Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El presente trabajo constituye una breve introduccion al tema de Teora de la Credibilidad donde las principas ideas
expuestas son tomadas del libro Estadstica actuarial Teora y aplicaciones de Sarabia, Gomez y Vazquez.
Introducci
on a los principios de la Estadstica Bayesiana
Para entender las diferencias entre la estadstica Bayesiana y la frecuentista, podemos considerar los siguientes aspectos:
1. Perspectiva frecuentista
Solo los sucesos susceptibles de ser repetidos tienen probabilidad.
Un suceso puede ser incierto por el hecho de ser intrnsecamente impredicible, es decir, se encuentra sujeto
a variabilidad aleatoria.
2. Perspectiva Bayesiana
La probabilidad describe incertidumbre.
Ademas de contemplar que un suceso puede ser incierto por el hecho de ser intrnsecamente impredicible
(variabilidad aleatoria) tambien puede ser incierto por el hecho de que tengamos un conocimiento imperfecto
sobre el mismo.
La necesidad de esta interpretaci
on de la probabilidad queda de manifiesto cuando observamos la cantidad de sucesos
de los que tratamos de extraer probabilidades que no pueden ser interpretados desde un punto de vista frecuentista.
Un ejemplo de esto constituye en saber cu
al es la probabilidad asociada a una hipotesis, pues una hipotesis puede
ser cierta o falsa, pero no podemos considerar una repeticion del estudio como si se tratase del lanzamiento de una
moneda. La idea b
asica del an
alisis bayesiano lo resumimos en el siguiente parrafo:
El an
alisis est
adistico de unos datos observados x
suele comenzar con una evaluacion descriptiva mediante la cual
puede sugerirse alg
un modelo probabilistico {f (x|) : } que represente para alg
un valor desconocido de el
mecanismo probabilistico que ha generado los datos x
observados. El paradigma bayesiano establece que es necesario
asignar una distribuci
on a priori () sobre el espacio parametrico que describa el conocimiento disponible sobre el
valor antes de haber observados los datos. Se sigue entonces que si el modelo de probabilidad es correcto, toda la
informaci
on disponible sobre el valor de despues de observar x
estara contenida en la densidad a posteriori (|
x)
obtenida mediante (Caso continuo):
(|
x) = R
f (
x|)()
f (
x|)()
f (
x|)() d
(1)
(2)
donde L es la funci
on de verosimilitud de los datos:
L(
x|) =
n
Y
f (xi |)
i=1
Pt
i=1
xi
i=1 xi !
tx exp(t)
donde:
t
x
=
1X
xi
t i=1
(3)
Procedemos ahora a considerar el tema de teora de la credibilidad. Se considera que la primeras ideas sobre credibilidad aparecen a principios del siglo XX en los trabajos de Mowbray (1914) y Whitney (1918). El problema b
asico es
el siguiente:
Supongamos que disponemos para un asegurado o contrato de la experiencia de siniestralidad X1 , ..., Xt de modo que
E[Xj ] = y V ar[Xj ] = 2 j = 1, ..., t. El objetivo de la aseguradora es decidir que prima cargar a esa p
oliza o
asegurado.
Para resolver este problema existen tres alternativas:
1. Ignorar la experiencia de siniestralidad y cargar lo que se conoce como una prima manual M . Esta prima
est
a basada en la experiencia de otros contratos similares.
= 1 Pt Xj ; es decir, dar credibilidad total a la experiencia del asegurado.
2. Cobrarle X
j=1
t
3. Cobrar una prima que venga dada como un punto medio o combinacion lineal convexa entre la experiencia
individual y M . Esto es:
+ [1 Z(t)]M
P rima = Z(t)X
(4)
p
(5)
P r[(1 c) X
/ t
Definimos xp como:
X
mn P r x p
x
/ t
2
(6)
(7)
c t
xp
o de forma equivalente:
r
c
t
t
t= q
=
2
xp
0
xp
(8)
(9)
con 0 =
x 2
( cp ) .
