Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resulta ser que pensando a 𝑁 como una v.a. que mide el número de reclamaciones las
propiedades en general que presenta S son manejables.
Es el momento de mezclar todos los temas que hemos desarrollado para crear una variable
aleatoria que puede generalizar, en cierto sentido, a todas las demás.
Desde el principio se habló de dos conceptos por separado, la frecuencia y la severidad.
Veremos que estos dos se pueden unificar. En la vida práctica es necesario estudiar y modelar
por separado estos conceptos para que, una vez bien identificados, además de modelados, se
puedan mezclar en uno de los modelos más populares cuando se habla de riesgo: El Modelo
colectivo o Modelo de pérdidas agregadas.
Modelo Colectivo
Considere un conjunto de un número no determinado de contratos de seguros con vigencia
en un periodo de tiempo [0, 𝑇]. Este periodo puede corresponder a un año por ejemplo. Sea
𝑁 la variable aleatoria que denota el número de reclamaciones ocurridas en este intervalo,
y sean las variables positivas 𝑌1 , ..., 𝑌𝑁 los montos de estas reclamaciones. Gráficamente una
posible realización de tal esquema se muestra en la Figura 1.7.
Nota:
𝑁 → frecuencia
𝛾 → severidad
Consideraremos que el número de reclamaciones y los montos de éstas son variables aleato-
rias independientes. Más aún, supondremos que las reclamaciones mismas son independientes
entre sı́, y que comparten la misma distribución de probabilidad.
1
Modelo colectivo: Bases
Í𝑁
𝑆= 𝑗=1 𝑌 𝑗 (1.2)
Observe que cada sumando es una variable aleatoria y que el número de sumandos es también
aleatorio. La suma (1.2) se define como cero cuando 𝑁 = 0. Observe además 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 el valor 0 con probabilidad 𝑃(𝑆 = 0) = 𝑃(𝑁 = 0) > 0, y puede además tomar cualquier
valor en el intervalo (0, ∞).La ecuación (1.2) representa el modelo colectivo para un contrato
de seguros, cuyas posibles realizaciones como función del tiempo tienen la forma de la gráfica
de la Figura 1.8
2
Modelo colectivo: Bases
Proposición
La función de distribución del riesgo 𝑆 en el modelo colectivo es
Í∞ ∗𝑛 (𝑥)𝑃(𝑁
𝐹 (𝑥) = 𝑛=0 𝐺 = 𝑛)
Demostración:
∞
∑︁
𝐹 (𝑥) = 𝑃(𝑆 ≤ 𝑥|𝑁 = 𝑛)𝑃(𝑁 = 𝑛)
𝑛=0
∞
∑︁
= 𝑃(𝑆 ≤ 𝑥|𝑁 = 0)𝑃(𝑁 = 0) + 𝑃(𝑌1 + · · · + 𝑌𝑛 ≤ 𝑥)𝑃(𝑁 = 𝑛)
𝑛=1
∞
∑︁
= 𝐺 ∗0 (𝑥)𝑃(𝑁 = 0) + 𝐺 ∗𝑛 (𝑥)𝑃(𝑁 = 𝑛)
𝑛=1
∞
∑︁
= 𝐺 ∗𝑛 (𝑥)𝑃(𝑁 = 𝑛)
𝑛=0
■
Algunas caracterı́sticas numéricas de la variable 𝑆 se muestran a continuación:
Proposición 1.4
Suponiendo que las cantidades y funciones indicadas existen, el riesgo 𝑆 en el modelo
colectivo cumple las siguientes propiedades.
1. E[𝑆] = E[𝑁]E[𝑌 ]
3
Modelo colectivo: Bases
Demostración:
1. Condicionaremos sobre le valor de N, y después usaremos la hipótesis de independencia.
El resultado del cálculo es el mismo cuando la variable 𝑁 inicia en el valor 0 o en valor 1
∞ 𝑁
!
∑︁ ∑︁
𝐸 (𝑆) = 𝐸 𝑌 𝑗 |𝑁 = 𝑛 𝑃(𝑁 = 𝑛)
𝑛=0 𝑗=1
∞ 𝑛
!
