Documentos de Académico
Documentos de Profesional
Documentos de Cultura
donde n representa el numero de polizas individuales de seguros validas por un ano que tenemos en
el portafolio, Cj > 0 representa el monto de la reclamacion efectuada por la poliza j y
1 si hay reclamacion en la poliza j
Dj =
0 si no hay reclamacion en la poliza j
es una variable Bernoulli con parametro qj que representa la probabilidad de que la j esima poliza
reclame una vez y pj = 1 qj representa la probabilidad de que la j esima poliza no reclame.
Ademas, consideramos que la coleccion de vectores aleatorios (D1 , C1 ), (D2 , C2 ), ..., (Dn , Cn ) son
independientes entre s as como las variables Dj y Cj .
La variable S es el monto que afronta una compana aseguradora por concepto de reclamaciones
durante el periodo completo del seguro. El modelo tiene este nombre pues lleva el registro de las
probabilidades de reclamacion y posible monto de reclamacion de todos y cada uno de los asegurados
de manera individual. Desde el punto de vista matematico y del negocio del seguro, nuestro objetivo
es conocer las caractersticas de la variable S, a quien llamaremos riesgo.
7
8 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS
Observacion 2.1.2.
1. Como pj + qj = 1 entonces cada poliza puede realizar a lo mas una reclamacion.
2. La verdadera reclamacion de la poliza j esta dada por el producto
Cj si Dj = 1
D j Cj =
0 si Dj = 0
3. Como los vectores (D1 , C1 ), (D2 , C2 ), ..., (Dn , Cn ) son independientes entre s, y S es la suma
de los productos de esos vectores, entonces la funcion de distribucion de S puede ser calculada
mediante convoluciones; sin embargo, este calculo puede ser complicado.
A continuacion presentaremos algunas caractersticas que tiene el modelo individual.
Proposicion 2.1.3. Consideremos las hipotesis del modelo individual y sean Fj (x) la funcion de
distribucion del producto Dj Cj , Gj (x) la funcion de distribucion del monto de la reclamacion Cj y
M (t) la funcion generadora de momentos, entonces:
1. Fj (x) = pj 1[0, )(x) + qj Gj (x).
2. MDj Cj (t) = 1 + qj (MCj (t) 1).
n
3. MS (t) = [1 + qj (MCj (t) 1)].
j=1
n
4. E(S) = qj E(Cj ).
j=1
n
5. V ar(S) = [qj V ar(Cj ) + qj pj E 2 (Cj )].
j=1
Demostracion:
Fj (x) = P (Dj Cj x)
= P (Dj Cj x|Dj = 0)P (Dj = 0) + P (Dj Cj x|Dj = 1)P (Dj = 1)
= P (0 x|Dj = 0)pj + P (Cj x|Dj = 1)qj
= P (0 x)pj + P (Cj x)qj
= pj 1(0,) (x) + qj Gj (x).
5. Por un lado tenemos que E(Dj Cj ) = qj E(Cj ) y que E(Dj2 Cj2 ) = E(Dj2 )E(Cj2 ) = qj E(Cj2 ),
entonces
V ar(Dj Cj ) = E(Dj2 Cj2 ) E 2 (Dj Cj )
= qj E(Cj2 ) qj2 E 2 (Cj )
.
= qj [V ar(Cj ) + E 2 (Cj )] qj2 E 2 (Cj )
= qj V ar(Cj ) + qj pj E 2 (Cj )
Por lo tanto
n
n
V ar(S) = V ar(Dj Cj ) = [qj V ar(Cj ) + qj pj E 2 (Cj )]
j=1 j=1
Ejemplo 2.1.4. Consideremos una cartera de seguros de vida temporal a un ano compuesta por
polizas con dos sumas aseguradas: $100,000 y $200,000. Supongamos que las 50 personas con la
primera suma asegurada tienen 35 anos y que las 70 personas con la segunda suma asegurada tienen
45 anos. Si las probabilidades de fallecimiento de una persona de 35 anos y una persona de 45anos
son 0.003 y 0.01. Determina la media y la varianza del riesgo de la cartera.
