Vol.

XIV No 2 Diciembre (2006)

Matemticas: 317

Matemticas:
Enseanza Universitaria
c
Escuela
Regional de Matemticas
Universidad del Valle - Colombia

Distribuciones clase (a, b) y algoritmo de Panjer

Csar Escalante Coterio
Recibido Jul. 28, 2005

Aceptado Abr. 18, 2006

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

Una variable aleatoria (v.a.) N es discreta si existe un subconjunto numerable

de reales A = {n0 , n1 , . . .} tal que Pr (N A) = 1. En tal caso se define la
funcin de probabilidad (fp) p : A [0, 1] tal que p (nk ) = Pr (N = nk ). La
pareja (A, p) brinda una descripcin probabilstica completa de N .
Una subclase importante de variables aleatorias (v.as.) discretas no negativas la constituyen los ltices, en los que A hN0 , esto es, nk = hk para algn
real h > 0, donde N0 = {0, 1, . . .}. La fp de N se escribe {pk } = {pk }kN0 ,
con pk = Pr (N = nk ), y se dice que es un ltice o distribucin aritmtica.
En teora de riesgos los ltices con h = 1, o v.as. de conteo, se usan
para el modelado de la frecuencia de prdidas (o reclamos1 ), y se les llama
1

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

Tabla 1: Distribuciones Poisson, binomial negativa y binomial

Distribucin
P oi()
BN (, r)
Geo()i

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

distribuciones de frecuencia o modelos de nmero de prdidas.

La funcin generadora de probabilidades
(fgp) (o transformada z) de N


P
N
(o de su fp) es PN (z) = E z
= k=0 pk z k , |z| 1 con z C, aunque
usualmente sea real.
Un entero no negativo n puede considerarse una v.a. discreta degenerada
N con fp degenerada n = I{N = n} donde la funcin indicadora I{N = n}
es igual a 1 si N = n y 0 en otros casos. La fgp de n es P (z) = z n ; en
particular, la fgp de 0 es P (z) = 1.
Distribuciones de frecuencia de prdidas importantes en teora de riesgos
son las de Poisson P oi(), > 0, binomial Bin(q, m), 0 < q < 1, m
entero positivo y binomial negativa BN (, r), > 0, r > 0 incluyendo
su caso particular geomtrica Geo() cuando r = 1. La Tabla 1 presenta
algunas caractersticas de estas distribuciones. La varianza es igual a la media
en el modelo P oi(), mayor en el BN (, r) y menor en el Bin(q, m).
El presente artculo brinda una visin general de estas distribuciones (denominadas clase (a, b; 0)) junto con algunas de sus extensiones y casos lmites,
as como aplicaciones a modelos compuestos de nmero de prdidas y al modelo de riesgo colectivo a travs del algoritmo de Panjer ; [6, 9, 2, 1].
La distribucin BN (, r) es de mayor flexibilidad que la P oi() y sus
aplicaciones van desde la descripcin de estadsticas de accidentes hasta su
uso en procesos de nacimiento y muerte, pasando por su empleo en psicologa,
descripcin de retrasos en series de tiempo en economa, investigacin de mercado y los gastos de los consumidores, as como aplicaciones en confiabilidad,
medicina, ecologa y en teora de inventarios; [4], p. 232.
2

Distribuciones clase (a, b; 0)

Definicin 2.1. Una distribucin de frecuencia {pk } es un miembro de la

clase (a, b; 0) si existen las constantes a y b tales que
b
pk
=a+ ,
pk1
k

k = 1, 2, 3, . . .

(1)

En la Tabla 2 se especifican, para cada una de estas distribuciones, los

valores de las constantes a y b y se indican los respectivos valores iniciales

Distribuciones clase (a, b) y algoritmo de Panjer

Tabla 2: Distribuciones clase (a, b; 0)

Distribucin
P oi()
BN (, r)
Geo()
Bin(q, m)

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

Semiplano no permit ido

Figura 1: Distribuciones clase (a, b; 0)

p0 = Pr(N = 0) para la frmula recursiva (1).

