Unidad 2 P2

Coeficiente de Ajuste Desigualdad de Lundberg Evaluación
Unidad II: Teorı́a de la Ruina

Modelo de tiempo continuo con horizonte temporal amplio
Ernesto Guerrero
Facultad de Matemáticas
Mérida, Yucatán, Septiembre 4, 2017
Ernesto Guerrero Facultad de Matemáticas

Competencia de la Unidad
Analiza el comportamiento del capital de una aseguradora en un

horizonte de tiempo amplio considerando los flujos de dinero.

Actividades que realizaremos
1 Resultado de Aprendizaje
2 Modelo y tiempo de ruina
3 Probabilidad de ruina
4 Coeficiente de ajuste
5 Desigualdad de Lundberg
6 El primer excedente abajo del nivel inicial
7 Pérdidas máximas agregadas
8 Simulación del proceso con otros flujos de dinero

Resultado de Aprendizaje
Analiza el comportamiento del capital de una aseguradora a través

de un modelo de tiempo continuo de manera fundamentada.

Recordatorio I
1 ¿Qué caracterı́sticas tiene un proceso Poisson?

2 ¿Cuál es la distribución de los tiempos de ocurrencia de un
proceso Poisson?
3 ¿Cuál es la distribución de los tiempos de permanencia de un
proceso Poisson?
4 ¿Qué caracterı́sticas tiene un proceso Poisson compuesto?
5 ¿Cuál es la media y varianza de un Proceso Poisson
compuesto?
6 ¿Qué dice el resultado de probabilidad total condicionado a
una variable discreta?
7 ¿Cuál es la serie de e x ?

Recordatorio II
8 ¿Cuál es la definición de función generadora de

momentos?¿Cuál es la expresión para calcularla cuando la
variable es continua?
9 ¿Cuándo e x es no negativo?
10 ¿Cuál es la expresión de probabilidad total condicionada a una
variable continua?
11 ¿Cuál es la derivada de f ( x ) g( x ) con respecto a x?
12 Si F (u, x ) representa la probabilidad de ruina teniendo un
capital inicial de u y con déficit inmediatamente después de
que ocurra ruina de cuando mucho x, ¿Cuál es la relación de
F (u, x ) con ψ(u)?

Recordatorio III
Z ∞f ( x ) ≤ g( xZ),∞¿Cuál de las siguientes integrales es mayor

Si
13
f (s)ds ó g(s)ds?
0 0
Z ∞
14 ¿Cuál es el valor de g(y)dy si g(y) es una función de
0
densidad?
15 Si G (y) es una función de distribuciónZde una variable
∞
aleatoria no negativa, ¿A qué es igual [1 − G (y)]dy?
0

Modelo Poisson Compuesto
Definición
El número de reclamaciones { Nt : t ≥ 0} es un proceso Poisson
con tasa λ > 0. Sean las pérdidas individuales Y1 , Y2 , ... variables
aleatorias no negativas independientes e identicamente
distribuidas, independientes de Nt , con función de distribución
G (y) y media µ < ∞. Sea St el total de la pérdida en el tiempo
Nt
(0, t] donde St = 0 si Nt = 0 y St = ∑ Yj si Nt > 0. Entonces St
j =1
tiene distribución Poisson compuesta y se dice que el proceso
{St : t ≥ 0} es un proceso Poisson compuesto.

Propiedades
Proposición
Sea St el proceso Poisson compuesto con µ = E[Yi ]. Entonces:
1 E[St ] = λtµ.
2 Var [St ] = λtE[Y 2 ].
3 La función de distribución de St es
∞
(λt)n
GSt (y) = ∑ G n∗ (y)e−λt donde
n =0 n!
Z ∞
G n∗ ( y ) = G (n−1)∗ (n − z)dG (z) y
−∞
(
1, y≥0
G (0) ( y ) = .
0, y<0
4 y todas las de un proceso Poisson compuesto.
Modelo de Ruina
Las primas son pagadas continuamente con tasa constante c por
unidad de tiempo, es decir, el total de primas percibidas en el
tiempo (0, t] es ct e ignoraremos los intereses por simplicidad
matemática.
El Modelo de Cramér-Lundberg el cual es un proceso a tiempo
continuo {Ut : t ≥ 0} está dado por
Nt
Ut = u + ct − St = u + ct − ∑ Yj
j =1
en donde u es el capital inicial de la compañı́a aseguradora, ct es la

entrada por primas hasta el tiempo t con c una constante positiva,
Yj es el monto de la j-ésima reclamación y Nt es un proceso de
Poisson de parámetro λ.
Gráficamente