Solucion: Sea S1 el riesgo de todas las polizas con suma asegurada de $100,000. Entonces todas las
variables Cj del modelo individual son determinsticas e iguales a $100,000; ademas qj = 0.003 para
toda j y n = 50. Luego, por la proposicion 2.1.3 tenemos que la esperanza es
50
E[S1 ] = (0.003)E(100000)
j=1
= 50(0.003)(100000)
= 15000
y que la varianza es
50
V ar[S1 ] = [(0.003)V ar(100000) + (0.003)(0.997)E 2 (100000)]
j=1
50
= [(0.003)(0) + (0.003)(0.997)(100000)2 ]
j=1
= 50(0.003)(0.997)(100000)2
= 1495, 500, 000.
Analogamente podemos definir S2 como el riesgo de todas las polizas con suma asegurada de
$200,000 y los parametros seran Cj = 200000, n = 70 y qj = 0.01. Por lo tanto la esperanza es
70
E[S2 ] = (0.01)E(200000)
j=1
= 70(0.01)(200000)
= 140, 000
y la varianza es
70
V ar[S2 ] = [(0.01)V ar(200000) + (0.01)(0.99)E 2 (200000)]
j=1
70
= [(0.01)(0) + (0.01)(0.99)(200000)2 ]
j=1
= 70(0.01)(0.99)(200000)2
= 2.772 1010 .
10 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS
Finalmente, como los riesgos S1 y S2 son independientes entonces el riesgo total S de la cartera
tiene como esperanza el valor E[S] = E[S1 ] + E[S2 ] = 155, 000 y como varianza el valor V ar(S) =
V ar(S1 ) + V ar(S2 ) = 2.92155 1010 .
2. Los montos de las reclamaciones son variables aleatorias independientes e identicamente dis-
tribuidas.
Definicion 2.1.5. El monto agregado o monto acumulado de todas las reclamaciones efectuadas en
un periodo de tiempo [0, T ] es la variable aleatoria S, llamada riesgo del modelo colectivo y definida
por
N
Yj N > 0
S=
j=1
0 N =0
donde N es la variable aleatoria que representa el numero de reclamaciones ocurridas en ese intervalo
y Yi representa el monto de la i esima reclamacion. Ademas consideraremos que las reclamaciones
Yi son identicamente distribuidas e independientes entre s e independientes de N .
Observacion 2.1.6.
1. Cada monto reclamado Yi es una variable aleatoria positiva lo que implica que P (Y 0) = 0.
3. S es una variable aleatoria mixta, es decir, toma valores discretos y continuos pues toma el
valor 0 con probabilidad P (S = 0) = P (N = 0) > 0 y puede ademas tomar cualquier valor en
el intervalo (0, ).
Proposicion 2.1.7. Consideremos los supuestos del modelo colectivo y sea G la funcion de distribu-
cion de las reclamaciones Y . Entonces la funcion de distribucion del riesgo S en el modelo colectivo
es
F (x) = Gn (x)P (N = n)
n=0
F (x) = P (S x)
= P (S x|N = n)P (N = n)
n=0
= P (Y1 + + Yn x|N = n)P (N = n)
n=0
= P (Y1 + + Yn x)P (N = n)
n=0
= Gn (x)P (N = n).
n=0
El hecho de que las convoluciones de una variable sean difciles de calcular hara que en muchas
ocasiones el resultado anterior no sea practico, es por esto que podemos recurrir a calcular las
caractersticas del riesgo S.
Proposicion 2.1.8. El riesgo S del modelo colectivo cumple las siguientes propiedades:
Demostracion:
E(S) = E[E[S|N ]]
= E[S|N = n]P (N = n)
n=0
N
= E Yj |N = n P (N = n)
n=0 j=1
n
= E Yj |N = n P (N = n)
n=0 j=1
= nE(Y )P (N = n)
n=0
= E[Y ] nP (N = n)
n=0
= E(N )E(Y ).
