Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Matemticas:
Enseanza Universitaria
c
Escuela
Regional de Matemticas
Universidad del Valle - Colombia
Abstract
The (a,b) class distributions, used throughly on the actuarial context from the decade of the
80s on, present in general an important set of discreet distributions. The present article
constitutes a introductory study in which the applications in risk theory are priviliged and,
at the same time, want to serve as an incentive for its study in other fields of investigation.
Through the Panjers algorithm the probability distribution of certain random sums (compound random variables) is obtained, problem that trascends the insurance mathematics.
Calculation of the moments of a compound random variable with primary distribution in
(a, b; 1) class, is presented at the end.
Keywords: Frecuency models, (a, b) class of distributions, the collective risk model,
Panjers algorithm.
AMSC(2000): 60E99
Resumen
Las distribuciones clase (a, b), utilizadas ampliamente en el contexto actuarial desde la dcada del 80, presentan en forma general un conjunto importante de distribuciones discretas.
El presente artculo constituye un estudio introductorio en el que se privilegian las aplicaciones en teora de riesgos y a la vez quiere ser acicate para su estudio en otros campos de
investigacin. A travs del algoritmo de Panjer se obtiene la distribucin de probabilidad
de ciertas sumas aleatorias (variables aleatorias compuestas), problema que trasciende la
matemtica de los seguros. Se presenta al final el clculo de los momentos de una variable
aleatoria compuesta con distribucin primaria clase (a, b; 1).
Palabras y frases claves: Modelos de frecuencia, distribuciones clase (a, b), modelo de
riesgo colectivo, algoritmo de Panjer.
Introduccin
Un asegurado puede tener una prdida y no constituirse en un reclamo ante la aseguradora porque, por ejemplo, no supera el deducible (cuanta a cargo del asegurado en cada
prdida) pactado en la pliza. Las distribuciones aqu estudiadas se aplican al modelado
de ambos fenmenos.
C. Escalante
pk
e k
k!
r
`k+r1
1
k
1+
1+
k
(1+)k+1
k
mk
E(N )
V ar(N )
fgp PN (z)iii
exp[ (z 1)]
r(1 + )
[1 (z 1)]r
(1 + )
[1 (z 1)]1
`m
Bin(q, m)ii
q
(1
q)
mq
mq(1
q)
[1 + q (z 1)]m
k
i. Caso particular de la binomial negativa con r = 1.
ii. Para la distribucin binomial
k
= 0, 1, . . . m, y para las dems k = 0, 1, . . ..
iii. E (N ) = PN
(1) = E N z N 1
, V ar (N ) = PN
(1) + E (N ) [1 E (N )].
z=1
k = 1, 2, 3, . . .
(1)
a
0
1+
1+
q
1q
(r 1) 1+
0
q
(m + 1) 1q
Binomial
b
m=1 2 3 4 etc.
Regin
(sin las rectas m=1,2,...)
no permitida
p0
e
(1 + )r
(1 + )1
(1 q)m
b = f (a)
(r 1)a
0
(m + 1)a
Poisson
Binomial
Negativa
r>1
Regin no permitida
Geomtrica
r=1
B. Neg.
0<r<1
C. Escalante
k = 2, 3, 4, . . .
(2)
1 pM
0
pk , k = 1, 2, . . . .
1 p0
(3)
Una distribucin as construida es clase (a, b; 1). Por esta va surgen las fp
ZM-P oi(), ZM-BN (, r) (que incluye a ZM-Geo()) y ZM-Bin(q, m). En el
caso extremo cuando pM
0 = 0, se obtiene una subclase especial de miembros de
(a, b; 1) denominada distribuciones Cero-Truncadas (ZT), con fp {pTk }. stas
son: ZT-P oi(), ZT-BN (, r) (que incluye a ZT-Geo()) y ZT-Bin(q, m).
De (3),
pk
, k = 1, 2, 3 . . .
(4)
pTk =
1 p0
Y de (3) y (4),
M
T
pM
(5)
k = (1 p0 ) pk ; k = 1, 2, 3 . . .
