Introduccion A La Teoria Del Riesgo

Introduccin a la o TEOR DEL RIESGO IA
Luis Rincn o Departamento de Matemticas a Facultad de Ciencias UNAM Circuito Exterior de CU 04510 Mxico DF e Versin: Agosto 2010 o
Una versin actualizada del presente texto se encuentra disponible en formato o electrnico en la direccin o o http://www.matematicas.unam.mx/lars
Prlogo o
Este texto contiene las notas de clase del curso semestral de Teora del Riesgo impartido por el autor a estudiantes de ultimo semestre de la carrera de actuar a en la Facultad de Ciencias de la UNAM. Contiene el material bsico para un cura so introductorio a ciertos temas de la teor del riesgo en seguros, as como una a coleccin de ejercicios. o Considero necesario hacer nfasis en que este trabajo tiene el caracter de preliminar e y que el material completo fue compilado de las fuentes que aparecen al nal del texto. Debido a la falta de bibliograf en el tema en idioma espa ol y a la urgencia a n de contar con este material de apoyo, me atrevo a presentar estas notas preliminares con la esperanza de mejorarlas paulatinamente a lo largo de los prximos meses. o La ultima versin disponible puede encontrarse en la direccin o o http://www.matematicas.unam.mx/lars Cualquier comentario, correccin o sugerencia para mejorar este material es amo pliamente agradecida. Toda comunicacin puede enviarse a la cuenta de correo que o aparece abajo.
Luis Rincn o Agosto 2010 Ciudad Universitaria UNAM lars@fciencias.unam.mx
Contenido
1. Modelo individual vs modelo 1.1. Introduccin . . . . . . . . . o 1.2. Modelo individual . . . . . 1.3. Frmula de De Pril . . . . . o 1.4. Modelo colectivo . . . . . . 1.5. Ejercicios . . . . . . . . . .
colectivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
5 . 5 . 7 . 10 . 13 . 24 . . . . . 29 29 34 35 36 38 41 41 46 47 49 50 52 55
2. Frmula de Panjer y mtodos de aproximacin o e o 2.1. Frmula de Panjer . . . . . . . . . . . . . . . . . o 2.2. Aproximacin normal . . . . . . . . . . . . . . . o 2.3. Aproximacin gama trasladada . . . . . . . . . . o 2.4. Aproximacin de Edgeworth . . . . . . . . . . . . o 2.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . .
3. Principios para el clculo de primas a 3.1. Principios generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Reaseguro 4.1. Reaseguro proporcional . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Reaseguro no proporcional . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. Teor de la credibilidad a 59 5.1. Credibilidad completa . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.2. Credibilidad parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.3. Credibilidad Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Contenido 5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6. Procesos estocsticos a 6.1. Filtraciones y tiempos de paro 6.2. Proceso de Poisson . . . . . . . 6.3. Martingalas . . . . . . . . . . . 6.4. Ejercicios . . . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
69 70 70 72 73 75 75 77 86 89
7. Teor de la ruina a 7.1. Modelo clsico de Cramr-Lundberg . . . . . . . . . . . . . . . . . . a e 7.2. Probabilidad de ruina . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A. Formulario
Cap tulo 1
Modelo individual vs modelo colectivo
En este cap tulo se presenta una introduccin al esquema del seguro y al concepto o general de riesgo. Se presenta adems la perspectiva individual y la colectiva para a modelar el riesgo correspondiente al conjunto de reclamaciones que afronta una compa aseguradora. Se estudian tambin algunas propiedades y relaciones entre na e estas dos perspectivas. En el resto del curso se adopta el modelo colectivo como modelo fundamental.
1.1.
Introduccin o
El objetivo del presente texto es ofrecer una introduccin a algunos modelos mao temticos para representar ciertos tipos de riesgos, como por ejemplo, aquellos a los a que sistemticamente tiene que hacer frente una compa a aseguradora. El trmino a n e riesgo tiene muchas acepciones dependiendo del rea de estudio que se trate, y en a trminos imprecisos puede denirse como la posibilidad de experimentar ciertos e eventos de inters y las consecuencias derivadas de dichos eventos. En general, los e riesgos pueden tener un sentido positivo o negativo, y por lo tanto no se trata necesariamente de evitarlos o de protegerse contra ellos. Se trata, en trminos gee nerales, de la identicacin de los riesgos, de ponderarlos con sus consecuencias, o de decidir la aceptacin o no de los mismos, y de tomar provecho de su existencia. o El quehacer cotidiano del hombre, ya sea en el mbito personal o profesional, ima 5
1.1. Introduccion
plica necesariamente y a cada momento hacer frente a ciertos riesgos, y ello puede tener consecuencias no deseadas pero tambin abrir oportunidades. Por ejemplo, e el comprar un boleto de loter conlleva el riesgo de perder el importe pagado por a el boleto, y al mismo la posibilidad de ganar una gran cantidad de dinero. Otro ejemplo en donde es evidente la evaluacin (a veces inconsciente) de los riesgos es o cuando uno decide viajar en avin, en este caso se considera primordial la rapio dez y comodidad del viaje, y se desde a convenientemente cualquier posibilidad de n accidente. Como hemos mencionado, el trmino riesgo se dene de manera distinta depene diendo de la disciplina de estudio. En ingenier por ejemplo, puede denirse el a, riesgo como el producto de la probabilidad de que un evento (generalmente no deseable) ocurra y el da o esperado debido a la ocurrencia del evento, es decir, n Riesgo=(Probabilidad de un accidente)(Da os como consecuencia del accidente). n En nanzas, puede denirse el riesgo en trminos de la variacin o volatilidad de e o una inversin; en general, se considera que una inversin en la bolsa de valores (tasa o o de inters variable) es ms riesgosa comparada con una inversin en un banco (tasa e a o de inters ja). Finalmente, en seguros, el riesgo puede denirse como el monto de e las reclamaciones totales de los asegurados, veremos a continuacin con ms detalle o a este caso pues es al que estn dirigidos principalmente los modelos matemticos a a que estudiaremos. A grandes rasgos, la forma en la opera un seguro es la siguiente: un grupo de personas reconocen que estn expuestas a sufrir alg n tipo de siniestro en sus bienes a u o en sus personas, y que dichos siniestros pueden causarles consecuencias irreparables como la prdida de sus vidas, o bien prdidas econmicas considerables. Al e e o contratar un seguro (es decir, rmar una pliza de seguro), cada una de estas persoo nas paga por adelantado una cantidad de dinero (generalmente peque a) llamada n prima a una compa a aseguradora, quien se compromete a resarcir monetarian mente a todas aquellas personas aseguradas que sufrieron alg n siniestro durante u el tiempo de vigencia del seguro y seg n lo pactado en la pliza del seguro. De u o esta manera, aunque no se conozca de manera individual exactamente a las personas que sufrirn un siniestro, el capital obtenido de manera colectiva debe ser a suciente para solventar los gastos de los siniestros que se presentan. Es claro que bajo este mecanismo las prdidas econmicas del colectivo se distribuyen en todos e o y cada uno de los individuos logrando as garantizar la sobrevivencia nanciera de cada uno de ellos, en otras palabras, mediante el contrato de un seguro se logra disminuir los da os econmicos de aquellas personas que tuvieron la mala fortuna n o de sufrir un siniestro. Naturalmente para que tal mecanismo de asistencia colectiva
Cap tulo 1. Modelo individual vs modelo colectivo
sea factible es necesario que el n mero de asegurados cumpla un valor m u nimo, y que se establezcan con precisin las caracter o sticas de los siniestros a considerar. Es claro tambin que, bajo este esquema general, tanto el nmero de siniestros e u como el monto de las reclamaciones efectuadas son variables desconocidas, y que los modelos de la teor de la probabilidad podr ser de ayuda a este respecto. a an En efecto, en las siguientes pginas estudiaremos algunos modelos matemticos que a a han ayudado a representar el aspecto azaroso de ciertas variables relevantes en los seguros.
1.2.
Modelo individual
Suponga que se tiene un portafolio de n plizas individuales de seguros vlidas por o a un a o como se muestra en la Figura 1.1. n
Pliza 1 o
Pliza 2 o
Pliza n o
....... ....... ....... .......
....... ....... ....... .......
....... ....... ....... .......
Figura 1.1: Sea pj la probabilidad de que el j-simo asegurado no efect e ninguna reclamacin e u o durante el tiempo de vigencia del seguro, y sea qj la probabilidad de que se observe exactamente una reclamacin. Suponga que la igualdad pj + qj = 1 se cumple, o ello signica que no puede haber ms de una reclamacin por cada asegurado. a o Tal situacin corresponde, por ejemplo, a los seguros de vida. Dena la variable o aleatoria 1 si hay reclamacin en la pliza j, o o Dj = 0 si no hay reclamacin en la pliza j. o o Claramente Dj tiene distribucin Bernoulli con parmetro qj . El uso de la letra D o a viene del trmino en ingls death. Suponga articialmente que cada pliza efect a e e o u una reclamacin, y sea la variable aleatoria Cj > 0 el monto de la reclamacin o o efectuada por la pliza j. La letra C proviene del trmino en ingls claim, que o e e se traduce en espa ol como reclamacin. La verdadera reclamacin de la pliza j n o o o
8
est dada por el producto a
1.2. Modelo individual
Dj Cj =
Cj 0
si Dj = 1, si Dj = 0.
De esta forma se considera como datos en este modelo la coleccin de vectores o aleatorios (D1 , C1 ), . . . , (Dn , Cn ), que supondremos independientes. Consideraremos adems que las variables Dj y Cj tambin son independientes entre s a e . Denicin. El monto de reclamaciones agregadas, o tambin llamado agregado o e de reclamaciones, en el modelo individual, es la variable aleatoria
n
S=
j=1
Dj Cj .
(1.1)
Esta variable es el monto que afronta una compa aseguradora por concepto de na reclamaciones durante el periodo completo del seguro. La ecuacin (1.1) representa o el modelo individual para una pliza de seguros de las caracter o sticas se aladas. El n modelo tiene este nombre pues lleva el registro de las probabilidades de reclamacin o y posible monto de reclamacin de todos y cada uno de los asegurados de manera o individual. Desde el punto de vista matemtico, y tambin desde la perspectiva del a e negocio del seguro, nuestro objetivo es conocer las caracter sticas de la variable S, a quien llamaremos riesgo. Si Fj (x) denota la funcin de distribucin del producto Dj Cj , entonces la funcin o o o de distribucin F (x) del riesgo S adquiere la siguiente expresin en trminos de o o e convoluciones: F (x) = (F1 Fn )(x). Esta expresin general y compacta es, o sin embargo, un tanto dif de calcular. Como primeros resultados generales se cil presentan a continuacin algunas caracter o sticas de S. Denotaremos por Gj (x) la funcin de distribucin de Cj , y como es costumbre, cuando exista, MX (t) denota o o la funcin generadora de momentos de una variable X cualquiera. o
Proposicin. Bajo la notacin e hiptesis del modelo individual se tienen los o o o siguientes resultados. 1. Fj (x) = pj 1[0,) (x) + qj Gj (x). 2. MDj Cj (t) = 1 + qj (MCj (t) 1).
n
3. MS (t) =
j=1 n
[ 1 + qj (MCj (t) 1) ].
4. E(S) =
j=1
qj E(Cj ).
n
5. Var(S) =
j=1
[ qj Var(Cj ) + qj pj E 2 (Cj ) ].
Demostracin. o 1. Para cualquier n mero real x, u Fj (x) = P (Dj Cj x) = P (Dj Cj x | Dj = 0) P (Dj = 0)
= pj 1[0,) (x) + qj Gj (x). 2. Tenemos que MDj Cj (t) = = = = E(etDj Cj )
+ P (Dj Cj x | Dj = 1) P (Dj = 1) = P (0 x | Dj = 0) pj + P (Cj x | Dj = 1) qj
E(etDj Cj | Dj = 0)P (Dj = 0)
+ E(etDj Cj | Dj = 1)P (Dj = 1) pj + qj MCj (t) 1 + qj (MCj (t) 1).
3. Esta igualdad se sigue directamente de la anterior usando la hiptesis de indeo pendencia.
10
1.3. Formula de De Pril
4. Nuevamente por independencia,

n n n
E(S) =
j=1
E(Dj Cj ) =
j=1
E(Dj )E(Cj ) =
j=1
qj E(Cj ).
2 2 2 5. Primeramente se tiene que E(Dj Cj ) = qj E(Cj ), y E(Dj Cj ) = qj E(Cj ). Entonces
Var(Dj Cj ) = = = Por lo tanto

n
2 2 qj E(Cj ) qj E 2 (Cj )
qj Var(Cj ) + qj pj E 2 (Cj ).
n
2 qj [Var(Cj ) + E 2 (Cj )] qj E 2 (Cj )
Var(S) =
j=1
Var(Dj Cj ) =
j=1
[ qj Var(Cj ) + qj pj E 2 (Cj ) ].
Aproximacin normal. Cuando n es grande, el teorema central del l o mite establece que la distribucin de S puede aproximarse mediante la distribucin normal, o o es decir, S E(S) x E(S) x E(S) P (S x) = P ( ) ( ). Var(S) Var(S) Var(S) Esta aproximacin puede ser adecuada para ciertos riesgos pero tiene la desventaja o 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 distribucin N(, 2 ) o se concentra principalmente en el intervalo ( 4, + 4), cuando la esperanza y la varianza de S son tales que E(S) 4 Var(S) 0, la probabilidad asignada a la parte negativa del eje es realmente peque a, ello alivia un poco el hecho de que n esta distribucin no tenga soporte en el intervalo [0, ). Tal vez la situacin ms o o a comprometedora sea que la funcin de densidad normal decae muy rpidamente o a pues existen riesgos cuyas funciones de densidad no cumplen con tal caracter stica.
1.3.
Frmula de De Pril o
Presentaremos a continuacin la frmula de De Pril. Este resultado proporciona una o o expresin exacta, aunque recursiva, de la distribucin de probabilidad de un riesgo o o
11
en el modelo individual. Esta frmula es bastante general y no requiere hiptesis o o adicionales a las ya mencionadas. Teorema (Frmula de De Pril). Sea nij el n mero de plizas cuyos o u o asegurados tienen tasa de mortalidad qj y suma asegurada i. Suponga que j = 1, 2, . . . , J, e i = 1, 2, . . . , I. Entonces las probabilidades g(r) = P (S = r), estn dadas por a g(r) = 1 r
I rI r/i i=1 k=1 J
g(r ik)h(i, k), para r 1
g(0) =
i=1 j=1
(1 qj )nij ,
J
en donde h(i, k) = i(1)k1
nij (
j=1
qj k ) 1 qj
Demostracin. Se divide el portafolio de asegurados de acuerdo a la tasa de moro talidad y la suma asegurada. Como se ha establecido en el enunciado, supongamos que nij denota el n mero de plizas cuyos asegurados tienen tasa de mortalidad qj u o y suma asegurada i. Estamos suponiendo que j = 1, 2, . . . , J, e i = 1, 2, . . . , I. Sea g(r) = P (S = r) para r = 0, 1, 2, . . .. La funcin generadora de probabilidad del o monto reclamado Yij por un asegurado con tasa de mortalidad qj y suma asegurada i es Gij (t) = E(tYij ) = (1 qj ) + qj ti . Por lo tanto, usando la hiptesis de independencia, la funcin generadora de proo o babilidad de la cartera completa es
I J
G(t) = E(tS ) =
r=0
tr g(r) =
i=1 j=1
(1 qj + qj ti )nij .
Tomando logaritmo y despus derivando, e