∑︁ ∑︁
= 𝐸 𝑌 𝑗 |𝑁 = 𝑛 𝑃(𝑁 = 𝑛)
𝑛=0 𝑗=1
∞
∑︁
= 𝑛𝐸 (𝑌 )𝑃(𝑁 = 𝑛)
𝑛=0
= 𝐸 (𝑁)𝐸 (𝑌 )
2. Nuevamente condicionando sobre el valor de 𝑁
∞ 𝑁
!2
∑︁ ∑︁
𝐸 𝑆2 = 𝑌 𝑗 | 𝑁 = 𝑛® 𝑃(𝑁 = 𝑛)
© ª
𝐸
𝑛=0 « 𝑗=1 ¬
∞ 𝑛
!2
∑︁ © ∑︁
= 𝑌 𝑗 | 𝑁 = 𝑛® 𝑃(𝑁 = 𝑛)
ª
𝐸
𝑛=0 « 𝑗=1 ¬
∞ 𝑛
!2
∑︁ © ∑︁
= 𝑌 𝑗 ® 𝑃(𝑁 = 𝑛)
ª
𝐸
𝑛=0 « 𝑗=1 ¬
∞ ∑︁
∑︁ 𝑛 ∑︁ 𝑛
2
= 𝐸 𝑌𝑗 + 𝐸 𝑌 𝑗 𝑌𝑘 𝑃(𝑁 = 𝑛).
𝑛=0 𝑗=1 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. Ası́, por la idéntica distribución tenemos que
∞
∑︁ ∞
∑︁
2 2
𝐸 𝑆 = 𝑛𝐸 𝑌 𝑃(𝑁 = 𝑛) + 𝑛(𝑛 − 1)𝐸 2 (𝑌 )𝑃(𝑁 = 𝑛)
𝑛=0 𝑛=0
= 𝐸 (𝑁)𝐸 𝑌 2 + 𝐸 (𝑁 (𝑁 − 1))𝐸 2 (𝑌 )
4
Modelo colectivo: Bases
5
Modelo colectivo: Bases
Proposición
Si 𝑁 tiene distribución 𝐵𝑖𝑛(𝑛, 𝑝) entonces
a) 𝐸 (𝑆) = 𝑛𝑝𝜇.
b) 𝐸 𝑆 2 = 𝑛𝑝𝜇2 + 𝑛(𝑛 − 1) 𝑝 2 𝜇2 .
c) Var(𝑆) = 𝑛𝑝 𝜇2 − 𝑝𝜇2 .
d) 𝑀𝑆 (𝑡) = (1 − 𝑝 + 𝑝𝑀𝑌 (𝑡)) 𝑛 .
Nota: E[𝛾 𝑛 ] = 𝜇𝑛
Estas expresiones se siguen fácilmente de las fórmulas generales demostradas antes, basta
recordar que si 𝑁 tiene distribución 𝑏𝑖𝑛(𝑛, 𝑝), entonces 𝐸 (𝑁) = 𝑛𝑝, 𝑉 𝑎𝑟 (𝑁) = 𝑛𝑝(1 − 𝑝) y
𝑀𝑁 (𝑡) = (1 − 𝑝 + 𝑝𝑒 𝑡 ) 𝑛
Proposición
Proposición Si 𝑁 tiene distribución 𝑏𝑖𝑛 𝑛𝑒𝑔(𝑘, 𝑝), entonces
Para encontrar estas fórmulas es suficiente recordar que si 𝑁 tiene distribución 𝑏𝑖𝑛 𝑛𝑒𝑔(𝑘, 𝑝),
h i𝑘
entonces 𝐸 (𝑁) = 𝑘 (1𝑝−𝑝) , 𝑉 𝑎𝑟 (𝑁) = 𝑘 (1𝑝−𝑝)
2 𝑦 𝑀 𝑁 (𝑡) = 𝑝
( 1−𝑝)𝑒 𝑡
6
Modelo colectivo: Bases
Proposición
Si 𝑁 tiene distribución Poisson(𝜆), entonces
a) 𝐸 (𝑆) = 𝜆𝜇.
b) 𝐸 𝑆 2 = 𝜆𝜇2 + 𝜆2 𝜇2 .
c) Var(𝑆) = 𝜆𝜇2 .
d) 𝑀𝑆 (𝑡) = exp [𝜆 (𝑀𝑌 (𝑡) − 1)].
