Teora de la Credibilidad

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)

donde (??) constituye una aplicaci

on del teorema de Bayes. Al utilizar secuencialmente este teorema, tenemos que a
partir de una muestra inicial x
conocemos que:
(|
x) () L(
x|)

(2)

donde L es la funci
on de verosimilitud de los datos:
L(
x|) =

n
Y

f (xi |)

i=1

con n como el tama

no de la muestra.
Ejemplo 1 Si la densidad a priori es gamma(a, 1/b) y al muestreo es Poisson(), calcule la densidad a posteriori.

En efecto supongamos que los datos x de una muestra de tama

no t tienen distribucion Poisson() donde la verosimilitud
est
a dada por:
et
L(|x) = Qt

Pt

i=1

xi

i=1 xi !

tx exp(t)

donde:
t

x
=

1X
xi
t i=1

Si la densidad a priori es gamma entonces () a1 exp(b). Por lo tanto:

(|
x) tx exp(t)a1 exp(b) = tx+a1 exp((t + b)) Gama(t
x + a; 1/(t + b))

(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)

donde el factor Z [0, 1] se conoce como el factor de credibilidad.

Es importante considerar la siguiente informaci
on (Hickmann 1973):
Definici
on 1 La teora de la credibilidad es el mecanismo que permite el ajuste sistem
atico de las primas de seguros
a medida que se obtiene la experiencia de siniestralidad.
Credibilidad total
Desde la perspeciva de los asegurados, a estos les conviene que la prima que deben pagar este basada u
nicamente en su
propia experiencia de siniestralidad en caso de que para ellos la experiencia de reclamacion les sea favorable; es decir,
que la aseguradora le asigna a esta un 100 % de credibilidad. Sin embargo, desde le punto de vista del asegurador, esto
ser
a posible si la experiencia de reclamaci
on es estable.
es estable si existe una probabilidad alta de que la diferencia
Una manera de resolver este problema es suponer que X
y sea peque
entre X
na. En terminos matem
aticos esto supondra suponer credibilidad total si:




 c t
(1 + c)] = P r[|X
| c] = P r  X

p
(5)
P r[(1 c) X

 / t 

Definimos xp como:

 


X 
mn P r   x p
x
/ t
2

(6)

 sigue una distribuci

Suponiendo que X
on de tipo continua, esta u
ltima expresion es equivalente a:



X 


P r   xp = p
/ t

(7)

Por lo tanto, de (??) la condici

on que ha de verificarse para suponer credibilidad total es:

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

+ [1 Z(t)]M ] = Z(t)2 V ar[X]

= Z(t)2
V ar[P ] = V ar[Z(t)X
t
igualando este termino a

2
0

[ver (??)] resulta:

Z(t) =

de modo que se elige Z(t) de acuerdo a la expresion:

3

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

Credibilidad e inferencia bayesiana

El uso de distribuciones a priori resulta u
til en el mercado de seguros, sobre todo si se tiene en cuenta que cuando
se quiere tarificar un riesgo nuevo no se cuenta con datos disponibles. Ahora, con las herramientas de la estadstica
bayesiana, el problema de la teora de la credibilidad consiste en determinar las ponderaciones que afectan a la
experiencia de siniestralidad de una p
oliza respecto a la experiencia de un colectivo al que pertenece dicha p
oliza.
Consideremos entonces la cartera de seguros que aparece en el cuadro (??) que consta de k polizas y t periodos de
observaci
on:
1
2
..
.
t

1
x11
x12
..
.
x1t

2
x21
x22
..
.
x2t

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

j
xj1
xj2
..
.
xjt

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

k
xk1
xk2
..
.
xkt

Cuadro 1: Cartera de seguros

La cuesti
on b
asica de la teora de la credibilidad es determinar una prima establecida como una combinacion convexa
entre la experiencia particular de un asegurado y la experiencia del colectivo, esto es de toda la cartera. Una expresi
on
v
alida es:
Pj = [1 Z(t)]P0 + Z(t)Pej
donde:
Pj : Prima a aplicar a los asegurados al riesgo j.
P0 : Prima a aplicar a un colectivo al que pertenece el asegurado j.
Pej : Prima obtenida en base a la experiencia del asegurado j.
Z(t): Factor de credibilidad. Donde Z(t) = 1 indica que la experiencia del asegurado es creible al 100 %, mientras
que Z(t) = 0 entonces Pj = P0 ; es decir, la prima del asegurado j coincide con la del colectivo a que pertenece
dicha p
oliza.
La f
ormula de credibilidad puede por tanto interpretarse tambien de la siguiente manera: puede considerarse a P0
como la informaci
on a priori; Pej la nueva informacion obtenida mediante la observacion de la siniestralidad del riesgo
j y Pj el resultado de combinar la informaci
on a priori con la informacion a priori con la informacion adquirida. Por
tanto:
Prima(a posteriori) = [1 Z(t)]Prima a priori + Z(t)Experiencia Observada
Visto de esta manera, la teora de la credibilidad sigue un esquema bayesiano, donde se da entrada a la informaci
on a
priori con la informaci
on muestral, para obtener finalmente un estimador revisado de la prima. Consideramos ahora
el siguiente ejemplo:
4

Ejemplo 4 Comprobar que la prima Bayes obtenida en la presentaci

on anterior se puede escribir como una f
ormula
de credibilidad
La prima obtenida fue:

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 .