Probabilidad de supervivencia
Definición
En tiempo continuo, la probabilidad de supervivencia en horizonte
finto es
φ(u, τ ) = P(Ut ≥ 0 para toda 0 ≤ t ≤ τ |U0 = u).
Definición
En tiempo continuo, la probabilidad de supervivencia en horizonte
infinto es
φ(u) = P(Ut ≥ 0 para toda t ≥ 0|U0 = u).

Relaciones entre tiempos de supervivencia
Se cumplen las siguientes relaciones

1 φ(u, τ ) ≥ φ(u).
2 lim φ(u, τ ) = φ(u).
τ →∞
3 φ̃(u, τ ) ≥ φ̃(u) ≥ φ(u).
4 φ̃(u, τ ) ≥ φ(u, τ ) ≥ φ(u).

Probabilidad de ruina
Definición
En tiempo continuo, la probabilidad de ruina en horizonte infinito
está dada por
ψ(u) = 1 − φ(u)

Carga de seguridad
Definición
Para el modelo de Cramer-Lundberg definimos la carga de
seguridad o factor de carga de la prima como el valor θ > 0 tal que
c = (1 + θ )λµ donde µ = E[Y ].

Coeficiente de ajuste
Definición
Sean µ y MY (t) la media y la función generadora de momentos de
las reclamaciones Y, respectivamente. El coeficiente de ajuste k es
la solución positiva más pequeña (si existe) de la ecuación
1 + (1 + θ )µt = MY (t).

Ejemplo
Ejemplo
Si Y tiene distribución exponencial con media µ, determina el
coeficiente de ajuste.

Solución
1 1
Sabemos que MY (t) = para t < . Por lo tanto el
1 − µt µ
coeficiente de ajuste satisface
1
1 + (1 + θ )µk = .
1 − µk
Como notamos anteriormente, k = 0 es una solución que siempre

sucede. Sin embargo, una solución positiva para esta ecuación es
θ 1
k= , la cual claramente es menor que .
µ (1 + θ ) µ

Evaluación
Ejemplo
Supongamos que la carga de seguridad es θ = 2 y los siniestros se
distribuyen Gamma con parámetros 2 y β. Determina el coeficiente
de ajuste.

Solución
1 1
Sabemos que MY (t) = 2
para t < . Luego la ecuación
(1 − βt) β
que satisface el coeficiente de ajuste es
1
1 + 6kβ = ,
(1 − βk)2
la cual es equivalente a las ecuaciones
6β3 k3 − 11β2 k2 + 4βk = 0
kβ(2kβ − 1)(3kβ − 4) = 0
1
Como k < , la única solución positiva de la ecuación anterior es
β
1
k= .
2β
Importante
Observación
No siempre es posible resolver la ecuación del coeficiente de ajuste
de manera explı́cita como en los ejemplos anteriores. En muchas
ocasiones, se debe recurrir a métodos numéricos que requieren una
aproximación inicial del valor de k. En el curso utilizaremos el
método Newton-Raphson.

Cota para el coeficiente de ajuste
Proposición
Sean µ y MY (t) la media y la función generadora de momentos de
las reclamaciones Y, respectivamente. Sea θ > 0 la carga de
2θµ
seguridad, entonces el coeficiente de ajuste k satisface k < .
E [Y 2 ]

Solución
Tenemos que
1 + (1 + θ )µk = E[ekY ]
1
= E[1 + kY + (kY )2 + · · · ]
2
1
> E[1 + kY + (kY )2 ]
2
1 2
= 1 + kµ + k E[Y2 ]
2
Sustrayendo 1 + kµ de ambos lados de la desigualdad, se tiene que
2θµ
k<
E [Y 2 ]

Newton-Raphson
Proposición (Método Newton-Raphson)

Sea H (t) = 1 + (1 + θ )µt − MY (t). La aproximación a la raı́z
H (k ) = 0 (que es el coeficiente de ajuste) se puede obtener
mediante la fórmula
H (k n )
k n +1 = k n −
H 0 (k n )
donde H 0 (t) = (1 + θ )µ − MY0 (t) iniciando con un valor k0 .