Nuevamente estas expresiones son consecuencia de las fórmulas generales demostradas antes,
y del hecho de que si𝑁 tiene distribución Poisson (𝜆), entonces 𝐸 (𝑁) = 𝜆, Var(𝑁) = 𝜆, y
𝑀𝑁 (𝑡) = exp 𝜆 𝑒 𝑡 − 1 . Véase la sección de ejercicios para los terceros momentos de este mo-
delo. Observe que el parámetro 𝜆 y la distribución de la variable 𝑌 determinan por completo al
modelo Poisson compuesto. Estudiaremos con más detalle este modelo en la siguiente sección.
7
Modelo colectivo: Bases
Demostración
Sea 𝑀 𝑗 (𝑡) la f.g.m de 𝐹 𝑗 (𝑥) para 𝑗 = 1, 2, ..., 𝑛. Entonces 𝑆 𝑗 tiene f.g.m dada por: 𝑀𝑆 𝑗 (𝑡) =
E(𝑒 𝑡𝑆 𝑗 ) = 𝑒𝜆 𝑗 (𝑀 𝑗 (𝑡)−1) y por la independencia de las 𝑆′𝑗 𝑠, S tiene f.g.m:
𝑛
Ö
𝑀𝑆 (𝑡) = 𝑀𝑆 𝑗 (𝑡)
𝑗=1
Ö𝑛
= 𝑒𝑥 𝑝(𝜆 𝑗 [𝑀 𝑗 (𝑡) − 1])
𝑗=1
" 𝑛 𝑛
#!
∑︁ ∑︁
= 𝑒𝑥 𝑝 𝜆 𝑗 𝑀 𝑗 (𝑡) − 𝜆𝑗
𝑗=1 𝑗=1
" 𝑛
# !
∑︁
= 𝑒𝑥 𝑝 𝜆 𝑗 𝑀 𝑗 (𝑡) − 𝜆
𝑗=1
" 𝑛
#!
∑︁ 𝜆𝑗
= 𝑒𝑥 𝑝 𝜆 𝑀 𝑗 (𝑡) − 1
𝑗=1
𝜆
𝑛 𝑛
∑︁ 𝜆𝑗 ∑︁ 𝜆𝑗
Debido a que 𝑀 𝑗 (𝑡) es la f.g.m de 𝐹 (𝑥) = 𝐹 𝑗 (𝑥) entonces 𝑀𝑆 (𝑡) tiene la forma
𝑗=1
𝜆 𝑗=1
𝜆
de la f.g.m de una distribución Poisson compuesta.
8
Modelo colectivo: Bases
𝑛 𝑛 𝑛
!
∑︁ ∑︁ ∑︁ 𝜆𝑗
𝑆 =¥ 𝑆 𝑗 ∼ 𝑃𝑜𝑖𝐶𝑜𝑚 𝑝 𝜆 = 𝜆 𝑗 , 𝐹𝑌 𝑗 = 𝐹𝑌 𝑗 (𝑥)
𝑗=1 𝑗=1 𝑗=1
𝜆
De este resultado una de las partes interesantes es la severidad resultante de esta acción
(𝑌 ∗ ). Principalmente porque, a pesar de que el resultado está dado en términos de la f.d.a,
se deriva que:
𝑛
∑︁ 𝜆𝑗
𝑓 (𝑡) =
𝑌∗ 𝑓𝑌 𝑗 (𝑡)
𝑗=1
𝜆
Sin importar que haya 𝑌 𝑗 𝑠 discretas, continuas, mixtas; este resultado quedará como ejercicio
para el lector.
Una demostración del resultado anterior, se puede dar si suponemos tener 𝑛1 v.a continuas
𝑛1
y 𝑛2 v.a discretas con 𝑛 = 𝑛1 + 𝑛2 . Llamemos a {𝑌1𝑖 }𝑖= 1 a las v.a´s de severidad continuas
y llamemos 𝜆 1𝑖 a sus correspondientes parámetros de frecuencia. Análogamente, llamaremos
{𝑌2 𝑘 }𝑛𝑘=2 1 a las v.a´s de severidad discretas y 𝜆2 𝑘 a sus correspondientes parámetros de fre-
cuencia. De esta manera, tendremos que:
𝑛
∑︁ 𝜆𝑗
𝐹 (𝑡) =
𝑌∗ 𝐹𝑌 𝑗 (𝑡)
𝑗=1
𝜆
𝑛1 𝑛2
∑︁ 𝜆 1𝑖 ∑︁ 𝜆2𝑘
= 𝐹𝑌1𝑖 (𝑡) + 𝐹𝑌 (𝑡)
𝑖=1
𝜆 𝑘=1
𝜆 2𝑘
| {z } | {z }
continuas discretas
Entonces
9
Modelo colectivo: Bases
𝑛1 𝑛2
𝑑 ∑︁ 𝜆 1𝑖 ∑︁ 𝜆2𝑘
𝑓𝑌 ∗ (𝑡) = 𝐹𝑌 (𝑡) + 𝐹𝑌2𝑘 (𝑡) − 𝐹𝑌2𝑘 (𝑡 − 1)
𝑑𝑡 𝑖=1 𝜆 1𝑖 𝑘=1
𝜆
| {z }
Asumiendo que las discretas tienen un soporte consecutivo
𝑛 1 𝑛2
∑︁ 𝜆 1𝑖 ∑︁ 𝜆2𝑘
= 𝑓𝑌1𝑖 (𝑡) + 𝑓𝑌2𝑘 (𝑡)
𝑖=1
𝜆 𝑘=1
𝜆
| {z }
Por la linealidad de la derivada y la probabilidad puntual de las discretas
𝑛
∑︁ 𝜆𝑗
= 𝑓𝑌 (𝑡) Juntando todo en un solo ı́ndice
𝑗=1
𝜆 𝑗
𝑛
𝜆𝑖 ∑︁ 𝜆𝑖
Nota: ∈ (0, 1] y =1
𝜆 𝑖=1
𝜆
Esto nos da pie a que, en general, los momentos de la severidad de la suma (𝑌 ∗ ) vendrán
dados por:
𝑛
∗ 𝑚 1 ∑︁
E[(𝑌 ) ] = 𝜆 𝑗 E[(𝑌𝑖 ) 𝑚 ]
𝜆 𝑗=1
Nuevamente, esto se da sin importar el soporte de las 𝑌𝑖 ’s pero una demostración con las
hipótesis y notación anteriores puede verse como:
𝑛1 ∫ 𝑛2
∗𝑚
∑︁ 𝜆 1𝑖 ∑︁ 𝜆 2 𝑘 ∑︁
E[(𝑌 ) = 𝑡 𝑚 𝑓𝑌1𝑖 (𝑡)𝑑𝑡 + 𝑡 𝑚 𝑓𝑌2𝑘 (𝑡)
𝑖=1
𝜆 R 𝑘=1
𝜆 ∀𝑡
𝑛1 𝑛2
∑︁ 𝜆 1𝑖 ∑︁ 𝜆2𝑘
= E[𝑌1𝑚𝑖 ] + E[𝑌2𝑚𝑘 ]
𝑖=1
𝜆 𝑘=1
𝜆
𝑛
∑︁ 𝜆𝑖
= E[𝑌 𝑗𝑚 ]
𝑗=1
𝜆
10
Modelo colectivo: Bases
Ejemplo
x 𝑓1 (𝑥) 𝑓2 (𝑥)
1 0.25 0.10
2 0.75 0.40
3 0.00 0.40
4 0.00 0.10
E[𝑆] = E[𝑆1 + 𝑆2 ]
= E[𝑆1 ] + E[𝑆2 ]
= 𝜆 1 E[𝑋1 ] + 𝜆 2 E[𝑋2 ]
= 3(1,75) + 2(2,5)
= 10,25
11
Modelo colectivo: Bases
𝑉 𝑎𝑟 [𝑆] = 𝑉 𝑎𝑟 [𝑆1 + 𝑆2 ]
:0
= 𝑉 𝑎𝑟 [𝑆1 ] + 𝑉 𝑎𝑟 [𝑆2 ] + 1 , 𝑆 2 )
2𝐶𝑜𝑣(𝑆
= 𝜆1 E[𝑋12 ] + 𝜆 2 E[𝑋22 ]
= 3(3,75) + 2(6,9)
= 25,05
E[𝑆] = 𝜆E[𝑌 ∗ ]
𝜆1 𝜆2
= 𝜆 E[𝑋1 ] + E[𝑋2 ]
𝜆 𝜆
3 2
= 5 (1,75) + (2,5)
5 5
= 10,25
𝑉 𝑎𝑟 [𝑆] = 𝜆E[(𝑌 ∗ ) 2 ]
𝜆1 2 𝜆2 2
= 𝜆 E[𝑋1 ] + E[𝑋2 ]
𝜆 𝜆
3 2
= 5 (3,75) + (6,9)
5 5
= 25,05
Esos son dos maneras de obtener el mismo resultado aplicando las propiedades básicas
de la probabilidad vistas en cursos anteriores y los resultados a los que acabamos de
llegar.
