Captulo 2

Distribucion del numero y monto

de Siniestros

2.1. Modelo Individual y Modelo Colectivo

En esta captulo presentamos la perspectiva individual y la colectiva para modelar el riesgo
correspondiente al acumulado de reclamaciones que afronta una compana aseguradora. Estudiamos
algunas propiedades y relaciones entre estas dos perspectivas. Es importante mencionar que en el
resto del curso adoptaremos el modelo colectivo como modelo fundamental.

2.1.1. Modelo Individual

El modelo individual describe el riesgo total al que esta expuesta una aseguradora debido a las
reclamaciones que pueden realizar los asegurados. Las caractersticas de dicho modelo son:
1. Existen n polizas totales,
2. Cada poliza puede hacer a lo mas una reclamacion en el periodo de tiempo de estudio y
3. El monto de la reclamacion de cada poliza es independiente de si se realiza la reclamacion.
Definicion 2.1.1. El monto de reclamaciones agregadas, o tambien llamado agregado de reclama-
ciones, en el modelo individual, es la variable aleatoria
n

S= D j Cj . (2.1)
j=1

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:

1. Por probabilidad total y por independencia entre Cj y Dj tenemos que

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).

2. Analogamente al inciso anterior tenemos que

MDj Cj (t) = E(etDj Cj )

= E(etDj Cj |Dj = 0)P (Dj = 0) + E(etDj Cj |Dj = 1)P (Dj = 1)
= E(et0Cj |Dj = 0)P (Dj = 0) + E(etCj |Dj = 1)P (Dj = 1)
= E(1|Dj = 0)P (Dj = 0) + E(etCj |Dj = 1)P (Dj = 1)
= P (Dj = 0) + E(etCj )P (Dj = 1)
= pj + qj MCj (t)
= 1 + qj (MCj (t) 1).

3. Se sigue directamente por la independencia de los vectores (Dj , Cj ).

n
n
n

4. Por independencia tenemos que E(S) = E(Dj Cj ) = E(Dj )E(Cj ) = qj E(Cj ).
j=1 j=1 j=1
2.1. MODELO INDIVIDUAL Y MODELO COLECTIVO 9

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 .

2.1.2. Modelo Colectivo

Al igual que el modelo individual, el modelo colectivo tambien describe el riesgo total al que
esta expuesta una aseguradora. Lo diferente son los supuestos a considerar:

1. El numero de reclamaciones que tiene la cartera en el periodo de estudio es una variable

aleatoria.

2. Los montos de las reclamaciones son variables aleatorias independientes e identicamente dis-
tribuidas.

3. El monto de las reclamaciones y el numero de reclamaciones son variables independientes.

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.

2. El numero de sumandos N es aleatorio.

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, ).

Nuevamente el problema central es encontrar la distribucion de probabilidad de S, la cual na-

turalmente depende de la distribucion de Y y de N . Un primer resultado general al respecto es el
siguiente.

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

donde Gn (x) representa la n esima convolucion de las variables Y .

2.1. MODELO INDIVIDUAL Y MODELO COLECTIVO 11

Demostracion: Por probabilidad total tenemos que

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:

1. E(S) = E(N )E(Y ).

2. E(S 2 ) = E(N )E(Y 2 ) + E(N (N 1))E 2 (Y ).

3. V ar(S) = V ar(N )E 2 (Y ) + V ar(Y )E(N ).

4. MS (t) = MN (ln MY (t)).

Demostracion:

1. Si condicionamos con respecto al valor de N y utilizamos la independencia obtenemos:

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 ).

2. Condicionando de nuevo los valores de n tenemos que:

12 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS

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 ).

3. Por los resultados anteriores tenemos que

V ar(S) = E(S 2 ) E 2 (S)

= E(N )E(Y 2 ) + E(N (N 1))E 2 (Y ) E 2 (N )E 2 (Y )
= E(N )E(Y 2 ) + E(N 2 )E 2 (Y ) E(N )E 2 (Y ) E 2 (N )E 2 (Y )
= E(N )[E(Y 2 ) E 2 (Y )] + [E(N 2 ) E 2 (N )]E 2 (Y )
= E(N )V ar(Y ) + V ar(N )E 2 (Y ).
2.2. EL PROBLEMA DE GRADUACION. ALGUNOS METODOS DE APROXIMACION 13

4. De manera analoga tenemos que

MS (t) = E(et(Y1 ++YN ) |N = n)P (N = n)
n=0

= E(et(Y1 ++Yn ) |N = n)P (N = n)
n=0

= E(et(Y1 ++Yn ) )P (N = n)
n=0

= E(etY1 etYn )P (N = n)
n=0

= E(etY1 ) E(etYn )P (N = n)
n=0

= MY (t) MY (t)P (N = n)
n=0

= (MY (t))n P (N = n)
n=0
= E((MY (t))N )
= E(eN ln(MY (t)) )
= MN (ln(MY (t))).