E(S 2 ) = E[E[S 2 |N ]]
= E[S 2 |N = n]P (N = n)
n=0
N
= E ( Yj )2 |N = n P (N = n)
n=0 j=1
n
= E ( Yj )2 |N = n P (N = n)
n=0 j=1
n
= E ( Yj ) 2 P (N = n)
n=0 j=1
n n
= E Yj2 + 2 Yj Yk P (N = n)
n=0 j=1
j, k = 1
j = k
n
n
= E(Yj2 ) + 2 E(Yj Yk ) P (N = n)
n=0 j=1
j, k = 1
j = k
n
n
= E(Y 2 ) + 2 E(Yj )E(Yk ) P (N = n)
n=0 j=1
j, k = 1
j = k
= nE(Y 2 ) + n(n 1)E 2 (Y ) P (N = n)
n=0
= nE(Y 2 )P (N = n) + (n(n 1))E 2 (Y )P (N = n)
n=0 n=0
= E(Y ) 2
nP (N = n) + E 2 (Y ) n(n 1)P (N = n)
n=0 n=0
2
= E(N )E(Y ) + E(N (N 1))E 2 (Y ).
Ejemplo 2.1.9. Determina la media y la desviacion estandar del monto total de las reclamaciones
si se sabe que el monto de cada reclamacion en promedio es $1000 con una desviacion de $800 y el
numero promedio de reclamaciones es de 150 con una desviacion de 35.
Solucion: Por la proposicion 2.1.8 tenemos que
E[S] = E[N ]E[Y ]
= (150)($1000)
= $150, 000.
y
V ar[S] = E[N ]V ar[Y ] + V ar(N )E 2 [Y ]
= (150)(800)2 + (35)2 (1000)2
= 1, 321, 000, 000.
Por lo tanto S = V ar(S) = $36,345.56.
Esta aproximacion puede ser adecuada para ciertos riesgos pero tiene la desventaja de que asigna una
probabilidad positiva al intervalo ( , 0), lo cual no es consistente con el hecho de que S 0. Sin
embargo, dado que la distribucion N (, 2 ) se concentra
principalmente en el intervalo ( 4, +
4), cuando E(S) y V ar(S) son tales que E(S) 4 V ar(S) > 0, la probabilidad asignada a la
parte negativa del eje es realmente pequena. Otra desventaja que tenemos al utilizar la aproximacion
normal es que la funcion de densidad normal decae muy rapidamente y existen riesgos cuyas funciones
de densidad no cumplen con tal caracterstica.
Ejemplo 2.2.1. Supongase que 1,000 personas adquieren una poliza de vida individual con cober-
tura de un ano. Se sabe que la probabilidad de morir dentro de un ano es 0.001 para cada persona y
el pago por cada muerte es 100,000. Determine la probabilidad de que el pago de las reclamaciones
en el proximo ano sea al menos 400,000.
Solucion: Notemos que la variable S esta determinada por el numero de muertes en el ano. Defina-
mos Xi como la variable Bernoulli que toma valor uno si la i esima persona muere y cero si sobrevive.
Luego, podemos calcular dicha probabilidad en terminos de la variable Y = X1 + + X1000 la cual
se distribuye binomial con parametros (1000,0.001) pues cada Xi Bernoulli(0.001). Por lo tanto
P (S 400000) = P (Y 4) = 1 P (Y = 3) P (Y = 2) P (Y = 1) P (Y = 0) =0.01893.
Otra forma de realizar el calculo es recordando que cuando n es grande y p es pequeno, la dis-
tribucion binomial se puede aproximar a una distribucion Poisson de parametro = np. Aplicando
lo anterior a este ejemplo tenemos que = (1000)(0.001) = 1 y P (S 400000) = 1 e 1 (1 + 1/2 +
1/6) =0.01899.
Notemos tambien que S satisface las condiciones del modelo individual por lo que si utilizamos
la aproximacion normal, entonces la proposicion 2.1.3 nos dice que
1000
E[S] = (0.001)E(100000)
j=1
= 1000(0.001)(100000)
= 100, 000
y la varianza es
1000
V ar[S] = [(0.001)V ar(100000) + (0.001)(0.999)E 2 (100000)]
j=1
1000
= [(0.001)(0) + (0.001)(0.999)(100000)2 ]
j=1
= 1000(0.001)(0.999)(100000)2
= 9.99 109 .
