (b) en el caso cuando FS x es continua. Nuevamente, no es posible escribir la funcin de densidad de S R en trminos o e tradicionales pero el n-simo momento adquiere la siguiente expresin, e o E S
R n
xn fS M
x dx.
Es interesante notar que la variable S R puede tomar el valor 0 con probabilidad positiva, y que en la prctica tal situacin no es relevante para la a o
84
4. Reaseguro
FS A x 1 1
FS R x
x M (a) (b)
Figura 4.4 reaseguradora, quien est interesada en los valores positivos de S R . No es a dif comprobar que la funcin de distribucin de S R condicionada a tomar cil o o valores positivos es, para x 0, FS R
SR 0
P S R
x SR
FS M x FS M . 1 FS M
En el caso absolutamente continuo, diferenciando la identidad anterior se encuentra la funcin de densidad correspondiente. o fS R
SR 0
fS M x , 1 FS M
para x
0.
Seguros con deducible jo Algunos tipos de seguros, como el seguro contra accidentes de automviles, o contemplan el pago de una cantidad llamada deducible cada vez que el asegurado presenta una reclamacin ante la compa aseguradora. En este o na caso particular estamos suponiendo que dicho deducible es una cantidad ja de d unidades monetarias, y que la reclamacin se modela con la variao ble aleatoria S. Si el monto de la reclamacin es menor a d, el asegurado o cubre la totalidad de la reclamacin, es decir, no hay reclamacin para la o o aseguradora. En cambio, si el monto de la reclamacin excede el valor de d, o entonces el asegurado paga el deducible d y la aseguradora cubre la cantidad restante, es decir, mx0, S d. De esta forma, los riesgos para este tipo de a
4.2. Reaseguro no proporcional
85
plizas de seguros se modelan con las herramientas que hemos mencionado o para el reaseguro de prdida mxima con nivel de retencin d. e a o Reaseguro en cada reclamacin (excess of loss) o o Si se aplica la funcin hx a cada reclamacin Y , entonces el asegurador o A cubre Y m Y, M , y el reasegurador cubre el monto restante Y R n Y m Y, M mx0, Y M . Por lo tanto, cada una de las aseguradoras n a asume los siguientes riesgos SA
N j 1
m Yj , M n
SR
N j 1
mx0, Yj a
M .
A este esquema de reaseguro se le conoce tambin con el nombre de reasee guro por exceso de prdida (excess of loss). Observe nuevamente que si se e supone una distribucin continua para la variable aleatoria Yj con soporte el o n a a intervalo 0, , entonces las variables m Yj , M y mx0, Yj M sern mixtas. La primera de ellas tendr una masa de probabilidad en el punto a M , y la segunda en el origen. Observe adems que las expresiones para S A a y S R corresponden exactamente a lo que hemos llamado modelo colectivo de riesgo. Es decir, se trata de sumas aleatorias de variables aleatorias no negativas. En la parte inicial del curso hemos encontrado frmulas y proceo dimientos que podr ayudar a conocer las caracter an sticas de estas variables aleatorias. Nmero de reclamaciones u Sea N A el nmero de reclamaciones que un asegurador afronta bajo un u reaseguro por exceso de prdida (excess of loss) con nivel de retencin M e o sin recurrir a la reaseguradora, es decir, NA
N j 1
1Yj
Por otro lado, el nmero de reclamaciones que el reasegurador atiende para u este tipo de reaseguro es NR
N j 1
1Yj
86
4. Reaseguro
Es claro que se cumple la identidad N N A N R . Observe adems que, a condicionado al evento N n, cada una de estas variables aleatorias tiene una distribucin binomial en donde n es el nmero de ensayos y las o u P Yj M en el primer caso, y 1 p probabilidades de xito son p e P Yj M en el segundo caso. La distribucin no condicional de estas o variables es el contenido del siguiente resultado en donde supondremos que la distribucin de N es conocida y corresponde a uno de tres casos. o Proposicin 4.1 Sea a o P Yj M . Entonces
1. si N tiene distribucin binn, p, o a) N A b) NR binn, ap. binn, 1 ap.
2. si N tiene distribucin Poisson, o a) N A b) NR Poissona. Poisson1 a.
3. si N tiene distribucin bin negk, p, o a) N A b) NR bin negk, pp a1 p. bin negk, pp 1 a1 p.
Demostracin. Vericaremos unicamente el primer resultado aplicando o la frmula general MS t MN lnMY t cuando el riesgo S es la variao ble N A y Y es la variable aleatoria con distribucin Bernoulli dada por la o funcin indicadora 1Yj M . Primeramente observemos que o MY t E etY 1 a aet .
MN ln1 a aet . Cuando N tiene distribucin o Entonces MN A t binn, p tenemos que MN t 1 p pet n . Por lo tanto,
1 p p1 a aet n 1 ap apet n. a Es decir N A tiene distribucin binn, ap. Anlogamente puede verse que o R tiene distribucin binn, 1 ap. De la misma forma se demuestran los N o
MN A t
4.3. Ejercicios
87
otros casos. Para ello debe recordarse que si N tiene distribucin Poisson, o t 1, y si N es bin negk, p, entonces M t entonces MN t expe N p1 1 pet k . A manera de resumen de los tipos de reaseguro mencionados se tiene el diagrama de la Figura 4.5.
Proporcional Reclamaciones individuales Exceso de prdida e (excess of loss) Reaseguro Proporcional Total del riesgo Prdida mxima e a (stop loss)
Figura 4.5
4.3.
Ejercicios
Reaseguro proporcional
92. Para un reaseguro proporcional demuestre que b) Var c) a) E S A
a2 VarS . E S A E S A 3 E S E S 3 VarS A32 VarS 32 .

SA
a E S .
93. Considere un riesgo S bajo un esquema de reaseguro proporcional. Es claro que, en general, las variables aleatorias S A aS y S R
88
4. Reaseguro
1aS no son independientes, de hecho hay una dependencia lineal

entre ellas. Demuestre que b) S A , S R c) S R
1 a a
a) CovS A , S R
a1 aVarS . 1.
SA.
94. Suponga que un riesgo S sigue una distribucin Poisson compuesta o con parmetros 100 y F x dada por la distribucin exponena o cial de media 500. Bajo un esquema de reaseguro proporcional con 0.7, encuentre la distribucin y los parmetros de los riesgos o a a S A aS, y S R 1 aS. 95. Suponga que un riesgo S sigue una distribucin binomial compuesta o con parmetros n 100, p 23, y F x dada por a
0 1 F x 12
si x 50, si 50 x 100, si x 100.
Bajo un esquema de reaseguro proporcional con a 0.9, encuentre la esperanza y varianza de los riesgos S A aS, y S R 1 aS. 96. Bajo el esquema de reaseguro proporcional de un cierto riesgo S, el riesgo asumido por el asegurador es S A aS, y la prima recibida es ap. Suponga que el capital inicial de la aseguradora para afrontar dicho riesgo es u. Demuestre que la probabilidad de insolvencia P aS ap u es una funcin creciente de a 0, 1. o 97. Suponga que un riesgo S se modela mediante la distribucin exp. o Demuestre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A aS tiene distribucin expa. Cul es o a la distribucin de S R ? o 98. Suponga que un riesgo S se modela mediante la distribucin gao mma, . Demuestre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A aS tiene distribucin gao R? a o ma, a. Cul es la distribucin de S
4.3. Ejercicios
89
99. Suponga que un riesgo S sigue una distribucin Poisson compueso ta con parmetros a 100, y F x dada por la distribucin gao ma, 0 . Bajo un esquema de reaseguro proporcional con a 0.9, encuentre la distribucin y los parmetros de los riesgos S A aS, o a R yS 1 aS. 100. Suponga que un riesgo S se modela mediante la distribucin log o normal, 2 . Demuestre que bajo un reaseguro proporcional el aS tiene distribucin o riesgo asumido por la aseguradora S A log normal ln a, 2 . Cul es la distribucin de S R ? a o 101. Suponga que un riesgo S sigue una distribucin Poisson compuesta o con parmetros 100, y F x dada por la distribucin log nora o mal, 2 . Bajo un esquema de reaseguro proporcional con a 0.9, encuentre la distribucin y los parmetros de los riesgos S A aS, o a y S R 1 aS. Reaseguro de prdida mxima (stop loss) e a 102. Demuestre que bajo un reaseguro de prdida mxima con nivel de e a A y S R tienen las siguientes funciones de retencin M , los riesgos S o distribucin. o FS A x y FS R x FS x si x 1 si x 0 FS M M, M, si x si x 0, 0.
103. Considere un reaseguro de prdida mxima con nivel de retencin e a o M para un riesgo S que sigue una distribucin exp. Demuestre o que las funciones generadoras de momentos de los riesgos S A y S R estn dadas por las siguientes expresiones. a a) MS A t b) MS R
tetM t, para t . t 1 eM eM t, para t
90
4. Reaseguro 104. Suponga que un riesgo S se modela mediante la distribucin exp. o Demuestre que bajo un reaseguro de prdida mxima con nivel de e a retencin M , se tiene que o b) E S R a) E S A
1 e M 1 1 M . e
105. Suponga que el riesgo S sigue una distribucin lognormal, 2 . o Bajo un reaseguro de prdida mxima con nivel de retencin M , e a o demuestre que E S A n enn
2 2
M n1 ln M .
2 ln M n2
106. Suponga que un riesgo S tiene la distribucin de probabilidad que o aparece en la tabla de abajo. Calcule la distribucin de probabio lidad de los pagos positivos que efecta una reaseguradora en un u reaseguro de prdida mxima con nivel de retencin M 350. e a o x P(S=x) 100 0.1 200 0.2 300 0.3 400 0.2 500 0.2
107. Suponga que se establece como funcin de probabilidad para un o riesgo S la que aparece en la tabla de abajo. Calcule la distribucin o de probabilidad de los pagos positivos que efecta una reaseguu radora en un reaseguro de prdida mxima con nivel de retencin e a o M 30. x 10 20 30 40 50 P(S=x) 0.2 0.3 0.1 0.1 0.3 108. Suponga que el riesgo S sigue una distribucin Paretoa, b. Bao jo el reaseguro de prdida mxima, demuestre que la distribucin e a o R condicionada al evento S R del riesgo S 0 es nuevamente Paretoa, b M .
109. Suponga que el riesgo S sigue una distribucin exp. Bajo un o reaseguro de prdida mxima con nivel de retencin M , demuestre e a o que la distribucin del riesgo S R condicionado a ser positivo es o nuevamente exp.
4.3. Ejercicios Reaseguro en cada reclamacin (excess of loss) o
91
110. Suponga que se establece como funcin de probabilidad para la vao riable aleatoria Y la que aparece en la tabla de abajo. Esta variable aleatoria representa el monto de una reclamacin en un seguro. Cono sidere una reaseguro excess of loss para Y , con nivel de retencin o M 100.
y P(Y=y) 50 0.2 100 0.3 150 0.4 200 0.1
a) Calcule la funcin de probabilidad para las variables Y A o m Y, M y Y R mx0, Y M . n a b) Calcule las esperanzas de estas variables aleatorias y compruebe que E Y E Y A E Y R . 111. Suponga que el monto de una reclamacin Y se modela mediante o una variable aleatoria con distribucin exp. Para un valor de reo o o tencin M 0 jo, calcule la funcin de distribucin y la esperanza o de las variables aleatorias m Y, M y mx0, Y M . n a 112. Demuestre que la funcin generadora de probabilidad de la variable o N R (nmero de reclamaciones que la reaseguradora afronta) en un u reaseguro por exceso de prdida con nivel de retencin M es e o PN R t PN 1 p pt,
en donde p P Yj M y PN t es la funcin generadora de o probabilidad del nmero total de reclamaciones N . u 113. Considere un reaseguro por exceso de prdida, y sean N A y N R e el nmero de reclamaciones afrontadas por el segurador y por el u reasegurador respectivamente. El total de reclamaciones es N N A N R.
Suponga que N tiene distribucin Poisson. o a) Condicionando sobre el valor de N , demuestre que las variables N A y N R son independientes.
92
4. Reaseguro b) Compruebe que N A y N no son independientes. Verique, por ejemplo, que P N A 0, N 0 P N A 0 P N 0.
Suponga ahora que N tiene distribucin binn, p. Evaluando, por o ejemplo, en el valor cero para ambas variables aleatorias, demuestre que c) N A y N R no son independientes. d) N y N A no son independientes. 114. Suponga que un cierto riesgo S se representa mediante un modelo colectivo. Condicionando sobre los posibles valores de la variable aleatoria N , demuestre que las variables N A y N R correspondientes al nmero de reclamaciones en un reaseguro por exceso de prdida u e tienen la misma distribucin que N pero con distintos parmetros o a en los casos cuando N es Poisson, binomial y binomial negativa. Este mtodo es alternativo al presentado en el texto en donde se e us la funcin generadora de momentos. o o 115. Considere un riesgo S con distribucin Poisson compuesta de pao rmetro . Suponga que cada reclamacin Y tiene distribucin a o o e Paretoa, b. Se adquiere un reaseguro por exceso de prdida con nivel de retencin M , y por lo tanto la reclamacin afrontada por o o A la aseguradora es Y m Y, M . Demuestre que n b) E S A a) E Y A
b E S bM a1 E S . b E Y bM a1 E Y .
N u 116. Suponga se tiene un riesgo de la forma S j 1 Yj , seg n el modelo colectivo, en donde cada reclamacin se modela mediante una o variable aleatoria con distribucin exp. Bajo un reaseguro por o exceso de prdida con nivel de retencin M , el monto a pagar por la e o n aseguradora por cada reclamacin es Y A m Y, M . Demuestre o que
a) E Y A b) c)
1 eM . 2 2 E Y A 2 eM 2M eM . 1 1 VarY A 2M eM e2M .
1
2 2 2 2
4.3. Ejercicios d) E Y A E Y .
93
e) VarY A
VarY .
Usando las frmulas generales encuentre ahora la esperanza y vao N A n rianza de S j 1 m Yj , M .
94
4. Reaseguro
Cap tulo 5
Teor de la credibilidad a
Considere un cierto riesgo proveniente de un conjunto de asegurados vigentes por un periodo determinado. Si este grupo de asegurados es homogneo en el e sentido de que todos sus miembros tienen la misma probabilidad de realizar una reclamacin, entonces es razonable aplicar una misma prima a todos o ellos. Sin embargo, cuando el grupo no es homogneo, o bien surge con el e paso del tiempo cierta heterogeneidad entre ellos, habr subgrupos de bajo a riesgo y otros de alto riesgo. Cobrar una misma prima a todos ser injusto, a y no ser bueno para la aseguradora pues eventualmente los asegurados de a bajo riesgo buscar un mejor trato con otra aseguradora. La idea fundaan mental es aplicar primas menores a los asegurados de bajo riesgo y primas mayores a los de alto riesgo, con base en el historial de reclamaciones que cada uno de los asegurados o subgrupos hayan realizado durante los periodos anteriores. En la teor de la credibilidad se estudian mtodos para el clculo a e a de primas a travs de la combinacin de la experiencia individual (historial e o de reclamaciones) y la experiencia de grupo (comportamiento terico). o
5.1.
Credibilidad clsica a
Esta perspectiva de la teor de la credibilidad constituye el primer intento a de denir la credibilidad para un conjunto de observaciones de un riesgo. Las ideas que presentaremos en esta primera seccin fueron propuestas inio cialmente por A. H. Mowbray en 1914, y desarrolladas despus por varios e actuarios norteamericanos durante la primera mitad del siglo XX. Debido a 95
96
5. Teor de la credibilidad a
ello es que a la credibilidad clsica se le conoce tambin como credibilidad a e americana. Credibilidad completa Suponga que S representa el riesgo para una aseguradora correspondiente a un asegurado o un conjunto de asegurados con ciertas caracter sticas particulares, y vlido por un periodo jo, por ejemplo, un ao. Sean S1 , . . . , Sm a n los montos de las reclamaciones efectuadas por este asegurado o grupo de asegurados durante m periodos consecutivos, y sea S S1 Sm m el promedio de las reclamaciones. Nos interesa estudiar el comportamiento de S a lo largo del tiempo para un conjunto de asegurados en particular, pues deseamos determinar si la prima que se les cobra a cada uno de ellos es la adecuada. Si las variables S1 , . . . , Sm son independientes, idnticamente e distribuidas y con esperanza nita, entonces la ley de los grandes nmeros u garantiza que la media muestral S converge a la constante desconocida E S , conforme el nmero de sumandos crece a innito. u
S E S m
Figura 5.1
Es decir, el comportamiento de S como funcin de m es posiblemente oscilao torio alrededor de E S pero eventualmente va a estabilizarse en ese valor. La pregunta es qu tan grande debe ser m para que S est razonablemente e e cercano a E S ? La intencin es usar S para calcular la prima pura de riesgo o de un asegurado (o grupo de asegurados), siempre y cuando se tenga suciente historial para dar credibilidad a tal estad stica. El siguiente criterio es una posible respuesta a la pregunta planteada.
5.1. Credibilidad clasica
97
Denicin 5.1 Sean k 0, 1 y p 0, 1 dos nmeros jos. Se dice que o u tiene credibilidad completa k, p si S P S E S kE S
p.
(5.1)
La condicin anterior establece que S tiene credibilidad completa si dista de o E S , en menos de kE S con probabilidad mayor o igual a p. Observe que la denicin tiene sentido cuando E S es distinta de cero. Naturalmente se o toman valores de k cercanos a cero y valores de p cercanos a uno, t picamente k 0.05 y p 0.9 . El problema es entonces encontrar el valor del nmero u de periodos de observacin m para que se cumpla el criterio (5.1). o Credibilidad completa bajo hiptesis de normalidad o Encontraremos una condicin sobre el nmero de periodos de observacin o u o tiene una distribucin am para obtener credibilidad completa cuando S o proximada normal. Observe que E S E S y VarS VarS m. Consideraremos que estos valores son desconocidos. Tenemos entonces que, por el teorema central del l mite, la parte izquierda de (5.1) es kE S S E S VarS m VarS m kE S kE S P Z VarS m VarS m kE S kE S VarS m VarS m kE S 1 kE S VarS m VarS m k mE S 1. 2 VarS
P S E S
kE S
Como esta probabilidad debe ser mayor o igual a p segn el criterio (5.1), u
98 se obtiene la desigualdad k m E S VarS
1p . 2
Deseamos encontrar el valor de m ms pequeo que cumpla esta desiguala n dad. Para ello consideraremos que se tiene la igualdad en esta ecuacin. Sea o uq el q-cuantil de la distribucin normal, es decir uq q. Entonces o k m E S VarS Despejando m se obtiene m k2 E 2 S VarS 1082 2 , E S u21p2 VarS (5.2) u1p2 .
en donde la ultima expresin es aproximada y se han usado los valores o k 0.05 y p 0.9, y por lo tanto u1p2 u0.95 1.6449. Los trminos e e E S y VarS pueden ahora ser estimados a travs de la media y varianza muestral, respectivamente, usando la informacin que se tenga a disposicin o o al momento de hacer el anlisis. Substituyendo estos valores en la frmula a o se puede conocer una aproximacin del nmero de periodos m de historial o u para que S tenga credibilidad completa. Observe que cuando p crece, es decir, cuando se desea tener una mayor conanza en la estabilizacin de S, o entonces el nmero de periodos de observacin m tambin crece. Por otro u o e lado, si el parmetro k crece, es decir, si se pide que la distancia entre S a y E S tenga mayor amplitud, entonces m decrece. Finalmente observemos que la aproximacin para la credibilidad completa (5.2) se puede expresar o de la forma siguiente k 2 E 2 S . VarS u21p2 Ejemplo 5.1 Suponga que un riesgo para un grupo de asegurados sigue el N modelo colectivo S o j 1 Yj , en donde N tiene distribucin Poisson.
5.1. Credibilidad clasica
99
Suponga adicionalmente que cada reclamacin individual Y tiene distribuo cin exp. De acuerdo a la notacin previa, el primer y segundo moo o 1 y 2 22 . Entonces E S 1 , mento de Y son 1 2 22 . Por lo tanto, tomando nuevamente k 0.05 y y VarS p 0.9, la aproximacin (5.2) es o m o bien, m 2164. Es decir, despus de 2164 reclamaciones, se obtiene credibilidad completa e Observe que m representa el total de reclamaciones promedio dupara S. rante m periodos. Observe adems para este ejemplo particular que puede a no conocerse el valor del parmetro , pues aunque la esperanza y varianza a de S se expresan en trminos de este parmetro, el criterio de credibilidad e a completa se expresa en trminos del nmero de reclamaciones promedio m, e u y no del nmero de periodos m. u Credibilidad parcial En lugar del estimador S para E S se propone la combinacin lineal cono vexa z S 1 z E S , 1082 22 , 2 2
en donde z 0, 1 es llamado factor de credibilidad. Mediante una expresin como la propuesta se le otorga credibilidad parcial a la media muestral o S, y la credibilidad complementaria se le otorga a la media terica E S . o El problema es determinar el valor de z. Nuevamente se pretende que tal o estimador no diste demasiado de E S . La condicin (5.1) se reduce a P z S E S kE S
p.
Observe que esta expresin hace referencia unicamente al primer sumando o del estimador propuesto. Reescribimos la expresin anterior de la forma o siguiente k E S p. P S E S z
100
Esta es la misma condicin para la credibilidad completa solo que en lugar o del parmetro k tenemos ahora k z, es decir, la credibilidad completa k, p a para z S 1 z E S es equivalente a la credibilidad completa kz, p para S. Credibilidad parcial bajo hiptesis de normalidad o Nuevamente bajo la hiptesis de normalidad para S y para los valores de k o y p mencionados anteriormente se tiene la aproximacin o m De donde se obtiene z k E S m u1p2 VarS m 32.89 E S . VarS (5.4) z 2 u21p2 VarS k2 E 2 S S 1082 z2 VarS . E2 (5.3)
Este valor de z excede el valor de uno para valores sucientemente grandes de m, por lo tanto se dene el factor de credibilidad como z m n
k E S m , 1 . u1p2 VarS
(5.5)
Ejemplo 5.2 Considere nuevamente un riesgo S con distribucin Poisson o N compuesta, S o j 1 Yj , en donde N tiene distribucin Poisson, y Y tiene distribucin exp. Para los valores de k y p mencionados antes, la o condicin de credibilidad parcial (5.3) para z S 1 z E S se reduce a o m 2164z 2 , Considerando igualdad y despejando z se obtiene z m46.52, en donde m se substituye por el nmero de reclamaciones totales que se hayan preu sentado en m periodos, siempre y cuando m 46.52. De esta manera la prima pura de riesgo por credibilidad parcial es la combinacin lineal o prima m m S 1 E S , 46.52 46.52
es el valor esperado terico supuesto para el riesgo o en donde E S S, y S es la experiencia observada.
5.2. Credibilidad Bayesiana
101
5.2.
Credibilidad Bayesiana
La credibilidad Bayesiana es otra forma de incorporar el historial de reclamaciones de un grupo de asegurados en el clculo de las primas. a Estimacin Bayesiana o En la estad stica tradicional se considera el problema de estimacin de un o parmetro de una distribucin de probabilidad dada f x; . Para ello se a o considera una muestra aleatoria de esta distribucin y se estudian distintos o mtodos para estimar , considerando siempre que este parmetro tiene un e a valor desconocido y jo. Existe, sin embargo, un punto de vista distinto llamado estimacin Bayesiana. Desde esta perspectiva se considera que o es una variable aleatoria para la cual se asume una distribucin de probao o o bilidad h llamada a priori. Esta distribucin reeja cierta informacin subjetiva o cuantitativa que el observador pueda tener sobre el parmetro a . La distribucin conjunta de una muestra aleatoria y el parmetro es o a f x1 , . . . , xm , f x1 , . . . , xm h
m i 1
f xi h .
La distribucin marginal de la muestra es entonces o f x1 , . . . , xm
m
i 1
f xi h d.
Conociendo estas funciones puede ahora calcularse la distribucin condio cional de dada la muestra como sigue g x1 , . . . , xm f x1 , . . . , xm h f x1 , . . . , xm
m i 1 m