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.

2.2. El Problema de Graduacion. Algunos Metodos de Apro-

ximacion
En esta seccion desarrollaremos dos metodos de aproximacion para calcular la probabilidad de
que el riesgo S sea mayor que algun valor. Estos metodos de aproximacion son: Normal y Gamma
Trasladada.

2.2.1. Aproximacion Normal

Cuando n es grande, el teorema del lmite central establece que la distribucion de S puede
aproximarse mediante la distribucion normal, es decir,

S E(S) x E(S) x E(S)
P (S x) = P
V ar(S) V ar(S) V ar(S)
14 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS

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.

2.2.2. Aproximacion Gamma Trasladada

Una forma de mejorar la aproximacion normal es utilizar la aproximacion Gamma Traslada-
da pues la mayora de las distribuciones de las reclamaciones tienen la misma forma que una
distribucion gamma: sesgada a la derecha ( > 0), rango no negativo y unimodal.

Cuando aproximamos a una Gamma Trasladada estimamos los parametros usuales y de la

distribucion gamma y tambien permitimos un ajuste sobre una distancia x0 . De aqu, se aproxima
la distribucion acumulada de S por la funcion de distribucion acumulada de Z + x0 , donde Z
gamma( , ) y x0 representa el desplazamiento a la derecha. Los parametros , y x0 son escogidos
de tal forma que la variable aleatoria Z + x0 tenga aproximadamente los primeros tres momentos
iguales a los primeros tres momentos de S.

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

4 S (V ar[S])1/2 2(V ar[S])1/2

= 2 , = y x0 = E[S] .
S 2 S

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)

Por otro lado notemos que

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

por lo que es suficiente calcular el sesgo dela variable

Z; para ello utilizaremos la funcion generadora
1
de cumulantes de Z la cual es (t) = ln . Es sencillo comprobar que la tercera derivada
1 t
16 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS

(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)

Resolviendo la ecuaciones (2.2), (2.3) y (2.4) concluimos que

4 S (V ar[S])1/2 2(V ar[S])1/2
= , = y x0 = E[S] .
S2 2 S

Observacion 2.2.4. Cuando S 0 la aproximacion normal aparece.
Ejemplo 2.2.5. Resolver el ejemplo 2.2.1 utilizando aproximacion gamma trasladada.
Solucion: Ya vimos en el ejemplo 2.2.1 que si definimos las variables Xi como la variable Bernoulli
que toma valor uno si la i esima persona muere y cero si sobrevive, entonces la variable Y =
X1 + + X1000 se distribuye binomial con parametros (1000,0.001). Mas aun, P (S 400000) =
P (Y 4). Calculemos el sesgo de Y para comprobar si cumple con los supuestos de la aproximacion
gamma trasladada.
Sabemos que la funcion generadora de cumulantes para la variable Y que se distribuye binomial
esta dada por

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

la cual es mejor que la aproximacion normal.

2.3. Variacion de la Propension al Riesgo

2.4. La Distribucion del Monto de Siniestros
En esta seccion consideraremos alguno casos particulares del modelo colectivo para determinar
sus caractersticas. Cada uno de los modelos esta determinado por la distribucion de la variable
aleatoria N . Las demostraciones de las proposiciones seran ejercicios para los estudiantes pues son
una consecuencia inmediata de aplicar los resultados de la proposicion 2.1.8. As mismo aclaramos
que los momentos centrales de las variables Y sera denotada por n = E[Y n ] haciendo enfasis en
que representa E[Y ].

2.4.1. Modelo Binomial Compuesto

Cuando el numero de reclamaciones N tiene una distribucion binomial decimos que el riesgo S
tiene una distribucion binomial compuesta . Las suposiciones para este modelo son:

a) El riesgo total consiste de varios riesgos intercambiables,

b) El intervalo de tiempo bajo consideracion puede ser dividido en varios intervalos de tiempo
independientes e intercambiables y

c) existe a lo mas una reclamacion por riesgo individual e intervalo.

