Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE MXICO
FACULTAD DE CIENCIAS
A C T
P
U A R
O
T A
DIRECTOR DE TESIS
ACT. JOS FABIN GONZLEZ FLORES
2007
Agradecimientos
Antes que todo quiero darte las gracias DIOS, pues en ningn momento me dejaste solo, a
pesar de haber cado muchas veces, tu me levantaste y me diste la fuerza suficiente para
poder seguir hasta el da de hoy.
Gracias a Mis Padres y Hermanas, pues a pesar del a distancia, siempre estuvieron cerca,
alentndome a seguir adelante y dndome muestras de amor..LOS AMO!!
Abuelita, ves? Siempre si se pudo, soy el primero que sale de tu casa..
Fabin, gracias, pues despus de muchos gritos y sombrerazos lo logramos y creme que
en mucho, esto es gracias a ti.
A la UNAM, pues todo lo que soy se lo debo a ella, pues fue parte fundamental en mi
formacin acadmica y me dio todas las herramientas necesarias para que pueda irme
abriendo campo en esta vida tan difcil de vivir.
AGAPE!!!
INTRODUCCIN
Uno de los objetivos de la matemtica actuarial es el de la elaboracin de sistemas que
garanticen la solvencia de las entidades aseguradoras pero que a le vez sean lo mas
justos posibles, la suficiencia de las primas debidamente calculadas e invertidas es una
hiptesis de la Teora de Riesgo.
El objetivo de este estudio, es desarrollar un manual didctico para los alumnos de la
facultad de ciencias, que cursan o cursarn la materia de Teora del Riesgo.
Actualmente la Teora del Riesgo dado que su incursin al plan de estudios de la
Licenciatura en Actuara es nuevo, se han escrito pocos textos en espaol de este tema,
lo que repercute en la falta de material bibliogrfico de consulta, pues el poco material
del que se dispone es en otros idiomas lo que hace mas difcil la comprensin y
desarrollo de la materia.
En el captulo I se da una introduccin a la Teora de Riesgo, clasificacin del riesgo,
problemas que estudia la Teora del Riesgo, y un recordatorio de varios conceptos de
probabilidad y estadstica: Espacios de Probabilidad, Probabilidad Condicional,
Clasificacin de las Funciones de Distribucin y sus Momentos, adems de la forma
general de la Funcin Generadora de Momentos.
En el captulo II se introducen los conceptos bsicos de los procesos estocsticos para
llegar a la construccin del proceso de poisson, y finalizar con el anlisis uniperidico
de la Teora Colectiva de Riesgo.
En el captulo III se realiza un anlisis del reaseguro financiero como un mtodo
alternativo al reaseguro tradicional, sin dejar de lado el estudio del reaseguro
tradicional. En la segunda parte del captulo nos introducimos al concepto de
Probabilidad de Ruina as como al modelaje que se hace del nmero y monto de los
siniestros de una cartera
Finalmente, en el captulo IV se realizar la explicacin de los fundamentos de la teora
de la credibilidad desde los orgenes y las bases sobre las cuales descansa. As mismo
definiremos los conceptos de prima de riesgo, prima colectiva, y prima de credibilidad,
adems de realizar algunas aplicaciones a los seguros de daos.
Esto para la elaboracin de Sistemas de Tarificacin que garanticen la solvencia de la
entidad aseguradora ( principio de suficiencia ) y que simultneamente resulten lo ms
justos posibles ( principio de equidad ). La solucin a este problema viene dada por
modelos, los cuales tienen por objetivo incorporar en el clculo de la prima el
conocimiento del riesgo que se est tarificando con la experiencia de los siniestros
observables que presenta dicho riesgo.
El riesgo tiene un dominio muy amplio, visto desde su forma ms genrica, ya que sus
fronteras coinciden con las de la incertidumbre. Desde el punto de vista econmico implica la
contingencia de prdida como una posibilidad de ganancia, o ambas simultneamente. De ah
que el riesgo se clasifique en dos grandes categoras: riesgo especulativo y riesgo puro.
El riesgo especulativo implica la posibilidad de prdida y de ganancia. As tenemos una
apuesta, en la que se compromete una suma grande o pequea, a cambio de obtener otra igual
o mayor. Un ejemplo de ello es la lotera, en que a cambio de una pequea suma cierta,
aspiramos al premio mayor, as como la especulacin burstil.
El riesgo puro se puede definir como la posibilidad de prdida o desembolso. En algunas
ocasiones se entiende como el sujeto u objeto de la proteccin derivada del seguro o bien
como uno o varios de los azares a que sta habitualmente se extiende.
Del concepto de riesgo, en su sentido genrico, se derivan dos conclusiones fundamentales, a
saber:
- No existe riesgo, en tanto no exista la posibilidad de prdida o desembolso.
- No existe riesgo, cuando se tiene certeza de su ocurrencia.
La imposibilidad y la certeza constituyen las fronteras del riesgo.
1.1.2
Hay varias razones por las que la solvencia es uno de los objetivos con mayor significacin
para la entidad aseguradora.
-
Latorre Llorens Luis. Teora del Riesgo y sus Aplicaciones a la Entidad Aseguradora
E. Prieto. Modelo Actuarial en que se apoya la ley de ordenacin del Seguro Privado y su Reglamento
siniestros. Existen otros riesgos que comprometen la estabilidad del asegurador, uno de ellos
es el de las alteraciones que pueden sufrir las probabilidades bsicas del proceso de riesgo.
La probabilidad de ocurrencia de un siniestro puede variar ao tras ao, as como la
distribucin de probabilidades del tamao o cuanta de un siniestro o una cartera de riesgos, la
inflacin tambin juega un papel importante, pues contribuye a que la probabilidad de que el
valor de un siniestro supere cierta cuanta sea cada vez mayor. La posibilidad de tener
prdidas en las inversiones realizadas, incrementos en los gastos de administracin,
insolvencia de sus reaseguradores.
Por estas razones, el nico enfoque que sera satisfactorio al plantear la solidez del asegurador
es el que exija la evaluacin individual de sus riesgos, a la vista de sus particulares
circunstancias. Este punto requiere un estudio estadstico actuarial que, con base en el
volumen de primas y calidad de riesgos cubiertos, recargo de seguridad, plenos de retencin,
distribucin del tamao o cuanta del siniestro y probabilidad de ruina, determinara el
margen mnimo de solvencia.
La solvencia esttica descansa sobre el adecuado clculo e inversin de las provisiones de
primas y siniestros. Entre las primeras deben incluirse las que complementan la simple
periodificacin de stas, cuando son insuficientes para cubrir el riesgo. Dentro de las
provisiones de siniestros quedan comprendidas las exigidas por aquellos que han ocurrido al
cierre del ejercicio pero que a tal fecha an no se haban comunicado al asegurador, conocidos
como: siniestros ocurridos y no reportados.
La solvencia dinmica se fundamenta en la suficiencia de primas y en la disponibilidad de
recursos no afectos a los compromisos derivados de las devengadas. Se trata del margen de
solvencia o patrimonio propio no comprometido, y de las prisiones tcnicas de desviacin de
siniestralidad, que sirven para compensar excesos anuales de siniestralidad sobre las
previsiones que fundamentaron el clculo de la prima. Un factor decisivo en la solvencia
dinmica es el reaseguro.
En el clculo de la solvencia dinmica se pueden adoptar 3 enfoques diferentes, puede
adoptarse como -horizonte temporal- el ao o ejercicio econmico, el periodo de varios aos o
bien el periodo de duracin infinita.
- El margen de solvencia o las provisiones de equilibrio se calculan de forma que
garanticen, con una determinada probabilidad, la solvencia del asegurador en un ao.
- Otro punto de vista trata de garantizar la solvencia durante un mnimo de n aos, este
enfoque tiene que ver ms con la continuidad de la empresa que con la proteccin de
los intereses del asegurado, propia del primer planteamiento.
- El tercer enfoque para el planteamiento de la solvencia es, no solo el ms exigente sino
el que mayores dificultades presenta en cuanto a su formulacin rigurosa; algunas de
las hiptesis sobre las que se fundamenta esta formulacin estn demasiado alejadas de
la realidad por ejemplo, la acumulacin ilimitada de reservas-.
Las probabilidades son los valores de una funcin conocida como medida de probabilidad, ya
que esta funcin asigna valores reales a los diversos subconjuntos de un espacio muestral .
Los postulados de probabilidad se aplican solo cuando el espacio muestral es discreto.
1. La probabilidad de un evento es un numero real no negativo; esto es,
P ( A) 0 ,para cualquier subconjunto A de
2. P() = 1
3. Si A1 , A2 , A3 ,K, es una secuencia finita o infinita de eventos mutuamente
excluyentes de , entonces P ( A1 A2 A3 ,K) = P ( A1 ) + P ( A2 ) + ( A3 ) + K
10
Basndonos en los postulados de probabilidad, se derivan muchas otras reglas que tienen
aplicaciones importantes, a continuacin mencionamos algunas de ellas:
Teorema 1. Si A es un evento en un espacio muestral discreto , entonces P( A) es igual a la
suma de las probabilidades de los resultados individuales que abarcan A.
Teorema 2. Si un experimento puede resultar en cualquiera de N resultados diferentes
igualmente probables, y si n de estos constituyen el evento A, entonces la probabilidad del
n
evento A es P ( A) = .
N
Teorema 3. Si A y A son eventos complementarios en un espacio muestral , entonces
P ( A) = 1 P( A) .
Teorema 4. P ( ) = 0 para cualquier espacio muestral .
Teorema 5. Si A y B son eventos en un espacio muestral y A B, entonces
P ( A) P( B) .
Teorema 6. 0 P( A) 1 para cualquier evento A.
Teorema 7.
Si A y B son dos eventos en el espacio muestral , entonces
P ( A B) = P( A) + P( B) P( A B) .
En la mayora de los problemas de probabilidades nos interesan los valores asociados a los
resultados de los experimentos de azar, es decir, los valores asumidos por las variables
aleatorias.
Si es un espacio muestral con una medida de probabilidad y X es una funcin de valor
real definida sobre los elementos de , entonces X se llama una variable aleatoria
1.1.3.2 Clasificacin de las Funciones de Distribucin
11
Figura 1.1
Distribucin emprica de la suma total de reclamaciones de un
seguro de autos mayor a 50000 pesos
1.0
0.5
50000
100000
150000
200000
12
1) Distribucin Normal
Parmetros
Funcin de Densidad
Funcin de Distribucin
F ( x) =
1
e
2
1
2
( x )2
2 2
(t )2
2 2
dt
13
Parmetros
Funcin de Densidad
f ( x) =
1
e
2 x
(log x ) 2
2 2
con 0 x <
La Distribucin Log-Normal es muy usada para representar la distribucin del monto total de
las reclamaciones (log se entender como logaritmo natural).
Figura 1.3
Distribucin Log-Normal
Parmetros
Funcin de Densidad
f (x ) =
a b b 1 ax
x e
(b )
La forma de la curva depende bsicamente de que tan grande, menor o igual a 1 sea el
parmetro . Cuando > 1 la distribucin gamma tiene una forma similar a la distribucin
log-normal; Cuando = 1 la curva se refiera a la de una distribucin exponencial.
Finalmente, si < 1 se produce una funcin de densidad que tiene una asntota en el origen
14
Figura 1.5
Distribucin Gamma con <1
15
Figura 1.6
Distribucin Gamma con =1
Generalmente, todas las distribuciones del monto total reclamado son funciones discretas,
dichos montos siempre han sido representados como mltiplos de unidades monetarias; donde
generalmente es el caso- las funciones de distribucin continuas son usadas para describir el
comportamiento del monto total reclamado. Para nuestros propsitos asumimos que las
funciones discretas solo tienen saltos positivos y sus valores enteros estn en el eje de las
abscisas.