La expresi
on (??) puede interpretarse en el siguiente sentido: se supone credibilidad total si el
q
es la media muestral, se observa que se
coeficiente de variaci
on es menor o igual que t0 . Ahora, recordando que X
supone credibilidad total si:
2
2
=
V ar[X]
(10)
t
0
2
Por otro lado, el valor que ha de tomar t para suponer credibilidad total ha de cumplir seg
un (??): t 0 ( ) .
Si en la pr
actica, la experiencia del asegurado es suficientemente grande, aplicando el Teorema Central del Lmite, si
X
vemos de (??) que P r[xp Z xp ] = (xp ) (xp ) = 2(xp ) 1 = p, de modo que xp es el
hacemos Z = /
t
1+p
2
percentil de la distribuci
on normal est
andar.
Ejemplo 2 Suponemos que se cuenta con la experiencia Xj , j = 1, ..., t de un contrato de seguro perteneciente a una
cartera de seguros y que X1 , ..., Xt son variables aleatorias independientes e identicamente distribuidas Poisson( =
200). Obtener el valor m
as peque
no de t para suponer credibilidad total de la experiencia observada, suponiendo
c = 0, 04, p = 0.95 y que la aseguradora tarifica atendiendo s
olo al n
umero de reclamaciones
En este caso = 2 = 200. Como xp es el 1+p
2 percentil de la normal, con el valor de p se tiene que
Luego, seg
un la tabla de la normal (1.96) = 0.975, de modo que xp = 1.96. Por otro lado:
0 =
x 2
p
=
1.96
0.04
1+p
2
1+0.95
2
= 0.975.
2
= 2401
y por tanto:
t 2401
200
= 12.005
2002
Credibilidad Parcial
Para muchos asegurados la experiencia de siniestralidad es insuficiente para suponer credibilidad total; es decir, que
Z(t) = 1. Ahora se supone que la prima a cargar sea una combinacion lineal entre la experiencia del asegurado y la
experiencia del colectivo o prima manual, de modo que nos encontramos en la situacion descrita por (??) y habr
a que
determinar el valor de Z(t) para obtener la prima. Dado que:
2
2
0
Z(t) =
t
0
r
t
Z(t) = mn
;1
0
(11)
Ejemplo 3 Con los datos del ejemplo ?? se pide ahora calcular el valor del factor de credibilidad para una experiencia
de reclamaciones correspondientes a 10 a
nos.
Usando (??) tenemos:
(
Z(10) = mn
200
200
)
10
; 1 = 0, 9126
2401
1
x11
x12
..
.
x1t
2
x21
x22
..
.
x2t
...
...
...
..
.
...
j
xj1
xj2
..
.
xjt
...
...
...
..
.
...
k
xk1
xk2
..
.
xkt
P (x)
con Z(t) =
a + t
x
b + t 2
( + 1)t
a( + 1)
=
x
+
b + t 2
b + t 2
t
+1
b 2 a( + 1)
=
x
+
b + t 2
b + t 2 b 2
+1
= Z(t)(
x
) + [1 Z(t)]P 0
( + 1)
t
b+t2 .
P (x)
con Z(t) =
t
b+t .
(12)
dependiente de los datos observados, mediante el metodo de los mnimos cuadrados. Para ello establecemos la siguiente
notaci
on:
Prima de riesgo individual: () = E[X|].
Prima de riesgo colectivo: m = E[X] = E[()]. (Valor esperado de todas las primas de riesgo individuales)
Varianza de las primas de riesgo individual: a = V ar[E[X|]] = V ar[()]. (Indicador de la heterogeneidad de
la cartera)
5
Medida de dispersi
on de la siniestralidad individual: s2 = E[V ar[X|]].