Ejemplo
Ejemplo
Considera el modelo de ruina de Cramer-Lundberg donde λ = 4 y
c = 7. Suponga que la distribución del monto de las reclamaciones
está dado por P(Y = 1) = 0.6 y P(Y = 2) = 0.4. Determina el
coeficiente de ajuste utilizando el método de Newton-Raphson.

Solución
Tenemos que
1 µ = E[Y ] = 1(0.6) + 2(0.4) = 1.4.
2 MY (t) = E[etY ] = 0.6et + 0.4e2t .
c 7 1
3 θ= −1 = −1 = .
λµ 4(1.4) 4
4 E[Y 2 ] = 12 (0.6) + 22 (0.4) = 2.2.
2θµ 7
5 Una opción para k 0 es k 0 = = .
2
E [Y ] 22
7
Por lo tanto obtenemos que H (t) = 1 + t − 0.6et − 0.4e2t y
4
7
H 0 (t) = − 0.6et − 0.8e2t .
4

El siguiente cuadro resume los valores de las iteraciones del

método, el cuál se detuvo en la tercera iteración pues se consideró
que es una buena aproximación:
iteración ki H (k i ) H 0 (k i )
0 0.31818 -0.02379 -0.58645
1 0.27761 -0.00309 -0.43584
2 0.27050 -0.00008 -0.41055
3 0.27029
Por lo que el coeficiente de ajuste es k = 0.27029.

Definición alternativa del coeficiente de ajuste
Definición
Sean µ y G (y) la media y la función de distribución de la variable
Y que representa el monto de cada reclamación. Sea θ > 0 la
carga de seguridad. El coeficiente de ajuste k > 0 es aquel valor
que satisface la ecuación
Z ∞
1+θ = eky f e (y)dy
0
1 − G (y)
donde f e (y) = para y > 0.
µ

Desigualdad de Lundberg
Teorema
Considera el modelo de Cramer-Lundberg y sea k el coeficiente de
ajuste. Entonces la probabilidad de ruina satisface
ψ(u) ≤ e−ku , u ≥ 0

Demostración
Sea ψn (u) la probabilidad de que la ruina ocurra antes o en la

n−ésima reclamación para n = 0, 1, ... cuando se tiene un capital
inicial de u. Haremos la demostración por inducción sobre n:
Claramente ψ0 (u) = 0 ≤ e−ku . Supongamos que se cumple para
n, es decir, ψn (u) ≤ e−ku y demostremos que la probabilidad de
ruina antes o en la n + 1−ésima reclamación sigue siendo menor
que e−ku .

Consideremos el análisis del primer paso a través del tiempo de la

primera reclamación. El tiempo hasta que ocurre la primera
reclamación es exponencial con función de densidad λe−λt ; si la
reclamación ocurre en el tiempo t > 0, el superávit disponible para
pagar la reclamación es u + ct. Por lo tanto, tenemos los
siguientes dos casos para tener ruina:
1 La ruina ocurre en la primera reclamación si el monto
reclamado excede u + ct cuya probabilidad es 1 − G (u + ct).
2 Si el monto de lo reclamado es y con 0 ≤ y ≤ u + ct, la ruina
no ocurre en la primera reclamación; sin embargo el superávit
será ahora de u + ct − y. La ruina podrı́a ocurrir en las
siguientes n reclamaciones. Como el proceso de superávit
tiene incrementos independientes y estacionarios, la
probabilidad de ruina ahora será la misma que si hubiéramos
comenzado el proceso en el tiempo en el que ocurrió la
primera reclamación con un capital inicial de u + ct − y.
Por lo tanto, utilizando la ley de probabilidad total y la hipótesis de

inducción tenemos que
ψn+1 (u)
Z ∞ Z u+ct
= 1 − G (u + ct) + ψn (u + ct − y) g(y)dy λe−λt dt
0 0
Z ∞ Z ∞ Z u+ct
= g(y)dy + ψn (u + ct − y) g(y)dy λe−λt dt
0 u+ct 0
Z ∞ Z ∞ Z u+ct
≤ e−k(u+ct−y) g(y)dy + e−k(u+ct−y) g(y)dy λe−λt dt
0 u+ct 0
donde hemos usado el hecho de que −k(u + ct − y) > 0 cuando