Figura 1.7
Distribucin Discreta
16
F ( x) = p k = P( X x) donde k es un entero.
kx
4) Distribucin Binomial
Esta distribucin nos da la probabilidad de k xitos en n ensayos independientes e
idnticamente distribuidos. En el caso en que n =1 tenemos la distribucin Bernoulli
n + 0 < p < 1
p k = c(n, p ) p k (1 p) n k para k = 0,1,2, K , n
Parmetros
Probabilidad
Figura 1.8
Distribucin Binomial
5) Distribucin Poisson
La distribucin poisson cuando n tiende a una distribucin binomial donde np = ;
Parmetro
0< <
Probabilidad
p k = e
k
k!
donde k = 0,1,2,3, K
17
Figura 1.9
Distribucin Poisson
0 < < y 0 p 1
Probabilidad
p k = C ( + k 1, k ) p (1 p) k donde k = 0,1,2, K
Figura 1.10
Distribucin Binomial Negativa
18
E [g (Y ) / X = x ] =
g ( y) f
E [g (Y ) / X = x ] = g ( y ) f
y/x
y/x
( y / x) ...............Caso Discreto
Consideremos la variable aleatoria S = monto total de los eventos reclamados. Sea g(S) la
suma asegurada que se cubre para los eventos S, supongamos que FS (x) es una funcin
discreta que solamente toma valores positivos. Entonces tenemos lo que sigue:
k =1
k =1
E [g ( S )] = g (k ) p k = g (k ) Pr ob( S = k )
La probabilidad puede ser interpretada mediante las frecuencias relativas, es decir,
prob[S = k ] n k / n
Donde n k es el nmero de reclamaciones de los sucesos similares para los cuales el monto
total perdido S = k. De esta manera:
19
E [g ( S )] { g (k )n k } / n =
k =1
Re clamacionesPagadas
= Pr omedioPagadopor Re clamacin 4
No.totalde Re clamaciones
E (aX ) = aE ( X )
E ( X + Y ) = E ( X ) + E (Y )
Si X Y E ( X ) E (Y )
E (Y ) = E [E (Y / X )]
f ( x, y )
E [E (Y / X )] = E yf Y / X ( y / x)dy = yf Y / X ( y / x)dy f X ( x)dx = y XY
f X ( x)dydx =
f X ( x)
+
+
+
yf
(
x
,
y
)
dydx
y
f
(
x
,
y
)
dx
dy
=
=
XY
XY
yf Y ( y)dy = E (Y )
++
E (Y ) = E [E (Y / X )]
Definimos la Var ( X / Y ) = E ( X 2 / Y ) ( E ( X / Y )) 2
Demostracin de 7
] [
Var[E (Y / X )] + E[Var (Y / X )] = E E 2 (Y / X ) E 2 [E (Y / X )] + E E (Y 2 / X ) E 2 (Y / X ) =
= E E 2 (Y / X ) E 2 [E (Y / X )] + E E (Y 2 / X ) E E 2 (Y / X ) = E 2 [E (Y / X )] + E E (Y 2 / X ) =
20
+
++
= E 2 yf Y / X ( y / x)dy + E y 2 f Y / X ( y / x)dy = E 2 yf Y / X ( y / x)dy + y 2 f Y / X ( y / x) f X dydx =
+
++ 2 f XY ( x, y )
+
++ 2
2
= E yf Y / X ( y / x)dy + y
f X dydx = E yf Y / X ( y / x)dy + y f XY ( x, y )dydx =
f X ( x)
+
+ +
+
+
= E 2 yf Y / X ( y / x)dy + y 2 f XY ( x, y )dxdy = E 2 yf Y / X ( y / x)dy + y 2 dy =
++
++ f XY ( x, y )
2
= yf Y / X ( y / x) f X ( x)dydx + E (Y ) = y
f X ( x)dydx + E (Y 2 ) =
f X ( x)
+ +
+ +
2
2
= yf XY ( x, y )dydx + E (Y ) = y f XY ( x, y )dxdy + E (Y ) = yf Y ( y )dy + E (Y 2 )
= E (Y 2 ) E 2 (Y ) = Var (Y )
Var (Y ) = Var [E (Y / X )] + E [Var (Y / X )]
Notas
- El valor esperado de FX ( x) = 1
- La varianza de FX ( x) 2 = 2 = Var ( X )
Algunas funciones de distribucin tienen asociadas funciones auxiliares que nicamente la
caracterizan.
21
M (t ) = E (e ) =
tx
+
tx
dFX ( x) =
tx
f X ( x)dx
tR
Decimos que la funcin generadora de momentos existe si la integral esta definida para
valores estrictamente positivos t 0 > 0 .Si tambin M (t1 ) < para un valor negativo t1 < 0 ,
entonces todos los momentos de FX ( x) existen, y presentan la siguiente relacin:
M (0) = E ( X )
M (0) = E ( X 2 )
M
M ( k ) ( 0) = E ( X k )
( k ) (0) = (i ) k E ( X k )
Es importante notar la relacin que existe entre la funcin caracterstica y la funcin de
distribucin, pues podemos describir una distribucin de probabilidad usando solamente una
de las funciones auxiliares.
Sea X 1 , X 2 , X 3 ,K, X n ,K una serie de variables aleatorias independientes, las siguientes
condiciones son equivalentes:
G X1K X n ( x1 K x n ) = FX 1 ( x1 ) FX 2 ( x 2 ) L FX n ( x n )
X KX (u1 K u n ) = X (u1 ) X (u 2 ) L X (u n )
1
M X 1K X n (t1 K t n ) = M X1 (t1 ) M X 2 (t 2 ) L M X n (t n )
22
X +Y (u ) = X (u ) Y (u )
M X +Y (t ) = M X (t ) M Y (t )
FX +Y ( x) = FX ( x t )dFY (t ) = FY ( y t )dFX (t )
La operacin definida en el lado derecho del rengln anterior es conocida como convolucin,
representada por el smbolo *,si tenemos que X e Y son independientes
FX +Y ( x) = FX ( x) * FY ( y ) .
En el modelo individual, la variable aleatoria S representa el costo total de la cartera, para ello
consideramos la suma de variables aleatorias (convolucin) costo, para cada uno de los
individuos que forman la cartera, o riesgos individuales, todo ello para un periodo
determinado.
X i Es la Variable Aleatoria Cuanta de la i-sima pliza o riesgo
n Es el Nmero de Riesgos Individuales en la Cartera.
Por lo tanto la variable aleatoria costo total (S) quede definida como sigue:
S = X 1 + X 2 + X 3 + LL + X n
n Conocido
i =1
i =1
E [S ] = E [ X i ] , V [S ] = V [ X i ]
Dado que los sumandos de la variable aleatoria S son independientes y siguen una funcin de
distribucin F ( X i ) , la variable aleatoria suma S tendr por funcin de distribucin
F ( S ) = F ( X 1 ) * F ( X 2 ) * F ( X 3 ) * F ( X 4 ) * LL * F ( X n ) = F n (*) ( X i )
es decir, la n-sima convolucin de F ( X i )
1.2.2 Mtodos de Aproximacin
El aplicar el proceso de Convolucin definido anteriormente se vuelve muy complicado y
largo si el tamao de la cartera crece. Sin embargo podemos hacer algunas aproximaciones,
en nuestro caso aplicaremos la aproximacin ms utilizada que es la basada en el Teorema
Central del Lmite
(n ,
X 1 = X 11 + X 21 + X 31 + LL + X n11 = X i1
i =1
24
E ( X i1 ) = P1
2 ( X i1 ) = 12
i = 1,2,3, KK n1 .
X 2 = X 12 + X 22 + X 32 + LL + X n2 2 = X i 2
i =1
E ( X i 2 ) = P2
2 ( X i 2 ) = 22
i = 1,2,3, KK n 2
...............................................................................................
nk
X k = X 1k + X 2 k + X 3k + LL + X nk k = X ik
i =1
E ( X ik ) = Pk
( X ik ) =
2
2
k
i = 1,2,3,KK n2 k
E [S ] = = E [X 1 ] + E [X 2 ] + E [X 3 ] + LL + E [ X k ] = n j Pj
j =1
Var ( S ) = 2 [S ] = 2 = 2 [X 1 ] + 2 [ X 2 ] + 2 [X 3 ] + LL + 2 [X k ] = n j 2j
j =1
S n s n
s n
=
P[S s ] = P
n
n
n
Que es una distribucin Normal (0,1), esta es la mas usada en la teora individual del riesgo,
aunque tambin se ha propuesto la distribucin Normal Power.
1.2.3 La Distribucin del Monto de los de Siniestros
Para la determinacin de la probabilidad de ruina en un periodo para el caso de los seguros,
partimos de la siguiente relacin:
25
P = E [S ] = Ingresos (Primas)
(1 + )E[S ] = Recargo de Seguridad
P [U 0 + (1 + ) E [S ] S < 0 ] = P [S > U 0 + (1 + ) E [S ]] =
S E [S ] U 0 + E [S ]
S E [S ] U 0 + (1 + ) E [S ] E [S ]
=
= 1 P
<
P
>
[S ]
[S ]
[S ]
[S ]
U + E [S ]
= 1 0
[S ]
Si es grande y U 0 es grande, entonces la probabilidad de ruina tiende a cero.
En una cartera en la que todos los riesgos son equidistribuidos, la probabilidad de ruina es:
U + n
= 1 0
n43
42
1
= Coeficiente de Seguridad
En este caso, si:
n y >0 0
1
=0 y n
2
Asumiendo que los riesgos pueden clasificarse en clases, los riesgos con la misma varianza y
media, teniendo a ni como el nmero de riesgos en cada grupo, el coeficiente de seguridad
es:
U 0 + ni i
i
n
i
U 0 + i ni i
i
ni i2
2
i
Recargo Constante
26
1.2.4 Convoluciones
Una convolucin puede ser vista como la funcin resultante de la suma de dos o mas
variables aleatorias, y se define como:
FX +Y ( x) = FX ( x t )dFY (t ) = FY ( y t )dFX (t )
Caso Continuo
Por ejemplo, si la variable aleatoria S representa el costo total del siniestro y ste slo puede
asumir los valores 5 y 10 millones de pesos, con probabilidades
f (5) = 0.7
f (10 ) = 0.3
para la convolucin segunda de F (S ) = P[S < s ] , que designamos por F 2* (S ) con las
siguientes
F 2* (10) = 0.49
F 2* (15) = 0.42
F 2* (20 ) = 0.09
27
1.3 Aplicaciones
X 1 , X 2 ,K, X n variables aleatorias independientes idnticamente distribuidas
exponencialmente con esperanza 1 Demuestra por induccin matemtica que
1. Sean
S n = X i se distribuye Gamma(n,)
i =1
1)
3. Determinar el tamao de la cartera para que la probabilidad de Ruina sea solo del 5%
4. Un asegurador cuyas reservas ascienden a 1000 um, suscribe 1000 plizas, cada una de
ellas tiene una suma asegurada de 100 um y la probabilidad de que se siniestre una
pliza es de .1, adems establece para cada pliza una prima recargada de 10.50 um.
Calcular la probabilidad de que el asegurador resulte insolvente.