Se supone tambien que X1 |, ..., Xt | est
an identicamente distribuidas con media y varianza comunes () y 2 ()
respectivamente. Como predecente al modelo de Buhlmann consideramos la siguiente proposicion:
Proposici
on 1 Si X e Y son variables aleatorias con distribuci
on conjunta dependiente de la variable aleatoria se
verifica:
E[X] = E [EX [X|]]
(13)
(14)
Cov[X, Y ]
E [EX,Y | [{X E[X|]}{Y E[Y |]}]] + E [EX,Y | [{X E[X|]}{E[Y |] E[Y ]}]]
+E [EX,Y | [{E[X|] E[X]}{Y E[Y |]}]] + E [EX,Y | [{E[Y |] E[Y ]}{E[X|] E[X]}]]
t
X
Xi
(15)
i=1
donde:
a = (1 b)m
b=
k=
t
t+k
E[ 2 ()]
V ar[()]
t
X
ci Xi
i=1
!2
t
X
mn E () c0
ci Xi
ci
i=1
!2
t
X
d
E () c0
ci Xi
dc0
i=1
"
=
2E
() c0
t
X
!#
ci Xi
i=1
( "
=
()
2 E
t
X
!#
)
c0
ci Xi
i=1
"
2 E[()] E
t
X
!#
ci Xi
)
c0
i=1
(
2 m
(
2 m
t
X
i=1
t
X
)
ci E[Xi ] c0
)
ci m c0
i=1
=
Por tanto m
Pt
i=1 ci m
!2
t
X
d
E () c0
ci Xi =
dcr
i=1
=
!2
t
X
d
E () m
ci (Xi m)
dcr
i=1
"
!
#
t
X
2E
() m
ci (Xi m) (Xr m)
i=1
"
=
2E (() m) (Xr m)
t
X
#
ci (Xi m)(Xr m)
i=1
(
=
" t
X
#)
ci (Xi m)(Xr m)
i=1
(
=
2 cov[(), Xr ]
(
2 cov[(), Xr ]
t
X
i=1
t
X
)
ci E[(Xi m)(Xr m)]
)
ci cov[Xi , Xr ]
i=1
Por tanto
cov[(), Xr ] =
t
X
ci cov[Xi , Xr ]
i=1
cov[Xr , Xi ] = a + ri s2
cov[(), Xr ] = a
t
X
ci (a + ri s2 )
i=1
(16)
a=
t
X
ci a +
i=1
a=
t
X
ci ri s2
i=1
t
X
ci a + cr rr s2
i=1
a=
t
X
ci a + cr s2
i=1
s2
c
m
=
m
mtc
=
m(1
tc)
=
m
1
i=1 i
= c0 +
= c0 +
i=1 ci a
+ cr s2 = act + cs2 .
a
+ at
Pt
H(()|X1 , ..., Xt )
Pt
t
X
i=1
t
X
at
s2 + at
se concluye entonces que:
ci Xi
ci Xi
i=1
X
t
a
at
X
+
= m 1 2
2 + at i
s + at
s
i=1
t
at
1 X at
= m 1 2
Xi
+
s + at
t i=1 s2 + at
= m(1 Z(t)) +
1X
Z(t)Xi
t i=1
at
tV ar[()]
t
=
=
s2 + at
tV ar[()] + E[ 2 ()]
t+k
(17)
t
b+t .
() = 2 () =
E[ 2 ()] = E[] =
2
a
b
a(a + 1)
a 2
( )
b2
b
Por lo tanto:
Z(t)Buhlmann =
t ba2
+
t ba2
a
b
t
= Z(t)Bayes
b+t
Ejercicio Propuesto (Modelo Poisson-gama) Se postula que cada una de las variables aleatorias independientes S1 , ..., Sm tiene distribuci
on Poisson con parametro , el cual se considera aleatorio con distribucion a priori
gamma(, ), con y par
ametros conocidos.
Observe que en este modelo E[S] = y se considera que los montos de las reclamaciones toman valores enteros.
Calcule:
La funci
on de densidad a posteriori de para x > 0.
Calcule la prima de credibilidad (esperanza de la densidad calculada en el inciso anterior).
Soluci
on: Para este modelo, E[S] = . Luego, la funcion de densidad a posteriori de esta dada por:
(|S1 , ...Sm )
R
0
mS+1 e(m+)
mS+1
e(m+) d
mS+
(m + )
mS+1 e(m+)
(mS + )
Es decir, la densidad a posteriori es gama(mS + , m + ). Por lo tanto, la prima por credibilidad (Esperanza de esta
densidad) es:
prima = E[S]
mS +
=
m+
m
=
S+
m+
m+
= z S + (1 z)
Donde z =
m
m+
es el factor de credibilidad