y > u + ct. Luego

Z ∞ Z ∞
−k(u+ct−y)
ψn+1 (u) ≤ e g(y)dy λe−λt dt
0 0
Z ∞ Z ∞
−ku −kct
= λe e e g(y)dy e−λt dt
ky
0 0
Z ∞
= λe−ku e−(λ+kc)t MY (k )dt
0
Z ∞
−ku
= λMY (k)e e−(λ+kc)t dt
0
λMY (k ) −ku
= e .
λ + kc

Por otro lado se cumple que
λMY (k) = λ[1 + (1 + θ )kµ] = λ + k(1 + θ )λµ = λ + kc.
Por lo tanto ψn+1 ≤ e−ku ; más aún, ψn ≤ e−ku para toda n y

lim ψn (u) ≤ e−ku .
n→∞

Otro resultado
Corolario
Sean {Ut : t ≥ 0} el modelo de Cramer-Lundberg, θ > 0 la carga
de seguridad, µ la media de las reclamaciones individuales y k el
coeficiente de ajuste. Supóngase que se desea tolerar una
probabilidad de ruina α, entonces:
1 La carga de seguridad que se debe establecer es
u[ MY (− lnα
u ) − 1]
θ= − 1 cuando se conoce el capital inicial
−µ ln α
u.
− ln α
2 El capital inicial que se necesita es u = cuando se
k
conoce la carga de seguridad θ.

Demostración
ln α
1 El teorema anterior implica que e−ku = α, luego k = − y
u
como k satisface la ecuación 1 + (1 + θ )µk = MY (k )
MY (k ) − 1 u[ MY (− lnα
u ) − 1]
entonces θ = −1 = − 1.
µk −µ ln α
lnα
2 Haciendo un despeje de la igualdad k = − se obtiene
u
lnα
u=−
k

Ejemplo
Ejemplo
Si Y tiene distribución exponencial con media 5000, determina:
1 una cota para la probabilidad de ruina si θ =0.2 y
u =$100,000.
2 El capital inicial requerido para que la probabilidad de ruina
sea a lo más 0.001.

Solución
En la clase pasada vimos que el coeficiente de ajuste es
θ
k =
µ (1 + θ )
0.2
=
5000(1 + 0.2)
1
= .
30000
Por lo tanto la cota de la probabilidad de ruina es

100000
ψ(100000) ≤ exp − =0.03567
30000
Para la segunda pregunta se tiene que
ln0.001
u=− = 207,232.65.
1/30000
Evaluación
Ejemplo
Supongamos que la carga de seguridad es θ = 2 y los siniestros se
distribuyen Gamma con parámetros 2 y 400. Determina una cota
para la probabilidad de ruina si el capital inicial es $100,000.

Solución
En la clase pasada vimos que el coeficiente de ajuste es

1
k =
2β
1
=
2(400)
1
=
800
Por lo tanto la cota de probabilidad de ruina es
ψ(100000) ≤ exp{−(1/800)(100000)} = 5.1664 × 10−55 .

Ecuaciones Integrodiferenciales
Definición
Para u ≥ 0, x ≥ 0, F (u, x ) representará la probabilidad de que
ocurra ruina teniendo un capital inicial u y un déficit
inmediatamente después de que ocurra la ruina de cuando mucho
x.

Observación
Para el evento descrito anteriormente tenemos que el superávit
después de ruina se encuentra entre 0 y − x, por lo que
ψ(u) = lim F (u, x ), u ≥ 0

x →∞

Teorema
Sea {Ut : t ≥ 0} el proceso de Cramer-Lundberg. La función
F (u, x ) satisface:
∂
1 F (u, x ) =
∂u Z u
λ
F (u, x ) − F (u − y, x )dG (y) − [ G (u + x ) − G (u)]
c 0
para u ≥ 0.
λ x
Z
2 F (0, x ) = [1 − G (y)]dy, para x ≥ 0 si existe el
c 0
coeficiente de ajuste k.