1
2
t + t 2 2
(x+20) / 80
1
20 x < 40
x 40
Calcular
a) P(x=<30)
b) P(x=40)
c) E (X)
d) Var (X)
28
Suma
asegurada
1
1
2
No. De plizas
100
300
200
P(x1 =x)
0.3
0.6
0.1
P(x2 =x)
0.4
0.4
0.2
P(x3 =x)
0.6
0.2
0.2
29
t
Fuente: Elaboracin Propia
Los valores que puede tomar X t , son llamados sus estados y los cambios en el valor de X t ,
reciben el nombre de transiciones entre sus estados. Si observamos el tamao de la fila no
continuamente sino a intervalos unitarios, por ejemplo: una vez cada 15 min., entonces
observaremos que pueden llegar o salir mas de un estudiante en cada intervalo de tiempo. Esto
conduce a mayores fluctuaciones en el valor de X t . Lo que se estudia son las consecuencias
que a menudo son ms complejas de estos modelos. A pesar de lo sencillo de estos modelos,
al incluir la aleatoriedad que hay en el mundo real, se obtiene una imagen mucho mejor que la
que posiblemente se lograra con modelos en los que se desperdiciara ese comportamiento
30
aleatorio. Los modelos estocsticos son aplicables a casi todos los sistemas que impliquen
variabilidad al azar con el paso del tiempo.
Def. Un proceso estocstico es una familia de variables aleatorias { X t }, donde t es un punto
en un espacio T, llamado espacio parametral, y donde para cada t T , X t es un punto en un
espacio S, llamado espacio de estados
31
Una fabrica tiene dos maquinas, pero en cualquier da dado que no se usa mas que una. Esta
maquina tiene una probabilidad constante p de sufrir una avera, y si as sucede, la avera
ocurre al final del trabajo del da. Se emplea un solo hombre para repararla. A este hombre le
toma dos das reparar una maquina y solo trabaja en una maquina a la vez. Constryase un
proceso estocstico que describa el funcionamiento de esta fbrica.
Debemos seleccionar una variable aleatoria adecuada. Evidentemente es necesario registrar
su valor solo al final del da, ya que todas las transiciones ocurren precisamente antes. Por lo
tanto el espacio parametral T ser el conjunto de los das de trabajo durante
los cuales este sistema esta en usa. Nombraremos como 1 al primer da, 2 al segundo y as
sucesivamente; entonces T = {1,2,3,K} .
Un proceso estocstico apropiado es {X n : n T }, donde el valor de X n se registrara al final
del da n, esto es, el numero de das que serian necesarios para que ambas maquinas estn
nuevamente en condiciones de trabajar. Si ambas maquinas estn en condiciones de trabajar,
entonces X n = 0 . Si una de las maquinas esta en condiciones de trabajar y la otra ya ha estado
en reparacin durante el da, entonces X n = 1 . Si una de las maquinas esta en condiciones de
trabajar y la otra acaba de sufrir una avera, entonces X n = 2 . Si una de las maquinas se acaba
de averiar y la otra ya ha estado en reparacin durante el da, entonces X n = 3 . Estos son los
El Actuario acostumbrado a los mtodos axiomticos tiene cierta ventaja en este tipo de
temas, para caracterizar el riesgo no se preguntan que es eso? sino que lo caracterizan por
las propiedades que tiene. Las caractersticas bsicas del riesgo residen en las siguientes
propiedades:
Primas Pagadas
Reclamaciones Hechas
Ambas pueden ser funciones aleatorias (procesos estocsticos) o funciones independientes del
azar. Generalmente suponemos que Pt esta independiente del azar, pero S t es estocstica. En
el caso de las primas, que dependen de las reclamaciones en tiempos anteriores, no obstante,
Pt tambin puede ser un proceso estocstico.
En la prctica tomamos una definicin de riesgo que esta siendo aceptada y expresa Pt y S t
con gran exactitud y simplicidad para emplearlas y usarlas como base para predecir la
experiencia.
32
(t , H t ) = lim
h 0
P[W N (t )+1 h / H t ]
h
= lim
h o
P[N (t + h ) = N (t ) + 1 / H t ]
h
Sea 0 = 0 , y para n 1 sea n el tiempo en el que nuestro evento ocurre por n-sima, i.e.
n = inf {t 0 N (t ) = n}. A n se le llama el tiempo del n-simo salto y las variables aleatorias
n = n n 1 , para n = 1,2,3, K , son los tiempos entre saltos o tiempos de interocurrencia.
Ntese que
n = n 1 + n = 1 + 2 + K + n .
Si 1 , 2 , 3, K son i.i.d., de dice que el proceso estocstico es un proceso de renovacin.
33
Figura 2.2
Proceso Estocstico de la cuanta total de un siniestro
Utilizaremos el smbolo o(h) para sealar cualquier funcin con la caracterstica de que
o( h)
= 0 ...................................................................................................(1)
h0
h
lim
Las funciones o(h) tpicas son h 2 ,3h 3 2h 2 ,16h 4 , etc. Supondremos que los procesos
estocsticos bajo consideracin estn caracterizados por los dos axiomas siguientes:
1. La probabilidad de que ocurra un suceso entre el tiempo t y un tiempo posterior
t + h , es h + o1 (h) , i.e. P[N (t + h) N (t ) = 1] = h +o1 (h) , donde > 0 es una
constante, independientemente de lo que ha sucedido en el proceso antes del
momento t . En esencia este axioma implica que la probabilidad de que ocurra
precisamente un suceso en un periodo de longitud h es proporcional a h cuando
h es muy pequea. Adems, la constante de proporcionalidad no depende de t
o h.
2. La probabilidad de que ocurra ms de un suceso entre el tiempo t y un tiempo
posterior t + h es o2 (h) . Este axioma garantiza que no puedan ocurrir dos o mas
sucesos en forma simultnea, puesto que la probabilidad de que ocurran dos o ms
sucesos en un intervalo de longitud h , dividida por la probabilidad de que ocurra
uno, es o2 (h)
, que se aproxima a cero a medida que h 0 .Sin
(h + o1 (h))
embargo, este cociente es el cociente a largo plazo de intervalos muy cortos que
tienen dos o ms sucesos con respecto a aquellos que tienen un suceso. Dicho
cociente es 0, y de este modo la frecuencia correspondiente a largo plazo es 0.
En los axiomas 1 y 2 no es necesario especificar o1 (h) y o2 (h) . En realidad, estas funciones
no pueden ser especificadas en forma arbitraria, sino que estarn determinadas por la solucin
del problema.
Los dos axiomas anteriores caracterizan por completo al proceso estocstico llamado proceso
de poisson. Ahora veremos como determinar la funcin Pn (t ) = P[N (t ) = n] que es la
probabilidad de que ocurran n sucesos en un periodo de longitud t . Consideremos el intervalo
T1 de longitud t + h que comienza en t1 y termina en t1 + t + h , y el intervalo de tiempo T2 de
longitud t que comienza en el momento t1 y termina en el momento t1 + t . Consideremos
tambin el intervalo de tiempo T3 de longitud h , que comienza en el tiempo t1 + t y termina
en el tiempo t1 + t + h .Entonces T1 = T2 T3 , la probabilidad de que ocurran n sucesos en T1
35
por la posibilidad de que un suceso ocurra en el momento t1 + t que este tanto en T2 como en
T3 .
Cuando n 1 , hay3 maneras mutuamente excluyentes y exhaustivas por las cuales pueden
ocurrir n sucesos en el intervalo T1 . Esto puede suceder si en T2 ocurren n y ninguno en T3 .
La probabilidad de este suceso que denotaremos como A, es:
P[N (t ) = n ][1 h o1 (h) o2 (h)] = Pn (t )[1 h o1 (h) o2 (h)] ............................(2)
Tambin puede suceder lo anterior si n 1 sucesos ocurren en T2 , y uno ocurre en T3 . La
probabilidad de este suceso que llamaremos B, es:
P[N (t ) = n 1][h +o1 (h)] = Pn 1 (t )[h +o1 (h)] ........................................................(3)
Finalmente, si n > 1 , en el intervalo T1 pueden ocurrir n sucesos si r < n 1 sucesos ocurren
en T2 y n r en T3 , la probabilidad de este suceso que llamaremos C, es funcin de o3 (h ) ,
puesto que involucra la ocurrencia de dos o mas sucesos en T3 . Al obtener 1 y 2, hemos
acudido al hecho de que lo que suceda en T3 es totalmente independiente de lo que ha
sucedido en T2 . Por lo que concluimos que estamos tratando con sucesos independientes, por
lo que las probabilidades se multiplican.
Ahora bien, los sucesos A y B son excluyentes, de modo que P( A B ) = P( A) + P( B) . Pero
P ( A B C ) = P ( A B ) + P (C ) =
C y A B son excluyentes, de modo que
= P ( A) + P ( B ) + P (C ) sin embargo P( A B C ) es P[N (t + h) = n], as utilizando 1 y 2
Pn (t + h) = Pn (t )[1 h o1 (h) o2 (h)] + Pn 1 (t )[h +o1 (h)] + o3 (h)
= Pn (t ) hPn (t ) + hPn 1 (t ) + o4 (h) ,.......................................................................(4)
donde o 4 (h) = o3 (h) o1 (h)[Pn (t ) Pn 1 (t )] o2 (h) Pn (t ) y o4 (t ) cumple con (1)
Al dividir (4) por h > 0 tenemos lo siguiente:
Pn (t + h) Pn (t )
o (t )
= Pn 1 (t ) Pn (t ) + 4 ..............................................................(5)
h
h
o ( h)
= 0 . Y como el lmite de una constante es la misma
De acuerdo con (1) lim+ 4
h 0
h
constante, tenemos que: lim+ [Pn 1 (t ) Pn (t )] = Pn 1 (t ) Pn (t ) ........................... (6)
h0
Por lo tanto, el lmite del miembro derecho de (5) existe cuando h 0 en todo valor positivo,
y por lo tanto, el limite del miembro izquierdo de (5) tambin existe, y es:
36
Pn (t + h) Pn (t ) d
= Pn (t ) = P (t ) cuando el lmite existe, de acuerdo con la definicin
h 0
h
dt
de derivada de una funcin. Para poder concluir que Pn (t ) existe, no solamente basta con
lim
haber demostrado que el lmite existe cuando h 0 + , es necesario demostrar que existe el
lmite cuando h 0 que es igual que en (6). Esto podemos demostrarlo siguiendo el
desarrollo anterior, tomando T1 como el intervalo que se extiende de t1 a t1 + t , T2 es el
intervalo que va desde t1 a t1 + t h y como el intervalo que va t1 + t h a t1 + t . De este
modo se demuestra que Pn (t ) existe para toda t > 0 , y adems
Pn (t ) + Pn (t ) = Pn 1 (t ) , n 1 .................................................................................. (7)
El resultado anterior es una ecuacin diferencial de primer orden con coeficientes constantes
que relacionan Pn (t ) con Pn1 (t ) , de modo que si Pn1 (t ) se conoce, Pn (t ) puede encontrarse
resolviendo la ecuacin diferencial.
Hasta este momento, nuestro anlisis no incluye el caso en el que n = 0 . Existe solamente una
manera en la que no hayan sucesos durante el intervalo T1 , y esto se da solamente que no
ocurran sucesos en T2 ni en T3 . La probabilidad de que esto no suceda es:
P0 (t )[1 h o1 (h) o 2 (h)] = P0 (t )[1 h] + o6 (h) ...................................................(8)
As P0 (t + h) = P0 (t ) hP0 (t ) + o6 (h) .................................................................... (9)
O bien
P0 (t + h) P0 (t )
o (h)
= P0 (t ) + 6
............................................................ (10)
h
h
37
Este ltimo resultado es muy interesante, pues nos dice que la probabilidad de que no ocurran
sucesos en un periodo de tiempo de longitud t es e t .