I J
ln G(t) =
i=1 j=1
nij ln(1 qj + qj ti ).
12
1.3. Formula de De Pril d G (t) ln G(t) = = dt G(t)

I J
nij
i=1 j=1
iqj ti1 . 1 qj + qj ti
Por lo tanto
I J
tG (t) =
G(t)
i=1 j=1 I J
nij
iqj ti 1 qj + qj ti qj ti qj ti 1 (1 + ) 1 qj 1 qj qj ti 1 qj
G(t)
i=1 j=1 I J
nij i
G(t)
i=1 j=1
nij i
(1)k1 (
k=1 k=0
qj ti k1 ) , 1 qj
en donde hemos usado la expansin (1 x)1 = o lo tanto

I J
xk , vlida para |x| < 1. Por a qj k ik ) t . 1 qj
tG (t) = G(t)
i=1 j=1
nij i
(1)k1 (
k=1
Dena ahora la funcin o

J
h(i, k) = i(1)k1
j=1
nij (
qj k ) . 1 qj
Entonces la expresin anterior puede escribirse como sigue o

I
tG (t) = G(t)
i=1 k=1
tik h(i, k).
Substituyendo las expresiones para G (t) y G(t) en sus correspondientes series de potencia se obtiene
I
rtr g(r) =
r=1 r r=0
tr g(r)
i=1 k=1
tik h(i, k).
Para r 1, el coeciente de t en el lado izquierdo es rg(r), mientras que en el lado derecho es la suma de los trminos g(r ik)h(i, k), para aquellos valores de i e y k tales que 1 ik r. Igualando estos coecientes se tiene que
rI r/i
rg(r) =
i=1 k=1
g(r ik)h(i, k),
13
en donde r/i es la parte entera del cociente r/i. De esta forma se llega a la siguiente expresin, para r 1, o 1 g(r) = r
rI r/i i=1 k=1
g(r ik)h(i, k).
Por otro lado, como S = 0 slo cuando ning n asegurado efect a ninguna reclao u u macin, para r = 0 se tiene que o
I J
g(0) =
i=1 j=1
(1 qj )nij ,
1.4.
Modelo colectivo
Considere un conjunto de un n mero no determinado de contratos de seguros con u vigencia en un periodo de tiempo [0, T ]. Este periodo puede corresponder a un a o n por ejemplo. Sea N la variable aleatoria que denota el n mero de reclamaciones u ocurridas en este intervalo, y sean las variables positivas Y1 , . . . , YN los montos de estas reclamaciones. Grcamente una posible realizacin de tal esquema se a o muestra en la Figura 1.2.
$ Y2 $ Y3 $ Y1 $ Y4 0 T $ Y5
Figura 1.2: Consideraremos que el n mero de reclamaciones y los montos de stas son variables u e aleatorias independientes. Ms a n, supondremos que las reclamaciones mismas son a u independientes entre s y que comparten la misma distribucin de probabilidad. , o
14
1.4. Modelo colectivo
Denicin. El monto agregado o monto acumulado de todas las reclamaciones o efectuadas es la variable aleatoria S, llamada riesgo, y denida como sigue
N
S=
j=1
Yj .
(1.2)
Observe que cada sumando es una variable aleatoria y que el nmero de sumandos u es tambin aleatorio. La suma (1.2) se dene como cero cuando N = 0. Observe e adems que S puede ser una variable aleatoria mixta, es decir, no ser discreta ni a continua, pues cuando los montos de las reclamaciones Y son variables continuas con valores en (0, ), la variable S puede tomar el valor 0 con probabilidad P (S = 0) = P (N = 0) > 0, y puede adems tomar cualquier valor en el intervalo (0, ). a La ecuacin (1.2) representa el modelo colectivo para un contrato de seguros, cuyas o posibles realizaciones como funcin del tiempo tienen la forma de la grca de la o a Figura 1.3.
S(t) $ Y3 $ Y2 $ Y1 t
Figura 1.3: A la funcin de distribucin de cada reclamacin Y la denotaremos por la letra o o o G. Se asume naturalmente que G(0) = 0, ello equivale a decir que la variable Y es positiva. Adicionalmente usaremos la notacin n = E(Y n ), en particular se o escribe en lugar de 1 = E(Y ). Nuevamente el problema central es encontrar la distribucin de probabilidad de S, o la cual depende de la distribucin de Y y de N . Un primer resultado general al o respecto es el que aparece a continuacin. Antes de enunciarlo recordemos que la o
Cap tulo 1. Modelo individual vs modelo colectivo 0-convolucin de una funcin de distribucin G es o o o G0 (x) = 1 0 si x 0, si x < 0.
15
Proposicin. La funcin de distribucin del riesgo S en el modelo colectivo es o o o
F (x) =
n=0
Gn (x) P (N = n).
Demostracin. o
F (x)
=
n=0
P (S x | N = n) P (N = n)
= P (S x | N = 0) P (N = 0) +
n=1
P (Y1 + + Yn x) P (N = n)
= G0 (x) P (N = 0) +
n=1
Gn (x) P (N = n)
=
n=0
Gn (x) P (N = n).
Algunas caracter sticas numricas de la variable S se muestran a continuacin. e o Proposicin. El riesgo S en el modelo colectivo cumple las siguientes propieo dades. 1. E(S) = E(N )E(Y ). 2. E(S 2 ) = E(N )E(Y 2 ) + E(N (N 1))E 2 (Y ). 3. Var(S) = Var(N )E 2 (Y ) + Var(Y )E(N ). 4. MS (t) = MN (ln(MY (t))).
16
Demostracin. o 1. Condicionaremos sobre el valor de N , y despus usaremos la hiptesis de indee o pendencia. El resultado del clculo es el mismo cuando la variable N inicia en el a valor 0 o en valor 1.
N
E(S) =
n=0
E(
j=1 n
Yj | N = n) P (N = n) Yj | N = n) P (N = n)
=
n=0
E(
j=1
=
n=0
nE(Y ) P (N = n) E(N ) E(Y ).
2. Nuevamente condicionando sobre el valor de N ,

N
E(S 2 ) =
n=0
E((
j=1 n
Yj )2 | N = n) P (N = n) Yj )2 | N = n) P (N = n) Yj )2 ) P (N = n)
=
n=0
E((
j=1 n
=
n=0
E((
j=1 n
[
n=0 j=1
E(Yj2 ) +
j,k=1
E(Yj Yk ) ] P (N = n)
j=k
=
n=0
nE(Y 2 ) P (N = n) +
n=2 2
(n(n 1)) E 2 (Y ) P (N = n)
E(N ) E(Y ) + E(N (N 1)) E 2 (Y ). = E(S 2 ) E 2 (S) = E(N ) E(Y 2 ) + E(N (N 1)) E 2 (Y ) E 2 (N ) E 2 (Y )
3. Por las frmulas anteriores, o Var(S)
= E(N ) [ E(Y 2 ) E 2 (Y ) ] + [ E(N 2 ) E 2 (N ) ] E 2 (Y ) = E(N ) Var(Y ) + Var (N ) E 2 (Y ).
Cap tulo 1. Modelo individual vs modelo colectivo 4. De manera anloga a los dos primeros incisos, a
17
MS (t) =
n=0
E(er(Y1 ++YN ) | N = n) P (N = n) E(er(Y1 ++Yn ) ) 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))).
Consideraremos a continuacin algunos casos particulares del modelo colectivo. o Modelo binomial compuesto. Cuando el n mero de reclamaciones N tiene una u distribucin binomial se dice que el riesgo S tiene una distribucin binomial como o puesta. Bajo esta hiptesis se tienen los siguientes resultados. o Proposicin. Si N tiene una distribucin bin(n, p), entonces o o a) E(S) = np. b) Var(S) = np(2 p2 ). c) E[(S E(S))3 ] = n(p3 3p2 2 + 2p3 3 ). d) MS (t) = (1 p + pMY (t))n . Estas expresiones se siguen fcilmente de las frmulas generales demostradas antes, a o basta recordar que si N tiene distribucin bin(n, p), entonces E(N ) = np, Var(N ) = o np(1 p), y MN (t) = (1 p + per )n . Observe que en este modelo se tiene una cota superior para el n mero de reclamaciones que pueden efectuarse. u Modelo binomial negativo compuesto. Cuando el n mero de reclamaciones N u tiene una distribucin binomial negativa se dice que el riesgo S tiene una distribuo cin binomial negativa compuesta. En este caso se cumple lo siguiente. o
18
Proposicin. Si N tiene una distribucin bin neg(, p), entonces o o a) E(S) = (1/p 1). b) Var(S) = (1/p 1)(1/p)2 + (1/p 1)(2 2 ). c) E[(S E(S))3 ] = (1/p 1)3 + 3(1/p 1)2 2 + 2(1/p 1)3 3 . d) MS (t) = ( p ) . 1 (1 p)MY (t)
Para encontrar estas frmulas es suciente recordar que si N tiene distribucin o o bin neg(, p), entonces E(N ) = (1 p)/p, Var(N ) = (1 p)/p2 , y MN (t) = [p/(1 (1 p)er )] . Modelo Poisson compuesto. Cuando el n mero de reclamaciones N tiene una u distribucin Poisson se dice que el riesgo S tiene una distribucin Poisson como o puesta, y se tienen los siguientes resultados. Proposicin. Si N tiene una distribucin Poisson(), entonces o o a) E(S) = . b) E(S 2 ) = 2 + 2 2 . c) E(S 3 ) = 3 + 32 2 + 3 3 . d) Var(S) = 2 . e) E[(S E(S))3 ] = 3 . f) 3 = E[(S E(S))3 ] = [Var(S)]3/2 3 3 2 > 0.
g) MS (t) = exp [ (MY (t) 1) ]. Nuevamente estas expresiones son consecuencia de las frmulas generales demostrao das antes, y del hecho de que si N tiene distribucin Poisson(), entonces E(N ) = , o Var(N ) = , y MN (t) = exp((er 1)). Observe que el parmetro y la distribua cin de la variable Y determinan por completo al modelo Poisson compuesto. o
19
Modelo Poisson compuesto asociado al modelo individual. Considere el n modelo individual de riesgo S i = j=1 Dj Cj , junto con la notacin e hiptesis o o correspondientes. El super ndice i indica que se trata de un modelo individual. A partir de este modelo se construye a continuacin un modelo colectivo con distribuo cin Poisson compuesta. Para ello recuerde que unicamente se necesita establecer el o valor del parmetro de la distribucin Poisson y la funcin de distribucin G(x) a o o o del monto de las reclamaciones. Sean entonces
n
y G(x)
=
j=1 n
qj , qj Gj (x),
(1.3) (1.4)
=
j=1
en donde Gj (x) es la funcin de distribucin de la variable Cj . Mediante la primera o o igualdad se establece que el n mero esperado de reclamaciones en ambos modelos u sea el mismo. En la segunda ecuacin se dene a la funcin de distribucin de o o o una reclamacin en el modelo colectivo como la suma ponderada de las funciones o de distribucin del monto de las reclamaciones en el modelo individual. De esta o N forma se construye el modelo colectivo S c = j=1 Yj , a quien llamaremos modelo colectivo Poisson compuesto asociado al modelo individual. El super ndice c indica que se trata de un modelo colectivo. Este modelo tiene las siguientes propiedades. Proposicin. Sea S c el modelo colectivo Poisson compuesto asociado al moo delo individual S i . Entonces
n
1. E(S c ) =
j=1
qj E(Cj ).
n
2. Var(S c ) =
j=1 n
qj [Var(Cj ) + E 2 (Cj )]. qj k E(Cj ). qj MCj (t).
3. E(Y k ) =
j=1 n
4. MY (t) =
j=1
20
Estas expresiones se siguen directamente de resultados previos acerca del modelo Poisson compuesto y de las igualdades (1.3) y (1.4). Por ejemplo, el k-simo e momento de una reclamacin del modelo S c es o E(Y k ) =
0 n
y k dG(y) =
j=1
qj
y k dGj (y) =
j=1
qj k E(Cj ).
A modo de comparacin se tiene entonces que E(S i ) = E(S c ), mientras que o Var(S i ) Var(S c ). El modelo Poisson compuesto asociado como l mite 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 seccin se demuestra que este modelo o colectivo puede ser obtenido como un proceso l mite en el modelo individual. Consideremos entonces el modelo individual junto con la notacin e hiptesis usuales. o o Por resultados previos sabemos que
n
MS i (t) =
j=1
[1 + qj (MCj (t) 1)].
i Se construye un modelo individual adicional Sk de la siguiente forma: Cada pliza o j se reemplaza por k plizas idnticas en cada una de las cuales la probabilidad o e de reclamacin se dene como qj /k, y la funcin de distribucin del monto de una o o o reclamacin es la misma Gj . Entonces el portafolio consiste ahora de kn plizas. o o i Por lo tanto, si Sk denota el riesgo asociado a tal portafolio, entonces se tiene que n
i MSk (t) =
[1 +
j=1
qj (MCj (t) 1)]k . k