Clculo de P M , fgp de {pM
k }
P
(z) =
X
k=0
= pM
0
k
pM
k z
pM
0
X
1 pM
0
pk z k
+
1 p0
k=1
1 pM
0
+
[P (z) p0 ] ,
1 p0
(6)
1pM
0
1p0
(1 p0 ) obtenemos de (6),
1 pM
1 pM
0
M
0
P (z) ,
P (z) = 1
1+
1 p0
1 p0
(7)
C. Escalante
P (z) p0
1 p0
(8)
(9)
r
p1
=
r+1
1 p0
(1 + )
(1 + )
(10)
ln (1 + ) 1 = rc ,
f (r) 0 implica que r ln [ln (1 + )]
punto crtico. O sea que f es decreciente en el intervalo (, rc ) y creciente en (rc , ). Por ltimo, como f tiene el mnimo en r = rc (pues
f (rc ) > 0), y adems f (1) = f (0) = 0, entonces, para r (1, 0)
y > 0: f (r) = (1 + )r+1 (1 + ) r < 0, lo que implica que
(1 + )r+1 (1 + ) < r < 0, y as, por (10), 0 < pT1 < 1.
2
r1
k+r1
T
T
pk = pk1
+
= pTk1
1+ k+11+
1+
k
k+r2
y pTk1 = pTk2 1+
k1 . Por tanto,
pTk
pTk2
pTk3
pT1
..
.
1+
1+
1+
2
3
k1
k+r1k+r2
k
k1
k+r1k+r2k+r3
k
k1
k2
k+r1k+r2
r+1
k
k1
2
(11)
En consecuencia, pTk > 0 para k = 2, 3, . . ., pues pT1 (0, 1), > 0 y r >
1, r 6= 0,Plo que hace que cada factor en (11) sea positivo. Verifiquemos
T
ahora que
j=1 pj = 1. Para esto usaremos la identidad obtenida en [5] por
el desarrollo en serie de Taylor alrededor de cero, de la funcin h(t) = (1x)t ,
con t = r:
X
X
r
k+r1 k
r
k
(1 x) =
(x) =
x , |x| < 1
(12)
k
k
k=0
k=0
Por tanto,
pTk = pT1
k1
X
k+r1k+r2
r+1
1+
k
k1
2
k=1
k=1
(k+r)
pT1
r
X
k=1
X
k=1
pTk
}|
{
k1 z
(k + r 1) (k + r 2) (r + 1) r (r)
1+
k (k 1) (k 2) 2 (r)
k
pT1 (1 + ) X k + r 1
=
r
1+
k
k=1
"
#
k
pT1 (1 + ) X k + r 1
1
=
r
k
1+
k=0
"
#
r
pT1 (1 + )
=
1 , por (12)
1
r
1+
= 1, por (10).
10
C. Escalante
La fp ETNB es
pTk =
k+r1
k
1+
r
k
(1 + ) 1
, > 0, r > 1, r 6= 0, k = 1, 2 . . .
[1 (z 1)]r (1 + )r
, > 0, r > 1, r 6= 0.
1 (1 + )r
(13)
1+
k1
T 1+
T
k=1 pk = p1
(k 1) (k 2) 2
1+ 1
= pT1
k (k 1) 2
k
1
k=1 k
1+
1+
k
k
= 1, y usando la expansin
h
i
ln
1
1+
As,
T
pT1 1+
ln (1 + ) = 1, con lo cual p1 = /[(1 + ) ln (1 + )]. Por tanto,
k
1
pTk = 1+
k ln(1+) , k = 1, 2, . . .. La fgp de la distribucin logartmica
es entonces
X1
1
P (z) =
ln (1 + )
k
k=1
z
1+
k
z
1
ln 1
=
ln (1 + )
1+
ln [1 (z 1)]
=1
ln (1 + )
, V ar (N ) =
ln (1 + )
h
1+
ln(1+)
ln (1 + )
11
ZT-P oi()
>0
0
ZM-P oi()
>0
0
BN (, r)
> 0, r > 0
(r 1) 1+
1+
ETNB
> 0, r > 1, r 6= 0
(r
1)
1+
1+
(r 1) 1+
ZM-ETNB
> 0, r > 1, r 6= 0
1+
Geo()
>0
0
1+
0
ZT-Geo()
>0
1+
0
ZM-Geo()
>0
1+
q
q
Bin(q, m)
0 < q < 1, m N
1q
(m + 1) 1q
q
q
ZT-Bin(q, m)
0 < q < 1, m N
1q
(m + 1) 1q
q
q
ZM-Bin(q, m)
0 < q < 1, m N
1q
(m + 1) 1q
Log()
>0
1+
1+
1+
ZM-Log()
>0
1+
i. ZT: Cero truncada. ZM: Cero modificada.
ii. Arbitrario en [0, 1). Con p0 = 0, se obtiene la versin ZT.
p0
e
0
(ii)
(1 + )r
0
(ii)
(1 + )1
0
(ii)
(1 q)m
0
(ii)
0
(ii)
La distribucin Log () tiene la ventaja de depender de slo un parmetro en lugar de los dos necesarios para la BN (, r), y sirve para describir
el nmero de especies de plantas encontrado en cuadrados de diferentes tamaos de terrenos, la distribucin de parsitos por anfitrin, aplicaciones a
problemas de control de inventario en la industria siderrgica y la distribucin
del nmero de artculos de un producto ordenados por un comprador en un
periodo dado de tiempo; [4], p. 316.
z =
k=0
k
P h k+r1i k
z , as que los coeficientes de z k son precisamente su fp:
k=1
k
12
C. Escalante
(14)
(15)
siempre que la P
fgp PX exista. La fd de la v.a. compuesta S es FS (x) =
n
Pr(S x) =
n=0 pn FX (x), donde la la nsima convolucin de FX es
n
FX (x) = Pr (X1 + + Xn x); [1, 2].
Si N sigue un modelo Poisson (N P oi ()), se dice que S tiene distribucin compuesta de Poisson, modelo de capital importancia en el estudio del
problema clsico de la ruina de un asegurador ([9, 6, 2]) y en otras aplicaciones
de la probabilidad; [8, 10].
Respecto de (14), la fp {pk } de N se denomina distribucin primaria:
pk = Pr(N = k); la fp {fk } de X se denomina distribucin secundaria4 :
fk = Pr(X = k) y la fp de S es {gk }: gk = Pr(S = k).
Toda distribucin ZM es una distribucin compuesta. En efecto, consideremos la distribucin primaria de Bernoulli, de modo que PN (z) = 1 q + qz.
Entonces, por
(15), PS (z) = (1 q)1+q PX (z), que coincide con (7) cuando
M
(1 p0 ).
q = 1 p0
El modelo descrito por la v.a. compuesta S tiene gran variedad de aplicaciones; por ejemplo, sirve para describir la demanda de un artculo determinado en un lapso dado. Dos importantes usos en teora de riesgos son: Como
modelo de frecuencia, las v.as. Xj son discretas, y S corresponde al nmero
total de prdidas resultantes de la suma de un nmero N aleatorio de accidentes en los que en cada uno ocurren X eventos. Por ejemplo, el nmero
total de torres de transmisin de energa elctrica afectadas por atentados
terroristas en un lapso dado: N es el nmero de atentados y Xj el nmero de
torres afectadas en el j-simo ataque. En [2, 4] se prueba que si N P oi (1 )
y X P oi (2 ), entonces S sigue
Poisson-Poisson o Neyman
la distribucin
tipo A con fgp P (z) = exp 1 e2 (z1) 1 ; como modelo de riesgo colectivo, la v.a. N describe el nmero de reclamos o prdidas acaecidos en un
lapso de estudio [0, t] (un ao, por ejemplo), mientras que la v.a. Xj representa la cuanta de la jsima prdida individual, as que las v.as. Xj pueden
ser continuas; [9, 6, 2, 7, 1].
La distribucin de Neyman tipo A ha sido usada para describir distribuciones de plantas, especialmente cuando la reproduccin de especies se da por
4
13
gk =
[p1 (a + b) p0 ] fk +
k
P
j=1
1 af0
a+
bj
k
fj gkj
, k = 1, 2, . . .
(16)
n=2
=a
(z)
PS (z)p1 PX
}|
n=2
En consecuencia, con k = n 1,
n=2
PS (z) p1 PX (z)
X
X
[PX (z)]k
PX (z) + (a + b) PX (z)
pk [PX (z)]k
= aPX (z)
kpk
PX (z)
k=1
k=1
aPS
(z) PX (z) + (a +
b) PX
5
En [7, 2, 1] se estudian algunas soluciones analticas particulares para la fd FS (x)
obtenidas por mtodos diferentes a los usados en este artculo.
14
C. Escalante
k
X
j=0
= akf0 gk + a
(k j) fj gkj + (a + b)
k
X
j=1
= akf0 gk + ak
k
X
j=1
(k j) fj gkj + (a + b)
k
X
fj gkj + b
k
X
j=1
j=1
k
X
j=1
15
donde = eh .