Una vez determinada P0 (t ) , podemos determinar las otras Pn (t ) en forma recursiva utilizando
(7). Para esto debemos primero resolver (7), las forma mas simple para hacerlo es
multiplicando por e t , obteniendo
e t Pn (t ) + e t Pn (t ) = e t Pn 1 (t ) ..............................................................(14)
Si observamos el lado derecho de (14), podemos ver que este no es mas que la derivada de
e t Pn (t ) . De este modo,
d t
e Pn (t ) = e t Pn 1 (t ) ...............................................................................(15)
dt
Si integramos de ambos lados desde 0 hasta t , se tiene que
e Pn (t ) Pn (0) = e Pn 1 ( )d .............................................................(16)
t
Pn (t ) = e t e Pn 1 ( )d , n 1 ..................................................................(17)
0
P1 (t ) = e t e P11 ( )d = e t e P0 ( )d = e t e e d = te t
Asimismo tenemos que:
P2 (t ) = e
e P21 ( )d = e
0
e P1 ( )d = e
38
e e
0
d = e
d =
0
(t ) 2 t
e
2
P3 (t ) = e
P31 ( )d = e
P2 ( )d = e
e
0
2
(t ) 2 t
(t ) 3 t
t (t )
e d = e
d =
e =
2
2
2*3
0
t
(t ) t
e
3!
3
( )k d = ( )k +1 e t ,
La ecuacin (18) es un resultado muy interesante porque nos dice que la probabilidad de que
ocurran precisamente n sucesos en cualquier perodo de tiempo de longitud t, es la
probabilidad de POISSON. En el marco de nuestro estudio aparece la distribucin poisson
completamente diferente, caracterizando un tipo particular de proceso estocstico. Debido a
que Pn (t ) Poisson(h ) , el proceso estocstico caracterizado por los axiomas 1 y 2 recibe el
nombre de PROCESO DE POISSON. Este proceso es muy til e importante porque
generalmente representa con exactitud aceptable la naturaleza del mundo real. La razn es que
en ciertas ocasiones es apegado a la realidad el suponer que el nmero de sucesos que ocurren
en un intervalo de longitud t no depende de lo que sucedi antes del principio del intervalo, y
que, para intervalos cortos, la probabilidad de que ocurra un suceso es proporcional a la
longitud del intervalo y asimismo que no ocurran dos o mas sucesos simultneamente6.
Resumiremos a continuacin las caractersticas principales de un proceso de poisson
INCREMENTOS INDEPENDIENTES: Las variables aleatorias nmero de siniestros que
ocurren en cualesquiera dos intervalos disjuntos son independientes.
INCREMENTOS ESTACIONARIOS: El nmero de siniestros que ocurren en un intervalo de
extensin h e inicio t1 se distribuye idnticamente que el de otro perodo de la misma
extensin pero distinto inicio. Esta caracterstica es debida a que la intensidad de siniestralidad
no depende del tiempo natural.
EXCLUSIN DE SINIESTRO MLTIPLE: En un suceso solo puede ocurrir un siniestro.
Esto hace que los saltos del proceso sean unitarios.
39
Existen determinados factores que hacen que estas condiciones no se cumplan, en el caso de
los incrementos independientes, pueden existir condiciones que generen una cierta correlacin
entre siniestros de distintos periodos, sin embargo, el modelo puede seguir utilizndose
convenientemente generalizado. La influencia de este tipo de factores puede ser cuantificable
introduciendo una variable auxiliar que controle los cambios en la propensin del riesgo,
mediante las distribuciones mixtas de Poisson. La condicin de independencia se cumple de
manera condicional, es decir, con la condicin de que las circunstancias sean fijas.
Si el proceso es de incrementos estacionarios, ello implica que la intensidad de siniestralidad
no depende del tiempo natural. Si depende del tiempo, el proceso deja de ser homogneo,
sin embargo puede solucionarse el problema y continuar trabajando con Poisson cambiando
las unidades temporales: trabajando con el tiempo operativo.
Finalmente, en la exclusin de siniestros mltiples, puede suceder que un evento provoque
varios siniestros, una manera de solucionar el problema es considerar todos los siniestros de
un mismo evento como un solo siniestro.
2.1.4 Aplicaciones
Veamos una ilustracin del proceso de Poisson. La marina desea construir dos submarinos
nucleares con el mismo propsito. Se desea determinar cuantas refacciones de un
transformador de calor muy costoso utilizado en el reactor nuclear debern producirse en el
momento de construir los submarinos; cada transformador de calor costara $7000 si se
produce con los submarinos y $14000 si se manufactura despus. Cualquier transformador que
calor que no se utilice para cuando los submarinos hayan terminado su vida til, constituir
prdida total. Con base en datos histricos, la marina estima que la probabilidad de que se
requieran n transformadores en un periodo de t aos para los dos submarinos es poisson donde
, la tasa media de uso, es de 0.2 por ao. La marina no sabe durante cuanto tiempo
permanecern los submarinos en la flota, pero se estima que la vida esperada es de 10 aos y
la desviacin tpica de 2 aos. Aunque es difcil determinarlo con exactitud, se considera que
la densidad de probabilidad de la vida til de los submarinos puede suponerse de tipo gamma.
En este caso el periodo no ha sido especificado, sino que es una variable aleatoria, la
probabilidad de que cualquier nmero de refacciones, depender de la duracin de los
submarinos en servicio. Los costos dependen nicamente del nmero de unidades
demandadas, y de este modo los posibles estados de la naturaleza corresponden con los
distintos nmeros posibles de refacciones que se demandarn. Sea X la variable aleatoria que
representa el nmero de partes demandadas. Ahora consideraremos la determinacin de P(x),
es decir, la funcin de probabilidad de x. El valor que observamos de x puede verse como el
resultado de un experimento bietpico. En la primera etapa queda determinada la vida de
servicio t, y luego, dado este valor, se determina el nmero de refacciones demandadas. Por lo
40
+1
( + n + 1)
p ( n) =
. Si es un entero k y renombrando, entonces
n!( + 1) + +
(n + k )! k +1 n
tenemos que p (n) =
p q . En este caso p(x) es la distribucin binomial negativa
n! k!
bn ( x; k + 1, p) , esto quiere decir que podemos utilizar para generalizar la distribucin binomial
negativa al caso en el que k no sea entero. En este caso p(n) se convierte en
1
p ( n) = ( + n)( + n 1) K ( + 1) p +1 q n ; n 1 y p (0) = p +1 . Sabemos que, la distribucin
n!
10
gamma tiene una media de 10 aos y una varianza de 4 aos, entonces = 2 =
= 2.5; y
4
+ 1 = = 25 , tambin sabemos que la tasa de uso medio es = 0.2 por ao, de modo que
2 .5
2 .5
0 .2
.2
p=
=
=
= 0.9258 y q =
=
=
0.0742 , para los costos
+ .2 + 2 .5 2 . 7
+ .2 + 2 .5 2 .7
tenemos C = 7000 y T = 14000 . Adems S = 0 puesto que las unidades no se venden y
R = 0 que no hay valor de rescate. Por lo tanto, el nmero ptimo de refacciones a solicitar,
T C 7000
es la n para la cual P ( n)
=
= 0.5 , donde P ( x ) es la distribucin acumulativa
14000
T
de x, as utilizando los datos anteriores tenemos que:
n
En este tema analizaremos la solvencia en el caso del horizonte finito (H = 1) y solo al final
del periodo (h = 1) . Sin perdida de generalidad podemos considerar que el periodo es de un
ao.
Utilizaremos en principio el modelo bsico, de forma que:
U = U 0 + (1 + )P S
donde P = E (S ) . El nico factor aleatorio es la siniestralidad total (S ) , por lo que en primera
instancia vamos a estudiar esta variable aleatoria a fondo.
Segn la Teora Colectiva del Riesgo, el costo total S es: S = X 1 + X 2 + X 3 + LL + X N
donde:
X i Es la Variable Aleatoria Cuanta de la i-sima pliza o riesgo
41
1 ( ) = E ( ) = ( )
2 ( ) = E ( 2 )
M
i ( ) = E ( i )
Momentos Centrales:
2 ( ) = E ( E [ ])2 = 2 ( ) = 2 ( ) 12 ( )
3 ( ) = E ( E[ ])3 = 3 ( ) 31 ( ) 2 ( ) + 213 ( )
4 ( ) = E ( E[ ])4 = 4 ( ) 4 1 ( ) 3 ( ) + 6 12 ( ) 2 ( ) 3 14 ( )
Media
( ) = 1 ( )
Varianza
2 ( )
42
Asimetra
1 ( ) =
3 ( )
3 ( )
Kurtosis
2 ( ) =
4 ( )
3
22 ( )
[ ]
M ( ) = E e
i ( ) = E ( ) =
i
d i M ( )
d
=0
= M (i ) (0)
expresarse
M ( ) = h
h =0
mediante
la
expansin
de
momentos
ordinarios:
h!
43
[ ] [[
]]
M s (T ) = eS = E eS / N
= X 1 +X 2 +X 3 + ...+X N
X i independientes
equidistribuibles
[(
( ))
= E eX
] = [e
N ln M x ( )
= M N (ln Mx( ))
Ahora, a partir de la funcin generadora de momentos obtendremos la esperanza y la varianza
de S por dos mtodos distintos, utilizando esperanza y varianza condicional, y la funcin
generadora de momentos.
Esperanza
Utilizando esperanza condicional tenemos lo siguiente:
E[S ] = E[E[S / N ]]
= E [E [ X 1 + X 2 + ... + X N / N ]]
= {X i equidistribuidas}
44
M X' ( )
M X ( )
M (0) = 1
E [S ] = M s' (t ) t =0 = X
ln M X (0 ) = 0
= M N' ( ) M X' ( )
= 1 (N ) * 1 ( X )
= E[NE[X ]] = E[N ]E[X ]
Para determinar la varianza del costo total seguiremos los mismos procedimientos que se
utilizaron para determinar la esperanza
V [S ] = V [E[S / N ]] + E[V [S / N ]]
sabemos que:
= [E[S / N ] = NE[X ]]
= V [NE[X ]] + E[NV [ X ]]
= E 2 [ X ]V [N ] + E [N ]V [X ]
M S'' ( ) = M s' ( )
'
M ' ( )
= M ln M X ( ) * X
M X ( )
'
'
N
M '' ( ) M ' ( ) 2
= (ln M X ( )) * X
X
M X ( ) M X ( )
'
N
M X' ( )
+ M (ln M X ( )) *
M X ( )
''
N
2 (s ) = [M S'' ( )] =0 = 1 ( N )( 2 ( X ) 12 ( X )) + 2 ( N ) 12 ( X )
45
1 ( N ) 2 ( X ) + 2 (N ) 12 ( X )
a partir de este resultado claramente se ve que la varianza es la misma que con el
procedimiento anterior
El clculo de los momentos ordinarios de orden superior a dos se realiza a partir de la fgm.
Los momentos centrales se calculan a partir de los ordinarios aplicando las expresiones que
relacionan centrales con ordinarios obtenindose entre otros los siguientes resultados:
Momentos Ordinarios:
3 (S ) = 13 ( X ) ( N ) + 3 2 (N )1 ( X ) 2 ( X ) + 1 ( N )3 ( X ) Asimetra
3
Momento Central:
3 (S ) = 13 ( X ) 3 (N ) + 3 * 2 ( N ) 1 N 2 ( X ) + 1 ( N ) 3 ( X )
46
Propiedades
Pk = P[N = k ] = e
k
k!