k
Se hace ahora tender k a innito y usando el resultado l (1 + x/k)k = ex se m obtiene

n k
i l MSk (t) m
=
j=1
exp [ qj (MCj (t) 1) ]

n
= = =
exp [
j=1
qj MCj (t) ]
exp [ (MY (t) 1) ] MS c (t).
21
Puesto que la convergencia de funciones generadoras de momentos es equivalente a la convergencia en distribucin de las correspondientes variables aleatorias, se o obtiene entonces que el modelo colectivo Poisson compuesto asociado es el l mite en distribucin del modelo individual cuando el n mero de plizas crece y las o u o probabilidades de reclamacin se hacen cada vez ms peque as. El argumento o a n presentado en esta seccin justica el uso del modelo Poisson compuesto bajo las o condiciones mencionadas. En este sentido, el siguiente argumento intuitivo tambin favorece al modelo Poisson e compuesto como una generalizacin del modelo individual. Recordemos nuevamente o que la funcin generadora de momentos del riesgo S i en el modelo individual es o
n
MS i (t) =
j=1
[1 + qj (MCj (t) 1)].
El trmino qj (MCj (t)1) es peque o para valores peque os de t. Usando la frmula e n n o ln(1 + x) = x x2 /2 + x3 /3 + , se puede escribir la aproximacin ln(1 + x) x. o De modo que
n
ln(MS i (t))
=
j=1 n
ln[1 + qj (MCj (t) 1)] qj (MCj (t) 1)

n
j=1
= [
j=1 n
qj (MCj (t) 1) ] qj MCj (t) 1 ],
= [
j=1
en donde = q1 + + qn . Por lo tanto

n
MS i (t) exp ( [
j=1
qj MCj (t) 1 ] ).
Esta es nuevamente la funcin generadora de momentos del riesgo con distribuo cin Poisson compuesta en donde los montos de las reclamaciones tienen funcin o o n qj generadora de momentos j=1 MCj (t).
22
Modelo Poisson compuesto con varios tipos de riesgos. Se demuestra ahora que la suma de riesgos independientes que siguen el modelo Poisson compuesto tambin es Poisson compuesto. Esta es una propiedad interesante y util. e Proposicin. Sean S1 y S2 dos riesgos independientes con distribucin Poisson o o compuesta con parmetros 1 y 2 , y reclamaciones Y (1) y Y (2) con funcin a o de distribucin G1 (x) y G2 (x) respectivamente. Entonces el riesgo S = S1 + S2 o tambin sigue una distribucin Poisson compuesta con parmetro = 1 + 2 , e o a y las reclamaciones tienen funcin de distribucin o o G(x) = 2 1 G1 (x) + G2 (x).
Demostracin. Por independencia tenemos que o MS1 +S2 (t) = = = MS1 (t)MS2 (t) exp[1 (MY (1) (t) 1)] exp[2 (MY (2) (t) 1)] 1 2 exp[( MY (1) (t) + MY 2 (t) 1)],
en donde 1 MY (1) (t) + 2 MY (2) (t) es la funcin generadora de momentos de la o funcin de distribucin G(x) = 1 G1 (x) + 2 G2 (x). o o El resultado anterior puede extenderse fcilmente al caso S = S1 + + Sn . a Modelo Poisson compuesto con reclamaciones clasicadas. Sea S un riesgo con distribucin Poisson compuesta de parmetro . Suponga que los montos de o a las reclamaciones pueden ser clasicadas en m categor excluyentes y exhaustivas as denotadas por A1 , . . . , Am . T picamentes estas categor pueden ser intervalos de as valores para las reclamaciones. Sea pk = P (Y Ak ) > 0 tal que p1 + + pm = 1. Sea Nk el n mero de reclamaciones del tipo k. Entonces N = N1 + +Nm y debido u a la independencia de los montos en las reclamaciones, el vector (N1 , , Nm ) tiene una distribucin condicional multinomial(p1 , . . . , pm ; n) cuando N = n, es decir, o para enteros no negativos n1 , . . . , nm tales que n1 + + nm = n, se tiene que P (N1 = n1 , . . . , Nm = nm | N = n) = n pn1 pnm . n n1 nm 1
23
La distribucin no condicional del vector (N1 , . . . , Nm ) es el contenido del siguiente o resultado. Proposicin. Las variables aleatorias N1 , . . . , Nm son independientes y cada o variable Nk tiene distribucin Poisson(pk ). o Demostracin. Sean n1 , . . . , nm enteros no negativos tales que n1 + + nm = n. o Entonces P (N1 = n1 , . . . , Nm = nm ) = = = =
k=1
P (N1 = n1 , . . . , Nm = nm , N = n) P (N1 = n1 , . . . , Nm = nm | N = n)P (N = n) n n! pn1 pnm e m n1 ! nm ! 1 n!

n
(pk )nk pk e . nk !
Se desprende de esta igualdad que la variable Nk tiene distribucin marginal o Poisson(pk ). De esta identidad se verica tambin la independencia. e Observe que condicionadas al evento (N = n), las variables N1 , . . . , Nm no son independientes, mientras que sin tal condicin, lo son. Por otro lado, como los o montos de las reclamaciones son independientes de N , el riesgo de tipo k est dado a por la variable
N
Sk =
j=1
Yj 1{Yj Ak } ,
y tiene distribucin Poisson compuesta con parmetro pk . La distribucin condio a o cional del monto de las reclamaciones de este riesgo es Gk (x) = P (Yj x | Yj Ak ) = P (Yj x, Yj Ak ) . P (Yj Ak )
En particular, cuando Ak = (xk1 , xk ] con 0 < x0 < x1 < < xm , para x (xk1 , xk ], G(x) G(xk1 ) Gk (x) = . G(xk ) G(xk1 )
24
1.5. Ejercicios
Modelo Poisson compuesto mixto. Cuando el n mero de reclamaciones N tiene u una distribucin Poisson() y el parmetro es a su vez una variable aleatoria, o a se dice que el riesgo S tiene una distribucin Poisson compuesta mixta. Algunas o caracter sticas de esta distribucin se muestran a continuacin. o o Proposicin. Si N tiene una distribucin Poisson() en donde es una variao o ble aleatoria con funcin de distribucin H, entonces o o
a) P (N = n) =
0
eh
hn dH(h). 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) Var(S) = Var()2 + E()2 . f) E[(S E(S))3 ] = E[( E())3 ]3 + 3Var()2 + E()3 . g) MS (t) = M (MY (t) 1). Para obtener todas las expresiones de esta proposicin es suciente condicionar o sobre el valor de .
1.5.
Ejercicios
Modelo individual 1. Considere el modelo individual para un portafolio de n plizas de seguros. o Bajo la notacin e hiptesis usuales, demuestre que el nmero esperado de o o u reclamaciones es q1 + + qn . 2. A partir de la frmula encontrada para MS (t) en el modelo individual de o riesgo, encuentre nuevamente las expresiones para E(S) y Var(S). 3. Para un modelo individual de riesgo, encuentre la distribucin de probabilidad o del n mero total de reclamaciones en una cartera de n asegurados cuando Dj u
Cap tulo 1. Modelo individual vs modelo colectivo tiene distribucin Ber(q), es decir, qj = q > 0 es constante. o
25
4. Considere el modelo individual de riesgo en donde Dj tiene distribucin o Ber(q), es decir, qj = q > 0 es constante. Suponga adems que cada reclamaa cin Cj es constante c > 0, es decir, se trata de una misma suma asegurada o para todos. Encuentre una expresin para la esperanza y la varianza de S. o 5. Considere el modelo individual para un portafolio de n plizas de seguros de o vida. Suponga que el j-simo asegurado tiene una suma asegurada constante e zj . Demuestre que
n
a) E(S) = b) Var(S) =
qj zj .
j=1 n 2 qj pj zj . j=1
6. Encuentre una expresin para E(S 2 ) y E(S 3 ) cuando S sigue un modelo o individual de riesgo. 7. Para el modelo individual, suponga que Dj tiene distribucin Ber(q), es decir, o qj = q > 0 es constante. Encuentre la distribucin del riesgo S cuando n = 3 o y Cj tiene la siguiente distribucin de probabilidad o P (Cj = 1) = P (Cj = 2) = P (Cj = 3) = 0.6, 0.3, 0.1.
8. Considere un portafolio de 21 plizas individuales de seguros de vida vlidas o a por un a o como se indica en la tabla que aparece abajo. Usando el modelo n individual calcule E(S) y Var(S).
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
9. Sean qj,0 , qj,1 y qj,2 las probabilidades de que el j-simo asegurado presente e 0, 1 y 2 reclamaciones respectivamente durante el tiempo de vigencia del seguro. Suponga que cada una de las posibles reclamaciones de la pliza j o
26
1.5. Ejercicios es constante zj y que qj,0 + qj,1 + qj,2 = 1. Encuentre frmulas para E(S) y o Var(S) en el modelo individual.
10. Una compa aseguradora tiene una cartera con plizas de seguros de vida y na o diferentes sumas aseguradas como se muestra en la tabla que aparece abajo. Calcule E(S) y Var(S) usando el modelo individual.
Suma asegurada $10,000 $20,000 $30,000 Nmero u de plizas o 50 75 100 Probabilidad de reclamacin o 0.0040 0.0035 0.0030
11. Para el modelo individual, suponga que Dj tiene distribucin Ber(q), es decir, o qj = q > 0 es constante, y que cada reclamacin Cj tiene distribucin exp(). o o Encuentre la distribucin de probabilidad del riesgo S. o
Modelo colectivo 12. A partir de la frmula encontrada para MS (t) en el modelo colectivo de riesgo, o encuentre nuevamente las expresiones para E(S), E(S 2 ) y Var(S). 13. Considere el modelo colectivo de riesgo S = j=1 Yj , en donde N tiene distribucin Poisson() y Y sigue una distribucin log normal(m, 2 ). Demuestre o o que a) E(Y ) = exp( 2 /2 + m). b) n = exp(nm + n2 2 /2). c) Var(Y ) = (e 1) exp( 2 + 2m). d) E(S) = exp( 2 /2 + m). e) Var(S) = exp(2 2 + 2m). E[(S E(S))3 ] 1 f) 3 = = exp(3 2 /2). [Var(S)]3/2 Modelo binomial compuesto 14. Demuestre las frmulas para el modelo binomial compuesto de la pgina 17. o a
2
27
15. Sean S1 y S2 dos riesgos independientes con distribucin binomial compuesta o con parmetros (n1 , p) y (n2 , p) respectivamente. Suponga que los montos de a las reclamaciones de cada uno de estos riesgos son Y (1) y Y (2) con idntica e distribucin G(x). Demuestre que el riesgo S = S1 + S2 tambin sigue una o e distribucin binomial compuesta con parmetros (n1 +n2 , p) y la distribucin o a o del monto de las reclamaciones para S es nuevamente G(x).
Modelo binomial negativo compuesto 16. Demuestre las frmulas para el modelo binomial negativo compuesto de la o pgina 18. a
Modelo Poisson compuesto 17. Demuestre las frmulas para el modelo Poisson compuesto de la pgina 18. o a 18. Demuestre las frmulas para el modelo Poisson compuesto asociado de la o pgina 19. a 19. Sean F1 y F2 dos funciones de distribucin con funciones generadoras de o momentos M1 y M2 respectivamente. Demuestre que para cualquier [0, 1], la funcin F1 + (1 )F2 es una funcin de distribucin cuya funcin o o o o generadora de momentos asociada es M1 + (1 )M2 . Este resultado fue utilizado en el anlisis de la suma de dos riesgos con distribucin Poisson a o compuesta. 20. Sean S1 , . . . , Sn riesgos independientes con distribucin Poisson compuesta o con parmetros 1 , . . . , n , respectivamente. Suponga que los montos de las a reclamaciones de estos riesgos son Y (1) , . . . , Y (n) , con funcin de distribucin o o G1 (x), . . . , Gn (x), respectivamente. Demuestre que el riesgo S = S1 + + Sn tambin sigue una distribucin Poisson compuesta con parmetro = 1 + e o a + n , y la funcin de distribucin de las reclamaciones de S es G(x)= o o 1 n G1 (x)+ + Gn (x). 21. Sean X1 , X2 , . . . independientes cada una de ellas con distribucin Bernoulli(q), o y sea X0 = 0. Sea N con distribucin Poisson() independiente de las variao N bles X. Demuestre que la variable X = i=0 Xi tiene distribucin Poisson(q). o
28
1.5. Ejercicios Esta variable tiene la siguiente interpretacin: Si N representa el total de sio niestros ocurridos y cada siniestro es reportado con probabilidad q, entonces X representa el total de siniestros ocurridos reportados.
22. Sea Y una variable aleatoria con funcin de distribucin F (y), y sean a < b o o tales que F (a) < F (b). Demuestre que la funcin de distribucin condicional o o de Y dado el evento (Y (a, b]) es si y < a, 0 F (y) F (a) si a y b, F (y | Y (a, b]) = F (b) F (a) 1 si y > b. Este resultado fue utilizado en la siguiente armacin: Si el monto de una o reclamacin Y tiene funcin de distribucin F (y), entonces dado que la reo o o clamacin Y toma valores en el intervalo (a, b], Y tiene funcin de distribucin o o o condicional la especicada.
Cap tulo 2
Frmula de Panjer y o algunos mtodos de aproximacin e o
En este cap tulo se presenta la famosa frmula de Panjer. Este resultado proporcioo na una expresin exacta, aunque recursiva, de la distribucin de probabilidad de un o o riesgo en el modelo colectivo, y es vlida cuando la distribucin del n mero de reclaa o u maciones y los montos cumplen ciertas condiciones. Se presentan adems algunos a mtodos de aproximacin generales para estimar la distribucin de un riesgo. e o o
2.1.
Frmula de Panjer o
Primeramente se enuncia la condicin que debe satisfacer el n mero de reclamao u ciones N para obtener la frmula de Panjer. o
29
30
2.1. Formula de Panjer
Proposicin. Sea N una variable aleatoria discreta con valores en {0, 1, . . .} o y sea pk = P (N = k) para k = 0, 1, . . . Sean a y b dos constante. Entonces la igualdad b pk = (a + ) pk1 (2.1) k se cumple cuando 1. N es bin(n, p), con a = p/(1 p) y b = (n + 1)p/(1 p). 2. N es Poisson(), con a = 0 y b = . 3. N es bin neg(, p), con a = 1 p y b = ( 1)(1 p). La demostracin de este resultado es inmediata despus de algunos clculos aritmtio e a e cos sencillos, y se dejan como ejercicio al lector. La identidad (2.1) puede usarse para generar la distribucin de probabilidad de estas variables aleatorias discretas o de una forma recursiva. Supondremos entonces que el n mero de reclamaciones N u cumple con la condicin (2.1) y la proposicin establece que tal condicin es vlida o o o a para las tres distribuciones se aladas. n Recordando la notacin e hiptesis del modelo colectivo de riesgo S = j=1 Yj , o o denido en el cap tulo anterior, tenemos las siguientes hiptesis y notacin adicioo o nales. Supondremos que las reclamaciones Yj son tales que P (Yj N) = 1, lo cual no es ning n problema pues puede considerarse que las reclamaciones se efect an u u en unidades monetarias, cualesquiera que stas sean. En los clculos siguientes e a usaremos los siguientes s mbolos. Notacin: o pk = P (N = k) fr = P (Y = r) gr = P (S = r)
k fr = P (Y1 + + Yk = r) N
k = 0, 1, . . . r = 1, 2, . . . r = 0, 1, . . . r = 1, 2, . . .
En particular
r1 (k+1) fr = (f k f )r =
fik fri .
i=1
Cap tulo 2. Formula de Panjer y mtodos de aproximacion e Adems g0 = P (S = 0) = P (N = 0) = p0 , y para r 1, a gr = =