i 1
f xi h f xi h d . (5.6)
o De esta forma la distribucin h representa cierta informacin que el obo servador conoce del parmetro antes de tomar la muestra, y la distribua cin a posteriori g x1 , . . . , xm es la distribucin modicada a la luz de o o
102
la muestra aleatoria. Teniendo ahora esta distribucin a posteriori para , o uno puede proponer varias formas de estimar este parmetro, una de ellas es a simplemente tomar la esperanza de esta distribucin, es decir, un estimador o Bayesiano para es E x 1 , . . . , x m
g x1 , . . . , xm d.
En general, la expresin que pueda encontrarse para la distribucin a poso o teriori para usando la frmula (5.6) puede ser muy complicada y no ser o una distribucin con la cual estemos familiarizados. Ilustraremos estas ideas o con un ejemplo particular en donde el resultado nal, sin embargo, es una distribucin conocida. Aplicaremos despus la estimacin Bayesiana al proo e o blema de calcular primas puras de riesgo tomando en cuenta el historial de reclamaciones. Ejemplo 5.3 Suponga que X1 , . . . , Xm es una muestra aleatoria de la distribucin Berp, y suponga adems que el parmetro p tiene una distribuo a a cin betaa, b, con a y b conocidos. Observe que el soporte de la distribuo cin beta es el intervalo 0, 1, de modo que en este sentido tal distribucin o o es factible para el parmetro p. La densidad conjunta de la muestra y el a parmetro es a f x1 , . . . , xm , p f x1 , . . . , xm p hp 1 x x pm 1 pmm pa1 1 pb1 B a, b 1 x x pam1 1 pmmb1 . B a, b
1 1 x x pam1 1 pmmb1 dp B a, b 0 B a m, m m b x x . B a, b
Integrando respecto a p se obtiene la densidad marginal de la muestra, f x 1 , . . . , x m
Por lo tanto, la densidad a posteriori para p es gp x1 , . . . , xm 1 x x pam1 1 pmmb1 . B a m, m m b x x
103
Esta es la densidad betaa m, m m b, y su esperanza puede usarse x x como un estimador Bayesiano para p, es decir, p a m x mab m m a a b. x 1 mab mab
(5.7)
Esta ultima expresin para el estimador Bayesiano es interesante pues tiene o la misma forma que la que se haba propuesto en la credibilidad parcial. Ob serve en (5.7) que conforme el tamao de la muestra m crece, el estimador n Bayesiano para la media toma esa informacin y le asocia un peso mayor o a la media muestral x en detrimento de la media de la distribucin a priori o aa b. Ahora aplicaremos estas ideas al problema del clculo de primas tomando a en cuenta la experiencia de un riesgo. Suponga que las variables S1 , . . . , Sm representan el historial de reclamaciones en m aos o periodos que se han n registrado de un riesgo dado. Suponga adems que estas variables son indea pendientes y todas ellas tienen una distribucin comn dependiente de un o u parmetro desconocido , y esta distribucin es tal que E S . Bajo el a o enfoque Bayesiano se considera que el parmetro es una variable aleatoria a para la cual se asume una distribucin de probabilidad a priori. La esperano za a posteriori de , es decir, E S1 , . . . , Sm , representa una estimacin o para E S tomando en cuenta el historial S1 , . . . , Sm . A esta esperanza a posteriori se le llama prima de credibilidad Bayesiana. En los casos que analizaremos esta prima tiene la forma de la credibilidad parcial mencionada antes. Los casos que consideraremos para la distribucin de S son: la o distribucin Poisson con media , y la distribucin normal con media . o o Modelo Poisson-gamma Este modelo adquiere su nombre a partir de las siguientes hiptesis: se o postula que cada una de las variables aleatorias independientes S1 , . . . , Sm tiene distribucin Poisson con parmetro , el cual se considera aleatorio con o a a distribucin a priori gamma, , con y parmetros conocidos. Observe o que en este modelo se considera que los montos de las reclamaciones toman
104
5. Teor de la credibilidad a 0,
valores enteros. La funcin de densidad a posteriori de es, para x o g S 1 , . . . , S m
f S1 , . . . , Sm h
m
f S1 , . . . , Sm h d
m
j 1 0
! e 1e S
Sj j
j j 1 mS 1 e
! e 1e d S
Sj
mS 1 em d
m mS mS1em . mS Es decir, la densidad a posteriori es gammamS , m . Por lo tanto
la prima por credibilidad, esperanza de esta densidad, es prima
E S1 , . . . , Sm mS m m S m m 1 z , zS en donde z mm es llamado factor de credibilidad. Esta cantidad crece montonamente a uno cuando m crece a innito, dando cada vez o ms credibilidad a la media muestral S y favoreciendo cada vez menos a la a a media terica . Observe adems que cuando m crece a innito, la media o de la distribucin a posteriori converge a la media muestral l o mite dado por el historial de reclamaciones, y que la varianza de dada por Var o mS m 2 converge a cero, lo cual indica que la distribucin a posteriori se concentra cada vez mas alrededor de su media. Modelo normal-normal En este modelo se postula que cada una de las reclamaciones S1 , . . . , Sm tiene distribucin N, 2 , en donde el parmetro 2 es conocido y la media o a
105
es una variable aleatoria con distribucin N, 2 , con y 2 conocidos. o La primera hiptesis puede ser justicada en el caso cuando los montos o anuales se componen de un gran nmero de reclamaciones individuales, u para ello no es necesario suponer que las reclamaciones individuales tienen la misma distribucin. La segunda hiptesis podr ser razonable si es que o o a los parmetros y 2 son tales que la probabilidad asignada a la parte a negativa del eje es muy pequea. La funcin de densidad a posteriori de n o es f S1, . . . , Sm h g S1 , . . . , Sm f S1 , . . . , Sm h d
1 2 2 1
m Sj 2
e e
m j 1
Sj 2 22 Sj 2 22
1 2 2 1
22
.
m j 1
2 2
2
2 2
2 2 e 2 d
Nos concentramos en analizar unicamente el exponente y tenemos que
j 1
2 2
22
m 1 2 22 22 2 mS 22 2 2
m j
2 Sj 2 22 . 2 2 1
Completando el cuadrado en , este exponente se puede escribir como sigue S m S m2 2 2 12 2 m2 2 2 Sj2 2 m m 1 22 22 . m 1 j 1 2 2 2 1 2 2 2 Este exponente aparece tanto en el numerador como en el denominador, y como los ultimos dos sumandos no dependen de stos desaparecen comple e tamente al hacer el cociente. Lo que resulta es nuevamente la distribucin o normal S m m2 2 2 12 2 1 . g S1 , . . . , Sm exp m 1 m 1 1 2 2 2 1 2 2 2
106
La media de esta distribucin es entonces la prima por credibilidad, es decir, o prima E S1 , . . . , Sm S m m2 2 2 12 m 2 2 S m 2 2 m 2 2 z S 1 z ,
m 2 m 2 2 es el factor de credibilidad, el cual tiene en donde z nuevamente comportamiento montono creciente a uno conforme m crece o m a innito. Observe adems que Var a 2 12 1 y que esta cantidad converge a cero cuando el tamao de muestra m crece a innito, indicann do nuevamente que la distribucin a posteriori se concentra cada vez mas o alrededor de su media.
5.3.
Ejercicios
Credibilidad completa
117. Sean S1 , . . . , Sm los resultados de m lanzamientos sucesivos de una moneda honesta con valores 0 y 1, dependiendo si se obtiene una cara de la moneda u otra. Usando la aproximacin normal encuentre o el valor de m para obtener la credibilidad completa k, p para S S1 Sm m. Suponga k 0.1 y p 0.9. 118. Encuentre el valor de m para obtener la credibilidad completa k, p para S S1 Sm m de un riesgo S con distribucin N5, 2. o Suponga k 0.15 y p 0.9. Credibilidad parcial 119. Use la aproximacin normal para encontrar la prima por credibilio dad parcial, a partir de una muestra S1 , . . . , Sm , de un riesgo S con distribucin Pareto4, 3. Suponga k 0.1 y p 0.9. o
5.3. Ejercicios
107
120. Use la aproximacin normal para encontrar la prima por credibio lidad parcial con k 0.1 y p 0.9 considerando el historial de N reclamaciones S1 , . . . , Sm de un riesgo de la forma S j 1 Yj , en donde a) N se distribuye binn, p con n distribuye exp con 110. 100 y p 10 y p 12, y Yj se 13, y Yj se
b) N se distribuye bin neg, p con distribuye exp con 110. Estimacin Bayesiana o
121. Suponga que el nmero de reclamaciones X de un cierto riesgo u sigue una distribucin Poisson de parmetro . Se considera que o a el parmetro es desconocido y se le modela como una variable a o aleatoria con distribucin exp. Demuestre que la distribucin a o posteriori o no condicional de X es la siguiente distribucin geomo e trica. x1 1 P X x . 1 122. Suponga que N tiene una distribucin Poisson, y que condio cionada al valor de N la variable X tiene distribucin binN, p. o Demuestre que la distribucin no condicional de X es Poissonp. o
108
Cap tulo 6
Procesos estocsticos a
En este cap tulo se presenta una introduccin breve al tema de los procesos o estocsticos. Se explican algunos conceptos y propiedades generales, y se a dan algunos ejemplos de procesos estocsticos particulares. Este material a ser usado en la ultima parte del libro, y supondremos como elemento base a un espacio de probabilidad , F , P . Denicin 6.1 Un proceso estocstico es una coleccin de variables aleatoo a o rias Xt : t T , parametrizada por un conjunto T , llamado espacio parametral.
El conjunto T usualmente se interpreta como un conjunto de tiempos. Se dice que el proceso es a tiempo discreto en caso de que el conjunto de parmetros sea un conjunto discreto, por ejemplo T 0, 1, 2, . . . . En este a caso el proceso consiste de una sucesin innita de variables aleatorias. Se o dice en cambio que el proceso es a tiempo continuo cuando el conjunto de parmetros consiste de un subintervalo de , por ejemplo, T a 0, . En general consideraremos procesos estocsticos con este espacio parametral. a Un proceso estocstico es entonces una funcin de dos variables X : T a o , tal que para cada t T , la funcin Xt es una variable aleatoria, o Xt es una trayectoria del mientras que para cada en , la funcin t o proceso. Con este modelo se pretende representar la evolucin aleatoria de o un sistema a lo largo del tiempo. 109
110
6. Procesos estocasticos
6.1.
Filtraciones y tiempos de paro
Una familia de -lgebras Ft t 0 es una ltracin si para 0 a o s t, se cumple Fs Ft F . Al espacio , F , P, Ft t 0 se le llama espacio de probabilidad ltrado. Se dice que un proceso es adaptado a una ltracin o Ft t 0 si para cada t 0, Xt es Ft -medible. Todo proceso estocstico a Xt determina una ltracin natural dada por Ft Xs : 0 s t. o Claramente todo proceso es adaptado a su ltracin natural. En este caso o a la -lgebra Ft se le interpreta como la historia del proceso al tiempo a t, pues en ella se encuentran todos los posibles eventos o sucesos que el proceso haya tenido hasta ese momento. Un tiempo de paro es una funcin o 0, tal que t Ft para cada t 0. Esto es, un tiempo de : paro es una variable aleatoria no negativa, con posible valor innito, tal que puede determinarse la ocurrencia o no ocurrencia del evento t slo o con la informacin o historia del proceso hasta el tiempo t. Por ejemplo, y o sin entrar en mayores detalles tcnicos, el tiempo aleatorio que transcurre e hasta la ocurrencia de un cierto evento es un tiempo de paro, este tiempo aleatorio puede ser, por ejemplo, el tiempo que transcurre hasta la llegada de la n-sima reclamacin a una compa aseguradora. e o na
6.2.
Cadenas de Markov
Denicin 6.2 Una cadena de Markov es un proceso estocstico a tiempo o a discreto Xn : n 0, 1, . . . con espacio de estados discreto y tal que satisface la propiedad de Markov, esto es, para cualquier n 0 y cualesquiera estados x0 , x1 , . . . , xn1 se satisface la identidad P Xn1 P Xn1 xn1 Xn xn , . . . , X1 xn1 Xn x n . x1 , X0 x0
A estas probabilidades se les llama probabilidades de transicin del tiempo o n al tiempo n 1, y se les denota por pxn ,xn1 n, n 1. Adicionalmente se dice que la cadena es estacionaria en el tiempo si estas probabilidades no dependen expl citamente de los tiempos n y n 1, sino unicamente de los estados involucrados. De esta forma, si de manera general se considera la probabilidad de transicin del estado i al estado j de una unidad de tiempo o a la siguiente, la probabilidad de transicin del primer estado al segundo se o
6.3. Proceso de Poisson
111
ndices escribe como pij , o pij 1, o pij . Haciendo variar los valores de los i y j en el espacio de estados 0, 1, . . . , por ejemplo, se forma la matriz de probabilidades de transicin en un paso: o
p00 p01 p02 p10 p11 p12 p20 p21 p22 . . . . . . . . .
Las entradas de esta matriz son nmeros no negativos y la suma de ellos en u cada rengln es uno. A tales matrices cuadradas se les llama matrices eso tocsticas. Rec a procamente, a partir de una matriz con estas caracter sticas junto con una distribucin inicial para X0 , se puede construir una cadena o de Markov. Las cadenas de Markov son modelos ampliamente conocidos y la propiedad de Markov hace que estos procesos sean atractivos de estudiar pues dicha propiedad hace que ciertas probabilidades sean fciles de calcua lar. Las cadenas de Markov con frecuencia aparecen dentro de otros modelos estocsticos de inters, terico o aplicado. El proceso de riesgo a tiempo disa e o creto que presentaremos en el siguiente cap tulo, por ejemplo, resulta ser una cadena de Markov.
6.3.
Proceso de Poisson
En esta seccin recordaremos la denicin y algunos aspectos elementales o o de uno de los procesos estocsticos de mayor importancia: el proceso de a Poisson. Denicin 6.3 Un proceso estocstico de tiempo continuo Nt : t 0, y o a con espacio de estados el conjunto discreto 0, 1, . . . , es un proceso de Poisson de parmetro o intensidad 0 si cumple las siguientes propiedades: a a) N0 0.
b) Tiene incrementos independientes. c) Nts Ns tiene distribucin Poissont, para cualesquiera s o t 0. 0,
112
El proceso de Poisson se utiliza para modelar situaciones de conteo de ocurrencias de un evento particular en un intervalo de tiempo dado. Por ejemplo, Nt puede representar el nmero de llamadas telefnicas recibidas en un conu o mutador, o el nmero de accidentes ocurridos en un cierto lugar, o el nmero u u de clientes que buscan un servicio durante el intervalo de tiempo 0, t, etc. En particular E Nt t, y VarNt t. En nuestro caso, usaremos este proceso para modelar el nmero de reclamaciones que llegan a una comu pa aseguradora hasta el tiempo t. Una posible trayectoria de un proceso na de Poisson se muestra en Figura 6.1.
Nt
3 2 1
t
Figura 6.1 Uno de los objetos de estudio acerca de este proceso es la variable Tk denida como el tiempo que transcurre entre el evento k 1 y el evento k, llamado tambin tiempo de interarribo. Puede demostrarse que los tiempos T1 , T2 , . . . e son variables aleatorias independientes, y cada una de ellas tiene distribucin exp. Rec o procamente, a partir de esta coleccin de v.a.i.i.d. puede o construirse el proceso de conteo Poisson Nt : t 0.
6.4.
Martingalas
Las martingalas son un tipo de proceso estocstico que aparece con frecuena cia tanto en la teor general de procesos como en las aplicaciones. Existe a una extensa teor matemtica desarrollada de estos procesos. a a Denicin 6.4 Un proceso Mt : t o 0 que es adaptado e integrable es una martingala si para 0 s t se cumple E Mt Fs Ms c.s. (6.1)
6.5. Ejercicios
113
Las martingalas son procesos que estan relacionados con los juegos justos. Por ejemplo, si Mt representa la fortuna de un jugador al tiempo t, y quien supondremos apuesta de manera continua, entonces la igualdad anterior se interpreta del siguiente modo: en promedio la fortuna del jugador al tiempo t dada toda la historia del juego hasta el tiempo s anterior a t es la fortuna del jugador al tiempo s, es decir, el juego es justo pues el jugador en promedio no pierde ni gana. Cuando en lugar de (6.1) se cumple E Mt Fs Ms se dice que el proceso es una supermartingala, se trata entonces de un juego desfavorable al jugador pues en promedio su fortuna disminuye. En caso de la desigualdad contraria el proceso es una submartingala, juego favorable al jugador. Cuando se toma esperanza en la ecuacin (6.1) se obtiene E Mt o E Ms . Esto quiere decir que todas las variables aleatorias que conforman una martingala tienen la misma esperanza. En particular, si la variable inicial M0 es cero o su esperanza es cero, entonces E Mt 0 para cualquier 0. Algunos ejemplos sencillos de martingalas aparecen en la seccin o t de ejercicios. Finalmente enunciaremos un resultado de la teor general a de martingalas que ser usado en la ultima parte del curso. Recuerde la a n notacin x y m x, y . o Teorema 6.1 (Teorema de paro de martingalas). Sea Mt : t 0 una martingala y sea un tiempo de paro. Entonces Mt : t 0 es tambin e una martingala, es decir, para cualesquiera 0 s t, E Mt
Fs
Ms
c.s.
En el siguiente cap tulo usaremos la teor de martingalas para estimar la a probabilidad de ruina en el modelo clsico de Cramr-Lundberg. a e
6.5.
Ejercicios
Cadenas de Markov
0 con espacio de 123. Considere una cadena de Markov Xn : n estados 0, 1, 2 y con matriz de probabilidades de transicin P o como aparece abajo. Calcule a) P X3 0 suponiendo que X0 0.
114 b) P X3
6. Procesos estocasticos 0 suponiendo que X0 tiene distribucin 15, 12, 310. o P
13 13 13 23 0 13 .
14 12 14
Proceso de Poisson 124. Suponga que las llegadas de reclamaciones a una compa aseguna radora siguen un proceso de Poisson de intensidad 5, en donde la unidad de tiempo es un d es decir, en promedio llegan 5 reclaa, maciones por d Calcule la probabilidad de que a. a) no se reciba ninguna reclamacin en un d cualquiera. o a b) se reciban ms de 10 reclamaciones en un d cualquiera. a a c) se reciba una sola reclamacin en los siguientes tres dias. o 125. Los clientes ingresan a un establecimiento de acuerdo a un proceso de Poisson a razn de 10 clientes por hora en promedio. Calcule la o probabilidad de que a) en una hora cualquiera no llegue ningn cliente. u b) no llegue ningn cliente en una jornada de 12 horas. u c) se presente exactamente un cliente en todas y cada una de las 12 horas en las que est abierto el establecimiento en un d a a. 126. Superposicin. Demuestre que la suma de dos procesos de Poisson o independientes es nuevamente un proceso de Poisson con parmetro a la suma de los parmetros. Nota: La operacin suma debe entena o derse en el sentido de superponer los dos procesos puntuales. a 0. 127. Thinning. Sea Nt un proceso de Poisson de parmetro Considere una sucesin de variables aleatorias Y1 , Y2 , . . . indepeno dientes, con distribucin comn Berp, e independientes del proo u ceso de Poisson. Dena el proceso Xt : t 0 como aparece abajo, deniendo adems a Xt como cero cuando Nt es cero. a Xt
N
t
Yk ,
k 1
6.5. Ejercicios
115
a) Demuestre que Xt es un proceso de Poisson de parmetro p. a b) Demuestre que las variables aleatorias Xt y Nt Xt son independientes. En general se cumple que los procesos estocsticos Xt y a Nt Xt son independientes. 128. Suponga que los accidentes automovil sticos en una cierta ciudad ocurren de acuerdo a un proceso de Poisson con un promedio de cinco accidentes por semana. Suponga adems que la probabilidad a de que en cada accidente haya personas lastimadas que requieran atencin mdica es 0.2. Calcule la probabilidad de que o e a) en un d no se presente ningn accidente. a u b) en una semana no se presente ningn accidente. u c) en un mes no se presente ningn accidente con personas lastiu madas. 129. Sea Nt un proceso de Poisson con parmetro , y sea a a 0 una constante. Demuestre que Nat es un proceso de Poisson con parmetro a. a 130. Considere dos procesos de Poisson independientes de parmetros 1 a y 2 . Sea X el nmero de eventos que ocurren en el primer proceso u entre dos eventos sucesivos del segundo proceso. Demuestre que X tiene la siguiente distribucin geomtrica. o e P X Martingalas 131. Sea Nt un proceso de Poisson de parmetro o intensidad , junto a con su ltracin natural. Demuestre que el proceso centrado Nt o t es una martingala. 132. Demuestre que el proceso Mt es una submartingala si y slo si o Mt es una supermartingala. n 1 2 2
1 2
133. Demuestre que un proceso es una martingala si y slo si es al mismo o tiempo una submartingala y una supermartingala.
116
Cap tulo 7
Teor de la ruina a
Este cap tulo contiene una introduccin elemental a uno de los problemas o centrales de la teor del riesgo: el problema de la ruina. Deniremos primero a un proceso de riesgo a tiempo discreto y encontraremos una frmula general o recursiva para la probabilidad de ruina en dicho modelo. Presentaremos despus una versin a tiempo continuo del proceso de riesgo, conocida como e o el modelo clsico de Cramr-Lundberg, y encontraremos que la probabilidad a e de ruina para este modelo satisface una ecuacin integral. Estudiaremos o adems algunos otros resultados generales sobre el clculo y estimacin de a a o la probabilidad de ruina.
7.1.
Un proceso de riesgo a tiempo discreto
Deniremos a continuacin un proceso estocstico a tiempo discreto que o a modela de manera simplicada la evolucin a lo largo del tiempo del cao pital de una compa aseguradora respecto de una cartera de asegurados. na Suponga que u 0, 1, 2 . . . es el capital inicial de la aseguradora y que en cada unidad de tiempo la compa aseguradora recibe una unidad monena taria por concepto de primas. Tal hiptesis podr parecer un tanto irreal o a pero considere el lector que si en realidad la cantidad recibida es constante e igual a c, entonces mediante un cambio en la escala del tiempo esa constante puede considerarse como una unidad monetaria. Si Y1 , Y2 , . . . representan los montos de las reclamaciones en los periodos sucesivos, entonces el capital 1 es la variable Cn denida a de la compa aseguradora al tiempo n na 117
118 continuacin. o
7. Teor de la ruina a
Denicin 7.1 El proceso de riesgo a tiempo discreto o est dado por a Cn un