Lo siguiente que nos interesa buscar es la manera de obtener probabilidades del ries-
go 𝑆. Para esto podemos deducir que las probabilidades exactas de 𝑆 son difı́ciles de
calcular , por tanto, en la siguiente sección veremos algunas metodologı́as para estimar
dichos valores.
12
Modelo colectivo: Bases
A continuación facilitamos algunos vı́deos que ayuden al entendimiento del tema ante-
rior.
Figura 1: https://www.youtube.com/watch?v=YFKFsSIHod4
Figura 2: https://www.youtube.com/watch?v=uNZiUUW6VaA
13
Modelo colectivo: Bases
https://youtu.be/z73RugHd_cU
https://youtu.be/4g0qQG2gvbU
14
Modelo colectivo: Bases
Este tipo de aproximaciones se utilizan generalmente cuando la severidad es una v.a. continua
o con modelos más sofisticados de riesgo.
− Aproximación Normal
Sea 𝑆 un riesgo con media y varianza finitas, entonces, si la variable aleatoria de frecuencia
toma en general valores grandes, para cualquier 𝑥 ≥ 0 se tiene:
𝑡−E[𝑆]
𝐹𝑆 (𝑡) =¥ P[𝑆 ≤ 𝑡] ≈ Φ √
𝑉 𝑎𝑟 (𝑆)
Recordando que Φ(𝑡) es la función de distribución de una normal estándar y 𝜙(𝑡) la densidad
de la misma.
Observemos lo siguiente:
− − − − − − − − − − − − − − −−
| {z }
Ejemplo de
densidad de S
− − − − − − − − − − − − − − −−
| {z }
Ejemplos de
densidades Gamma
15
Modelo colectivo: Bases
Existen algunos riesgos (𝑆) en modelos colectivos que presentan un comportamiento similar al
de una densidad Gamma. Es por eso que suena razonable intentar ajustar una densidad Gam-
ma a nuestro modelo. Para esto, intentaremos ajustar una densidad Gamma trasladada para
buscar ser más exactos en nuestro modelo. Entonces, definiremos 𝑍 ∼ 𝐺𝑎𝑚𝑚𝑎(𝛽, 𝜆) y toma-
remos 𝑐 ∈ R, de tal manera que se buscará ajustar la variable 𝐺 =¥ 𝑍 + 𝑐 ∼ 𝐺𝑎𝑚𝑚𝑎𝑇 (𝛽, 𝛼, 𝑐)
a nuestro riesgo 𝑆.
Para lograr esto emplearemos un método similar al de momentos, necesitamos estimar 3
parámetros: 𝛽, 𝛼 y 𝑐. Supongamos conocidas o estimadas las siguientes cantidades:
− E[𝑆] = 𝜇 → la media
− 𝑉 𝑎𝑟 (𝑆) = 𝜎 2 → la varianza
E[(𝑆−E[𝑆]) 3 ]
− √ =𝛼 → el coeficiente de asimetrı́a
𝑉 𝑎𝑟 3 (𝑆)
E[(𝐺−E[𝐺]) 3 ] E[((𝑐+𝑍)−E[𝑐+𝑍]) 3 ]
− 3 = 3 = √2
𝑉 𝑎𝑟 (𝐺) 2 𝑉 𝑎𝑟 (𝑐+𝑍) 2 𝛽
2𝜎
𝑐 = 𝜇− 𝛼 Parámetro de traslación
4
𝛽 = 𝛼2
𝜆= 2
Parámetros de la Gamma
𝜎𝛼
https://youtu.be/veGk-C-m_sk
16
Modelo colectivo: Bases
Por lo tanto:
Cuando la severidad al igual que la frecuencia del modelo son discretas entonces la distri-
bución del riesgo será también discreta. Por lo cual, si se desea utilizar estos métodos de
aproximación en el caso discreto, es necesario aplicar antes una corrección por continuidad.
En general:
1 1
P[𝑛 ≤ 𝑆 ≤ 𝑚] ≈ P 𝑛 − ≤ 𝑆 ≤ 𝑚 +
2 2
17