k=1
31
P (S = r)
P (S = r | N = k)P (N = k)
k f r pk .
=
k=1
Proposicin. Bajo la notacin e hiptesis anteriores, se cumplen las siguientes o o o propiedades:

k
1. E( Y1 |
Yi = r ) =
i=1 r1
r , para k 1. k bi (k1) )f fi , para k 2. r ri
k 2. pk fr = pk1 i=1
(a +
Demostracin. Para el primer inciso, o

k
E( Y1 |
Yi = r ) =
i=1
1 k
k j=1
E( Yj |
k
Yi = r )
i=1 k
= =
1 E( k r . k
j=1
Yj |
Yi = r )
i=1
32
2.1. Formula de Panjer
Para el segundo inciso desarrollamos el lado derecho,

r1
pk1
i=1
(a +
bi (k1) )f fi r ri
= pk1
i=1 r
(a + (a +
i=1 r
bi )P (Y2 + + Yk = r i)P (Y1 = i) r bi )P (Y1 = i, Y2 + + Yk = r i) r bi )P (Y1 = i, Yj = r) r j=1 bi )P (Y1 = i | r

k k Yj = r)fr j=1 k k Yj = r)fr j=1 k
= pk1 = pk1
i=1 r
(a +
= pk1
i=1
(a +
= pk1 E(a + = pk1 (a +

k = pk f r
bY1 | r
b k )f k r
Ahora estamos listos para enunciar y demostrar la frmula de Panjer, demostrada o en 1981. Teorema (Frmula de Panjer). Para el modelo colectivo de riesgo, y bajo o las hiptesis y notacin arriba enunciados, la probabilidad gr = P (S = r) o o est dada por a
r
gr g0
=
i=1
(a +
bi ) fi gri , r
para r 1.
= p0 .
Cap tulo 2. Formula de Panjer y mtodos de aproximacion e Demostracin. Para r 1, o
33
gr
=
k=1
P (S = r | N = k)P (N = k)
k pk f r
=
k=1
p1 f r +
k=2
k pk f r r1
(a + b)p0 fr +
k=2 i=1 r1
(a +
bi (k1) )pk1 fri fi r
bi (a + b)p0 fr + (a + )fi r i=1

r1
pk1 fri
k=2
(k1)
= =
(a + b)p0 fr +
i=1 r
(a +
bi )fi gri r
(a +
i=1
bi )fi gri . r
Nota: Cuando se desee considerar que los montos de reclamaciones toman valores continuos, puede usarse el resultado anterior para encontrar cotas para la distribucin del riesgo. Para ello se toma cualquier > 0, y se denen las reclamaciones o enteras y Yj Yj = {n N : Yj n}, nf = sup {n N : Yj n},
en donde = 0. Por ejemplo, para la situacin que se muestra en la Figura 2.1 nf o se tiene que Y j = 4, y Y j = 3. Se denen entonces los riesgos cuyas reclamaciones ahora son enteras: S = yS=
N j=1 N j=1
Y j,
Y j . Observe que S S S. Por lo tanto P (S x/) P (S x) P (S x/).
34
2.2. Aproximacion normal
Yj 0 2 3 4 5 n
Figura 2.1: En las siguientes secciones estudiaremos algunos mtodos generales para aproximar e la distribucin de probabilidad de un riesgo en el modelo colectivo. o
2.2.
Aproximacin normal o
Si el n mero de reclamaciones N es grande, entonces el teorema del l u mite central sugiere aproximar la distribucin del riesgo S mediante la distribucin normal. Es o o decir, para x > 0, P (S x) = P ( x E(S) x E(S) S E(S) ) ( ). Var(S) Var(S) Var(S)
Substituyendo las expresiones generales para la esperanza y varianza de S se tiene el siguiente resultado. Proposicin. (Aproximacin normal). Para cualquier x > 0, o o P (S x) ( x E(N ) ). (2.2)
Var(N )2 + E(N )Var(Y )
Se puede particularizar esta aproximacin cuando la distribucin de N es conoo o cida. Cuando el n mero de reclamaciones N sigue una distribucin Poisson con u o parmetro , la aproximacin (2.2) adquiere la expresin simple a o o x P (S x) ( ). 2 Cuando N es bin(n, p), (2.2) se escribe P (S x) ( x np ). np(2 2 p)
Cap tulo 2. Formula de Panjer y mtodos de aproximacion e En el caso cuando N es bin neg(, p) se tiene que (2.2) es P (S x) ( x (1 p)/p ). (1 p)[2 /p + (1 p)2 /p2 ]
35
2.3.
Aproximacin gama trasladada o
Esta aproximacin consiste en substituir la distribucin del riesgo S por la distribuo o cin de la variable aleatoria k + Z, en donde k es una constante y Z es una variable o aleatoria con distribucin gama(, ). Para ello se deben escoger adecuadamente o valores para los tres parmetros k, y que determinan la distribucin de k + Z. a o Supongamos conocidas o estimadas las siguientes cantidades a) E(S) = m. b) Var(S) = 2 . c) E[(S E(S))3 ] = 3 . [Var(S)]3/2
La correspondiente media, varianza y coeciente de asimetr de la variable k + Z a es a) E(k + Z) = k + /. b) Var(k + Z) = /2 . c) E[(k + Z E(k + Z))3 ] = 2/ . [Var(k + Z)]3/2
Haciendo coincidir estas tres cantidades para ambas variables aleatorias se obtiene el sistema de ecuaciones 2 k + = m, = 2 , = 3 , 2 cuya solucin es o k =m 2 , 3 = 4 , 2 3 = 2 . 3
36
2.4. Aproximacion de Edgeworth
De esta forma se tiene la aproximacin siguiente. o Proposicin. (Aproximacin gama trasladada). El riesgo S tiene distrio o bucin aproximada o 2 2 4 + gama( 2 , ). m 3 3 3
2.4.
Aproximacin de Edgeworth o
Considere un cierto riesgo S con esperanza m y varianza nita 2 . Dena la variable Z = (S m)/. Suponga que la funcin generadora de momentos de Z existe y es o MZ (r). La serie de Taylor de ln MZ (r) alrededor de cero es ln MZ (r) = a0 + a1 r + en donde ak =
dk dr k
a2 2 a3 3 a4 4 r + r + r + 2! 3! 4!
ln MZ (r) a0 a1 a2 a3 a4
r=0
. En particular
= 0, = E(Z) = 0, = Var(Z) = 1, = E[(Z E(Z))3 ], E[(S E(S))4 ] = 3. Var2 (S)
La aproximacin de Edgeworth consiste en truncar la serie de Taylor de ln MZ (r). o Por ejemplo, la aproximacin hasta la cuarta potencia de r es o ln MZ (r) Entonces MZ (r) r2 a3 a4 + r3 + r4 ) 2! 3! 4! a3 3 a4 4 r 2 /2 = e exp( r + r ). 6 24 exp( r2 a3 a4 + r3 + r4 . 2! 3! 4!
Cap tulo 2. Formula de Panjer y mtodos de aproximacion e
37
Ahora se usa la serie ex = 1 + x + x2 /2! + x3 /3! + en el segundo factor y se obtiene MZ (r) = a3 3 a4 4 a2 6 r + r + 3r ) 6 24 72 a3 3 r2 /2 a4 4 r2 /2 a3 6 r2 /2 r 2 /2 e + r e + r e + 3r e . 6 24 72 er