n
Cn
: n
0 (7.1)
Yj .
j 1
Supondremos que las variables aleatorias Y1 , Y2 , . . . son independientes e idnticamente distribuidas con valores en el conjunto 0, 1, . . . y tales que e o o E Y1 1, a esta condicin la llamaremos la condicin de ganancia neta. En la presente seccin la variable Y representar a cualquiera de las variables o a Yj que aparecen en la expresin (7.1), F y ser la funcin de distribucin o a o o de Y y la correspondiente funcin de probabilidad se denotar por f y . o a En las frmulas que encontraremos ms adelante aparecer con frecuencia o a a y 1 F y y para hacer las expresiones ms a la probabilidad P Y simples, esta probabilidad ser denotada por F y , es decir, a Notacin: o F y 1 F y .
Dado que la variable Y es discreta con valores en el conjunto 0, 1, . . . , su esperanza puede entonces escribirse de la siguiente forma: E Y
y 0
F y .
Por otro lado, dadas las caracter sticas que hemos solicitado para la deni0, ste resulta ser una cadena de Markov e cin del proceso Cn : n o con espacio de estados o valores dado por el conjunto discreto Z. Y hemos considerado valores enteros negativos pues alguna reclamacin puede ser o demasiado grande y llevar al proceso a tales estados cr ticos para la aseguradora. Justamente, esta situacin es nuestro objeto de inters y es el o e contenido de la siguiente denicin. o
7.1. Un proceso de riesgo a tiempo discreto
119
Denicin 7.2 Se dice que la compaa aseguradora se encuentra en ruina o n al tiempo n 1 si Cn 0, y se dene el tiempo de ruina como el primer momento en que la ruina se presenta, es decir, m n n 1 : Cn 0, (7.2)
En la expresin (7.2) se debe entender que cuando el conjunto indicado es o , y equivale a la situacin cuando la ruina nunca se o vac se dene o presenta. El problema de la ruina consiste en encontrar la probabilidad de que la ruina ocurra en algn conjunto de tiempos espec u co. Por ejemplo, y se la probabilidad de una ruina eventual (horizonte innito) es P denota usualmente por u. Con esta notacin se hace nfasis en que tal o e probabilidad depende, entre otros parmetros del modelo, del capital inicial a u. Tenemos entonces que u P P
1, 2, . . .
C0
u C0
u.
Observe que tcnicamente no hay ruina al tiempo cero, aun cuando se cone sidere al capital inicial u igual a cero, pues de acuerdo a la Denicin 7.2, la o ruina slo puede ocurrir en los tiempos n 1. En la Figura 7.1 se muestra o una posible trayectoria del proceso Cn : n 0, en donde para nes de visualizacin se han unido los valores del proceso mediante l o neas punteadas indicando adems los incrementos unitarios por concepto de primas en cada a intervalo. Se muestra adems un posible momento en donde se presenta a la ruina. La propiedad de Markov del proceso de riesgo nos permitir ena contrar una frmula recursiva para la probabilidad de ruina en este modelo o discreto. En las expresiones que escribiremos a continuacin las sumas b o a se denen como cero cuando los ndices a y b son tales que a b. Se dene adems a la probabilidad de ruina como cero cuando el capital inicial es a innito, es decir, l u : 0. m
u
120
Cn
u n
Figura 7.1
Probabilidad de ruina con horizonte innito Proposicin 7.1 Para el proceso de riesgo a tiempo discreto Cn : n o con valor inicial u 0, 1. u 2. 0 0 E Y .
u 1 y 0
u y F y
u 1 y 0
F y ,
1.
Demostracin. o
Para cualquier capital inicial w
0 y condicionando
7.1. Un proceso de riesgo a tiempo discreto sobre el valor de Y1 tenemos que
121
y 0 w
P P
Y1 Y1
y P Y1 y f y
y w 1
y 0 w y 0 w y 0 w 1 y 1
w 1 y f y
Y1
y f y
y w 1
f y
w 1 y f y F w y f w 1 y F w. (7.3)
Observe que en la segunda igualdad se han separado dos casos: la primera suma se reere al caso cuando el monto reclamado Y1 no produce ruina y la segunda suma cuando se presenta la ruina. En este ultimo caso la probabilidad condicional indicada es uno. Despejando el ultimo trmino de e la suma (7.3) y escribiendo u en lugar de w se obtiene
u 1f 0
u y 1
y f u 1 y F u.
(7.4)
Sumando ahora las ecuaciones de (7.3) para valores de w de cero a cualquier
122 u 0, se tiene que

