*

Modelos de Prdida Tema 05

Primavera 2015

* Dado

que un reclamo ocurra, el tamao (individual) del

reclamo ser referido tpicamente como severidad del
reclamo.

* Mientras

que estaremos hablando de variables aleatorias

continuas en el caso de severidad, hay ocasiones en que el
tamao de reclamo puede ser considerada discreta.

* Cuando se trabaja con modelos de severidad de reclamo, los

aseguradores acostumbran centrarse en el tema de las colas
de la distribucin. Existen ciertos tipos de contratos de
aseguro con lo que es denominado colas largas.

Una distribucin paramtrica consiste en un conjunto de funciones

de distribucin con cada uno de sus miembros determinado por un
valor o valores especficos llamados parmetros.
El parmetro es fijo y finito, y puede tener un valor o varios, en
cuyo caso es llamado vector de parmetros.
Un vector de parmetros se denota con .
La distribucin Normal es un claro ejemplo:
=

2
2
1
/2 ,
2

Donde el vector de parmetro es = (, ). Es bien conocido que

es la media y 2 la varianza. Algunas propiedades importantes:
* Se habla de distribucin Normal Estndar cuando = 0 y = 1.

* Si ~N(, 2 ), entonces =
~N(0,1)

* La suma de variables aleatorias Normales es tambin una Normal.

* Si ~N(, 2 ), entonces cX~N(, 2 2 )

*Normal

fcil de utilizar y trabajar, tener cuidado con

reclamos de valor negativo. Los reclamos de aseguro
son usualmente no negativos.

*Gamma/Exponencial

utilizar si la cola de esta

distribucin es considerada ligera; aplicable con, por
ejemplo, dao a automviles.

*Lognormal

De cola cada vez ms pesada, aplicable,

por ejemplo, con aseguro contra incendios.

*Burr/Pareto

Utilizada para negocios de cola pesada.

Un ejemplo son los seguros de responsabilidad civil.

*Gaussiana
manejar.

Inversa No es popular. Muy compleja de

* Si

Y~N(, 2 ) , entonces = exp() es Lognormal y

escribimos ~Lognormal(, 2 ) . Su densidad puede ser
expresada como
=

2 /2 2

log

para > 0

* Por tanto, si es lognormal, entonces log() es Normal.

* Momentos: = exp( + 2 2 2)
2 2
+
* Media: =
2
2

2+
* Varianza: = ( 1)

* Moda:
= 0 (para quiz)

* Decimos que X~Gamma(, ) si su densidad tiene la forma

=

1
1 ,

()

para > 0; , > 0.

con , el parmetro de forma, y , el parmetro de escala.

* Momentos superiores:

(+)

()

* Media: = Varianza: = 2
* Funcin generadora de momentos: = (1 ) ,
< 1 .

dado

* Casos especiales:
* Exponencial: Cuando = 1, tenemos ~Exp().
* Chi-cuadrada: Cuando = 2 y = 2 ,

tenemos
distribucin chi-cuadrada con grados de libertad.

una

* Para

variables aleatorias con dominio no negativo, un

parmetros (de valor sencillo) se dice que es parmetro de
escala, si cumple dos condiciones:

* Para

un miembro de la distribucin multiplicado por una

constante, digamos c, entonces el parmetro de escala es
tambin multiplicado por la constante c; y

* Para

un miembro de la distribucin multiplicado por una

constante positiva, el resto de parmetros permanecen sin
cambios.

* En

la distribucin Gamma, el parmetro es un parmetro

de escala.

* Decimos que X~Pareto(, ) si su densidad tiene la forma

=

,
(+)+1

para > 0,

donde > 0 y > 0.

* , el parmetro de forma; , el parmetro de escala.

* Funcin de distribucin acumulada (FDA):

* Media:

* Momentos

superiores: =

<

* fgm: No existe.

=1

( + 1), para 1 <

* Un producto escalar positivo de una Pareto, es una Pareto.

* Si

~(, ) y c es una constante positiva, entonces

~(, ).

* Esto explica porqu es llamado el parmetro de escala.

* La distribucin de Pareto es una mezcla continua de pesos de

Gammas y Exponenciales.

* Si

= ~(1 )
y ~(, 1 ) ,
incondicionalmente, ~(, ).

entonces,

* Decimos que X~Burr(, , ) si su densidad tiene la forma

=

( )
,
[1+( ) ]+1

para > 0,

donde > 0, > 0 y > 0.

* , el parmetro de forma; , el parmetro de escala.

* En ocasiones, la llamada Burr Tipo XII y la Pareto son

casos

especiales cuando = 1.

* Momentos superiores:
< .

(1+ )( )
,
()

dados <

Suponga ~(, , )
Derive una forma explcita para la funcin de distribucin
acumulada de X, as como la frmula del Value-at-Risk (VaR) al
nivel 100p%.

* Una

variable aleatoria tiene una distribucin proveniente

de la familia exponencial lineal si su densidad tiene la forma
; =

()

donde depende slo de x y () es una constante

normalizadora.
* El dominio de X no debe depender de .
* Media:
()
= =
()
* Varianza:
()
= =

* Continuas:
* Normal.
* Gamma (y

todos sus casos especiales como Exponencial y Chi-

cuadrada).

* Discretas:
* Poisson.
* Binomial.
* Binomial Negativa.