Es posible generalizar el mtodo expuesto para obtener la clase (a, b; ),
con modificaciones arbitrarias de los valores iniciales de la fp clase (a, b; 0).
Por ejemplo, en [3] se estudia el interesante caso de la versin truncada de la
clase (a, b; ). Antes de este trabajo, se presentaron, durante las dcadas del
80 y 90, varias generalizaciones del algoritmo de Panjer.
Momentos de una v.a. compuesta con distribucin primaria clase
(a, b; 1)
En [1] se deducen los tres primeros momentos de la v.a. compuesta S en (14):
E (S) = S = N X = E (N ) E (X)
2
V ar (S) = S2 = N X2 + N 2 X
h
3
3 i
E S S
= S3 = N X3 + 3N 2 X X2 + N 3 X
donde el primer subndice indica la variable y el segundo (de los que lo tienen)
el orden del momento.
A continuacin se presenta un teorema general para los momentos de
S cuando la distribucin primaria es clase (a, b; 1), que incluye, como caso
particular ([9]), a la clase (a, b; 0), pues p1 = (a + b)p0 .
Teorema 4.3. Si la distribucin primaria {pk } de S en (14) es clase (a, b; 1),
entonces, para n N,
E (S n ) =
[p1 (a + b) p0 ] E (X n ) +
a+
n
P
n
j
j=1
1a
bj
n
E X j E S nj
(1 af0 ) E (S ) = (1 af0 )
=
m=1
mn
m=0
mn f m +
m=1
= [p1 (a + b) p0 ] E (X n ) +
|
{z
}
XXh
k=1 l=0
m gm =
[p1 (a + b) p0 ] fm +
= [p1 (a + b) p0 ]
=+
m
X
k=1
m
XX
m=1 k=1
XX
k=1 m=k
m=1
bk
a+
m
mn (1 af0 ) gm
fk gmk , de (16)
amn + bkmn1 fk gmk
amn + bkmn1 fk gmk
i
a (l + k)n + bk (l + k)n1 fk gl
(18)
16
C. Escalante
En consecuencia,
E (S n ) = af0 E (S n ) + (1 af0 ) E (S n )
h
X
i
X
X
n
a (l + k)n + bk (l + k)n1 fk gl
l gl + +
= af0
=+
l=0
h
X
X
k=1 l=0
i
a (l + k)n + bk (l + k)n1 fk gl
k=0 l=0
X
=+a
=+a
(k + l)n fk gl + b
k=0 l=0
X
X
n
X
k=0 l=0 j=0
+b
=+a
n
X
j=0
k (k + l)n1 fk gl
k=0 l=0
n nj j
l k fk gl
j
X
n1
X
X n 1
k=0 l=0 j=0
ln1j kj+1 fk gl
n
E X j E S nj
j
n1
X
n1
E X j+1 E S n1j
j
j=0
n
X
n
n
E X j E S nj
= + aE (S ) + a
j
j=1
n
X
n1
+b
E X j E S nj
j
+b
j=1
17
[2] Klugman, Stuart A.; Panjer, Harry H.; Willmot, Gordon E.(1998). Loss
Models: From Data to Decisions. Wiley.
[3] Hess, K.; Liewald, A.; Schmidt, K. An extension of Panjers recursion.
Astin Bulletin, Vol. 32, No 2. (2002).
[4] Johnson, Norman L.; Kemp, Adriene W.; Kotz, Samuel. Univariate Discrete Distributions. Wiley. Third Edition.(2005).
[5] Mood, A.; Graybill, F.; Boes, D. Introduction to the Theory of Statistics.
McGrawHill. Third Edition. (1974).
[6] Panjer, Harry H.; Willmot, Gordon E. Insurance Risk Models. Society
of Actuaries. (1992).
[7] Rolsky, T.; Schmidli, H.; Schmidt, V.; Teugels, J. Stochastic Processes
for Insurance and Finance. Wiley. (1999).
[8] Ross, Sheldon M. Stochastic Processes. Wiley. Second Edition. (1996).
[9] Schmidt, Klaus D. Lectures on risk theory. Technische Universitt Dresden. (1995).
[10] Tijms, Henc C. A First Course in Stochastic Models. Wiley. (2003).
[11] Willmot, Gordon E. Sundt and Jewells family of discrete distributions.
Astin Bulletin, Vol. 18, No 1. (1988).
Direccin del autor: Csar Escalante Coterio, Delima Marsh S.A. Ingeniera de Riesgos, Cesar.E.Escalante@Marsh.com