u w 0
u w1 w 0 y 1 u 1 y 1 u 1 y 1 u
y f w 1 y
u w y 1
u w 0
F w F w
f w 1 y
u w 0
w 0
y F u 1 y
F w
u w 0
y F u 1 y u 1 f 0
F w
y 1
Para obtener la ultima identidad se separa el ultimo sumando de la primera e suma y se observa que F 0 f 0. Despejando este trmino se obtiene u 1 f 0 0
u
y 1 F u 1 y
F y .
(7.5)
y 1
y 0
Igualando el lado derecho de esta ecuacin con el lado derecho de la ecuacin (7.4) o o se obtiene u 0 0 0
u y 1 u
y 1 F u 1 y f u 1 y y F u y u y F y
u 1 y 0 u 1 y 0
u 1 y 0
F y
F y F y . (7.6)
y 1 u 1 y 0
Esto demuestra la primera parte de la proposicin. Resta entonces demostrar o E Y . Para ello tomaremos el l mite cuando u en la que 0 ecuacin (7.6). Tenemos entonces que o 0 l u m 0 l m
u u 1 y 0
u y F y
y 0
F y .
7.1. Un proceso de riesgo a tiempo discreto
123
Observamos que la segunda suma es E Y , de modo que es suciente demostrar que el l mite de la primera suma es cero. Como E Y , para cualquier 0 puede encontrarse un valor de n natural tal que
y n 1
F y
Entonces
u 1 y 0
u y F y
y 0 n
u y F y u y
y n 1
y 0
F y .
Por lo tanto al tomar el l mite obtenemos que

u 1 u
l m
u y F y
y 0
Siendo arbitrario, el l mite es efectivamente cero. En analog con la notacin F y 1 F y , la expresin u denotar la a o o a probabilidad complementaria 1 u, esto es la probabilidad de que nunca se presente la ruina, es decir, Notacin: o u 1 u.
Observe entonces que la ecuacin recursiva para u tambin puede ser o e escrita como sigue u 0
u 1 y 0
u y F y ,
1.
(7.7)
Por otro lado, recordando nuevamente que, siendo Y una variable aleatoria con valores enteros en el conjunto 0, 1, . . . y con esperanza nita, se puede
124 escribir E Y
y 0
F y .
De modo que uniendo los dos resultados de la Proposicin 7.1 y despus o e de un cambio de variable se encuentra que la frmula recursiva para u o tambin puede ser escrita de la forma siguiente e u
y u
F y
u 1 y 0
u y F y ,
1.
(7.8)
En la siguiente seccin encontraremos una frmula similar a (7.8) para la o o probabilidad de ruina considerando un modelo de riesgo a tiempo continuo. Ejemplo 7.1 Suponga que las reclamaciones Y tienen distribucin dada o por la tabla que aparece abajo. Usando la frmula recursiva de la Proposio cin 7.1, encontraremos u para los primeros valores de u. o y f y 0 0.5 1 0.2 2 0.3
Primeramente tenemos que 0 E Y 0.8. Para u 1 la frmula o F 1 1F 0. Substituyendo las probarecursiva establece que 1 bilidades correspondientes se obtiene 1 0.6. Para u 2 se tiene que 2F 0 1F 1, de donde se obtiene 2 0.36. Anlogaa 2 mente se obtienen las probabilidades de ruina que se muestran en las siguientes tablas. u 0 1 2 3 u 0.8 0.6 0.36 0.216 u 4 5 6 7 u 0.1296 0.07776 0.046656 0.0279936 u 8 9 10 11 u 0.01679616 0.010077696 0.006046618 0.0036279708
En la Figura 7.2 se muestra una grca de barras de los valores encontrados a de u. Se observa un comportamiento decreciente de u conforme el capital inicial u se incrementa.
7.1. Un proceso de riesgo a tiempo discreto u 1.0 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 7 8 9 10 Figura 7.2 u
125
Probabilidad de ruina con horizonte nito La probabilidad de ruina con horizonte nito n 1 se dene como u, n P P u
1, 2, . . . , n
n C0
C0
u,
y corresponde a la probabilidad de que la ruina se presente en alguno de u, los tiempos: 1, 2, . . . , n. Puesto que siempre estaremos en el caso C0 se omitir esta condicin y la probabilidad de ruina con horizonte nito a o se puede escribir simplemente como P n. A partir de observar la contencin de los eventos correspondientes, se puede vericar que o u, 1 u, 2
u, n
u.
Condicionando sobre el monto de la primera reclamacin tal como se hizo en o el caso de horizonte innito, mostramos a continuacin una forma recursiva o de encontrar u, n.
126
Proposicin 7.2 Para el proceso de riesgo a tiempo discreto Cn : n 0 o con valor inicial u 0, la probabilidad de ruina con horizonte nito u, n puede calcularse de la siguiente forma 1. u, 1 2. u, n F u. F u
u y 0
u 1 y, n 1 f y ,
2.
Demostracin. o Para n 1, u, 1 Para n P 1 P u 1 Y1 0 P Y1 u 1 F u.
2, condicionando sobre el valor de la primera reclamacin, o u, n P
n P n Y1 y P Y1 y
y 0 u
u 1 y, n 1 f y
y u 1
y 0 u y 0
f y
u 1 y, n 1 f y F u.
Ejemplo 7.2 Consideremos nuevamente el caso cuando los montos Y tienen distribucin dada por la tabla que aparece abajo. Usando la frmula recursiva o o de la Proposicin 7.2 encontraremos u, n, cuando u 0 y n 1, 2, 3, 4, 5. o v f v 0 0.5 1 0.2 2 0.3
7.2. Modelo clasico de Cramr-Lundberg e
127
Para n 1 tenemos que 0, 1 F 0 0.5. Para n 2, la frmula o recursiva lleva a la ecuacin 0, 2 0, 1 1, 1f 0, usando el heo 0.3 se obtiene 0, 2 0.65. Para n 3, se tiene cho de que 1, 1 0, 1 1, 2f 0, en donde 1, 2 se calcula usando la que 0, 3 misma frmula recursiva. Al hacer los clculos se obtiene 0, 3 o a 0.68. Anlogamente y utilizando repetidamente la frmula recursiva se obtienen a o las probabilidades de ruina restantes que se muestran en la siguiente tabla. n 0, n 1 0.5 2 0.65 3 0.68 4 0.7085 5 0.7232
El comportamiento creciente de n 0, n se muestra en la Figura 7.3 y tales probabilidades son siempre menores o iguales a 0 0.8, es decir, 0, 1 0, 2
0, 5
0.8 .
1.0 0.8 0.6 0.4
0, n 0
0 1 2 3 4 5 Figura 7.3
7.2.
Modelo clsico de Cramr-Lundberg a e
El modelo de Cramr-Lundberg es la versin a tiempo continuo del modelo e o a tiempo discreto que estudiamos en la seccin anterior y tiene sus or o genes en la tesis doctoral de Filip Lundberg defendida en el ao de 1903. En este n trabajo, Lundberg analiza el reaseguro de riesgos colectivos y presenta el proceso de Poisson compuesto. Lundberg utiliz trminos un tanto distintos o e a los actuales pues en aquellos aos an no se hab formalizado la teor de n u a a
128
los procesos estocsticos como la entendemos hoy en d En 1930 Harald a a. Cramr retoma las ideas originales de Lundberg, y las pone en el contexto de e los procesos estocsticos, en ese entonces de reciente creacin. El modelo ha a o sido estudiado en extenso, y varias formas de generalizarlo se han propuesto y analizado.
Ernest Filip Oskar Lundberg (Suecia 18761965)
Carl Harald Cramr e (Suecia 18931985)
El modelo clsico que estudiaremos en este cap a tulo es el proceso estocstico a a tiempo continuo Ct : t 0 dado por Ct u ct
N
t
Yj ,
(7.9)
j 1
en donde u es el capital inicial de la compa aseguradora, ct es la entrada na por primas hasta el tiempo t con c una constante positiva, Yj es el monto 0 es un proceso de Poisson de de la j-sima reclamacin, y Nt : t e o parmetro . Observe que para un proceso de reclamaciones con distribucin a o Poisson compuesta como en (7.9), la esperanza es justamente de la forma ct, y el principio del valor esperado para el clculo de primas lleva a que a el proceso de primas sea lineal como el sugerido en el modelo. La variable Ct representa el balance ms sencillo de ingresos menos egresos de una a 0 se le llama nuevamente compa aseguradora. Al proceso Ct : t na proceso de riesgo (risk process), o proceso de supervit (surplus process), y a tiene trayectorias como se muestra en la Figura 7.4.
7.2. Modelo clasico de Cramr-Lundberg e
129
Ct E Ct
u t
Figura 7.4
Estas trayectorias comienzan siempre en u, que es el capital inicial. Los intervalos en donde ellas son continuas y crecientes corresponden a periodos en donde no hay reclamaciones. El crecimiento es de la forma ct. Las discontinuidades son siempre saltos hacia abajo, y aparecen en el momento en que se efecta una reclamacin, la cual se supone que se paga de u o manera inmediata. El tamao de un salto es el tamao de la reclamacin n n o dada por la variable Y . Nuevamente supondremos que los montos Y1 , Y2 , . . . son variables aleatorias independientes, no negativas, e idnticamente dise tribuidas, con funcin generadora de momentos MY r . Los momentos son o cil n E Y n , y en particular denota el primer momento 1 . No es dif comprobar que E Ct u c t, y que VarCt 2 t. La trayectoria 0y promedio de este proceso de riesgo es la l nea recta que inicia en u tiene pendiente c , la cual es positiva por la condicin o hiptesis de o o ganancia neta. La variable aleatoria Ct se puede interpretar como el capital de la compa aseguradora al tiempo t y por razones naturales y legales es na importante que Ct permanezca por arriba de cierto nivel m nimo. Supongamos que tal nivel m nimo es a, con 0 a u. Ajustando el capital inicial u, esto es, suponiendo un nuevo capital inicial de magnitud u a, se puede suponer, sin prdida de generalidad, que este nivel m e nimo es cero, y as lo u haremos en nuestro anlisis. De esta forma cuando Ct 0 para algn t 0 a se dice que hay ruina. La ruina casi nunca sucede en la prctica, es solamente a un trmino tcnico que produce alguna toma de decisin. Por ejemplo, si e e o el capital de una compa aseguradora asignado a una cartera decrece en na forma signicativa, automticamente la aseguradora puede tomar ciertas a
130
medidas para subsanar esta situacin y no se trata de un evento insalvable. o Por otro lado es natural suponer que la compa aseguradora posea varios na portafolios de modo que ruina en uno de ellos no signica necesariamente bancarrota que el trmino ruina podr sugerir. e a La condicin de ganancia neta o Sean T0 , T1 , T2 , . . . los tiempos aleatorios (tiempos de paro) en donde la aseguradora recibe las reclamaciones. Supondremos T0 0. Para cada entero k 1 dena la variable aleatoria Xk c Tk Tk1 Yk , que pueden ser interpretadas como el balance de la compa aseguradora entre dos siniestros na sucesivos. La esperanza de esta variable es E Xk c E Tk Tk1 E Yk c 1 .
Se puede demostrar que la ruina ocurre casi seguramente si, y slo si, o 0. Como deseamos que esta situacin no ocurra supondremos o E Xk que E Xk 0, es decir, tenemos la hiptesis: o Condicin de ganancia neta: o c .
Esta condicin ya la hab o amos mencionado antes, y ahora la interpretamos de la siguiente forma: en promedio, la entrada por primas por unidad de tiempo, c, es mayor que el total de reclamaciones por unidad de tiempo, .
7.3.
Probabilidad de ruina
Nos interesa calcular o estimar la probabilidad de una eventual ruina en el modelo de Cramr-Lundberg. Para ello consideraremos nuevamente el e tiempo de ruina dado por . Por lo tanto es una variable aleatoria en donde se dene nf con valores en el intervalo 0, . Dado un valor t 0 jo, la probabilidad e de ruina en el intervalo 0, t o tambin llamada probabilidad de ruina con horizonte nito es u, t P t C0 u. nf t 0 : Ct 0, (7.10)
7.3. Probabilidad de ruina
131
Mientras que la probabilidad de ruina con horizonte innito, o simplemente probabilidad de ruina, es u l u, t m t1 P t2 , u.
Es intuitivamente claro que cuando 0 u, t1
u, t2
Probabilidad de ruina con horizonte innito Presentaremos a continuacin tres resultados generales sobre la probabilidad o de ruina con horizonte innito. A diferencia del primer cap tulo, y para hacer la notacin ms apegada a la literatura existente en el tema, recordemos que o a estamos denotando por F y a la funcin de distribucin de una reclamacin o o o Y cualquiera. La funcin de densidad ser f y , cuando esta exista. o a Proposicin 7.3 Sea u 1 u. Suponga que la distribucin de una o o reclamacin en el modelo de Cramr-Lundberg es absolutamente continua o e con funcin de densidad f y . Entonces o 1. d u du u c
u
0
u y f y dy .
2. 0 3. u
. c c
F y dy
u
0
u y F y dy .
Demostracin. Usaremos anlisis del primer paso condicionando sobre o a el monto de la primera reclamacin Y1 y el momento T1 en el que esta o reclamacin ocurre. Usaremos adems el hecho de que T1 tiene distribucin o a o
132 exp. u P No ruina en 0,
C0