2
/2
(1 +
(2.3)
El siguiente paso es invertir cada trmino de esta ecuacin encontrando la distrie o bucin correspondiente. Primeramente tenemos que o er
2
/2
erx (x)dx,
en donde (x) es la funcin de densidad de la distribucin normal estndar. Es o o a r 2 /2 decir e es la f.g.m. de la distribucin N(0, 1). Multiplicando por r tenemos que o rer
2
/2
rerx (x)dx ( d rx e )(x)dx dx erx (x)dx.
= =
2
Lo anterior dice que rer /2 es la transformada de Laplace de (x). Usamos aqui el trmino transformada de Laplace y no f.g.m. pues la funcin (x) no es una e o funcin de densidad Mediante este procedimiento se puede demostrar que para o cualquier n mero natural n, u r n er
2
/2
= (1)n
erx (x)(n) dx,
indicando nuevamente que la funcin rn er /2 es la transformada de Laplace de o (1)n (x)(n) . Por lo tanto, invirtiendo trmino a trmino la igualdad (2.3) se obe e tiene a3 a4 a2 fZ (z) (z) (3) (z) + (4) (z) + 3 (6) (z). (2.4) 6 24 72 La funcin de densidad de S = m + Z es entonces f (x) = o tanto se tiene el siguiente resultado.
1
fZ ( xm ), y por lo
38
2.5. Ejercicios
Proposicin. (Aproximacin de Edgeworth). La funcin de densidad del riesgo o o o S con media m y varianza 2 es f (x) 1 xm a3 xm a4 xm a2 xm [ ( ) (3) ( ) + (4) ( ) + 3 (6) ( ) ]. 6 24 72
Integrando (2.4) esta aproximacin puede escribirse de la siguiente forma o FZ (z) (z) a3 (3) a4 a2 (z) + (4) (z) + 3 (6) (z), 6 24 72
en donde derivando directamente se puede demostrar que (3) (z) = (4) (z) = (6) (z) =
2 1 (z 2 1)ez /2 , 2 2 1 (z 3 + 3z)ez /2 , 2 2 1 (z 5 + 10z 3 15z)ez /2 . 2
2.5.
Ejercicios
Aproximacin normal o 23. Suponga que un cierto riesgo S tiene una distribucin Poisson compuesta o con parmetro = 30, en donde los montos de las reclamaciones siguen una a distribucin uniforme(0, 10). Use la aproximacin normal para encontrar el o o valor de la prima p tal que a) P (S > p) 0.05. b) P (S > p) 0.01. 24. Suponga que un riesgo S sigue una distribucin Poisson compuesta con o parmetro = 20, y los montos de las reclamaciones tienen distribucin a o exp() con = 10. Use la aproximacin normal para estimar la probabilidad o P (S > E(S)).
Cap tulo 2. Formula de Panjer y mtodos de aproximacion e
39
25. Suponga que un riesgo S sigue una distribucin Poisson compuesta con o parmetro = 20 y los montos de las reclamaciones tienen distribucin a o Pareto(4, 3). Compruebe que el valor de la prima p que cumple P (S > p) 0.01 es p = 38.0194 . Aproximacin gama trasladada o 26. Durante la derivacin de la aproximacin gama trasladada se usa el heo o cho de que la variable aleatoria k + Z, en donde Z tiene una distribucin o gamma(, ), tiene media, varianza y coeciente de asimetr k + /, /2 a y 2/ respectivamente. Demuestre estas frmulas. o 27. Durante la derivacin de la aproximacin gama trasladada se llega al sistema o o de ecuaciones k + / = m, /2 = 2 y 2/ = 3 , en donde k, y son las incgnitas. Demuestre que la solucin a este sistema es efectivamente o o k = m 2/3 , = 4/2 y = 2/3 . 3 28. Encuentre una expresin para la aproximacin gama trasladada cuando el o o riesgo sigue una distribucin o a) Poisson compuesta. b) binomial compuesta. c) binomial negativa compuesta. 29. Suponga que Z tiene una distribucin gama(, ). Demuestre que si 2 es un o n mero entero natural, entonces 2Z tiene una distribucin 2 (2). u o
Aproximacin de Edgeworth o 30. Suponga que S tiene una distribucin Poisson compuesta con parmetro > o a 0 y que se desea usar la aproximacin de Edgeworth para S. Demuestre que o ak = dk ln MZ (r) drk = k (2 )k/2 , para k 2.
r=0
40
En consecuencia P (S x)
2.5. Ejercicios
x 3 (2 )3/2 (3) x ) ) ( ( 6 2 2 4 (2 )2 (4) x + ) ( 24 2 2 2 (2 )3 (6) x 3 + ( ). 72 2
31. Suponga que S tiene una distribucin Poisson compuesta con parmetro o a > 0 y que se desea usar la aproximacin de Edgeworth para S. Supono ga adicionalmente que el monto de las reclamaciones siguen una distribucin o Pareto(4, 3). Demuestre que 4 = , y por lo tanto la frmula del ejercicio o anterior no puede aplicarse.
Cap tulo 3
Principios para el clculo de primas a
Hemos mencionado antes que una prima es un pago por adelantado que un asegurado realiza a una compa aseguradora para obtener una cobertura parcial o na completa contra un riesgo determinado en los trminos y condiciones que establece e la pliza del seguro. En este cap o tulo vamos a estudiar algunas reglas generales para calcular el valor de una prima tomando en consideracin unicamente los aspectos o matemticos del riesgo, es decir, no consideraremos cuestiones administrativas o a mercadolgicas del negocio del seguro, las cuales en situaciones prcticas son indiso a pensables de considerar. Denotaremos por p, o pS , la prima para cubrir un riesgo S. De esta manera, a la frmula para calcular una prima se le puede considerar o como una funcin numrica de la variable aleatoria S o de su distribucin. o e o
3.1.
Principios generales
La prima pura de riesgo est dada por p = E(S). Aunque esta frmula para calcular a o una prima podr parecer justa para el asegurado, no lo es as para el asegurador, a quien debe solventar los diversos gastos de administracin del seguro, y quien por o otro lado no tendr ning n margen de ganancia promedio por operar el negocio a u del seguro. Veremos a continuacin la posible situacin catastrca que puede preo o o sentarse en este caso. Considere un portafolio homogneo de n plizas de seguro de e o un mismo riesgo y vlidas por un tiempo determinado. Suponga que se cobra una a misma prima p por cada pliza, y que Sj representa el monto de las reclamaciones o efectuadas por la pliza j, las cuales se presuponen independientes y con idntica o e 41
42
3.1. Principios generales
distribucin. Si u es el capital inicial de la aseguradora, entonces el capital de la o misma al trmino de la vigencia de las plizas es e o
n
Xn = u + np
Sj .
j=1
Tomando esperanza en la ecuacin anterior, y suponiendo p = E(S) se obtiene o E(Xn ) = u + n (p E(S)) = u. Es decir, en promedio la compa aseguradora permanece con su capital inicial, na sin embargo puede demostrarse que cuando n , l sup Xn = l inf Xn = . m m
n n
Esto quiere decir que el capital Xn puede oscilar y tomar valores grandes, tanto negativa como positivamente. Cuando p = E(S) la variable Xn tiene el siguiente comportamiento l mite: l Xn = m + si p > E(S), si p < E(S).
En vista de estos resultados, es natural y deseable suponer p > E(S). Esta condicin o se conoce con el nombre de condicin de ganancia neta (net prot condition), y o debe prevalecer en cualquier mtodo para calcular p. e Veremos a continuacin algunos mtodos generales para calcular el valor de p consio e derando unicamente las caracter sticas estocsticas del riesgo a cubrir S. En general a no existe un mecanismo de clculo que sea el mejor pues existen varias condicioa nes que afectan la forma de calcular primas, entre ellas, las restricciones legales y nancieras, las condiciones del asegurado, las condiciones de la propia aseguradora y de las otras aseguradoras como competidoras y las condiciones del mercado del seguro son todos estos factores que determinan, directa o indirectamente, el valor de una prima para cubrir un riesgo particular en una situacin real. o Principio del valor esperado. Este principio es uno de los ms sencillos y estaa blece que la prima puede calcularse de la siguiente forma p = (1 + )E(S),
Cap tulo 3. Principios para el calculo de primas
43
en donde > 0 es una constante llamada factor de recargo (safety loading). Es decir, se trata de la reclamacin promedio mas un porcentaje de sta. Una o e desventaja de esta frmula es que asigna la misma prima a dos riesgos con distinta o distribucin pero con media com n, y no toma en cuenta otro aspectos. Por ejemplo, o u si las varianzas de los riesgos fueran distintas, entonces las primas tal vez deber an ser distintas. Principio de la varianza. Este principio hace uso de la esperanza y varianza del riesgo de la siguiente forma p = E(S) + Var(S). En este caso el factor de recargo > 0 se aplica sobre la varianza. Principio de la desviacin estndar. Sea nuevamente > 0 una constante. En o a este principio el factor de recargo se aplica sobre la desviacin estndar del riesgo, o a es decir, p = E(S) + Var(S). Principio de utilidad cero. Este principio hace uso de una funcin de utilidad, o esto es, una funcin v(x) que cumple las siguientes propiedades: o
v(x)
a) v(0) = 0. b) v(x) es estrictamente creciente. c) v(x) es estrictamente cncava. o

Funcin cncava o o
El principio de utilidad cero establece que la prima es aquel n mero p que satisface u la ecuacin o v(u) = E[v(u + p S)], (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 idntica a la utilidad esperada al e cubrir el riesgo. Se puede demostrar que si existe una solucin a (3.1), sta es unica o e y que si S no es constante, es decir P (S = E(S)) < 1, entonces p > E(S). Principio del valor medio. Este principio hace uso de una funcin de valor, esto o es, una funcin v(x) que cumple las siguientes propiedades: o
44
3.1. Principios generales

v(x)
a) v(0) = 0. b) v(x) es estrictamente creciente. c) v(x) es estrictamente convexa.

Funcin convexa o
El principio del valor medio establece que la prima p debe calcularse a partir de la igualdad v(p) = E[v(S)]. (3.2) Usando la desigualdad de Jensen puede demostrarse que si P (S = E(S)) < 1, entonces p > E(S). Principio exponencial. Este es el principio de utilidad cero aplicado a la funcin o de utilidad particular u(x) = 1 ex , con > 0. La prima se calcula como aquel valor de p que es solucin de la ecuacin o o 1 eu = E[1 e(u+pS) ]. Despus de algunos clculos, de esta igualdad se obtiene fcilmente la expresin e a a o p= 1 ln MS (). (3.3)
A diferencia del caso general del principio de utilidad cero, en este caso p es independiente del capital inicial u. El principio exponencial es idntico al principio del e valor medio aplicado a la funcin de valor particular v(x) = ex 1 con > 0. Bajo o este principio, la igualdad ep 1 = E(eS 1) lleva a la misma solucin (3.3). o Principio del porcentaje. Sea > 0 una constante. El principio del porcentaje sugiere que la prima p debe calcularse como aparece abajo. Esta frmula postula o que la probabilidad de que una reclamacin exceda el monto de la prima debe ser o e peque o. A este principio tambin se le conoce tambin como principio de prdida n e e mxima. a p = nf{x > 0 : P (S > x) }. Principio de Esscher. Antes de establecer este principio es necesario primero denir la transformada de Esscher de una distribucin. Sea S un riesgo con funcin o o de densidad f (x), funcin de distribucin F (x), y para la cual existe la funcin o o o
45
generadora de momentos MS (h), para algunos valores de h > 0. La transformada de Esscher con parmetro h de la funcin de densidad f (x) es a o g(x) = 1 ehx f (x). MS (h)
Es inmediato comprobar que sta es efectivamente una funcin de densidad con e o correspondiente funcin de distribucin o o G(x) = 1 MS (h)
x
ehy f (y) dy.

0
A esta funcin tambin se le llama la transformada de Esscher de la funcin de o e o distribucin F (x). Llamemos S a un variable aleatoria asociada a esta funcin o o de distribucin. Algunos clculos sencillos muestran que la funcin generadora de o a o momentos de esta nueva variable aleatoria est dada por a MS (t) = MS (t + h) . MS (h)
El principio de Esscher establece entonces que la prima para cubrir el riesgo S es la esperanza de esta nueva distribucin de probabilidad llamada transformada de o Esscher de parmetro h, es decir, a p= E(SehS ) MS (h)
Principio del riesgo ajustado. Este principio, as como el de Esscher, est basado a en una transformacin de la distribucin del riesgo. Para un riesgo S con funcin o o o de distribucin F (x) se dene una nueva funcin de distribucin de la siguiente o o o forma G(x) = 1 (1 F (x))1/ , en donde 1 es un parmetro conocido como el ndice del riesgo. La esperanza de a esta nueva distribucin es la prima del principio del riesgo ajustado para el riesgo o S, es decir,

p=
0
(1 G(x)) dx =
(1 F (x))1/ dx.
46
3.2. Propiedades
3.2.
Propiedades
En esta seccin se enuncian algunas propiedades generales que son deseables que o posea cualquier mtodo para calcular primas. e Simplicidad. El clculo de la prima debe ser fcil de calcular, por ejemplo, los a a principios del valor esperado, el de la varianza y el de la desviacin estndar cumo a plen plenamente esta primera propiedad. La simplicidad en el clculo de la prima a es deseable que se cumpla por varias razones, entre ellas est el aspecto prctico del a a clculo mismo, as como el de lograr una cabal comprensin del clculo de la prima a o a 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 la prima de riesgo, es decir, p > E(S), en otras palabras, las primas deben tener siempre un recargo positivo. Consistencia. Si un riesgo se incrementa en una constante, entonces la prima debe reejar ese cambio incrementndose en la misma cantidad, es decir, si c > 0 es una a constante, entonces p(S + c) = p(S)+ c. Los principios de varianza, de la desviacin o estndar, de utilidad cero y el principio exponencial cumplen con esta propiedad. a Aditividad. La prima de un portafolio consistente en dos riesgos independientes debe ser la suma de las primas individuales, es decir, p(S1 + S2 ) = p(S1 ) + p(S2 ), 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 p(aS) = aP (S), es decir, si la cuanticacin del riesgo S cambia de escala y se considera ahora el o riesgo aS, la prima para este nuevo riesgo debe ser ap(S), es decir, la prima original modicada con la misma escala. Cota superior. Si un riesgo est acotado superiormente, entonces la prima para a cubrir este riesgo tambin debe tener la misma cota superior, es decir, si S M e para alguna constante M > 0, entonces p(S) M .
47
3.3.
Ejercicios
Principio de utilidad cero 32. Sean a > 0 y > 0 constantes. Demuestre que la funcin v(x) = a(1 ex) o denida para x 0, es una funcin de utilidad y que usada bajo el principio o de utilidad cero determina que la prima para cubrir un riesgo S debe ser 1 p = ln MS (). Principio del valor medio 33. Suponga que un riesgo S tiene distribucin exp(). Use el principio del valor o medio para calcular la prima para cubrir este riesgo usando la funcin de o valor v(x) = x2 .
Principio del porcentaje 34. Usando el principio del porcentaje con (0, 1), calcule la prima para cubrir un riesgo S con distribucin exp(). o
Principio de Esscher 35. Calcule la transformada de Esscher de parmetro h de la distribucin Poisson(). a o 36. Demuestre que la transformada de Esscher de parmetro h de un riesgo S a con distribucin exp() es nuevamente la distribucin exp( h) para h < . o o Determine entonces la prima por el principio de Esscher para cubrir el riesgo S.
Principio del riesgo ajustado 37. Demuestre que la transformada del principio del riesgo ajustado de parmea tro de un riesgo S con distribucin exp() es nuevamente la distribucin o o
48
3.3. Ejercicios exp(/). Determine entonces la prima por este principio para cubrir el riesgo S.
38. Demuestre que la transformada del principio del riesgo ajustado de parmetro a de un riesgo S con distribucin Pareto(a, b) es nuevamente la distribucin o o Pareto(a/, b). Determine la prima para cubrir S usando este principio. 39. Calcule la prima para cubrir un riesgo S con distribucin unif(0, 1), usando o el principio del riesgo ajustado con ndice de riesgo .
Propiedades 40. Complete la siguiente tabla determinando si cada uno de los principios mencionados para calcular primas cumple la propiedad correspondiente. En cada caso demuestre su armacin o proporcione un contraejemplo. o
Cota inf Valor esperado Varianza Desv estndar a Utilidad cero Valor medio Exponencial Porcentaje Esscher Riesgo ajustado Consistencia Aditividad Invarianza Cota sup
Cap tulo 4
Reaseguro
El reaseguro se presenta cuando una aseguradora rma un contrato para cubrir ciertos riesgos con otra compa aseguradora llamada reaseguradora. De esta manera na ambas aseguradoras adquieren la obligacin de solventar las posibles reclamacioo nes del riesgo en cuestin. Desde el punto de vista de la aseguradora, el reaseguro o le ayuda a evitar posibles fuertes montos en las reclamaciones, aunque naturalmente disminuyen sus ingreso por primas pues tiene que compartir stas con la e reaseguradora. En este cap tulo se estudian algunas ideas simples y generales del reaseguro. Considere 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 trminos e Asegurador y Reasegurador, respectivamente. Debe entonces cumplirse la igualdad S = S A + S R . El reaseguro puede tomar 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:
49
50
4.1. Reaseguro proporcional
En ambos esquemas de reaseguro se aplica una funcin continua h del intervalo o [0, ) en s mismo tal que h(0) = 0 y h(x) x. Las dos funciones de este tipo que consideraremos son h(x) = ax para a (0, 1), y h(x) = m n{x, M }, para alguna constante M > 0. Grcamente estas funciones se muestran a la Figura 4.2. a
h(x) = ax M
h(x) = m n{x, M }
x M
Figura 4.2: Bajo el esquema de reaseguro, la aseguradora afronta unicamente el riesgo resul tante de aplicar la funcin h al riesgo original o a cada una de sus reclamaciones. o 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 continuacin estos dos tipos de reaseguro. o
4.1.
Reaseguro proporcional
N Suponga que una compa aseguradora reasegura un riesgo S = na j=1 Yj . En el reaseguro proporcional se usa la funcin h(x) = ax, para alg n valor de la o u constante a en el intervalo (0, 1). Usando la linealidad de esta funcin, es claro que o es equivalente aplicar la funcin a cada reclamacin por separado Yj , o al riesgo o o completo S. Dada una reclamacin Yj , la aseguradora hace frente a una proporcin o o de sta, es decir, aYj , y la reaseguradora cubre el porcentaje restante, es decir, e (1 a)Yj . El riesgo total asumido por la aseguradora es aS, y la reaseguradora
Cap tulo 4. Reaseguro cubre (1 a)S pues