Luego la probabilidad deseada, aplicando la correccion por continuidad pues S en nuestro ejemplo
es discreta, es
P (S 400000) = P (S 350000)
350000 100000
= P Z
9.99 109
= P (Z 2.5012)
= 0.0062
2.2. EL PROBLEMA DE GRADUACION. ALGUNOS METODOS DE APROXIMACION 15
Observacion 2.2.2. En el ejemplo 2.2.1 vemos que la aproximacion normal no esta cercana al valor
verdadero calculado con los dos metodos anteriores a pesar de hacer la correccion por continuidad;
esto se debe a que el sesgo de S no es cero y el de la normal s lo es.
Proposicion 2.2.3. Sea S la variable que representa el riesgo de una aseguradora de acuerdo al
modelo colectivo tal que su sesgo S > 0. Entonces los parametros , y x0 de la aproximacion
gamma trasladada son iguales a
Demostracion: Como los parametros deben ser tales que los primeros tres momentos de S coincidan
con los de Z + x0 y Z Gamma( , ), entonces
E[S] = E[Z + x0 ]
= E[Z] + x0
= + x0 . (2.2)
Tambien
V ar(S) = V ar(Z + x0 )
= V ar(Z)
= 2. (2.3)
S = Z+x0
E[(Z + x0 E(Z + x0 ))3 ]
=
(V ar(Z + x0 ))3/2
E[(Z + x0 E(Z) x0 )3 ]
=
(V ar(Z))3/2
E[(Z E(Z)]3 ]
=
(V ar(Z))3/2
= Z
(3)
es (t) = 2 3 (1 t) 3
por lo que E[(Z E(Z)]3 ] = (3)
(0) = 2 3 (1 0) 3
= 2 3 . Luego
S = Z
2 3
=
( 2 )3/2
2
= . (2.4)
Y (t) = ln MY (t)
= ln[pet + (1 p)]n
t
= n ln[pe + (1 p)]
de donde obtenemos que las derivadas son iguales a
npet
Y (t) =
pet + (1 p)
np(1 p)et
Y (t) =
[pet + (1 p)]2
np(1 p)et [ pet + (1 p)]
Y (t) =
[pet + (1 p)]3
luego el sesgo de Y es
Y (0)
Y = 3/2
Y
np(1 p)(1 2p)
=
( npq)3
sustituyendo los valores de n = 1000 y p = 0.001 obtenemos que Y = 0.998499 1. Lo anterior
quiere decir que la aproximacion normal no es del todo buena pues como vimos en el ejemplo 2.2.1
la aprobabilidad obtenida con la aporximacion normal quedo un poco lejos del valor verdadero; sin
embargo, s podemos utilizar la aproximacion gamma trasladada. Recordemos que E[Y ] = np = 1 y
V ar(Y ) = np(1 p) = 0.999.
4 S (V ar[S])1/2 1
Por la proposicion 2.2.3 tenemos que = 2 = 4, = = y x0 = E[S]
Y 2 2
2(V ar[S])1/2
= 1, por lo tanto la probabilidad pedida utilizando la aproximacion gamma trasla-
S
dada y haciendo correccion por continuidad es
2.3. VARIACION DE LA PROPENSION AL RIESGO 17
P (S 400000) = P (Y 4)
= P (Y 3.5)
= P (Z + ( 1) 3.5)
= P (Z 4.5)
1 1
= z exp{ z/}dz
4.5 ( )
= 0.0212
b) El intervalo de tiempo bajo consideracion puede ser dividido en varios intervalos de tiempo
independientes e intercambiables y
1. E[S] = np.
2. V ar[S] = np(2 p2 ).
Proposicion 2.4.2. Sea S como en el modelo colectivo. Si N Bin neg( , p), entonces:
1
1. E[S] = 1 .
p
18 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS
1 1 2 1
2. V ar[S] = 1 + 1 (2 2 ).
p p p
2 3
1 1 1
3. E[(S E(S))3 ] = 1 3 + 3 1 2 + 2 1 3 .
p p p
p
4. MS (t) = .
1 (1 p)MY (t)
La siguiente proposicion nos dice cual es la distribucion no condicional del vector (N1 , ..., Nm ).