0 0
0 u ct
P No ruina en 0,
Y1
y, T1 Y1 y, T1 Y1
t f y fT1 t dy dt t f y fT1 t dy dt y, T1 t f y dy dt
et et
uct
0 0 u ct
P No ruina en 0,
P No ruina en t,
u ct y f y dy dt. u ct se obtiene
Haciendo el cambio de variable st u uc e c
esc
u
s
0
s y f y dy ds.
Derivando esta expresin se encuentra el resultado del primer inciso. Deo mostraremos a continuacin el segundo resultado. Integrando la ecuacin o o diferencial del primer inciso entre 0 y u se obtiene u 0
u x u xdx x y dF y dx c 0 u 0u 0u xdx x y dx dF y c 0 0 y u uy u xdx x dx dF y c 0 0 0 u ux u xdx x dF y dx c 0 0 0 u x F u x dx c 0 u u x F x dx c 0 u x F x 10,u x dx. c 0
(7.11)
7.3. Probabilidad de ruina
133
El siguiente paso es hacer u tender a innito. En tal caso, u tiende a uno. Adems el integrando que aparece en el lado derecho es una funcin a o montona creciente en u, y cuyo l o mite es la funcin integrable F x. Eno tonces por el teorema de convergencia montona se obtiene o 1 0 Por lo tanto 0 c
F x dx
. c
. (7.12) c De esta forma se obtiene el segundo resultado. Finalmente de (7.11) y (7.12) se sigue que u
u u xF x dx c 0 u F xdx u xF x dx . c u 0
1 0
Observe que la ultima expresin corresponde a una ecuacin recursiva para o o encontrar la probabilidad de ruina. En general no es fcil resolver este tipo a de ecuaciones, de modo que nos limitaremos slo a encontrar algunas eso timaciones de estas probabilidades. Sin embargo, cuando las reclamaciones tienen distribucin exponencial el sistema es soluble como se muestra a cono tinuacin. o Ejemplo 7.3 Encontraremos la probabilidad de ruina cuando las reclamaciones son exponenciales. Este es uno de los pocos modelos para los cuales tal probabilidad puede encontrarse de manera explcita. Considere entonces el modelo de Cramr-Lundberg en donde las reclamaciones tienen distribue cin exp. La esperanza es 1. Por lo anteriormente encontrado, la o probabilidad de no ruina y 1 y cumple la ecuacin o u u eu c u
u
0
y ey dy .
Derivando esta expresin se obtiene o
u, c
134
cuya solucin es u o a becu , en donde a y b son constantes. Usando las condiciones 0 c y 0 se encuentra que a 1 y b c. Por lo tanto u cu e . c
cuya grca se encuentra en la Figura 7.5. Observe que debido a la condicin a o de ganancia neta, el exponente c es negativo, y por lo tanto la probabilidad de ruina decae a cero exponencialmente cuando el capital inicial u crece a innito. u
u Figura 7.5
7.4.
Severidad de la ruina
0 con capital Consideremos nuevamente el proceso de riesgo Ct : t inicial u. A la variable Ct se le escribe tambin como C t. Sunpongamos e ahora que el tiempo de ruina es nito. En este caso podemos considerar las siguientes variables aleatorias a) X b) Y C .
C .
Estas cantidades representan, respectivamente, el valor del proceso de riesgo un instante antes de la ruina, y justo en el momento de la ruina. Las variables X y Y se muestran grcamente en la Figura 7.6. a
7.4. Severidad de la ruina

Ct
135
X Y t
Figura 7.6
A la variable Y se le llama severidad de la ruina. El problema que se plantea es el de encontrar la probabilidad conjunta
u, x, y
,X
x, Y
y ,
o para cualesquiera x 0, y 0. Es claro que esta probabilidad es una versin . Como es de ms elaborada que la probabilidad de ruina u P a esperarse, no se cuenta con una frmula expl o cita para u, x, y , pero encontraremos una ecuacin integral para esta probabilidad. La demostracin o o de la ecuacin integral para u, x, y sigue la misma tcnica que la que se o e present para el caso de la probabilidad de ruina. o
136
Proposicin 7.4 Para x o 1. u, x, y 2. 0, x, y 3. u, x, y
0, y y
u, x, y c c
u
0
0, u v, x, y dF v 1u
x
F u y .
x y
F v dv. F v dv
u
0
u y
u v, x, y F v dv
1u
uy
x y
F v dv .
Demostracin. Usaremos nuevamente anlisis del primer paso condicioo a nando sobre el momento y monto de la primera reclamacin. o
u, x, y

0 0
et
uct
0 x
,X
x, Y
y T1
t, Y1
y dF y dFT1 t
u ct v, x, y dF v dt
1uct
t F u ct y e dt.
Efectuando el cambio de variable st
u ct se obtiene
u, x, y
1 c
1 c
esuc
s
0
s v, x, y dF v ds
x
esuc 1s
F s y ds.
7.4. Severidad de la ruina
137
Derivando esta expresin se encuentra el resultado del primer inciso. Inteo grando esta ecuacin diferencial entre 0 y u se obtiene o u, x, y 0, x, y c
u
0
c
uw
0 0
u w
0 0 u 0
w, x, y dw w v, x, y dF v dw
x
c
w v, x, y dF v dw
1w
F w y dw,
w v, x, y dw dF v w, x, y dw dF v w, x, y dF v dw
en donde la integral doble puede escribirse de la siguiente forma
uu
0 v u u v
0u 0uw
0 0 u 0
w, x, y F u w dw.
Por lo tanto, u, x, y 0, x, y c
u
0
w, x, y 1 F u w dw
u
0
1u 1u
u
x
F w y dw
w, x, y F u w dw
x
u
0
uy
x y
F wdw
x
u v, x, y F v dv 1u
uy
x y
Haciendo u tender a innito, puede comprobarse que , x, y 0, y no es dif demostrar que la primera integral se anula. Por lo tanto se obtiene cil la identidad F v dv. (7.13) 0, x, y c xy
F v dv .
138
Este el segundo inciso del enunciado. Substituyendo (7.13) en la ecuacin o previa y simplicando se obtiene el tercer inciso del enunciado. Observe que tomando x 0 y y 0 en la ecuacin integral para u, x, y o se obtiene la ecuacin integral anteriormente encontrada para u, es decir, o u u, 0, 0 c
F v dv
u
0
u v, 0, 0F v dv .
0 o y 0, se obtienen Adems suponiendo cada caso por separado, x a frmula integrales para las probabilidades marginales de X y de Y , cono siderando siempre tiempo de ruina nito. Es decir, para la variable Y tenemos que u, 0, y Para la variable X, u, x, 0 c c
u y
F v dv
u
0
u v, 0, y F v dv .
F v dv
u
0
u v, x, 0F v dv 1u
u
x
F v dv .
7.5.
El coeciente de ajuste
o en donde MY r es la funcin generadora de Y . Naturalmente esta funcin est bien denida para valores de r en donde MY r existe. Entonces, o a suponiendo diferenciabilidad, se tiene que r MY r c, y r r E Y 2 erY MY 0. Por lo tanto, r es una funcin estrictao mente convexa tal que 0 0, y por la condicin de ganancia neta, o c 0. Entonces es posible que exista un valor R 0 tal 0 que R 0. Una grca de la funcin r , presentando esta situacin, se a o o muestra en la Figura 7.7.
Este es un nmero que aparece en el problema de calcular o estimar probau bilidades de ruina. Hay varias maneras de denirlo, una de ellas, un tanto articial pero que despus justicaremos, es la siguiente. Se dene primero e la funcin o r MY r 1 cr,
7.5. El coeficiente de ajuste
139
R Figura 7.7
Denicin 7.3 A la posible solucin R 0 de la siguiente ecuacin se le o o o llama coeciente de ajuste, o exponente de Lundberg. R MY R 1 cR 0.
Observe que la existencia del coeciente de ajuste depende enteramente de la distribucin de las reclamaciones. Aquellas distribuciones para las cuales o el coeciente de ajuste existe se les llama distribuciones con colas ligeras, y la razn de ello es que la funcin de densidad decae a cero exponencialmente o o rpido, asignando probabilidades pequeas a reclamaciones grandes. Por a n ejemplo, demostraremos a continuacin que en el caso de reclamaciones o exponenciales, el coeciente de ajuste existe y es fcil calcularlo. a Ejemplo 7.4 (Reclamaciones con distribucin exponencial) Suponga que o las reclamaciones siguen una distribucin exp, es decir, la funcin geneo o radora de momentos es MY r r , para r . Entonces r MY r 1 cr 1 cr r r cr r r c r.
De modo que r es cero cuando r
0, o bien cuando r c
0.
140
Despejando r de la segunda condicin y escribiendo ahora R como la variable o se obtiene R c. Ms an, por lo encontrado antes en el caso de a u reclamaciones exponenciales, la probabilidad de ruina puede ahora escribirse de la forma siguiente u cu e c Ru e c eRu ,
en donde la desigualdad es consecuencia de la condicin de ganancia neta. o Este tipo de cota superior para la probabilidad de ruina (llamada desigualdad de Lundberg) ser demostrada ms adelante para cualquier distribucin de a a o las reclamaciones para la cual el coeciente de ajuste exista. Ejemplo 7.5 (Reclamaciones con distribucin gamma) Suponga que las o o reclamaciones siguen una distribucin gamma, con 2. La funcin o generadora de momentos es MY r r , para r . Por lo tanto la funcin r correspondiente es o r La condicin r o
1 cr.
0,
0 produce la ecuacin cuadrtica o a cr 2 r 2c c2 2
cuyas races son r
. 2c El caso con raz cuadrada positiva es invlido pues resulta r , en efecto, a usando la condicin de ganancia neta, c 2, se obtiene o
2c
2 4c
2c
2 4c2c
2c c
.
2 82 2c
Por lo tanto la raz con el signo negativo es el coeciente de ajuste. Ejemplo 7.6 (Mtodo de Newton-Raphson) Recordaremos a continuacin e o el mtodo de Newton-Raphson y lo aplicaremos al problema de encontrar e
141
g x
x1 x0
Figura 7.8 de manera aproximada el coeciente de ajuste en un caso particular. Sea o e g x una funcin diferenciable que tiene una raz cerca de x x0 . Vase la Figura 7.8. La ecuacin de la recta tangente que pasa por el punto x0 , gx0 es o y gx0 g x0 x x0 .
Esta lnea recta cruza el eje horizontal cuando el valor de x es igual a x1 x0 gx0 gx1 ,
a quien se toma como nueva raz aproximada. Repitiendo este anlisis se a encuentra una sucesin de puntos x0 , x1 , x2 , . . ., que bajo ciertas condiciones o converge a la raz de la funcin gx. Aplicaremos este procedimiento al pro o blema de encontrar el coeciente de ajuste cuando las reclamaciones siguen una distribucin gamma, con 3. La condicin r 0 produce la o o siguiente ecuacin que puede reducirse a una ecuacin cbica en r, o o u g r 3 r 3 cr r 3 0.
La raz buscada r es tal que por restricciones de la funcin generadora de o momentos debe satisfacer 0 r . Tomaremos 3, 1, y c 2. Se han escogido estos valores de los parmetros por simplicidad pero al mismo a tiempo cuidando que se verique la condicin de ganancia neta: c 3. o El esquema general de Newton-Raphson es entonces rn1 rn grn g rn .
Ms adelante demostraremos que si el coeciente de ajuste existe, entonces a ste se encuentra siempre dentro del intervalo 0, 2c 2 . Con base e
142
en este resultado, tomaremos como condicin inicial r0 2c 2 o 32. Usando estos datos, la iteracin de Newton-Raphson arroja la siguiente o 1.5, r1 0.8 r2 3, 0.8405056, r3 0.8404738, sucesin de valores: r0 o r4 0.8404738 . El coeciente de ajuste es entonces R 0.8404738 .
El siguiente resultado proporciona una forma equivalente de denir el coeciente de ajuste, permite adems comprobar su existencia a travs de la dea e terminacin de la nitud de una integral, y posibilita dar una interpretacin o o de aquellas distribuciones de probabilidad para las cuales el coeciente de ajuste existe. Proposicin 7.5 La ecuacin r o o MY r 1 cr o posible solucin r 0 si, y slo si, se cumple la identidad o
0 tiene una
erx F x dx
c ,
en donde F x reclamaciones.
1 F x, siendo F x la funcin de distribucin de las o o
Demostracin. o
Usando integracin por partes se tiene que o dF x
rx
rx
F x 0
rerx F x dx.
Por la hiptesis de existencia de la funcin generadora de momentos de la o o distribucin F x, la evaluacin del primer trmino del lado derecho en el o o e valor innito se anula, y la evaluacin en cero es uno. Por lo tanto, usando o o el hecho de que dF x dF x, se obtiene la expresin
erx dF x
1r
erx F x dx.
7.5. El coeficiente de ajuste Tenemos entonces que 0 r MY r 1 cr
143
erx dF x 1 cr erx F x dx cr.
r
0
Despejando la integral se obtiene el resultado enunciado.
Denicin 7.4 A una distribucin de probabilidad para la cual existe el o o coeciente de ajuste se les llama distribucin con cola ligera. Cuando no o existe tal coeciente la distribucin adquiere el nombre de distribucin con o o cola pesada.
Ejemplo 7.7 Usaremos el criterio de la proposicin anterior para demostrar o que para la distribucin Burr no existe el coeciente de ajuste. En este caso o tenemos que F x kk xc . Entonces para cualquier valor de r
e F x dx
rx
0,
c
e
0
rx
kk x
dx
0
erx xc dx
Por lo tanto la distribucin Burr es una distribucin con cola pesada. o o Segn el criterio recin demostrado, para que exista el coeciente de ajuste, u e a la cola de la distribucin, F x, debe decaer a cero lo sucientemente rpido o para anular el comportamiento creciente del trmino erx dentro de la intee gral. En el ejemplo anterior, la cola de distribucin Burr decae a cero en la o forma xc que es insuciente para hacer que la integral sea nita. Una distribucin con cola ligera asigna probabilidades muy pequeas a los valores o n
144
grandes de la variable aleatoria. Esto puede no ser muy conveniente para modelar algunos riesgos pues de esa manera se est subestimando la posia bilidad de registrar grandes montos en las reclamaciones. A continuacin o mencionamos sin demostracin algunos ejemplos de distribuciones de un o tipo y de otro. Ejemplo 7.8 Distribuciones con cola ligera: 1. exp, F x 2. gamma, . 3. Weibullr, , F x ex , para r
r
ex .
1.
4. Normal truncada, f x
2 ex
2 .
Ejemplo 7.9 Distribuciones con cola pesada: 1. lognormal , 2 . 2. Paretoa, b. 3. Burr, F x 4. 5.
kk xc . Weibullr, , F x ex , para 0 loggamma, .