M N ( ) = e (e 1)
Momentos Ordinarios
1 (N ) = E [N ] =
2 (N ) = + 2
3 (N ) = + 32 + 3
4 ( N ) = + 7 2 + 6 3 + 4
Momentos centrales
2 ( N ) = V [N ] =
3 (N ) =
4 ( N ) = + 32
1 (N ) =
2 (N ) =
47
P[N = k / Q = q] f (q )dq
P[N = K ] = P[N = K / Q = q ]* d FQ (q ) =
P[N = K / Q = q ]P[Q = q ]
q
[ ] [[
M N ( ) = E eN = E E eN / Q
]]
1
Para un valor de Q, el nmero de siniestros es Poisson con fgm e Q (e )
= E e Q (e 1)
((
]
))
= M Q e 1
M Q (ln M Np ( ))
f.g.m. de la v. a. de la mixtura
48
Este proceso ya lo hemos realizado con anterioridad para la variable aleatoria costo total S .
Observemos la similitud entre la expresin de la fgm. de N mixta de Poisson en funcin de la
fgm. De Q y N p , con la fgm. de S en funcin de la f. g. m. de N y X .
E [N ] =
V [N ] = (V [Q ] + 1)
3 ( N ) = 3 3 (Q ) + 3 2 (Q ) + 1 (Q )
Para poder utilizar esta funcin de distribucin como variable de mixtura es necesario hacer
que su media sea 1; Por lo tanto utilizaremos una Gamma de parmetro h Ga(h, h )
Haciendo esto se tiene que sus respectivos momentos son los siguientes:
Esperanza
Varianza
Asimetra
Kurtosis
E[Q] = 1
1
V [X ] =
h
2
1 =
h
6
2 =
h
49
P[N = k ] =
P[N = k / Q = q ] f Q (q )dq
h + k 1 h
P[N = K ] =
k
+ h + h
h
h
+h
h
M N ( ) =
h e 1
E[N ] =
V [N ] = +
Varianza
h
32 23
+
+ 2
h
h
1 (N ) =
3/ 2
(V [N ])
Asimetra
50
clase S j . Nos preocupamos de determinar la variable aleatoria S , cuanta total para toda la
cartera. Se pueden distinguir tres casos
- Caso General
La suma de distribuciones mixtas de Poisson compuestas independientes no es una
distribucin compuesta. Sin embargo, debido a la condicin de independencia, los parmetros
de la suma pueden expresarse a travs de los correspondientes a los sumandos (mixtas de
Poisson compuestas), en concreto
E [S ] = E S j
[ ]
[ ]
V [S ] = V S j
j
(S ) (S )
3
1 =
3 (S )
- Poisson Compuesta
La suma de distribuciones Poisson compuestas independientes es una poisson compuesta.
Simbolizando por j al parmetro de S j y por FX j a la funcin de distribucin de la cuanta
de un siniestro en la clase j , se tiene que los parmetros de S Poisson compuesta son:
= j
j
FX =
j
j
F
X
M S j ( ) = e
j M X j ( )1
M S ( ) = M S j ( ) = e
j M X j ( )1
51
=e
j (M X j ( )1)
j
=e
haciendo
= = =
M X j ( )1
Esta propiedad de la Poisson compuesta es importante pues permite la agrupacin por clases y
por periodos temporales e independientes.
Mixta de Poisson compuesta con la misma variable de Mixtura
La suma de mixtas de Poisson compuestas que no son independientes, pero que dependen
nicamente a travs de la variable de mixtura (que es la misma en todas),es mixta de poisson
compuesta. La suma tiene como parmetro = j y como variable aleatoria de mixtura la
j
52
2.3 Aplicaciones
1. Demuestra que si N sigue una distribucin Poisson, los valores de a y b para los cuales
se cumple el algoritmo de Panjer son 0 y respectivamente.
2. Realizar la demostracin del proceso de contaje por induccin, es decir, de muestra
t
53
10. Suponga que un proceso productivo produzca X unidades por hora, con una fraccin
de defectuosas de p. Puede considerarse el proceso que produce las unidades
defectuosas como un proceso de Poisson, de manera que la probabilidad de que se
produzcan n unidades defectuosas en un periodo t es p(n, t ) ? Explique con detalle.
11. Estimar la probabilidad de que durante un determinado ao, dos asegurados
independientes que suscribieron una pliza de accidentes en Seguros el Potos,
declaren en conjunto un solo siniestro. Asumiendo que el nmero de siniestros en un
ao sigue una distribucin Poisson con parmetro = 0.14 para ambas plizas.
12. Considere una situacin en la que dos procesos Poisson generan sucesos (los sucesos
de ambos procesos se consideran iguales). Las tasas medias de ocurrencia de los
sucesos de ambos procesos sern denotadas por 1 y 2 . Considere ahora el problema
de determinar la probabilidad Pn (t ) de que el numero total de sucesos generados en un
tiempo de longitud t sea n. Demuestre que Pn (t ) = p[n, (1 + 2 )t ] , tal que los dos
procesos Poisson sean equivalentes a uno slo en el que la tasa media de ocurrencia de
los sucesos es 1 + 2
54
57
58
59
La consideracin del reaseguro, nos permite descomponer el costo total Z en la suma de dos
variables aleatorias Z = Z c + Z r , donde:
Z c = Es la variable aleatoria costo total retenido por la cedente en el intervalo [0, t ]
Modalidad Cuota-Parte
Este tipo de reaseguro es una modalidad del reaseguro proporcional, en el cual la cedente
transfiere un coeficiente preestablecido de toda la cartera , o bien de un determinado ramo de
seguros , para un ejercicio econmico dado. Este coeficiente sirve para determinar la
participacin del reaseguro en la prima y las indemnizaciones.
Esta modalidad solo afecta a la variable aleatoria costo total del siniestro, por tanto la variable
aleatoria costo total del siniestro i-simo a cargo de la cedente, X i , c , y la variable aleatoria
costo total del siniestro i-simo a cargo del reaseguro X i , r , estarn dadas por la siguiente
transformacin de la variable aleatoria X i
X i , r = (1 k) X i
X i , c = kX i
i =1
i =1
i =1
i =1
Z c = X i , c = kX i
Z r = X i , r = (1 k ) X i
E[Z r ] = (1 k ) E[Z ]
E [Z c ] = kE[Z ]
61
V [Z c ] = k 2V [Z ]
Xi < M
0
X i,r =
X i M X i M
X X i < M
X i,c = i
M X i M
siendo los correspondientes procesos de riesgo:
N
Z c = X i ,c
Z r = X i,r
i =1
i =1
La prima de la cedente y del reasegurador en trminos esperados, viene dada por las siguientes
expresiones:
E [Z c ] = E [N ] (1 F ( x))dx
E [Z r ] = E [N ] (1 F ( x))dx
donde F ( x) = P[ X x]
En lo que respecta a las varianzas tenemos:
(( )
62
[ ] = 2 (1 F ( x))dx
E[X c ] = (1 F ( x))dx
EX
2
c
(( )
V ( X r ) = E [N ]V [X r ] + V [N ]E [ X r ] = E [N ] E X r2 E ( X r ) + V [N ]E [ X r ] donde:
2
[ ] = 2 ( x M )(1 F ( x))dx
E [ X r ] = ( x M )(1 F ( x))dx
EX
2
r
viene dado por: Z = X i f (Ti ,0 ) , siendo de Ti la variable aleatoria que indica el tiempo
i =1
transcurrido hasta la ocurrencia del siniestro i-simo, expresado en aos y f (Ti ,0 ) el factor
financiero de actualizacin.
Los procesos de riesgo de la cedente y del reasegurador son los siguientes:
N
Z c = X i ,c f (Ti ,0 )
Z r = X i , r f (Ti ,0 )
i =1
i =1
X X < M
X i,c = i i
M X i M
Xi < M
0
X i ,r =
X i M X i M
63
Z s = X i , s f (Ti , s ,0 )
s = 1,2, KK , NSIM
Z r , s = X i ,r , s f (Ti ,s ,0)
s = 1,2, KK , NSIM
Z c , s = X i ,c , s f (Ti , s ,0)
s = 1,2, KK , NSIM
Ni
i =1
Ni
i =1
Ni
i =1
simulacin e-sima.
Teniendo en cuenta que las realizaciones obtenidas por simulacin son equiprobables:
1
P[Z = Z s ] = P[Z c = Z c , s ] = P[Z r = Z r , s ] =
s = 1,2, KK , NSIM
NSIM
entonces podemos caracterizar totalmente la distribucin de probabilidad de Z , Z c , Z r , por lo
que contamos con las condiciones para calcular cualquier momento de estas variables
aleatorias como por ejemplo la esperanza, varianza o desviacin estndar:
E [Z ] =
NSIM
Z
s =1
E [Z c ] =
NSIM
E [Z r ] =
NSIM
Z
s =1
Z
s =1
1
NSIM
c,s
r ,s
[ ]
D[Z ] = V [Z ]
V [Z ] = E Z 2 E 2 [Z ]
1
NSIM
V [Z c ] = E Z c2 E 2 [Z c ]
[ ]
D[Z c ] = V [Z c ]
1
NSIM
V [Z r ] = E Z r2 E 2 [Z r ]
[ ]
D[Z s ] = V [Z s ]
64
financiera que rige la operacin perturbada por una componente aleatoria, dando lugar a un
factor financiero aleatorio.
Factor Financiero Cierto
En este caso suponemos que la ley financiera que rige el periodo temporal [0, t ] es cierta en el
origen de la operacin, por lo que conocemos el precio de la operacin en todos los instantes
que configuran el horizonte temporal, dando lugar a un factor financiero f (Ti ,s ,0 ) cierto
Ti , s
donde: f (Ti , s ,0 ) = e
( )d
0
En el supuesto que la ley financiera sea constante resulta que ( ) = [0, Ti , s ], entonces:
f (Ti , s ,0) = e
Ti , s
f (0, s ) = e
2
2
t + W ( s )
siendo, ahora f (0, s ) una variable aleatoria que sigue una distribucin lognormal de
2
s y varianza 2 s .
media
2
Por lo tanto el factor de actualizacin estocstica obtenido como recproco de f (0, s ) es:
1
2
f (s,0 ) =
= e
f (0, s )
s +W ( s )
65
financiero cierto de la ley financiera constante. Bajo este criterio, el factor financiero cierto
f (Ti ,s ,0 ), tomara la siguiente forma: f (Ti , s ,0) = e
2 Ti , s
Los datos que a continuacin se presentan han sido calculados generando por simulacin
100,000 relaciones de las variables aleatorias Z c y Z r
66
Efvo E (Z c )
150,000
142,822.47
136,215.5
D (Z c )
E (Z r )
D (Z r )
13,387.04
12,749.32
12,172.87
100,000
95,214.98
90,810.33
8,924.69
8,499.55
8,115.24
D (Z c )
E (Z r )
D (Z r )
11,477.65
10,931.06
10,436.94
91,961
87,571.58
83,519.02
13,523.7
12,879.13
12,296.54
Tanto
Anual
0
0.02
0.04
Efvo E (Z c )
158,039
150,465.8
143,505.87
67
D (Z c )
12,172.87
12,172.98
12,173.32
E (Z c )
136,215.5
136,216.82
136,220.77
E (Z r )
90,810.33
90,811.21
90,813.85
D (Z r )
8,115.24
8,115.32
8,115.51
E (Z r )
83,519
83,520.78
83,523.2
D (Z r )
12,296.54
12,296.66
12,297.01
E (Z c )
143,505.87
143,507.26
143,511.42
D (Z c )
10,436.94
10,437.03
10,437.33
En ambos casos observamos que la volatilidad afecta a la prima de reaseguro y a la que retiene
la cedente de forma proporcional, por lo tanto, cuanto mayor sea la volatilidad de la ley
financiera o mientras mas inestable sea el ambiente financiero, mayor ser la prima de
operacin lo que repercute directamente en la prima que retiene la cedente y la que cobra el
reasegurador.
68
U (t ) = u + ct S (t )
t 0.