N
51
SA
R
=
j=1 N
a Yj = aS,
=
j=1
(1 a) Yj = (1 a)S.
Las caracter sticas probabil sticas de S A = aS se encuentran fcilmente de las de a S pues es inmediato comprobar que a) FS A (x) = FS (x/a).
1 b) fS A (x) = a fS (x/a), cuando S es absolutamente continua.
c) MS A (r) = MS (ar). Probabilidad de insolvencia. Comprobaremos a continuacin que el reaseguro o 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 aseguradora na adquiere un riesgo S durante un cierto periodo y por el cual cobra una prima p. Suponga esta aseguradora tiene un capital inicial u. La probabilidad de que la compa aseguradora no pueda solventar el riesgo es P (S > p+u). Ahora suponga que na la compa decide reasegurarse mediante el esquema de reaseguro proporcional. na Suponga adems que el asegurador obtiene una parte de la prima original p dada a por ap, y el reasegurador obtiene al aceptar reasegurar este riesgo (1 a)p. La probabilidad de que la aseguradora no pueda solventar el nuevo riesgo bajo este esquema es P (aS > ap + u) = P (S > p + u/a) P (S > p + u). 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.
52
4.2. Reaseguro no proporcional
4.2.
Reaseguro no proporcional
En el reaseguro no proporcional se toma la funcin h(x) = m o n{x, M }, para alguna constante M > 0 llamada nivel de retencin. Distinguiremos dos casos: cuando se o aplica esta funcin a cada reclamacin y cuando se aplica sobre el total del riesgo. o o Reaseguro en cada reclamacin. Si se aplica la funcin h(x) a cada reclamacin o o o Yj , entonces el asegurador cubre YjA = m n{Yj , M }, y el reasegurado cubre el monto restante YjR = Yj m n{Yj , M } = mx{0, Yj M }. Por lo tanto, cada una de las a aseguradoras asume los siguientes riesgos
N
SA SR
=
j=1 N
m n{Yj , M }, mx{0, Yj M }. a
=
j=1
A este esquema de reaseguro se le conoce tambin con el nombre de reaseguro por e exceso de prdida (excess of loss). e N mero de reclamaciones. Sea N A el n mero de reclamaciones que un aseguu u rador afronta bajo un reaseguro por exceso de prdida (excess of loss) con nivel de e retencin M , es decir, o
N
NA =
j=1
1(Yj M) .
El n mero de reclamaciones que el reasegurador atiende es entonces u

N
NR = N NA =
1(Yj >M) .
j=1
Encontraremos a continuacin la distribucin de probabilidad tanto de N A como o o de N R , cuando la distribucin de N es conocida para algunos casos particulares. o Proposicin. Sea = P (Yj > M ). Entonces o 1. si N tiene distribucin bin(n, p), entonces o a) N R bin(n, p).
Cap tulo 4. Reaseguro b) N A bin(n, (1 )p). 2. si N tiene distribucin Poisson(), entonces o a) N R Poisson(). b) N A Poisson((1 )).
53
3. si N tiene distribucin bin neg(, p), entonces o a) N R bin neg(, p/(p + p)). b) N A bin neg(, p/(p + (1 ) (1 )p)).
Demostracin. Se aplica la frmula MS (r) = MN (ln(MY (r)) cuando el riesgo S es o o la variable N R y Y es 1(YJ >M) . Primeramente MY (r) = E(erY ) = 1 + er . Entonces MN R (r) = MN (ln(1 + er )). Para el primer inciso, cuando N tiene distribucin bin(n, p) tenemos que MN (r) = (1 p + per )n . Por lo tanto o MN R (r) = (1 p + p(1 + er ))n = (1 p + per ). Es decir N R tiene distribucin bin(n, p). Anlogamente puede verse que N A tiene o a distribucin bin(n, (1)p). De la misma forma se demuestran los incisos dos y tres. o Recuerde que si N tiene distribucin Poisson(), entonces MN (r) = exp{(er 1)}, o y si N es bin neg(, p), entonces MN (r) = (p/(1 (1 p)er )) . Reaseguro en el riesgo completo. En este caso se aplica la funcin h(x) = o m n{x, M } sobre el total del riesgo S. De esta manera cada una de las aseguradoras cubren los riesgos SA SR = = m n{S, M },
S m n{S, M } = mx{0, S M }. a
De esta manera la aseguradora sabe que cubrir un monto mximo de M para el a a riesgo S. A este tipo de reaseguro se le llama reaseguro de prdida mxima (stop e a 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 1FS (M ), es decir, P (S A = M ) = 1FS (M ), y puede demostrarse que su funcin de distribucin es o o FS A (x) = FS (x) 1 si x < M, si x M.
54
4.2. Reaseguro no proporcional
Debido a su condicin de variable aleatoria mixta, la funcin de densidad del riesgo o o S A no puede expresarse como una funcin tradicional sino que hay que usar funo ciones generalizadas. El n-simo momento de S A , sin embargo, puede expresarse e de la siguiente forma suponiendo que S es absolutamente continua,
M
E[(S A )n ] =
0 R
xn fS (x) dx + M n (1 FS (M )).
Por su parte, la variable S tiene una masa de probabilidad en el punto 0 de valor FS (M ), es decir, P (S R = 0) = FS (M ), y su funcin de distribucin es o o FS R (x) = 0 si x < 0, FS (M + x) si x 0.
Nuevamente, no es posible escribir la funcin de densidad de S R en trminos trao e dicionales pero el n-simo momento adquiere la siguiente expresin, e o E[(S R )n ] =
0
xn fS (M + x) dx.
Es interesante notar que la variable S R puede tomar el valor 0 con probabilidad positiva y que en la prctica tal situacin no es relevante para la compa reasegua o na radora quien est interesada en los valores positivos de S R . No es dif comprobar a cil que la funcin de distribucin de S R condicionada a tomar valores positivos es, o o para x > 0, FS R | S R >0 (x) = P (S R x | S R > 0) = FS (M + x) FS (M ) . 1 FS (M )
A manera de resumen de los tipos de reaseguro mencionados se tiene el diagrama de la Figura 4.3. Seguros con deducible jo. Algunos tipos de seguros, como el seguro contra accidentes de automviles, contemplan el pago de una cantidad llamada deducible o cada vez que el asegurado presenta una reclamacin ante la compa aseguradora. o na En este caso particular estamos suponiendo que dicho deducible es una cantidad ja de d unidades monetarias, y que la reclamacin se modela con la variable aleatoria o S. Si el monto de la reclamacin es menor a d, el asegurado cubre la totalidad o de la reclamacin, es decir, no hay reclamacin para la aseguradora. En cambio, o o si el monto de la reclamacin excede el valor de d, entonces el asegurado paga el o deducible d y la aseguradora cubre la cantidad restante, es decir, mx{0, S d}. a
Cap tulo 4. Reaseguro
55
Proporcional Reclamaciones individuales Exceso de prdida e (excess of loss) Reaseguro Proporcional Total del riesgo Prdida mxima e a (stop loss)
Figura 4.3: De esta forma, los riesgos para este tipo de plizas de seguros se modelan con o las herramientas que hemos mencionado para el reaseguro de prdida mxima con e a nivel de retencin d. o
4.3.
Ejercicios
Reaseguro proporcional 41. Para un reaseguro proporcional demuestre que a) E(S A ) = a E(S). b) Var(S A ) = a2 Var(S). c) E[(S A E(S A ))3 ] E[(S E(S))3 ] = . [Var(S A )]3/2 [Var(S)]3/2
42. 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
56
4.3. Ejercicios que la probabilidad de insolvencia P (aS > ap + u) es una funcin creciente o de a (0, 1).
43. Suponga que un riesgo S se modela mediante la distribucin exp(). Demueso tre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A = aS tiene distribucin exp(/a). o 44. Suponga que un riesgo S se modela mediante la distribucin gamma(, ). o Demuestre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A = aS tiene distribucin gamma(, /a). o 45. Suponga que un riesgo S se modela mediante la distribucin log normal(, 2 ). o Demuestre que bajo un reaseguro proporcional el riesgo asumido por la aseguradora S A = aS tiene distribucin log normal( + ln a, 2 ). o
Reaseguro no proporcional 46. Considere un reaseguro no proporcional por exceso de prdida, y sean N A y e N R el n mero de reclamaciones afrontadas por el segurador y por el reaseu gurador respectivamente. a) Son N A y N R independientes? b) Son N y N A independientes? 47. Demuestre que bajo un reaseguro no proporcional de prdida mxima (stop e a loss), los riesgos S A y S R tienen las siguientes funciones de distribucin: o FS A (x) = FS (x) 1 si x < M, si x M. FS R (x) = 0 FS (M + x) si x < 0, si x 0.
48. Encuentre la funcin generadora de momentos de los riesgos S A y S R en el o caso de reaseguro no proporcional de prdida mxima (stop loss) suponiendo e a que el riesgo S sigue una distribucin exp(). o 49. Suponga que un riesgo S se modela mediante la distribucin exp(). Demueso tre que bajo un reaseguro no proporcional de prdida mxima (stop loss) se e a tiene que a) E(S A ) = b) E(S R ) =
1 M ). (1 e 1 M . e
Cap tulo 4. Reaseguro
57
50. Considere un riesgo S con distribucin Poisson compuesta de parmetro . o a Suponga que cada reclamacin Y tiene distribucin Pareto(, ). Se adquiere o o un reaseguro no proporcional por exceso de prdida en donde la reclamacin e o afrontada por la aseguradora es Y A = m n{Y, M }. Demuestre que
a) E(Y A ) = E(Y ) ( +M )1 E(Y ). b) E(S A ) = E(S) ( +M )1 E(S).
51. Suponga se tiene un riesgo de la forma S = j=1 Yj , seg n el modelo colecu tivo, en donde cada reclamacin se modela mediante una variable aleatoria o con distribucin exp(). Bajo un reaseguro no proporcional por exceso de o prdida con nivel de retencin M , el monto a pagar por la aseguradora por e o cada reclamacin es Y A = m o n{Y, M }. Demuestre que a) E(Y A ) = b) c)
1 M ). (1 e 2 2 M A 2 E((Y ) ) = 2 2 e 1 Var(Y A ) = 2 2M eM A
d) E(Y ) E(Y ).
2M M . e 1 2M . 2 e
e) Var(Y A ) Var(Y ).
Usando las frmulas generales encuentre ahora la esperanza y varianza de o N S A = j=1 m n{Yj , M }. 52. Suponga que el riesgo S sigue una distribucin exp(). Bajo el reaseguro o de prdida mxima (stop loss), demuestre que la distribucin del riesgo S R e a o condicionada al evento (S R > 0) es nuevamente exp(). 53. Suponga que el riesgo S sigue una distribucin Pareto(a, b). Bajo el reaseguro o de prdida mxima (stop loss), demuestre que la distribucin del riesgo S R e a o condicionada al evento (S R > 0) es Pareto(a, b + M ).
58
4.3. Ejercicios
Cap tulo 5
Teor de la credibilidad a
Considere un riesgo S proveniente de un conjunto de asegurados vigentes por un periodo determinado, t picamente un a o. Si este grupo de asegurados es homogneo n e en el sentido de que todos sus miembros tienen la misma probabilidad de realizar una reclamacin, entonces aplicar una misma prima a todos ellos es razonable. Sin o embargo, cuando el grupo no es homogneo, habr subgrupos de bajo riesgo y otros e a de alto riesgo. Cobrar una misma prima a todos ellos ser injusto, y no ser bueno a a para la aseguradora pues los asegurados de bajo riesgo buscar un mejor trato con an otras aseguradoras, y slo se quedar en la cartera los asegurados de alto riesgo. o an 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 a os anterion res. En la teor de la credibilidad se estudian mtodos para el clculo de primas a a e a travs de la combinacin de la experiencia individual (historial de reclamaciones) e o y la experiencia de grupo (comportamiento terico). o Considere por ejemplo, un seguro de automviles y distintas primas existentes de o acuerdo a la edad del asegurado. A n cuando un grupo de asegurados se considere u homogneo, las condiciones individuales de cada uno de ellos, o los desarrollos e tecnolgicos de los automviles u otros aspectos pueden hacer que un asegurado o o tenga eventualmente un comportamiento distinto al grupo en el que originalmente fue asignado.
59
60
5.1. Credibilidad completa
5.1.
Credibilidad completa
Considere un cierto riesgo S y sean S1 , . . . , Sm los montos de reclamaciones anuales efectuadas por un asegurado o grupo de asegurados durante m periodos consecuti vos. Sea S = (S1 + + Sm )/m el promedio de las reclamaciones. Si las variables S1 , . . . , Sm son independientes e idnticamente distribuidas, entonces la ley de los e grandes n meros garantiza que la variable S converge a la constante E(S), conforu me el n mero de sumandos crece a innito. El comportamiento de S como funcin u o de m es posiblemente oscilatorio alrededor de E(S), y eventualmente va a esta bilizarse en ese valor. La pregunta es Qu tan grande debe ser m para que S e est razonablemente cercano a E(S)? El siguiente es un posible criterio. e Denicin. Sean k (0, 1) y p (0, 1) dos n meros jos. Se dice que S tiene o u credibilidad completa (k, p) si P ( |S E(S)| kE(S) ) p. (5.1)
La condicin anterior establece que S tiene credibilidad completa (k, p) si dista o de E(S), en menos de kE(S) con probabilidad mayor o igual a p. Observe que la denicin tiene sentido cuando E(S) = 0. Naturalmente se toman valores de k o cercanos a cero y valores de p cercanos a uno, t picamente k =0.05 y p = 0.9 . La intencin es usar S como elemento para calcular la prima del asegurado, siempre y o cuando se tenga suciente historial para dar credibilidad a tal cantidad, el problema es entonces encontrar el valor de m. Credibilidad completa bajo hiptesis de normalidad. Encontraremos una o condicin sobre el n mero de periodos de observacin m para obtener credibilidad o u o completa cuando S tiene una distribucin aproximada normal. Bajo esta hiptesis, o o la parte izquierda de (5.1) es P ( |S E(S)| kE(S) ) = P( |S E(S)| kE(S) )
Var(S)/m Var(S)/m k mE(S) 2( ) 1. Var(S)
Cap tulo 5. Teor de la credibilidad a Como esta probabilidad debe ser mayor o igual a p se obtiene la desigualdad k mE(S) 1+p . ( ) 2 Var(S) Sea uq el q-cuantil de la distribucin normal, es decir (uq ) = q. Entonces o k mE(S) = u(1+p)/2 . Var(S) De donde se obtiene m=
61
. (5.2) k 2 E 2 (S) Los trminos E(S) y Var(S) pueden ser conocidos o estimados, y substituirlos en e esta formula para conocer una aproximacin del n mero de periodos m de historial o u para que S tenga credibilidad completa (k, p). Ejemplo. Suponga que las reclamaciones en cada periodo tienen distribucin Poiso N son compuesta, es decir, son de la forma j=1 Yj , en donde N tiene distribucin o Poisson(). Suponga adicionalmente que cada reclamacin reclamacin individual o o Y tiene distribucin exp() con = 1, y de acuerdo a la notacin previa, su prio o mer y segundo momento son 1 = 1 y 2 = 2. Entonces E(Sj ) = 1 = , y Var(Sj ) = 2 = 2. Por lo tanto la aproximacin (5.2) se reduce a o m u2 (1+p)/2 2 k2 2 1 = 2 2 u . k 2 (1+p)/2
u2 (1+p)/2 Var(S)
Tomando k =0.05 y p =0.9, de tablas de probabilidad normal se obtiene u(1+p)/2 = u0.95 =1.6449. Por lo tanto 2 m (1.6449)2 = 2165.56 . (0.05)2 Es decir, despus de 2166 reclamaciones, se obtiene credibilidad completa (k, p) con e k =0.05 y p =0.9.
5.2.
Credibilidad parcial
En lugar del estimador S para E(S) se propone la combinacin lineal o + (1 z)E(S), zS
62
5.3. Credibilidad Bayesiana
en donde z [0, 1] es llamado factor de credibilidad. Nuevamente se pretende que tal estimador no diste demasiado de E(S). La condicin (5.1) se reduce a o P ( |z(S E(S))| kE(S) ) p. O bien, k E(S) ) p. z Esta es la misma condicin para la credibilidad completa solo que en lugar de k o tenemos ahora k/z. P ( |S E(S)| Credibilidad parcial bajo hiptesis de normalidad. Nuevamente bajo la o hiptesis de normalidad para S se tiene la aproximacin o o m= De donde se obtiene z 2 u2 (1+p)/2 Var(S) k 2 E 2 (S) .
k E(S) m z= . u(1+p)/2 Var(S)
Esta cantidad puede exceder el valor de uno, por lo tanto se dene el factor de credibilidad como k E(S) m z = m { n , 1 }. (5.3) u(1+p)/2 Var(S)
5.3.
Credibilidad Bayesiana
La credibilidad Bayesiana es otra forma de incorporar el historial de reclamaciones de un grupo de asegurados en el clculo de las primas. a Estimacin Bayesiana. En la estad o stica tradicional se considera el problema de estimacin de un parmetro de una distribucin probabilidad dada f (x; ). o a o Para ello se considera una muestra aleatoria de esta distribucin y se estudian o distintos mtodos para estimar , considerando siempre que este parmetro tiene e a un valor desconocido y jo. Existe, sin embargo, un punto de vista distinto llamado estimacin Bayesiana. Desde esta perspectiva se considera que es una variable o aleatoria para la cual se asume una distribucin de probabilidad h() llamada a o priori. Esta distribucin reeja cierta informacin que el observador tiene sobre el o o
Cap tulo 5. Teor de la credibilidad a
63
parmetro . La distribucin conjunta de una muestra aleatoria y el parmetro a o a es n f (x1 , . . . , xn , ) = f (x1 , . . . , xn | ) h() = La distribucin marginal de la muestra es entonces o
n i=1
f (xi | ) h().
f (x1 , . . . , xn ) =
i=1
f (xi | ) h() d.
Conociendo estas funciones puede ahora calcularse la distribucin condicional de o como f (x1 , . . . , xn | ) h() g( | x1 , . . . , xn ) = . f (x1 , . . . , xn ) De esta forma la distribucin h() representa cierta informacin que el observador o o conoce del parmetro antes de tomar la muestra, y la distribucin a posterioa o ri g( | x1 , . . . , xn ) es la distribucin modicada a la luz de la muestra aleatoria. o Teniendo ahora esta distribucin a posteriori para uno puede proponer varias o formas de estimar este parmetro, una de ellas es simplemente tomar la esperanza a de esta distribucin, es decir, un estimador Bayesiano para es o = E( | x1 , . . . , xn ) = g( | x1 , . . . , xn ) d.
Ilustraremos estas ideas con un ejemplo particular y despus las aplicaremos al e problema de encontrar mecanismos para calcular primas tomando en cuenta el historial de reclamaciones de un riesgo. Ejemplo. Suponga que X1 , . . . , Xn es una muestra aleatoria de la distribucin o Ber(p), en donde el parmetro p tiene una distribucin beta(a, b), con a y b conoa o cidos. Observe que el soporte de la distribucin beta es el intervalo (0, 1), de modo o que en este sentido tal distribucin es adecuada para el parmetro p. La densidad o a conjunta de la muestra y el parmetro es a f (x1 , . . . , xn , p) = = = f (x1 , . . . , xn | p) h(p) 1 x x pn (1 p)nn pa1 (1 p)b1 B(a, b) 1 x x pa+n1 (1 p)n+bn1 . B(a, b)
64
Integrando respecto a p se obtiene la densidad marginal de la muestra, f (x1 , . . . , xn ) = =