r
1.
Desigualdad de Lundberg Vamos a demostrar ahora que para aquellas distribuiones para las cuales el coeciente de ajuste R existe se cumple la desigualdad u eRu . Para demostrar este resultado haremos uso de la teor de martingalas. a Proposicin 7.6 Sea Ct el proceso de riesgo, y sea r MY r o 1 cr. Entonces el proceso erCt rt : t 0 es una martingala.
145
Demostracin. La adaptabilidad del proceso es evidente pues impl o citamente estamos usando la ltracin natural. Acerca de la integrabilidad teno emos los siguientes clculos a E erCt rt ert E eruct
Nt j 1
Yj
ertruct E er
Nt j 1
Yj
ertruct MSt r ertruct etMY r1 . Finalmente tenemos la propiedad de martingala. Para 0 E erCt rt Fs ert E erCt Fs
t,
ert E erCt Cs rCs Fs ertrCs E erCt Cs ertrCs E ercts ertrCs rcts E er

Nt j Ns Nt s j 1
1 Yj
Yj
ertrCs rcts etsMY r1 erCs rs .
En particular, si el coeciente de ajuste existe, es decir, si R 0, enRCt es una martingala. Este es el resultado clave para tonces el proceso e demostrar la siguiente cota superior para la probabilidad de ruina.
Teorema 7.1 (Desigualdad de Lundberg) Suponga que el coeciente de ajuste R existe. Entonces u eRu .
Demostracin. Sea el tiempo de paro correspondiente al tiempo de o ruina. Como el proceso eRCt es una martingala, se tiene que el proceso
146
t
eRC tambin es una martingala que inicia en eRu . Por lo tanto e

eRu eRC0 E eRCt
Haciendo t al evento entonces que
E eRCt t P t E eRCt t P t E eRCt t P t E eRC t P t eRC 1 t dP P
t .
montonamente, el evento t converge crecientemente o . Por el teorema de convergencia montona se obtiene o eRu E eRC E 1 P u.
eRu 1
u Figura 7.9: Cota superior para la probabilidad de ruina. Como hemos visto, el coeciente de ajuste no siempre existe, y an cuando u conozcamos su existencia no siempre es fcil calcularlo. El siguiente resula tado proporciona algunas cotas para el valor de este coeciente, suponiendo su existencia.
147
Proposicin 7.7 Si el coeciente de ajuste R existe, entonces o 1 c ln M R 2c , 2
en donde la primera desigualdad es vlida bajo la hiptesis adicional de que a o M c.s., para alguna constante M 0. Y
Demostracin. Demostraremos primero la cota superior. Considere nueo MY r 1 cr, para r 0. Sabemos que vamente la funcin r o 0 0. Derivando esta funcin dos veces se obtiene o r r Por lo tanto, r 0 r
MY r c,
E Y 2 erY
En donde 0
c. Por el teorema fundamental del clculo, a 0
E Y 2
2 .
r
0
sds
c 2r. cr 2 1 r2. 2
t
0
sds
Evaluando la ultima desigualdad en R se obtiene 1 cR 2 1 R2 c 2 2 R R. 2 0, se tiene que c 2 1 R 0. Despejando R se obtiene 2 0
Como R la cota superior anunciada. Demostraremos ahora la cota inferior. Suponga que Y M c.s. y dena la funcin o x RM hx e 1 eRx 1. M R2eRx 0. Por lo tanto h es cncava con h0 o Entonces h x hM 0. Esto quiere decir que hx 0 para 0 x M , es decir, x RM e 1 eRx 1 0, M
148 o bien
x RM e 1. (7.14) M xex ex 1. Entonces g x xex 0. Por lo tanto gx Sea gx es creciente para x 0, es decir, gx g0 0, para x 0. Es decir, 0, para x 0. En particular, evaluando en x RM se xex ex 1 RM eRM 1 obtiene RM e 0. Por lo tanto eRM 1 RM eRM . (7.15)
eRx 1
Por otro lado, usando (7.14), MY R 1
M
0 M 0
eRx 1 dF x
x RM e M
1 dF x
M
0
1 RM e 1 M RM e 1. M Por lo tanto, usando (7.16) y luego (7.15), 0
x dF x (7.16)
MY R 1 cR RM e 1 cR M ReRM cR
Por lo tanto eRM buscada.
eRM cR.
0. Despejando R se obtiene la cota inferior
Es interesante notar que la cota superior encontrada no involucra hiptesis o adicionales, de modo que cuando el coeciente de ajuste R existe, ste se e encuentra siempre dentro del intervalo 0, 2c 2 . Observe adems a que cuando las reclamaciones estn acotadas superiormente por una consa tante positiva M , puede encontrarse una cota superior para la probabilidad de ruina sin conocer necesariamente el coeciente de ajuste pues u uM u eRu e M lnc elnc cuM .
7.6. Aproximacion de De Vylder
149
7.6.
Aproximacin de De Vylder o
N
t
Considere nuevamente el modelo de riesgo de Cramer-Lundberg Ct u ct Yj , (7.17)
j 1
en donde las reclamaciones Yj tienen distribucin desconocida. La aproxo imacin propuesta por De Vylder consiste en aprovechar el hecho de que o para este modelo el problema de encontrar la probabilidad de ruina es completamente soluble cuando las reclamaciones son exponenciales. De Vylder propone el siguiente modelo asociado Ct u ct
N
t
Yj ,
(7.18)
j 1
en donde c es una nueva tasa de ingreso por primas, Nt : t 0 es un proce y Yj son variables aleatorias con distribucin so de Poisson de parmetro , a o exp. La idea es aproximar la probabilidad de ruina del riesgo (7.17) por la del riesgo (7.18). Para ello se deben encontrar los valores de los parmeta ros c, y en trminos de los parmetros del riesgo original, y ello es lo e a que se explica a continuacin. o
Proposicin 7.8 (Aproximacin de De Vylder) La probabilidad de o o ruina del riesgo (7.17) tiene como aproximacin la frmula o o u en donde 32 3 , 9 3 2 , 2 2 3 y c 3 c 2 3 . 2 2 cu e , c
Demostracin. El mtodo consiste en igualar los tres primeros momentos o e t , suponiendo la existencia de tales caracter de los procesos Ct y C sticas.
150
Primeramente veamos la igualacin de las esperanzas. La condicin E Ct o o t produce la ecuacin E C o u ct t c u ct 1t.
De donde se obtiene
c 1.
(7.19)
El siguiente paso es igualar las varianzas. De los resultados generales del primer cap tulo, recordemos que la varianza de un riesgo S que sigue un a modelo colectivo Poisson est dada por VarS 2 . Por lo tanto, de la condicin VarCt VarCt se obtiene o 2 Ahora hemos usado el hecho de que si X tiene distribucin exp, entonces o E X 2 22 . Finalmente, recordemos que el tercer momento central de a un riesgo S que sigue un modelo colectivo Poisson est dado por E S E S 3 3 . Por lo tanto, la tercera condicin E Ct E Ct 3 E Ct o E Ct 3 produce la ecuacin o 3 Hemos usado el hecho de que si X tiene distribucin exp, entonces o 3 3 . Despejando de (7.20) y (7.21) e igualando, 6 E X 1 2 2 2 Por lo tanto, Substituyendo en (7.20), 1 3 3 . 6 32 3 . (7.22) (7.23) 63 . (7.21) 22 . (7.20)
9 3 2 . 2 2 3 Substituyendo (7.22) y (7.23) en (7.19), c 3 c 2 3 . 2 2
(7.24)
De esta forma hemos encontrado los parmetros c, y en trminos de los a e parmetros del riesgo original c, y los momentos de Y . a
7.7. Formula de Pollaczek-Khinchin
151
7.7.
Frmula de Pollaczek-Khinchin o
La frmula de Pollaczek-Khinchin es una expresin general que permite o o escribir a la probabilidad de ruina en trminos de una serie innita de cone voluciones. La demostracin que presentaremos hace uso de la transformada o de Laplace de la cual se recuerda su denicin y algunas propiedades en el o apndice. Para obtener la frmula de Pollaczek-Khinchin se necesita conocer e o primero la transformada de Laplace de una distribucin geomtrica como e puesta. Sea entonces X una variable aleatoria con distribucin geomtrica o e compuesta, es decir, una variable aleatoria de la forma X
N j 1
Uj ,
en donde N tiene distribucin geo1 p, y las variables U1 , U2 , . . . son o independientes, no negativas, idnticamente distribuidas, y con funcin de e o distribucin denida por o H x 1
x
0
F y dy,
o o en donde F y es una funcin de distribucin de una variablea aleatoria no negativa con media nita , y corresponder, siguiendo la misma notacin a o que en el modelo de Cramr-Lundberg, a la funcin de distribucin del e o o o o monto de una reclamacin. Sea Gx la funcin de distribucin de X. o Proposicin 7.9 La transformada de Laplace de Gx es o
esx Gx dx
p s
1 p s p LpFLss .
F
Demostracin. Primeramente tenemos que o Gx
n H x1 ppn .
n 0
152 Entonces G x 1 1 p p 1 p
n 0
pn H n x pn H n x.
n 1
La transformada de Laplace de esta funcin es o
esx Gx dx
p s p s p s p s p s
1 p 1 p 1 p 1 p s

n 1 0
esx pn
n 1
pn H n x dx
esx H n x dx
pn sn1 Ln s H
n 1
psLH sn
H
pL 1 p 1 psHLss . LF s.
n 1
A partir de la denicin de H x, puede demostrarse que sLH s o Por lo tanto,
esx Gx dx
p s
p 1 p LFLs s . s p
F
Con la notacin y las hiptesis utilizadas en el modelo de Cramer-Lundberg, o o tenemos el siguiente resultado.
7.7. Formula de Pollaczek-Khinchin
153
Teorema 7.2 (Frmula de Pollaczek-Khinchin) La probabilidad de o ruina en el modelo de Cramer-Lundberg est dada por a u en donde p y H x c
1 p
1 x
n 1
pn H n u,
F y dy.
Demostracin. Sabemos que la probabilidad de ruina satisface la ecuacin o o integral u

u F y dy u yF y dy c u 0 u F x dx F u. c 0
Tomando la transformada de Laplace de esta funcin tenemos que o L s de donde se obtiene L s c s
1 LF s L sLF s , s
LF s 1 LF s c p 1 pLF s cs 1 LF s c
cs
Deniendo p
c, se puede escribir L s
p 1 pLF s p LF s p 1 p pLF s s p L s . s
p s F
154
De esta forma hemos encontrado que la transformada de Laplace de la probabilidad de ruina coincide con la transformada de Laplace de la funcin o Gx 1 Gx, en donde Gx es la funcin de distribucin geomtrica o o e compuesta con las caracter sticas descritas en la proposicin anterior. Por o la unicidad de la transformada de Laplace tenemos que ambas funciones deben ser iguales, es decir, u Gu 1 1 p p 1 p p 1 p
n 0
pn H n u pn H n u pn 1 H n u
n 1
1 p
n 1
n 1
pn H n u.
7.8.
Ejercicios
Proceso de riesgo a tiempo discreto
134. El total de montos por reclamaciones durante cada periodo unitario en el proceso de riesgo a tiempo discreto se ha modelado mediante una variable aleatoria discreta Y con valores en el conjunto 0, 1, . . . y se ha supuesto que la esperanza de esta variable es nita. Demuestre que E Y
F y .
y 0
135. A partir de la frmula recursiva para la probabilidad de ruina u o en el proceso de riesgo a tiempo discreto que aparece en el enunciado de la Proposicin 7.1, demuestre que o
7.8. Ejercicios a) u 1
u
155 u. 0.
b) l u m
136. Encuentre la matriz de probabilidades de transicin en un paso de o la cadena de Markov dada por el proceso de riesgo a tiempo discreto Cn : n 0. Modelo de Cramr-Lundberg e 137. Considere el proceso de Cramr-Lundberg Ct : t e tacin e hiptesis usuales. Demuestre que o o b) VarCt c) MCt r a) E Ct u c t. exp r u ct tMY r 1 . t2 . 0 con la no-
Probabilidades de ruina 138. Suponga que las reclamaciones en el modelo de Cramr-Lundberg e siguen una distribucin exponencial de parmetro 1. Suponga o a o adems que 12 y c 2. Observe que se cumple la condicin a de ganancia neta c . Cul debe ser el capital inicial u para a que la probabilidad de ruina sea menor o igual a 0.01? Coeciente de ajuste 139. Demuestre que si las reclamaciones son variables aleatorias acotadas, entonces el coeciente de ajuste existe. 140. Se ha demostrado que cuando las reclamaciones tienen distribucin o c. Usando la condiexp el coeciente de ajuste es R cin de ganancia neta compruebe que este valor de R efectivamente o cumple la desigualdad 0 R 2c . 2
156 Desigualdad de Lundberg
o 141. Demuestre que efectivamente el evento t converge montonamente al evento cuando t tiende a innito montonamente. o Este resultado fue usado en la demostracin de la desigualdad de o Lundberg. Aproximacin de De Vylder o 142. Demuestre que la aproximacin de De Vylder coincide con la proo babilidad de ruina en el caso cuando las reclamaciones tienen distribucin exp. o Frmula de Pollaczek-Khinchin o 143. Suponga que las reclamaciones en el modelo de Cramr-Lundberg e tienen distribucin exp, es decir, F x 1 ex para x 0. o a) Demuestre que F s x 1 ex para x nuevamente de la distribucin exp. o 0, es decir, se trata
b) Como consecuencia del inciso anterior, se tiene que F s n x es la funcin de distribucin gamman, . Demuestre que para o o n 1, x xk e . F s n x k! k n c) Use los incisos anteriores y la frmula de Pollaczek-Khinchin o para obtener nuevamente la solucin o u cu e . c
Apndice A e
Formulario y resultados varios