En este modelo se ignora el inters y a los factores distintos a las primas y reclamaciones que
pudiesen afectar al excedente. Por ejemplo, estamos ignorando los gastos y dividendos de los
tenedores de plizas y de los accionistas. Un resultado tpico de este proceso de excedente
{U(t), t 0} se muestra en la figura 3.1. La palabra proceso indica que estamos interesados
en una familia de variables aleatorias, una para cada valor de t, t 0, y en las interconexiones
entre sus distribuciones. Esto contrasta con el captulo 2 en donde consideramos la
distribucin de una variable aleatoria para un slo periodo.
Ntese que el excedente se incrementa linealmente (con pendiente c) excepto cuando ocurre
una reclamacin. Entonces el excedente cae por el monto de la reclamacin. Si el excedente
inicial aument o disminuy por una cantidad h, la grfica de U(t) crecer o disminuir
unidades de altura, pero de otra manera permanecer sin cambio. Como se ilustra en la figura
3.1, el excedente podra llegar a ser negativo en ciertos tiempos. Cuando esto sucede,
hablamos de que ha ocurrido la ruina. Este trmino tcnico no es sinnimo de insolvencia. En
una situacin de la vida real, el evento de la ruina podra no ser tan irremediable como su
nombre lo sugiere ya que, cuando se consideran todos los factores, los fondos del asegurador
pueden ser positivos, o podra ser posible restablecer la posicin positiva del excedente. Sin
embargo, en una organizacin de seguros se puede obtener una medida til del riesgo
financiero calculando la probabilidad de la ruina como una consecuencia de la variacin en la
cantidad del excedente.
69
Figura 3.1
Un resultado tpico del proceso de excedente
U (t)
u
Pendiente c
t
U(t)
T1
T2
T3
T=T3
Fuente: Elaboracin Propia
Definamos:
T = min{t : t 0, U (t ) < 0}
U (t) 0
(u ) = Pr( T < )
La probabilidad de la ruina considerada como una funcin del excedente inicial u. Tambin
nos interesaremos en U (T), el excedente negativo en el tiempo en que ocurre la ruina.
En la prctica, la mayora de los aseguradores estn interesados en la ruina sobre un periodo
largo pero finito como de unos 15 aos y en realidad no estn preocupados acerca del
horizonte infinito. Ms precisamente, la consideracin se limitar
(u , t ) = Pr( T < t )
La probabilidad de la ruina antes del tiempo t., Sin embargo, discutiremos slo la probabilidad
de la ruina sobre un horizonte infinito, (u ) la cual es matemticamente ms manejable. Por
supuesto, (u ) es una frontera superior de (u , t ) .
Las ideas que se exponen en este apartado pueden utilizarse para proporcionar un sistema de
advertencias para la conduccin de una organizacin de seguros. Necesariamente, para
representar el proceso de riesgo de tal organizacin se debe seleccionar un modelo. La
probabilidad de la ruina, con base en ese modelo, previene al administrador de la organizacin
de seguros sobre algunos de los riesgos involucrados. Los modelos particulares desarrollados
en este captulo hacen supuestos simplificativos para mantener manejables las matemticas.
Se dejan a un lado los efectos de los dividendos, inters y la experiencia en su clculo. No
70
obstante, estos modelos proporcionan un medio inicial de analizar el proceso de riesgo de una
organizacin de seguros. En la prctica, se complementan con anlisis adicionales.
S (t ) = X 1 + X 2 + L + X N ( t )
El proceso {N (t), t 0} se denomina el proceso del nmero de reclamaciones, mientras que
{S (t)0} se denomina el proceso de reclamaciones agregadas. Como se mencion
anteriormente, el conjunto de variables aleatorias se denomina proceso ya que estamos
interesados en las distribuciones en todos los tiempos t 0. Esto contrasta con el captulo 2 en
donde estbamos interesados en el nmero de reclamaciones y para un periodo nico.
Sea t 0 y h > 0. De las definiciones se sigue que N(t +h) -N(t) es el nmero de
reclamaciones y S(t + h) -S(t) es el agregado de reclamaciones que ocurren en el intervalo
entre t y t +h. Sea T el tiempo cuando ocurre la i-sima reclamacin. Por lo tanto T1,T2... son
variables aleatorias con T1<T2 < T3 .... Estas desigualdades son estrictas, por lo tanto
excluyen la posibilidad de que dos o ms reclamaciones ocurran al mismo tiempo. Entonces el
tiempo de espera (o tiempo transcurrido) entre reclamaciones sucesivas est representado
mediante W1 = T1 y
Wi = T1 Ti 1
i< 1
En las figuras 3.2 y 3.3 se muestran los resultados del proceso del nmero de reclamaciones y
el del proceso agregado de reclamaciones. Ntese que N (t) y S (t) son funciones escalonadas.
Las discontinuidades estn en los tiempos Ti cuando ocurren las reclamaciones, y el tamao de
los escalones en estos tiempos es 1 Para N (t) y su monto de reclamaciones correspondiente X,
para S (t).
71
Figura 3.2
Proceso del nmero de reclamaciones
N(t)
4
3
2
1
T
W1
T
W2
T
W4
W3
Figura 3.3
Proceso del nmero de reclamaciones agregadas
S(t)
W4
W3
W2
W1
T1
T2
T4
T3
Pr[ N ( t + h ) N ( t ) = 0 | T i = t , N ( s ) s t ]
72
= e h
Por la definicin del proceso de Poisson. Por lo tanto Wi +1 sigue una distribucin exponencial
con parmetro y es independiente de N(s) para s Ti. En otras palabras, Wi+1 es
independiente de W1, W2,..., Wi.
En este contexto, definiremos ahora un proceso de Poisson compuesto. Si para S(t), definido
en, las X1, X2, X3... son variables aleatorias independientes, idnticamente distribuidas con f.d.
P(x) comn, y si tambin son independientes del proceso {N(t), t0}, que se supone es un
proceso de Poisson, se dice que el proceso {S(t), t0}, es un proceso de Poisson compuesto. Si
el proceso de reclamaciones agregadas es un proceso de Poisson compuesto determinado por
y P(x), las siguientes propiedades corresponden a las del proceso del nmero de
reclamaciones subyacente.
a) Si t 0 y h > 0, la distribucin de S(t+h) S(t) es una Poisson compuesta con
especificaciones h y P(x), es decir:
Pr[ S (t + h) S (t ) x] =
e h (h) k * k
k! p ( x )
k =0
Var [S (t)]=tp2
73
Primero, supondremos que la tasa de cobro de las primas c excede los pagos esperados de
reclamacin por unidad de tiempo, que es p1. Adems, definimos un recargo relativo de
seguridad mediante la ecuacin c= (1+)p1 en donde es positivo.
En seguida, sea (-,) el intervalo abierto ms grande para el que la f.g.m. de P(x) existe. Se
supone que es positiva. En el caso de la distribucin exponencial con parmetro, es igual
a , mientras que para cualquier distribucin del monto de las reclamaciones con lmites es
+ .
Adems, supondremos que Mx(r) tiende a a medida que r (Este supuesto no siempre es
vlido para finita; como ejemplo, considere la distribucin que est concentrada en el
intervalo x>1 en donde su f.d.p. es proporcional a x-2 e-x.)
Figura 3.4
Definicin del coeficiente de ajuste
Mx(r)
1+(1+)p1r
Por conveniencia de notacin, supondremos tambin que P(x) es continua y tiene un f.d.p.
p(x); si P(x) es discreta y tiene una f.p. p(x), las integrales se reemplazarn por sumas en la
siguiente expresin.
Para un proceso de Poisson compuesto, consideramos la ecuacin
+ cr = e rx p ( x)dx = M x (r )
r <
(3.2.3.1)
r <
(3.2.3.2)
Aqu, el lado izquierdo es una funcin lineal de r, mientras que el lado derecho es una funcin
positiva creciente que tiende a a medida que r . Ms an, la segunda derivada del lado
derecho es positiva por lo que su grfica es cncava desde arriba. El supuesto de que c>p1
74
(equivalente a >0) significa que la pendiente, (1+) p1. del lado izquierdo de (3.2.3.2)
excede la pendiente, Mx(0)=p1, del lado derecho en r=0. En la figura 3.4, observamos que la
ecuacin (3.2.3.2) tiene dos soluciones. Aparte de la solucin trivial r=0, existe una solucin
positiva r=R, que se denomina el coeficiente de ajuste. Los motivos para considerar aqu la
expresin (3.2.3.1) y su solucin R se aclaran en el teorema que ms adelante se presenta.
En la mayora de los casos, la ecuacin (3.2.3.2) no puede resolverse explcitamente. En estos
casos, se debe hacer mediante un mtodo de anlisis numrico apropiado. En la figura 3.4
observamos que si
M x (r ) 1 (1 + ) p1 r
(3.2.3.3)
Es positiva para algn valor de r>0, se sigue que R<r. Igualmente, si (3.2.3.3) es negativa
para algn valor de r, R>r. Podemos utilizar esta informacin para determinar R ya sea
mediante prueba y error o biseccin sucesiva del intervalo.
En general, el coeficiente de ajuste es una funcin creciente del recargo relativo de seguridad,
. Esto puede observarse en la figura 3.4. A medida que . se incrementa, la pendiente de la
lnea recta a travs del punto (0,1) se incrementa en tal forma que el punto de interseccin de
la lnea y la curva se mueve a la derecha y hacia arriba.
Existe una conexin intrnseca entre el coeficiente de ajuste y la probabilidad de ruina
determinada en el siguiente teorema
Para u 0,
(u ) =
e Ru
E[e RU (T ) | T < ]
(3.2.3.4)
(u ) < e Ru .
(3.2.3.5)
75
Si la distribucin del monto de reclamaciones est limitado en tal forma que P(m)=1 para
algunas m finitas, se sigue que, dado T<, U(T)>-m ya que el excedente justamente antes de
la reclamacin debera ser positivo. Por lo tanto, e-Ru(T) < e-Ru, as
E[e RU (T ) | T < ] < e Rm .
Por tanto
(u ) > e Ru e Rm = e R (u + m ) .
(3.2.3.6)
(u ) e Ru ,
(3.2.3.7)
(3.2.4.1)
donde u=U0 es el excedente inicial, c es el monto de las primas recibidas cada periodo y Sn es
la suma de todas las reclamaciones en el primero de n periodos. Tambin suponemos que
S n = W1 + W2 + L + Wn
(3.2.4.2)
T = min{n : U n < 0]
(3.2.4.3)
_
El tiempo de la ruina (otra vez con el entendimiento de que T = si Un 0 para toda n), y sea
_
(u ) = Pr(T < )
(3.2.4.4)
Este modelo genera un resultado similar al Teorema de la seccin anterior. Para formularlo,
primero debemos definir el coeficiente de ajuste para el nuevo modelo. Lo definimos como la
solucin positiva de la ecuacin
e cr M W (r ) = 1
(3.2.4.5)
d cr
d
[e M W (r )] =
E[e (W c ) r ] = E[(W c)e (W c ) r ]
dr
dr
d2
dr
[e cr M W (r )] = E[(W c) 2 e (W c ) r ].
Figura 3.5
Definicin del R
e-c rMW(r)
r
Fuente: Elaboracin Propia
77
log M W (r ) = r +
1 2 2
r .
2
(3.2.4.6)
Teorema :
Para u > 0
(u ) =
exp( Ru )
.
E[exp( RU T ) | T < ]
(3.2.4.7)
(u ) < exp( Ru ).