Proposicion 2.4.7. Sea S de acuerdo al modelo Poisson compuesto con reclamaciones clasificadas.
Entonces las variables aleatorias N1 , ..., Nm son independientes y cada variable Nk tiene distribucion
P oisson(pk ).
Demostracion: Sean n1 , ..., nm enteros no negativos tales que n1 + + nm = n. Entonces por la
observacion 2.4.6 y recordando que N P oisson() tenemos que
P (Yj y, Yj Ak )
Gk (y) = .
P (Yj Ak )
Demostracion: Por la proposicion 2.4.7 los montos de las reclamaciones son independientes de N ,
as el riesgo total de la categora Ak esta dado por
N
Sk = Yj 1{Yj Ak }
j=1
Corolario 2.4.10. Sea S como en el modelo Poisson compuesto con reclamaciones clasificadas
donde las categoras son Ak = (yk 1 , yk ] con 0 < y0 < y1 < ... < ym . Sea Gk (y) la funcion de
distribucion de las reclamaciones que pertenecen a la categora Ak , entonces para y Ak tenemos
que
G(y) G(yk 1 )
Gk (y) = .
G(yk ) G(yk 1 )
P (Yj x, Yj Ak )
Gk (y) =
P (Yj Ak )
G(x) G(xk 1 )
= .
G(xk ) G(xk 1 )
El resultado del corolario 2.4.10 se aplica para y Ak . Para saber cual es el valor de la distribucion
Gk (y) para y / Ak podemos utilizar el resultado del ejercicio 21.
Ejemplo 2.4.11. Supongamos que el numero de reclamaciones N de una cartera de seguros se distri-
buye P oisson(1000) y que el monto de cada una de las reclamaciones se distribuye U (2000, 100000).
La aseguradora ha contratado un reaseguro que funciona de la siguiente manera: la aseguradora
paga todas las reclamaciones cuando estas son menores o iguales a 60, 000 y paga solo el 20 % de
las reclamaciones que son superiores a 60, 000. Determina el monto esperado de la siniestralidad que
hace frente la aseguradora.
Solucion: Tenemos que considerar dos categoras para las reclamaciones: A1 = (2000, 60000) y
A2 = (60000, 100000) pues la siniestralidad a pagar en cada una de ellas tiene un tratamiento
diferente. El riesgo total de la aseguradora puede ser visto mediante el modelo S = S1 + 0.2S2
donde S1 representa el acumulado de todas las reclamaciones que estan en A1 y S2 representa
N1
el acumulado de todas las reclamaciones que estan en A2 . Mas aun, S1 = Yi |Yi A1 y S2 =
i=1
N2
y E[S2 ] = E[N2 ]E[Yi |Yi A2 ] as que E[S] = E[N1 ]E[Yi |Yi A1 ] + 0.2E[N2 ]E[Yi |Yi A2 ].
Calculemos cada una de estas esperanzas.
La probabilidad de que Y A1 es:
P (Y A1 ) = P (2000 Y 60000)
6000
1
= dy
2000 60000 2000
29
=
49
y la probabilidad de que Y A2 es:
P (Y A2 ) P (60000 Y 100000)
=
10000
1
= dy
60000 60000 2000
20
=
49
29 20
luego, por la proposicion 2.4.7 tenemos que N1 P oisson 1000 y que N2 P oisson 1000
49 49
de donde concluimos que
29 29
E[N1 ] = 1000 y E[N2 ] = 1000 . (2.5)
49 49
Por otro lado, el corolario 2.4.10 junto con el ejercicio 21 nos dice que la distribucion G1 (y) de
la variable Yi |Yi A1 es
G(y) G(0)
G1 (y) =
G(60000) G(0)
0 y 2000
= 2000 < y < 60000
1 y 60000
0 y 2000
49(y 2000)
= 2000 < y < 60000
2842000
1 y 60000
As tenemos que
E[Yi |Yi A1 ] = yg1 (y)dy
2000 60000
49
= y0dy + y dy + y0dy
2000 2842000 60000
= 0 + 31000 + 0
= 31000. (2.6)
Haciendo un procedimiento analogo para las reclamaciones que estan en la categora A2 tenemos
que la funcion de distribucion G2 (y) de la variable Yi |Yi A2 es
22 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS
0 y 60000
49(y 60000)
G2 (y) = 60000 < y < 100000
1960000
1 y 100000
As tenemos que
E[Yi |Yi A2 ] = yg2 (y)dy
60000 100000
49
= y0dy + y dy + y0dy
60000 1960000 100000
= 80000. (2.7)
Sustituyendo los valores de las ecuaciones (2.5), (2.6) y (2.7) obtenemos que el valor esperado de las
reclamaciones que afrontara la aseguradora es
29 29
E[S] = 1000 31000 + 0.21000 80000 = 24, 877, 551,02.
49 49
0.0001exp{ 0.0001y} y0
f (y) =
0 otro caso
Solucion: Por la funcion de densidad, el monto de las reclamaciones se distribuye exp(10000). Por
otro lado, el promedio de las reclamaciones esta condicionado a si es mujer ( = 0) u hombre
( = 1), por lo que E[] = E[| = 0]P ( = 0) + E[| = 1]P ( = 1) = 60(0.75) + 40(0.25) = 55.
Por la proposicion 2.4.12 concluimos que E[S] = E[]E[Y ] = 55(10000) = 550, 000.
2.5. Ejercicios
1. Considerando el modelo individual,determina de nuevo las expresiones para E(S) y V ar(S) a
partir de la formula encontrada para MS (t).
3. Considere el modelo individual para un portafolio de n polizas de seguro de vida. Suponga que
el j esimo asegurado tiene una suma asegurada constante zj . Demuestre que
n
a) E(S) = q j zj .
j=1
n
b) V ar(S) = qj pj zj2 .
j=1
4. Hallar una expresion para E(S 2 ) y E(S 3 ) cuando S sigue un modelo individual de riesgo.
5. Considere un portafolio de 21 polizas de seguro de vida validas por un ano como se muestra
en la tabla siguiente:
Suma Asegurada
Tasa de Mortalidad qj
$2 $3 $4 $5
0.04 1 1 2 1
0.05 0 2 3 3
0.06 1 1 2 4
6. Sean qj,0 , qj,1 y qj,2 las probabilidades de que el j esimo asegurado presente 0,1 y 2 reclama-
ciones, respectivamente durante el tiempo de vigencia del seguro. Suponga que cada una de
las posibles reclamaciones de la poliza j es constante zj y que qj,0 + qj,1 + qj,2 = 1. Encuentre
formulas para E(S) y V ar(S) en el modelo individual.
7. Una compana aseguradora tiene una cartera con polizas de vida y diferentes sumas aseguradas
como se muestra en la tabla siguiente:
8. A partir de la formula para obtener MS (t) en el modelo colectivo, comprueba las primeras tres
igualdades de la proposicion 2.1.8.
N
9. Considere el modelo colectivo de riesgo S = Yj en donde N P oisson() y Y sigue una
j=1
distribucion log normal(m, 2 ). Demuestre que:
2
a) E(Y ) = exp( 2 + m).
n2 2
b) n = exp(nm + 2 ).
2
c) V ar(Y ) = (exp( ) 1)exp( 2 + 2m).
2
d) E(S) = exp( 2 + m).
e) V ar(S) = exp(2 2 + 2m).
exp(3 2 /2)
f) = .