Proposicion 2.4.1. Sea S como en el modelo colectivo. Si N Bin(n, p), entonces:

1. E[S] = np.

2. V ar[S] = np(2 p2 ).

3. E[(S E(S))3 ] = n(p3 3p2 2 + 2p3 3 ).

4. MS (t) = (1 p + pMY (t))n .

2.4.2. Modelo Binomial Negativo Compuesto

Cuando el numero de reclamaciones N tiene una distribucion binomial negativa decimos que el
riesgo S tiene una distribucion binomial negativa compuesta y se tiene la siguiente proposicion:

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)

2.4.3. Modelo Poisson Compuesto

Cuando el numero de reclamaciones N tiene una distribucion Poisson decimos que el riesgo S
tiene una distribucion Poisson Compuesta . Otro caso para considerar este modelo es tener el modelo
binomial compuesto con n grande y p pequeno pues la distribucion binomial se puede aproximar a
una distribucion Poisson con parametro = np.
Proposicion 2.4.3. Sea S como el modelo colectivo. Si N P oisson(), entonces:
1. E[S] = .
2. E[S 2 ] = 2 + 2 2 .
3. E[S 3 ] = 3 + 32 2 + 3 3 .
4. V ar[S] = 2 .
5. E[(S E(S))3 ] = 3 .
6. MS (t) = exp[(MY (t) 1)].

2.4.4. Modelo Poisson Compuesto con Varios Tipos de Riesgo

Un resultado importante es el que indica que la suma de riesgos independientes que siguen el
modelo Poisson Compuesto, forman un modelo Poisson Compuesto.
Proposicion 2.4.4. Sean S1 y S2 dos riesgos independientes con distribucion Poisson Compuesta
con parametros 1 y 2 , y reclamaciones Y (1) Y (2) con funciones de distribucion G1 (x) y G2 (x),
respectivamente. Entonces el riesgo S = S1 + S2 sigue una distribucion Poisson compuesta con
parametro = 1 + 2 y las reclamaciones tienen la siguiente funcion de distribucion:
1 2
G(x) = G1 (x) + G2 (x)

Demostracion: Se deja como ejercicio 18.

Observacion 2.4.5. La proposicion 2.4.4 se puede extender para el caso S = S1 + + Sn (ver
ejercicio 19).

2.4.5. Modelo Poisson Compuesto con Reclamaciones Clasificadas

Ademas del modelo Poisson compuesto con varios tipos de riesgo, existe otro modelo cuya cara-
terstica es que las reclamaciones son clasificadas mediante algun criterio como por ejemplo el monto
de la reclamacion. Las supuestos de este modelo son los siguientes:
1. S es poisson compuesto com parametro .
2. Las reclamaciones pueden ser clasificadas en m categoras excluyentes y exhaustivas denotadas
por A1 , ..., Am .
2.4. LA DISTRIBUCION DEL MONTO DE SINIESTROS 19

3. La probabilidad de que las reclamaciones pertenezcan a la categora k la denotaremos por

pk , es decir, pk = P (Y Ak ) y supondremos que pk > 0 para todo valor de k y ademas
p1 + + pm = 1.
4. Nk representa el numero de reclamaciones que pertenecen a la categora Ak y como consecuen-
cia, es claro que N = N1 + + Nm .
Observacion 2.4.6. Debido a la independencia de los montos de las reclamaciones el vector
(N1 , ..., Nm ) tiene una distribucion condicional multinomial (p1 , ..., pm ; n) cuando N = n, es de-
cir, para enteros no negativos n1 , ..., nm tales que n1 + + nm = n, la funcion de densidad conjunta
condicional es

n n!
P (N1 = n1 , ..., Nm = nm |N = n) = pn1 pnmm = pn1 pnmm .
n 1 nm 1 n1 ! nm ! 1

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 (N1 = n1 , ..., Nm = nm ) = P (N1 = n1 , ..., Nm = nm , N = n)

= P (N1 = n1 , ..., Nm = nm |N = n)P (N = n)
n! n
= pn1 1 pnmm e
n1 ! nm ! n!
n1 ++nm
n! n1 nm
= p1 p m e (p1 ++pm )
n1 ! nm ! n!
1
= pn1 pnmm n1 nm e p1 e pm
n1 ! nm ! 1
n
(pi )ni pi
= e .
ni !
k=i
Notemos que los terminos de la productoria corresponden a la funcion de densidad de una variable
Poisson, por lo que si demostramos que Nk P oisson(pk ) entonces N1 , ..., Nm seran independien-
tes. Calculemos las marginales:

P (Nk = nk ) = P (N1 = n1 , ..., Nm = nm )
n1 nk 1 nk+1 nm
n
(pi )ni
= e pi
n1 nk 1 nk+1 nm i=1
n i !
n
(pk )nk pk (pi )ni pi
= e e
nk ! n1 nk 1 nk+1 nm
ni !
i=1
i = k
(pk )nk pk
= e .
nk !
Por lo tanto, como Nk P oisson(pk ) concluimos que N1 , .., Nm son independientes.
Observacion 2.4.8. Observemos que condicionadas al evento (N = n), las variables N1 , ..., Nm no
son independientes, mientras que sin tal condicion, s lo son.
Proposicion 2.4.9. Sean S como en el modelo Poisson compuesto con reclamaciones clasificadas y
Sk el riesgo total de la categora Ak . Entonces Sk sigue el modelo Poisson compuesto con parametro
pk y la distribucion Gk (y) del monto de las reclamaciones de la categora Ak esta dada por
20 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS

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

donde N P oisson(pk ), as que concluimos que Sk es Poisson compuesto.