(3.2.4.8)
d2
dt 2
log M x (t ) | t =0 = Var[ X ]
1 2 2
r +L
2
donde 2=Var [W]. Si usamos nicamente los dos primeros trminos de esta expansin en
(3.2.4.6), obtenemos la aproximacin
78
2(c )
(3.2.4.9)
Si W tiene una distribucin compuesta y la seguridad relativa recargada est dada por
c = (1+), entonces
R
( p2
2 p1 E[ N ]
2
p1 ) E[ N ] + p12Var[ N ]
(3.2.4.10)
79
3.3 Aplicaciones
1.- En el modelo de reaseguro tradicional y bajo la hiptesis de independencia entre las
variables aleatorias N y X i , demostrar que la prima pura total de la operacin en trminos
esperados, puede calcularse como la esperanza matemtica de la variable costo total, esto es
Resultando: E[Z ] = E[N ]E[ X ]
2.- Demostrar que en el reaseguro modalidad cuota-parte, la prima del reaseguro y la prima de
la cedente, es trminos esperados es:
E[Z r ] = (1 k )E[Z ]
E [Z c ] = kE [Z ]
V [Z r ] = (1 k ) V [Z ]
2
3.- Demostrar que en el reaseguro modalidad exceso de prdidas la prima de la cedente y del
reasegurador, en trminos esperados esta dada por:
M
F ( x ) = P[X x]
4. Demuestra que un valor exacto para la Probabilidad de Ruina en horizonte infinito y
chequeo continuo es:
(U 0 ) =
e RU 0
RU
E e t1 / t1p
U00
5. Demostrar que una cota superior para la probabilidad de ruina en horizonte infinito y
chequeo continuo es:
(U 0 ) e RU 0
U00
80
82
Una pregunta que surge de manera natural es Cunta debe ser la experiencia interna de
siniestralidad a efectos de que el asegurador pueda, ignorar la experiencia de la cartera y basar
su anlisis solamente en la experiencia propia?, es decir Cundo es una estadstica
suficientemente grande para poder asignar credibilidad total a la estimacin?. En trminos
generales, cuando la credibilidad total es definida en funcin de un rango 100k % respecto al
verdadero valor del parmetro y de una probabilidad 100P% , la frmula expresiva del
nmero mnimo de siniestros esperados necesario para tener total credibilidad ser
2
2
F = 0 1 + m , donde: 0 = y 2
( )
Aa
ka
P[(Za ka ) <ZA< (Za ka )] = P , es decir, P
<
<
= P bajo
Var ( A) Z Var ( A)
Z Var ( A)
el supuesto de que la experiencia propia no sea demasiado pequea, es posible utilizar la
, y as tenemos lo siguiente
aproximacin normal N (0,1) para A a
Var (a)
ka
= y donde y representa el nuevo valor de la variable N (0,1) para el cual el rea
Z Var ( A)
entre y e y es igual a P, sustituyendo y reajustando trminos, obtenemos la frmula de
credibilidad parcial Z = F
4.1.4 Fundamentos Bayesianos de la Teora del a Credibilidad
La Teora de la Credibilidad se apoya en el teorema de Bayes, el cual fusiona la informacin
inicial, que es expresada mediante una distribucin de probabilidad conocida como
distribucin inicial o a priori con la informacin estadstica de que se dispone, para as
producir una distribucin final o a posteriori, la cual sintetiza ambas fuentes de informacin,
esta distribucin final es la que nos permite extraer conclusiones y tomar decisiones.
La Distribucin posterior es la solucin Bayesiana al problema de inferencia y nos da una
descripcin completa en trminos de probabilidad sobre lo que conocemos en relacin con el
verdadero valor del parmetro.
Para que el Teorema de Bayes pueda ser aplicado, es necesario especificar la distribucin
inicial; por lo que su uso como procedimiento inferencial implica la condicin de variable
83
aleatoria para el parmetro a estimar y una visin del concepto de probabilidad en trminos
de grados de creencia, personales o subjetivos, condicionados a la informacin de que se
dispone.
Por otro lado, el uso de distribuciones iniciales, puede resultar extremadamente til, como
sucede en el caso de riesgos nuevos sobre los cuales no existen datos disponibles, o cuando no
es posible asignar las caractersticas del riesgo a un colectivo ya establecido.
Es en estos casos cuando el actuario se ve obligado a hacer un establecimiento inicial del
riesgo, basado en condiciones no empricas sobre las fuentes de siniestralidad; entonces la
nica solucin a este problema es la que nos proporciona la Estadstica Bayesiana.
U Bi =
IB
i =1
i =1
Podemos ahora interpretar a las Bi como las posibles causas; a E un subconjunto del espacio
muestral , con una probabilidad de ocurrencia mayor o igual a cero, es decir, E ,
0 < P (E ) < 1 .
Ahora, dado que conocemos un efecto determinado E , deseamos conocer la probabilidad de
que dicho efecto venga de la causa especfica Bi entonces tenemos que:
Para cualquier particin {Bi } y para un evento E
P (Bi E ) =
P(Bi )P(E Bi )
(4.1.5.1)
P(B )P(E B )
i =1
84
f ( x ) = f ( xi )
(4.1.5.2)
i =1
f ( x, ) = f ( x ) f ( )
la densidad marginal de las x es
f (x ) =
(4.1.5.3)
f (x, )d
(4.1.5.4)
f ( x ) f ( )
que puede ser escrito como:
f (x )
L( x ) f ( )
f (x )
(4.1.5.5)
f ( x ) = k * L( x ) f ( )
(4.1.5.6)
f ( x )L( x ) f ( )
(4.1.5.7)
Se debe suponer una distribucin de probabilidad que genere la muestra aleatoria, de igual
manera que en el caso de la estadstica clsica, solo que ahora se incorpora la informacin
acerca de los parmetros involucrados a travs de f ( ) . En Estadstica Bayesiana f ( ) , la
distribucin a priori, representa la informacin previa del parmetro en el modelo f ( x ) ,
esta informacin puede consistir en el conocimiento que algn especialista o en informacin
pasada acerca de la caracterstica de inters que se desea estudiar.
85
La seleccin de la distribucin a priori depende del buen juicio y del anlisis subjetivo de la
persona encargada de realizar el estudio. En el caso de no tener ningn tipo de informacin
previa o cuando la informacin que se posea sobre el parmetro de inters no sea confiable, se
utiliza lo que se conoce como distribucin previa no informativa, difusa o mnimo
informativa , existen varios mtodos para calcular este tipo de funciones. Las distribuciones
iniciales en mayor o menor medida subjetivas, resultan intiles en el campo de los seguros,
como sucede en el caso de riesgos nuevos sobre los que no existen datos disponibles donde, el
actuario se ve obligado a hacer un establecimiento inicial del riesgo, basado, al menos
parcialmente en condiciones no empricas sobre las posibles fuentes de siniestralidad.
f (x
n +1
) f ( x )d
(4.1.5.8)
86
Tabla 4.1
Interpretacin del factor de credibilidad z
Caso Posibles valores Interpretacin
de z
1
z=0
Si z = 0 C = (1 0)B + (0)A = B
Esto quiere decir que cuando z=0 se tiene credibilidad total, es
Es decir
decir, se utiliza la prima terica. C = B Se considera la
z
0%
experiencia de la cartera
2
z =1
Si z = 1 C = (1 1)B + (1)A = A
En este caso tambin se tiene credibilidad total pero la prima propia
Es decir
es la ms adecuada. Ntese que se debe tener experiencia para que
z
100%
dicha prima sea vlida C = A Se considera la experiencia
individual
Fuente: Aplicacin de Modelos de Credibilidad para el calculo de primas en el Seguro de Autos, CNSF 2003
Dado que " z" expresa el peso asignado a la experiencia propia, esta variable juega un papel
clave en la teora de la credibilidad. Se dice que existe credibilidad parcial si 0 < z < 1 .
El factor de credibilidad " z" por la siguiente expresin propuesta por Bhlmann, misma que
se desarrollar en la seccin.......
z=
at
=
s + at
2
t
2
s
t+
a
(4.1.6.1)
s2
a+
t
Donde:
t =Periodo de observacin t N (numero de aos de experiencia)
a =Grado de heterogeneidad (medicin de la disparidad o similaridad del riesgo)
s 2 =Variabilidad de las reclamaciones
Ahora variaremos las componentes del factor de credibilidad " z" y veremos que sucede:
CASO I Variacin de t
a) Si t z = 1( z 1)
Calculando el lmite de " z" cuando "t" tiende a infinito, se tiene que:
lim z = lim
t
87
t
t+
s2
a
=1
b) Si t 0 z = 0( z 0)
c)
Calculando el lmite de " z" cuando "t" tiende a cero, se observa que:
lim z = lim
t 0
t 0
t
s2
a
t+
=0
En este caso se puede ver que mientras mayor sea la experiencia, la credibilidad es mayor a
las primas de riesgos, por lo que cuando la experiencia es nula, se le da mayor credibilidad a
las primas de la experiencia de la cartera
CASO II Variacin de a
d) Si a z = 1( z 1)
Calculando el lmite de " z" cuando "a" tiende a infinito, se tiene que:
lim z = lim
a
a
s2
t
a+
=1
e) Si a 0 z = 0( z 0)
Calculando el lmite de " z" cuando "t" tiende a cero, se observa que:
lim z = lim
a 0
a 0
a
a+
s2
t
=0
lim z = lim
s
2
s
2
a
a+
s2
t
=0
g) Si s 2 0 z = 1( z 1)
Calculando el lmite de " z" cuando " s 2 " tiende a cero, se determina que:
a
=1
z = lim
lim
s2
s 2 0
s 2 0
a+
t
Si la variabilidad es poca entre los siniestros (es decir nula), se le da credibilidad a la prima de
los siniestros y si la variabilidad es mayor se toma como base la prima de la experiencia de
la cartera
Despus de analizar estos tres casos podemos concluir que a mayor experiencia, mayor
heterogeneidad o mayor variabilidad de los siniestros, se puede tomar la prima de experiencia
de aos anteriores, y en caso de que no se tengan aos de experiencia, la cartera sea
homogneo o exista demasiada variabilidad entre los siniestros, lo ms conveniente es tomar
la prima de experiencia de la cartera.
88
Smbolo Nombre
Parmetro de Riesgo
U ( )
Xi
Fuente: Aplicacin de Modelos de Credibilidad para el calculo de primasen el Seguro de Autos, CNSF
2003
( ) = E[X r = ]
(4.1.7.1)
m = E[ X r ] = E[ ( )]
(4.1.7.2)
a = Var[E[X r = ]] = Var[ ( )]
(4.1.7.3)
(4.1.7.4)
s 2 = E [Var [ X r ]] = E 2 ( )
Heterogeneidad promedio en
el tiempo de los montos de siniestros .
(4.1.7.5)
(4.1.7.6)
89
que es la prima de cobro que se estima segn Bhlmann a travs de una funcin g (*) , que
depende de las reclamaciones observadas X = ( X 1 , X 2 ,KK, X t ) , es decir, de la experiencia
de la propia flotilla.
Si tenemos una variable aleatoria X , con funcin de densidad f ( x, ) y si
T = U ( X 1 , X 2 ,KK X t ) es cualquier estadstica, mediante el clculo del error cuadrtico medio
de T , denotado como ECM (T ) , se encontrar una funcin que nos proporcione la mejor
estimacin del parmetro ; el estimador incluye dos cantidades mayores que cero , varianza
y cuadrado del sesgo.
Puede verificarse que si X y Y son dos variables aleatorias, la funcin g (*) de X Y que
minimiza el ECM es:
g ( X ) = E[Y X ]
(4.1.7.7)
g ( X ) = E[ ( ) X ]
(4.1.7.8)
(4.1.7.9)
Al minimizar el ECM, se pretende encontrar una funcin que estime mejor la prima de riesgo
2
que se desea, por lo tanto debemos minimizar E { ( ) g ( X 1 , X 2 KK X t )} considerando el
conjunto de funciones lineales.