Teorema 2.2. Las nicas ditribuciones no degeneradas cuyas funciones
de probabilidad verifican la frmula recursiva (1) son P oi(), Bin(q, m) y
BN (, r);[6].
Demostracin. Nos apoyaremos en la Tabla 2 y en la Figura 1 para guiar la
demostracin. Primero analizaremos las partes de R2 correspondientes a las
distribuciones (a, b; 0): Las semirrectas de la forma b = (m + 1)a con a < 0
y m = 1, 2, . . . corresponden a la distribucin Bin(q, m). El semieje vertical
positivo (a = 0, b = ) corresponde a la distribucin de P oi(). La regin
b > a y 0 < a < 1 corresponde a la distribucin BN (, r). Cuando b = 0,
se obtiene el caso particular de la Geo().
Las dems partes del plano no contienen fp de la forma (1): Es claro que
en el semiplano b < a no es posible tener valores fijos de a y b que generen
funciones de probabilidad de la forma (1): Para a < 0 y b > 0, todos los
valores de pk , para k N, seran negativos, igual que para a < 0 y b < 0, y,

C. Escalante

para a > 0 y b < 0, hasta cierto valor entero k = M1 se obtendran valores

negativos para pk .
Consideremos ahora la regin disconexa b a y a < 0 que excluye las
semirrectas de la forma b = (m + 1)a con m = 1, 2, . . . ya analizadas. La
semirrecta b = a (con a < 0) corresponde a la fp degenerada 0 , pues para
k N, pk = (a + b/k) pk1 = 0. Para cualquier otro punto de esta regin se
verifica (1) con a < 0 y b fijos. As, a partir de cierto valor entero k = M2 se
obtendran valores negativos para pk , esto es, no existen en esta regin fp de
la forma (1).
Por ltimo, para terminar de cubrir el plano R2 , estudiemos lo que sucede
en la regin a 1 y b a: Aqu a + b/n a a/n = a (n 1) /n
(n 1) /n, pues a > 1. Por tal razn se verifica,


1
b
p1 p1
p2 = a +
2
2


b
2 1
1
2
p3 = a +
p2 p2 p1 = p1
3
3
3 2
3


b
3 1
1
3
p4 = a +
p3 p3 p1 = p1
4
4
4 3
4
..
.


1
b
pn p1
pn = a +
n
n


P
1
1
y en consecuencia
k=1 pk p1 1 + 2 + 3 + diverge, as que no existe
fp de la forma (1) en esta regin. Por consiguiente, las nicas distribuciones
no degeneradas que satisfacen (1) son P oi(), Bin(q, m) y BN (, r).
La frmula (1) puede expresarse k pk /pk1 = ak + b, k N, esto es,
la cantidad kpk /pk1 es una funcin lineal en k con pendiente a. Como se
observa en la Tabla 2, la pendiente a es nula para P oi(), positiva para la
BN (, r) y negativa para la Bin(q, m).
En la siguiente seccin ampliaremos la lista de distribuciones discutidas
hasta el momento, a travs de construcciones de modelos ms generales relacionados con las mismas.
3

Distribuciones clase (a, b; 1)

Examinaremos el problema de un bajo ajuste de la distribucin en los menores

valores de la v.a. de conteo N , en particular en p0 = Pr (N = 0). En seguros p0
es la probabilidad de no tener prdidas durante el periodo en estudio. Cuando
Pr (N 1) es baja, p0 tiene obviamente un gran valor, y en consecuencia es
de importancia capital su evaluacin precisa. En contraste, existen situaciones
en las que la probabilidad de no sufrir prdidas en un lapso dado es casi nula,

Distribuciones clase (a, b) y algoritmo de Panjer

como sucede, por ejemplo, en el programa de seguros de autos de una gran

flota de vehculos o en una pliza colectiva de salud.
Definicin 3.1. Una distribucin de frecuencia {pk } es un miembro de la
clase (a, b; 1) si existen las constantes a y b tales que
pk
b
=a+ ,
pk1
k

k = 2, 3, 4, . . .

(2)

La nica diferencia con las distribuciones clase (a, b; 0) es que en stas la

recursin inicia en k = 1, mientras que en la clase (a, b; 1) comienza en k = 2,
y es claro que todo miembro clase (a, b; 0) lo es tambin de la clase (a, b; 1).
Puede suceder que la forma (no las probabilidades) de una distribucin
coincida, salvo en cero, con la de un ltice clase (a, b; 0) con fp {pk }. Una
solucin factible para ajustar los datos en tal situacin es construir una disM
tribucin Cero-Modificada (ZM) {pM
k } con p0 [0, 1) valor arbitrario
y pM
es una constante
tal que
k P= cpk , k N, donde
P de proporcionalidad
P c M
M + c (1 p ). Esto
M +c
M = pM +
=
p
p
=
p
p
1=
p
0
0
0
k=1 k
k=1 k
k=0 k

 0
es, c = 1 pM
(1 p0 ) y de esta manera
0
pM
k =

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)

donde P (z) es la fgp de {pk }, perteneciente a la clase (a, b; 0). Con pM

0 =

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

que corresponde al promedio ponderado de la fgp de 0 y la fgp del miembro

de la clase (a, b; 0).
Clculo de P T , fgp de {pTk } De (7), con pM
0 = 0,
P T (z) =

P (z) p0
1 p0

(8)

A partir de (8) se puede expresar P M , segn (6), en la forma

M
T
P M (z) = pM
0 + (1 p0 )P (z)

(9)

As, la fgp de la distribucin ZM es tambin el promedio ponderado de la

fgp de 0 y la fgp de la distribucin ZT correspondiente al ltice de la clase
(a, b; 0).
Distribucin binomial negativa truncada extendida, ETNB
A partir de la distribucin ZT-BN (, r) es posible (a travs de la ampliacin
del espacio de parmetros), obtener una nueva distribucin de la clase (a, b; 1),
a saber: la Binomial Negativa Truncada Extendida (ETNB2 ). El espacio de
los parmetros a y b se ampla para admitir una extensin que incluya casos
en los que 1 < r < 0. As, los parmetros de la distribucin ETNB de la
clase (a, b; 1) son entonces > 0 y r > 1, con r 6= 0.
Justifiquemos por qu la ETNB es una distribucin de probabilidad: Por
definicin pT0 = 0. De (4),
pT1 =

r
p1
=
r+1
1 p0
(1 + )
(1 + )

(10)

En el nuevo espacio de parmetros, pT1 (0, 1). En efecto3 , sea f (r) =

(1 + )r+1 (1 + ) r. As, f (r) = (1 + )r+1 ln (1 + ) y f (r) =
(1 + )r+1 ln2 (1 + ). Como > 0, entonces f (r) > 0 para todo r R,
y en consecuencia f es convexa n
en todo su dominio
o. R. Por otra parte,
1

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

Extended Truncated Negative Binomial. Distribucin introducida por S. Engen en 1974,

trabajo citado en [11, 4].
3
El intervalo de inters para el parmetro r es (1, 0), pues para r > 0 estaramos en la
distribucin binomial negativa, donde no habra nada qu probar.

Distribuciones clase (a, b) y algoritmo de Panjer

Para la distribucin ETNB, a = /(1 + ) y b = (r 1) a, con > 0, r >

1, r 6= 0. As, para k = 2, 3, . . .,



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 . . .

La fgp de la ETNB se obtiene tambin con la ayuda de (12):

P (z) =

[1 (z 1)]r (1 + )r
, > 0, r > 1, r 6= 0.
1 (1 + )r

(13)

La media y la varianza de una v.a. N con distribucin ETNB son, respectivamente:



r (1 + ) (1 + + r) (1 + )r
r
, V ar (N ) =
E (N ) =

2
1 (1 + )r
1 (1 + )r

Distribucin logartmica, caso lmite de la ETNB

Estudiemos el lmite de la ETNB cuando r 0. La distribucin obtenida es

la logartmica Log() y su fp se deduce a partir de (11) cuando r 0:
pTk = pT1

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

en serie de Taylor de ln(1 x), obtenemos pT1 1+

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 + )

La media y la varianza de una v.a. N que sigue la distribucin logartmica

son, respectivamente:
E (N ) =

, V ar (N ) =
ln (1 + )

h
1+

ln(1+)

ln (1 + )

La distribucin ZM-Log () se crea asignando un valor pM

0 (0, 1) y, a partir
de (5), deduciendo las otras probabilidades.

Distribuciones clase (a, b) y algoritmo de Panjer

11

Tabla 3: Distribuciones clase (a, b; 1)

Distribucin(i)
Parmetros
a
b
P oi()
>0
0

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.

Distribucin de Sibuya, caso lmite de la ETNB

En 1979 M. Sibuya introdujo la distribucin homnima. La fgp de otra distribucin lmite de la ETNB (con 1 < r < 0) se obtiene de (13) cuando
, y es P (z) = 1 (1 z)r . Se denomina distribucin de Sibuya, no
tiene momentos finitos (su media es P (1) = ) y por tal razn carece de
inters como modelo de frecuencia de prdidas, pues como se sabe, la prima
pura del seguro se obtiene del producto de la frecuencia media
la severiP por
k+r1
k
dad media.
La
fp
se
infiere
de
su
fgp
y
(12):
P
(z)
=
1

z =
k=0
k
P h k+r1
i k
z , as que los coeficientes de z k son precisamente su fp:
k=1
k

pTk = (k + r)/[k! (r)], k N.

La Tabla 3 contiene todas las distribuciones clase (a, b; 1). En [6] se
demuestra que ninguna otra distribucin no degenerada pertenece a esta amplia clase. Una distribucin no perteneciente a la clase (a, b; 1), usada como modelo
 de frecuencia, es la distribucin zeta; es ZT y su fp es
T
(+1)
pk = k
( + 1), > 0, k N. El denominador es la funcin
P (+1)
zeta, que puede avaluarse como ( + 1) =
. Se observa que
k=1 k


b
k1 +1
6= a + k , a, b, , k.
pk /pk1 = k

12

C. Escalante

Variables aleatorias compuestas

Una v.a. compuesta S = SN es una suma aleatoria

S0 = 0, SN = X1 + X2 + + XN , N 1

(14)

donde las v.as. Xj son independientes e idnticamente distribuidas con funcin

de distribucin (fd) comn FX (x) = Pr (Xj x), y la v.a. de conteo N es
independiente de las v.as. Xj . La fgp de S es
PS (z) = PN [PX (z)] ,

(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

Cuando X es discreta o es su versin discretizada.

Distribuciones clase (a, b) y algoritmo de Panjer

13

grupos. Otro modelo concreto descrito por S es la distribucin Plya-Aeppli,

que se obtiene cuando N P oi () y X ZT-Geo (); [4, 2].
Algoritmo de Panjer
No existe solucin analtica general para la fd FS (x)5 . Empero, cuando N es
de clase (a, b) es posible hallar la distribucin de probabilidad de S a travs
del algoritmo de Panjer.
Presentamos los casos en los que X es discreta, donde se obtiene la distribucin exacta de S, o continua en versin discretizada, donde la distribucin
obtenida para S es aproximada. En ambos casos la serie que define la fgp
converge para |z| 1 y por tanto existe PX . El caso correspondiente a X
continua puede consultarse en [6, 7]; es posible que la distribucin de X tenga cola pesada, es decir, que la funcin generadora de momentos de X no
tenga forma cerrada, lo que exige un tratamiento matemtico diferente para
la distribucin de S; [7].
Teorema 4.1 (Algoritmo de Panjer). Si la distribucin primaria en (14) es
un miembro de la clase (a, b; 1), entonces g0 = PN (f0 ) y

gk =

[p1 (a + b) p0 ] fk +

k 
P

j=1

1 af0

a+

bj
k

fj gkj
, k = 1, 2, . . .

(16)

Demostracin. De (15), g0 = Pr (S = 0) = PS (0) = PN [PX (0)] = PN (f0 ).

De (2) con npn = [a (n 1) + (a + b)] pn1 , multiplicandoPen cada lado por
n
[PX (z)]n1 PX (z), sumando en n y dado que PS (z) =
n=0 pn [PX (z)] ,
obtenemos
z

n=2

=a

(z)
PS (z)p1 PX

}|

npn [PX (z)]n1 PX (z)

n=2

(n 1) pn1 [PX (z)]n1 PX (z) + (a + b)

En consecuencia, con k = n 1,

n=2

pn1 [PX (z)]n1 PX (z)

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

(z) [PS (z) p0 ] .

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

Expandiendo ambos miembros en potencias de z e igualando los coeficientes

de z k1 , obtenemos
kgk p1 kfk = a

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

jfj gkj kp0 (a + b) fk

k
X
j=1

jfj gkj kp0 (a + b) fk

jfj gkj kp0 (a + b) fk .

Y (16) se obtiene al despejar gk de la ecuacin anterior.

Corolario 4.2 (Algoritmo de Panjer). Si la distribucin primaria en (14) es
un miembro de la clase (a, b; 0), entonces g0 = PN (f0 ) y

k 
X
1
bj
gk =
fj gkj ; k = 1, 2, . . .
(17)
a+
1 af0
k
j=1

Demostracin. De (16), con p1 = (a + b) p0 , pues en este caso {pk } es clase

(a, b; 0), se obtiene (17).

Un caso particular de (17) se obtiene cuando {pk } es P oi(). As, la

forma recursiva de calcular la fp
P de una v.a. compuesta de Poisson es, g0 =
exp [ (1 f0 )] y gk = (/k) kj=1 jfj gkj , k N, que fue presentada por
R. M. Adelson en 1966; [10, 8].
En el modelo de riesgo colectivo, en los casos en los que X tiene densidad
de probabilidad, es posible utilizar el algoritmo de Panjer como aproximacin,
a travs de la versin discretizada de X ([2]), que puede ser (sin excluir otra
posibilidad) considerada como el ltice
con eventos {X = jh}, donde h >

0
y j N0 , esto es, con f0 = Pr X < h2 y fj = Pr jh h2 X < jh + h2 =




FX jh + h2 FX jh h2 para j N. Un ejemplo que muestra el parentesco
entre las distribuciones exponencial y geomtrica se logra al discretizar la
primera. Usando este mtodo de discretizacin, se obtiene la distribucin ZMGeomtrica a partir de la distribucin exponencial, ambas con la propiedad de
prdida de memoria, esto es, Pr ( X > t + s| X > t) = Pr (X > s) , s, t 0.


h
En efecto, FX (x) = 1 ex , x > 0, con lo cual, f0 = FX h2 = 1 e 2 , y,
para j = 1, 2, . . .,
 
 


1
1
fj = FX
h FX
h
j+
j
2
2


h
1
1
= 1 eh(j+ 2 ) 1 + eh(j 2 ) = e 2 1 eh eh(j1)
= (1 f0 ) (1 ) j1

15

Distribuciones clase (a, b) y algoritmo de Panjer

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

siempre que E(X j ), con j = 1, 2, . . . , n, exista.

Demostracin.
n

(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

de donde se obtiene (18).

La frmula recursiva (18) es una generalizacin de la identidad demostrada
en [8], p. 85, para una v.a. compuesta de Poisson.
En [4] se pueden consultar otras aplicaciones de las distribuciones aqu
estudiadas, su gnesis, generalizaciones mayores y una extensa bibliografa.
Agradecimientos. El autor agradece las importantes observaciones y sugerencias hechas por los rbitros del artculo.
Referencias
[1] Escalante, C.; Arango, G. Aspectos bsicos del modelo de riesgo colectivo. Matemticas: Enseanza Universitaria. Vol. XII, No 2. (2004).

Distribuciones clase (a, b) y algoritmo de Panjer

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