Demostración I
1 Procederemos de nueva cuenta a través del análisis del primer

paso, es decir, de la primera reclamación. Sabemos que el
tiempo en el que se presenta la primera reclamación es
exponencial con función de densidad λe−λt y que el superávit
disponible al tiempo t es u + ct. Tenemos dos casos:
i) Si el monto de la primera reclamación es y con 0 ≤ y ≤ u + ct,
entonces la primera reclamación no causará ruina pero el
superávit disponible ahora será de u + ct − y. Por los
incrementos estacionarios e independientes , la ruina con un
déficit de a lo más x ocurrirı́a posteriormente con probabilidad
F (u + ct − y, x ).
ii) La otra posibilidad para que ocurra ruina con un déficit de a lo
más x, es que el monto de la primera reclamación y sea tal que
u + ct < y ≤ u + ct + x, en cuyo caso, la probabilidad está
dada por G (u + ct + x ) − G (u + ct).
Demostración II
Aplicando la ley de probabilidad total tenemos que

F (u, x ) =
Z ∞ Z u+ct
F (u + ct − y, x ) g(y)dy + G (u + ct + x ) − G (u + ct) λe−λt dt
0 0
Mediante el cambio de variable z = u + ct, de donde

dz = cdt, la ecuación anterior queda
F (u, x ) =
Z ∞ Z z
λ (λ/c)u −(λ/c)z
e e F (z − y, x ) g(y)dy + G (z + x ) − G (z) dz,
c u 0
luego, aplicando el teorema fundamental del cálculo al
diferenciar la igualdad anterior con respecto a u por medio de
la regla de Leibniz para el producto, obtenemos la igualdad

Demostración III
∂
F (u, x ) =
Z u ∂u
λ λ
F (u, x ) − F (u − y, x ) g(y)dy + G (u + x ) − G (u)
c c 0
de la cual se sigue el resultado.
2 Notemos que 0 ≤ F (u, x ) ≤ ψ(u) ≤ e−ku , luego
0 ≤ F (∞, x ) = lim F (u, x ) ≤ lim e−ku = 0, por lo tanto
u→∞ u→∞ Z ∞
F (∞, x ) = 0. También, si definimos τ ( x ) = F (u, x )du
0
tenemos que
Z ∞ Z ∞
1
0 < τ (x) = F (u, x )du ≤ e−ku du =
< ∞.
0 0 k
Integrando la ecuación el resultado del primer inciso de este
teorema con respecto a u desde 0 a ∞ tenemos
Demostración IV
Z ∞
∂
F (u, x ) du =
0 ∂u
λ ∞
Z Z u
F (u, x ) − F (u − y, x ) g(y)dy − [ G (u + x ) − G (u)] du,
c 0 0
es decir,
F (∞, x ) − F (0, x ) =
Z ∞Z u Z ∞
λ
τ (x) − F (u − y, x ) g(y)dydu − [ G (u + x ) − G (u)]du .
c 0 0 0
Utilizando que F (∞, x ) = 0 e intercambiando el orden de

integración para la integral doble obtenemos
F (0, x ) =
Z ∞Z ∞ Z ∞
λ
− τ (x) − F (u − y, x ) g(y)dudy − [ G (u + x ) − G (u)]du .
c 0 y 0

Demostración V
y realizando el cambio de variable v = u − y en la doble
integral da como resultado
F (0, x )
Z ∞Z ∞
λ
= − τ (x) − F (v, x ) g(y)dvdy
c 0 0
Z ∞
− [ G (u + x ) − G (u)]du
0
Z ∞ Z ∞
λ
= − τ (x) − τ ( x ) g(y)dy − [ G (u + x ) − G (u)]du
c 0 0
Z ∞ Z ∞
λ
= − τ (x) − τ (x) g(y)dy − [ G (u + x ) − G (u)]du
c 0 0

Demostración VI
Z ∞
λ
F (0, x ) = − τ (x) − τ (x) − [ G (u + x ) − G (u)]du
c 0
Z ∞
λ
= [ G (u + x ) − G (u)]du
c 0
∞ Z ∞
Z
λ
= [1 − G (u)]du − [1 − G (u + x )]du
c 0 0
Realizamos los cambios de variables y = u y y = u + x en la
primera y segunda integral, respectivamente, para obtener
Z ∞ Z ∞
λ
F (0, x ) = [1 − G (y)]dy − [1 − G (y)]dy =
c 0 x
λ x
Z
[1 − G (y)]dy.
c 0

Observación
Observación
El teorema anterior es válido aunque no exista el coeficiente de
ajuste.