1 1 x x pa+n1 (1 p)n+bn1 dp B(a, b) 0 B(a + n, n + b n) x x . B(a, b)
Por lo tanto, la densidad a posterior para p es g(p | x1 , . . . , xn ) = 1 x x pa+n1 (1 p)n+bn1 . B(a + n, n + b n) x x a + n x . n + b n x
Esto es la densidad beta(a + n, n + b n), y su esperanza es x x p=
Ahora aplicaremos estas ideas al problema del clculo de primas tomando en cuena ta la experiencia de un riesgo. Suponga que las variables S1 , . . . , Sm representan el historial de reclamaciones en m a os o periodos que se han registrado de un n riesgo dado. Suponga adems que estas variables son independientes y todas ellas a tienen una distribucin com n dependiente de un parmetro desconocido , y esta o u a distribucin es tal que E(S) = . Bajo el enfoque Bayesiano se considera que el o parmetro es una variable aleatoria para la cual se asume una distribucin de a o probabilidad a priori. La esperanza a posteriori de , es decir, E( | S1 , . . . , Sm ), representa una estimacin para E(S) = tomando en cuenta el historial S1 , . . . , Sm . o A esta esperanza a posteriori se le llama prima de credibilidad. En los casos que analizaremos esta prima tiene la forma de la credibilidad parcial mencionada antes. Los casos que consideraremos para la distribucin de S son: la distribucin Poisson o o con media , y la distribucin normal con media . o Modelo Poisson-gama. Este modelo adquiere su nombre a partir de las siguientes hiptesis: Se postula que cada una de las variables aleatorias independientes o S1 , . . . , Sm tiene distribucin Poisson con parmetro , el cual se considera aleatoo a rio con distribucin a priori gama(, ), con y parmetros conocidos. Observe o a que en este modelo se considera que los montos de las reclamaciones toman valores
Cap tulo 5. Teor de la credibilidad a enteros. La funcin de densidad a posteriori de es, para x > 0, o g( | S1 , . . . , Sm ) =
0
65
f (S1 , . . . , Sm | ) h() f (S1 , . . . , Sm | ) h() d

m
( =
0 j=1 m
Sj 1 e ) e Sj ! () Sj 1 e ) e d Sj ! () e
( =
0
j=1 mS+1 (m+)
mS+1 e(m+) d = (m + )mS+ mS+1 (m+) e . (mS + )
Es decir, la densidad a posteriori es gama(mS + , m + ). Por lo tanto la prima por credibilidad, esperanza de esta densidad, es prima = = = mS + m+ m S+ m+ m+ z S + (1 z) ,
en donde z = m/(m + ) es llamado factor de credibilidad. Esta cantidad crece montonamente a uno cuando m crece a innito. Observe adems que cuando o a m tiende a innito, la media de la distribucin a posteriori converge a la media o muestral l mite y la varianza converge a cero. Modelo normal-normal. En este modelo se postula que cada una de las reclamaciones S1 , . . . , Sm tiene distribucin N(, 2 ), en donde el parmetro 2 es o a conocido y la media es una variable aleatoria con distribucin N(, 2 ), con y o 2 conocidos. La primera hiptesis puede ser justicada en el caso cuando los mono tos anuales se componen de un gran n mero de reclamaciones individuales, para u ello no es necesario suponer que las reclamaciones individuales tienen la misma distribucin. La segunda hiptesis podr ser razonable si es que los parmetros o o a a
66
y 2 son tales que la probabilidad asignada a la parte negativa del eje es muy peque a. La funcin de densidad a posteriori de es n o g( | S1 , . . . , Sm ) =
f (S1 , . . . , Sm | ) h() f (S1 , . . . , Sm | ) h()

m
2 2 1 e(Sj ) /2 2 2 j=1
j=1 m
1 2 2
e(Sj )
/22
1 2 2 1
e() e
/2 2
,
()2 /2 2
2 2
en donde el exponente, omitiendo el signo negativo, es ( )2 (Sj )2 + 2 2 2 2 j=1