10. Demuestra la proposicion 2.4.1.
11. Demuestra que en el modelo binomial compuesto donde N Bin(n, p) y el monto de las
reclamaciones es constante, se tiene que:
12. Sean S1 y S2 dos riesgos independientes con distribucion binomial compuesta con parametros
(n1 , p) y (n2 , p) respectivamente. Suponga que los montos de las reclamaciones de cada uno de
estos riesgos son Y (1) y Y (2) con identica distribucion G(x). Demuestre que el riesgo S = S1 +S2
tambien sigue una distribucion binomial compuesta con parametros (n1 +n2 , p) y la distribucion
del monto de las reclamaciones para S es nuevamente G(x).
15. Demuestra que el sesgo del riesgo es positivo en el modelo Poisson compuesto.
16. Cuando una persona ingresa a un hospital, los cargos tienen las siguientes caractersticas
La covarianza entre los cargos por el cuarto y otros es de 100,000. La poliza de un asegurado
reembolsa el 100 % de los cargos del cuarto y 80 % de los otros cargos. El numero de pacientes al
hospital es una variable aleatoria Poisson de parametro 4. Determina la media y la desviacion
estandar del monto a pagar por la aseguradora el hospital.
19. Sean S1 , ..., Sn riesgos independientes con distribucion Poisson compuesta con parametros
1 , ..., n , respectivamente. Suponga que los montos de las reclamaciones de estos riesgos
son Y (1) , ..., Y (n) , con funcion de distribucion G1 (x), ..., Gn (x) respectivamente. Demuestre
que el riesgo S = S1 + + Sn tambien sigue una distribucion Poisson Compuesta con
parametro = 1 + n y la funcion de distribucion de las reclamaciones de S es G(x) =
1 n
G1 (x) + + Gn (x).
20. Sean X1 , X2 , ... independientes cada una de ellas con distribucion Bernoulli(q), y sea X0 = 0.
N
Sea N P oisson() independiente de las variables X. Demuestra que la variable X = Xi
i=0
tiene distribucion P oisson(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.
21. Sea Y una variable aleatoria con funcion de distribucion F (y), y sean a < b tales que F (a) <
F (b). Demuestra que la funcion de distribucion condicional de Y dado el evento Y (a, b] es
0 ya
F (y) F (a)
F (y|Y (a, b]) = a<yb
F (b) F (a)
1 y>b
Este resultado fue utilizado en la siguiente afirmacion: Si el monto de una reclamacion Y tiene
funcion de distribucion F (y), entonces dado que la reclamacion Y toma valores en el intervalo
(a, b], Y tiene funcion de distribucion condicional especificada.
22. Los conductores de automovil se pueden dividir en tres clases homogeneas. El numero de
reclamaciones para cada conductor sigue un proceso Poisson con parametro . Determina la
varianza del numero de reclamaciones para un conductor seleccionado aleatoriamente usando
la siguiente informacion:
24. Suponga que cierto riesgo S tiene una distribucion Poisson Compuesta con parametro = 30,
en donde los montos de las reclamaciones siguen una distribucion U nif orme(0, 10). Use la
aproximacion normal para encontrar el valor de la prima p tal que:
a) P (S > p) 0.05.
b) P (S > p) 0.01.
25. Las perdidas agregadas han sido modeladas de acuerdo al modelo binomial negativo compuesto
con parametros = 15 y p = 0.5. El monto de las reclamaciones se distribuyen uniformemente
en el intervalo (0, 10). Usando la aproximacion a la normal, determina la prima tal que la
probabilidad de que las reclamaciones excedan a la prima sea cuando mucho 0.05.
26. Suponga que el riesgo S sigue una distribucion Poisson Compuesta con parametro = 20, y
los montos de las reclamaciones tienen distribucion exp(10). Use la aproximacion normal para
estimar la probabilidad P (S > E(S)).
26 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS
27. Suponga que el riesgo S sigue una distribucion Poisson Compuesta con parametro = 20, y
que los montos de las reclamaciones estan dados por la variable Y = X 3 donde X tiene
distribucion P areto(3, 4). Compruebe que el valor de la prima p que cumple P (S > p) 0.01
es p =38.0194.
28. Encuentre una expresion para la aproximacion gamma trasladada cuando el riesgo sigue una
distribucion
a) Poisson Compuesta
b) Binomial Compuesta
c) Binomial Negativa Compuesta