Frmula de De Pril en R o
#################################### # F\ormula de De Pril en R v1.1 # #################################### I <- 5 # Montos de reclamaciones J <- 3 # \Indice m\aximo para tasas de mortalidad R <- 20 # Valor m\aximo para r en g(r) # n <- array(1:15, dim=c(5,3)) n[1,1]<-1 n[2,1]<-3 n[3,1]<-5 n[4,1]<-2 n[5,1]<-2 n[1,2]<-3 n[2,2]<-5 n[3,2]<-3 n[4,2]<-2 n[5,2]<-3 n[1,3]<-1 n[2,3]<-4 n[3,3]<-4
157
158
A. Formulario y resultados varios
n[4,3]<-6 n[5,3]<-4 # q <- array(1:3, dim=c(3)) q[1]<-0.03 q[2]<-0.04 q[3]<-0.05 #............................... # Funci\on h(i,k) #............................... h <- function(i,k) { aux <- 0 for (j in 1:J) { aux <- aux+n[i,j]*(q[j]/(1-q[j]))^k } aux <- i*((-1)^(k-1))*aux return(aux) } #............................... # C\alculo de la densidad de S #............................... gc <- array(1:R, dim=c(R)) gc0 <- g(0) # g <- function(r) { if (r==0) { aux <- 1 for (i in 1:I) { for (j in 1:J) { aux <- aux*((1-q[j])^n[i,j]) } } return(aux) } else { aux <- 0 for (i in 1:min(r,I)) { for (k in 1:floor(r/i)) { if (r-i*k==0) { aux <- aux + gc0*h(i,k) } else {aux <- aux + gc[r-i*k]*h(i,k)}
159
} } aux <- aux/r gc[r] <- aux return(aux) } } #............................... # Asignaci\on en el arreglo "gc" y graficaci\on. #............................... for (i in 1:R) { gc[i] <- g(i) } # Nota: Se omite en la gr\afica el valor de la densidad en cero "gc0". barplot(gc,main="Funci?n de densidad de S",xlab="r", ylab="g(r)") ################################################################# # Fin de c\odigo #################################################################
Frmula de Panjer en R o (Caso Poisson)

#################################### # F\ormula de Panjer en R v1.0 # # [Caso Poisson] # #################################### # R <- 20 # Valor m\aximo para r en g(r) # #............................... # c\alculo de p_k=P(N=k) (Caso Poisson) #............................... a <- 0 b <- 3.5 #lambda p0 <- 2.7172^{-b} p <- array(1:R, dim=c(R)) p[1] <- (a+b)*p0 for (k in 2:R) { p[k] <- (a+b/k)*p[k-1] }
160
#............................... # c\alculo de f_r=P(Y=r), r>=1 #............................... # f <- array(1:R, dim=c(R)) f[1] <- 0.1 f[2] <- 0.1 f[3] <- 0.2 f[4] <- 0.3 f[5] <- 0.3 for (i in 5:R) { f[i] <- 0 } #................................ # C\alculo de la densidad de S #................................ g0 <- p0 g <- array(1:R, dim=c(R)) g[1] <- (a+b)*f[1]*g0 for (r in 2: R) { aux <- 0 for (i in 1:{r-1}) { aux <- aux + (a+b*i/r)*f[i]*g[r-i] } aux <- aux + (a+b)*f[r]*g0 g[r] <- aux } #............................... # Graficaci\on #............................... # Nota: Se omite en la gr\afica el valor de la densidad en cero "g0". barplot(g,main="Funcin de densidad de S",xlab="r", ylab="g(r)") # ################################################################# # Fin de c\odigo #################################################################
161 Alfabeto griego A B E , Z H , alpha beta gamma delta epsilon zeta eta theta I K M N Oo iota kappa lambda mu nu xi omikron pi P , , T , X rho sigma tau upsilon phi chi psi omega
Funcin indicadora o o La funcin indicadora de un conjunto A es la funcin 1A : o denida por 1 si A, 1A 0 si A.
0, 1
De este modo la funcin 1A toma el valor uno dentro del conjunto A y cero o fuera de l, y cumple las siguientes propiedades. e a) 1A b) 1A c) 1Ac d) 1AB e) 1AB f) A B
B B
mx1A , 1B a m 1A , 1B n 1 1A . 1A 1A 1B . 1A 1B 1A 1B .
1A 1B 1A 1B .
1A 1B .
1A 1B
2 1A 1B 1A 1B 2.
Funcin gamma o Para valores de donde la integral es convergente se dene
x1 ex dx,
y se cumplen las siguientes propiedades
162 a) 1 c) 2 .
b) 1 d) 12
! cuando es entero positivo. 1.
1 .
Funciones de utilidad Una funcin de utilidad es una funcin v x que representa el valor o utio o lidad que un individuo o institucin asocia a cada cantidad de un bien. o Matemticamente a una funcin de utilidad se le dene a travs de las a o e siguientes dos propiedades: a) Es estrictamente creciente. b) Es cncava. o Suponiendo diferenciabilidad, estas propiedades se escriben como v x 0 y v x 0, respectivamente. La primera propiedad representa el hecho evidente de que una cantidad mayor de dinero siempre tiene un valor o utilidad mayor. Para interpretar la segunda propiedad consideremos la situacin en o la que tanto una persona pobre como una persona rica incrementan ambos su capital por una misma cantidad. Entonces este incremento representa para una persona con poco dinero un gran incremento en su utilidad, mientras que el mismo incremento representa un menor incremento en la utilidad para una persona con mayor cantidad de dinero. En otras palabras, cuando hay un incremento de capital jo, el valor o utilidad crece ms rpido a a cuando uno tiene poco dinero y ms lento cuando uno tiene mucho dinero. a Dos funciones de utilidad ux y v x son equivalentes si existen constantes a y b, con a 0, tales que v x aux b. La razn que subyace en esta o denicin de equivalencia radica en el hecho de que si un persona con capital o x, funcin de utilidad ux, y usando el principio de la utilidad esperada, o preere la inversin I1 sobre la inversin I2 si o o y tal decisin no cambia si en lugar de usar la funcin de utilidad ux o o utiliza ahora v x aux b, pues la desigualdad anterior es equivalente a E aux I1 b E aux I2 b. E ux I1 E ux I2 ,
163 Del conjunto de funciones de utilidad equivalentes a una funcin de utilidad o dada ux, uno puede escoger aquella funcin de utilidad v x tal que v 0 o 0 y v 1 1. Tal funcin de utilidad v x est dada por o a v x ux u0 , u1 u0
o suponiendo que los valores x 0 y x 1 pertenecen al dominio de denicin de la funcin ux. Es por ello que a una funcin de utilidad ux se le puede o o pedir la condicin u0 0, sin perder generalidad ni provocar cambios en o la toma de decisiones bajo el criterio de utilidad esperada. Coeciente de asimetr de Fisher a Para una variable aleatoria X con tercer momento nito se dene el coeciente de asimetr de Fisher 3 como el nmero a u 3 E X E X 3 VarX 32 .
Esta cantidad es una medida de la asimetr de la distribucin alrededor a o 0 la distribucin es completamente simtrica o e de su media. Cuando 3 alrededor de su media, como es el caso, por ejemplo, de la distribucin o normal. Cuando 3 0 se dice que la distribucin es asimtrica positiva o e o que tiene mayor sesgo hacia la derecha (es decir, la cola a la derecha de la media es ms larga que la de la izquierda, o bien que hay valores a 0, se dice que la ms separados de la media a la derecha). Cuando 3 a distribucin es asimtrica negativa o que tiene mayor sesgo a la izquierda o e (es decir, la cola a la izquierda de la media es ms larga que la de la derecha, a o bien que hay valores ms separados de la media a la izquierda). a
164
Desigualdad de Jensen Sea u una funcin convexa y sea X una variable aleatoria tal que tanto X o como uX tienen esperanza nita. Entonces uE X uE X E uX . E uX .
En el caso cuando u es cncava, el resultado es o
Esperanza condicional Sean , F , P un espacio de probabilidad, X una variable aleatoria con esperanza nita y G una sub--lgebra de F . La esperanza condicional de a X dado G es una variable aleatoria denotada por E X G que cumple las siguientes tres propiedades: 1. Es G -medible. 2. Tiene esperanza nita. 3. Para cualquier evento G en G , E E X G 1G E X 1G .
Puede demostrarse que esta variable aleatoria existe y es unica casi se guramente, esto signica que si existe otra variable aleatoria con las tres propiedades anteriores, entonces con probabilidad uno coincide con E X G . Y para alguna variable aleatoria Y , se escribe E X Y en Cuando G lugar de E X Y . En particular, el trmino P A Y signica E 1A Y . e Se enuncian a continuacin algunas propiedades de esta esperanza. o a) E X b) c) d) e) f)
, E X . E 1A , P A. E 1A , B, B c , P A B 1B P A B c 1B . E E X G E X . En particular, E P A Y E 1A P A. Si X es G -medible, entonces E X G X. En particular, si c es una constante, entonces E c G c. E aX Y G aE X G E Y G .

c
165 g) Si X 0, entonces E X G 0. E X G c.s.
h) Teorema de convergencia montona. o Si 0 Xn X, entonces E Xn G
i) Teorema de convergencia dominada. Y, E Y y Xn X c.s., entonces E Xn G Si Xn E X G c.s. j) Desigualdad de Jensen. Si es convexa, entonces E X G E X G .
k) Si H es una sub -lgebra de G , entonces E E X G H a m) Si X es independiente de G , entonces E X G l) Si Z es G -medible y acotada, entonces E Z X G E X .
Z E X G .
E X H .
Un estudio ms detallado de la esperanza condicional puede ser encontrado a en libros dedicados a probabilidad como [13] o [21]. Integral de Riemann-Stieltjes Esta es una integral que generaliza la integral usual de Riemann y se trata de o o la integral de una funcin hx respecto de otra funcin F x. Su denicin o es anloga al caso de la integral de Riemann: si a x0 x1 xn b a es una particin del intervalo a, b, entonces denimos de manera informal o
b
a
hx dF x :
l m
hxi F xi F xi1 ,
i 1
en donde x es el mximo de las distancias xi xi1 , y las funciones hx a y F x deben cumplir ciertas condiciones para que la integral tenga sentido y est bien denida. En particular, a la funcin integradora F x se le pide e o que sea continua por la derecha, montona no decreciente y tal que F o F M , para algn nmero M u u 0. Observe que F x debe cumplir propiedades semejantes a las de una funcin de distribucin, justamente o o usaremos a las funciones de distribucin como funciones integradoras. En o particular, cuando F x x sobre el intervalo a, b se tiene que
b
a
hx dF x
b
a
hx dx,
166
suponiendo la existencia de tal integral. Igualmente, bajo la hiptesis de o existencia de todas las integrales que aparecen a continuacin, la integral o de Riemann-Stieltjes cumple las siguientes propiedades: a) Es lineal en el integrando, es decir,
b
a
h1 x h2x dF x
hx dF1 x F2 x
b
a
h1 x dF x
b
a
h2 x dF x.
b) Es tambin lineal en el integrador, es decir, e
b
a
b
a
hx dF1 x
b
a
hx dF2 x.
c) Cuando hx tiene primera derivada continua se cumple la siguiente frmula de integracin por partes: o o
b
a
hx dF x
hbF b haF a
b
a
F xh x dx.
d) De especial inters en la teor de la probabilidad es el caso cuando e a F x es diferenciable. Bajo tal hiptesis se tiene la igualdad o
b
a
hx dF x
b
a
hxF x dx.
En particular, tomando hx x y si X es una v.a. absolutamente continua con esperanza nita, con funcin de distribucin F x y funo o cin de densidad f x, entonces o E X
x dF x
xf x dx.
e) Otro caso interesante para la teor de la probabilidad ocurre cuando a hx es continua y F x es constante excepto en los puntos x0 , x1 , . . ., en donde la funcin tiene saltos positivos de tamao px0 , px1 , . . . o n respectivamente. En este caso y suponiendo convergencia,
b
a
hx dF x
i 0
hxi pxi .
167 Esto signica que integrar respecto de la funcin de distribucin de una o o variable aleatoria discreta se reduce a efectuar una suma. Nuevamente tomando hx x y si X es una v.a. discreta con esperanza nita y con funcin de distribucin como se mencion antes, entonces o o o E X
x dF x
i 0
xi pxi .
En el caso cuando X es una v.a. mixta con esperanza nita, en el clculo de la esperanza se separa la parte continua de la parte discreta a de la siguiente forma E X
x dF x
xf x dx
i 0
xi pxi .
Un tratamiento ms riguroso y completo de la integral de Riemann-Stieltjes a puede encontrarse en el texto de probabilidad de Harris [12], o en tratados de anlisis matemtico como el de Apostol [1]. a a Variables aleatorias mixtas Una variable aleatoria mixta X es aquella que no es ni continua ni es discreta. Su funcin de distribucin puede escribirse de la siguiente forma o o F x
f u du
pxi ,
xi x
en donde f u es una funcin no negativa y pxi o P X xi 0 para ciertos valores x0 , x1 , . . . Si g es una funcin tal que gX es una variable o aleatoria integrable, entonces su esperanza se calcula de la siguiente forma E gX
gx dF x
gxf x dx
i 0
g xi pxi .
Varianza condicional Sea X una variable aleatoria con segundo momento nito, y sea G una sub-lgebra de F . La varianza condicional de X dado G se dene como la a variable aleatoria dada por VarX G E X
E X G 2
G .
168
Nuevamente, cuando la sub--lgebra G es Y para alguna variable aleatoa ria Y , entonces VarX G se escribe VarX Y , y puede tomarse como denicin la igualdad o VarX Y E X
E X Y 2
Y .
Se enuncian a continuacin algunas propiedades de esta variable aleatoria. o a) VarX b) c) d)
, VarX . Var1A , P A1 P A. VarX G E X 2 G E 2 X G . VarX E VarX G VarE X G .
Ley de los grandes nmeros u Sea X1 , X2 , . . . una sucesin de variables aleatorias independientes e idntio e camente distribuidas con media . Entonces 1 Xi ni 1
n
Cuando la convergencia es en probabilidad este resultado se conoce como la ley dbil. Y cuando la convergencia es casi segura se llama ley fuerte. e Teorema central del l mite Sea X1 , X2 , . . . una sucesin de variables aleatorias independientes e idntio e camente distribuidas con media y varianza 2 . Entonces
1 n n i 1
Xi n
N0, 1.
Teorema de convergencia dominada Sea X1 X2 una sucesin de variables aleatorias para la cual existe o Y , para otra variable aleatoria Y con esperanza nita y tal que Xn n 1. Si Xn converge casi seguramente a una variable X, entonces tanto E X . X como Xn tienen esperanza nita y E Xn
169 Teorema de convergencia montona o Sea 0 X1 X2 una sucesin montona de variables aleatorias o o E X . convergente casi seguramente a una variable X. Entonces E Xn Frmulas recursivas para calcular convoluciones o Sean X1 , X2 , . . . variables aleatorias independientes e idnticamente dise X1 Xn . tribuidas. Nos interesa encontrar la distribucin de Sn o o o o Cuando las variables Xi tienen funcin de distribucin F , a la funcin de distribucin de Sn se le llama la n-sima convolucin de F , y se le denota o e o por F n , es decir, F n x P Sn x. Cuando las variables Xi tienen funcin de probabilidad o de densidad f , a la funcin de probabilidad o de o o densidad de Sn se le llama la n-sima convolucin de f , y se le denota por e o f n , es decir, en el caso discreto, f n x P Sn x. 1. Cuando las variables Xi son discretas con valores en el conjunto 0, 1, 2, . . ., se cumplen las siguientes frmulas recursivas. o a) P Sn b) P Sn x x
x
P Sn1 P Sn1
x j P Xn x j P Xn
j . j .
j 0 x
j 0
2. Cuando las variables Xi son continuas con soporte en el intervalo 0, , con funcin de distribucin F , y con funcin de densidad f , se o o o cumplen las siguientes frmulas recursivas. o a) f n x b) F n x
0x
0
f n1 x y f y dy. F n1 x y f y dy.
Transformada de Laplace Para una funcin u : 0, o L s
R, la transformada de Laplace es
esu udu,
suponiendo que tal integral existe. Esta transformacin cumple las siguientes o propiedades.
170 1. L1 1 2 2 s 2. LH s 3. L s
A. Formulario y resultados varios 1 L1 s 2 L2 s.
1 L s cuando H u s s L 0.
u
0
xdx.
4. L1 2 s
o Sin embargo, cuando Gx es la convolucin de dos funciones de distribucin F1 x y F2 x de variables aleatorias no negativas, es decir, o
0
L1 s L2 s cuando 1 2 u
1 ux2 xdx.
Gx entonces
x
0
F1 x y dF2 y L G s
x
0
F1 x y f2 y dy sLF1 sLF2 s.
F1 f2x,
LF1 sLf2 s
5. Unicidad: la transformada de Laplace determina de manera unica a la funcin objeto. o
171
Distribuciones de probabilidad
En esta seccin se presentan en orden alfabtico algunas distribuciones de o e probabilidad utilizadas en el texto. La funcin generadora de probabilidad o o se denota por P t, y la funcin generadora de la momentos por M t. Distribucin Bernoulli o X Berp con p 0, 1. f x px 1 p1x para x E X p. VarX p1 p. P t 1 p pt. M t 1 p pet . 0, 1.
f x
0.7
Distribucin beta o X betaa, b con a 0, b 0. xa1 1 xb1 B a, b para x f x 0, 1. en donde B a, b aba b, a1 et dt. con a 0 t E X aa b. VarX aba b 1a b2 . Cuando a b 1 se obtiene la dist. unif0, 1.
f x
172 Distribucin binomial o
X binn, p con n 1, 2, . . . y p 0, 1. n x f x p 1pnx para x 0, 1, . . . , n. k E X np. VarX np1 p. P t 1 p ptn . M t 1 p pet n .
f x
8, p
0.3
Distribucin binomial negativa o X bin negk, p con p 0, 1 y k . 1, 2, . . . kx1 k f x p 1 px para x x 0, 1, . . . E X k1 pp. VarX k1 pp2 . P t p1 1 ptk . M t p1 1 pet k para t ln1 p. Cuando r 1 se obtiene la distribucin o geop. Distribucin Cauchy o Cauchya, b con a R y b 0. 1 f x , para x R. b 1 x ab2 F x 12 1 arctanx ab. La esperanza y varianza no existen. La funcin generadora de momentos no exo iste. 0 y b 1 se obtiene la disCuando a tribucin Cauchy estndar, Cauchy0, 1. o a X
f x f x
3, p
12
x a
173 Distribucin exponencial o X exp con 0. f x ex para x 0. F x 1 ex para x 0. E X 1. VarX 12 . M t t para t .
f x
Distribucin gamma o gamma, con 0 y 0. x1 ex para x 0. f x 1 F x 1 ex 0 xj j! para x 0 j y entero. E X . VarX 2 . E X n nn . M t t para t . Cuando 1 se obtiene la distribucin o exp. Cuando es entero se conoce tambin con el nombre de distribucin Erlang. e o X
f x
Distribucin geomtrica o e X geop con p 0, 1. f x p1 px para x 0, 1, . . . E X 1 pp. VarX 1 pp2 . P t p1 1 pt. M t p11 pet para t ln1 p.
f x
15
174 Distribucin ji-cuadrada o
2 n con n 0. 12n2 xn21ex2 para x f x n2 E X n. VarX 2n. M t 1 2tn2 para t 12. X
f x
0.
x
Distribucin log normal o lognormal, 2 con y 2 X 0. 1 expln x 2 2 2 , x f x x 2 2 0. F x ln x . E X exp 2 2. E X n expn n2 2 2. VarX exp2 2 2 exp2 2 . Si X N, 2 , entonces eX lognormal, 2 . Distribucin normal o N, 2 con y 2 0. 2 1 2 ex 2 . f x 2 2 E X . VarX 2 . M t exp t 2 t2 2. t exp it 2 t2 2. 0 y 2 1 se obtiene la disCuando tribucin normal estndar, N0, 1. o a X
f x f x
175 Distribucin Pareto o Paretoa, b con a, b 0. aba f x b xa1 para x 0. F x 1 bb xa para x 0. E X ba 1 para a 1. VarX ab2 a 12 a 2, a 2. X
f x ab x
Distribucin Poisson o Poisson con x f x e para x x! E X . VarX . P t e1t . M t expet 1. X 0. 0, 1, . . .

f x
Distribucin t o tn con n 0. 2 n 12 f x 1 x n12 . n n2 n E X 0. VarX nn 2 para n 2. M t no existe para t 0. t exp t . X

f x
176 Distribucin Weibull o
X Weibullr, con r, 0. r f x ex rr xr1 para x 0. r F x 1 ex para x 0. E X 1 1r . VarX 1 2r 2 1 1r 2 .
f x
177 Tabla de la distribucin normal estndar o a
x
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997
1 2
0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997
et
2 dt
0.06 0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997 0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8399 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998
0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997
0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997
178
Bibliograf a
[1] Apostol T. M. (1974) Mathematical analysis. AddisonWesley. [2] Asmussen S. (2000) Ruin probabilities. World Scientic. [3] Beard R. E., Pentikinen T., Pesonen E. (1984) Risk theory. a Tercera edicin. Chapman and Hall. London. o [4] Boland P. (2007) Statistical and probabilistic methods in actuarial science. Chapman & Hall / CRC. [5] Bhlmann H. (1970) Mathematical methods in risk theory. u SpringerVerlag. New York. [6] Bhlmann H., Gisler A. (2005) A course in credibility theory and u its applications. Springer. [7] Daykin C. D., Pentikinen T., Pesonen M. (1994) Practical risk a theory for actuaries. Chapman and Hall. London. [8] De Pril N. (1986) On the exact computation of the aggregate claims distribution in the individual life model. ASTIN Bulletin 16(2) 109112. [9] Dickson D. C. M. (2005) Insurance risk and ruin. Cambridge University Press. [10] Embrechts P., Kluppelberg C., Mikosch T. (1999) Modelling extremal events for insurance and nance. Springer. 179
180
Bibliograf a [11] Gerber H. U. (1979) An introduction to mathematical risk theory. Monograph No. 8. S. S. Huebner Foundation for Insurance Education. Wharton School. University of Pennsylvania. [12] Harris B. (1966) Theory of probability. AddisonWesley. [13] Karr A. F. (1993) Probability. SpringerVerlag. [14] Kass R., Goovaerts M., Dhaene J., Denuit M. (2001) Modern actuarial risk theory. Kluwer Academic Publishers. [15] Klugman S. A., Panjer H. H., Willmot G. E. (2008) Loss models: from data to decisions. Third edition. Wiley. [16] Melnikov A. (2003) Risk analysis in nance and insurance. Chapman & Hall/CRC. [17] Panjer H. H. (1981) Recursive evaluation of a family of compound distributions. ASTIN Bulletin 12(1) 2226. [18] Panjer H. H. (Editor) (1986) Actuarial mathematics. Proceedings of Symposia in Applied Mathematics, Vol. 35, AMS. [19] Rolski T., Schmidli H., Teugels J. (1999) Stochastic processes for insurance and nance. John Wiley & Sons. [20] Schmidli H. Lecture notes on risk theory. Manuscrito no publicado. [21] Williams D. (1991) Probability with martingales. Cambridge University Press.
Indice anal tico

Agregado de reclamaciones en el modelo colectivo, 17 en el modelo individual, 4 Aproximacin o de Edgeworth, 52 gamma trasladada, 50 normal, 7, 49 Aproximacin de De Vylder, 148 o Asimetr a coeciente de Fisher, 163 Aversin al riesgo, 79 o coeciente, 80 Cadenas de Markov, 112 Clase a, b, 0, 42 Coeciente de ajuste, 138, 141 de ajuste (cotas), 146 de asimetr de Fisher, 163 a de aversin al riesgo, 80 o Condicin de ganancia neta, 64, o 120, 132 Convolucin, 169 o Cramr-Lundberg, 127 e Credibilidad Bayesiana, 103 completa, 98, 99 factor de, 101, 106, 108 181 parcial, 101 Credibilidad Bayesiana modelo normal-normal, 106 modelo Poisson-gamma, 105 De Pril frmula de, 8 o De Vylder aproximacin de, 148 o Desigualdad de Jensen, 75, 164 de Jensen condicional, 165 de Lundberg, 139, 143, 144 Distribucin o Bernoulli, 171 beta, 171 binomial, 172 binomial compuesta, 21 binomial negativa, 172 binomial negativa compuesta, 22 Cauchy, 172 con cola ligera, 138, 142 con cola pesada, 142 de clase a, b, 0, 42 Erlang, 173 exponencial, 173 gamma, 173
182 geomtrica, 172, 173 e geomtrica compuesta, 22 e ji-cuadrada, 174 log normal, 174 normal, 174 Pareto, 175 Poisson, 175 Poisson compuesta, 22 Poisson compuesta mixta, 30 t de Student, 175 Weibull, 176 Espacio de prob. ltrado, 112 Esperanza condicional, 164 Esscher principio de, 70 transformada de, 70 Excess of loss, 87 Exponente de Lundberg, 138, 141 Frmula o de De Pril, 8 de Panjer, 41 de Pollaczek-Khinchin, 150 Factor de credibilidad, 101, 106, 108 de recargo, 65 Filtracin, 112 o natural, 112 Funcin o convexa, 75 de utilidad, 65, 162 de valor, 67 gamma, 161 indicadora, 161 Integral
Indice anal tico de Riemann-Stieltjes, 165 Jensen desigualdad de, 164 desigualdad de J. condicional, 165 Laplace transformada de, 169 Ley de los grandes nmeros, 168 u Lundberg desigualdad de, 139, 143, 144 exponente de, 138, 141 Mtodo de e Newton-Raphson, 139 Modelo binomial compuesto, 21 binomial negativo compuesto, 22 colectivo, 17 colectivo Poisson, 23 de Cramr-Lundberg, 127 e individual, 3 normal-normal, 106 Poisson compuesto, 22 asociado, 23 como l mite, 25 como suma, 27 con reclamaciones clasicadas, 28 mixto, 29 Poisson-gamma, 105 Net prot condition, 64, 132 Newton-Raphson, 139 Nivel de retencin, 84 o
Indice anal tico Panjer frmula de, 41 o Pollaczek-Khinchin, 150 Prima, 63 de credibilidad Bayesiana, 105 pura de riesgo, 63 Principio de Esscher, 70 de la desviacin estndar, 65 o a de la varianza, 65 de prdida mxima, 69 e a de utilidad cero, 65 del porcentaje, 69 del riesgo ajustado, 71 del valor esperado, 65 del valor medio, 67 exponencial, 69 Prob. de ruina, 130 horizonte nito, 125, 130 horizonte innito, 130 Problema de la ruina, 121 Proceso a tiempo continuo, 111 a tiempo discreto, 111 adaptado, 112 de Poisson, 113 de Poisson (superposicin), 116 o de Poisson (thinning), 116 de riesgo, 128 tiempo discreto, 119 de supervit, 128 a estocstico, 111 a submartingala, 115 supermartingala, 115 trayectoria de un, 111
183 Reaseguro, 81 de prdida mxima, 85 e a excess of loss, 87 no proporcional, 84 por exceso de prdida, 87 e proporcional, 83 stop loss, 85 Riemann-Stieltjes, 165 Riesgo, 2 aversin, 79 o modelo colectivo, 17 modelo individual, 5 proceso a tiempo discreto, 119 Ruina, 129 Safety loading, 65 Severidad de la ruina, 134 Stop loss, 85 Submartingala, 115 Supermartingala, 115 Teorema central del l mite, 168 de convergencia dominada, 165, 168 de convergencia montona, 165, o 169 Tiempo de interarribo, 114 de paro, 112 Transformada de Esscher, 70 de Laplace, 169 de Laplace-Stieltjes, 36 Variable aleatoria mixta, 167 Varianza condicional, 167

Riesgo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Riesgo

Cargado por

Copyright:

Formatos disponibles

Introduccin a la o teor del riesgo a

Luis Rincn o Enero 2012 Ciudad Universitaria UNAM lars@fciencias.unam.mx

Modelo individual vs modelo colectivo

1. Modelo individual vs modelo colectivo

1.2. Modelo individual

....... ....... ....... .......

....... ....... ....... .......

....... ....... ....... .......

1. Modelo individual vs modelo colectivo

1.2. Modelo individual

Demostracin. o 1. Por la hiptesis de independencia, o E S

1. Modelo individual vs modelo colectivo

2. Primeramente tenemos que VarDj Cj

qj VarCj qj pj E 2 Cj . Por lo tanto VarS

3. Para cualquier nmero real x u Fj x P Dj Cj P Dj Cj x

1.2. Modelo individual

1. Modelo individual vs modelo colectivo

1.3. Formula de De Pril Probabilidades de reclamacin o 1 2 q1 n11 n21 q2 n12 n22

qJ n1J n2J niJ nIJ

La funcin generadora de probabilidad del monto reclao

1. Modelo individual vs modelo colectivo

r . Tomando logaritmo y despus derivando, e ln Gt

Dena ahora la funcin o hi, k i1k1

1.3. Formula de De Pril

Substituyendo las expresiones para G t y Gt en sus correspondientes series de potencias se obtiene

De esta forma se llega a la siguiente expresin, para x o gx 1 x

1. Modelo individual vs modelo colectivo

g0 h1, 1 1 g0 h1, 2 h2, 1 g1 h1, 1 2 1 g0 h1, 3 h3, 1 g1 h1, 2 h2, 1 g2 h1, 1 3

1.3. Formula de De Pril gx

1. Modelo individual vs modelo colectivo

que en trminos de sumas se escribe como sigue e

Los primeros trminos de la frmula de De Pril [ii] se muestran a continuae o cin. o g0 g1 g2 g3

1. Modelo individual vs modelo colectivo

0 1 2 3 4 5 6 (b) Figura 1.6

grca correspondiente aparece en la Figura 1.6(b). a g0 g1 g2 g3 g4 g5 g6

f03 0.125, 1 3f1g0 0.15, f

1.4. Modelo colectivo

1. Modelo individual vs modelo colectivo

como funcin del tiempo tienen la forma de la grca de la Figura 1.8. o a

Proposicin 1.3 La funcin de distribucin del riesgo S en el modelo o o o colectivo es F x

1.4. Modelo colectivo Demostracin. o

1E 2 Y . VarS VarN E 2 Y VarY E N . MS t MN ln MY t .

1. Modelo individual vs modelo colectivo

inicia en el valor 0 o en valor 1. E S

E N E Y . 2. Nuevamente condicionando sobre el valor de N , E S 2

E N E Y 2 E N N 3. Por las frmulas anteriores, o VarS E S 2 E 2 S

1.4. Modelo colectivo 4. De manera anloga a los dos primeros incisos, a MS t

Estas expresiones se siguen fcilmente de las frmulas generales demostradas a o

1. Modelo individual vs modelo colectivo

Modelo colectivo Poisson

1. Modelo individual vs modelo colectivo

1.5. Modelo colectivo Poisson

....... ....... ....... .......

Se hace ahora tender k a innito y usando el resultado l 1 xkk m

1. Modelo individual vs modelo colectivo

ln1 qj MCj t 1 qj MCj t 1

1.5. Modelo colectivo Poisson en donde q1 qn . Por lo tanto MS i t exp

Por independencia tenemos que MS1 tMS2 t exp1 MY 1 t 1 exp2 MY 2 t 1 1 2 exp MY 1 t MY 2 t 1,

1. Modelo individual vs modelo colectivo

La distribucin no condicional del vector N1 , . . . , Nm es el contenido del o siguiente resultado.

1.5. Modelo colectivo Poisson

k es una variable aleatoria con funcin de distribucin o o

0 Gx Gxk1 Gk x Gxk Gxk1

1. Modelo individual vs modelo colectivo