m
2 (
1 m mS + 2 ) 2( 2 + 2 ) 2 2 2 2 2
m 2 Sj 2 + 2+ 2 2 2 j=1
[ (
mS 1 m + 2 )( 2 + 2 )1 ]2 2 + c, 1 m 2( 2 + 2 )1
Observe que el sumando c no depende de . De esta forma y despus de hacer los e clculos complementarios puede comprobarse que la funcin de densidad a postea o riori de es nuevamente normal. La media de esta distribucin es entonces la prima o por credibilidad, es decir, prima = = = = =
2 2
en donde z = m /( + m 2 ) es el factor de credibilidad, el cual tiene nuevamente comportamiento monto creciente a 1 conforme m crece a innito. Observe que o
E() mS 1 m ( 2 + 2 )( 2 + 2 )1 2 + m 2 S 2 + m 2 m 2 m 2 S + (1 2 ) 2 + m 2 + m 2 z S + (1 z),
Cap tulo 5. Teor de la credibilidad a
67
S 1 m Var() = ( 2 + m2 )( 2 + 2 )1 y que esta cantidad converge a cero cuando el tama o de muestra crece a innito. n
5.4.
Ejercicios
Credibilidad completa 54. 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 aproximacin normal encuentre el valor de m para obtener o la credibilidad completa (k, p) para S = (S1 + + Sm )/m. Suponga k = 0.1 y p = 0.9. 55. Encuentre el valor de m para obtener la credibilidad completa (k, p) para S = (S1 + + Sm )/m de un riesgo S con distribucin N(5, 2). Suponga o k = 0.15 y p = 0.9.
Credibilidad parcial 56. Use la aproximacin normal para encontrar la prima por credibilidad paro cial, a partir de una muestra S1 , . . . , Sm , de un riesgo S con distribucin o Pareto(4, 3). Suponga k = 0.1 y p = 0.9. 57. Use la aproximacin normal para encontrar la prima por credibilidad parcial o con k = 0.1 y p = 0.9 considerando el historial de reclamaciones S1 , . . . , Sm N de un riesgo de la forma S = j=1 Yj , en donde a) N se distribuye bin(n, p) con n = 100 y p = 1/2, y Yj se distribuye exp() con = 1/10. b) N se distribuye bin neg(, p) con = 10 y p = 1/3, y Yj se distribuye exp() con = 1/10.
68
5.4. Ejercicios
Cap tulo 6
Procesos estocsticos a
En este cap tulo se presenta una introduccin breve al tema de los procesos eso tocsticos. Se explican algunos conceptos y propiedades generales, y se dan algunos a ejemplos de procesos estocsticos particulares. Este material ser usado en la ultia a ma parte del curso, y supondremos como elemento base un espacio de probabilidad (, F , P ). Denicin. Un proceso estocstico es una coleccin de variables aleatorias o a o {Xt : t T }, 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 parmetros sea un a conjunto discreto, por ejemplo T = {0, 1, 2, . . .}. En este caso el proceso consiste de una sucesin innita de variables aleatorias. Se dice en cambio que el proceso o es a tiempo continuo cuando el conjunto de parmetros consiste de un subintervalo a de R, por ejemplo, T = [0, ). En general consideraremos procesos estocsticos a con este espacio parametral. Un proceso estocstico es entonces una funcin de a o dos variables X : T R, tal que para cada t T , la funcin Xt () es o una variable aleatoria, mientras que para cada en , la funcin t Xt () es o una trayectoria del proceso. Con este modelo se pretende representar la evolucin o aleatoria de un sistema a lo largo del tiempo.
69
70
6.1. Filtraciones y tiempos de paro
6.1.
Filtraciones y tiempos de paro
Una familia de -lgebras (Ft )t0 es una ltracin si para 0 s t, se cumple a o Fs Ft F . Al espacio (, F , P, (Ft )t0 ) se le llama espacio de probabilidad ltrado. Se dice que un proceso es adaptado a una ltracin (Ft )t0 si para cada o t 0, Xt es Ft -medible. Todo proceso estocstico Xt determina una ltracin a o natural dada por Ft = {Xs : 0 s t}. Claramente todo proceso es adaptado a su ltracin natural. En este caso a la -lgebra Ft se le interpreta como la o a 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 funcin : [0, ] tal que ( t) Ft para cada o t 0. Esto es, un tiempo de paro es una variable aleatoria no negativa, con posible valor innito, tal que puede determinarse la ocurrencia o no ocurrencia del evento ( t) slo con la informacin del proceso hasta el tiempo t. Por ejemplo, y sin o o entrar en mayores detalles tcnicos, el tiempo aleatorio que transcurre hasta la e 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-sima reclamacin e o a una compa aseguradora. na
6.2.
Proceso de Poisson
En esta seccin recordaremos la denicin y algunos aspectos elementales de uno o o de los procesos estocsticos de mayor importancia: el proceso de Poisson. a Denicin. Un proceso estocstico de tiempo continuo {Nt : t 0}, y con o a espacio de estados el conjunto discreto {0, 1, . . .}, es un proceso de Poisson de parmetro o intensidad > 0 si cumple las siguientes propiedades: a a) N0 = 0. b) Tiene incrementos independientes. c) Nt+s Ns tiene distribucin Poisson(t), para cualesquiera s 0, t > 0. o El proceso de Poisson se utiliza para modelar situaciones de conteo de ocurrencias
Cap tulo 6. Procesos estocasticos
71
de un evento particular en un intervalo de tiempo dado. Por ejemplo, Nt puede representar el n mero de llamadas telefnicas recibidas en un conmutador, o el u o n mero de accidentes ocurridos en un cierto lugar, o el n mero de clientes que u u buscan un servicio durante el intervalo de tiempo [0, t], etc. En particular E(Nt ) = t, y Var(Nt ) = t. En nuestro caso, usaremos este proceso para modelar el n mero u de reclamaciones que llegan a una compa aseguradora hasta el tiempo t. Una na posible trayectoria de un proceso de Poisson se muestra en Figura 6.1. Ejercicio. Suponga que las reclamaciones a una compa aseguradora siguen un na proceso de Poisson de intensidad = 5, en donde la unidad de tiempo es un d es a, decir, en promedio llegan 5 reclamaciones por d Calcule la probabilidad de que a. a) No se reciba ninguna reclamacin un d cualquiera. o a b) Se reciban ms de 10 reclamaciones un d cualquiera. a a c) Se reciba una sola reclamacin en los siguientes tres dias. o
Nt ()
3 2 1
t
Figura 6.1: Uno de los objetos de estudio acerca de este proceso es la variable Tk denida como el tiempo que transcurre entre el evento k 1 y el evento k, llamado tambin tiempo e de interarribo. Sobre este conjunto de variables aleatorias se conoce el siguiente resultado interesante. Proposicin. Los tiempos T1 , T2 , . . . son variables aleatorias independientes, o y cada una de ellas tiene distribucin exp(). o Otras propiedades de este proceso pueden ser encontradas en la seccin de ejercicios. o
72
6.3. Martingalas
6.3.
Martingalas
Las martingalas son tipos de procesos estocsticos que aparecen con frecuencia a tanto en la teor general de procesos como en las aplicaciones. Existe una extensa a teor matemtica desarrollada de estos procesos. a a Denicin. Un proceso {Mt : t 0} que es adaptado e integrable es una o martingala si para 0 s t se cumple E(Mt | Fs ) = Ms c.s. (6.1)
Las martingalas son procesos que estan relacionados con los juegos justos. Por ejemplo, si Mt representa la fortuna de un jugador que apuesta continuamente 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 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(Mt | Fs ) 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. Ejercicio. Sea Nt un proceso de Poisson de parmetro o intensidad , junto con su a ltracin natural. Demuestre que el proceso Nt t es una martingala. o Cuando se toma esperanza en la ecuacin (6.1) se obtiene E(Mt ) = E(Ms ). Esto o 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(Mt ) = 0 para cualquier t 0. Algunos ejemplos sencillos de martingalas aparecen en la seccin de ejercicios. o Finalmente se enuncia un resultado de la teor general de martingalas que ser usaa a do en la ultima parte del curso. Recuerde la notacin x y = m o n{x, y}.
Cap tulo 6. Procesos estocasticos
73
Proposicin. (Teorema de paro de martingalas). Sea {Mt : t 0} una maro tingala y sea un tiempo de paro. Entonces {Mt : t 0} es tambin una e martingala, es decir, para cualesquiera 0 s t, E(Mt | Fs ) = Ms c.s.
En el siguiente cap tulo usaremos la teor de martingalas para estimar la probaa bilidad de ruina en el modelo bsico de la teor de la ruina, el modelo de Cramra a e Lundberg.
6.4.
Ejercicios
Proceso de Poisson 58. Los clientes ingresan a un establecimiento de acuerdo a un proceso de Poisson a razn de 10 clientes por hora en promedio. Calcule la probabilidad de que o a) en una hora cualquiera no llegue ning n cliente. u b) no llegue ning n cliente en una jornada de 12 horas. u c) se presente exactamente un cliente en todas y cada una de las 12 horas en las que est abierto el establecimiento en un d a a. 59. Demuestre que la suma de dos procesos de Poisson independientes es nuevamente un proceso de Poisson con parmetro la suma de los parmetros. a a 60. Sea {Nt } un proceso de Poisson con parmetro > 0, y sea X1 , X2 , . . . a una sucesin de variables aleatorias independientes con distribucin com n o o u Ber(p). Demuestre que el siguiente proceso es de Poisson con parmetro p. a
Nt
k=1
Xk : t 0 }
61. Sea {Nt } un proceso de Poisson con parmetro , y sea a > 0 una constante. a Demuestre que {Nat } es un proceso de Poisson con parmetro a. a
74
Martingalas
6.4. Ejercicios
62. Demuestre que {Mt } es una submartingala si y slo si {Mt } es una supero martingala. 63. Demuestre que un proceso es una martingala si y slo si es al mismo tiempo o una submartingala y una supermartingala.
Cap tulo 7
Teor de la ruina a
Este cap tulo contiene una introduccin breve al modelo clsico de Cramr-Lundberg, o a e y a algunos aspectos elementales sobre la probabilidad de ruina en tal modelo.
7.1.
Modelo clsico de Cramr-Lundberg a e
El modelo de Cramr-Lundberg tiene sus or e genes en la tesis doctoral de Filip Lundberg defendida en el a o de 1903. En este trabajo Lundberg analiza el reasen guro de riesgos colectivos y presenta el proceso de Poisson compuesto. Lundberg utiliz trminos un tanto distintos a los actuales pues en aquellos a os a n no se o e n u hab formalizado la teor de los procesos estocsticos como la entendemos hoy en a a a d En 1930 Harald Cramr retoma las ideas originales de Lundberg, y las pone a. e en el contexto de los procesos estocsticos, en ese entonces de reciente creacin. a o El modelo ha sido estudiado en extenso y varias formas de generalizarlo se han propuesto y estudiado.
75
76
7.1. Modelo clasico de Cramr-Lundberg e
Ernest Filip Oskar Lundberg (Suecia, 18761965)
Carl Harald Cramr e (Suecia, 18931985)
El modelo clsico que estudiaremos en este cap a tulo es el proceso a tiempo continuo {Ct : t 0} dado por
Nt
Ct = u + c t
Yj ,
j=1
(7.1)
en donde u es el capital inicial de la compa aseguradora, ct es la entrada por na primas hasta el tiempo t con c una constante positiva, Yj es el monto de la jsima reclamacin, y Nt es un proceso de Poisson de parmetro . La variable e o a Ct representa el balance ms sencillo de ingresos menos egresos de una compa a na aseguradora. Al proceso Ct se le llama proceso de riesgo (risk process), o proceso de supervit (surplus process), y tiene trayectorias como se muestra en la Figura 7.1. a
Ct () E(Ct )
u t
Figura 7.1:
Cap tulo 7. Teor de la ruina a
77
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 a una reclamacin, u o la cual se supone que se paga de manera inmediata. El tama o de un salto es el n tama o de la reclamacin dada por la variable Y . n o Nuevamente supondremos que los montos Y1 , Y2 , . . . son variables aleatorias independientes, no negativas, e idnticamente distribuidas con funcin de distribucin e o o G, y funcin generadora de momentos MY (r). Los momentos son n = E(Y n ), o y en particular denota el primer momento 1 . No es dif comprobar que cil E(Ct ) = u + (c )t, y que Var(Ct ) = 2 t. La trayectoria promedio de Ct es la linea recta que inicia en u > 0 y tiene pendiente c , la cual es positiva por la condicin o hiptesis de ganancia neta. La variable o o aleatoria Ct se puede interpretar como el capital de la compa aseguradora al na tiempo t y por razones naturales y legales es importante que Ct permanezca por arriba de cierto nivel m nimo. Ajustando el capital inicial u se puede suponer, sin prdida de generalidad, que este nivel m e nimo es cero. Cuando Ct < 0 se dice que hay ruina. La ruina casi nunca sucede en la prctica, es solamente un a trmino tcnico que produce alguna toma de decisin. Por ejemplo si el capital de e e o una compa aseguradora asignado a una cartera decrece en forma signicativa, na automticamente la aseguradora puede tomar ciertas medidas para subsanar esta a situacin y no se trata de un evento insalvable. Por otro lado es natural suponer o que la compa aseguradora posea varios portafolios de modo que ruina en uno de na ellos no signica necesariamente bancarrota que el trmino ruina podr sugerir. e a
7.2.
Probabilidad de ruina
Nos interesa calcular o estimar la probabilidad de una eventual ruina en el modelo de Cramr-Lundberg. Para ello deniremos el tiempo de ruina dado por e = {t > 0 : Ct < 0}, nf (7.2)
en donde se dene = . La probabilidad de ruina en el intervalo [0, t] o tambin nf e llamada probabilidad de ruina con horizonte nito es (u, t) = P ( t | C0 = u).
78
7.2. Probabilidad de ruina
Mientras que la probabilidad de ruina con horizonte innito, o simplemente probabilidad de ruina, es (u) = l (u, t) = P ( < ). m
t
Es intuitivamente claro que (u, t) (t), y que (u, t1 ) (u, t2 ), cuando t1 t2 . Presentaremos a continuacin tres resultados generales sobre la probabilidad de o ruina. A diferencia del primer capitulo, y para hacer la notacin estndar, en este o a cap tulo denotaremos por F (x) a la funcin de distribucin de una reclamacin Y o o o cualquiera. Proposicin. Sea Q(u) = 1 (u). Entonces o 1. Q (u) = 2. (0) = 3. (u) = [ Q(u) c
u 0
Q(u y) dF (y) ].
. c [ c
u u
(1 F (y)) dy +
(u y)(1 F (y)) dy ].
Demostracin. Usaremos anlisis del primer paso condicionando sobre el momento o a y monto de la primera reclamacin. o Q(u) = P ( No ruina en [0, ) | C0 = u)

=
0 0
P ( No ruina en [0, ) | T1 = t, Y1 = y)dF (y)dFT1 (t)

u+ct
=
0 0
P ( No ruina en [0, ) | T1 = t, Y1 = y)dF (y)dFT1 (t)

u+ct 0
=
0
et et
0
P ( No ruina en (t, ) | T1 = t, Y1 = y)dF (y)dt

u+ct
=
0
Q(u + ct y)dF (y)dt.
Sea s(t) = u + ct. Entonces Q(u) = 1 c

u
e(su)/c
0
Q(s y)dF (y)ds.
79
Derivando esta expresin se encuentra el resultado del primer inciso. Integrando o esta ecuacin diferencial entre 0 y u se obtiene o Q(u) Q(0) = = = = = = = [ c [ c [ c [ c c c c
u 0 u 0 u 0 u 0 u 0 u x 0 u u y u
Q(x)dx Q(x)dx Q(x)dx Q(x)dx
Q(x y) dF (y) dx] Q(x y) dx dF (y)]

uy
Q(x) dx dF (y)]
0 u 0 0 0 ux
Q(x) dF (y) dx]
Q(x)(1 F (u x)) dx
u
Q(u x)(1 F (x)) dx
(7.3)
Q(u x)(1 F (x)) 1[0,u] (x) dx.
El siguiente paso es hacer u tender a innito. En tal caso, Q(u) tiende a uno. Adems el integrando que aparece en el lado derecho es una funcin montona a o o creciente en u, y cuyo l mite es la funcin integrable (1 F (x)). Entonces por el o teorema de convergencia montona se obtiene o 1 Q(0) = Por lo tanto c
0
(1 F (x)) dx =
. c
. (7.4) c De esta forma se obtiene el segundo resultado. Finalmente de (7.3) y (7.4) se sigue que (0) = 1 Q(0) = (u) = =
u [ (1 (u x))(1 F (x)) dx ] c 0 u [ (1 F (x))dx + (u x)(1 F (x)) dx ]. c u 0
80
Observe que la ultima expresin corresponde a una ecuacin recursiva para encon o o trar la probabilidad de ruina. En general no es fcil resolver este tipo de ecuaciones, a de modo que nos limitaremos slo a encontrar algunas estimaciones de estas probao bilidades. Sin embargo, cuando las reclamaciones tienen distribucin exponencial o el sistema es soluble como se muestra a continuacin. o Ejemplo. (Solucin expl o cita al problema de encontrar la probabilidad de ruina cuando las reclamaciones son exponenciales). