Teoría Del Riesgo

Introducci
on a la
teora del riesgo
Luis Rincon
Departamento de Matematicas
Facultad de Ciencias UNAM
Circuito Exterior de CU
04510 Mexico DF
Enero 2012
Pr
ologo
El presente texto contiene los temas del curso semestral de teora del riesgo
que el autor ha impartido a estudiantes de u
ltimo semestre de la carrera de
actuara en la Facultad de Ciencias de la UNAM. Contiene el material b
asico
para un curso introductorio a ciertos temas de la teora del riesgo aplicada
a seguros, e incluye una coleccion de ejercicios. La mayor parte del material
que se presenta aqu fue compilado de las fuentes que aparecen al final del
texto. Espero que este material sea de alguna ayuda para los numerosos
alumnos de las distintas escuelas de actuara y de matem
aticas aplicadas de
pases de habla hispana, y contribuya tambien a apoyar el trabajo docente
de sus profesores. El texto fue escrito en el sistema LATEX, las ilustraciones
fueron elaboradas usando el paquete pstricks. La u
ltima versi
on disponible
de este texto en su formato digital puede encontrarse en la p
agina web
http://www.matematicas.unam.mx/lars
Agradezco sinceramente los comentarios, correcciones y sugerencias que he
recibido por parte de alumnos y profesores para mejorar este material. Y
agradezco tambien el apoyo del proyecto PAPIME PE103111 a traves del
cual pudo ser posible el desarrollo y la edici
on de este texto. Toda comunicaci
on puede enviarse a la cuenta de correo que aparece abajo.
Luis Rincon
Enero 2012
Ciudad Universitaria UNAM
lars@fciencias.unam.mx
Contenido
1. Modelo individual vs modelo
1.1. Introducci
on . . . . . . . . .
1.2. Modelo individual . . . . .
1.3. Formula de De Pril . . . . .
1.4. Modelo colectivo . . . . . .
1.5. Modelo colectivo Poisson . .
1.6. Ejercicios . . . . . . . . . .
colectivo
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
. 1
. 3
. 8
. 16
. 23
. 30
2. F
ormula de Panjer y m
etodos de aproximaci
on
2.1. Formula de Panjer . . . . . . . . . . . . . . . . .
2.2. Aproximacion normal . . . . . . . . . . . . . . .
2.3. Aproximacion gamma trasladada . . . . . . . . .
2.4. Aproximacion de Edgeworth . . . . . . . . . . . .
2.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
49
50
51
55
.
.
.
.
61
61
69
71
72
3. Principios para el c
alculo de primas
3.1. Principios generales . . . . . . . . . .
3.2. Propiedades . . . . . . . . . . . . . .
3.3. Primas y funciones de utilidad . . .
3.4. Ejercicios . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4. Reaseguro
79
4.1. Reaseguro proporcional . . . . . . . . . . . . . . . . . . . . . 81
4.2. Reaseguro no proporcional . . . . . . . . . . . . . . . . . . . . 82
4.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
iii
iv
Contenido
5. Teora de la credibilidad
95
5.1. Credibilidad cl
asica . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2. Credibilidad Bayesiana . . . . . . . . . . . . . . . . . . . . . . 101
5.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6. Procesos estoc
asticos
6.1. Filtraciones y tiempos de paro
6.2. Cadenas de Markov . . . . . .
6.3. Proceso de Poisson . . . . . . .
6.4. Martingalas . . . . . . . . . . .
6.5. Ejercicios . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
109
110
110
111
112
113
7. Teora de la ruina
7.1. Un proceso de riesgo a tiempo discreto
7.2. Modelo cl
asico de Cramer-Lundberg .
7.3. Probabilidad de ruina . . . . . . . . .
7.4. Severidad de la ruina . . . . . . . . . .
7.5. El coeficiente de ajuste . . . . . . . . .
7.6. Aproximacion de De Vylder . . . . . .
7.7. Formula de Pollaczek-Khinchin . . . .
7.8. Ejercicios . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
117
127
130
134
138
149
151
154
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A. Formulario y resultados varios
157
Bibliografa
179
Indice analtico
181
Captulo 1
Modelo individual vs
modelo colectivo
En este captulo se presenta una introducci
on al esquema del seguro y al
concepto general de riesgo. Se presentan adem
as las perspectivas individual
y colectiva para modelar el riesgo correspondiente al conjunto de reclamaciones que afronta una compa
na aseguradora. Se estudian tambien algunas
propiedades y relaciones entre estas dos perspectivas. En el resto del texto
se adopta el modelo colectivo como modelo fundamental.
1.1.
Introducci
on
El termino riesgo tiene muchas acepciones dependiendo del area de estudio

que se trate, y en terminos imprecisos puede definirse como la posibilidad
de experimentar ciertos eventos de interes y las consecuencias derivadas de
dichos eventos. Los riesgos pueden tener un sentido positivo o negativo, pero
en general tienen una connotaci
on de perdida. El objetivo es identificar los
riesgos, ponderarlos con base en sus consecuencias, decidir la aceptaci
on o
no de los mismos, y tomar provecho de su existencia. Por lo tanto no se
trata necesariamente de evitarlos o de protegerse contra ellos. El quehacer
cotidiano del hombre, ya sea en el ambito personal o profesional, implica necesariamente y a cada momento hacer frente a ciertos riesgos, y ello
puede tener consecuencias no deseadas pero tambien puede ofrecer oportunidades. Por ejemplo, el comprar un boleto de lotera conlleva el riesgo de
1
1. Modelo individual vs modelo colectivo
perder el importe pagado por el boleto, pero al mismo tiempo la posibilidad de ganar una gran cantidad de dinero. Cada uno de nosotros pondera
estas dos posibilidades de manera distinta y toma una decisi
on al respecto.
Otro ejemplo en donde es evidente la evaluaci
on (a veces inconsciente) de
los riesgos es cuando una persona decide viajar en avion, en este caso se
considera primordial la rapidez y comodidad del viaje, y se desde
na convenientemente cualquier posibilidad de accidente. Como hemos mencionado,
el termino riesgo se define de manera distinta dependiendo de la disciplina
de estudio. En ingeniera, por ejemplo, puede definirse el riesgo como el
producto de la probabilidad de que un evento no deseable ocurra y el da
no
esperado debido a la ocurrencia del evento, es decir, Riesgo=(Probabilidad
nos como consecuencia del accidente). En finanzas,
de un accidente)(Da
puede definirse el riesgo en terminos de la variaci
on o volatilidad de una inversi
on, o tambien como la posible perdida en una inversi
on; en general, se
considera que una inversi
on en la bolsa de valores (tasa de interes variable)
es m
as riesgosa comparada con una inversi
on en un banco (tasa de interes
fija). Finalmente, en seguros, el riesgo puede definirse como el monto de las
reclamaciones totales de los asegurados. Veremos a continuaci
on con m
as
detalle este u
ltimo caso pues es al que est
an dirigidos principalmente los
modelos matem
aticos que estudiaremos.
A grandes rasgos, la forma en la que opera un seguro es la siguiente: un grupo
de personas reconocen que est
an expuestas a sufrir alg
un tipo de siniestro
en sus bienes o en sus personas, y que dichos siniestros pueden causarles consecuencias irreparables como la perdida de sus vidas, o bien perdidas
econ
omicas considerables. Al contratar un seguro (es decir, firmar una p
oliza
de seguro), cada una de estas personas paga por adelantado una cantidad de
dinero (generalmente peque
na) llamada prima a una compa
na aseguradora,
quien se compromete a resarcir monetariamente a todas aquellas personas
aseguradas que sufrieron alg
un siniestro durante el tiempo de vigencia del
seguro y seg
un lo pactado en la p
oliza del seguro. De esta manera, aunque no
se conozca de manera individual exactamente a las personas que sufrir
an un
siniestro, el capital obtenido de manera colectiva debe ser suficiente para solventar los gastos de los siniestros individuales que se presentan. Es claro que
bajo este mecanismo las perdidas econ
omicas del colectivo se distribuyen en
todos y cada uno de los individuos logrando as garantizar la sobrevivencia
financiera de cada uno de ellos, en otras palabras, mediante el contrato de
1.2. Modelo individual
un seguro se logran disminuir los da

nos econ
omicos de aquellas personas que
tuvieron la mala fortuna de sufrir un siniestro. Naturalmente, para que tal
mecanismo de asistencia colectiva sea factible, es necesario que el n
umero de
asegurados sea suficientemente grande, y que se establezcan con precision
las caractersticas de los siniestros a considerar. Es claro tambien que, tanto
el n
umero de siniestros, como el monto de las reclamaciones, as como los
tiempos en los que se efect
uan las reclamaciones son variables desconocidas,
y que los modelos de la teora de la probabilidad podran ser de alguna ayuda en su estudio. En efecto, en las siguientes p
aginas estudiaremos algunos
modelos matem
aticos que han ayudado a entender y controlar el aspecto
aleatorio de ciertas variables relevantes en los seguros.
1.2.
Modelo individual
Suponga que se tiene un portafolio de n p

olizas individuales de seguros
validas por un a
no como se muestra en la Figura 1.1.
P
oliza 1
P
oliza 2
.......
.......
.......
.......
.......
.......
.......
.......
P
oliza n
.......
.......
.......
.......
Figura 1.1
Sea pj la probabilidad de que el j-esimo asegurado no efect
ue ninguna reclamaci
on durante el tiempo de vigencia del seguro, y sea qj la probabilidad
de que se observe exactamente una reclamaci
on. Suponga que la igualdad
as de una reclapj qj 1 se cumple, ello significa que no puede haber m
maci
on por cada asegurado. Tal situaci
on puede corresponder, por ejemplo,
a los seguros de vida. Defina la variable aleatoria
Dj
1 si hay reclamaci
on en la p
oliza j,
0 si no hay reclamaci
on en la p
oliza j.
Claramente Dj tiene distribucion Bernoulli con par

ametro qj . El uso de la
letra D viene del termino en ingles Death. Observe que el n
umero total de
reclamaciones est
a dado por la variable aleatoria N D1 Dn . Ahora
suponga artificialmente que cada p

oliza efect
ua una reclamaci
on, y sea la
variable aleatoria Cj 0 el monto de la reclamaci
on efectuada por la p
oliza
j. Debido a que los siniestros pueden presentarse con caractersticas distintas
y ello puede derivar en distintos montos de reclamaci
on, consideraremos
de manera general a Cj no como una constante sino como una variable
aleatoria. La letra C proviene del termino en ingles Claim, que se traduce en
espa
nol como reclamaci
on. La verdadera reclamaci
on de la p
oliza j est
a dada
por el producto
Dj Cj
Cj
0
1,
si Dj 0.
si Dj
Observe que esta variable aleatoria puede ser mixta, es decir, no ser continua ni discreta. Vease la Figura 1.2 en donde se muestran posibles gr
aficas
de la funci
on de distribucion de esta variable aleatoria. De esta forma se
considera como datos en este modelo la coleccion de vectores aleatorios
pD1 , C1 q, . . . , pDn , Cnq, que supondremos independientes. Consideraremos
adem
as que las variables Dj y Cj tambien son independientes entre s.
Definici
on 1.1 El monto de reclamaciones agregadas, o tambien llamado
agregado de reclamaciones, en el modelo individual, es la variable aleatoria
S
Dj Cj .
(1.1)
j 1
Esta variable es el monto que afronta una compa

na aseguradora por concepto de reclamaciones durante el periodo completo del seguro. La ecuaci
on (1.1)
representa el modelo individual para una p
oliza de seguros de las caractersticas se
naladas. El modelo tiene este nombre pues supone conocer las
probabilidades de reclamaci
on y posible monto de reclamaci
on de todos y
cada uno de los asegurados de manera individual. Una posible desventaja
de este modelo es que presupone que el n
umero de asegurados en la cartera
se mantiene constante durante todo el tiempo de vigencia del seguro.
Desde el punto de vista matem
atico, y tambien desde la perspectiva del ne-
gocio del seguro, nuestro objetivo es conocer las caractersticas de la variable S, a quien llamaremos riesgo. Si Fj pxq denota la funcion de distribucion
del producto Dj Cj , entonces la funcion de distribucion F pxq del riesgo S
adquiere la siguiente expresi
on en terminos de convoluciones:
F pxq pF1 Fn qpxq.
Esta formula general y compacta es, sin embargo, un tanto difcil de calcular
y no la utilizaremos con frecuencia. Como primeros resultados generales se
presentan a continuaci
on algunas caractersticas de S. Denotaremos por
on de distribucion de Cj , y como es costumbre, cuando exisGj pxq la funci
on generadora de momentos de una variable X
ta, MX ptq denota la funci
cualquiera.
Proposici
on 1.1 Bajo la notaci
on e hip
otesis del modelo individual se
tienen los siguientes resultados.
1. E pS q
qj E pCj q.
j 1
n
2. VarpS q
r qj VarpCj q
qj pj E 2 pCj q s.
j 1
3. Fj pxq
"
qj pGj pxq 1q
1
0
4. MDj Cj ptq 1
5. MS ptq
r1
si x 0,
si x 0.
qj pMCj ptq 1q.

qj pMCj ptq 1q s.
j 1
Demostraci
on.
1. Por la hip
otesis de independencia,
E pS q
j 1
E pDj Cj q
j 1
E pDj qE pCj q
j 1
qj E pCj q.
2. Primeramente tenemos que

VarpDj Cj q

E pDj2 Cj2 q E 2 pDj Cj q

qj E pCj2 q qj2 E 2 pCj q
qj rVarpCj q
qj VarpCj q
E 2 pCj qs qj2 E 2 pCj q
q j p j E 2 pC j q.
Por lo tanto
VarpS q
VarpDj Cj q
j 1
r qj VarpCj q
q j p j E 2 pC j q s.
j 1
3. Para cualquier n
umero real x 0,
Fj pxq

P pDj Cj
xq
P pDj Cj x | Dj 0q P pDj 0q
P pDj Cj x | Dj 1q P pDj 1q
P p0 x | Dj 0q pj P pCj x | Dj 1q qj
pj qj Gj pxq
1 qj pGj pxq 1q.
4. Nuevamente condicionando sobre el valor de Dj ,

MDj Cj ptq

E petDj Cj q
E petDj Cj | Dj
0qP pDj 0q
E pe
| Dj 1qP pDj 1q
pj qj MC ptq
1 qj pMC ptq 1q.
tDj Cj
j
5. Esta igualdad se sigue directamente de la anterior usando la hip

otesis de
independencia.

Puede considerarse que la variable S tiene una distribucion binomial generalizada en el siguiente sentido: se tienen n ensayos independientes Bernoulli,
en donde la probabilidad de exito en el ensayo j es qj , y el valor asociado
Fj pxq
Fj pxq
1
b
bc
1 qj
b
b
bc
bc
1 qj
qj Gj pxq
G discreta
x
bc
(a)
qj Gj pxq
G continua
b
x
bc
(b)
Figura 1.2
al resultado exito no es 1 como en el esquema usual sino el monto Cj 0.
Puede comprobarse que cuando qj es constante p, y los montos Cj son todos
iguales a 1, la variable S tiene distribucion binpn, pq, y las formula generales
demostradas para S se reducen a las de esta distribucion. Al respecto vease
el ejercicio 15. Es tambien interesante observar que aunque inicialmente el
modelo individual de riesgo que hemos presentado puede aplicarse a esquemas de seguros en donde hay como m
aximo una reclamaci
on por p
oliza, esta
u
nica reclamaci
on puede considerarse como el monto total conformado por
la suma de varias posibles reclamaciones efectuadas por una p
oliza a lo largo
del periodo de vigencia del seguro. De este modo el modelo individual puede
tambien aplicarse al caso de reclamaciones m
ultiples. En cualquier caso, los
datos que deben tenerse o estimarse estadsticamente para aplicar el modelo
individual a una situaci
on real son el n
umero de asegurados n, las probabilidades de reclamaci
on q1 , q2 , . . . , qn , y las distribuciones de probabilidad de
los montos C1 , C2 , . . . , Cn .
Aproximaci
on normal
Cuando n es grande y el portafolio de asegurados es homogeneo en el sentido de que las variables Dj Cj son identicamente distribuidas con segundo
momento finito, puede usarse el teorema central del lmite para aproximar
la distribuci
on de S mediante la distribucion normal, es decir,
P pS
xq P p Sa E pS q xa E pS q q p xa E pS q q.

VarpS q
VarpS q
VarpS q
Esta aproximacion puede ser adecuada para ciertos riesgos pero tiene la
desventaja de que asigna una probabilidad positiva al intervalo p8, 0q,
lo cual no es consistente con el hecho de que S 0. Sin embargo, dado que la distribuci
on Np, 2 q se concentra principalmente en el intervalo
p 4, a 4q, cuando la esperanza y la varianza de S son tales que
E pS q 4 VarpS q 0, la probabilidad asignada a la parte negativa del eje
es realmente peque
na, ello alivia un poco el hecho de que esta distribucion
no tenga soporte en el intervalo r0, 8q. Tal vez la situaci
on m
as comprometedora sea que la funci
on de densidad normal decae muy r
apidamente pues
existen riesgos cuyas funciones de densidad no cumplen con tal caracterstica. Mas adelante mencionaremos esta propiedad de las distribuciones de los
riesgos en terminos de colas pesadas y ligeras.
En la siguiente secci
on encontraremos una forma recursiva para calcular
la funci
on de probabilidad de S cuando el monto de las reclamaciones se
modela mediante una variable aleatoria discreta.
1.3.
F
ormula de De Pril
Presentaremos a continuaci
on la formula de De Pril. Este resultado fue demostrado por Nelson De Pril en 1986 y proporciona una expresi
on exacta,
aunque recursiva, de la distribucion de probabilidad de un riesgo en el modelo individual [8]. La formula es bastante general aunque presupone que
las reclamaciones toman los valores en el conjunto t1, 2, . . . u. Este supuesto
no es realmente una restriccion fuerte pues en la pr
actica el pago de siniestros se realiza siempre usando alguna unidad monetaria. Para establecer
la formula de De Pril es necesario dividir el portafolio de n asegurados de
acuerdo a la tasa de mortalidad y la suma asegurada. Denotaremos por
nij al n
umero de asegurados que tienen probabilidad de reclamaci
on qj y
monto de reclamaci
on i, en donde i toma valores en t1, 2, . . . , I u, y j en
t1, 2, . . . , J u. De esta forma se tiene la tabla de la Figura 1.3 en donde la
suma de las entradas es n, es decir,
n
I
J

nij .
i 1j 1
Denotaremos por Yij el monto real reclamado por un asegurado cuya pro-
rmula de De Pril
1.3. Fo
Probabilidades de reclamaci
on
Monto
de la
reclamaci
on
q1
n11
n21
1
2

i

I
q2
n12
n22

qj

nij
nIj
qJ
n1J
n2J

niJ

nIJ
Figura 1.3
babilidad de reclamaci
on es qj , y posible monto reclamado i, es decir,
Yij
"
0
i
con probabilidad 1 qj ,
con probabilidad qj .
Teorema 1.1 (F
ormula de De Pril [i]) Sea nij el n
umero de p
olizas
cuyos asegurados tienen tasa de mortalidad qj y suma asegurada i. Suponga
que j 1, 2, . . . , J, e i 1, 2, . . . , I. Entonces las probabilidades gx
P pS xq, est
an dadas por
gx
g0

1
x
{
^
x I tx iu
gxik hpi, k q,
para x 1
i 1 k 1
I
J

p1 qj qn
ij
i 1 j 1
en donde
hpi, k q ip1q
k 1
j 1
Demostraci
on.
nij p
qj
1 qj
qk
La funcion generadora de probabilidad del monto recla-
10
mado Yij por un asegurado con probabilidad de reclamaci

on qj , y monto
reclamado i, es
E ptYij q p1 qj q qj ti .
Por lo tanto, usando la hip
otesis de independencia, la funcion generadora
de probabilidad de la cartera completa es
Gptq E ptS q
tr gr
r 0
en donde gr
J
I

p1 qj
qj ti qnij ,
i 1 j 1
P pS rq. Tomando logaritmo y despues derivando,

ln Gptq
J
I

nij lnp1 qj
q j t i q.
i 1 j 1
d
G1 ptq
ln Gptq
dt
Gptq
J
I

iqj ti1
.
1 q j q j ti
nij
i 1 j 1
Por lo tanto
tG1 ptq
Gptq
J
I

i 1 j 1
Gptq
J
I

nij
iqj ti
1 q j q j ti
nij i
q j ti
p1
1 qj
nij i
q j ti
1 qj
i 1 j 1
Gptq
J
I

i 1 j 1
qj ti 1
q
1 qj
p1qk1p 1qj tq qk1 ,

i
k 1
k
alida para |x| 1.
en donde hemos usado la expansi
on p1xq1 8
k 0 x , v
Por lo tanto, para valores suficientemente peque
nos de t,
I
8
J
1
tG ptq Gptq
nij i
p1qk1 p 1 qj q qk tik .
j
i1 j 1
k 1
Defina ahora la funci

on
hpi, k q ip1qk1
j 1
nij p
qj
1 qj
qk .
rmula de De Pril
1.3. Fo
11
La doble suma respecto de los ndices j y k es absolutamente convergente

en cualquiera de los dos
ordenes que se efect
uen estas sumas y el resultado
es el mismo. Por lo tanto es valido el intercambio en el orden de las sumas
y la expresi
on anterior puede escribirse como sigue
tG1 ptq Gptq
I
8
tik hpi, k q.

Substituyendo las expresiones para G1 ptq y Gptq en sus correspondientes
i 1 k 1
series de potencias se obtiene
rt gr
r 1
I
8
t gr
r 0

tik hpi, k q.
i 1 k 1
Para x 1, el coeficiente de tx en el lado izquierdo es xgx , mientras que en el

lado derecho es la suma de los terminos gxik hpi, k q, para aquellos valores de
i y k tales que 1 ik x. Se pueden primero establecer los posibles valores
para i de la siguiente forma i 1, . . . , x ^ I, y por lo tanto los valores para
k son k 1, . . . , tx{iu, en donde x ^ I es el valor mnimo entre x e I, y tx{iu
es la parte entera del cociente x{i. Igualando estos coeficientes se tiene que
xgx
{
^
x I tx iu
gxik hpi, k q,
i 1 k 1
De esta forma se llega a la siguiente expresi

on, para x 1,
gx
x1
{
^
x I tx iu
gxik hpi, k q.
i 1 k 1
Por otro lado, como S 0 s

olo cuando ning
un asegurado efect
ua ninguna
reclamaci
on, para x 0 se tiene que
g0
J
I

p1 qj qn
ij
i 1j 1
12
Para un mejor entendimiento de la formula recursiva de DePril [i] escribiremos a continuaci

on de manera explcita los primeros terminos de este desarrollo.
g0
g2

g3
g1
J
I

p1 qj qn
ij
i 1j 1
g0 hp1, 1q
1
tg0 rhp1, 2q
2
1
tg0 rhp1, 3q
3
hp2, 1qs
g1 hp1, 1qu
hp3, 1qs
g1 rhp1, 2q
hp2, 1qs
g2 hp1, 1qu
..
.
Ejemplo 1.1 Para los datos que se muestran en la tabla de la Figura 1.4 en
donde se tienen 48 p
olizas de seguros con las probabilidades de reclamaci
on y
los montos de reclamaciones indicados, la correspondiente funci
on de densidad para este riesgo es la que se muestra en la Figura 1.5. En el apendice A
se encuentra el c
odigo en R de una implementaci
on de la f
ormula de De Pril
[i]. Debe tenerse cuidado en la implementaci
on numerica de esta f
ormula
pues dado su caracter recursivo y que algunas de las probabilidades involucradas pueden ser muy peque
nas, pueden generarse resultados incorrectos
debido al inevitable redondeo de cifras en una computadora.
Probabilidades de reclamacion
Monto
de la
reclamacion
izq
1
2
3
4
5
0.03
1
3
5
2
2
0.04
3
5
3
2
3
0.05
1
4
4
6
4
Figura 1.4: Cartera de 48 polizas individuales.

La formula que hemos denominado de De Pril [i] y que se encuentra expresada en el contexto de un portafolio de asegurados individuales puede
escribirse como un resultado teorico de la teora de la probabilidad. Este es
rmula de De Pril
1.3. Fo
13
gx
0.1
x
2
8 10 12
Figura 1.5
14
16
18
20
el contenido de la siguiente proposici

on. La formula tiene una expresi
on m
as
simple y la demostracion sigue los mismos lineamientos que la que hemos
presentado, sin embargo, escribiremos nuevamente los detalles de la prueba
en esta versi
on simplificada.
Proposici
on 1.2 (F
ormula de De Pril [ii]) Sean X1 , X2 , . . . , Xn
v.a.i.i.d. con valores en el conjunto t0, 1, 2, . . . u. Para cada entero j 0,
defina la probabilidad fj P pX j q, y suponga f0 0. Sea S
X1 Xn . Entonces las probabilidades gx P pS xq se pueden
calcular recursivamente mediante la siguiente f
ormula
g0
gx
pf0qn ,
x
f1 r j pnx 1q 1s fj gxj ,

0 j 1
para x 1.
Demostraci
on. Primeramente observemos que el evento pS 0q ocurre si
y s
olo si todos los sumandos de S son cero, de modo que por independencia,
14
g0 pf0 qn . Ahora veamos la forma de obtener la formula recursiva. Sean

PX ptq y PS ptq las funciones generadoras de probabilidad de las variables
discretas X y S respectivamente, es decir,
PX ptq E ptX q
tk f k ,
k 0
PS ptq E ptS q
tk gk .
k 0
Por independencia e identica distribucion, PS ptq rPX ptqsn . Derivando

respecto de t,
1
1
PS ptq nrPX ptqsn1 PX ptq.
Multiplicando ambos lados por t PX ptq,
1
1
PX ptq t PS ptq n PS ptq t PX ptq,
que en terminos de sumas se escribe como sigue
tj f j
j 0
k 1
k tk gk
n
tk gk
j tj f j .
j 1
k 0
El siguiente paso es identificar el coeficiente del termino tx en cada lado de

la ecuaci
on, para x 1. Por ejemplo, para el lado izquierdo el coeficiente
es el termino fj k gk para todos aquellos valores dej 0 y k 1 tales que
1 f px j q g . De
j k x. Esta doble suma puede escribirse como xj
xj
0 j
manera similar se encuentra el coeficiente del lado derecho. Igualando estos
coeficientes se llega a la identidad
x 1
px j q fj gxj n
j 0
j fj gxj .
j 1
Separando el primer sumando del lado izquierdo y a

nadiendo en esa misma
suma el termino correspondiente a j x, que es cero, se obtiene
xf0 gx
j 1
px j q fj gxj n
j 1
j fj gxj .
rmula de De Pril
1.3. Fo
15
Finalmente se despeja el termino gx para llegar a la formula anunciada,

gx
f1
r j pn
0 j 1
1q
x
1s fj gxj ,
x 1.
Los primeros terminos de la formula de De Pril [ii] se muestran a continuaci

on.
g0
g1
g2
g3
pf0 qn,

1
f pn f1 g0 q n1 f1 pf0 qn1,
0

1 n1
n
n
2
n2
f p 2 f1 g1 n f2 g0q 2 pf1 q pf0q
f2 pf0 qn1 ,
1
0
1 n2
2n 1
p
nf g q
f g
f g

f0
n
3
1 2
pf1q pf0q
3
n 3
2 1
n
2!
3 0
f 2 f 1 pf 0 q
n 2
n
1
f3 pf0 qn1 .
Observe que las expresiones simplificadas tienen una interpretacion natural

en terminos combinatoriales. Por ejemplo, la expresi
on para g2 involucra
dos situaciones: la primera cuando dos sumandos distintos de S toman cada
uno el valor uno y el resto toma el valor cero, y la segunda situaci
on cuando
uno de los sumandos toma el valor dos y el resto es cero. Los coeficientes
binomiales dan cuenta de las distintas formas en las que se pueden presentar
estos arreglos.
Ejemplo 1.2 Sean X1 , X2 , X3 variables aleatorias independientes con identica distribuci
on dada por la tabla que aparece abajo y cuya gr
afica se muestra
en la Figura 1.6(a). Usando la f
ormula de De Pril [ii] encontraremos la distribuci
on de S X1 X2 X3 .
j
fj
0
0.5
1
0.2
2
0.3
Observe que la variable suma puede tomar cualquiera de los valores 0, 1, . . . , 6.

Usando la misma notaci
on que en la f
ormula de De Pril se muestran a continuaci
on los c
alculos para encontrar la funci
on de probabilidad de S y la
16
gx
fj
1{2
1{2
0 1 2
0 1 2 3 4 5 6
(a)
(b)
Figura 1.6
gr
afica correspondiente aparece en la Figura 1.6(b).
g0
g1
pf0q3 0.125,
f1 p3f1g0 q 0.15,
0
g2
g3
g4
g5
g6
1
pf1g1 3f2g0 q 0.285,
f0
1 1
8
p
f1 g2
f2 g1 q 0.188,
f0 3
3
1
pf2g2 q 0.171,
f0
1
1
3
p
f1 g4
f2 g3 q 0.054,
f0 5
5
1
1
1
p
f1 g5
f2 g4 q 0.027 .
f0 3
3
En la secci
on de ejercicios el lector puede encontrar algunas aplicaciones de
la formula de DePril [ii] para obtener la funcion de probabilidad de variables
aleatorias que pueden construirse como sumas de variables discretas con
distribuci
on conocida, por ejemplo, las distribuciones binomial y Poisson.
1.4.
Modelo colectivo
Considere un conjunto de un n
umero no determinado de contratos de seguros con vigencia en un periodo de tiempo r0, T s. Este periodo puede co-
17
1.4. Modelo colectivo
rresponder a un a
no por ejemplo. Sea N la variable aleatoria que denota
el n
umero de reclamaciones ocurridas en este intervalo, y sean las variables
positivas Y1 , . . . , YN los montos de estas reclamaciones. Gr
aficamente una
posible realizaci
on de tal esquema se muestra en la Figura 1.7.
$ Y2
$ Y3
$ Y5
$ Y1
$ Y4
b
Figura 1.7
Consideraremos que el n
umero de reclamaciones y los montos de estas son
variables aleatorias independientes. Mas a
un, supondremos que las reclamaciones mismas son independientes entre s, y que comparten la misma
distribuci
on de probabilidad.
Definici
on 1.2 El monto agregado o monto acumulado de todas las reclamaciones efectuadas es la variable aleatoria S, llamada riesgo, y definida
como sigue
S
Yj .
(1.2)
j 1
Observe que cada sumando es una variable aleatoria y que el n

umero de
sumandos es tambien aleatorio. La suma (1.2) se define como cero cuando
N 0. Observe adem
as que S puede ser una variable aleatoria mixta, es decir, no ser discreta ni continua, pues cuando los montos de las reclamaciones
Y son variables continuas estrictamente positivas, la variable S puede tomar
as
el valor 0 con probabilidad P pS 0q P pN 0q 0, y puede adem
tomar cualquier valor en el intervalo p0, 8q. La ecuaci
on (1.2) representa el
modelo colectivo para un contrato de seguros, cuyas posibles realizaciones
18
como funci
on del tiempo tienen la forma de la gr
afica de la Figura 1.8.
S ptq
b
$ Y3
b
$ Y2
b
bc
bc
$ Y1
b
t
bc
Figura 1.8
A la funci
on de distribuci
on de cada reclamaci
on Y la denotaremos por la
letra G. Se asume naturalmente que Gp0q 0, ello equivale a decir que la
variable Y es positiva. Adicionalmente usaremos la notaci
on n : E pY n q,
en particular se escribe en lugar de 1 : E pY q. Nuevamente el problema
central es encontrar la distribucion de probabilidad de S, la cual depende
de la distribuci
on de Y y de N . Un primer resultado general al respecto
es el que aparece a continuaci
on. Antes de enunciarlo recordemos que la
0-convoluci
on de una funci
on de distribucion G se define como
G0 pxq
"
1 si x 0,
0 si x 0.
Proposici
on 1.3 La funci
on de distribuci
on del riesgo S en el modelo
colectivo es
F pxq
Gn pxq P pN nq.

n 0
19

Demostraci
on.
F pxq
P pS
x | N nq P pN nq
n 0
P pS
x | N 0q P pN 0q
P pY1
Yn
xq P pN nq
n 1
G0 pxq P pN
Gn pxq P pN nq
0q

n 1

Gn pxq P pN nq.

n 0

Algunas caractersticas numericas de la variable S se muestran a continuaci
on.
Proposici
on 1.4 Suponiendo que las cantidades y funciones indicadas
existen, el riesgo S en el modelo colectivo cumple las siguientes propiedades.
1. E pS q E pN qE pY q.
2. E pS 2 q E pN qE pY 2 q
3.
4.
E pN pN
1qqE 2 pY q.
VarpS q VarpN qE 2 pY q VarpY qE pN q.
MS ptq MN p ln pMY ptqq q.
Demostraci
on.
1. Condicionaremos sobre el valor de N , y despues usaremos la hip
otesis de
independencia. El resultado del calculo es el mismo cuando la variable N
20
inicia en el valor 0 o en valor 1.

E pS q
Ep

8
n 0
j 1
n

8
n 0
Ep
Yj | N
nq P pN nq
Yj | N
nq P pN nq
j 1
nE pY q P pN
nq
n 0
E pN q E pY q.
2. Nuevamente condicionando sobre el valor de N ,

E pS 2 q
E pp
n 0

8
j 1
n
E pp
n 0

8
j 1
n
n 0
E pp
Y j q2 | N
nq P pN nq
Y j q2 | N
nq P pN nq
Y j q2 q P pN
j 1
E pYj2 q
n 0 j 1
nq
E pYj Yk q s P pN
nq.
j,k 1
j k
Observe que segunda suma es nula cuando n 0, y a su vez la tercera suma

se anula cuando n 0 o 1. As, por la identica distribucion tenemos que
E pS 2 q

nE pY 2 q P pN
n 0
E pN q E pY 2 q
nq
E pN pN
npn 1q E 2 pY q P pN
nq
n 0
1qq E 2 pY q.
3. Por las formulas anteriores,

VarpS q

E pS 2 q E 2 pS q
E pN q E pY 2 q
E pN pN
1qq E 2 pY q E 2 pN q E 2 pY q
E pN q r E pY 2 q E 2 pY q s r E pN 2 q E 2 pN q s E 2 pY q
E pN q VarpY q Var pN q E 2 pY q.
21

4. De manera an
aloga a los dos primeros incisos,
MS ptq

8
E perpY1
YN
E perpY1
Yn
q |N
nq P pN nq
n 0

8
q q P pN
nq
n 0

pMY ptqqn P pN nq
n 0
E ppMY ptqqN q
E peN lnpMY ptqq q
MN plnpMY ptqqq.
Vease la secci
on de ejercicios para los terceros momentos de S. Consideraremos a continuaci
on algunos casos particulares del modelo colectivo.
Modelo binomial compuesto
Cuando el n
umero de reclamaciones N tiene una distribucion binpn, pq se
dice que el riesgo S tiene una distribucion binomial compuesta, y se escribe
S bin comppn, p, Gq, en donde G es la funcion de distribucion de cada
sumando en la definicion de S. Bajo esta hip
otesis se tienen los siguientes
resultados.
Proposici
on 1.5 Si N tiene distribuci
on binpn, pq, entonces
a) E pS q np.
b) E pS 2 q np2
npn 1qp2 2 .
c) VarpS q npp2 p2 q.
d) MS ptq p1 p
pMY ptqqn .
Estas expresiones se siguen facilmente de las formulas generales demostradas
22
antes, basta recordar que si N tiene distribucion binpn, pq, entonces E pN q

on de
np, VarpN q npp1 pq, y MN ptq p1 p pet qn . Vease la secci
ejercicios para los terceros momentos de este modelo. Observe que en este
caso se tiene una cota superior para el n
umero de reclamaciones que pueden
efectuarse.
Modelo binomial negativo compuesto
Cuando el n
umero de reclamaciones N tiene una distribucion binomial negativa se dice que el riesgo S tiene una distribucion binomial negativa compuesta. Esto es, si N bin negpk, pq, entonces S bin neg comppk, p, Gq,
donde nuevamente G hace referencia a la funcion de distribucion de cada
sumando de S. En este caso se cumple lo siguiente.
Proposici
on bin negpk, pq, entonces
a) E pS q kp1{p 1q.
b) E pS 2 q .
c) VarpS q kp1{p 1qp1{pq2
d) MS ptq p
kp1{p 1qp2 2 q.
p
qk .
1 p1 pqMY ptq
Para encontrar estas formulas es suficiente recordar que si N tiene distribuci

on bin negpk, pq, entonces E pN q kp1 pq{p, VarpN q kp1 pq{p2 , y
on de ejercicios para los terceros
MN ptq rp{p1 p1 pqet qsk . Vease la secci
momentos de este modelo. En el caso particular cuando k 1, la distribuci
on de N se reduce a la distribucion geometrica de par
ametro p, y se dice
que S tiene distribuci
on geometrica compuesta.
Modelo Poisson compuesto
Cuando el n
umero de reclamaciones N tiene una distribucion Poisson se
dice que el riesgo S tiene una distribucion Poisson compuesta, y se escribe
ametro de la distribucion
S Poisson compp, Gq, en donde es el par
Poisson y G es la funci
on de distribucion de cada sumando de S. Para este
1.5. Modelo colectivo Poisson
23
modelo se tienen los siguientes resultados.

Proposici
on Poissonpq, entonces
a) E pS q .
b) E pS 2 q 2
2 2 .
c) VarpS q 2 .
d) MS ptq exp r pMY ptq 1q s.
Nuevamente estas expresiones son consecuencia de las formulas generales

demostradas antes, y del hecho de que si N tiene distribucion Poissonpq,
entonces E pN q , VarpN q , y MN ptq expppet 1qq. Vease la secci
on
de ejercicios para los terceros momentos de este modelo. Observe que el
par
ametro y la distribucion de la variable Y determinan por completo al
modelo Poisson compuesto. Estudiaremos con m
as detalle este modelo en
la siguiente secci
on.
1.5.
Modelo colectivo Poisson
En esta secci
on retomamos el caso cuando el n
umero de reclamaciones en
el modelo colectivo sigue una distribucion Poisson. Primeramente explicaremos la forma en la que se puede obtener un modelo colectivo Poisson a
partir del modelo individual. Despues mostraremos como este modelo Poisson compuesto aproxima al modelo individual. Finalmente estudiaremos
algunas propiedades interesantes y u
tiles del modelo colectivo Poisson.
Modelo Poisson compuesto asociado al modelo
individual
Considere el modelo individual de riesgo S i nj1 Dj Cj , junto con la

notaci
on e hip
otesis correspondientes. El superndice i indica que se trata
de un modelo individual. A partir de este modelo se construye a continuaci
on un modelo colectivo con distribucion Poisson compuesta. Para ello
recuerde que u
nicamente se necesita establecer el valor del par
ametro de
24
la distribuci
on Poisson y la funcion de distribucion Gpxq del monto de las
reclamaciones. Sean entonces
Gpxq

j 1
n
j 1
qj ,
(1.3)
qj
Gj pxq,
(1.4)
on de distribucion de la variable Cj . Mediante la

en donde Gj pxq es la funci
primera igualdad se establece que el n
umero esperado de reclamaciones en
ambos modelos sea el mismo. En la segunda ecuaci
on se define a la funcion
de distribuci
on de una reclamaci
on en el modelo colectivo como la suma
ponderada de las funciones de distribucion del monto de las reclamaciones
en el
modelo individual. De esta forma se construye el modelo colectivo
Sc N
j 1 Yj , a quien llamaremos modelo colectivo Poisson compuesto asociado al modelo individual, en donde el superndice c indica que se trata de
un modelo colectivo. Para este modelo particular se cumplen las siguientes
igualdades:
a) E pS c q
qj E pCj q.
j 1
n
b) VarpS c q
qj E pCj2 q .
j 1
c) E pY k q
qj
j 1
d) MY ptq
qj
E pCjk q.
MCj ptq.
j 1
Estas expresiones se siguen directamente de resultados previos acerca del

modelo Poisson compuesto y de las igualdades (1.3) y (1.4). Por ejemplo,
usando integrales de Riemann-Stieltjes (vease el apendice), el k-esimo momento de una reclamaci
on del modelo S c es,
E pY
q
8
0
y dGpy q
k
qj 8

j 1
y k dGj py q
qj
j 1
E pCjk q.
25
De manera an
aloga se verifican las otras identidades. A modo de comparaci
on se tiene que E pS i q E pS c q, mientras que VarpS i q VarpS c q.
El modelo Poisson compuesto asociado
como lmite del modelo individual
Sea S i el riesgo en un modelo individual y sea S c el riesgo del modelo
colectivo Poisson compuesto asociado. En esta secci
on se demuestra que
este modelo colectivo puede ser obtenido como un proceso lmite en el modelo individual. Consideremos entonces el modelo individual junto con la
notaci
on e hip
otesis usuales. Por resultados previos sabemos que
MS i ptq
r1
qj pMCj ptq 1qs.
j 1
Se construye un modelo individual adicional de la siguiente forma: cada

p
oliza j se reemplaza por k subpolizas identicas en cada una de las cuales la
probabilidad de reclamaci
on se define como qj {k, y la funcion de distribucion
del monto de una reclamaci
on es la misma Gj py q. Vease la Figura 1.9. En
consecuencia, el portafolio consiste ahora de kn p
olizas.
Subp
oliza 1
..........
P
oliza
.......
.......
.......
.......
Subp
oliza k
..........
Figura 1.9
Por lo tanto, si Ski denota el riesgo asociado a tal portafolio, entonces se
tiene que
n
MS i ptq
r1 qkj pMCj ptq 1qsk .
k
j 1
Se hace ahora tender k a infinito y usando el resultado lm p1
k
x{kqk
ex
26
se obtiene
lm MS i ptq
exp r qj pMCj ptq 1q s
j 1
exp r
qj MCj ptq s
j 1

exp r pMY ptq 1q s

MS c ptq.
Puesto que la convergencia de funciones generadoras de momentos es equivalente a la convergencia en distribucion de las correspondientes variables
aleatorias, se obtiene entonces que el modelo colectivo Poisson compuesto
asociado es el lmite en distribucion del modelo individual cuando el n
umero
de p
olizas crece y las probabilidades de reclamaci
on se hacen cada vez m
as
peque
nas. El argumento presentado en esta secci
on justifica el uso del modelo Poisson compuesto bajo las condiciones mencionadas. Para reforzar
esta idea, el siguiente argumento intuitivo tambien favorece al modelo Poisson compuesto como una generalizaci
on del modelo individual. Recordemos
nuevamente que la funci
on generadora de momentos del riesgo S i es
MS i ptq
r1
qj pMCj ptq 1qs.
j 1
El termino qj pMCj ptq 1q es peque

no para valores peque
nos de t. Usando la
formula lnp1 xq x x2 {2 x3 {3 , se puede escribir la aproximacion
lnp1 xq x. De modo que
lnpMS i ptqq

lnr1
j 1
n
j 1
qj pMCj ptq 1qs
qj pMCj ptq 1q
n
qj
j 1
MCj ptq 1 s,
27

en donde q1
qn . Por lo tanto
MS i ptq exp p r
qj
MCj ptq 1 s q.
j 1
Esta es nuevamente la funcion generadora de momentos del riesgo con distribucion Poisson compuesta, en dondelos montos de las reclamaciones
q
tienen funci
on generadora de momentos nj1 j MCj ptq.
Modelo Poisson compuesto con varios tipos de riesgos
Se demuestra ahora que la suma de riesgos independientes que siguen el
modelo Poisson compuesto tambien es Poisson compuesto. Esta es una
propiedad interesante y u
til.
Proposici
on 1.8 Sean S1 y S2 dos riesgos independientes con distribuci
on
Poisson compuesta con par
ametros 1 y 2 , y reclamaciones Y p1q y Y p2q
con funci
on de distribuci
on G1 pxq y G2 pxq respectivamente. Entonces el
riesgo S S1 S2 tambien sigue una distribuci
on Poisson compuesta con
on de distribuci
on
par
ametro 1 2 , y las reclamaciones tienen funci
Gpxq
Demostraci
on.
MS1
S2
1
G1 pxq
2
G2 pxq.
Por independencia tenemos que
ptq

MS1 ptqMS2 ptq
expr1 pMY p1q ptq 1qs expr2 pMY p2q ptq 1qs
1
2
M 2 ptq 1qs,
exprp MY p1q ptq
en donde 1 MY p1q ptq 2 MY p2q ptq es la funcion generadora de momentos de

la funci
on de distribuci
on Gpxq 1 G1 pxq 2 G2 pxq.
El resultado anterior puede extenderse facilmente al caso S
Vease el enunciado del ejercicio 40 en la p
agina 38.
S1
Sn .
28
Modelo Poisson compuesto con reclamaciones clasificadas

Sea S un riesgo con distribucion Poisson compuesta de par
ametro . Suponga que los montos de las reclamaciones pueden ser clasificadas en m categoras excluyentes y exhaustivas denotadas por A1 , . . . , Am . Tpicamente
estas categoras pueden ser intervalos de valores para las reclamaciones. Sea
umero de
pk P pY P Ak q 0 tal que p1 pm 1. Sea Nk el n
reclamaciones del tipo k. Entonces N N1 Nm y debido a la independencia de los montos en las reclamaciones, el vector pN1 , , Nm q tiene
una distribuci
on condicional multinomialpp1 , . . . , pm ; nq cuando N n, es
decir, para enteros no negativos n1 , . . . , nm tales que n1 nm n, se
tiene que
P pN1
n 1 , . . . , Nm n m | N n q

n1
nm
n!
n1 ! nm !
pn1 1 pnmm
pn1 1 pnmm .
La distribuci
on no condicional del vector pN1 , . . . , Nm q es el contenido del
siguiente resultado.
Proposici
on 1.9 Las variables aleatorias N1 , . . . , Nm son independientes
y cada variable Nk tiene distribuci
on Poissonppk q.
Demostraci
on. Sean n1 , . . . , nm enteros no negativos cualesquiera, y sea
n la suma de todos estos n
umeros, es decir, n1 nm n. Entonces
P pN1
n 1 , . . . , Nm n m q

P pN1
n 1 , . . . , Nm n m , N n q
P pN1 n1 , . . . , Nm nm | N nqP pN nq
n!
n
pn1 pnm
e
n1 ! nm !
n!
n
ppk qn ep .

n !
1
k 1
Se desprende de esta igualdad que la variable Nk tiene distribucion marginal

Poissonppk q. De esta identidad se verifica tambien la independencia.
29
Observe que, condicionadas al evento pN nq, las variables N1 , . . . , Nm no

son independientes, mientras que sin tal condici
on, lo son. Por otro lado,
como los montos de las reclamaciones son independientes de N , el riesgo de
tipo k est
a dado por la variable
Sk
pkq
Y ,
k
j 1
pkq es una variable aleatoria con funcion de distribucion
en donde Yj
Gk pxq P pYj
x | Yj P Ak q P pYPj pY x,PYAj Pq Ak q .
j
Por lo anterior, el riesgo Sk tiene distribucion Poisson compuesta con par

ametros pk , y Gk pxq. En particular, cuando Ak pxk1 , xk s, con 0 x0
x1 xm , la funci
on de distribucion Gk pxq tiene la siguiente forma:
$
'
'
& 0Gpxq Gpxk1q
Gk pxq
'
'
% Gpxk q Gpxk1 q
1
si x xk ,
si xk1
x xk ,
si x xk .
Modelo Poisson compuesto mixto

Cuando el n
umero de reclamaciones N tiene una distribucion Poissonpq y
el par
ametro es a su vez una variable aleatoria, se dice que el riesgo S
tiene una distribuci
on Poisson compuesta mixta. Algunas caractersticas de
esta distribuci
on se muestran a continuaci
on.
30
Proposici
on Poissonpq en donde es una
variable aleatoria con funci
on de distribuci
on F pq, entonces
a) P pN
nq
e
n
dF pq.
n!
b) E pS q E pq.
c) E pS 2 q E pq2
d) VarpS q Varpq2
E p2 q2 .
E pq2 .
e) MS ptq M pMY ptq 1q.
Para obtener todas las identidades que aparecen en esta proposici

on es suficiente condicionar sobre el valor de . Vease la secci
on de ejercicios para
los terceros momentos de este modelo.
1.6.
Ejercicios
Modelo individual
1. Considere el modelo individual para un portafolio de n p
olizas de seguros. Bajo la notaci
on e hip
otesis usuales, demuestre que el n
umero
esperado de reclamaciones es q1 qn .
2. Para un modelo individual de riesgo, encuentre la distribucion de
probabilidad del n
umero total de reclamaciones en una cartera de n
asegurados cuando Dj tiene distribucion Berpq q, es decir, qj q 0
es constante.
3. Considere el modelo individual de riesgo en donde Dj tiene distribuci
on Berpq q, es decir, qj q 0 es constante. Suponga adem
as que
cada reclamaci
on Cj es constante c 0, es decir, se trata de una
misma suma asegurada para todos. Encuentre una expresi
on para
la esperanza y la varianza de S.
31
1.6. Ejercicios
4. Considere el modelo individual para un portafolio de n p

olizas de
seguros de vida. Suponga que el j-esimo asegurado tiene una suma
asegurada constante cj . Demuestre que
a) E pS q
qj cj .
j 1
b) VarpS q
qj pj c2j .
j 1
5. Demuestre que si f1 pxq, . . . , fn pxq son funciones diferenciables que

no se anulan, entonces
d
dx
fj pxq
n

j 1
j 1
fj pxq
1
n

fj pxq
fj pxq
j 1
Use esta formula y la expresi

on encontrada para MS ptq en el modelo
individual de riesgo para encontrar nuevamente E pS q y VarpS q.
6. Para un riesgo S que sigue el modelo individual demuestre que
a. E pS 2 q
qj E pCj2 q
j 1
b. E pS 3 q
j 1
qi qj E pCi qE pCj q.
i j
qj E pCj3 q
qi qj E pCi qE pCj2 q
i j
qi qj qk E pCi qE pCj qE pCk q.
i,j,k
distintos
7. Suponga que D y C son dos variables aleatorias independientes tales

que D tiene distribucion Berpq q y C se distribuye exppq. Calcule
y grafique la funci
on de distribucion de la variable aleatoria mixta
DC.
8. Para el modelo individual, suponga que Dj tiene distribucion Berpq q,
es decir, qj q 0 es constante. Encuentre la distribucion del
32

riesgo S cuando n
babilidad
3 y Cj tiene la siguiente distribucion de proP pCj
1q
P pCj 2q
P pCj 3q
0.6,
0.3,
0.1.
9. Considere un portafolio de 21 p
olizas individuales de seguros de
vida validas por un a
no como se indica en la tabla que aparece
abajo. Usando el modelo individual calcule E pS q y VarpS q.
Tasa de
mortalidad qj
0.04
0.05
0.06
Suma asegurada
$2 $3 $4 $5
1
1
2
1
0
2
3
3
1
1
2
4
10. Sean qj,0 , qj,1 y qj,2 las probabilidades de que el j-esimo asegurado
presente 0, 1 y 2 reclamaciones respectivamente durante el tiempo
de vigencia del seguro. Suponga que cada una de las posibles reclamaciones de la p
oliza j es constante zj y que qj,0 qj,1 qj,2 1.
Encuentre formulas para E pS q y VarpS q en el modelo individual.
11. Una compa
na aseguradora tiene una cartera con p
olizas de seguros
de vida y diferentes sumas aseguradas como se muestra en la tabla
que aparece abajo. Calcule E pS q y VarpS q usando el modelo individual.
Suma
asegurada
$10,000
$20,000
$30,000
N
umero
de p
olizas
50
75
100
Probabilidad de
reclamacion
0.0040
0.0035
0.0030
12. Considere el modelo individual de riesgo para una cartera de n 56

asegurados divididos en cinco subgrupos de la siguiente forma: 11
asegurados con probabilidad de reclamaci
on q 0.01, 7 asegurados
con q 0.015, 20 asegurados con q 0.02, 10 asegurados con q
0.025 y 8 asegurados con q 0.03. Todos ellos con suma asegurada
33
1.6. Ejercicios
$100. Calcule el valor esperado del agregado de reclamaciones del

riesgo correspondiente a esta cartera de asegurados.
13. Para el modelo individual, suponga que Dj tiene distribucion Berpq q,
es decir, qj q 0 es constante, y que cada reclamaci
on Cj tiene
distribuci
on exppq. Encuentre la distribucion de probabilidad del
riesgo S.
14. Considere el modelo individual de riesgo S nj1 Dj Cj , en donde

C1 , C2 , . . ., Cn son constantes posiblemente distintas todas ellas, y
cada Dj tiene distribucion Berpqj q para j 1, 2, . . . , n.
a) Demuestre que la funcion de probabilidad de la variable Dj Cj
es
$
& 1 qj si x 0,
fDj Cj pxq
si x Cj ,
% 0qj
en otro caso.
b) Defina Sj Sj 1 Dj Cj para j 2, 3, . . . , n y S1 D1 C1 .
Demuestre que la funcion de probabilidad de la variable Sj
puede calcularse recursivamente de la siguiente forma. Para
j 2, 3, . . . , n,
fSj pxq p1 qj qfSj1 pxq
qj fSj1 px Cj q.
15. Considere el modelo individual de riesgo en donde todas las tasas

de muerte qj son una misma probabilidad p, y los montos de las
reclamaciones son iguales a 1. Verfique que las formula generales de
la Proposici
on 1.1 se reducen a las de la distribucion binomialpn, pq,
es decir,
a) E pS q np.
b) VarpS q npp1 pq.

c)
$
&0
Fj pxq
% 11 p
d) MDj Cj ptq 1 p
e) MS ptq p1 p
si x 0,
si 0 x 1,
si x 1.
pet .
pet qn .
34

F
ormula de De Pril
16. Sean X1 , X2 , X3 , X4 variables aleatorias independientes con distribucion com
un como aparece en la tabla de abajo. Encuentre la
distribuci
on de X1 X2 X3 X4 .
j
fj
0
0.1
1
0.2
2
0.3
3
0.4
17. Sean X1 , . . . , Xn variables aleatorias independientes con distribuci

on Berppq. Mediante la formula de De Pril [ii] compruebe que la
variable S X1 Xn tiene distribucion binpn, pq.
18. Sean X1 y X2 dos variables aleatorias independientes con identica distribuci
on Poissonpq. Use la formula de De Pril [ii] para demostrar que X1 X2 tiene distribucion Poissonp2q.
19. Sean X1 y X2 dos variables aleatorias independientes con identica
distribuci
on binpn, pq. Use la formula de De Pril [ii] para demostrar
que X1 X2 tiene distribucion binp2n, pq.
n m
x
n
m
x .
Sugerencia:
j
xj
j 0
20. Demuestre que la formula recursiva de De Pril [ii] produce efectivamente una funci
on de probabilidad.
21. A partir de la formula de De Pril [ii] y siguiendo la misma notaci
on
de dicho enunciado, demuestre que
a) E pS q nE pX q.
b) VarpS q nVarpX q.
22. Suponga que las variables aleatorias X1 , . . . , Xn en la formula de De
Pril [ii] son estrictamente positivas y toman valores en el conjunto
t1, 2, . . .u, con f1 P pX 1q 0. Demuestre que la distribucion
de S X1 Xn ahora es la siguiente
gn
gx
pf1 qn,
x
f1 r j pn x 1q 1s fj

1 j 1
1 gx n j ,
para x 1.
35
1.6. Ejercicios
Vease el siguiente ejercicio para una extension de esta f
ormula.
23. Extensi
on de la f
ormula de De Pril [ii]. Suponga que las variables aleatorias X1 , . . . , Xn son independientes e identicamente distribuidas pero ahora con valores en el conjunto tm, m 1, . . .u
para alg
un entero m 1. Sea nuevamente S X1 Xn ,
fj P pX j q para j m, con fm 0, y gx P pS xq para
x nm. Demuestre que
gnm
gx
pfmqn,

1
fm
j pn
x nm
j 1
r x nm1q 1s fj
m gx j ,
para x nm
1.
Sugerencia: Las variables Xi m, para i 1, . . . , n, ahora ya tienen

soporte en el conjunto t0, 1, . . . u, aplique entonces la formula de De
Pril [ii] demostrada y un cambio de variable adecuado.
Modelo colectivo
24. Para el modelo colectivo de riesgo demuestre que
a. E pS 3 q E pN qE pY 3 q 3E rN pN 1qsE pY qE pY 2 q
E rN pN 1qpN 2qsE 3 pY q.
b. E ppS E pS qq3 q .
25. Suponga que las variables Y1 , Y2 , . . . en el modelo colectivo de riesgo

son discretas con valores en el conjunto t1, 2, . . . u. Sea fj P pY
j q para j 1, gx P pS xq para x 0, y pn P pN nq para
n 0. Demuestre que
g0
gx
p0 ,
8

fxn pn ,
para x 1.
n 1
26. A partir de la formula encontrada para MS ptq en el modelo colectivo

de riesgo, encuentre nuevamente las expresiones para E pS q, E pS 2 q
y VarpS q.
36
27. Considere el modelo colectivo de riesgo S N

j 1 Yj , en donde
N tiene distribucion Poissonpq y Y sigue una distribucion log
normalpm, 2 q. Demuestre que
a) E pY q expp 2 {2
b) E pY n q exppnm
c) VarpY q pe
e)
f)
n2 2 {2q,
1q expp
E pS q expp 2 {2 mq.
VarpS q expp2 2 2mq.
E rpS E pS qq3 s
1
?

3 :
3
{
2
rVarpS qs
2
d)
mq.
n 1.
2mq.
expp3 2 {2q.
28. La transformada de Laplace-Stieltjes de una variable aleatoria X o

de su distribuci
on se define como la funcion
lX ptq E petX q
8
etx dFX pxq.
A diferencia de la funcion generadora de momentos, la transformada

de Laplace-Stieltjes siempre existe para variables aleatorias positivas. Demuestre que para el modelo colectivo de riesgo se cumple la
identidad
lS ptq PN plY ptqq,
en donde PN ptq es la funcion generadora de probabilidad de N .
29. Sea PX ptq E ptX q la funcion generadora de probabilidad de una

variable aleatoria discreta X. Considere un modelo colectivo de riesgo en donde las reclamaciones son discretas con valores en t0, 1, . . . u.
Suponiendo la existencia de las funciones involucradas, demuestre
que se cumple la identidad
PS ptq PN pPX ptqq.
Modelo binomial compuesto
30. Verifique la validez de las formulas para el modelo binomial compuesto que aparecen en la Proposici
on 1.5 de la p
agina 21.
37
1.6. Ejercicios
31. Para el modelo binomial compuesto, demuestre las siguientes formulas.

a. E pS 3 q .
b. E rpS E pS qq3 s npp3 3p2 2

c. 3 :
E rpS E pS qq3 s
rVarpS qs3{2
2p3 3 q.
0.
32. Sean S1 y S2 dos riesgos independientes con distribucion binomial

compuesta con par
ametros pn1 , p; Gq y pn2 , p; Gq respectivamente.
Suponga que los montos de las reclamaciones de cada uno de estos
riesgos son Y p1q y Y p2q con identica distribucion G. Demuestre que
el riesgo S S1 S2 tambien sigue una distribucion binomial compuesta con par
ametros pn1 n2 , p; Gq, es decir, la distribucion del
monto de las reclamaciones para S es nuevamente G.
Modelo binomial negativo compuesto

33. Verifique la validez de las formulas para el modelo binomial negativo
compuesto de la Proposici
on 1.6 en la p
agina 22.
34. Para el modelo binomial negativo compuesto, demuestre las siguientes formulas.
a. E pS 3 q .
b. E rpS E pS qq3 s kp1{p 1q3

1q3 3 .
c. 3 :
E rpS E pS qq3 s
rVarpS qs3{2
3kp1{p 1q2 2
2kp1{p
0.
35. Sea N con distribucion bin negpk, pq. Demuestre que P pN

pk , y para n 0 se cumple la relaci
on recursiva
P pN
n
1q
k
n
n
p1 pq P pN
1
nq.
0q
38

Modelo Poisson compuesto
36. Verifique la validez de las formulas para el modelo Poisson compuesto que aparecen en la Proposici
on 1.7 de la p
agina 23.
37. Para el modelo Poisson compuesto, demuestre las siguientes formulas.
a. E pS 3 q 3
32 2
b. E rpS E pS qq3 s 3 .
c. 3 :
E rpS E pS qq3 s
rVarpS qs3{2
3 3 .
a3 3 0.
2
38. Demuestre las formulas para el modelo Poisson compuesto asociado

de la p
agina 24.
39. Sean F1 pxq y F2 pxq dos funciones de distribucion con funciones generadoras de momentos M1 ptq y M2 ptq respectivamente. Demuestre
que para cualquier P r0, 1s, la funcion F1 pxq p1 qF2 pxq es
una funci
on de distribucion cuya funcion generadora de momentos
asociada es M1 ptq p1 qM2 ptq. Este resultado fue utilizado
en el an
alisis de la suma de dos riesgos con distribucion Poisson
compuesta.
40. Sean S1 , . . . , Sn riesgos independientes con distribucion Poisson compuesta con par
ametros 1 , . . . , n , respectivamente. Suponga que
los montos de las reclamaciones de estos riesgos son Y p1q , . . . , Y pnq ,
con funci
on de distribucion G1 pxq, . . . , Gn pxq, respectivamente. Demuestre que el riesgo S S1 Sn tambien sigue una distribucion Poisson compuesta con par
ametro 1 n , y la
funci
on de distribucion de las reclamaciones es
Gpxq
1
G1 pxq
n
Gn pxq.
41. Sean S1 y S2 dos riesgos independientes, el primero con distribucion

Poisson compp1 , F1 q con 1 50, y el segundo con distribucion
Poisson compp2 , F2 q con 2 100, en donde F1 pxq mntx, 1u
para x 0, y F2 pxq 1 ex para x 0. Encuentre la distribucion
39
1.6. Ejercicios
de S S1 S2 y la funcion de distribucion de las reclamaciones

del riesgo S.
42. Sean S1 y S2 dos riesgos independientes con distribucion Poisson
compuesta, el primero Poisson compp1 , F1 q con 1 10, y el segundo Poisson compp2 , F2 q con 2 20. Suponga que las reclamaciones de ambos riesgos son de magnitud 50 o 100, y por lo tanto
tienen la siguiente funcion de distribucion
$
&
F px q
%
0 si x 50,
p si 50 x 100,
1 si x 100.
Suponga que el par

ametro p es igual a 1{2 para el primer riesgo y es
1{3 para el segundo riesgo. Encuentre la distribucion de S S1 S2
y la funci
on de distribucion de las reclamaciones del riesgo S.
43. Sea X1 , X2 , . . . una sucesion de variables aleatorias independientes
cada una de ellas con distribucion Berpq q, y sea X0 0. Sea N otra
variable aleatoria con distribucion Poissonpq independiente de las
anteriores. Demuestre que la variable X N
i0 Xi tiene distribuci
on Poissonpq q. Esta variable tiene la siguiente interpretacion: si
N representa el total de siniestros ocurridos y cada siniestro es
reportado con probabilidad q, entonces X representa el total de
siniestros ocurridos reportados.
44. Sea Y una variable aleatoria con funcion de distribucion F py q, y
umeros tales que F paq F pbq. Demuestre que la
sean a b dos n
funci
on de distribucion condicional de Y dado el evento pY P pa, bsq
es
$
'
'
& 0F pyq F paq si y a,
F py | Y P pa, bsq
si a y b,
'
F pbq F paq
'
%1
si y b.
Aplique este resultado al caso cuando Y tiene distribucion exppq.
Encuentre y grafique ambas funciones de distribucion: la original y
la condicional.
40

Modelo Poisson compuesto mixto
45. Verifique la validez de las formulas de la Proposici
on 1.10 de la
p
agina 30.
46. Para el modelo Poisson compuesto mixto, demuestre que
a. E pS 3 q E pq3
3E p2 q2
E p3 q3 .
b. E rpS E pS qq3 s E rp E pqq3 s3
3Varpq2
E pq3 .
Esperanza condicional
47. Sea pX, Y q un vector aleatorio discreto con la funcion de probabilidad que aparece abajo. Encuentre la distribucion de la variable
aleatoria E pX | Y q y compruebe que E pE pX | Y qq E pX q 78{36.
fX,Y px, y q
"
px
0
y q{36
si x, y 1, 2, 3,
en otro caso.
Captulo 2
F
ormula de Panjer y
algunos m
etodos de
aproximaci
on
En este captulo se presenta la famosa formula de Panjer. Este resultado
proporciona una expresi
on exacta, aunque recursiva, de la distribucion de
probabilidad de un riesgo en el modelo colectivo, y es valida cuando la distribucion del n
umero de reclamaciones y los montos cumplen ciertas condiciones. Se presentan adem
as algunos metodos de aproximacion con validez
general para estimar la distribucion de un riesgo. Estos metodos generales
de aproximacion pueden ser u
tiles cuando no se cumplen las condiciones
requeridas para aplicar la formula de Panjer.
2.1.
F
ormula de Panjer
Primeramente se enuncia la condici

on que debe satisfacer el n
umero de
reclamaciones para obtener la formula de Panjer.
41
42
rmula de Panjer y m
n
2. Fo
etodos de aproximacio
Proposici
on 2.1 Sea N una variable aleatoria discreta con valores en
t0, 1, . . .u y sea pk P pN kq para k 0, 1, . . . Sean a y b dos constante. Entonces la igualdad
pk
pa
b
q pk1,
k
1,
(2.1)
se cumple cuando
1. N es binpn, pq, con a p{p1 pq y b pn
1qp{p1 pq.
2. N es Poissonpq, con a 0 y b .
3. N es bin negpr, pq, con a 1 p y b pr 1qp1 pq.
La demostracion de este resultado es inmediata despues de realizar algunos

c
alculos algebraicos sencillos, y se dejan como ejercicio al lector. Toda distribucion de probabilidad con soporte en t0, 1, . . . u que cumple la identidad (2.1) se le llama distribucion de clase pa, b, 0q, los terminos a y b se
refieren a las constantes del mismo nombre que aparecen en la formula (2.1)
y el cero se refiere a que la probabilidad de inicio de la formula recursiva es
aquella que tiene subndice cero, es decir, p0 . Observe que la identidad (2.1)
es muy atractiva pues permite generar la distribucion de probabilidad de estas variables aleatorias discretas de una forma recursiva: se calcula primero
p0 , a partir de ella se obtiene p1 , a partir de p1 se obtiene p2 , y as sucesivamente. Supondremos entonces que la distribucion del n
umero de reclamaciones cumple con la condici
on (2.1) y la proposici
on establece que tal
condici
on es valida para las tres distribuciones se
naladas. En el ejercicio 48
en la p
agina 55 se pide demostrar el resultado recproco de la proposici
on
anterior, es decir, que las u
nicas distribuciones discretas de probabilidad
no degeneradas que cumplen (2.1) son las tres mencionadas.
N Recordando la
notaci
on e hip
otesis del modelo colectivo de riesgo S j 1 Yj , definido en
el captulo anterior, tenemos las siguientes hip
otesis y notaci
on adicionales.
Supondremos que las reclamaciones Yj son tales que P pYj P Nq 1, lo
cual no es ning
un problema pues puede considerarse que las reclamaciones
rmula de Panjer
2.1. Fo
43
se efect
uan en unidades monetarias, cualesquiera que estas sean. En los
c
alculos que haremos a continuaci
on usaremos los siguientes smbolos.
Notacion:
P pN kq
fr P pY r q
frk P pY1
gr P pS r q
0, 1, . . .
r 1, 2, . . .
1 k r 1, 2, . . .
r 0, 1, . . .
k
pk
En particular, para 1 k
frpk
Yk
rq
1 r,
q pf k f qr
fik fri .
r 1
i 1
Adem
as, g0
gr
P pS 0q P pN 0q p0, y para r 1,
P pS rq
P pS
r | N kqP pN kq
k 1
frk pk .

k 1
Proposici
on 2.2 Bajo la notaci
on e hip
otesis anteriores, se cumplen las
siguientes igualdades:
1. E p Y1
Yj
j 1
2. pk frk
p k 1
r q kr ,
r 1
i 1
pa
para k
1.
bi pk1q
qf
fi , para k
r ri
2.
rmula de Panjer y m
n
2. Fo
44
Para el primer inciso, por identica distribucion,
Demostraci
on.
E p Y1
Yj
rq
1
k
j 1
1
Ep
k
r
.
k

E p Yi
i 1
r q
Yj
j 1
Yi
i 1
Yj
rq
Yk
j 1
Para el segundo inciso desarrollamos el lado derecho,
r 1
pk1
i 1
pa
bi pk1q
qf
fi
r ri

pk1
r

pa
i 1
r
pk1
pa
i 1
r
pk1
pa
i 1
pk1
r

pa
i 1

pk1 E pa
pk1 pa
pk frk
bi
qP pY2
r
bi
qP pY1
r
i, Y2
k
bi
qP pY1
r
i,
bi
qP pY1
r
i|
bY1
r
b k
qf
k r
r iqP pY1 iq
Yj
Yk
r iq
rq
j 1
Yj
Yj
rqfrk
j 1
rqfrk
j 1

Ahora estamos listos para enunciar y demostrar la formula de Harry Panjer [17], publicada en 1981.
rmula de Panjer
2.1. Fo
45
Teorema 2.1 (F
ormula de Panjer) Para el modelo colectivo de riesgo, y
bajo las hip
otesis y notaci
on arriba enunciados, la probabilidad gr P pS
r q est
a dada por
r
gr
pa
bi
q fi gri ,
r
i 1
g0
Demostraci
on.
el caso r 1,
gr
para r
p0 .
Hemos observado antes que g0
1.
P pS
P pN 0q p0. Para
r | N kqP pN kq
k 1
pk frk
k 1
p1 f r
pk frk
k 2
pa
bqp0 fr
pa
bqp0 fr
pa

bqp0 fr
8 r
1

k 2i 1
r 1

pa
i 1
r 1
pa
i 1
pa
i 1
pa
bi
pk1q
q
pk1 fri fi
r
bi
pk1q
q
fi
pk1 fri
r
k 2
bi
qfigri
r
bi
qfigri.
r
Observe que cuando las reclamaciones son constantes y unitarias, es decir,
rmula de Panjer y m
n
2. Fo
46
f1 P pY 1q 1, entonces S N y la formula de Panjer se reduce

a la formula recursiva (2.1) de las distribuciones pa, b, 0q. A continuaci
on
escribimos explcitamente los primeros terminos de la formula recursiva de
Panjer:
g0
g1
p0 P pN 0q
pa 1b qf1g0
g2
pa
g3
pa
b
qf1g1
2
b
qf1g2
3
pa
pa
2b
qf2g0
2
2b
qf2g1
3
pa
3b
qf3g0
3
..
.
Como un ejemplo consideremos el caso cuando N sigue una distribucion
Poisson de par
ametro 3.5, y el monto de las reclamaciones tiene la
siguiente funci
on de densidad
r
fr
1
0.1
2
0.1
3
0.2
4
0.3
5
0.3
Entonces la formula de Panjer produce la funcion de probabilidad para S

que se muestra en la Figura 2.1. El codigo en R correspondiente se encuentra
en el Apendice B.
Harry Panjer
rmula de Panjer
2.1. Fo
47
gr
0.03
r
5
10
Figura 2.1
15
20
Aproximaci
on en el caso de montos de reclamaciones continuas
Cuando los montos de las reclamaciones toman valores continuos, pueden
usarse el siguiente metodo de discretizacion de estos montos para poder
aplicar la formula de Panjer. Se toma cualquier unidad monetaria 0, y
se definen las variables aleatorias enteras
n u,
sup t n P N : Yj n u,
y Yj
se define nf H 0. Entonces Y j
Yj

nf t n P N : Yj
en donde tambien
Yj Y j . Por
ejemplo, para la situaci
on que se muestra en la Figura 2.2 se tiene que
Y j 4 y Y j 3, y efectivamente 3 Yj 4.
Yj
Figura 2.2
Se definen entonces los siguientes riesgos cuyas reclamaciones ahora son
48
rmula de Panjer y m
n
2. Fo
enteras
S
Y j,
j 1
Y j.
j 1
Y entonces se cumple que

S
S S.
Por lo tanto, para cualquier x 0,

P pS
x{q P pS xq P pS x{q.
Esto provee de cotas superior e inferior, calculadas usando la formula de

Panjer, para la funci
on de distribucion del riesgo. Conforme m
as peque
na
sea la unidad monetaria mejor es la aproximacion. Debe observarse, sin
embargo, que surge una dificultad tecnica para aquellas reclamaciones Yj
con valores en p0, q, pues estas reclamaciones llevan a la definicion Y j 0,
lo cual no es un caso contemplado en el esquema de la formula de Panjer.
En una situaci
on real el monto de las reclamaciones es grande comparado
con el par
ametro , de modo que la probabilidad de que una reclamaci
on
tome un valor entre 0 y es realmente muy peque
na. Existe tambien un
caso particular simple que es cuando 1, es decir, se aproximan las
reclamaciones mediante valores enteros: para cada valor de Yj existe un
entero n 0 tal que n Yj n 1, y por lo tanto,
n 1.
Entonces se tienen nuevamente las relaciones S S S, y en consecuencia
para cualquier x 0,
P pS xq P pS xq P pS xq,
Yj
n,
Yj
en donde S y S son riesgos con reclamaciones enteras para los cuales puede
aplicarse la formula de Panjer y obtener su distribucion (exceptuando un
peque
no error obtenido por el caso Y j 0). En cualquier caso podemos ser
prudentes y tomar las reclamaciones de manera sobre estimada: para n 0,
Yj
n
cuando Y
P pn, n
1s.
De esta forma cualquier valor continuo de una reclamaci

on en el intervalo
pn, n 1s se considera como si fuera de magnitud n 1. Por lo tanto, los
n normal
2.2. Aproximacio
49
montos de las reclamaciones est

an siendo ligeramente sobrevaluadas. Si Gpxq
denota la funci
on de distribucion de una reclamaci
on Y cualquiera, entonces
se ha definido la distribuci
on discreta
P pY j
n
1q Gpn
1q Gpnq,
n 0, 1, 2, . . . .
En las siguientes secciones estudiaremos algunos metodos generales para

aproximar la distribuci
on de probabilidad de un riesgo en el modelo colectivo. Estas aproximaciones son muy generales y no presuponen el cumplimiento de las hip
otesis para la validez de la formula de Panjer, es decir,
el n
umero de reclamaciones no necesariamente tiene una distribucion en la
clase pa, b, 0q, ni el monto de las reclamaciones es necesariamente discreto.
Por otro lado, el problema de estimar el error en estas aproximaciones es
tambien muy general y no nos ocuparemos de ello.
2.2.
Aproximaci
on normal
Si la distribuci
on de probabilidad del n
umero de reclamaciones N se concentra mayormente en valores grandes, entonces el teorema central del lmite
sugiere aproximar la distribucion del riesgo S mediante la distribucion normal. Suponga que la esperanza de S es m y la varianza es 2 . Entonces,
para x 0,
P pS
xq P p S m x m q p x m q.
Derivando esta expresi

on se encuentra una formula aproximada para la funci
on de densidad de S.
Proposici
on 2.3 (Aproximaci
on normal) Sea S es una riesgo con media m y varianza finita 2 . Para cualquier x 0,
f S px q
1 xm
q.
p
(2.2)
Esta aproximacion hace uso u

nicamente de la media y la varianza del riesgo,
y en general no es una buena aproximacion a menos que la densidad del
rmula de Panjer y m
n
2. Fo
50
riesgo presente la forma de campana o bien el n

umero de reclamaciones sea
grande. Se puede particularizar esta aproximacion cuando la distribucion
de N es conocida, por ejemplo, cuando el n
umero de reclamaciones N sigue
una distribuci
on Poisson con par
ametro , la aproximacion (2.2) adquiere
la expresi
on
1
x
fS pxq ?
p ?
q.
2
2
Otro caso particular se obtiene cuando N es binpn, pq, entonces la expresi
on
(2.2) se reduce a la formula siguiente
xq p a x np 2 q.
npp2 pq
En el caso cuando N es bin negpr, pq se tiene que (2.2) es
x r p1 pq{p
q.
P pS x q p a
r p1 pqr2 {p p1 pq2 {p2 s
P pS
2.3.
Aproximaci
on gamma trasladada
Puesto que la funci

on de densidad o de probabilidad de algunos riesgos
pueden presentar un aspecto semejante a la forma de la distribucion gamma, se propone substituir la distribucion del riesgo S por la distribucion
de la variable aleatoria k Z, en donde k es una constante y Z es una
variable aleatoria con distribucion gammap, q. Para ello se deben escoger
adecuadamente valores para los tres par
ametros k, y , que determinan
la distribuci
on de k Z. Supongamos entonces conocidas o estimadas las
siguientes cantidades
a) E pS q m.
b) VarpS q 2 .
c)
E rpS E pS qq3 s
rVarpS qs3{2
3 .
La correspondiente media, varianza y coeficiente de asimetra (de Fisher)

de la variable aleatoria aproximante k Z son
n de Edgeworth
2.4. Aproximacio
a) E pk
b) Varpk
{.
Z q {2 .
Z E pk Z qq3 s
?

2{ .
3
{
2
rVarpk Z qs
La idea es hacer que las distribuciones de S y k Z coincidan en el sentido de que las tres cantidades mencionadas sean las mismas para las dos
distribuciones. Haciendo coincidir estas cantidades se obtiene el sistema de
ecuaciones

m,

2,
3,
k
?
2
cuya soluci
on es
2
4
2
k m

,
2,
.
3
3
3
c)
E rpk
Zq k
51
De esta forma se tiene la siguiente aproximacion.
Proposici
on 2.4 (Aproximaci
on gamma trasladada) La distribuci
on
del riesgo S en el modelo colectivo puede aproximarse mediante la distribuci
on de la variable aleatoria
m
en donde Z se distribuye gammap
2
3
Z,
2
4
,
q.
2
3 3
Pueden substituirse las expresiones generales para la media, varianza y coeficiente de asimetra de un riesgo que sigue el modelo colectivo para obtener
formulas un poco m
as particulares de esta aproximacion.
2.4.
Aproximaci
on de Edgeworth
Considere un cierto riesgo S modelado mediante una variable aleatoria con

esperanza m, varianza finita 2 , y tal que su funcion generadora de mo-
52
rmula de Panjer y m
n
2. Fo
mentos existe. Defina la variable Z pS mq{, cuya esperanza es cero y

varianza es uno. Sea MZ pr q la funcion generadora de momentos de Z. La
serie de Taylor de la funci
on ln MZ pr q alrededor de cero es
ln MZ pr q a0
a2 2
r
2!
a1 r
a3 3
r
3!

a4 4
r
4!
d
. Calculando las derivadas
en donde los coeficientes son ak dr
k ln MZ pr q
r 0
y evaluando en cero se encuentra que los primeros cinco coeficientes son
k
a0
a1
a2
a3
a4

0,
E pZ q 0,
E pZ 2 q 1,
E pZ 3 q,
E pZ 4 q 3,
..
.
La aproximacion de Edgeworth consiste en truncar la serie de Taylor de

un termino adecuado. Por ejemplo, la aproxila funci
on ln MZ pr q hasta alg
maci
on hasta la cuarta potencia de r es
ln MZ pr q
1 2
r
2!
a3 3
r
3!
a4 4
r .
4!
Entonces
MZ pr q

Ahora se usa la serie ex 1

y se obtiene la aproximacion
MZ pr q
er
er
{2 p1
{2
expp
1 2 a3 3 a4 4
r
r
r q
2!
3!
4!
a3
a4 4
2
er {2 expp r 3
r q.
6
24
x
x2 {2!
a3 3
r
6
a3 3 r2 {2
r e
6
x3 {3!
en el segundo factor
a4 4 a23 6
r
r q
24
72
a4 4 r2 {2 a33 6 r2 {2
r e
r e
.
24
72
(2.3)
n de Edgeworth
2.4. Aproximacio
53
El siguiente paso es invertir cada termino de esta ecuaci

on encontrando
una distribuci
on aproximada para Z. El resultado que utilizaremos es el
siguiente.
Proposici
on 2.5 Si pxq es la funci
on de densidad de la distribuci
on normal est
andar, entonces para cualquier entero n 0,
8
Demostraci
on.
erx p1qn pnq pxq dx r n er
{2 .
Primeramente tenemos que para n 0,
8
erx pxq dx er
{2 ,
on generadora de momentos de la distribucion nores decir, er {2 es la funci

mal est
andar. Multiplicando por r tenemos que
2
re {
r2 2

rerx pxq dx
8
8 d
p dx erx qpxq dx
8
8
erx 1 pxq dx.
8
Es decir, rer {2 es la transformada de Laplace de 1 pxq. Procediendo de

manera an
aloga, multiplicando sucesivamente por r, se llega a la formula
anunciada.

2
En particular, se ha demostrado que rer {2 es la transformada de Laplace

de 1 pxq. En este caso usamos el termino transformada de Laplace y no
funci
on generadora de momentos pues la funcion 1 pxq no es una funcion
2
de densidad. Entonces el resultado anterior establece que la funcion r n er {2
es la transformada de Laplace de p1qn pnq pxq. El siguiente paso es invertir
cada uno de los terminos de la igualdad (2.3), aunque realmente que no se
2
54
rmula de Panjer y m
n
2. Fo
est
a calculando de manera formal la inversa de la funcion generadora de
momentos (o transformada de Laplace) sino que se est
a usando el hecho de
que si dos distribuciones de probabilidad tienen la misma funcion generadora
de momentos, entonces las distribuciones coinciden. As, invirtiendo termino
a termino la igualdad (2.3), se obtiene
fZ pz q pz q
a3 p3q
pz q
6
a4 p4q
pz q
24
a23 p6q
pz q.
72
(2.4)
Recordemos que hemos definido Z pS mq{, por lo tanto la funcion de

a dada por
densidad de S m Z est
fS pxq
1
xm
q,
fZ p
y de esta forma se llega al siguiente resultado.
Proposici
on 2.6 (Aproximaci
on de Edgeworth) Sea S un riesgo con
media m, varianza finita 2 , y cuya funci
on generadora de momentos existe.
Entonces la funci
on de densidad de S puede aproximarse de la siguiente
forma
f S px q
1
x m a3 p3q x m a4 p4q x m a23 p6q x m
r
p
q 6 p q 24 p q 72 p q s.
Derivando directamente la funcion de densidad pxq de la distribucion normal est

andar puede demostrarse que
p3q pxq
p3x x3 q pxq,
p4q pxq p3 6x2 x4 q pxq,
p6q pxq p15 45x2 15x4
x6 q pxq.
Estas expresiones pueden substituirse en la aproximacion de Edgeworth

para obtener una expresi
on en terminos de u
nicamente la funcion pxq. Observe que el primer sumando en la aproximacion de Edgeworth corresponde
a la funci
on de densidad normal con media m y varianza 2 . No es difcil
55
2.5. Ejercicios
verificar adem
as que cuando el riesgo S sigue una distribucion normal, la
aproximacion de Edgeworth es exacta pues produce como resultado la misma distribuci
on con los mismos par
ametros.
Francis Ysidro Edgeworth

(Irlanda 18451926)
La aproximacion de Edgeworth puede expresarse tambien en terminos de la

funci
on de distribuci
on de la siguiente forma. Integrando (2.4) se obtiene
a3 p3q
a4 p4q
a23 p6q
pz q
pz q
pz q.
6
24
72
Considerando la identidad FS pxq FZ ppx mq{ q, se tiene que la aproximaci
on de Edgeworth para un riesgo S en terminos de la funcion de distribucion
es
xm
a3 p3q x m
a4 p4q x m
a23 p6q x m
q

q
q
q,
FS pxq p
p
p
p
24
72
en donde derivando directamente la funcion pz q puede demostrarse que

FZ pz q pz q
p3q pz q
pz2 1q pzq,
p4q pz q pz 3 3z q pz q,
p6q pz q pz 5 10z 3 15z q pz q.
2.5.
Ejercicios
Distribuciones de la clase pa, b, 0q
48. Las cuatro distribuciones de la clase pa, b, 0q. Sea tpk u una distribu-
rmula de Panjer y m
n
2. Fo
56
ci
on de probabilidad en la clase pa, b, 0q, es decir, se trata de una
distribuci
on discreta con soporte el conjunto t0, 1, . . . u y tal que
cumple la relaci
on pk pa b{kq pk1 para k 1, en donde a y b
son dos constantes. Observe que tomando el caso particular cuando
k 1, se llega a la conclusion de que las constantes deben satisfacer
la desigualdad a b 0.
a) Demuestre que en el caso a b 0, la distribucion se concentra
en cero, es decir, p0 1.
b) Demuestre que si a b 0 y a 0 entonces tpk u es la distribucion Poissonpq con b 0.
c) Demuestre que si a b 0 y a 0 entonces para cualquier
k 1,
k
ak! pk ab qpk 1 ab q p2 ab qp1 ab qp0 . (2.5)

Defina r 1 b{a, e incorpore este valor en (2.5). Concluya
que tpk u es la distribucion bin negpr, pq con p 1 a.
Observe que si a b 0 y a 0, y si la relaci
on iterativa es
valida para cualquier k 1 como hemos supuesto, entonces
pk
d)
necesariamente los valores de las constantes a y b deben ser

tales que exista un entero n 1 tal que
b
b
0, y a
0.
n
n 1
Y por lo tanto se debe tener que pk 0 para k n 1, n 2, . . ..
De la igualdad anterior obtenga n b{a 1. Compruebe la
validez de la ecuaci
on (2.5) para 0 k n, e incorpore all el
valor de n. Concluya que tpk u es la distribucion binomialpn, pq
con p a{pa 1q.
a
49. Funci
on generadora de probabilidad de una distribuci
on en la clase
pa, b, 0q. Sea N una variable aleatoria con distribucion de probabilidad en la clase pa, b, 0q.
a) Demuestre que la correspondiente funcion generadora de proon diferencial
babilidad PN ptq E ptN q satisface la ecuaci
1
p1 atq PN ptq pa bq PN ptq.
(2.6)
57
2.5. Ejercicios
b) Demuestre que la soluci

on a la ecuaci
on (2.6) con condici
on
inicial PN p1q 1 y para a R t0, 1u es
PN ptq
1 at
1a
c) En particular, demuestre que

c.1) P pN 0q p1 aqpa
c.2) lm P pN 0q eb .
q{
pa bq{a
para a 0.
b a
50. F
ormula para la esperanza de una distribuci
on en la clase pa, b, 0q.
Sea N una variable aleatoria con distribucion de probabilidad tpk u
en la clase pa, b, 0q. A partir de la definicion elemental de esperanza
o bien usando la formula (2.6) del ejercicio anterior, demuestre que
para a 1,
a b
.
E pN q
1a
F
ormula de Panjer
51. Compruebe que la formula recursiva de Panjer efectivamente produce una funci
on de probabilidad.
52. A partir de la formula recursiva de Panjer compruebe nuevamente
que
E pS q E pN qE pY q.
53. F
ormula recursiva para los momentos de S. Use la formula de Panjer y la misma notaci
on e hip
otesis de dicho resultado para demostrar que para a 1 y para n 1,
E pS
q 1a
1
n
n 1
i 0
n 1

E pS i q E pY ni q.
54. F
ormula recursiva para la funci
on de distribuci
on de S en un caso
particular. En general es difcil encontrar una expresi
on recursiva
para la funci
on de distribucion F pxq de un riesgo S en el modelo
rmula de Panjer y m
n
2. Fo
58
colectivo. Sin embargo, para el siguiente caso particular es posible encontrar dicha relaci
on. Usando la notaci
on e hip
otesis de la
formula de Panjer y en el caso cuando N tiene una funcion de probabilidad geoppq, es decir, pk P pN kq p1 pqk p, para k 0,
demuestre que para x 1,
F pxq p
p1 p q
fj F px j q.
j 1
55. Suponga que un riesgo S sigue un modelo colectivo en donde N

tiene una distribucion Poisson de par
ametro 2, y el monto de las
reclamaciones tiene la funcion de probabilidad que aparece abajo.
Use la formula de Panjer para encontrar la funcion de probabilidad
de S.
r
fr
1
1/2
2
1/2
56. Suponga que un riesgo S sigue un modelo colectivo en donde N tiene

una distribuci
on geometrica de par
ametro p 1{2, y el monto de las
reclamaciones tiene la funcion de probabilidad que aparece abajo.
Use la formula de Panjer para encontrar la funcion de probabilidad
de S.
r
fr
1
1/2
2
1/2
Aproximaci
on normal
57. Suponga que un cierto riesgo S tiene una distribucion Poisson compuesta con par
ametro 30, en donde los montos de las reclamaciones siguen una distribucion uniforme(0, 10). Use la aproximacion
normal para encontrar el valor de la prima p tal que
a) P pS
b)
pq 0.05.
P pS pq 0.01.
2.5. Ejercicios
59
58. Suponga que un riesgo S sigue una distribucion Poisson compuesta

con par
ametro 20, y los montos de las reclamaciones tienen
distribuci
on exppq con 10. Use la aproximacion normal para
estimar la probabilidad P pS E pS qq.
con par
ametro 20, y los montos de las reclamaciones tienen distribucion Paretop4, 3q. Use la aproximacion normal para comprobar
que el valor de la prima p que cumple la condici
on P pS pq 0.01
es p 38.0194 .
Aproximaci
on gamma trasladada
60. Demuestre que si S es un riesgo con distribucion gammap, q, entonces E rpS {q3 s 2 {3 . Compruebe entonces que la aproximaci
on gamma trasladada para S coincide con S.
61. Durante la derivacion de la aproximacion gamma trasladada se usa
el hecho de que la variable aleatoria k Z, en donde Z tiene una
distribuci
on gammap, q, tiene media, varianza y coeficiente de
?
asimetra k {, {2 y 2{ respectivamente. Demuestre estas
formulas.
62. Durante la derivacion de la aproximacion gamma trasladada se llega
?
al sistema de ecuaciones k { m, {2 2 y 2{ 3 , en
donde k, y son las inc
ognitas. Demuestre que la soluci
on a este
2
sistema es efectivamente k m 2 {3 , 4{3 y 2{3 .
63. Encuentre una expresi
on para la aproximacion gamma trasladada
cuando el riesgo sigue una distribucion
a) Poisson compuesta.
b) binomial compuesta.
c) binomial negativa compuesta.
64. Suponga que Z tiene una distribucion gammap, q. Demuestre que
si 2 es un n
umero entero natural, entonces 2Z tiene una distribu2
ci
on p2 q.
rmula de Panjer y m
n
2. Fo
60
Aproximaci
on de Edgeworth
65. Demuestre que la aproximacion de Edgeworth para un riesgo con
distribuci
on normal con media m y varianza 2 produce esta misma
distribuci
on con los mismos par
ametros. Recuerde que si Z tiene
una distribuci
on normal est
andar, entonces los momentos impares
de esta variable aleatoria se anulan, y para cualquier n
umero natural
n,
p2nq!
E pZ 2n q n .
2 n!
66. Suponga que S tiene una distribucion Poisson compuesta de par
ametro 0, y que se desea usar la aproximacion de Edgeworth
para S. Demuestre que
ak

dk
ln MZ pr q
k
dr
r 0
k p2 qk{2,
para k
2, 3, 4.
En consecuencia
P pS
xq
3{2
x
? q 3 p6 2q p3q p x? q
2
2
4 p2 q2 p4q x
q
p?
24
2
2 23 p2 q3 p6q x
p?
q.
72
2
67. Suponga que S tiene una distribucion Poisson compuesta de par

ametro 0, y que se desea usar la aproximacion de Edgeworth
para S. Suponga adicionalmente que el monto de las reclamaciones
siguen una distribucion Paretop4, 3q. Demuestre que 4 8, y por
lo tanto la formula del ejercicio anterior no puede aplicarse.
Captulo 3
Principios para el c
alculo de
primas
Hemos mencionado antes que una prima es un pago por adelantado que un
asegurado realiza a una compa
na aseguradora para obtener una cobertura
parcial o completa contra un riesgo determinado, en los terminos y condiciones que establece la p
oliza del seguro. En este captulo vamos a estudiar
algunas reglas generales para calcular el valor de una prima tomando en
consideracion u
nicamente los aspectos matem
aticos del riesgo, es decir, no
consideraremos cuestiones administrativas o mercadologicas del negocio del
seguro, las cuales en situaciones pr
acticas son indispensables de considerar.
Denotaremos por p, o pS , la prima para cubrir un riesgo S. De esta manera, a la formula para calcular una prima se le puede considerar como una
funci
on numerica de la variable aleatoria S o de su distribucion.
3.1.
Principios generales
La prima pura de riesgo est

a dada por p E pS q. Aunque esta formula
podra parecer justa para el asegurado, no lo es as para el asegurador, quien
debe solventar los diversos gastos de administracion del seguro, y quien por
otro lado no tendra ning
un margen de ganancia promedio por operar el
negocio del seguro. Veremos a continuaci
on la posible situaci
on catastr
ofica
que podra presentarse cuando se toma p E pS q. Considere un portafolio
homogeneo de n p
olizas de seguro de un mismo riesgo y validas por un
61
lculo de primas
3. Principios para el ca
62
tiempo determinado. Suponga que se cobra una misma prima p por cada
p
oliza, y que Sj representa el monto de las reclamaciones efectuadas por la
p
oliza j, las cuales se presuponen independientes y con identica distribucion.
Si u es el capital inicial de la aseguradora, entonces el capital de la misma
al termino de la vigencia de las p
olizas es
Xn
u
np
Sj
u
j 1
pp Sj q.
j 1
Tenemos las siguientes dos situaciones:

a) Cuando p E pS q, al tomar esperanza en la ecuaci
on anterior se obna
tiene E pXn q u n pp E pS qq u. Es decir, en promedio la compa
aseguradora permanece con su capital inicial, sin embargo puede demostrarse que cuando n 8, casi seguramente,
lm sup Xn
n
lm
inf Xn 8.
n8
Esto quiere decir que el capital Xn puede oscilar y tomar valores

grandes, tanto negativa como positivamente.
b) Cuando p E pS q, por la ley de los grandes n
umeros, la variable Xn
tiene el siguiente comportamiento lmite en el sentido casi seguro,
lm Xn
8
8
si p E pS q,
si p E pS q.
En vista de estos resultados, es natural y deseable suponer p E pS q. Esta

condici
on se conoce con el nombre de condici
on de ganancia neta (net profit
condition), y debe prevalecer en cualquier metodo para calcular p. En general no existe un mecanismo de calculo para la prima que sea el mejor pues
existen varias condiciones que afectan la forma de calcular primas, entre
ellas, las restricciones legales y financieras, las condiciones del asegurado,
las condiciones de la propia aseguradora y de las otras aseguradoras, as como las condiciones del mercado del seguro. Todos estos son factores que
determinan, directa o indirectamente, el valor de una prima para cubrir un
riesgo particular en una situaci
on real.
63
3.1. Principios generales
Principio del valor esperado

Este principio es uno de los m
as sencillos y establece que la prima puede
calcularse de la siguiente forma
p p1
qE pS q,
en donde 0 es una constante llamada factor de recargo (safety loading).

Es decir, se trata de la reclamaci
on promedio mas un porcentaje de esta.
En el factor de recargo se encuentran inmersos los costos administrativos y
comerciales del seguro, as como los m
argenes de utilidad de la aseguradora.
La forma simple en la que se calculan las primas mediante este principio
es una de sus caractersticas principales, sin embargo puede observarse que
una desventaja de esta formula es que asigna la misma prima a dos riesgos con distinta distribuci
on pero con media com
un, y no toma en cuenta
otro aspectos. Por ejemplo, si las varianzas de los riesgos fueran distintas,
entonces las primas tal vez deberan ser distintas.
Principio de la varianza
Este principio hace uso de la esperanza y la varianza del riesgo. En este
caso el factor de recargo 0 se aplica sobre el valor de la varianza de la
siguiente forma
p E pS q VarpS q.
Principio de la desviaci
on est
andar
Sea nuevamente 0 una constante. En este principio el factor de recargo
se aplica sobre la desviaci
on est
andar del riesgo como indica la formula que
aparece abajo. A diferencia del principio de la varianza, en este caso las
unidades de medici
on del riesgo y de la prima coinciden. Y es evidente que
la prima calculada mediante este principio produce una prima menor o igual
a aquella calculada mediante el principio de la varianza.
p E pS q
VarpS q.
Principio de utilidad cero

Este principio hace uso de una funcion de utilidad, esto es, una funcion v pxq
definida sobre r0, 8q o un subconjunto de este intervalo y con valores en R,
que cumple las propiedades que se mencionan a continuaci
on, y cuya gr
afica
en terminos generales se muestra en la Figura 3.1.
lculo de primas
64
a) Es estrictamente creciente.
b) Es c
oncava.
Suponiendo diferenciabilidad, la primera condici
on se escribe v 1 pxq 0, y
2
nade la condici
on
la segunda condici
on significa que v pxq 0. A veces se a
on de utilidad (definida en x 0) puede modificarse
v p0q 0 pues toda funci
de tal forma que cumpla esa condici
on sin afectar el resultado en los procesos
de decisi
on que llevaremos a cabo usando estas funciones. La nueva funcion
de utilidad sera v pxq v p0q. Vease la secci
on sobre este tema en el apendice.
v pxq
Figura 3.1: Funci

on concava.
El principio de utilidad cero establece que la prima para cubrir un cierto
riesgo S es aquel n
umero p que satisface la ecuaci
on
v puq E rv pu
p S qs,
(3.1)
en donde u es el capital inicial de la aseguradora. Es decir, la utilidad que

representa para la aseguradora el capital inicial u debe ser identica a la
utilidad esperada al cubrir el riesgo. As pues, el calculo de p est
a dado
implcitamente por la ecuaci
on (3.1), y para que la prima este bien definida
supondremos el caso cuando esta ecuaci
on tiene una u
nica soluci
on p. Debemos mencionar, sin embargo, que resolver ecuaciones de la forma (3.1) para
p, no es sencillo. El siguiente ejemplo es un caso muy particular y atpico.
Ejemplo 3.1 Considere la funci
on de utilidad upxq 1 ex , con 0.
La prima se calcula como aquel valor de p que es soluci
on de la ecuaci
on
1 eu
E r1 epu
q s.
p S
65
En este caso la soluci

on se puede encontrar con facilidad. Despues de algunos c
alculos, de la identidad anterior se obtiene la expresi
on
p
1
ln MS pq.
(3.2)
Se presentan a continuaci
on algunos ejemplos de funciones de utilidad.
a) Funci
on de utilidad exponencial.
v pxq 1 ex ,
0.
b) Funci
on de utilidad cuadratica.
v pxq x x2 ,
0,
para 0 x 1{p2q.
c) Funci
on de utilidad logartmica.
v pxq ln x,
0.
d) Funci
on de utilidad de potencia fraccional.
v pxq x ,
0 1.
Demostraremos a continuaci
on que el principio de utilidad cero produce
primas que cumplen la condici
on p E pS q. Por la desigualdad de Jensen
en el caso de funciones c
oncavas,
v puq E rv pu
p S qs v pE pu
p S qq v pu
p E pS qq.
Como v es una funci

on estrictamente creciente, es uno-a-uno, y por lo tanto

1
su inversa v existe y tambien es estrictamente creciente. Al aplicar entonces la inversa se preserva la desigualdad anterior y se obtiene p E pS q.
La igualdad se logra, por ejemplo, cuando S es constante.
Principio del valor medio
Este principio hace uso de una funcion de valor, esto es, una funcion v pxq
que cumple las propiedades que aparecen abajo y cuya gr
afica general se
muestra en la Figura 3.2.
a) v p0q 0.
b) Es estrictamente creciente.
66
lculo de primas
v pxq
Figura 3.2: Funci

on convexa.
c) Es estrictamente convexa.
El principio del valor medio establece que la prima p debe calcularse a partir
de la igualdad
v ppq E rv pS qs.
(3.3)
Esta identidad significa que la compa
na aseguradora asigna el mismo valor
a la prima que al valor promedio de la reclamaci
on. Como v es estrictamente
creciente, es uno-a-uno, su inversa por lo tanto existe y es tambien estrictamente creciente. De hecho, la inversa de cualquier funcion de utilidad que se
anula en cero es un ejemplo de una funcion de valor. As, la prima mediante
este principio se puede escribir de la siguiente forma
p v 1 pE pv pS qqq.
Por la desigualdad de Jensen para la funcion convexa v, E pv pS qq v pE pS qq,
o bien por la misma desigualdad para la funcion concava v 1 , v 1 pE pX qq
E pv 1 pX qq. Ambos caminos llevan a la desigualdad
p E pS q.
Ejemplo 3.2 Considere la funci
on de valor v pxq ex 1, con 0.
Bajo este principio, la igualdad (3.3) se escribe ep 1 E peS 1q, lo
que lleva a la siguiente soluci
on, que es identica a (3.2),
p
1
ln MS pq.
(3.4)
67
Principio exponencial
Este es el principio de utilidad cero aplicado a la funcion de utilidad v pxq
1 ex , con 0. Y coincide tambien con el principio del valor medio
aplicado a la funci
on de valor v pxq ex 1, con 0. Hemos visto que
la prima calculada bajo estos principios es
p
1
ln MS pq.
Observe que en este caso la prima no depende del capital inicial u. Puede
verificarse directamente que p E pS q, lo cual hemos demostrado de manera
general en dos ocasiones.
Principio del porcentaje
Sea 0 una constante. El principio del porcentaje sugiere que la prima p puede calcularse mediante la expresi
on aparece abajo. El significado
geometrico de esta formula se muestra en la Figura 3.3.
p nf tx 0 : P pS
xq u.
f pxq
Figura 3.3
De esta forma la probabilidad de que el riesgo exceda el monto de la prima
debe ser peque
no o controlable mediante el par
ametro . A este principio tambien se le conoce tambien como principio de perdida m
axima. Por
ejemplo, si S sigue una distribucion exponencial de par
ametro , entonces
P pS xq ex . Y por lo tanto p es aquel valor numerico tal que ep ,
es decir, p 1 ln . As, para este ejemplo particular, se cumple la condiolo si, 1 ln 1 , es decir, e1 . Esto muestra
ci
on p E pS q si, y s
que el principio del porcentaje no produce en general primas que cumplen
la condici
on de ganancia neta.
lculo de primas
68
Principio de Esscher
Antes de establecer este principio es necesario primero definir la transformada de Esscher de una distribucion. Sea S un riesgo con funcion de densidad
on de distribuci
on F pxq, y para la cual existe la funcion generaf pxq, funci
dora de momentos MS phq, para algunos valores de h 0. La transformada
de Esscher con par
ametro h de la funcion de densidad f pxq es
g pxq
MS phq
ehx f pxq.
(3.5)
Es inmediato comprobar que esta funcion es efectivamente de densidad. El

principio de Esscher establece que la prima para cubrir el riesgo S es la
esperanza de esta nueva funcion de densidad, es decir,
p

x ehx f pxq dx
MS phq 0
1
E pSehS q.
MS phq
1
Habiendo definido la forma de calcular primas bajo este principio, vamos

a hacer ahora algunas observaciones acerca de la nueva funcion de densidad (3.5), la cual es la funcion de densidad original ponderada por la funci
on x ehx {MS phq. Para valores de x menores a E pS q esta ponderacion
es menor a uno pues
ehx
ehE pS q
1,
MS phq
MS phq
en donde la segunda desigualdad se obtiene de la desigualdad de Jensen. Ello
tiene como consecuencia que la esperanza de (3.5) sea mayor a la esperanza
de S, cumpliendose as la condici
on de ganancia neta. Observe adem
as que
la correspondiente funci
on de distribucion de (3.5) es
Gpxq
MS phq
ehy f py q dy.
A esta funci
on tambien se le llama la transformada de Esscher de la funcion
de distribuci
on F pxq. Sea S una variable aleatoria asociada a esta funcion de
distribuci
on. Algunos c
alculos sencillos muestran que la funcion generadora
de momentos de esta nueva variable aleatoria est
a dada por
MS ptq
MS pt hq
.
MS phq
69
3.2. Propiedades
Principio del riesgo ajustado

Este principio, as como el de Esscher, est
a basado en una transformacion
de la distribuci
on del riesgo. Para un riesgo S con funcion de distribucion
F pxq se define una nueva funcion de distribucion de la siguiente forma
Gpxq 1 p1 F pxqq1{ ,
en donde 1 es un par
ametro conocido como el ndice del riesgo. Puesto
umero entre cero y uno, y 1, se cumple que
que 1 F pxq es un n
p1 F pxqq1{ 1 F pxq. De donde se obtiene que F pxq Gpxq y ello se
F pxq
Gpxq
x
Figura 3.4
La prima por el principio del riesgo ajustado para el riesgo S se define como
la esperanza de la nueva funcion de distribucion es , es decir,
p
8
0
p1 Gpxqq dx
8
0
p1 F pxqq1{ dx.
Se verifica la condici
on p E pS q pues
p
3.2.
8
0
p1 F pxqq1{ dx
8
0
p1 F pxqq dx E pS q.
Propiedades
En esta secci
on se enuncian algunas propiedades generales que son deseables
que posea cualquier metodo para calcular primas.
70
lculo de primas
Simplicidad
El c
alculo de la prima debe ser facil de calcular, por ejemplo, los principios
del valor esperado, el de la varianza y el de la desviacion est
andar cumplen
plenamente esta primera propiedad. La simplicidad en el calculo de la prima
es deseable que se cumpla por varias razones, entre ellas est
a el aspecto
pr
actico del c
alculo mismo, as como el de lograr una cabal comprension
del c
alculo de la prima por parte del asegurado y del resto de las personas
involucradas en los procesos administrativos y legales del seguro.
Cota inferior
Por lo explicado antes, la prima debe tener siempre como cota inferior estricta la prima de riesgo, es decir, p E pS q, en otras palabras, las primas deben
tener siempre un recargo positivo. Sin embargo, como hemos constatado en
algunos c
alculos, es m
as sencillo verificar la condici
on p E pS q.
Consistencia
Si un riesgo se incrementa en una constante, entonces la prima debe reflejar
ese cambio increment
andose en la misma cantidad, es decir, si c 0 es una
constante, entonces ppS cq ppS q c. Los principios de varianza, de la
desviaci
on est
andar, de utilidad cero, el principio exponencial y el principio
del porcentaje cumplen con esta propiedad.
Aditividad
La prima de un portafolio consistente en dos riesgos independientes debe
ser la suma de las primas individuales, es decir, ppS1 S2 q ppS1 q
ppS2 q, cuando S1 y S2 son dos riesgos independientes. Es claro que cuando
se cumple esta propiedad, el intentar combinar o separar los riesgos no
resulta en ninguna ventaja o provecho alguno ni para el asegurado ni para el
asegurador. Los principios de valor esperado, el de la varianza y el principio
exponencial cumplen esta propiedad.
Invarianza de escala
Si a 0 es una constante, entonces ppaS q appS q, es decir, si la cuantificaci
on del riesgo S cambia de escala y se considera ahora el riesgo aS,
la prima para este nuevo riesgo debe ser appS q, esto es, la prima original
modificada con la misma escala.
71
3.3. Primas y funciones de utilidad
Cota superior
Si un riesgo est
a acotado superiormente, entonces la prima para cubrir este
riesgo tambien debe tener la misma cota superior, es decir, si S M para
alguna constante M 0, entonces ppS q M .
3.3.
Primas y funciones de utilidad
Hemos mencionado que el principio de utilidad cero establece que la prima

que una aseguradora est
a dispuesta a cobrar a un asegurado para cubrir un
umero
cierto riesgo S, y tomando como funcion de utilidad v1 pxq es aquel n
p que satisface la ecuaci
on
v1 pu1 q E rv1 pu1
p S qs,
(3.6)
v2 pu2 pq E rv2 pu2 S qs.
(3.7)
en donde u1 es el capital inicial de la aseguradora. Denotemos por p a esta

prima puesto que en realidad la aseguradora estara contenta en cobrar una
prima p que sea mayor o igual a p , es decir, desde el punto de vista de
la aseguradora y bajo el criterio de utilidad cero, la prima p es la mnima
prima a cobrar, y por lo tanto p p . En contraparte, un asegurado con
capital inicial o riqueza u2 y con funcion de utilidad v2 pxq, considera que
puede aceptar contratar un seguro para cubrirse contra el riesgo S cuando,
de acuerdo al principio de utilidad cero, la prima p est
a dada por
El posible valor de p soluci

on de esta ecuaci
on representa el punto de balance
(misma utilidad) para el asegurado entre la decisi
on de contratar el seguro o
on de (3.7). Nuevamente
no contratarlo. Denotemos ahora por p a la soluci
ese valor es en realidad la prima m
axima que el asegurado est
a dispuesto a
pagar para cubrirse contra S, pues es claro que una prima menor o igual a
tal valor es conveniente para el. De esta manera el principio de utilidad cero
establece las condiciones de ambas partes para tomar un decisi
on respecto
a firmar o no firmar el contrato del seguro. Es claro que habra un acuerdo
entre ambas partes si existe un valor de p tal que
p
pp
En tal caso se dice que el riesgo es asegurable bajo el criterio y condiciones

mencionados. La situaci
on se ilustra en la Figura 3.5.
lculo de primas
72
p Prima de la aseguradora
Prima del asegurado p
Figura 3.5
Ejemplo 3.3 Suponga que una compa
na aseguradora con capital inicial
u1 0 decide asegurar un riesgo S y el c
alculo de la prima se determina de
acuerdo al principio de utilidad cero usando la funci
on de utilidad v1 pxq
1 e1 x , con 1 0. De este modo, la prima mnima que la aseguradora
on de la ecuaci
on
est
a dispuesta a cobrar es p dada por la soluci
v1 pu1 q E rv1 pu1
p S qs.
Resolviendo esta ecuaci

on como se ha hecho antes se encuentra que p
1
a dis1 ln MS p1 q. Por otro lado, un asegurado con capital inicial u2 est
puesto a pagar una prima m
axima p para asegurarse contra este riesgo,
determinada por la ecuaci
on v2 pu2 p q E rv2 pu2 S qs, en donde v2 pxq
es la funci
on de utilidad particular v2 pxq 1 e2 x , con 2 0. La soluci
on de esta ecuaci
on es p 12 ln MS p2 q. As, el riesgo mencionado es
asegurable bajo las condiciones mencionadas si, y s
olo si, las constantes 1
y 2 satisfacen la relaci
on
1
1
ln MS p1 q
ln MS p2 q.
1
2
3.4.
Ejercicios
Desigualdad de Jensen
68. Una funci

on u : pa, bq R es convexa si para cualesquiera n
umeros
x y en pa, bq, y para cualquier t P r0, 1s se cumple la desigualdad
uptx
p1 tqyq tupxq p1 tqupyq.
3.4. Ejercicios
73
Geometricamente esta desigualdad significa que la recta que une

los puntos px, upxqq y py, upy qq se encuentra por arriba de la funci
on en el intervalo rx, y s. Cuando u es dos veces diferenciable, la
condici
on de convexidad se escribe u2 pxq 0. La desigualdad de
Jensen establece que si u es una funcion convexa y X es una variable aleatoria tal que tanto X como upX q tienen esperanza finita,
entonces
upE pX qq E pupX qq.
Demuestre esta desigualdad en el caso cuando u es dos veces diferenciable siguiendo los siguientes pasos:
a) Escriba la serie de Taylor de la funcion u alrededor de un punto
x0 , hasta la segunda derivada.
b) Use la condici
on u2 pxq 0 para concluir que upxq upx0 q
1
u px0 qpx x0 q.
c) Substituya x por X, x0 por E pX q, y despues tome esperanza
de ambos lados.
Funciones de utilidad y el principio de utilidad cero
69. Sean a 0 y 0 constantes. Demuestre que la funcion v pxq
ap1 ex q definida para x 0, es una funcion de utilidad y que
usada bajo el principio de utilidad cero determina que la prima para
cubrir un riesgo S debe ser p 1 ln MS pq.
70. Suponga que una persona con capital u tiene dos opciones de inversi
on, las cuales le reportan ganancias o perdidas dadas por las
variables aleatorias I1 e I2 . Es decir, al cabo de cada una de las
inversiones su capital ser
a u I1 o u I2 . Suponga que la persona
decide tomar la inversi
on que le otorga una utilidad esperada mayor, en donde su funcion de utilidad es exponencial. Demuestre que
su decisi
on es independiente del capital inicial u.
Funciones de valor y el principio del valor medio
71. Suponga que un riesgo S tiene distribucion exppq. Use el principio
del valor medio para calcular la prima para cubrir este riesgo usando
lculo de primas
74
la funci
on de valor v pxq x2 .
Principio de la varianza
72. Usando el principio de la varianza calcule la prima p para cubrir un
riesgo S con distribucion unifp0, 1q, y encuentre el valor del factor
tal que P pS pq 0.1 .
Principio exponencial
73. Use la desigualdad de Jensen para demostrar directamente que la
prima calculada mediante el principio exponencial cumple la desigualdad p E pS q.
Principio del porcentaje
74. Usando el principio del porcentaje, calcule la prima para cubrir un
riesgo S con distribucion exppq.
75. Mediante el principio del porcentaje calcule la prima para cubrir
un riesgo con distribucion Paretopa, bq.
76. Mediante el principio del porcentaje calcule la prima para cubrir
un riesgo con distribucion Weibullpr, q.
77. Considere un riesgo S con funcion de densidad como aparece abajo.
Calcule la prima para cubrir S mediante el principio del porcentaje.
?
2
f pxq ? ex {2 ,
x 0.
Transformada de Esscher
78. Calcule la transformada de Esscher de par
ametro h
tribucion
a) unifpa, bq.
0 de la dis-
75
3.4. Ejercicios
b) Poissonpq.
c) Np, 2 q.
79. Sea S un riesgo con funcion de densidad f pxq. Demuestre que la

doble transformada de Esscher de f pxq con par
ametros h1 y h2 ,
respectivamente, es
g px q
MS ph1
h2 q
eph1
q f pxq,
h2 x
y que la funci
on generadora de momentos de esta nueva funci
on de
densidad es
MS pt h1 h2 q
.
M ptq
MS ph1 h2 q
Principio de Esscher
80. Calcule la transformada de Esscher de par
ametro h de la distribuci
on gammap, q, y encuentre la prima mediante el principio de
Esscher para cubrir un riesgo con esta distribucion. Se verifica la
condici
on de ganancia neta?
81. Demuestre que la transformada de Esscher de par
ametro h de un
riesgo S con distribucion exppq es nuevamente la distribucion
expp hq,
para h .
Grafique ambas funciones de densidad para efectos de comparacion.

Determine la prima por el principio de Esscher para cubrir el riesgo
S. Se verifica la condici
on de ganancia neta?
Principio del riesgo ajustado
82. Demuestre que la transformada del principio del riesgo ajustado de
par
ametro de un riesgo S con distribucion exppq es nuevamente
la distribuci
on expp{q. Determine la prima por este principio para
cubrir el riesgo S, y verifique la condici
on de ganancia neta para
1.
lculo de primas
76
83. Demuestre que la transformada del principio del riesgo ajustado de

par
ametro de un riesgo S con distribucion Paretopa, bq es nuevamente la distribucion Paretopa{, bq. Determine la prima para
cubrir S usando este principio, y verifique la condici
on de ganancia
neta para 1.
84. Calcule la prima para cubrir un riesgo S con distribucion unifp0, 1q,
usando el principio del riesgo ajustado con ndice de riesgo , y
verifique la condici
Propiedades
85. Complete la siguiente tabla determinando si cada uno de los principios mencionados para calcular primas cumple la propiedad correspondiente. En cada caso demuestre su afirmacion o proporcione un
contraejemplo. Para simplificar las cosas considere que la propiedad
de cota inferior se refiere a la desigualdad no estricta p E pS q.
Cota
inferior
Consistencia
Aditividad
Invarianza
Cota
superior
Valor esperado
Varianza
Desv est
andar
Utilidad cero
Valor medio
Exponencial
Porcentaje
Esscher
Riesgo ajustado
Primas y funciones de utilidad

86. Calcule la prima m
axima que un asegurado est
a dispuesto a pagar
para cubrirse contra un riesgo S que puede tomar los valores 0 y
100, con identica probabilidad 1{2. Suponga que como funcion de
utilidad se toma la funcion identidad.
87. Considere un riesgo S con distribucion Poissonpq con 10.
Sea v1 pxq 1 ex con 1{2 la funcion de utilidad de la
3.4. Ejercicios
77
aseguradora. Sea v2 pxq x 1 la funcion de utilidad del solicitante

del seguro. Determine si el riesgo S es asegurable. Observe que en
este caso no es necesario conocer el capital inicial del asegurado ni
del asegurador.
88. Sea v pxq una funcion de utilidad, y sean a y b dos constantes con
a 0. Demuestre que a v pxq b es una funcion de utilidad.
89. Suponiendo diferenciabilidad, demuestre que la composici
on de dos
funciones de utilidad es una funcion de utilidad.
90. Aversi
on al riesgo. Suponga que una persona con capital inicial
u tiene la posibilidad de participar en un juego justo en el que
recibira una cantidad positiva x con probabilidad 1{2, o perdera dicha cantidad con probabilidad 1{2. En caso de no desear participar
en este juego, el capital de la persona no se modifica y permanece
con el valor u. Suponga que la persona toma la decisi
on de participar o no participar en el juego usando el criterio de la utilidad
esperada m
axima, es decir, tomar
a aquella decisi
on que le redit
ue
una utilidad promedio m
axima. Demuestre que si la funcion de utilidad usada es estrictamente concava, es decir, v 2 pxq 0, entonces
la decisi
on ser
a siempre no participar en el juego, a pesar de que
este es justo. Esto ilustra la interpretacion de que las funciones de
utilidad estrictamente concavas representan la utilidad de personas
con aversi
on al riesgo.
91. Coeficiente de aversi
on al riesgo. Se define el coeficiente de aversi
on al riesgo de una funcion de utilidad v pxq como la funcion
v2pxq{v1 pxq 0. Calcule este coeficiente en el caso de la funcion de
utilidad exponencial, cuadratica, logartmica y potencia fraccional.
78
lculo de primas
Captulo 4
Reaseguro
En este captulo estudiaremos algunas ideas simples y generales del reaseguro. El reaseguro se presenta cuando una aseguradora firma un contrato
para cubrir ciertos riesgos con otra compa
na aseguradora llamada reaseguradora. De esta manera ambas aseguradoras adquieren la obligaci
on de
solventar las posibles reclamaciones del riesgo en cuesti
on. De esta manera
nos encontramos nuevamente en el esquema general de un asegurado y una
aseguradora, en donde debe existir un acuerdo entre ambas partes acerca
de las condiciones del contrato, las caractersticas del riesgo, las condiciones
para el pago de la suma asegurada y, por supuesto, el calculo de la prima
correspondiente. Desde el punto de vista de la aseguradora, el reaseguro le
ayuda a evitar posibles fuertes montos en las reclamaciones, aunque naturalmente disminuyen sus ingreso por primas pues tiene que compartir estas
con la reaseguradora. Consideremos entonces un riesgo S, y denote por S A
la parte del riesgo asumido por el asegurador y sea S R la parte asumida
por el reasegurador. Las letras A y R indican los terminos Asegurador y
Reasegurador, respectivamente. Debe entonces cumplirse la igualdad
S
SA
S R.
Los distintos tipos de reaseguro corresponden a las distintas formas en las

que esta descomposici
on puede llevarse a cabo. El objetivo ahora es estudiar
las caractersticas probabilsticas de las variables aleatorias S A y S R , y si se
dan las condiciones adecuadas, pueden aplicarse los resultados encontrados
antes en este curso para lograr dicho objetivo. El reaseguro puede tomar
79
80
4. Reaseguro
por lo menos dos perspectivas: actuar sobre las reclamaciones individuales

o sobre el total del riesgo.
Reclamaciones
individuales
Reaseguro
Total del
riesgo
Figura 4.1
En ambos esquemas de reaseguro se aplica una funcion continua h del intervalo r0, 8q en s mismo tal que hp0q 0 y hpxq x. Las dos funciones de este
tipo que consideraremos son hpxq ax, para a P p0, 1q, y hpxq mntx, M u,
aficamente estas funciones se muestran a
para alguna constante M 0. Gr
la Figura 4.2.
hpxq ax
hpxq mntx, M u
M
x
x
M
Figura 4.2
Bajo el esquema de reaseguro, la aseguradora afronta u
nicamente el riesgo
resultante de aplicar la funcion h al riesgo original o a cada una de sus
reclamaciones. Cuando se utiliza la primera de las funciones h mencionadas,
el reaseguro se llama proporcional, y en el segundo caso se le llama no
proporcional. Estudiaremos a continuaci
on estos dos tipos de reaseguro.
81
4.1. Reaseguro proporcional
4.1.
Reaseguro proporcional
Suponga
N que una compana aseguradora reasegura un riesgo de la forma
S j 1 Yj . En el reaseguro proporcional se usa la funcion hpxq ax,
para alg
un valor de la constante a en el intervalo p0, 1q. Usando la linealidad de esta funci
on, es claro que es equivalente aplicar la funcion a cada
reclamaci
on por separado o al riesgo completo. Dada una reclamaci
on Y ,
la aseguradora hace frente a una proporci
on de esta, aY , y la reaseguradora cubre el porcentaje restante, p1 aqY . El riesgo total asumido por la
aseguradora es aS, y la reaseguradora cubre p1 aqS, es decir,
SA
aS
a Yj ,
j 1
SR
p1 aqS
p1 aq Yj .
j 1
Las caractersticas probabilsticas de S A , o bien de S R , se encuentran facilmente de las de S, pues no es difcil comprobar los siguientes resultados.
a) FS A pxq FS px{aq.
b) fS A pxq
1
fS px{aq, cuando S es absolutamente continua.
a
c) MS A pr q MS par q.
d) E pS A q a E pS q E pS q.
e) VarpS A q a2 VarpS q VarpS q.
Probabilidad de insolvencia
Comprobaremos a continuaci
on que el reaseguro proporcional es conveniente
para la aseguradora en el sentido de que la probabilidad de insolvencia bajo
este tipo de reaseguro es menor o igual a la probabilidad de insolvencia
cuando no hay reaseguro. Suponga que una compa
na aseguradora adquiere
un riesgo S durante un cierto periodo y por el cual cobra una prima p.
Suponga que esta aseguradora tiene un capital inicial u. La probabilidad de
que la compa
na aseguradora no pueda solventar el riesgo es P pS p uq.
82
4. Reaseguro
Ahora suponga que la compa

na decide reasegurarse mediante el esquema
de reaseguro proporcional. Suponga adem
as que el asegurador retiene una
parte de la prima original p dada por ap, con 0 a 1, y el reasegurador
obtiene al aceptar reasegurar este riesgo la cantidad p1aqp. La probabilidad
de que la aseguradora no pueda solventar el nuevo riesgo bajo este esquema
es
u
P paS ap uq P pS p
q P pS p uq.
a
fS pxq
u
a
Figura 4.3
De esta forma hemos comprobado que la probabilidad de insolvencia bajo
el esquema de reaseguro proporcional es menor o igual a la probabilidad del
mismo evento cuando no hay reaseguro. La ventaja para la aseguradora al
contratar el reaseguro es que la incertidumbre disminuye pero sus ganancias
tambien disminuyen al ceder un porcentaje de sus ingresos por primas. Esta
propiedad de disminuci
on de insolvencia mediante el reaseguro es un tanto
m
as difcil de verificar en otros tipos de reaseguro y dependera, en general,
del c
alculo de la prima para el reaseguro.
4.2.
Reaseguro no proporcional
En el reaseguro no proporcional se toma la funcion hpxq mntx, M u, para

on. Distinguiremos dos
alguna constante M 0 llamada nivel de retenci
casos: cuando se aplica esta funcion a cada reclamaci
on y cuando se aplica
sobre el total del riesgo.
Reaseguro en el riesgo completo (stop loss)
En este caso se aplica la funcion hpxq mntx, M u sobre el totalidad del
riesgo para obtener la parte del riesgo que cubre la aseguradora, y el ries-
83
4.2. Reaseguro no proporcional
go excedente lo cubre la reaseguradora. De esta manera cada una de las

aseguradoras cubren los riesgos
SA
mntS, M u
SR
maxt0, S M u,
en donde puede verificarse la identidad S S A S R . Mediante este mecanismo la aseguradora tiene la certidumbre de que cubrira un monto m
aximo
de M para el riesgo S. A este tipo de reaseguro se le llama reaseguro de
perdida m
axima (stop loss). Tanto la variable S A como S R son, en general, variables aleatorias mixtas, es decir, no son discretas ni continuas. Por
ejemplo, la variable S A tiene una masa de probabilidad en el punto M de
valor P pS M q, es decir, P pS A M q P pS M q. Puede demostrarse
que su funci
on de distribucion toma la expresi
on
FS A pxq
"
FS pxq si x M,
1
si x M,
la cual se muestra en la Figura 4.4 (a) en el caso cuando FS pxq es continua.

Debido a su condici
on de variable aleatoria mixta, la funcion de densidad
A
del riesgo S no puede expresarse como una funcion tradicional sino que hay
que usar funciones generalizadas. El n-esimo momento de S A , sin embargo,
puede expresarse de la siguiente forma suponiendo que S es absolutamente
continua,
E rpS A qn s
xn fS pxq dx
M n P pS
M q.
Por su parte, la variable S R tiene una masa de probabilidad en el punto 0

de valor FS pM q, es decir, P pS R 0q FS pM q, y su funcion de distribucion
es
"
0
si x 0,
FS R pxq
FS pM xq si x 0,
la cual se muestra en la Figura 4.4 (b) en el caso cuando FS pxq es continua.
Nuevamente, no es posible escribir la funcion de densidad de S R en terminos
tradicionales pero el n-esimo momento adquiere la siguiente expresi
on,
E rpS
q s
R n
8
0
xn fS pM
xq dx.
Es interesante notar que la variable S R puede tomar el valor 0 con probabilidad positiva, y que en la pr
actica tal situaci
on no es relevante para la
84
4. Reaseguro
FS A pxq
FS R pxq
1
b
bc
b
x
bc
M
(a)
(b)
Figura 4.4
reaseguradora, quien est
a interesada en los valores positivos de S R . No es
difcil comprobar que la funcion de distribucion de S R condicionada a tomar
valores positivos es, para x 0,
FS R | S R 0 pxq P pS R
x | S R 0q FS pM1 xFq pMFqS pM q .

S
En el caso absolutamente continuo, diferenciando la identidad anterior se

encuentra la funci
on de densidad correspondiente.
fS R | S R 0 pxq
fS pM xq
,
1 FS pM q
para x 0.
Seguros con deducible fijo

Algunos tipos de seguros, como el seguro contra accidentes de autom
oviles,
contemplan el pago de una cantidad llamada deducible cada vez que el asegurado presenta una reclamaci
on ante la compa
na aseguradora. En este
caso particular estamos suponiendo que dicho deducible es una cantidad
fija de d unidades monetarias, y que la reclamaci
on se modela con la variable aleatoria S. Si el monto de la reclamaci
on es menor a d, el asegurado
cubre la totalidad de la reclamaci
on, es decir, no hay reclamaci
on para la
aseguradora. En cambio, si el monto de la reclamaci
on excede el valor de d,
entonces el asegurado paga el deducible d y la aseguradora cubre la cantidad
restante, es decir, m
axt0, S du. De esta forma, los riesgos para este tipo de
85
4.2. Reaseguro no proporcional
p
olizas de seguros se modelan con las herramientas que hemos mencionado
para el reaseguro de perdida m
axima con nivel de retenci
on d.
Reaseguro en cada reclamaci
on (excess of loss)
on Y , entonces el asegurador
Si se aplica la funci
on hpxq a cada reclamaci
A
cubre Y mntY, M u, y el reasegurador cubre el monto restante Y R
Y mntY, M u m
axt0, Y M u. Por lo tanto, cada una de las aseguradoras
asume los siguientes riesgos
SA
mntYj , M u
SR
j 1
m
axt0, Yj
M u.
j 1
A este esquema de reaseguro se le conoce tambien con el nombre de reaseguro por exceso de perdida (excess of loss). Observe nuevamente que si se
supone una distribuci
on continua para la variable aleatoria Yj con soporte el
axt0, Yj M u ser
an
intervalo p0, 8q, entonces las variables mntYj , M u y m
mixtas. La primera de ellas tendra una masa de probabilidad en el punto
M , y la segunda en el origen. Observe adem
as que las expresiones para S A
R
y S corresponden exactamente a lo que hemos llamado modelo colectivo
de riesgo. Es decir, se trata de sumas aleatorias de variables aleatorias no
negativas. En la parte inicial del curso hemos encontrado formulas y procedimientos que podran ayudar a conocer las caractersticas de estas variables
aleatorias.
N
umero de reclamaciones
Sea N A el n
umero de reclamaciones que un asegurador afronta bajo un
reaseguro por exceso de perdida (excess of loss) con nivel de retenci
on M
sin recurrir a la reaseguradora, es decir,
NA
1pYj M q .
j 1
Por otro lado, el n

umero de reclamaciones que el reasegurador atiende para
este tipo de reaseguro es
NR
j 1
1pYj M q .
86
4. Reaseguro
Es claro que se cumple la identidad N N A N R . Observe adem

as que,
condicionado al evento pN nq, cada una de estas variables aleatorias
tiene una distribuci
on binomial en donde n es el n
umero de ensayos y las
probabilidades de exito son p P pYj M q en el primer caso, y 1 p
P pYj M q en el segundo caso. La distribucion no condicional de estas
variables es el contenido del siguiente resultado en donde supondremos que
la distribuci
on de N es conocida y corresponde a uno de tres casos.
Proposici
on 4.1 Sea a P pYj
1.
2.
3.
M q. Entonces
si N tiene distribuci
on binpn, pq,
a) N A binpn, apq.
b) N R binpn, p1 aqpq.
on Poissonpq,
a) N A Poissonpaq.
b) N R Poissonpp1 aqq.
on bin negpk, pq,
a) N A bin negpk, p{pp ap1 pqqq.
b) N R bin negpk, p{pp p1 aqp1 pqqq.
Demostraci
on. Verificaremos u
nicamente el primer resultado aplicando
la formula general MS ptq MN plnpMY ptqq cuando el riesgo S es la variable N A y Y es la variable aleatoria con distribucion Bernoulli dada por la
funci
on indicadora 1pYj M q . Primeramente observemos que
MY ptq E petY q 1 a
aet .
Entonces MN A ptq MN plnp1 a aet qq. Cuando N tiene distribucion

binpn, pq tenemos que MN ptq p1 p pet qn . Por lo tanto,
MN A ptq p1 p
pp1 a
aet qqn
p1 ap
apet qn .
Es decir N A tiene distribucion binpn, apq. Analogamente puede verse que

N R tiene distribuci
on binpn, p1 aqpq. De la misma forma se demuestran los
87
4.3. Ejercicios
otros casos. Para ello debe recordarse que si N tiene distribucion Poissonpq,
entonces MN ptq exptpet 1qu, y si N es bin negpk, pq, entonces MN ptq

pp{p1 p1 pqet qqk .
A manera de resumen de los tipos de reaseguro mencionados se tiene el
diagrama de la Figura 4.5.
Proporcional
Reclamaciones
individuales
Exceso de perdida
(excess of loss)
Reaseguro
Proporcional
Total del
riesgo
Perdida maxima
(stop loss)
Figura 4.5
4.3.
Ejercicios
Reaseguro proporcional
92. Para un reaseguro proporcional demuestre que

a) E pS A q a E pS q.
b) VarpS A q a2 VarpS q.
c)
E rpS A E pS A qq3 s
rVarpS Aqs3{2
S E pS qq s
E rprVar
pS qs3{2 .
3
93. Considere un riesgo S bajo un esquema de reaseguro proporcional.

Es claro que, en general, las variables aleatorias S A aS y S R
88
4. Reaseguro
p1aqS no son independientes, de hecho hay una dependencia lineal

entre ellas. Demuestre que
a) CovpS A , S R q ap1 aqVarpS q.
b) pS A , S R q 1.
c) S R
1a a S A.

con par
ametros 100 y F pxq dada por la distribucion exponencial de media 500. Bajo un esquema de reaseguro proporcional con
ametros de los riesgos
a 0.7, encuentre la distribucion y los par
S A aS, y S R p1 aqS.
95. Suponga que un riesgo S sigue una distribucion binomial compuesta
con par
ametros n 100, p 2{3, y F pxq dada por
$
&0
F pxq
% 11{2
si x 50,
si 50 x 100,
si x 100.
Bajo un esquema de reaseguro proporcional con a 0.9, encuentre

la esperanza y varianza de los riesgos S A aS, y S R p1 aqS.
96. Bajo el esquema de reaseguro proporcional de un cierto riesgo S, el
riesgo asumido por el asegurador es S A aS, y la prima recibida es
ap. Suponga que el capital inicial de la aseguradora para afrontar
dicho riesgo es u. Demuestre que la probabilidad de insolvencia
P paS ap uq es una funcion creciente de a P p0, 1q.
97. Suponga que un riesgo S se modela mediante la distribucion exppq.
Demuestre que bajo un reaseguro proporcional el riesgo asumido
por la aseguradora S A aS tiene distribucion expp{aq. Cual es
la distribuci
on de S R ?
98. Suponga que un riesgo S se modela mediante la distribucion gammap, q. Demuestre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A aS tiene distribucion gaal es la distribucion de S R ?
map, {aq. Cu
89
4.3. Ejercicios
99. Suponga que un riesgo S sigue una distribucion Poisson compuesta con par
ametros 100, y F pxq dada por la distribucion gamap, 0 q. Bajo un esquema de reaseguro proporcional con a 0.9,
encuentre la distribucion y los par
ametros de los riesgos S A aS,
y S R p1 aqS.
100. Suponga que un riesgo S se modela mediante la distribucion log
normalp, 2 q. Demuestre que bajo un reaseguro proporcional el
riesgo asumido por la aseguradora S A aS tiene distribucion
log normalp ln a, 2 q. Cual es la distribucion de S R ?
con par
ametros 100, y F pxq dada por la distribucion log normalp, 2 q. Bajo un esquema de reaseguro proporcional con a 0.9,
encuentre la distribucion y los par
ametros de los riesgos S A aS,
R
y S p1 aqS.
Reaseguro de p
erdida m
axima (stop loss)
102. Demuestre que bajo un reaseguro de perdida m
axima con nivel de
A
R
retenci
on M , los riesgos S y S tienen las siguientes funciones de
distribuci
on.
FS A pxq
y
FS R pxq

"
"
FS pxq si x M,
1
si x M,
0
FS pM
xq
si x 0,
si x 0.
103. Considere un reaseguro de perdida m

on
M para un riesgo S que sigue una distribucion exppq. Demuestre
que las funciones generadoras de momentos de los riesgos S A y S R
est
an dadas por las siguientes expresiones.
a) MS A ptq p teptqM q{p tq, para t .
b) MS R ptq 1 eM
eM {p tq, para t .
90
4. Reaseguro
104. Suponga que un riesgo S se modela mediante la distribucion exppq.
Demuestre que bajo un reaseguro de perdida m
axima con nivel de
retenci
on M , se tiene que
a) E pS A q
b) E pS R q
p
1
e M
1
1
M .
e
q.
105. Suponga que el riesgo S sigue una distribucion lognormalp, 2 q.

Bajo un reaseguro de perdida m
on M ,
demuestre que
E rpS A qn s
en
{ ppln M n2 q{q
n2 2 2
M n p1 ppln M
q{qq.
106. Suponga que un riesgo S tiene la distribucion de probabilidad que

aparece en la tabla de abajo. Calcule la distribucion de probabilidad de los pagos positivos que efect
ua una reaseguradora en un
reaseguro de perdida m
on M 350.
x
P(S=x)
100
0.1
200
0.2
300
0.3
400
0.2
500
0.2
107. Suponga que se establece como funcion de probabilidad para un

riesgo S la que aparece en la tabla de abajo. Calcule la distribucion
de probabilidad de los pagos positivos que efect
ua una reaseguradora en un reaseguro de perdida m
on
M 30.
x
10 20 30 40 50
P(S=x) 0.2 0.3 0.1 0.1 0.3
108. Suponga que el riesgo S sigue una distribucion Paretopa, bq. Bajo el reaseguro de perdida m
axima, demuestre que la distribucion
R
del riesgo S condicionada al evento pS R 0q es nuevamente
Paretopa, b M q.
109. Suponga que el riesgo S sigue una distribucion exppq. Bajo un

reaseguro de perdida m
on M , demuestre
que la distribuci
on del riesgo S R condicionado a ser positivo es
nuevamente exppq.
91
4.3. Ejercicios
Reaseguro en cada reclamaci
on (excess of loss)
110. Suponga que se establece como funcion de probabilidad para la variable aleatoria Y la que aparece en la tabla de abajo. Esta variable
aleatoria representa el monto de una reclamaci
on en un seguro. Considere una reaseguro excess of loss para Y , con nivel de retenci
on
M 100.
y
P(Y=y)
50
0.2
100
0.3
150
0.4
200
0.1
a) Calcule la funcion de probabilidad para las variables Y A

mntY, M u y Y R m
axt0, Y M u.
b) Calcule las esperanzas de estas variables aleatorias y compruebe que E pY q E pY A q E pY R q.

111. Suponga que el monto de una reclamaci
on Y se modela mediante
una variable aleatoria con distribucion exppq. Para un valor de retenci
on M 0 fijo, calcule la funcion de distribucion y la esperanza
de las variables aleatorias mntY, M u y m
axt0, Y M u.
112. Demuestre que la funcion generadora de probabilidad de la variable
N R (n
umero de reclamaciones que la reaseguradora afronta) en un
reaseguro por exceso de perdida con nivel de retenci
on M es
PN R ptq PN p1 p
ptq,
en donde p P pYj M q y PN ptq es la funcion generadora de

probabilidad del n
umero total de reclamaciones N .
113. Considere un reaseguro por exceso de perdida, y sean N A y N R
el n
umero de reclamaciones afrontadas por el segurador y por el
reasegurador respectivamente. El total de reclamaciones es
N
NA
N R.
Suponga que N tiene distribucion Poissonpq.

a) Condicionando sobre el valor de N , demuestre que las variables
N A y N R son independientes.
92
4. Reaseguro
b) Compruebe que N A y N no son independientes. Verifique, por
ejemplo, que P pN A 0, N 0q P pN A 0q P pN 0q.
Suponga ahora que N tiene distribucion binpn, pq. Evaluando, por

ejemplo, en el valor cero para ambas variables aleatorias, demuestre
que
c) N A y N R no son independientes.
d) N y N A no son independientes.
114. Suponga que un cierto riesgo S se representa mediante un modelo
colectivo. Condicionando sobre los posibles valores de la variable
aleatoria N , demuestre que las variables N A y N R correspondientes
al n
umero de reclamaciones en un reaseguro por exceso de perdida
tienen la misma distribucion que N pero con distintos par
ametros
en los casos cuando N es Poisson, binomial y binomial negativa.
Este metodo es alternativo al presentado en el texto en donde se
us
o la funci
on generadora de momentos.
115. Considere un riesgo S con distribucion Poisson compuesta de par
ametro . Suponga que cada reclamaci
on Y tiene distribucion
Paretopa, bq. Se adquiere un reaseguro por exceso de perdida con
nivel de retenci
on M , y por lo tanto la reclamaci
on afrontada por
A
la aseguradora es Y mntY, M u. Demuestre que
a) E pY A q E pY q p b
b) E pS A q E pS q p
q p q
q p q
b
a 1E Y .
M
b
a 1E S .
b M
un el mo116. Suponga se tiene un riesgo de la forma S N

j 1 Yj , seg
delo colectivo, en donde cada reclamaci
on se modela mediante una
variable aleatoria con distribucion exppq. Bajo un reaseguro por
exceso de perdida con nivel de retenci
on M , el monto a pagar por la
aseguradora por cada reclamaci
on es Y A mntY, M u. Demuestre
que
p1 eM q.
M .
E ppY A q2 q 2 2 eM 2M
e
M 1 e2M .
VarpY A q 1 2M
e
a) E pY A q
b)
c)
4.3. Ejercicios
93
d) E pY A q E pY q.
e) VarpY A q VarpY q.
Usando las formulas

N generales encuentre ahora la esperanza y vaA
rianza de S j 1 mntYj , M u.
94
4. Reaseguro
Captulo 5
Teora de la credibilidad
Considere un cierto riesgo proveniente de un conjunto de asegurados vigentes
por un periodo determinado. Si este grupo de asegurados es homogeneo en el
sentido de que todos sus miembros tienen la misma probabilidad de realizar
una reclamaci
on, entonces es razonable aplicar una misma prima a todos
ellos. Sin embargo, cuando el grupo no es homogeneo, o bien surge con el
paso del tiempo cierta heterogeneidad entre ellos, habra subgrupos de bajo
riesgo y otros de alto riesgo. Cobrar una misma prima a todos sera injusto,
y no sera bueno para la aseguradora pues eventualmente los asegurados de
bajo riesgo buscaran un mejor trato con otra aseguradora. La idea fundamental es aplicar primas menores a los asegurados de bajo riesgo y primas
mayores a los de alto riesgo, con base en el historial de reclamaciones que cada uno de los asegurados o subgrupos hayan realizado durante los periodos
anteriores. En la teora de la credibilidad se estudian metodos para el calculo
de primas a traves de la combinaci
on de la experiencia individual (historial
de reclamaciones) y la experiencia de grupo (comportamiento teorico).
5.1.
Credibilidad cl
asica
Esta perspectiva de la teora de la credibilidad constituye el primer intento

de definir la credibilidad para un conjunto de observaciones de un riesgo.
Las ideas que presentaremos en esta primera secci
on fueron propuestas inicialmente por A. H. Mowbray en 1914, y desarrolladas despues por varios
actuarios norteamericanos durante la primera mitad del siglo XX. Debido a
95
96
ello es que a la credibilidad clasica se le conoce tambien como credibilidad

americana.
Credibilidad completa
Suponga que S representa el riesgo para una aseguradora correspondiente a
un asegurado o un conjunto de asegurados con ciertas caractersticas particulares, y valido por un periodo fijo, por ejemplo, un a
no. Sean S1 , . . . , Sm
los montos de las reclamaciones efectuadas por este asegurado o grupo de
asegurados durante m periodos consecutivos, y sea S pS1 Sm q{m
el promedio de las reclamaciones. Nos interesa estudiar el comportamiento
de S a lo largo del tiempo para un conjunto de asegurados en particular,
pues deseamos determinar si la prima que se les cobra a cada uno de ellos es
la adecuada. Si las variables S1 , . . . , Sm son independientes, identicamente
distribuidas y con esperanza finita, entonces la ley de los grandes n
umeros
garantiza que la media muestral S converge a la constante desconocida E pS q,
conforme el n
umero de sumandos crece a infinito.
S
E pS q
m
Figura 5.1
Es decir, el comportamiento de S como funcion de m es posiblemente oscilatorio alrededor de E pS q pero eventualmente va a estabilizarse en ese valor.
La pregunta es que tan grande debe ser m para que S este razonablemente
cercano a E pS q? La intenci
on es usar S para calcular la prima pura de riesgo
de un asegurado (o grupo de asegurados), siempre y cuando se tenga suficiente historial para dar credibilidad a tal estadstica. El siguiente criterio
es una posible respuesta a la pregunta planteada.
sica
5.1. Credibilidad cla
97
Definici
on 5.1 Sean k P p0, 1q y p P p0, 1q dos n
umeros fijos. Se dice que
S tiene credibilidad completa pk, pq si

P p |S E pS q| kE pS q
q p.
(5.1)
La condici
on anterior establece que S tiene credibilidad completa si dista de
E pS q, en menos de kE pS q con probabilidad mayor o igual a p. Observe que
la definicion tiene sentido cuando E pS q es distinta de cero. Naturalmente se
toman valores de k cercanos a cero y valores de p cercanos a uno, tpicamente
k 0.05 y p 0.9 . El problema es entonces encontrar el valor del n
umero
de periodos de observaci
on m para que se cumpla el criterio (5.1).
Credibilidad completa bajo hip
otesis de normalidad
Encontraremos una condici
on sobre el n
umero de periodos de observacion
m para obtener credibilidad completa cuando S tiene una distribucion aproximada normal. Observe que E pSq E pS q y VarpSq VarpS q{m. Consideraremos que estos valores son desconocidos. Tenemos entonces que, por
el teorema central del lmite, la parte izquierda de (5.1) es
P p |S E pS q| kE pS q q

|S E pS q| a kE pS q q
Pp a
VarpS q{m
VarpS q{m
kE pS q
P p a
Z a kE pS q q
VarpS q{m
VarpS q{m
kE pS q
p a
q p a kE pS q q
VarpS q{m
VarpS q{m
kE pS q
p a
q p1 p a kE pS q qq
VarpS q{m
VarpS q{m
?
k mE pS q
q 1.
2p a
VarpS q
Como esta probabilidad debe ser mayor o igual a p seg

un el criterio (5.1),
98
se obtiene la desigualdad
k m E pS q
p a
q 1 2 p.
VarpS q
Deseamos encontrar el valor de m m
as peque
no que cumpla esta desigualdad. Para ello consideraremos que se tiene la igualdad en esta ecuaci
on. Sea
uq el q-cuantil de la distribucion normal, es decir puq q q. Entonces
k m E pS q
a
VarpS q
up1
q{
p 2.
Despejando m se obtiene
m
pS q
p q
pS q ,
1082 Var
E 2 pS q
u2p1
q{
p 2 Var
k2 E 2 S
(5.2)
en donde la u
ltima expresi
on es aproximada y se han usado los valores
k 0.05 y p 0.9, y por lo tanto up1 pq{2 u0.95 1.6449. Los terminos
E pS q y VarpS q pueden ahora ser estimados a traves de la media y varianza
muestral, respectivamente, usando la informaci
on que se tenga a disposici
on
al momento de hacer el an
alisis. Substituyendo estos valores en la formula
se puede conocer una aproximacion del n
umero de periodos m de historial
para que S tenga credibilidad completa. Observe que cuando p crece, es
decir, cuando se desea tener una mayor confianza en la estabilizaci

on de S,
entonces el n
umero de periodos de observacion m tambien crece. Por otro
lado, si el par
ametro k crece, es decir, si se pide que la distancia entre S
y E pS q tenga mayor amplitud, entonces m decrece. Finalmente observemos
que la aproximacion para la credibilidad completa (5.2) se puede expresar
de la forma siguiente
k 2 E 2 pS q
.
VarpSq 2
up1 pq{2
Ejemplo 5.1 Supongaque un riesgo para un grupo de asegurados sigue el
modelo colectivo S N
on Poissonpq.
j 1 Yj , en donde N tiene distribuci
sica
5.1. Credibilidad cla
99
Suponga adicionalmente que cada reclamaci

on individual Y tiene distribuci
on exppq. De acuerdo a la notaci
on previa, el primer y segundo momento de Y son 1 1{ y 2 2{2 . Entonces E pS q 1 {,
y VarpS q 2 2{2 . Por lo tanto, tomando nuevamente k 0.05 y
p 0.9, la aproximaci
on (5.2) es
m 1082
o bien,
2{2
,
2 {2
m 2164.
Es decir, despues de 2164 reclamaciones, se obtiene credibilidad completa

Observe que m representa el total de reclamaciones promedio dupara S.
rante m periodos. Observe adem
as para este ejemplo particular que puede
no conocerse el valor del par
ametro , pues aunque la esperanza y varianza
de S se expresan en terminos de este par
ametro, el criterio de credibilidad
completa se expresa en terminos del n
umero de reclamaciones promedio m,
y no del n
umero de periodos m.
Credibilidad parcial
En lugar del estimador S para E pS q se propone la combinaci
on lineal convexa
z S p1 z qE pS q,
en donde z P r0, 1s es llamado factor de credibilidad. Mediante una expresi

on como la propuesta se le otorga credibilidad parcial a la media muestral
y la credibilidad complementaria se le otorga a la media te
S,
orica E pS q.
El problema es determinar el valor de z. Nuevamente se pretende que tal
on (5.1) se reduce a
estimador no diste demasiado de E pS q. La condici
P p |z pS E pS qq| kE pS q
q p.
Observe que esta expresi

on hace referencia u
nicamente al primer sumando
del estimador propuesto. Reescribimos la expresi
on anterior de la forma
siguiente
k
P p |S E pS q| E pS q q p.
z
100
Esta es la misma condici

on para la credibilidad completa solo que en lugar
del par
ametro k tenemos ahora k {z, es decir, la credibilidad completa pk, pq
para z S p1 z qE pS q es equivalente a la credibilidad completa pk{z, pq para
S.
Credibilidad parcial bajo hip
otesis de normalidad
Nuevamente bajo la hip
otesis de normalidad para S y para los valores de k
y p mencionados anteriormente se tiene la aproximacion
m
z 2 u2p1
q{ VarpS q
p 2
k2
De donde se obtiene
z
E 2 pS q
k E pS q m
a
up1 pq{2 VarpS q
pS q .
p1082q z2 Var
E 2 pS q
?m
32.89 aE pS q .
VarpS q
(5.3)
(5.4)
Este valor de z excede el valor de uno para valores suficientemente grandes

de m, por lo tanto se define el factor de credibilidad como
z
mn t
k E pS q m
a
, 1 u.
up1 pq{2 VarpS q
(5.5)
Ejemplo 5.2 Considere

N nuevamente un riesgo S con distribucion Poisson
compuesta, S j 1 Yj , en donde N tiene distribuci
on Poissonpq, y Y
tiene distribuci
on exppq. Para los valores de k y p mencionados antes, la
condici
on de credibilidad parcial (5.3) para z S p1 z qE pS q se reduce a
m 2164z 2 ,
Considerando igualdad y despejando z se obtiene z m{46.52, en donde

m se substituye por el n
umero de reclamaciones
totales que se hayan pre?
sentado en m periodos, siempre y cuando m 46.52. De esta manera la
prima pura de riesgo por credibilidad parcial es la combinaci
on lineal
prima
m
S
46.52
m
p1 46.52
q E pS q,
orico supuesto para el riesgo

en donde E pS q { es el valor esperado te
S, y S es la experiencia observada.
101
5.2. Credibilidad Bayesiana
5.2.
Credibilidad Bayesiana
La credibilidad Bayesiana es otra forma de incorporar el historial de reclamaciones de un grupo de asegurados en el calculo de las primas.
Estimaci
on Bayesiana
En la estadstica tradicional se considera el problema de estimaci
on de un
par
ametro de una distribucion de probabilidad dada f px; q. Para ello se
considera una muestra aleatoria de esta distribucion y se estudian distintos
metodos para estimar , considerando siempre que este par
ametro tiene un
valor desconocido y fijo. Existe, sin embargo, un punto de vista distinto
llamado estimaci
on Bayesiana. Desde esta perspectiva se considera que
es una variable aleatoria para la cual se asume una distribucion de probaon
bilidad hp q llamada a priori. Esta distribucion refleja cierta informaci
subjetiva o cuantitativa que el observador pueda tener sobre el par
ametro
. La distribuci
on conjunta de una muestra aleatoria y el par
ametro es
f px1 , . . . , xm , q f px1 , . . . , xm | q hp q
f pxi | q hp q.
i 1
La distribuci
on marginal de la muestra es entonces
f px1 , . . . , xm q

m

i 1
f pxi | q hp q d.
Conociendo estas funciones puede ahora calcularse la distribucion condicional de dada la muestra como sigue
gp | x1 , . . . , xm q
f px1 , . . . , xm | q hp q
f px1 , . . . , xm q
m

i 1
m
i 1
f pxi | q hp q
f pxi | q hp q d
(5.6)
on que el obDe esta forma la distribuci

on hp q representa cierta informaci
servador conoce del par
ametro antes de tomar la muestra, y la distribuci
on a posteriori g p | x1 , . . . , xm q es la distribucion modificada a la luz de
102
la muestra aleatoria. Teniendo ahora esta distribucion a posteriori para ,

uno puede proponer varias formas de estimar este par
ametro, una de ellas es
simplemente tomar la esperanza de esta distribucion, es decir, un estimador
Bayesiano para es
E p | x1 , . . . , xm q
g p | x1 , . . . , xm q d.
En general, la expresi
on que pueda encontrarse para la distribucion a posteriori para usando la formula (5.6) puede ser muy complicada y no ser
una distribuci
on con la cual estemos familiarizados. Ilustraremos estas ideas
con un ejemplo particular en donde el resultado final, sin embargo, es una
distribuci
on conocida. Aplicaremos despues la estimaci
on Bayesiana al problema de calcular primas puras de riesgo tomando en cuenta el historial de
reclamaciones.
Ejemplo 5.3 Suponga que X1 , . . . , Xm es una muestra aleatoria de la distribuci
on Berppq, y suponga adem
as que el par
ametro p tiene una distribuci
on betapa, bq, con a y b conocidos. Observe que el soporte de la distribuci
on beta es el intervalo r0, 1s, de modo que en este sentido tal distribuci
on
es factible para el par
ametro p. La densidad conjunta de la muestra y el
par
ametro es
f px1 , . . . , xm , pq
f px1, . . . , xm | pq hppq
pmx p1 pqmmx B pa,1 bq pa1 p1 pqb1

1
pa
B pa, bq
p1 pqmmx b1 .
m
x 1
Integrando respecto a p se obtiene la densidad marginal de la muestra,

f px 1 , . . . , x m q

1
1
pa mx1 p1 pqmmx
B pa, bq 0
B pa m
x, m m
x bq
.
B pa, bq
dp
b 1
Por lo tanto, la densidad a posteriori para p es

gpp | x1 , . . . , xm q
B pa
1
m
x, m m
x
bq
pa
p1 pqmmx b1 .
m
x 1
103
Esta es la densidad betapa m

x, m m
x bq, y su esperanza puede usarse
como un estimador Bayesiano para p, es decir,
p

a
m
m
x
a b
m
x
m a b
p1 m
m
a
a
q
.
b a b
(5.7)
Esta u
ltima expresi
on para el estimador Bayesiano es interesante pues tiene
la misma forma que la que se haba propuesto en la credibilidad parcial. Observe en (5.7) que conforme el tama
no de la muestra m crece, el estimador
Bayesiano para la media toma esa informaci
on y le asocia un peso mayor
a la media muestral x
en detrimento de la media de la distribuci
on a priori
a{pa bq.
Ahora aplicaremos estas ideas al problema del calculo de primas tomando
en cuenta la experiencia de un riesgo. Suponga que las variables S1 , . . . , Sm
representan el historial de reclamaciones en m a
nos o periodos que se han
registrado de un riesgo dado. Suponga adem
as que estas variables son independientes y todas ellas tienen una distribucion com
un dependiente de un
par
ametro desconocido , y esta distribucion es tal que E pS q . Bajo el
enfoque Bayesiano se considera que el par
ametro es una variable aleatoria
para la cual se asume una distribucion de probabilidad a priori. La esperanza a posteriori de , es decir, E p | S1 , . . . , Sm q, representa una estimaci
on
para E pS q tomando en cuenta el historial S1 , . . . , Sm . A esta esperanza
a posteriori se le llama prima de credibilidad Bayesiana. En los casos que
analizaremos esta prima tiene la forma de la credibilidad parcial mencionada antes. Los casos que consideraremos para la distribucion de S son: la
distribuci
on Poisson con media , y la distribucion normal con media .
Modelo Poisson-gamma
Este modelo adquiere su nombre a partir de las siguientes hip
otesis: se
postula que cada una de las variables aleatorias independientes S1 , . . . , Sm
tiene distribuci
on Poisson con par
ametro , el cual se considera aleatorio con
ametros conocidos. Observe
distribuci
on a priori gammap, q, con y par
que en este modelo se considera que los montos de las reclamaciones toman
104
valores enteros. La funci

on de densidad a posteriori de es, para x 0,
g p | S 1 , . . . , S m q
8f pS1, . . . , Sm | q hpq
f pS1 , . . . , Sm | q hpq d
0
p S ! e q p q 1e
1
8j
m
0
8
Sj
p S ! e q p q 1e d
Sj
j
j 1
mS 1 e
pm q
epm q d
mS
mS
pmpmSq q mS
Es decir, la densidad a posteriori es gammapmS
epm q .
, m q. Por lo tanto
la prima por credibilidad, esperanza de esta densidad, es
E p | S1 , . . . , Sm q
mS
m
m

S
m
m
z S p1 z q ,
en donde z m{pm q es llamado factor de credibilidad. Esta cantidad

crece mon
otonamente a uno cuando m crece a infinito, dando cada vez
m
as credibilidad a la media muestral S y favoreciendo cada vez menos a la
as que cuando m crece a infinito, la media
media te
orica {. Observe adem
de la distribuci
on a posteriori converge a la media muestral lmite dado por
el historial de reclamaciones, y que la varianza de dada por Varpq
pmS q{pm q2 converge a cero, lo cual indica que la distribucion a
posteriori se concentra cada vez mas alrededor de su media.
prima

Modelo normal-normal
En este modelo se postula que cada una de las reclamaciones S1 , . . . , Sm
tiene distribuci
on Np, 2 q, en donde el par
ametro 2 es conocido y la media
105
es una variable aleatoria con distribucion Np, 2 q, con y 2 conocidos.

La primera hip
otesis puede ser justificada en el caso cuando los montos
anuales se componen de un gran n
umero de reclamaciones individuales,
para ello no es necesario suponer que las reclamaciones individuales tienen
la misma distribuci
on. La segunda hip
otesis podra ser razonable si es que
los par
ametros y 2 son tales que la probabilidad asignada a la parte
negativa del eje es muy peque
na. La funcion de densidad a posteriori de
es
f pS1 , . . . , Sm | q hp q
gp | S1 , . . . , Sm q 8
f pS1 , . . . , Sm | q hp q d
8
8
?1
2 2
1
e
8 22
m pS q2 {22 1
j 1 j
a
epq
2 2
m
2
2
1
e j1 pSj q {2 a
2 2
{22
2
2
epq {2 d
Nos concentramos en analizar u

nicamente el exponente y tenemos que
pSj q2
j 1
2 2
q 2p m
p 2
2
2 2
2
1
q
2 2
2 p
mS
2 2
q
2 2
Sj2
2
p 22 q 2
.
2
j 1
Completando el cuadrado en , este exponente se puede escribir como sigue
r p m2S 2 q{p m2 12 qs2 p m2S 2 q2

m
Sj2
2
.

p
q

m
1 1
m
1
2 2
2 2
j 1
2p 2
q
2
p
q
2
2
2
Este exponente aparece tanto en el numerador como en el denominador, y
como los u
ltimos dos sumandos no dependen de estos desaparecen completamente al hacer el cociente. Lo que resulta es nuevamente la distribucion
normal
mS
m
1 2
r
p 2
q{p
qs
2
2
1
2

u.
gp | S1 , . . . , Sm q
expt
m
1 1
m
1 1
2p 2
q
2 p 2
q
106
La media de esta distribuci

on es entonces la prima por credibilidad, es decir,
prima
E p | S1, . . . , Sm q
p m2S 2 q{p m2

1
q
2
m 2
2
m 2 2
m 2 2
z S p1 z q ,
en donde z m 2 {pm 2 2 q es el factor de credibilidad, el cual tiene

nuevamente comportamiento mon
otono creciente a uno conforme m crece
1 1
a infinito. Observe adem
as que Varp q p m2
q y que esta cantidad
2
converge a cero cuando el tama
no de muestra m crece a infinito, indicando nuevamente que la distribucion a posteriori se concentra cada vez mas
alrededor de su media.
5.3.
Ejercicios
Credibilidad completa
117. Sean S1 , . . . , Sm los resultados de m lanzamientos sucesivos de una

moneda honesta con valores 0 y 1, dependiendo si se obtiene una
cara de la moneda u otra. Usando la aproximacion normal encuentre
el valor de m para obtener la credibilidad completa pk, pq para S
pS1 Sm q{m. Suponga k 0.1 y p 0.9.
118. Encuentre el valor de m para obtener la credibilidad completa pk, pq
para S pS1 Sm q{m de un riesgo S con distribucion Np5, 2q.
Suponga k 0.15 y p 0.9.
Credibilidad parcial
119. Use la aproximacion normal para encontrar la prima por credibilidad parcial, a partir de una muestra S1 , . . . , Sm , de un riesgo S con
distribuci
on Paretop4, 3q. Suponga k 0.1 y p 0.9.
107
5.3. Ejercicios
120. Use la aproximacion normal para encontrar la prima por credibilidad parcial con k 0.1 y p 0.9 considerando el
historial de
reclamaciones S1 , . . . , Sm de un riesgo de la forma S N
j 1 Yj , en
donde
a) N se distribuye binpn, pq con n
distribuye exppq con 1{10.
b) N se distribuye bin negp, pq con

distribuye exppq con 1{10.
100 y p
1{2,
y Yj se
10 y p 1{3, y Yj
se
Estimaci
on Bayesiana
121. Suponga que el n
umero de reclamaciones X de un cierto riesgo
sigue una distribucion Poisson de par
ametro . Se considera que
el par
ametro es desconocido y se le modela como una variable
aleatoria con distribucion exppq. Demuestre que la distribucion a
posteriori o no condicional de X es la siguiente distribucion geometrica.
x 1
1
P pX xq
.
1
122. Suponga que N tiene una distribucion Poissonpq, y que condicionada al valor de N la variable X tiene distribucion binpN, pq.
Demuestre que la distribucion no condicional de X es Poissonppq.
108
Captulo 6
Procesos estoc
asticos
En este captulo se presenta una introducci
on breve al tema de los procesos
estoc
asticos. Se explican algunos conceptos y propiedades generales, y se
dan algunos ejemplos de procesos estocasticos particulares. Este material
ser
a usado en la u
ltima parte del libro, y supondremos como elemento base
un espacio de probabilidad p, F , P q.
Definici
on 6.1 Un proceso estocastico es una colecci
on de variables aleatorias tXt : t P T u, parametrizada por un conjunto T , llamado espacio parametral.
El conjunto T usualmente se interpreta como un conjunto de tiempos. Se

dice que el proceso es a tiempo discreto en caso de que el conjunto de
par
ametros sea un conjunto discreto, por ejemplo T t0, 1, 2, . . . u. En este
caso el proceso consiste de una sucesion infinita de variables aleatorias. Se
dice en cambio que el proceso es a tiempo continuo cuando el conjunto de
par
ametros consiste de un subintervalo de R, por ejemplo, T r0, 8q. En
general consideraremos procesos estocasticos con este espacio parametral.
Un proceso estoc
astico es entonces una funcion de dos variables X : T
R, tal que para cada t P T , la funcion Xt pq es una variable aleatoria,
mientras que para cada en , la funcion t Xt p q es una trayectoria del
proceso. Con este modelo se pretende representar la evoluci
on aleatoria de
un sistema a lo largo del tiempo.
109
sticos
6. Procesos estoca
110
6.1.
Filtraciones y tiempos de paro
Una familia de -
algebras pFt qt0 es una filtraci
on si para 0 s t, se
cumple Fs Ft F . Al espacio p, F , P, pFt qt0 q se le llama espacio de
probabilidad filtrado. Se dice que un proceso es adaptado a una filtraci
on
pFt qt0 si para cada t 0, Xt es Ft -medible. Todo proceso estocastico
tXt u determina una filtracion natural dada por Ft tXs : 0 s tu.
Claramente todo proceso es adaptado a su filtraci
on natural. En este caso
a la -
algebra Ft se le interpreta como la historia del proceso al tiempo
t, pues en ella se encuentran todos los posibles eventos o sucesos que el
proceso haya tenido hasta ese momento. Un tiempo de paro es una funcion
: r0, 8s tal que p tq P Ft para cada t 0. Esto es, un tiempo de
paro es una variable aleatoria no negativa, con posible valor infinito, tal que
puede determinarse la ocurrencia o no ocurrencia del evento p tq s
olo
con la informaci
on o historia del proceso hasta el tiempo t. Por ejemplo, y
sin entrar en mayores detalles tecnicos, el tiempo aleatorio que transcurre
hasta la ocurrencia de un cierto evento es un tiempo de paro, este tiempo
aleatorio puede ser, por ejemplo, el tiempo que transcurre hasta la llegada
de la n-esima reclamaci
on a una compa
na aseguradora.
6.2.
Cadenas de Markov
Definici
on 6.2 Una cadena de Markov es un proceso estoc
astico a tiempo
discreto tXn : n 0, 1, . . . u con espacio de estados discreto y tal que satisface la propiedad de Markov, esto es, para cualquier n 0 y cualesquiera
estados x0 , x1 , . . . , xn 1 se satisface la identidad
P pXn
xn 1 | Xn xn, . . . , X1 x1 , X0 x0q
P pXn 1 xn 1 | Xn xnq.
1
A estas probabilidades se les llama probabilidades de transicion del tiempo

n al tiempo n 1, y se les denota por pxn ,xn 1 pn, n 1q. Adicionalmente se
dice que la cadena es estacionaria en el tiempo si estas probabilidades no
dependen explcitamente de los tiempos n y n 1, sino u
nicamente de los
estados involucrados. De esta forma, si de manera general se considera la
probabilidad de transicion del estado i al estado j de una unidad de tiempo
a la siguiente, la probabilidad de transicion del primer estado al segundo se
111
6.3. Proceso de Poisson
p1q
escribe como pij , o pij p1q, o pij . Haciendo variar los valores de los ndices
i y j en el espacio de estados t0, 1, . . . u, por ejemplo, se forma la matriz de
probabilidades de transicion en un paso:

P

p00 p01 p02

p10 p11 p12
p20 p21 p22
..
..
..
.
.
.

.
Las entradas de esta matriz son n

umeros no negativos y la suma de ellos en
cada rengl
on es uno. A tales matrices cuadradas se les llama matrices estoc
asticas. Recprocamente, a partir de una matriz con estas caractersticas
junto con una distribuci
on inicial para X0 , se puede construir una cadena
de Markov. Las cadenas de Markov son modelos ampliamente conocidos y
la propiedad de Markov hace que estos procesos sean atractivos de estudiar
pues dicha propiedad hace que ciertas probabilidades sean faciles de calcular. Las cadenas de Markov con frecuencia aparecen dentro de otros modelos
estoc
asticos de interes, te
orico o aplicado. El proceso de riesgo a tiempo discreto que presentaremos en el siguiente captulo, por ejemplo, resulta ser
una cadena de Markov.
6.3.
Proceso de Poisson
En esta secci
on recordaremos la definicion y algunos aspectos elementales
de uno de los procesos estocasticos de mayor importancia: el proceso de
Poisson.
Definici
on 6.3 Un proceso estoc
astico de tiempo continuo tNt : t 0u, y
con espacio de estados el conjunto discreto t0, 1, . . . u, es un proceso de Poisson de par
ametro o intensidad 0 si cumple las siguientes propiedades:
a) N0
0.
b) Tiene incrementos independientes.

c) Nt s Ns tiene distribuci
on Poissonptq, para cualesquiera s
t 0.
0,
sticos
6. Procesos estoca
112
El proceso de Poisson se utiliza para modelar situaciones de conteo de ocurrencias de un evento particular en un intervalo de tiempo dado. Por ejemplo,
Nt puede representar el n
umero de llamadas telefonicas recibidas en un conmutador, o el n
umero de accidentes ocurridos en un cierto lugar, o el n
umero
de clientes que buscan un servicio durante el intervalo de tiempo r0, ts, etc.
En particular E pNt q t, y VarpNt q t. En nuestro caso, usaremos este
proceso para modelar el n
umero de reclamaciones que llegan a una compa
na aseguradora hasta el tiempo t. Una posible trayectoria de un proceso
de Poisson se muestra en Figura 6.1.
Nt p q
3
b
2
b
1
b
bc
bc
t
bc
Figura 6.1
Uno de los objetos de estudio acerca de este proceso es la variable Tk definida como el tiempo que transcurre entre el evento k 1 y el evento k, llamado
tambien tiempo de interarribo. Puede demostrarse que los tiempos T1 , T2 , . . .
son variables aleatorias independientes, y cada una de ellas tiene distribuci
on exppq. Recprocamente, a partir de esta coleccion de v.a.i.i.d. puede
construirse el proceso de conteo Poisson tNt : t 0u.
6.4.
Martingalas
Las martingalas son un tipo de proceso estocastico que aparece con frecuencia tanto en la teora general de procesos como en las aplicaciones. Existe
una extensa teora matem
atica desarrollada de estos procesos.
Definici
on 6.4 Un proceso tMt : t 0u que es adaptado e integrable es
una martingala si para 0 s t se cumple
E pMt | Fs q Ms c.s.
(6.1)
113
6.5. Ejercicios
Las martingalas son procesos que estan relacionados con los juegos justos.
Por ejemplo, si Mt representa la fortuna de un jugador al tiempo t, y quien
supondremos apuesta de manera continua, entonces la igualdad anterior se
interpreta del siguiente modo: en promedio la fortuna del jugador al tiempo t
dada toda la historia del juego hasta el tiempo s anterior a t es la fortuna del
jugador al tiempo s, es decir, el juego es justo pues el jugador en promedio
no pierde ni gana. Cuando en lugar de (6.1) se cumple E pMt | Fs q Ms se
dice que el proceso es una supermartingala, se trata entonces de un juego
desfavorable al jugador pues en promedio su fortuna disminuye. En caso de
la desigualdad contraria el proceso es una submartingala, juego favorable al
jugador. Cuando se toma esperanza en la ecuaci
on (6.1) se obtiene E pMt q
E pMs q. Esto quiere decir que todas las variables aleatorias que conforman
una martingala tienen la misma esperanza. En particular, si la variable
inicial M0 es cero o su esperanza es cero, entonces E pMt q 0 para cualquier
on
t 0. Algunos ejemplos sencillos de martingalas aparecen en la secci
de ejercicios. Finalmente enunciaremos un resultado de la teora general
de martingalas que ser
a usado en la u
ltima parte del curso. Recuerde la
notaci
on x ^ y mntx, y u.
Teorema 6.1 (Teorema de paro de martingalas). Sea tMt : t 0u una
martingala y sea un tiempo de paro. Entonces tMt^ : t 0u es tambien
una martingala, es decir, para cualesquiera 0 s t,
E pMt^ | Fs q Ms^ c.s.
En el siguiente captulo usaremos la teora de martingalas para estimar la
probabilidad de ruina en el modelo clasico de Cramer-Lundberg.
6.5.
Ejercicios
Cadenas de Markov
123. Considere una cadena de Markov tXn : n 0u con espacio de

estados t0, 1, 2u y con matriz de probabilidades de transicion P
como aparece abajo. Calcule
a) P pX3
0q suponiendo que X0 0.
sticos
6. Procesos estoca
114
b) P pX3
0q suponiendo que X0 tiene distribucion p1{5, 1{2, 3{10q.

1{3 1{3 1{3
P 2{3 0 1{3 .
1{4 1{2 1{4
Proceso de Poisson
124. Suponga que las llegadas de reclamaciones a una compa
na aseguradora siguen un proceso de Poisson de intensidad 5, en donde
la unidad de tiempo es un da, es decir, en promedio llegan 5 reclamaciones por da. Calcule la probabilidad de que
a) no se reciba ninguna reclamaci
on en un da cualquiera.
b) se reciban m
as de 10 reclamaciones en un da cualquiera.
c) se reciba una sola reclamaci
on en los siguientes tres dias.
125. Los clientes ingresan a un establecimiento de acuerdo a un proceso
de Poisson a raz
on de 10 clientes por hora en promedio. Calcule la
probabilidad de que
a) en una hora cualquiera no llegue ning
un cliente.
b) no llegue ning
un cliente en una jornada de 12 horas.
c) se presente exactamente un cliente en todas y cada una de las 12
horas en las que est
a abierto el establecimiento en un da.
126. Superposici
on. Demuestre que la suma de dos procesos de Poisson
independientes es nuevamente un proceso de Poisson con parametro
la suma de los par
ametros. Nota: La operaci
on suma debe entenderse en el sentido de superponer los dos procesos puntuales.
ametro 0.
127. Thinning. Sea tNt u un proceso de Poisson de par
Considere una sucesion de variables aleatorias Y1 , Y2 , . . . independientes, con distribucion com
un Berppq, e independientes del proceso de Poisson. Defina el proceso tXt : t 0u como aparece abajo,
definiendo adem
as a Xt como cero cuando Nt es cero.
Xt
k 1
Yk ,
115
6.5. Ejercicios
a) Demuestre que tXt u es un proceso de Poisson de par

ametro p.
b) Demuestre que las variables aleatorias Xt y Nt Xt son independientes. En general se cumple que los procesos estocasticos tXt u y
tNt Xt u son independientes.
128. Suponga que los accidentes automovilsticos en una cierta ciudad
ocurren de acuerdo a un proceso de Poisson con un promedio de
cinco accidentes por semana. Suponga adem
as que la probabilidad
de que en cada accidente haya personas lastimadas que requieran
atenci
on medica es 0.2. Calcule la probabilidad de que
a) en un da no se presente ning
un accidente.
b) en una semana no se presente ning
un accidente.
c) en un mes no se presente ning
un accidente con personas lastimadas.
129. Sea tNt u un proceso de Poisson con par
ametro , y sea a 0
una constante. Demuestre que tNat u es un proceso de Poisson con
par
ametro a.
130. Considere dos procesos de Poisson independientes de par
ametros 1
y 2 . Sea X el n
umero de eventos que ocurren en el primer proceso
entre dos eventos sucesivos del segundo proceso. Demuestre que X
tiene la siguiente distribucion geometrica.
P pX
nq
2
1
1
1
Martingalas
131. Sea tNt u un proceso de Poisson de par
ametro o intensidad , junto
con su filtraci
on natural. Demuestre que el proceso centrado tNt
tu es una martingala.
132. Demuestre que el proceso tMt u es una submartingala si y s
olo si
tMtu es una supermartingala.
133. Demuestre que un proceso es una martingala si y s

olo si es al mismo
tiempo una submartingala y una supermartingala.
116
sticos
6. Procesos estoca
Captulo 7
Teora de la ruina
Este captulo contiene una introducci
on elemental a uno de los problemas
centrales de la teora del riesgo: el problema de la ruina. Definiremos primero
un proceso de riesgo a tiempo discreto y encontraremos una f
ormula general
recursiva para la probabilidad de ruina en dicho modelo. Presentaremos
despues una versi
on a tiempo continuo del proceso de riesgo, conocida como
el modelo cl
asico de Cramer-Lundberg, y encontraremos que la probabilidad
de ruina para este modelo satisface una ecuaci
on integral. Estudiaremos
adem
as algunos otros resultados generales sobre el calculo y estimaci
on de
la probabilidad de ruina.
7.1.
Un proceso de riesgo a tiempo discreto
Definiremos a continuaci
on un proceso estocastico a tiempo discreto que
modela de manera simplificada la evoluci
on a lo largo del tiempo del capital de una compa
na aseguradora respecto de una cartera de asegurados.
Suponga que u P t0, 1, 2 . . . u es el capital inicial de la aseguradora y que en
cada unidad de tiempo la compa
na aseguradora recibe una unidad monetaria por concepto de primas. Tal hip
otesis podra parecer un tanto irreal
pero considere el lector que si en realidad la cantidad recibida es constante e
igual a c, entonces mediante un cambio en la escala del tiempo esa constante puede considerarse como una unidad monetaria. Si Y1 , Y2 , . . . representan
los montos de las reclamaciones en los periodos sucesivos, entonces el capital
de la compa
na aseguradora al tiempo n 1 es la variable Cn definida a
117
118
continuaci
on.
Definici
on 7.1 El proceso de riesgo a tiempo discreto
est
a dado por
Cn
u
n
Yj .
tCn
: n
0u
(7.1)
j 1
Supondremos que las variables aleatorias Y1 , Y2 , . . . son independientes e

identicamente distribuidas con valores en el conjunto t0, 1, . . . u y tales que
on la llamaremos la condici
on de ganancia neta. En
E pY1 q 1, a esta condici
la presente secci
on la variable Y representar
a a cualquiera de las variables
Yj que aparecen en la expresi
on (7.1), F py q ser
a la funcion de distribucion
de Y y la correspondiente funcion de probabilidad se denotara por f py q.
En las formulas que encontraremos m
as adelante aparecer
a con frecuencia
as
la probabilidad P pY y q 1 F py q y para hacer las expresiones m
simples, esta probabilidad ser
a denotada por F py q, es decir,
Notacion:
F py q 1 F py q.
Dado que la variable Y es discreta con valores en el conjunto t0, 1, . . . u, su

esperanza puede entonces escribirse de la siguiente forma:
E pY q
F py q.
y 0
Por otro lado, dadas las caractersticas que hemos solicitado para la definici
on del proceso tCn : n 0u, este resulta ser una cadena de Markov
con espacio de estados o valores dado por el conjunto discreto Z. Y hemos
considerado valores enteros negativos pues alguna reclamaci
on puede ser
demasiado grande y llevar al proceso a tales estados crticos para la aseguradora. Justamente, esta situaci
on es nuestro objeto de interes y es el
contenido de la siguiente definicion.
119
Definici
on 7.2 Se dice que la compa
na aseguradora se encuentra en ruina
al tiempo n 1 si
Cn 0,
y se define el tiempo de ruina como el primer momento en que la ruina
se presenta, es decir,
mntn 1 : Cn 0u,
(7.2)
En la expresi
on (7.2) se debe entender que cuando el conjunto indicado es
on cuando la ruina nunca se
vaco se define 8, y equivale a la situaci
presenta. El problema de la ruina consiste en encontrar la probabilidad de
que la ruina ocurra en alg
un conjunto de tiempos especfico. Por ejemplo,
la probabilidad de una ruina eventual (horizonte infinito) es P p 8q y se
denota usualmente por puq. Con esta notaci
on se hace enfasis en que tal
probabilidad depende, entre otros par
ametros del modelo, del capital inicial
u. Tenemos entonces que
puq

P p
8 | C0 uq
P p P t1, 2, . . . u | C0 uq.
Observe que tecnicamente no hay ruina al tiempo cero, aun cuando se considere al capital inicial u igual a cero, pues de acuerdo a la Definici
on 7.2, la
ruina s
olo puede ocurrir en los tiempos n 1. En la Figura 7.1 se muestra
una posible trayectoria del proceso tCn : n 0u, en donde para fines de
visualizacion se han unido los valores del proceso mediante lneas punteadas
indicando adem
as los incrementos unitarios por concepto de primas en cada
intervalo. Se muestra adem
as un posible momento en donde se presenta
la ruina. La propiedad de Markov del proceso de riesgo nos permitira encontrar una formula recursiva para la probabilidad de ruina en este modelo
discreto. En las expresiones que escribiremos a continuaci

on las sumas ba
se definen como cero cuando los ndices a y b son tales que a b. Se define
adem
as a la probabilidad de ruina como cero cuando el capital inicial es
infinito, es decir,
p8q lm puq : 0.
u
120
Cn p q
bc
bc
bc
b
bc
u
b
bc
b
b
b
b
bc
n
b
Figura 7.1
Probabilidad de ruina con horizonte infinito

Proposici
on 7.1 Para el proceso de riesgo a tiempo discreto tCn : n 0u
con valor inicial u 0,
1. puq p0q
u 1
y 0
pu y q F py q
u 1
F py q,
u 1.
y 0
2. p0q E pY q.
Demostraci
on.
Para cualquier capital inicial w
0 y condicionando
121

sobre el valor de Y1 tenemos que
pwq

y 0
w
y 0
w
y 0
w
P p
P p
pw
8 | Y1 yq P pY1 yq
8
8 | Y 1 y q f py q
1 y q f py q
P p
8 | Y1 yq f pyq
y w 1
f py q
y w 1
pw
1 y q f py q
F pwq
y 0
w 1
py q f pw
1 yq
F pwq.
(7.3)
y 1
Observe que en la segunda igualdad se han separado dos casos: la primera

suma se refiere al caso cuando el monto reclamado Y1 no produce ruina
y la segunda suma cuando se presenta la ruina. En este u
ltimo caso la
probabilidad condicional indicada es uno. Despejando el u
ltimo termino de
la suma (7.3) y escribiendo u en lugar de w se obtiene
pu
1qf p0q puq
py q f pu
1 y q F puq.
(7.4)
y 1
Sumando ahora las ecuaciones de (7.3) para valores de w de cero a cualquier
122
u 0, se tiene que
u
pwq
w 0
u w1
py q f pw
u 1
py q
w 0 y 1
y 1

u 1
y 1
u
F pw q
w 0
f pw

1 yq
w y 1
py qF pu
1 yq
1 yq
F pwq
w 0
F pwq
w 0
py qF pu
1 yq
pu
1q f p0q
y 1
F pwq
w 0
Para obtener la u
ltima identidad se separa el u
ltimo sumando de la primera
suma y se observa que F p0q f p0q. Despejando este termino se obtiene
pu
1q f p0q p0q
py qp1 F pu
1 y qq
y 1
F py q.
(7.5)
y 0
Igualando el lado derecho de esta ecuaci

on con el lado derecho de la ecuaci
on (7.4)
se obtiene
puq
p0q
py qp1 F pu
1 yq
y 1
p0q

u
1
py q F pu y q
y 1
p0q
u 1

u
1
f pu
1 y qq
u 1
F py q
y 0
F py q
y 0
pu y q F py q
y 0
F py q.
(7.6)
y 0
Esto demuestra la primera parte de la proposici

on. Resta entonces demostrar
que p0q E pY q. Para ello tomaremos el lmite cuando u 8 en la
ecuaci
on (7.6). Tenemos entonces que
0 lm puq p0q
u
u 1
lm
8 y0
pu y q F py q
y 0
F py q.
123
Observamos que la segunda suma es E pY q, de modo que es suficiente demostrar que el lmite de la primera suma es cero. Como E pY q 8, para
cualquier 0 puede encontrarse un valor de n natural tal que
F py q .
y n 1
Entonces
u 1
pu y q F py q
y 0
y 0
n
pu y q F py q
pu y q
y 0
F py q.
y n 1
Por lo tanto al tomar el lmite obtenemos que
u 1
8 y0 pu y q F py q .
lm
Siendo arbitrario, el lmite es efectivamente cero.
En analoga con la notaci

on F py q 1 F py q, la expresi
on puq denotara la
probabilidad complementaria 1 puq, esto es la probabilidad de que nunca
se presente la ruina, es decir,
Notacion:
puq 1 puq.
Observe entonces que la ecuaci

on recursiva para puq tambien puede ser
escrita como sigue
puq p0q
u 1
pu y q F py q,
u 1.
(7.7)
y 0
Por otro lado, recordando nuevamente que, siendo Y una variable aleatoria
con valores enteros en el conjunto t0, 1, . . . u y con esperanza finita, se puede
124
escribir
E pY q
F py q.
y 0
De modo que uniendo los dos resultados de la Proposici

on 7.1 y despues
de un cambio de variable se encuentra que la formula recursiva para puq
tambien puede ser escrita de la forma siguiente
puq
F py q
y u
u 1
pu y qF py q,
u 1.
(7.8)
y 0
En la siguiente secci
on encontraremos una formula similar a (7.8) para la
probabilidad de ruina considerando un modelo de riesgo a tiempo continuo.
Ejemplo 7.1 Suponga que las reclamaciones Y tienen distribuci
on dada
por la tabla que aparece abajo. Usando la f
ormula recursiva de la Proposici
on 7.1, encontraremos puq para los primeros valores de u.
y
f py q
0
0.5
1
0.2
2
0.3
Primeramente tenemos que p0q E pY q 0.8. Para u 1 la f

ormula
recursiva establece que p1q F p1q p1qF p0q. Substituyendo las probabilidades correspondientes se obtiene p1q 0.6. Para u 2 se tiene que
aloga p2q p2qF p0q p1qF p1q, de donde se obtiene p2q 0.36. An
mente se obtienen las probabilidades de ruina que se muestran en las siguientes tablas.
u
0
1
2
3
puq
0.8
0.6
0.36
0.216
u
4
5
6
7
puq
0.1296
0.07776
0.046656
0.0279936
u
8
9
10
11
puq
0.01679616
0.010077696
0.006046618
0.0036279708
En la Figura 7.2 se muestra una gr

afica de barras de los valores encontrados
de puq. Se observa un comportamiento decreciente de puq conforme el
capital inicial u se incrementa.
125

puq
1.0
0.8
0.6
0.4
0.2
0 1 2 3 4 5 6 7 8 9 10
Figura 7.2
Probabilidad de ruina con horizonte finito

La probabilidad de ruina con horizonte finito n 1 se define como
pu, nq

P p
n | C0 uq
P p P t1, 2, . . . , nu | C0 uq,
y corresponde a la probabilidad de que la ruina se presente en alguno de

los tiempos: 1, 2, . . . , n. Puesto que siempre estaremos en el caso C0 u,
se omitir
a esta condici
on y la probabilidad de ruina con horizonte finito
se puede escribir simplemente como P p nq. A partir de observar la
contenci
on de los eventos correspondientes, se puede verificar que
pu, 1q
pu, 2q pu, nq puq.
Condicionando sobre el monto de la primera reclamaci

on tal como se hizo en
el caso de horizonte infinito, mostramos a continuaci
on una forma recursiva
de encontrar pu, nq.
126
Proposici
on 7.2 Para el proceso de riesgo a tiempo discreto tCn : n 0u
con valor inicial u 0, la probabilidad de ruina con horizonte finito pu, nq
puede calcularse de la siguiente forma
1. pu, 1q
F puq.
2. pu, nq F puq
pu
1 y, n 1q f py q,
n 2.
y 0
Demostraci
on.
Para n 1,
pu, 1q
P p 1q P pu
1 Y1
0q P pY1 u
1q F puq.
on,
Para n 2, condicionando sobre el valor de la primera reclamaci
pu, nq
P p n q
8

P p n | Y1 y q P pY1 y q

y 0
u
y 0
u
pu
1 y, n 1q f py q
f py q
y u 1
pu
1 y, n 1q f py q
F puq.
y 0
Ejemplo 7.2 Consideremos nuevamente el caso cuando los montos Y tienen

distribuci
on dada por la tabla que aparece abajo. Usando la f
ormula recursiva
de la Proposici
on 7.2 encontraremos pu, nq, cuando u 0 y n 1, 2, 3, 4, 5.
v
f pv q
0
0.5
1
0.2
2
0.3
sico de Cram
7.2. Modelo cla
er-Lundberg
127
Para n 1 tenemos que p0, 1q F p0q 0.5. Para n 2, la f

ormula
recursiva lleva a la ecuaci
on p0, 2q p0, 1q p1, 1qf p0q, usando el hecho de que p1, 1q 0.3 se obtiene p0, 2q 0.65. Para n 3, se tiene
que p0, 3q p0, 1q p1, 2qf p0q, en donde p1, 2q se calcula usando la
misma f
ormula recursiva. Al hacer los c
alculos se obtiene p0, 3q 0.68.
An
alogamente y utilizando repetidamente la f
ormula recursiva se obtienen
las probabilidades de ruina restantes que se muestran en la siguiente tabla.
n
p0, nq
1
0.5
2
0.65
3
0.68
4
0.7085
5
0.7232
El comportamiento creciente de n p0, nq se muestra en la Figura 7.3 y

tales probabilidades son siempre menores o iguales a p0q 0.8, es decir,
p0, 1q
p0, 2q p0, 5q p0q 0.8 .

1.0
p0, nq
p0q
0.8
0.6
0.4
0 1 2 3 4 5
Figura 7.3
7.2.
Modelo cl
asico de Cram
er-Lundberg
El modelo de Cramer-Lundberg es la versi

on a tiempo continuo del modelo
a tiempo discreto que estudiamos en la secci
on anterior y tiene sus orgenes
en la tesis doctoral de Filip Lundberg defendida en el a
no de 1903. En este
trabajo, Lundberg analiza el reaseguro de riesgos colectivos y presenta el
proceso de Poisson compuesto. Lundberg utiliz
o terminos un tanto distintos
a los actuales pues en aquellos a
nos a
un no se haba formalizado la teora de
128
los procesos estoc

asticos como la entendemos hoy en da. En 1930 Harald
Cramer retoma las ideas originales de Lundberg, y las pone en el contexto de
los procesos estoc
asticos, en ese entonces de reciente creaci
on. El modelo ha
sido estudiado en extenso, y varias formas de generalizarlo se han propuesto
y analizado.
Ernest Filip Oskar Lundberg

(Suecia 18761965)
Carl Harald Cramer

(Suecia 18931985)
El modelo cl
asico que estudiaremos en este captulo es el proceso estocastico
a tiempo continuo tCt : t 0u dado por
Ct
u
ct
Yj ,
(7.9)
j 1
en donde u es el capital inicial de la compa

na aseguradora, ct es la entrada
por primas hasta el tiempo t con c una constante positiva, Yj es el monto
de la j-esima reclamaci
on, y tNt : t 0u es un proceso de Poisson de
par
ametro . Observe que para un proceso de reclamaciones con distribucion
Poisson compuesta como en (7.9), la esperanza es justamente de la forma
ct, y el principio del valor esperado para el calculo de primas lleva a que
el proceso de primas sea lineal como el sugerido en el modelo. La variable
Ct representa el balance m
as sencillo de ingresos menos egresos de una
compa
na aseguradora. Al proceso tCt : t 0u se le llama nuevamente
proceso de riesgo (risk process), o proceso de super
avit (surplus process), y
tiene trayectorias como se muestra en la Figura 7.4.
sico de Cram
7.2. Modelo cla
er-Lundberg
129
Ct p q
E pCt q
bc
bc
bc
b
bc
bc
b
b
b
b
Figura 7.4
Estas trayectorias comienzan siempre en u, que es el capital inicial. Los

intervalos en donde ellas son continuas y crecientes corresponden a periodos en donde no hay reclamaciones. El crecimiento es de la forma ct. Las
discontinuidades son siempre saltos hacia abajo, y aparecen en el momento en que se efect
ua una reclamaci
on, la cual se supone que se paga de
manera inmediata. El tama
no de un salto es el tama
no de la reclamaci
on
dada por la variable Y . Nuevamente supondremos que los montos Y1 , Y2 , . . .
son variables aleatorias independientes, no negativas, e identicamente distribuidas, con funci
on generadora de momentos MY pr q. Los momentos son
n E pY n q, y en particular denota el primer momento 1 . No es difcil
comprobar que E pCt q u pc qt, y que VarpCt q 2 t. La trayectoria
promedio de este proceso de riesgo es la lnea recta que inicia en u 0 y
tiene pendiente c , la cual es positiva por la condici
on o hip
otesis de
ganancia neta. La variable aleatoria Ct se puede interpretar como el capital
de la compa
na aseguradora al tiempo t y por razones naturales y legales es
importante que Ct permanezca por arriba de cierto nivel mnimo. Supongamos que tal nivel mnimo es a, con 0 a u. Ajustando el capital inicial
u, esto es, suponiendo un nuevo capital inicial de magnitud u a, se puede
suponer, sin perdida de generalidad, que este nivel mnimo es cero, y as lo
un t 0
haremos en nuestro an
alisis. De esta forma cuando Ct 0 para alg
se dice que hay ruina. La ruina casi nunca sucede en la pr
actica, es solamente
un termino tecnico que produce alguna toma de decisi
on. Por ejemplo, si
el capital de una compa
na aseguradora asignado a una cartera decrece en
forma significativa, autom
aticamente la aseguradora puede tomar ciertas
130
medidas para subsanar esta situaci

on y no se trata de un evento insalvable.
Por otro lado es natural suponer que la compa
na aseguradora posea varios
portafolios de modo que ruina en uno de ellos no significa necesariamente
bancarrota que el termino ruina podra sugerir.
La condici
on de ganancia neta
Sean T0 , T1 , T2 , . . . los tiempos aleatorios (tiempos de paro) en donde la aseguradora recibe las reclamaciones. Supondremos T0 0. Para cada entero
k 1 defina la variable aleatoria Xk c pTk Tk1 q Yk , que pueden ser interpretadas como el balance de la compa
na aseguradora entre dos siniestros
sucesivos. La esperanza de esta variable es
E pXk q c E pTk Tk1 q E pYk q c p1{q .
Se puede demostrar que la ruina ocurre casi seguramente si, y s
olo si,
on no ocurra supondremos
E pXk q 0. Como deseamos que esta situaci
que E pXk q 0, es decir, tenemos la hip
otesis:
Condicion de ganancia neta:
c .
Esta condici
on ya la habamos mencionado antes, y ahora la interpretamos
de la siguiente forma: en promedio, la entrada por primas por unidad de
tiempo, c, es mayor que el total de reclamaciones por unidad de tiempo, .
7.3.
Probabilidad de ruina
Nos interesa calcular o estimar la probabilidad de una eventual ruina en

el modelo de Cramer-Lundberg. Para ello consideraremos nuevamente el
tiempo de ruina dado por
nf tt 0 : Ct 0u,
(7.10)
en donde se define nf H 8. Por lo tanto es una variable aleatoria
con valores en el intervalo p0, 8s. Dado un valor t 0 fijo, la probabilidad
de ruina en el intervalo p0, ts o tambien llamada probabilidad de ruina con
horizonte finito es
pu, tq P p
t | C0 uq.
131
7.3. Probabilidad de ruina
Mientras que la probabilidad de ruina con horizonte infinito, o simplemente

probabilidad de ruina, es
puq lm pu, tq P p
Es intuitivamente claro que cuando 0 t1
8q.
t2 ,
pu, t1 q pu, t2 q puq.
Probabilidad de ruina con horizonte infinito

Presentaremos a continuaci
on tres resultados generales sobre la probabilidad
de ruina con horizonte infinito. A diferencia del primer captulo, y para hacer
la notaci
on m
as apegada a la literatura existente en el tema, recordemos que
estamos denotando por F py q a la funcion de distribucion de una reclamaci
on
Y cualquiera. La funci
on de densidad ser
a f py q, cuando esta exista.
Proposici
on 7.3 Sea puq 1 puq. Suponga que la distribuci
on de una
reclamaci
on en el modelo de Cramer-Lundberg es absolutamente continua
con funci
on de densidad f py q. Entonces
1.
puq r puq
du
c
2. p0q
.
c
3. puq
r
c
8
u
F py q dy
pu y q f py q dy s.
u
0
pu y q F py q dy s.
Demostraci
on. Usaremos an
alisis del primer paso condicionando sobre
el monto de la primera reclamaci
on Y1 y el momento T1 en el que esta
reclamaci
on ocurre. Usaremos adem
as el hecho de que T1 tiene distribucion
132
exppq.
puq
P p No
ruina en p0, 8q | C0 uq
88
P p No ruina en p0, 8q | Y1 y, T1 tq f py q fT ptq dy dt

08 0u
8
0
ct
et
et
P p No ruina en p0, 8q | Y1
ct
0
u ct
0
P p No ruina en pt, 8q | Y1
pu
u{c
e
c
y, T1 tq f pyqdy dt
ct y q f py q dy dt.
Haciendo el cambio de variable sptq u

puq
y, T1 tq f pyq fT ptq dy dt
8
u
es{c
s
0
ct se obtiene
ps y qf py qdy ds.

on se encuentra el resultado del primer inciso. Demostraremos a continuaci
on el segundo resultado. Integrando la ecuaci
on
diferencial del primer inciso entre 0 y u se obtiene
puq p0q

u x
u
r
pxqdx
px y q dF py q dxs
c 0
0 0
u u
u
r
pxqdx
px y q dx dF py qs
c 0
0 y
u uy
u
r
pxqdx
pxq dx dF py qs
c 0
0 0
u ux
u
r pxqdx
pxq dF py q dxs
c 0
0 0
u
pxq F pu xq dx
c 0
u
pu xq F pxq dx
c 0
8
pu xq F pxq 1r0,us pxq dx.
c 0
(7.11)
133
7.3. Probabilidad de ruina
El siguiente paso es hacer u tender a infinito. En tal caso, puq tiende a

uno. Adem
as el integrando que aparece en el lado derecho es una funcion
mon
otona creciente en u, y cuyo lmite es la funcion integrable F pxq. Entonces por el teorema de convergencia mon
otona se obtiene
1 p0q
Por lo tanto
8
0
F pxq dx
.
c
p0q 1 p0q
.
(7.12)
c
De esta forma se obtiene el segundo resultado. Finalmente de (7.11) y (7.12)
se sigue que
puq

r

pu xqF pxq dx s
c
0
8
u
pu xqF pxq dx s.
r
F pxqdx
c u
0

Observe que la u
ltima expresi
on corresponde a una ecuaci
on recursiva para
encontrar la probabilidad de ruina. En general no es facil resolver este tipo
de ecuaciones, de modo que nos limitaremos s
olo a encontrar algunas estimaciones de estas probabilidades. Sin embargo, cuando las reclamaciones
tienen distribuci
on exponencial el sistema es soluble como se muestra a continuaci
on.
Ejemplo 7.3 Encontraremos la probabilidad de ruina cuando las reclamaciones son exponenciales. Este es uno de los pocos modelos para los cuales
tal probabilidad puede encontrarse de manera explcita. Considere entonces
el modelo de Cramer-Lundberg en donde las reclamaciones tienen distribuci
on exppq. La esperanza es 1{. Por lo anteriormente encontrado, la
probabilidad de no ruina py q 1 py q cumple la ecuaci
on
1 puq
r puq eu
c
u
0
py q ey dy s.

on se obtiene
2 puq p
q 1puq,
134
cuya soluci
on es puq a bep{cqu , en donde a y b son constantes.
Usando las condiciones p0q {pcq y p8q 0 se encuentra que a 1
y b {pcq. Por lo tanto
puq
p{cqu
e
.
c
cuya gr
afica se encuentra en la Figura 7.5. Observe que debido a la condici
on
de ganancia neta, el exponente p {cq es negativo, y por lo tanto la
probabilidad de ruina decae a cero exponencialmente cuando el capital inicial
u crece a infinito.
puq
u
Figura 7.5
7.4.
Severidad de la ruina
Consideremos nuevamente el proceso de riesgo tCt : t 0u con capital

inicial u. A la variable Ct se le escribe tambien como C ptq. Sunpongamos
ahora que el tiempo de ruina es finito. En este caso podemos considerar
las siguientes variables aleatorias
a) X
b) Y
C p q.
C p q.
Estas cantidades representan, respectivamente, el valor del proceso de riesgo

un instante antes de la ruina, y justo en el momento de la ruina. Las variables
X y Y se muestran gr
aficamente en la Figura 7.6.
135
7.4. Severidad de la ruina

Ct p q
bc
bc
bc
b
X
b
b
Y
b
Figura 7.6
A la variable Y se le llama severidad de la ruina. El problema que se plantea

es el de encontrar la probabilidad conjunta
pu, x, y q P p
8, X x, Y yq,
on
para cualesquiera x 0, y 0. Es claro que esta probabilidad es una versi
m
as elaborada que la probabilidad de ruina puq P p 8q. Como es de
esperarse, no se cuenta con una formula explcita para pu, x, y q, pero encontraremos una ecuaci
on integral para esta probabilidad. La demostracion
de la ecuaci
on integral para pu, x, y q sigue la misma tecnica que la que se
present
o para el caso de la probabilidad de ruina.
136
Proposici
on 7.4 Para x 0, y y
1. 1 pu, x, y q
2. p0, x, y q
3. pu, x, y q
r pu, x, yq
c
x y
r
c
0,
u
0
pu v, x, y q dF pv q 1puxq F pu
y q s.
F pv q dv.
8
u y
F pv q dv
u
0
pu v, x, y qF pv q dv
1puxq
x y
F pv q dv s.
Demostraci
on. Usaremos nuevamente an
alisis del primer paso condicionando sobre el momento y monto de la primera reclamaci
on.
pu, x, y q

88
8
0
P p
et
8
0
8, X x, Y y | T1 t, Y1 yqdF pyqdFT ptq

1
ct
1pu
pu
q F pu
ct x
ct v, x, y qdF pv qdt
ct
y qet dt.
Efectuando el cambio de variable sptq u
pu, x, y q
1
c
epsuq{c
1
c
ct se obtiene
s
0
ps v, x, y qdF pv qds
epsuq{c 1psxq F ps
y qds.
137
7.4. Severidad de la ruina

on se encuentra el resultado del primer inciso. Integrando esta ecuaci
on diferencial entre 0 y u se obtiene
pu, x, y q p0, x, y q
pw, x, y qdw

u w
0
c
c
0 0
u
0
pw v, x, y q dF pv q dw
1pwxq F pw
y qdw,
en donde la integral doble puede escribirse de la siguiente forma
uw
0
pw v, x, y q dF pv q dw

Por lo tanto,
pu, x, y q p0, x, y q

r
c
r
c
r
c
u
0
u
0
u
0
uu
pw v, x, y q dw dF pv q
0 v
u u v
0u 0uw
0 0
u
0
pw, x, y q dw dF pv q
pw, x, y q dF pv q dw
pw, x, y qF pu wq dw.
pw, x, y qp1 F pu wqq dw
1puxq
u
x
F pw
y qdws
pw, x, y qF pu wq dw
1puxq
x y
F pwqdws
pu v, x, y qF pv q dv 1puxq
x y
F pv qdv s.
Haciendo u tender a infinito, puede comprobarse que p8, x, y q 0, y no

es difcil demostrar que la primera integral se anula. Por lo tanto se obtiene
la identidad
8
F pv q dv.
(7.13)
p0, x, y q
c x y
138
Este el segundo inciso del enunciado. Substituyendo (7.13) en la ecuaci

on
previa y simplificando se obtiene el tercer inciso del enunciado.

Observe que tomando x 0 y y 0 en la ecuaci
on integral para pu, x, y q
se obtiene la ecuaci
on integral anteriormente encontrada para puq, es decir,
puq pu, 0, 0q
r
c
8
u
F pv q dv
pu v, 0, 0qF pv q dv s.
Adem
as suponiendo cada caso por separado, x 0 o y 0, se obtienen
formula integrales para las probabilidades marginales de X y de Y , considerando siempre tiempo de ruina finito. Es decir, para la variable Y tenemos que
pu, 0, y q
r
c
u y
Para la variable X,
pu, x, 0q
7.5.
r
c
8
u
F pv q dv
F pv q dv
u
0
u
0
pu v, 0, y qF pv q dv s.
pu v, x, 0qF pv q dv
1puxq
u
x
F pv q dv s.
El coeficiente de ajuste
Este es un n
umero que aparece en el problema de calcular o estimar probabilidades de ruina. Hay varias maneras de definirlo, una de ellas, un tanto
artificial pero que despues justificaremos, es la siguiente. Se define primero
la funci
on
pr q pMY pr q 1q cr,
en donde MY pr q es la funcion generadora de Y . Naturalmente esta funci

on est
a bien definida para valores de r en donde MY pr q existe. Entonces,
suponiendo diferenciabilidad, se tiene que 1 pr q MY1 pr q c, y 2 pr q
MY2 pr q E pY 2 erY q 0. Por lo tanto, pr q es una funcion estrictamente convexa tal que p0q 0, y por la condici
on de ganancia neta,
1
p0q c 0. Entonces es posible que exista un valor R 0 tal
que pRq 0. Una gr
afica de la funcion pr q, presentando esta situaci
on, se
139
7.5. El coeficiente de ajuste
pr q
Figura 7.7
Definici
on 7.3 A la posible soluci
on R 0 de la siguiente ecuaci
on se le
llama coeficiente de ajuste, o exponente de Lundberg.
pRq pMY pRq 1q cR 0.
Observe que la existencia del coeficiente de ajuste depende enteramente de

la distribuci
on de las reclamaciones. Aquellas distribuciones para las cuales
el coeficiente de ajuste existe se les llama distribuciones con colas ligeras, y la
raz
on de ello es que la funcion de densidad decae a cero exponencialmente
r
apido, asignando probabilidades peque
nas a reclamaciones grandes. Por
ejemplo, demostraremos a continuaci
on que en el caso de reclamaciones
exponenciales, el coeficiente de ajuste existe y es facil calcularlo.
Ejemplo 7.4 (Reclamaciones con distribuci
on exponencial) Suponga que
las reclamaciones siguen una distribuci
on exppq, es decir, la funci
on generadora de momentos es MY pr q {p r q, para r . Entonces
pr q
pMY prq 1q cr
p r 1q cr
p r r q cr
p r cq r.
De modo que pr q es cero cuando r 0, o bien cuando {p r q c 0.
140
Despejando r de la segunda condici

on y escribiendo ahora R como la variable
se obtiene R {c. M
as a
un, por lo encontrado antes en el caso de
reclamaciones exponenciales, la probabilidad de ruina puede ahora escribirse
de la forma siguiente
puq
p{cqu
e
c
Ru
c
eRu ,
e
en donde la desigualdad es consecuencia de la condici

Este tipo de cota superior para la probabilidad de ruina (llamada desigualdad
de Lundberg) ser
a demostrada m
as adelante para cualquier distribuci
on de
las reclamaciones para la cual el coeficiente de ajuste exista.
Ejemplo 7.5 (Reclamaciones con distribuci
on gamma) Suponga que las
on
reclamaciones siguen una distribuci
on gammap, q con 2. La funci
generadora de momentos es MY pr q p{p r qq , para r . Por lo tanto
la funci
on pr q correspondiente es
pr q

r
1 cr.
on cuadr
atica
La condici
on pr q 0 produce la ecuaci
r p 2cq
cr 2
cuyas races son
pc2 2q 0,
2c
4c
.
2c
El caso con raz cuadrada positiva es inv
alido pues resulta r , en efecto,
usando la condici
on de ganancia neta, c p2{q, se obtiene
r
p2c
4cq{2c
p2c
{c
.
82 q{2c
Por lo tanto la raz con el signo negativo es el coeficiente de ajuste.

Ejemplo 7.6 (Metodo de Newton-Raphson) Recordaremos a continuaci
on
el metodo de Newton-Raphson y lo aplicaremos al problema de encontrar
141
g pxq
b
x1 x0
Figura 7.8
de manera aproximada el coeficiente de ajuste en un caso particular. Sea
on diferenciable que tiene una raz cerca de x x0 . Vease la
g pxq una funci
Figura 7.8.
La ecuaci
on de la recta tangente que pasa por el punto px0 , gpx0 qq es
y gpx0 q g1 px0 qpx x0 q.
Esta lnea recta cruza el eje horizontal cuando el valor de x es igual a

x1
x0 gpx0 q{gpx1 q,
a quien se toma como nueva raz aproximada. Repitiendo este an

alisis se
encuentra una sucesi
on de puntos x0 , x1 , x2 , . . ., que bajo ciertas condiciones
converge a la raz de la funci
on gpxq. Aplicaremos este procedimiento al problema de encontrar el coeficiente de ajuste cuando las reclamaciones siguen
una distribuci
on gammap, q con 3. La condici
on pr q 0 produce la
siguiente ecuaci
on que puede reducirse a una ecuaci
on c
ubica en r,
gpr q p3 p r q3 q cr p r q3
0.
La raz buscada r es tal que por restricciones de la funci

on generadora de
momentos debe satisfacer 0 r . Tomaremos 3, 1, y c 2. Se
han escogido estos valores de los par
ametros por simplicidad pero al mismo
tiempo cuidando que se verifique la condici
on de ganancia neta: c p3{q.
El esquema general de Newton-Raphson es entonces
rn
rn gprn q{g1 prn q.
M
as adelante demostraremos que si el coeficiente de ajuste existe, entonces
este se encuentra siempre dentro del intervalo p0, 2pc q{p2 qq. Con base
142
en este resultado, tomaremos como condici

on inicial r0 2pc q{p2 q
3{2. Usando estos datos, la iteraci
on de Newton-Raphson arroja la siguiente
sucesi
on de valores: r0 1.5, r1 0.83, r2 0.8405056, r3 0.8404738,
r4 0.8404738 . El coeficiente de ajuste es entonces R 0.8404738 .
El siguiente resultado proporciona una forma equivalente de definir el coeficiente de ajuste, permite adem
as comprobar su existencia a traves de la determinacion de la finitud de una integral, y posibilita dar una interpretacion
de aquellas distribuciones de probabilidad para las cuales el coeficiente de
ajuste existe.
Proposici
on 7.5 La ecuaci
on pr q pMY pr q 1q cr
olo si, se cumple la identidad
posible soluci
on r 0 si, y s
8
0
en donde F pxq
reclamaciones.
erx F pxq dx
0 tiene una
c
,
1 F pxq, siendo F pxq la funcion de distribucion de las
Demostraci
on.
Usando integraci
on por partes se tiene que
rx
dF pxq e
rx
8 8 rx
re F pxq dx.
F pxq 0
0
Por la hip
otesis de existencia de la funcion generadora de momentos de la
distribuci
on F pxq, la evaluaci
on del primer termino del lado derecho en el
valor infinito se anula, y la evaluaci
on en cero es uno. Por lo tanto, usando
on
el hecho de que dF pxq dF pxq, se obtiene la expresi
8
0
erx dF pxq 1
8
0
erx F pxq dx.
143

Tenemos entonces que
0
pr q
pM
8Y prq 1q cr
p erx dF pxq 1q cr

0 8
0
erx F pxq dx cr.
Despejando la integral se obtiene el resultado enunciado.
Definici
on 7.4 A una distribuci
on de probabilidad para la cual existe el
coeficiente de ajuste se les llama distribuci
on con cola ligera. Cuando no
existe tal coeficiente la distribuci
on adquiere el nombre de distribuci
on con
cola pesada.
Ejemplo 7.7 Usaremos el criterio de la proposici

on anterior para demostrar
que para la distribuci
on Burr no existe el coeficiente de ajuste. En este caso
tenemos que
F pxq pk{pk xc qq .
Entonces para cualquier valor de r
8
0
e F pxq dx
rx
8
0
rx
pk{pk
0,
x
qq
dx
8
0
erx xc dx 8.
Por lo tanto la distribuci

on Burr es una distribuci
on con cola pesada.
Seg
un el criterio recien demostrado, para que exista el coeficiente de ajuste,
apido
la cola de la distribuci
on, F pxq, debe decaer a cero lo suficientemente r
para anular el comportamiento creciente del termino erx dentro de la integral. En el ejemplo anterior, la cola de distribucion Burr decae a cero en la
forma xc que es insuficiente para hacer que la integral sea finita. Una distribucion con cola ligera asigna probabilidades muy peque
nas a los valores
144
grandes de la variable aleatoria. Esto puede no ser muy conveniente para

modelar algunos riesgos pues de esa manera se est
a subestimando la posibilidad de registrar grandes montos en las reclamaciones. A continuaci
on
mencionamos sin demostracion algunos ejemplos de distribuciones de un
tipo y de otro.
Ejemplo 7.8 Distribuciones con cola ligera:
1. exppq, F pxq ex .
2. gammap, q.
r
3. Weibullpr, q, F pxq epxq , para r
4. Normal truncada, f pxq
2{ ex
1.
{2 .
Ejemplo 7.9 Distribuciones con cola pesada:

1. lognormal p, 2 q.
2. Paretopa, bq.
3. Burr, F pxq pk{pk
xc qq .
r
4. Weibullpr, q, F pxq epxq , para 0 r 1.
5. loggammap, q.
Desigualdad de Lundberg
Vamos a demostrar ahora que para aquellas distribuiones para las cuales el
coeficiente de ajuste R existe se cumple la desigualdad puq eRu . Para
demostrar este resultado haremos uso de la teora de martingalas.
Proposici
on 7.6 Sea tCt u el proceso de riesgo, y sea pr q pMY pr q
1q cr. Entonces el proceso terCt prqt : t 0u es una martingala.
145
Demostraci
on. La adaptabilidad del proceso es evidente pues implcitamente estamos usando la filtraci
on natural. Acerca de la integrabilidad tenemos los siguientes c
alculos
Nt
eprqt E perpu ct Y qq
eprqtrpu ctq E per Y q

eprqtrpu ctq MS prq
eprqtrpu ctq etpM prq1q
8.
Finalmente tenemos la propiedad de martingala. Para 0 s t,
E perC prqt | Fs q eprqt E perC | Fs q
eprqt E perpC C qrC | Fs q
eprqtrC E perpC C q q
eprqtrC E perpcptsq Y qq

eprqtrC rcptsq E per Y q
eprqtrC rcptsq eptsqpM prq1q
erC prqs .
E perCt prqt q
j 1
Nt
j 1
s
s
s
s
Nt
j Ns
Nt s
j 1

En particular, si el coeficiente de ajuste existe, es decir, si pRq 0, entonces el proceso teRCt u es una martingala. Este es el resultado clave para
demostrar la siguiente cota superior para la probabilidad de ruina.
Teorema 7.1 (Desigualdad de Lundberg) Suponga que el coeficiente de

ajuste R existe. Entonces
puq eRu .
Demostraci
on. Sea el tiempo de paro correspondiente al tiempo de
ruina. Como el proceso teRCt u es una martingala, se tiene que el proceso
146
teRC ^ u tambien es una martingala que inicia en eRu . Por lo tanto

eRu eRC
E peRC ^ q
E peRC ^ | tq P p tq
EpeRC | tq P p
tq

eRC 1p tq dP P p tq.
otonamente, el evento p tq converge crecientemente
Haciendo t 8 mon
al evento p 8q. Por el teorema de convergencia mon
otona se obtiene
t
t
t
entonces que
eRu

E peRC |
8q P p 8q
E p 1 | 8q P p 8q
P p 8q
puq.
eRu
1
u
Figura 7.9: Cota superior para la probabilidad de ruina.
Como hemos visto, el coeficiente de ajuste no siempre existe, y a
un cuando
conozcamos su existencia no siempre es facil calcularlo. El siguiente resultado proporciona algunas cotas para el valor de este coeficiente, suponiendo
su existencia.
147
Proposici
on 7.7 Si el coeficiente de ajuste R existe, entonces
1
c
2pc q
lnp q R
,
M
2
en donde la primera desigualdad es v
alida bajo la hip
otesis adicional de que
Y M c.s., para alguna constante M 0.
Demostraci
on. Demostraremos primero la cota superior. Considere nuevamente la funci
on pr q pMY pr q 1q cr, para r 0. Sabemos que
p0q 0. Derivando esta funcion dos veces se obtiene
1 pr q
MY1 prq c,
2 pr q E pY 2 erY q E pY 2 q 2 .
En donde 1 p0q c. Por el teorema fundamental del calculo,
r
1
1
2 psqds p cq 2 r.
pr q p0q
0
Por lo tanto,
pr q p0q
t
0
1 psqds p cqr
1
2 r 2 .
2
Evaluando la u
ltima desigualdad en R se obtiene
0 p cqR
r p cq 2 21 R s R.
Como R 0, se tiene que p cq 2 12 R 0. Despejando R se obtiene
1
2 R2
2
la cota superior anunciada.

Demostraremos ahora la cota inferior. Suponga que Y M c.s. y defina la
funci
on
x RM
hpxq
pe 1q peRx 1q.
M
Entonces h2 pxq R2 eRx 0. Por lo tanto h es concava con hp0q
hpM q 0. Esto quiere decir que hpxq 0 para 0 x M , es decir,
x RM
pe 1q peRx 1q 0,
M
148
o bien
peRx 1q Mx peRM 1q.

(7.14)
Sea gpxq xex ex 1. Entonces g 1 pxq xex 0. Por lo tanto gpxq
es creciente para x 0, es decir, gpxq gp0q 0, para x 0. Es decir,
xex ex 1 0, para x 0. En particular, evaluando en x RM se
obtiene RM eRM eRM 1 0. Por lo tanto
eRM 1
eRM .
(7.15)
RM
Por otro lado, usando (7.14),
MY pRq 1
0
M
0
peRx 1q dF pxq
x RM
pe
M
1q dF pxq
M
1 RM
pe 1q
M
M peRM 1q.
Por lo tanto, usando (7.16) y luego (7.15),
x dF pxq
pMY pRq 1q cR

peRM 1q cR
M
ReRM cR
peRM cqR.
eRM c 0. Despejando R se obtiene
(7.16)
Por lo tanto
buscada.
la cota inferior
Es interesante notar que la cota superior encontrada no involucra hip

otesis
adicionales, de modo que cuando el coeficiente de ajuste R existe, este se
encuentra siempre dentro del intervalo p0, 2pc q{2 q. Observe adem
as
que cuando las reclamaciones est
an acotadas superiormente por una constante positiva M , puede encontrarse una cota superior para la probabilidad
de ruina sin conocer necesariamente el coeficiente de ajuste pues
u
u{M
puq eRu e M lnpc{q elnp{cq
p{cqu{M .
n de De Vylder
7.6. Aproximacio
7.6.
149
Aproximaci
on de De Vylder
Considere nuevamente el modelo de riesgo de Cramer-Lundberg

Ct
u
ct
(7.17)
Yj ,
j 1
en donde las reclamaciones Yj tienen distribucion desconocida. La aproximaci

on propuesta por De Vylder consiste en aprovechar el hecho de que
para este modelo el problema de encontrar la probabilidad de ruina es completamente soluble cuando las reclamaciones son exponenciales. De Vylder
propone el siguiente modelo asociado
Ct
u
c t
Yj ,
(7.18)
j 1
t : t 0u es un proceen donde c es una nueva tasa de ingreso por primas, tN
so de Poisson de par
ametro , y Yj son variables aleatorias con distribucion
expp
q. La idea es aproximar la probabilidad de ruina del riesgo (7.17) por
la del riesgo (7.18). Para ello se deben encontrar los valores de los par
amet y
ros c,
en terminos de los par
ametros del riesgo original, y ello es lo
que se explica a continuaci
on.
Proposici
on 7.8 (Aproximaci
on de De Vylder) La probabilidad de
ruina del riesgo (7.17) tiene como aproximaci
on la f
ormula
puq
ep {cqu ,
c
en donde
32 {3 ,
9 3 {2 ,
2 2 3
c c
3 2
{3 .
2 2
Demostraci
on. El metodo consiste en igualar los tres primeros momentos
de los procesos Ct y Ct , suponiendo la existencia de tales caractersticas.
150
Primeramente veamos la igualaci

on de las esperanzas. La condici
on E pCt q
E pCt q produce la ecuaci

on
u
De donde se obtiene
ct t u
c c
p1{
ct
qt.
p1{
q.
(7.19)
El siguiente paso es igualar las varianzas. De los resultados generales del

primer captulo, recordemos que la varianza de un riesgo S que sigue un
a dada por VarpS q 2 . Por lo tanto, de
modelo colectivo Poissonpq est
la condici
on VarpCt q VarpCt q se obtiene
2
r2{2 s.
(7.20)
r6{3 s.
(7.21)
Ahora hemos usado el hecho de que si X tiene distribucion exppq, entonces

E pX 2 q 2{2 . Finalmente, recordemos que el tercer momento central de
a dado por E pS
un riesgo S que sigue un modelo colectivo Poissonpq est
E pS qq3 3 . Por lo tanto, la tercera condici
on E pCt E pCt qq3 E pCt
E pCt qq3 produce la ecuaci
on
3
Hemos usado el hecho de que si X tiene distribucion exppq, entonces

de (7.20) y (7.21) e igualando,
E pX 3 q 6{3 . Despejando
1
2
2
2
Por lo tanto,
16 3 3 .
32 {3 .
(7.22)
Substituyendo en (7.20),
9 3 {2 .
2 2 3
Substituyendo (7.22) y (7.23) en (7.19),
c c
3 2
{3 .
2 2
(7.23)
(7.24)
y
De esta forma hemos encontrado los par
ametros c,
en terminos de los

par
ametros del riesgo original c, y los momentos de Y .
rmula de Pollaczek-Khinchin
7.7. Fo
7.7.
151
F
ormula de Pollaczek-Khinchin
La formula de Pollaczek-Khinchin es una expresi

on general que permite
escribir a la probabilidad de ruina en terminos de una serie infinita de convoluciones. La demostracion que presentaremos hace uso de la transformada
de Laplace de la cual se recuerda su definicion y algunas propiedades en el
apendice. Para obtener la formula de Pollaczek-Khinchin se necesita conocer
primero la transformada de Laplace de una distribucion geometrica compuesta. Sea entonces X una variable aleatoria con distribucion geometrica
compuesta, es decir, una variable aleatoria de la forma
X
Uj ,
j 1
en donde N tiene distribucion geop1 pq, y las variables U1 , U2 , . . . son

independientes, no negativas, identicamente distribuidas, y con funcion de
distribuci
on definida por
H pxq
x
0
F py q dy,
en donde F py q es una funcion de distribucion de una variablea aleatoria no

negativa con media finita , y correspondera, siguiendo la misma notaci
on
que en el modelo de Cramer-Lundberg, a la funcion de distribucion del
monto de una reclamaci
on. Sea Gpxq la funcion de distribucion de X.
Proposici
on 7.9 La transformada de Laplace de Gpxq es
8
0
esx Gpxq dx
p
s
p1 pq s pLpFLpsqpsq .
Demostraci
on. Primeramente tenemos que
Gpxq
H n pxqp1 pqpn .

n 0
152
Entonces
G px q
1 p1 p q
pn H n pxq
n 0
p p1 p q
pn H n pxq.
n 1
La transformada de Laplace de esta funcion es
8
0
esx Gpxq dx

sx
p1 pq e p pn H npxq q dx
0
n1
8
8
p
p1 pq pn esx H npxq dx
s
0
n1
8
n n1 n
p
LH psq
p s

p
1 pq
s
n1
8
p p1 p q
p
s
s
p
s
ppsLH psqqn
n 1
LH psq
p1 pq 1 p ps
.
L psq
H
A partir de la definicion de H pxq, puede demostrarse que sLH psq LF psq.

Por lo tanto,
8
0
esx Gpxq dx
p
s
p1 s pq p LpFLpsqpsq .
F

Con la notaci
on y las hip
otesis utilizadas en el modelo de Cramer-Lundberg,
tenemos el siguiente resultado.
rmula de Pollaczek-Khinchin
7.7. Fo
153
Teorema 7.2 (F
ormula de Pollaczek-Khinchin) La probabilidad de
ruina en el modelo de Cramer-Lundberg est
a dada por
puq p1 pq
en donde p
1 x
y H px q
c
pn H n puq,
n 1
F py q dy.
Demostraci
on. Sabemos que la probabilidad de ruina satisface la ecuaci
on
integral
puq
u
8
pu y qF py q dy s
r
F py q dy
c u
0
u
r

F pxq dx p F qpuqs.
c
0

Tomando la transformada de Laplace de esta funcion tenemos que

L ps q

r
c s
1s LF psq
L psqLF psq s,
de donde se obtiene
L psq
p LF psqq
1 c LF psq
cs p pp p1 pqqLF psqq
1 c LF psq

cs
Definiendo p {c, se puede escribir

L psq
r pp p1 pqqLF psqs
p LF psq
ps p1 s pq pLpFLpsqpsq .

p
s
154
De esta forma hemos encontrado que la transformada de Laplace de la

probabilidad de ruina coincide con la transformada de Laplace de la funcion
Gpxq 1 Gpxq, en donde Gpxq es la funcion de distribucion geometrica
compuesta con las caractersticas descritas en la proposici
on anterior. Por
la unicidad de la transformada de Laplace tenemos que ambas funciones
deben ser iguales, es decir,
puq

Gpuq
1 p1 p q
pn H n puq
n 0
p p1 p q
pn H n puq
n 1
p p1 p q
p1 pq
pn p1 H n puqq
n 1
pn H n puq.
n 1
7.8.
Ejercicios
Proceso de riesgo a tiempo discreto
134. El total de montos por reclamaciones durante cada periodo unitario en el proceso de riesgo a tiempo discreto se ha modelado mediante una variable aleatoria discreta Y con valores en el conjunto
t0, 1, . . .u y se ha supuesto que la esperanza de esta variable es finita.
Demuestre que
E pY q
F py q.
y 0
135. A partir de la formula recursiva para la probabilidad de ruina puq

en el proceso de riesgo a tiempo discreto que aparece en el enunciado
de la Proposici
on 7.1, demuestre que
155
7.8. Ejercicios
a) pu
1q puq.
b) lm puq 0.
u
136. Encuentre la matriz de probabilidades de transicion en un paso de

la cadena de Markov dada por el proceso de riesgo a tiempo discreto
tCn : n 0u.
Modelo de Cram
er-Lundberg
137. Considere el proceso de Cramer-Lundberg tCt : t
taci
on e hip
otesis usuales. Demuestre que
a) E pCt q u
0u con la no-
pc qt.
b) VarpCt q t2 .
c) MCt pr q exp r r pu
ctq
tpMY pr q 1q s.
Probabilidades de ruina
138. Suponga que las reclamaciones en el modelo de Cramer-Lundberg
siguen una distribucion exponencial de par
ametro 1. Suponga
on
adem
as que 1{2 y c 2. Observe que se cumple la condici
de ganancia neta c . Cual debe ser el capital inicial u para
que la probabilidad de ruina sea menor o igual a 0.01?
Coeficiente de ajuste
139. Demuestre que si las reclamaciones son variables aleatorias acotadas, entonces el coeficiente de ajuste existe.
140. Se ha demostrado que cuando las reclamaciones tienen distribucion
exppq el coeficiente de ajuste es R {c. Usando la condici
on de ganancia neta compruebe que este valor de R efectivamente
cumple la desigualdad
0R
2pc q
.
2
156
Desigualdad de Lundberg
otona141. Demuestre que efectivamente el evento p tq converge mon

mente al evento p 8q cuando t tiende a infinito mon
otonamente.
Este resultado fue usado en la demostracion de la desigualdad de
Lundberg.
Aproximaci
on de De Vylder
142. Demuestre que la aproximacion de De Vylder coincide con la probabilidad de ruina en el caso cuando las reclamaciones tienen distribucion exppq.
F
ormula de Pollaczek-Khinchin
143. Suponga que las reclamaciones en el modelo de Cramer-Lundberg
tienen distribuci
on exppq, es decir, F pxq 1 ex para x 0.
a) Demuestre que F s pxq 1 ex para x 0, es decir, se trata
nuevamente de la distribucion exppq.
b) Como consecuencia del inciso anterior, se tiene que pF s qn pxq

es la funci
on de distribucion gammapn, q. Demuestre que para
n 1,
8
k
pF s qn pxq ex pxk!q .

k n
c) Use los incisos anteriores y la formula de Pollaczek-Khinchin
para obtener nuevamente la soluci
on
puq
p{cqu
e
.
c
Ap
endice A
Formulario y resultados
varios
F
ormula de De Pril en R
####################################
# F\ormula de De Pril en R v1.1 #
####################################
I <- 5 # Montos de reclamaciones
J <- 3 # \Indice m\aximo para tasas de mortalidad
R <- 20 # Valor m\aximo para r en g(r)
#
n <- array(1:15, dim=c(5,3))
n[1,1]<-1
n[2,1]<-3
n[3,1]<-5
n[4,1]<-2
n[5,1]<-2
n[1,2]<-3
n[2,2]<-5
n[3,2]<-3
n[4,2]<-2
n[5,2]<-3
n[1,3]<-1
n[2,3]<-4
n[3,3]<-4
157
158
n[4,3]<-6
n[5,3]<-4
#
q <- array(1:3, dim=c(3))
q[1]<-0.03
q[2]<-0.04
q[3]<-0.05
#...............................
# Funci\on h(i,k)
#...............................
h <- function(i,k) {
aux <- 0
for (j in 1:J) {
aux <- aux+n[i,j]*(q[j]/(1-q[j]))^k
}
aux <- i*((-1)^(k-1))*aux
return(aux)
}
#...............................
# C\alculo de la densidad de S
#...............................
gc <- array(1:R, dim=c(R))
gc0 <- g(0)
#
g <- function(r) {
if (r==0) {
aux <- 1
for (i in 1:I) {
for (j in 1:J) {
aux <- aux*((1-q[j])^n[i,j])
}
}
return(aux)
}
else
{
aux <- 0
for (i in 1:min(r,I)) {
for (k in 1:floor(r/i)) {
if (r-i*k==0) { aux <- aux + gc0*h(i,k) }
else {aux <- aux + gc[r-i*k]*h(i,k)}
159
}
}
aux <- aux/r
gc[r] <- aux
return(aux)
}
}
#...............................
# Asignaci\on en el arreglo "gc" y graficaci\on.
#...............................
for (i in 1:R) {
gc[i] <- g(i)
}
# Nota: Se omite en la gr\afica el valor de la densidad en cero "gc0".
barplot(gc,main="Funci?n de densidad de S",xlab="r", ylab="g(r)")
#################################################################
# Fin de c\odigo
#################################################################
F
ormula de Panjer en R
(Caso Poisson)
####################################
# F\ormula de Panjer en R v1.0
#
# [Caso Poisson]
#
####################################
#
R <- 20 # Valor m\aximo para r en g(r)
#
#...............................
# c\alculo de p_k=P(N=k) (Caso Poisson)
#...............................
a <- 0
b <- 3.5 #lambda
p0 <- 2.7172^{-b}
p <- array(1:R, dim=c(R))
p[1] <- (a+b)*p0
for (k in 2:R) {
p[k] <- (a+b/k)*p[k-1]
}
160
#...............................
# c\alculo de f_r=P(Y=r), r>=1
#...............................
#
f <- array(1:R, dim=c(R))
f[1] <- 0.1
f[2] <- 0.1
f[3] <- 0.2
f[4] <- 0.3
f[5] <- 0.3
for (i in 5:R) { f[i] <- 0 }
#................................
# C\alculo de la densidad de S
#................................
g0 <- p0
g <- array(1:R, dim=c(R))
g[1] <- (a+b)*f[1]*g0
for (r in 2: R) {
aux <- 0
for (i in 1:{r-1}) {
aux <- aux + (a+b*i/r)*f[i]*g[r-i]
}
aux <- aux + (a+b)*f[r]*g0
g[r] <- aux
}
#...............................
# Graficaci\on
#...............................
# Nota: Se omite en la gr\afica el valor de la densidad en cero "g0".
barplot(g,main="Funcin de densidad de S",xlab="r", ylab="g(r)")
#
#################################################################
# Fin de c\odigo
#################################################################
161
Alfabeto griego
A
B
E ,
Z
H
,
alpha
beta
gamma
delta
epsilon
zeta
eta
theta
I
K
M
N
Oo
iota
kappa
lambda
mu
nu
xi
omikron
pi
P ,
,
T
,
X
rho
sigma
tau
upsilon
phi
chi
psi
omega
Funci
on indicadora
La funci
on indicadora de un conjunto A es la funcion 1A :
definida por
"
1 si P A,
1A p q
0 si R A.
t0, 1u
De este modo la funci

on 1A toma el valor uno dentro del conjunto A y cero
fuera de el, y cumple las siguientes propiedades.
maxt1A , 1B u 1A 1B 1A 1B .
1AXB mnt1A , 1B u 1A 1B .
1A 1 1A .
1AB 1A 1A 1B .
1AB |1A 1B | 1A 1B 2 1A 1B p1A 1B q2 .
A B 1A 1B .
a) 1AYB
b)
c)
d)
e)
f)
Funci
on gamma
Para valores de donde la integral es convergente se define
pq
x1 ex dx,
y se cumplen las siguientes propiedades
162
a) p
b) p

1q pq.
1q ! cuando es entero positivo.
c) p2q p1q 1.
d) p1{2q
?.
Funciones de utilidad
Una funci
on de utilidad es una funcion v pxq que representa el valor o utilidad que un individuo o institucion asocia a cada cantidad de un bien.
Matematicamente a una funcion de utilidad se le define a traves de las
siguientes dos propiedades:
a) Es estrictamente creciente.
b) Es c
oncava.
Suponiendo diferenciabilidad, estas propiedades se escriben como v 1 pxq 0
y v 2 pxq 0, respectivamente. La primera propiedad representa el hecho evidente de que una cantidad mayor de dinero siempre tiene un valor o utilidad
mayor. Para interpretar la segunda propiedad consideremos la situaci
on en
la que tanto una persona pobre como una persona rica incrementan ambos
su capital por una misma cantidad. Entonces este incremento representa
para una persona con poco dinero un gran incremento en su utilidad, mientras que el mismo incremento representa un menor incremento en la utilidad
para una persona con mayor cantidad de dinero. En otras palabras, cuando hay un incremento de capital fijo, el valor o utilidad crece m
as r
apido
cuando uno tiene poco dinero y m
as lento cuando uno tiene mucho dinero.
Dos funciones de utilidad upxq y v pxq son equivalentes si existen constantes
a y b, con a 0, tales que v pxq aupxq b. La raz
on que subyace en esta
definicion de equivalencia radica en el hecho de que si un persona con capital
x, funci
on de utilidad upxq, y usando el principio de la utilidad esperada,
prefiere la inversi
on I1 sobre la inversi
on I2 si
E rupx
I1 qs E rupx
I2 qs,
y tal decisi
on no cambia si en lugar de usar la funcion de utilidad upxq
utiliza ahora v pxq aupxq b, pues la desigualdad anterior es equivalente a
E raupx
I1 q
bs E raupx
I2 q
bs.
163
Del conjunto de funciones de utilidad equivalentes a una funcion de utilidad
dada upxq, uno puede escoger aquella funcion de utilidad v pxq tal que v p0q
0 y v p1q 1. Tal funci
on de utilidad v pxq est
a dada por
v pxq
upxq up0q
,
up1q up0q
suponiendo que los valores x 0 y x 1 pertenecen al dominio de definicion

de la funci
on upxq. Es por ello que a una funcion de utilidad upxq se le puede
pedir la condici
on up0q 0, sin perder generalidad ni provocar cambios en
la toma de decisiones bajo el criterio de utilidad esperada.
Coeficiente de asimetra de Fisher
Para una variable aleatoria X con tercer momento finito se define el coeficiente de asimetra de Fisher 3 como el n
umero
X E pX qq s
E rprVar
pX qs3{2 .
3
Esta cantidad es una medida de la asimetra de la distribucion alrededor

de su media. Cuando 3 0 la distribucion es completamente simetrica
alrededor de su media, como es el caso, por ejemplo, de la distribucion
normal. Cuando 3 0 se dice que la distribucion es asimetrica positiva
o que tiene mayor sesgo hacia la derecha (es decir, la cola a la derecha
de la media es m
as larga que la de la izquierda, o bien que hay valores
m
as separados de la media a la derecha). Cuando 3 0, se dice que la
distribuci
on es asimetrica negativa o que tiene mayor sesgo a la izquierda
(es decir, la cola a la izquierda de la media es m
as larga que la de la derecha,
o bien que hay valores m
as separados de la media a la izquierda).
0
164
Desigualdad de Jensen
Sea u una funci
on convexa y sea X una variable aleatoria tal que tanto X
como upX q tienen esperanza finita. Entonces
En el caso cuando u es c
oncava, el resultado es
Esperanza condicional
Sean p, F , P q un espacio de probabilidad, X una variable aleatoria con
esperanza finita y G una sub--algebra de F . La esperanza condicional de
X dado G es una variable aleatoria denotada por E pX | G q que cumple las
siguientes tres propiedades:
1. Es G -medible.
2. Tiene esperanza finita.
3. Para cualquier evento G en G ,
E r E p X | G q 1G s E r X 1G s.
Puede demostrarse que esta variable aleatoria existe y es u

nica casi seguramente, esto significa que si existe otra variable aleatoria con las tres
propiedades anteriores, entonces con probabilidad uno coincide con E pX | G q.
Cuando G pY q para alguna variable aleatoria Y , se escribe E pX | Y q en
lugar de E pX | pY qq. En particular, el termino P pA | Y q significa E p1A | Y q.
Se enuncian a continuaci
on algunas propiedades de esta esperanza.
a) E pX | tH, u q E pX q.
b) E p1A | tH, u q P pAq.

c) E p1A | tH, B, B c , u
d)
e)
f)
q P pA|B q1B P pA|B cq1B .

E pE pX | G qq E pX q. En particular, E pP pA | Y qq E p1A q P pAq.
Si X es G -medible, entonces E pX | G q X. En particular, si c es una
constante, entonces E pc | G q c.
E paX Y | G q aE pX | G q E pY | G q.
c
165
g) Si X
0, entonces E pX | G q 0.
h) Teorema de convergencia mon

otona.
Si 0 Xn X, entonces E pXn | G q E pX | G q c.s.
i) Teorema de convergencia dominada.
Si |Xn | Y , E |Y | 8 y Xn X c.s., entonces E pXn | G q
E pX | G q c.s.
j) Desigualdad de Jensen.
Si es convexa, entonces pE pX | G qq E ppX q | G q.
k) Si H es una sub -
algebra de G , entonces E pE pX | G q | H q E pX | H q.
l) Si Z es G -medible y acotada, entonces E pZ X | G q Z E pX | G q.
m) Si X es independiente de G , entonces E pX | G q E pX q.
Un estudio m
as detallado de la esperanza condicional puede ser encontrado
en libros dedicados a probabilidad como [13] o [21].
Integral de Riemann-Stieltjes
Esta es una integral que generaliza la integral usual de Riemann y se trata de
la integral de una funci
on hpxq respecto de otra funcion F pxq. Su definicion
es an
aloga al caso de la integral de Riemann: si a x0 x1 xn b
es una partici
on del intervalo ra, bs, entonces definimos de manera informal
b
a
hpxq dF pxq : lm
x
0 i1
hpxi qpF pxi q F pxi1 qq,
en donde x es el m
aximo de las distancias xi xi1 , y las funciones hpxq
y F pxq deben cumplir ciertas condiciones para que la integral tenga sentido
y este bien definida. En particular, a la funcion integradora F pxq se le pide
que sea continua por la derecha, mon
otona no decreciente y tal que F p8q
F p8q M , para alg
un n
umero M 0. Observe que F pxq debe cumplir
propiedades semejantes a las de una funcion de distribuci
on, justamente
usaremos a las funciones de distribucion como funciones integradoras. En
particular, cuando F pxq x sobre el intervalo ra, bs se tiene que
b
a
hpxq dF pxq
b
a
hpxq dx,
166
suponiendo la existencia de tal integral. Igualmente, bajo la hip

otesis de
existencia de todas las integrales que aparecen a continuaci
on, la integral
de Riemann-Stieltjes cumple las siguientes propiedades:
a) Es lineal en el integrando, es decir,
b
a
ph1 pxq
h2 pxqq dF pxq
h1 pxq dF pxq
b) Es tambien lineal en el integrador, es decir,
b
a
hpxq dpF1 pxq
F2 pxqq
b
a
hpxq dF1 pxq
h2 pxq dF pxq.
hpxq dF2 pxq.
c) Cuando hpxq tiene primera derivada continua se cumple la siguiente

formula de integraci
on por partes:
b
a
hpxq dF pxq hpbqF pbq hpaqF paq
b
a
F pxqh1 pxq dx.
d) De especial interes en la teora de la probabilidad es el caso cuando

F pxq es diferenciable. Bajo tal hip
otesis se tiene la igualdad
b
a
hpxq dF pxq
b
a
hpxqF 1 pxq dx.
En particular, tomando hpxq x y si X es una v.a. absolutamente

continua con esperanza finita, con funcion de distribucion F pxq y funci
on de densidad f pxq, entonces
E pX q
8
x dF pxq
8
xf pxq dx.
e) Otro caso interesante para la teora de la probabilidad ocurre cuando

hpxq es continua y F pxq es constante excepto en los puntos x0 , x1 , . . .,
en donde la funci
on tiene saltos positivos de tama
no ppx0 q, ppx1 q, . . .
respectivamente. En este caso y suponiendo convergencia,
b
a
hpxq dF pxq
i 0
hpxi q ppxi q.
167
Esto significa que integrar respecto de la funcion de distribucion de una
variable aleatoria discreta se reduce a efectuar una suma. Nuevamente
tomando hpxq x y si X es una v.a. discreta con esperanza finita y
con funci
on de distribucion como se menciono antes, entonces
E pX q
8
x dF pxq
xi ppxi q.
i 0
En el caso cuando X es una v.a. mixta con esperanza finita, en el

c
alculo de la esperanza se separa la parte continua de la parte discreta
de la siguiente forma
E pX q
8
x dF pxq
8
xf pxq dx
xi ppxi q.
i 0
Un tratamiento m
as riguroso y completo de la integral de Riemann-Stieltjes
puede encontrarse en el texto de probabilidad de Harris [12], o en tratados
de an
alisis matem
atico como el de Apostol [1].
Variables aleatorias mixtas
Una variable aleatoria mixta X es aquella que no es ni continua ni es discreta. Su funci
on de distribucion puede escribirse de la siguiente forma
F px q
8
f puq du
ppxi q,
xi x
en donde f puq es una funcion no negativa y ppxi q P pX xi q 0 para

ciertos valores x0 , x1 , . . . Si g es una funcion tal que gpX q es una variable
aleatoria integrable, entonces su esperanza se calcula de la siguiente forma
E pgpX qq
8
gpxq dF pxq
8
gpxqf pxq dx
g pxi qppxi q.
i 0
Varianza condicional
Sea X una variable aleatoria con segundo momento finito, y sea G una sub-
algebra de F . La varianza condicional de X dado G se define como la
variable aleatoria dada por
VarpX |G q E r pX
E pX |G qq2 | G s.
168
Nuevamente, cuando la sub--algebra G es pY q para alguna variable aleatoria Y , entonces VarpX |G q se escribe VarpX |Y q, y puede tomarse como definici
on la igualdad
VarpX |Y q E r pX
E pX |Y qq2 | Y s.
Se enuncian a continuaci
on algunas propiedades de esta variable aleatoria.
a) VarpX | tH, uq VarpX q.
b) Varp1A | tH, uq P pAqp1 P pAqq.
c) VarpX | G q E pX 2 | G q E 2 pX | G q.
d) VarpX q E rVarpX | G qs
VarrE pX | G qs.
Ley de los grandes n

umeros
Sea X1 , X2 , . . . una sucesion de variables aleatorias independientes e identicamente distribuidas con media . Entonces
1
Xi
n i1
n
Cuando la convergencia es en probabilidad este resultado se conoce como la

ley debil. Y cuando la convergencia es casi segura se llama ley fuerte.
Teorema central del lmite
Sea X1 , X2 , . . . una sucesion de variables aleatorias independientes e identicamente distribuidas con media y varianza 2 . Entonces
1
n
?Xi
i 1
{ n
d Np0, 1q.
Teorema de convergencia dominada

Sea X1 X2 una sucesion de variables aleatorias para la cual existe
otra variable aleatoria Y con esperanza finita y tal que |Xn | Y , para
n 1. Si Xn converge casi seguramente a una variable X, entonces tanto
X como Xn tienen esperanza finita y E pXn q E pX q.
169
Teorema de convergencia mon
otona
Sea 0 X1 X2 una sucesion mon
otona de variables aleatorias
convergente casi seguramente a una variable X. Entonces E pXn q E pX q.
F
ormulas recursivas para calcular convoluciones
Sean X1 , X2 , . . . variables aleatorias independientes e identicamente distribuidas. Nos interesa encontrar la distribucion de Sn X1 Xn .
Cuando las variables tXi u tienen funcion de distribucion F , a la funcion de
distribuci
on de Sn se le llama la n-esima convoluci
on de F , y se le denota
por F n , es decir, F n pxq P pSn xq. Cuando las variables tXi u tienen
funci
on de probabilidad o de densidad f , a la funcion de probabilidad o de
densidad de Sn se le llama la n-esima convoluci
on de f , y se le denota por

n

n
f , es decir, en el caso discreto, f pxq P pSn xq.
1. Cuando las variables tXi u son discretas con valores en el conjunto
t0, 1, 2, . . .u, se cumplen las siguientes formulas recursivas.
a) P pSn
b) P pSn
xq
xq
j 0
x
P pSn1
x j q P pXn j q.
P pSn1
x j q P pXn j q.
j 0
2. Cuando las variables tXi u son continuas con soporte en el intervalo

p0, 8q, con funcion de distribucion F , y con funcion de densidad f , se
cumplen las siguientes formulas recursivas.
a) f n pxq
b) F n pxq
0x
0
f pn1q px y q f py q dy.
F pn1q px y q f py q dy.
Transformada de Laplace
Para una funci
on puq : r0, 8q R, la transformada de Laplace es
L psq
8
0
esu puqdu,
suponiendo que tal integral existe. Esta transformacion cumple las siguientes
propiedades.
170
1. L1 1
2 2
2. LH psq
psq 1 L psq
1
2 L2 psq.
1
L psq cuando H puq
s
u
0
pxqdx.
3. L1 psq s L p0q.
4. L1 2 psq L1 psq L2 psq cuando p1 2 qpuq
1 puxq2 pxqdx.
on de dos funciones de disSin embargo, cuando Gpxq es la convoluci

tribucion F1 pxq y F2 pxq de variables aleatorias no negativas, es decir,
Gpxq
entonces
x
0
F1 px y qdF2 py q
x
0
F1 px y qf2 py qdy
pF1 f2qpxq,
LG psq LF1 psqLf2 psq sLF1 psqLF2 psq.
5. Unicidad: la transformada de Laplace determina de manera u

nica a la
funci
on objeto.
171
Distribuciones de probabilidad
En esta secci
on se presentan en orden alfabetico algunas distribuciones de
probabilidad utilizadas en el texto. La funcion generadora de probabilidad
se denota por P ptq, y la funcion generadora de la momentos por M ptq.
Distribuci
on Bernoulli
X Berppq con p P p0, 1q.
f pxq px p1 pq1x para x 0, 1.
E pX q p.
VarpX q pp1 pq.
P ptq 1 p pt.
M ptq p1 pq pet .
f pxq
pp 0.7q
Distribuci
on beta
X betapa, bq con a 0, b 0.
f pxq xa1 p1 xqb1 {B pa, bq para x P
p0, 1q.
en donde B pa, bq paqpbq{pa bq,
8
con paq 0 ta1 et dt.
E pX q a{pa bq.
VarpX q ab{rpa b 1qpa bq2 s.
Cuando a b 1 se obtiene la dist. unifp0, 1q.
f pxq
172
Distribuci
on binomial
X binpn, pq con n P t1, 2, . . . u y p P
p0, 1q.
n x
f pxq
p p1pqnx para x 0, 1, . . . , n.
k
E pX q np.
VarpX q npp1 pq.
P ptq p1 p ptqn .
M ptq rp1 pq pet sn .
f pxq
pn 8, p 0.3q
Distribuci
on binomial negativa
X bin negpk, pq con p P p0, 1q y k P
t1, 2, . . .u.
k x1 k
f pxq
p p1 pqx para x
x
0, 1, . . .
E pX q kp1 pq{p.
VarpX q kp1 pq{p2 .
P ptq rp{p1 p1 pqtqsk .
M ptq rp{p1 p1 pqet qsk para t lnp1
pq.
Cuando r 1 se obtiene la distribucion
geoppq.
f pxq
pk 3, p 1{2q
Distribuci
on Cauchy
Cauchypa, bq con a P R y b 0.
1
f pxq
, para x P R.
b r1 ppx aq{bq2 s
F pxq 1{2 p1{ q arctanppx aq{bq.
X
La esperanza y varianza no existen.

La funci
on generadora de momentos no existe.
Cuando a 0 y b 1 se obtiene la distribucion Cauchy est
andar, Cauchyp0, 1q.
f pxq
x
a
173
Distribuci
on exponencial
X exppq con 0.
f pxq ex para x 0.
F pxq 1 ex para x 0.
E pX q 1{.
VarpX q 1{2 .
M ptq {p tq para t .
f pxq
Distribuci
on gamma
gammap, q con 0 y 0.
pxq1 ex para x 0.
f pxq
pq
F pxq 1 ex j 01 pxqj {j! para x 0

X
f pxq
y entero.
E pX q {.
VarpX q {2 .
E pX n q p nq{ppqn q.
M ptq r{p tqs para t .
Cuando 1 se obtiene la distribucion
exppq. Cuando es entero se conoce tambien con el nombre de distribucion Erlang.
Distribuci
on geom
etrica
X geoppq con p P p0, 1q.
f pxq pp1 pqx para x 0, 1, . . .
E pX q p1 pq{p.
VarpX q p1 pq{p2 .
P ptq p{p1 p1 pqtq.
M ptq p{p1p1 pqet q para t lnp1 pq.
f pxq
pp 1{5q
174
Distribuci
on ji-cuadrada
2 pnq con n 0.
p1{2qn{2 xn{21ex{2 para x 0.
f pxq
pn{2q
E pX q n.
VarpX q 2n.
M ptq p1 2tqn{2 para t 1{2.
X
f pxq
Distribuci
on log normal
X lognormalp, 2 q con P R y 2
0.
1
exprpln x q2 {2 2 s, x
f pxq ?
x 2 2
0.
F pxq ppln x q{ q.
E pX q expp 2 {2q.
E pX n q exppn n2 2 {2q.
VarpX q expp2 2 2 q expp2 2 q.
Si X Np, 2 q, entonces eX lognormalp, 2 q.
f pxq
Distribuci
on normal
Np, 2 q con P R y 2 0.
1
epxq {2 .
f pxq ?
2
2
E pX q .
VarpX q 2 .
M ptq exp pt 2 t2 {2q.
ptq exp pit 2 t2 {2q.
Cuando 0 y 2 1 se obtiene la distribucion normal est
andar, Np0, 1q.
X
f pxq
175
Distribuci
on Pareto
Paretopa,a bq con a, b 0.
ab
x 0.
f pxq
pb xqa 1 para
F pxq 1 rb{pb xqsa para x 0.
E pX q b{pa 1q para a 1.
VarpX q ab2 {rpa 1q2 pa 2qs, a 2.
f pxq
a{b
x
Distribuci
on Poisson
Poissonpxq con 0.
f pxq e
para x 0, 1, . . .
x!
E pX q .
VarpX q .
P ptq ep1tq .
M ptq exprpet 1qs.
X
f pxq
p 4q
Distribuci
on t
tpnq con n 0.
pn 1{2q
x2 n1{2
f pxq ?
.
1
q
p
n pn{2q
n
E pX q 0.
VarpX q n{pn 2q para n 2.
M ptq no existe para t 0.
ptq expp|t|q.
X
f pxq
176
Distribuci
on Weibull
X Weibullpr, q con r, 0.
r
f pxq epxq rr xr1 para x 0.
r
F pxq 1 epxq para x 0.
E pX q p1 1{r q{.
VarpX q rp1 2{r q 2 p1 1{r qs{2 .
f pxq
177
Tabla de la distribuci
on normal est
andar
px q
?1
2
8
et
{2 dt
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.5000
0.5398
0.5793
0.6179
0.6554
0.5040
0.5438
0.5832
0.6217
0.6591
0.5080
0.5478
0.5871
0.6255
0.6628
0.5120
0.5517
0.5910
0.6293
0.6664
0.5160
0.5557
0.5948
0.6331
0.6700
0.5199
0.5596
0.5987
0.6368
0.6736
0.5239
0.5636
0.6026
0.6406
0.6772
0.5279
0.5675
0.6064
0.6443
0.6808
0.5319
0.5714
0.6103
0.6480
0.6844
0.5359
0.5753
0.6141
0.6517
0.6879
0.5
0.6
0.7
0.8
0.9
0.6915
0.7257
0.7580
0.7881
0.8159
0.6950
0.7291
0.7611
0.7910
0.8186
0.6985
0.7324
0.7642
0.7939
0.8212
0.7019
0.7357
0.7673
0.7967
0.8238
0.7054
0.7389
0.7704
0.7995
0.8264
0.7088
0.7422
0.7734
0.8023
0.8289
0.7123
0.7454
0.7764
0.8051
0.8315
0.7157
0.7486
0.7794
0.8078
0.8340
0.7190
0.7517
0.7823
0.8106
0.8365
0.7224
0.7549
0.7852
0.8133
0.8399
1.0
1.1
1.2
1.3
1.4
0.8413
0.8643
0.8849
0.9032
0.9192
0.8438
0.8665
0.8869
0.9049
0.9207
0.8461
0.8686
0.8888
0.9066
0.9222
0.8485
0.8708
0.8907
0.9082
0.9236
0.8508
0.8729
0.8925
0.9099
0.9251
0.8531
0.8749
0.8944
0.9115
0.9265
0.8554
0.8770
0.8962
0.9131
0.9279
0.8577
0.8790
0.8980
0.9147
0.9292
0.8599
0.8810
0.8997
0.9162
0.9306
0.8621
0.8830
0.9015
0.9177
0.9319
1.5
1.6
1.7
1.8
1.9
0.9332
0.9452
0.9554
0.9641
0.9713
0.9345
0.9463
0.9564
0.9649
0.9719
0.9357
0.9474
0.9573
0.9656
0.9726
0.9370
0.9484
0.9582
0.9664
0.9732
0.9382
0.9495
0.9591
0.9671
0.9738
0.9394
0.9505
0.9599
0.9678
0.9744
0.9406
0.9515
0.9608
0.9686
0.9750
0.9418
0.9525
0.9616
0.9693
0.9756
0.9429
0.9535
0.9625
0.9699
0.9761
0.9441
0.9545
0.9633
0.9706
0.9767
2.0
2.1
2.2
2.3
2.4
0.9772
0.9821
0.9861
0.9893
0.9918
0.9778
0.9826
0.9864
0.9896
0.9920
0.9783
0.9830
0.9868
0.9898
0.9922
0.9788
0.9834
0.9871
0.9901
0.9925
0.9793
0.9838
0.9875
0.9904
0.9927
0.9798
0.9842
0.9878
0.9906
0.9929
0.9803
0.9846
0.9881
0.9909
0.9931
0.9808
0.9850
0.9884
0.9911
0.9932
0.9812
0.9854
0.9887
0.9913
0.9934
0.9817
0.9857
0.9890
0.9916
0.9936
2.5
2.6
2.7
2.8
2.9
0.9938
0.9953
0.9965
0.9974
0.9981
0.9940
0.9955
0.9966
0.9975
0.9982
0.9941
0.9956
0.9967
0.9976
0.9982
0.9943
0.9957
0.9968
0.9977
0.9983
0.9945
0.9959
0.9969
0.9977
0.9984
0.9946
0.9960
0.9970
0.9978
0.9984
0.9948
0.9961
0.9971
0.9979
0.9985
0.9949
0.9962
0.9972
0.9979
0.9985
0.9951
0.9963
0.9973
0.9980
0.9986
0.9952
0.9964
0.9974
0.9981
0.9986
3.0
3.1
3.2
3.3
3.4
0.9987
0.9990
0.9993
0.9995
0.9997
0.9987
0.9991
0.9993
0.9995
0.9997
0.9987
0.9991
0.9994
0.9995
0.9997
0.9988
0.9991
0.9994
0.9996
0.9997
0.9988
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9995
0.9996
0.9997
0.9990
0.9993
0.9995
0.9996
0.9997
0.9990
0.9993
0.9995
0.9997
0.9998
178
Bibliografa
[1] Apostol T. M. (1974) Mathematical analysis. AddisonWesley.
[2] Asmussen S. (2000) Ruin probabilities. World Scientific.
[3] Beard R. E., Pentikainen T., Pesonen E. (1984) Risk theory.
Tercera edici
on. Chapman and Hall. London.
[4] Boland P. (2007) Statistical and probabilistic methods in actuarial science. Chapman & Hall / CRC.
[5] B
uhlmann H. (1970) Mathematical methods in risk theory.
SpringerVerlag. New York.
[6] B
uhlmann H., Gisler A. (2005) A course in credibility theory and
its applications. Springer.
[7] Daykin C. D., Pentikainen T., Pesonen M. (1994) Practical risk
theory for actuaries. Chapman and Hall. London.
[8] De Pril N. (1986) On the exact computation of the aggregate
claims distribution in the individual life model. ASTIN Bulletin
16(2) 109112.
[9] Dickson D. C. M. (2005) Insurance risk and ruin. Cambridge
University Press.
[10] Embrechts P., Kluppelberg C., Mikosch T. (1999) Modelling extremal events for insurance and finance. Springer.
179
Bibliografa
180
[11] Gerber H. U. (1979) An introduction to mathematical risk theory. Monograph No. 8. S. S. Huebner Foundation for Insurance
Education. Wharton School. University of Pennsylvania.
[12] Harris B. (1966) Theory of probability. AddisonWesley.
[13] Karr A. F. (1993) Probability. SpringerVerlag.
[14] Kass R., Goovaerts M., Dhaene J., Denuit M. (2001) Modern
actuarial risk theory. Kluwer Academic Publishers.
[15] Klugman S. A., Panjer H. H., Willmot G. E. (2008) Loss models:
from data to decisions. Third edition. Wiley.
[16] Melnikov A. (2003) Risk analysis in finance and insurance.
Chapman & Hall/CRC.
[17] Panjer H. H. (1981) Recursive evaluation of a family of compound distributions. ASTIN Bulletin 12(1) 2226.
[18] Panjer H. H. (Editor) (1986) Actuarial mathematics. Proceedings of Symposia in Applied Mathematics, Vol. 35, AMS.
[19] Rolski T., Schmidli H., Teugels J. (1999) Stochastic processes
for insurance and finance. John Wiley & Sons.
[20] Schmidli H. Lecture notes on risk theory. Manuscrito no publicado.
[21] Williams D. (1991) Probability with martingales. Cambridge
University Press.
Indice analtico
Agregado de reclamaciones
en el modelo colectivo, 17
en el modelo individual, 4
Aproximacion
de Edgeworth, 52
gamma trasladada, 50
normal, 7, 49
Aproximacion de De Vylder, 148
Asimetra
coeficiente de Fisher, 163
Aversi
on al riesgo, 79
coeficiente, 80
parcial, 101
Credibilidad Bayesiana
modelo normal-normal, 106
modelo Poisson-gamma, 105
De Pril
formula de, 8
De Vylder
aproximacion de, 148
Desigualdad
de Jensen, 75, 164
de Jensen condicional, 165
de Lundberg, 139, 143, 144
Distribucion
Bernoulli, 171
beta, 171
binomial, 172
binomial compuesta, 21
binomial negativa, 172
binomial negativa compuesta,
22
Cauchy, 172
con cola ligera, 138, 142
con cola pesada, 142
de clase pa, b, 0q, 42
Erlang, 173
exponencial, 173
gamma, 173
Cadenas de Markov, 112

Clase pa, b, 0q, 42
Coeficiente
de ajuste, 138, 141
de ajuste (cotas), 146
de asimetra de Fisher, 163
de aversi
on al riesgo, 80
Condicion de ganancia neta, 64,
120, 132
Convoluci
on, 169
Cramer-Lundberg, 127
Credibilidad
Bayesiana, 103
completa, 98, 99
factor de, 101, 106, 108
181
Indice analtico
182
geometrica, 172, 173
geometrica compuesta, 22
ji-cuadrada, 174
log normal, 174
normal, 174
Pareto, 175
Poisson, 175
Poisson compuesta, 22
Poisson compuesta mixta, 30
t de Student, 175
Weibull, 176
Espacio
de prob. filtrado, 112
Esperanza condicional, 164
Esscher
principio de, 70
transformada de, 70
Excess of loss, 87
Exponente de Lundberg, 138, 141
Formula
de De Pril, 8
de Panjer, 41
de Pollaczek-Khinchin, 150
Factor
de credibilidad, 101, 106, 108
de recargo, 65
Filtraci
on, 112
natural, 112
Funci
on
convexa, 75
de utilidad, 65, 162
de valor, 67
gamma, 161
indicadora, 161
Integral
de Riemann-Stieltjes, 165
Jensen
desigualdad de, 164
desigualdad de J. condicional,
165
Laplace
transformada de, 169
Ley de los grandes n
umeros, 168
Lundberg
desigualdad de, 139, 143, 144
exponente de, 138, 141
Metodo de
Newton-Raphson, 139
Modelo
binomial compuesto, 21
binomial negativo compuesto,
22
colectivo, 17
colectivo Poisson, 23
de Cramer-Lundberg, 127
individual, 3
normal-normal, 106
Poisson compuesto, 22
asociado, 23
como lmite, 25
como suma, 27
con reclamaciones clasificadas,
28
mixto, 29
Poisson-gamma, 105
Net profit condition, 64, 132
Newton-Raphson, 139
Nivel de retenci
on, 84
Indice analtico
Panjer
formula de, 41
Pollaczek-Khinchin, 150
Prima, 63
de credibilidad Bayesiana, 105
pura de riesgo, 63
Principio
de Esscher, 70
de la desviaci
on est
andar, 65
de la varianza, 65
de perdida m
axima, 69
de utilidad cero, 65
del porcentaje, 69
del riesgo ajustado, 71
del valor esperado, 65
del valor medio, 67
exponencial, 69
Prob. de ruina, 130
horizonte finito, 125, 130
horizonte infinito, 130
Problema
de la ruina, 121
Proceso
a tiempo continuo, 111
a tiempo discreto, 111
adaptado, 112
de Poisson, 113
de Poisson (superposici
on), 116
de Poisson (thinning), 116
de riesgo, 128
tiempo discreto, 119
de super
avit, 128
estoc
astico, 111
submartingala, 115
supermartingala, 115
trayectoria de un, 111
183
Reaseguro, 81
de perdida m
axima, 85
excess of loss, 87
no proporcional, 84
por exceso de perdida, 87
proporcional, 83
stop loss, 85
Riemann-Stieltjes, 165
Riesgo, 2
aversi
on, 79
modelo colectivo, 17
modelo individual, 5
proceso a tiempo discreto, 119
Ruina, 129
Safety loading, 65
Severidad de la ruina, 134
Stop loss, 85
Submartingala, 115
Supermartingala, 115
Teorema
central del lmite, 168
de convergencia dominada, 165,
168
de convergencia mon
otona, 165,
169
Tiempo
de interarribo, 114
de paro, 112
Transformada
de Esscher, 70
de Laplace, 169
de Laplace-Stieltjes, 36
Variable aleatoria
mixta, 167
Varianza condicional, 167

Teoría Del Riesgo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoría Del Riesgo

Cargado por

Copyright:

Formatos disponibles

Introducci

A. Formulario y resultados varios

El termino riesgo tiene muchas acepciones dependiendo del area de estudio

1. Modelo individual vs modelo colectivo

1.2. Modelo individual

un seguro se logran disminuir los da

Suponga que se tiene un portafolio de n p

Claramente Dj tiene distribucion Bernoulli con par

1. Modelo individual vs modelo colectivo

suponga artificialmente que cada p

Esta variable es el monto que afronta una compa

1.2. Modelo individual

qj pMCj ptq 1q.

1. Modelo individual vs modelo colectivo

2. Primeramente tenemos que

E pDj2 Cj2 q E 2 pDj Cj q

E 2 pCj qs qj2 E 2 pCj q

4. Nuevamente condicionando sobre el valor de Dj ,

5. Esta igualdad se sigue directamente de la anterior usando la hip

1.2. Modelo individual

xq  P p Sa E pS q xa E pS q q  p xa E pS q q.

1. Modelo individual vs modelo colectivo

La funcion generadora de probabilidad del monto recla-

1. Modelo individual vs modelo colectivo

mado Yij por un asegurado con probabilidad de reclamaci

 P pS  rq. Tomando logaritmo y despues derivando,

p1qk1p 1qj tq qk1 ,

Defina ahora la funci

La doble suma respecto de los ndices j y k es absolutamente convergente

series de potencias se obtiene

Para x 1, el coeficiente de tx en el lado izquierdo es xgx , mientras que en el

De esta forma se llega a la siguiente expresi

Por otro lado, como S  0 s

1. Modelo individual vs modelo colectivo

Para un mejor entendimiento de la formula recursiva de DePril [i] escribiremos a continuaci

Figura 1.4: Cartera de 48 polizas individuales.

el contenido de la siguiente proposici

1. Modelo individual vs modelo colectivo

g0  pf0 qn . Ahora veamos la forma de obtener la formula recursiva. Sean

Por independencia e identica distribucion, PS ptq  rPX ptqsn . Derivando

El siguiente paso es identificar el coeficiente del termino tx en cada lado de

Separando el primer sumando del lado izquierdo y a

Finalmente se despeja el termino gx para llegar a la formula anunciada,

Los primeros terminos de la formula de De Pril [ii] se muestran a continuaci

Observe que las expresiones simplificadas tienen una interpretacion natural

Observe que la variable suma puede tomar cualquiera de los valores 0, 1, . . . , 6.

1. Modelo individual vs modelo colectivo

1.4. Modelo colectivo

Observe que cada sumando es una variable aleatoria y que el n

1. Modelo individual vs modelo colectivo

Gn pxq P pN  nq.

1.4. Modelo colectivo

1. Modelo individual vs modelo colectivo

inicia en el valor 0 o en valor 1.

2. Nuevamente condicionando sobre el valor de N ,

Observe que segunda suma es nula cuando n  0, y a su vez la tercera suma

3. Por las formulas anteriores,

1.4. Modelo colectivo

E peN lnpMY ptqq q

Estas expresiones se siguen facilmente de las formulas generales demostradas

1. Modelo individual vs modelo colectivo

antes, basta recordar que si N tiene distribucion binpn, pq, entonces E pN q 

Para encontrar estas formulas es suficiente recordar que si N tiene distribuci

xq P p Sa E pS q xa E pS q q p xa E pS q q.

P pS rq. Tomando logaritmo y despues derivando,

Por otro lado, como S 0 s

g0 pf0 qn . Ahora veamos la forma de obtener la formula recursiva. Sean

Por independencia e identica distribucion, PS ptq rPX ptqsn . Derivando

Gn pxq P pN nq.

Observe que segunda suma es nula cuando n 0, y a su vez la tercera suma

antes, basta recordar que si N tiene distribucion binpn, pq, entonces E pN q

Considere el modelo individual de riesgo S i nj1 Dj Cj , junto con la

Observe que, condicionadas al evento pN nq, las variables N1 , . . . , Nm no

e) MS ptq M pMY ptq 1q.

3 y Cj tiene la siguiente distribucion de proP pCj

12. Considere el modelo individual de riesgo para una cartera de n 56

14. Considere el modelo individual de riesgo S nj1 Dj Cj , en donde

b) VarpS q npp1 pq.

Sugerencia: Las variables Xi m, para i 1, . . . , n, ahora ya tienen

27. Considere el modelo colectivo de riesgo S N

29. Sea PX ptq E ptX q la funcion generadora de probabilidad de una

b. E rpS E pS qq3 s npp3 3p2 2

b. E rpS E pS qq3 s kp1{p 1q3

de S S1 S2 y la funcion de distribucion de las reclamaciones

b. E rpS E pS qq3 s E rp E pqq3 s3