La distribucion condicional del monto de las reclamaciones de este riesgo es

Gk (x) = P (Yj x|Yj Ak )

P (Yj x, Yj Ak )
= .
P (Yj Ak )

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 )

Demostracion: Por la proposicon 2.4.9 tenemos que

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

Yi |Yi A2 donde N1 y N2 representan el numero de reclamaciones que pertenecen a las categoras

i=1
A1 y A2 , respectivamente y ademas satisfacen N = N1 + N2 . Luego la siniestralidad esperada total
es E[S] = E[S1 ] + 0.2E[S2 ] y por la proposicion 2.1.8 tenemos que E[S1 ] = E[N1 ]E[Yi |Yi A1 ]
2.4. LA DISTRIBUCION DEL MONTO DE SINIESTROS 21

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

de donde concluimos que la funcion de densidad g1 (y) de la variable Yi |Yi A1 es

49 2000 < y < 60000
g1 (y) = 2842000
0 otro caso

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

de donde concluimos que la funcion de densidad g2 (y) de la variable Yi |Yi A2 es

49 60000 < y < 100000
g2 (y) = 1960000
0 otro caso

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

2.4.6. Modelo Poisson Compuesto Mixto

Cuando el numero de reclamaciones N P oisson() y el parametro es a su vez, una va-
riable aleatoria, se dice que el riesgo S tiene una distribucion Poisson Compuesta Mixta . Algunas
caractersticas de esta distribucion, se muestran a continuacion.
Proposicion 2.4.12. Si N P oisson() en donde es una variabe aleatoria con funcion de
distribucion H, entonces:

hn
a) P (N = n) = e h dH(h).
0 n!
b) E(S) = E().
c) E(S 2 ) = E()2 + E(2 )2 .
d) E(S 3 ) = E()3 + 3E(2 )2 + E(3 )3 .
e) V ar(S) = V ar()2 + E()2 .
f ) E[(S E(S))3 ] = E[( E())3 ]3 + 3V ar()2 + E()3 .
g) MS (t) = M (MY (t) 1)

Demostracion: Se deja como ejercicio 23 pues es una consecuencia inmediata de la proposicion

2.1.8.
Ejemplo 2.4.13. El numero de reclamaciones de una cartera se comporta como una variable Pois-
son. Para los hombres el numero promedio de reclamaciones es 60 y para las mujeres es 40. Las
reclamaciones individuales se comportan de acuerdo a la funcion de densidad
2.5. EJERCICIOS 23

0.0001exp{ 0.0001y} y0
f (y) =
0 otro caso

Si el 75 % de asegurados son hombres, determina el monto promedio de reclamacion de la cartera.

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).

2. Considere el modelo individual para un portafolio de n polizas de seguros. Bajo la notacion

e hipotesis del modelo individual, demuestre que el numero esperado de reclamaciones es
q1 + + qn .

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

Usando el modelo individual calcule E(S) y V ar(S).

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:

Suma Asegurada Numero de Polizas Probabilidad de Reclamacion

$10,000 1,000 0.0040
$20,000 1,500 0.0035
$30,000 2,500 0.0030

Calcule E(S) y V ar(S) usando el modelo individual.

24 CAPITULO 2. DISTRIBUCION DEL NUMERO Y MONTO DE SINIESTROS

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:

a) > 0 si y solo si p < 1/2.

b) = 0 si y solo si p = 1/2.
c) < 0 si y solo si p > 1/2.

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).

13. Demuestra la proposicion 2.4.2.

14. Demuestra la proposicion 2.4.3.

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

Concepto Media Desviacion Estandar

Cuarto 1000 500
Otros 500 300

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.

17. Sean F1 y F2 dos funciones de distribucion con funciones generadoras de momentos M1 y M2

respectivamente. Demuestre que para cualquier [0, 1], la funcion F1 + (1 )F2 es una
funcion de distribucion cuya funcion generadora de momentos asociada es M1 + (1 )M2 .

18. Demuestra la proposicion 2.4.4.

2.5. EJERCICIOS 25

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:

Clase Proporcion de poblacion

1 0.25 5
2 0.25 3
3 0.5 2

23. Demuestra la proposicion 2.4.12.

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