Nuestro objetivo ser entonces encontrar las ct s para as obtener la combinacin lineal de las
X t s
Min E { ( ) g ( X 1 , X 2 KK X t )} = Min E { ( ) c0 c1 X 1 c2 X 2 KK ct X t }
c 0 ,K, c t
c 0 ,K, c t
2
t
= Min E ( ) c 0 c i X i
c0 ,K, ct
i =0
(4.1.7.10)
Como podemos notar, nos enfrentamos a un problema, que ser el obtener el mnimo en
relacin a cada uno de los coeficientes de X i , usando herramientas de clculo diferencial e
integral y bajo condiciones de regularidad, sabemos que es posible obtener valores mnimos
90
de las variables utilizando las derivadas de las funciones e igualndolas a cero, por lo que
derivamos la expresin anterior respecto a c 0 obteniendo lo siguiente:
2
t
t
d
E ( ) c 0 c i X i = 2 E ( ) c 0 c i X i
dc 0
i =0
i =0
(4.1.7.11)
2 E ( ) c0 ci X i = 0 E ( ) c 0 ci X i = 0
i =0
i =0
(4.1.7.12)
t
t
c 0 = E [ ( )] E c i X i = m c i m
i =0
i =0
(4.1.7.13)
2
t
= Min E ( ) m c i ( X i m)
c0 ,K, ct
i =0
(4.1.7.14)
= E ( ) m ci ( X i m){X r m} = 0
i =0
= E ( ( ) m)( X r m) ci ( X i m)( X r m) = 0
i =0
(4.1.7.15)
(4.1.7.16)
(4.1.7.17)
Cov[ ( ), X r ] = c i Cov[X i , X r ]
(4.1.7.18)
i =0
91
( = ) ,
a) Cov[X r , X r ] = a + rr s
r , r= 1,2, KK t donde es la Kronecker
(4.1.7.19)
b) Cov[ ( ), X r ] = a
(4.1.7.20)
i =1
i =1
(4.1.7.21)
Si i = r se optimiza
a = a ci + c rs 2 =ci ta + s 2 ci = ci at + s 2
(4.1.7.22)
i =1
ci =
a
= c 0 = c1 = KK = ct
at + s 2
(4.1.7.23)
a t
+
Xi =
m
g ( X ) = c 0 + c i X i = 1
2
2
at + s
at + s i =1
i =1
at
at t X i
= 1
m+
= (1 z )m + z X
2
2
at + s
at + s i =1 t
(4.1.7.24)
1 t
Xi
t i =1
(4.1.7.26)
92
Cartera
Variable
Estructural
Periodo de 1
observacin 2
M
M
t
1
1
Tabla 4.3
Grupos de la Cartera en el tiempo
KK
j
2
KK
j
2
X 11
X 21
X 12
X 22
M
M
X 1t
M
M
X 2t
KK
KK
X j1
X j2
KK
KK
K
k
KK
KK
X k1
M
KK
M
X jt
KK
X k2
M
M
X kt
Fuente: Aplicacin de Modelos de Credibilidad para el calculo de primasen el Seguro de Autos, CNSF
2003
( )
( ) = M j = (1 z )m + zM j
a
Donde:
93
(4.1.7.27)
M ja = X j =
z=
1 t
X r
t r =1 j
(4.1.7.28)
at
s + at
(4.1.7.29)
s2 =
1 k
1 k t X jr
X j =
k j =1
k j =1 r =1 t
(4.1.7.30)
k
t
1 k 1 T
1
2
(
)
(X jr M j )2
X
M
=
jr
j
k j =1 t 1 r =1
k (1 t ) j =1 r =1
(4.1.7.31)
Donde:
Mj =
1 t
X jr
t r =1
(4.1.7.32)
1 k
(M j m )2 1 s 2
a =
k 1 j =1
t
(4.1.7.33)
94
4.2 Aplicaciones
1. El 90% de los siniestros producidos en una cartera de seguro de automviles de
asegurados que viven en ncleos urbanos, corresponde a accidentes producidos en
tales ncleos y el 10 % restante a accidentes en un entorno no urbano. Los datos
correspondientes a los asegurados no urbanos son: accidentes urbanos 15%, accidentes
no urbanos 85%. Se sabe que el 80% de los asegurados de la compaa tiene residencia
urbana.
Se produce un siniestro correspondiente a un accidente no urbano. Cul
es la probabilidad de que el asegurado sea urbano?
2. Durante todo el ao, el total de clientes que contrataron un seguro de gastos mdicos
lo hicieron solamente con dos aseguradoras que denotaremos por A y B. En la
aseguradora A se concentra el 60% del total de plizas contratadas en el ao, el 40%
restante se concentra en la aseguradora B. Del total de sus plizas, la aseguradora A
tiene 3% de personas Solteras, la B el 5%. Ha ocurrido un siniestro a una persona
soltera. Cul es la probabilidad de que esta persona, este asegurada en la empresa B?
3. Una Fbrica contrata una pliza de seguros de gastos mdicos para un riesgo de
accidente muy presente dentro de la misma. El 45% de los empleados esta expuesto a
sufrir un accidente, dentro de estos, el 30% sufre un accidente en recibo; el 35% sufrir
un accidente en el rea de corte y el 35% sufrir un accidente en costura. Ocurre un
accidente, a)Cul es la probabilidad de que el accidente se haya originado en el rea
de corte?, b)Y en la de Recibo?.
4. Segn el modelo clsico de Blhmann; Con el objetivo de obtener la prima de riesgo
se determina un estimador lineal que permita ponderar la experiencia individual con la
de
toda
la
cartera,
debemos
minimizar
el
ECM,
es
decir,
2
t
2
= Min E ( ) c0 ci X i
donde
Min E { ( ) g ( X 1 , X 2 KK X t )}
c 0 ,K, c t
c0 ,K,ct
i =0
g ( X ) = c0 + c1 X 1 + c2 X 2 + KK + ct X t
t
t
Demuestra que c0 = E [ ( )] E ci X i = m ci m
i =0
i =0
95
( )
n
distribucin P(i ) , entonces S se distribuye P i
i =1
U y
3.- n = a
4.- 5.71%
( ( + t ))
6.- Hint: x
) (
= x 2 + 2x + 2t + + 2t
[
] 8
b) P[x = 40] = 1
4
c) E[ X ] = 27.335
d) Var[ X ] = 227.08
8.- a) P x 30 = 5
9.- a)
0.3
s=2
s=3
0.236
b) f S (s ) =
s=4
0.112
0.036
s=5
s=6
0.004
0
eoc
0.072
0.312
0.612
FS (s ) = 0.848
0.960
0.996
1
96
0 s <1
1 s < 2
2s<3
3 s <4
4s<5
5s<6
6s
P ( s = 8) = 0
d) P(s < 4) = 0.848
e) P(s > 6 ) = 1
c)
Captulo 2
b
1 Recuerda que Pk = a + Pk 1
k
t
2.- Sabemos que P0 (0 ) = 1 y P0 (t ) = e , demuestra para n=1, supongamos se cumple para
n=k y demuestra para n=k+1
3 ( ) = 2
4 ( ) = 3h + 6
h2
9.- P( N (t ) = 0) = 0.9897
11.- P( X 1 + X 2 = 1) = 0.2116
Captulo 4
1.- 0.32
2.- 0.52
3.- 0.35 y 0.30
97
h3
98
CONCLUSIONES
En este trabajo introductorio se ha mostrado que la Teora del Riesgo es la herramienta bsica
para el anlisis de la solvencia de empresas de seguros. Como toda ciencia de reciente
creacin, an faltan muchos elementos por perfeccionar, en particular, la adicin de
consideraciones de carcter financiero y econmico que afectan a la empresa de seguros, sin
los cuales esta teora quedara fuera de toda aplicabilidad.
A lo largo del presente trabajo, se han expuesto los modelos mas utilizados en la teora del
Riesgo de una forma que sean de fcil entendimiento para los estudiantes de la facultad de
ciencias que cursan o estn por cursar la materia.
De acuerdo con lo presentado en el Captulo 1, se ha realizado un recordatorio de los
elementos estadsticos necesarios para mayor comprensin de los temas que se abordaran en
los captulos siguientes, es por ello que repasa la definicin de la esperanza y varianza, as
como condicionales, para poder, a partir de la funcin de distribucin de las variables
aleatorias obtener las funciones generadoras de las mismas. Como vimos, uno de los procesos
es el de convolucin para determinar la distribucin de la cartera de riesgos, sin embargo,
mientras mas grande sea la cartera, la complejidad de realizar convoluciones es mayor.
As mismo se present a la Teora Individual del Riesgo como uno de los mtodos para
comprender la importancia de la solvencia en las entidades aseguradoras, como parte
fundamental de su actividad, ya que al tener un nivel suficiente de solvencia la Probabilidad
de Ruina tiende a disminuir. Sin embargo no solamente de la solvencia depende, sino tambin
la siniestralidad que tenga nuestra cartera adems de la experiencia que tengamos como
empresa de la misma. Una primera aproximacin a la determinacin de la probabilidad de
Ruina, es mediante la Teora Individual del Riesgo utilizando el Teorema Central del Lmite,
que presenta una variacin cuando los riesgos que constituyen nuestra cartera son
independientes e idnticamente distribuidos o no lo son.
En el Captulo 2, se tuvo un primer acercamiento de los estudiantes con los procesos
estocsticos, esto les permiti entender la gran utilidad de la materia en su vida profesional y
algunas de las aplicaciones de esta en la teora del riesgo con es el caso particular del proceso
de poisson, pues en el rea aseguradora, la distribucin poisson es una de las que tiene mayor
fama por su utilidad y sencillez en su tratamiento.
A diferencia del Captulo 1, donde la Teora Individual del Riesgo, como su nombre lo indica
analiza cada una de las plizas que constituyen nuestra cartera de riesgos, en la Teora
Colectiva, este enfoque de estructura individual se ignora y al portafolio se le considera como
un todo. Es a partir de ste, que solamente se requiere modelar como se present, el nmero y
monto de las reclamaciones, y as construir los siniestros agregados. Para llegar al modelado
de nuestro portafolio, partimos de los conceptos iniciales de los procesos estocsticos,
incrementos estacionarios, independientes y exclusin de siniestro mltiple, para as llegar a la
construccin del proceso de poisson y determinar que la probabilidad de que ocurran n
98
99
BIBLIOGRAFA
LIBROS
1.- BEARD, R.E. et. al.
RISK THEORY. THE STOCHASTIC BASIS OF INSURANCE
Chapman & Hall, 3rd Edition
1984.
2.- BHLMANN, HANS
MATHEMATICAL METHODS IN RISK THEORY
Springer-Verlog Burlin Heidelberg
1970.
3. - COLEMAN RADNEY
PROCESOS ESTOCASTICOS
Editorial Limusa
1976.
4.- DAYKIN, CD; PENTIKAINENT; PESONEXI M.
PRACTICAS RISK THEORY FOR ACTUARIES
Chapman & Hall
1994.
5. - FREUND JOHN E; MILLER IRWIN; MILLER MARYLESS
ESTADISTICA MATEMTICA CON APLICACIONES
Editorial Pearson Educacin
2000.
6. - GOOVERTS, KASS ET. AL.
EFFECTIVE ACTUARIAL METHODS
1946.
7.- HADLEY G
PROBABILIDAD Y ESTADSTICA, UNA INTRODUCCIN A LA TEORIA DE LA
DECISIN.
Editorial Fondo de Cultura Econmica
1979.
8.- LATORRE LLORRENS LUIS
TEORIA DEL RIESGO Y SUS APLICACIONES A LA EMPRESA ASEGURADORA
Editorial Mapfre
1992.
100
101