Ejemplo 5 Sean Xi variables aleatorias iid con Xi P oisson() y funci

on de estructura gamma(a, 1/b). Comprobar
que la prima calculada bajo el principio de prima neta se puede escribir como una f
ormula de credibilidad.
Del ejemplo ?? sabemos que la distribuci
on posteriori es gamma(a + t
x; 1/(b + t)). Utilizando ahora el concepto de
prima neta de Bayes:

P (x)

con Z(t) =

E(|x) [Ef [X|]]

a + t
x
=
b+t
b a
t
x
+
=
b+t
b+t b
= Z(t)
x + [1 Z(t)]E[]

t
b+t .

Modelo de Bulhlmann de distribuci

on libre
El modelo de Bulhmann de distribuci
on libre constituye unos de los puntos de partida de la moderna teora de la
credibilidad. El objetivo de este modelo es estimar la prima correspondiente a un asegurado o grupo de asegurados
que conforman una p
oliza en una cartera de seguros, restringiendose a las primas lineales y utilizando el metodo de
los mnimos cuadrados. Lo revelante de este propuesta es la no necesidad de establecer hipotesis alguna, ni sobre la
distribuci
on que gobierna los riesgos individuales, ni sobre la distribucion a priori de los parametros de riesgo, de ah el
nombre de modelo de distribuci
on libre.
El objetivo del modelo de Buhlmann consiste en calcular la mejor prima lineal
H(()|X1 , ..., Xt )

(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)

Cov[X, Y ] = E[Cov[X, Y |]] + Cov[E[X|], E[Y |]]

(14)

Prueba: La igualdad (??) es una aplicaci

on de la regla de la esperanza iterada. Para verificar (??) hacemos:

Cov[X, Y ]

= E[(X E[X])(Y E[Y ])]

= E[(X E[X|] + E[X|] E[X])(Y E[Y |] + E[Y |] E[Y ])]
= E[({X E[X|]} + {E[X|] E[X]})({Y E[Y |]} + {E[Y |] E[Y ]})]
= E [EX,Y | [({X E[X|]} + {E[X|] E[X]})({Y E[Y |]} + {E[Y |] E[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]}]]

E[Cov[X, Y |]] + 0 + 0 + Cov[E[X|], E[Y |]]

Procedemos a probar el resultado de Bulhmann:

Teorema 1 La mejor aproximaci
on lineal H(()|X1 , ..., Xt ) es:
= a + b1
a + bX
t

t
X

Xi

(15)

i=1

donde:
a = (1 b)m
b=
k=

t
t+k

E[ 2 ()]
V ar[()]

Prueba: Queremos encontrar la mejor estimaci

on de la prima neta de riesgo que dependa linealmente de los datos
observados, esto es:
H(()|X1 , ..., Xt ) = c0 +

t
X

ci Xi

i=1

Para ello hagamos mnima la esperanza del cuadrado de la desviaci

on de la prima de riesgo individual respecto a
H(()|X1 , ..., Xt ), esto es:

!2
t
X
mn E () c0
ci Xi
ci

i=1

Calculando las derivadas con respecto a c0 y cr para alg

un r = 1, ..., t e igualando a cero se tiene:


!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

= c0 . Por otro lado, al sustituir c0 vemos que:

!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

(
=

2 E[(() m)(Xr m)] E

" 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

Como X1 |, ..., Xt | est

an identicamente distribuidas con media y varianza comunes () y 2 () entonces:

cov[Xr , Xi ] = a + ri s2

cov[(), Xr ] = a

y sustituyendo lo anterior en (??) tenemos que:

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

Por la simetra del sistema tomamos c = c1 = = ct tenemos entonces que a =

Despejando c en la relaci
on anterior tenemos que:
c=
Por otro lado, puesto que c0 = m

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

= m(1 Z(t)) + Z(t)X

con:
Z(t) =

at
tV ar[()]
t
=
=
s2 + at
tV ar[()] + E[ 2 ()]
t+k

(17)

Consideremos ahora el siguiente ejemplo:

Ejemplo 6 Comprobar que el factor de credibilidad obtenida en el ejemplo ?? mediante la metodologa bayesiana
coincide con el de Buhlmann.
El factor de credibilidad del ejemplo ?? fue Z(t)Bayes =
por (??) donde:

t
b+t .

Ahora el factor de credibilidad de Buhlmann viene dado

() = 2 () =
E[ 2 ()] = E[] =
2

a
b

V ar[()] = V ar[] = E[2 ] E[] =

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 )

L(|S1 , ..., Sm )h()

L(|S1 , ..., Sm )h() d
0
Qm Sj e 1
e
j=1 ( Sj ! ) ()
R Qm Sj e
1 e d
j=1 ( Sj ! ) ()
0
R

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