Resultado 1
Corolario
La probabilidad de supervivencia sin capital inicial satisface
θ
φ (0) =
1+θ

Demostración
Z ∞
Recordemos que µ = [1 − G (y)]dy y por el teorema anterior se
0
cumple que
Z ∞
λ λµ 1
ψ(0) = lim F (0, x ) = [1 − G (y)]dy = = .
x →∞ c 0 c 1+θ
θ
Por lo tanto φ(0) = 1 − ψ(0) = .
1+θ

Resultado 2
Teorema
La probabilidad de supervivencia satisface
Z u
0 λ
φ (u) = φ(u) − φ(u − y) g(y)dy , u ≥ 0.
c 0

Demostración
Por el primer teorema de esta presentación y el hecho de que
ψ(u) = lim F (u, x ) tenemos que
x →∞
Z u
0 λ
ψ (u) = ψ(u) − ψ(u − y) g(y)dy − [1 − G (u)] , u ≥ 0.
c 0
Como φ(u) = 1 − ψ(u), la ecuación anterior queda
Z u
0 λ
−φ (u) = [1 − φ(u)] − [1 − φ(u − y)] g(y)dy − [1 − G (u)]
c 0
Z u Z u
λ
= −φ(u) − g(y)dy + φ(u − y) g(y)dy + G (u)
c 0 0
Z u
λ
= −φ(u) + φ(u − y) g(y)dy .
c 0


Unidad 2 P2

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

Unidad 2 P2

Cargado por

Copyright:

Formatos disponibles

Coeficiente de Ajuste Desigualdad de Lundberg Evaluación

Unidad II: Teorı́a de la Ruina

Mérida, Yucatán, Septiembre 4, 2017

Ernesto Guerrero Facultad de Matemáticas

Analiza el comportamiento del capital de una aseguradora en un

Ernesto Guerrero Facultad de Matemáticas

Actividades que realizaremos

Ernesto Guerrero Facultad de Matemáticas

Analiza el comportamiento del capital de una aseguradora a través

Ernesto Guerrero Facultad de Matemáticas

1 ¿Qué caracterı́sticas tiene un proceso Poisson?

Ernesto Guerrero Facultad de Matemáticas

8 ¿Cuál es la definición de función generadora de

Ernesto Guerrero Facultad de Matemáticas

Z ∞f ( x ) ≤ g( xZ),∞¿Cuál de las siguientes integrales es mayor

Ernesto Guerrero Facultad de Matemáticas

Modelo Poisson Compuesto

Ernesto Guerrero Facultad de Matemáticas

en donde u es el capital inicial de la compañı́a aseguradora, ct es la

Ernesto Guerrero Facultad de Matemáticas

φ(u, τ ) = P(Ut ≥ 0 para toda 0 ≤ t ≤ τ |U0 = u).

φ(u) = P(Ut ≥ 0 para toda t ≥ 0|U0 = u).

Ernesto Guerrero Facultad de Matemáticas

Relaciones entre tiempos de supervivencia

Se cumplen las siguientes relaciones

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Como notamos anteriormente, k = 0 es una solución que siempre

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Cota para el coeficiente de ajuste

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Proposición (Método Newton-Raphson)

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

El siguiente cuadro resume los valores de las iteraciones del

Por lo que el coeficiente de ajuste es k = 0.27029.

Ernesto Guerrero Facultad de Matemáticas

Definición alternativa del coeficiente de ajuste

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Sea ψn (u) la probabilidad de que la ruina ocurra antes o en la

Ernesto Guerrero Facultad de Matemáticas

Consideremos el análisis del primer paso a través del tiempo de la

Por lo tanto, utilizando la ley de probabilidad total y la hipótesis de

donde hemos usado el hecho de que −k(u + ct − y) > 0 cuando

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Por otro lado se cumple que

λMY (k) = λ[1 + (1 + θ )kµ] = λ + k(1 + θ )λµ = λ + kc.

Por lo tanto ψn+1 ≤ e−ku ; más aún, ψn ≤ e−ku para toda n y

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

Ernesto Guerrero Facultad de Matemáticas

En la clase pasada vimos que el coeficiente de ajuste es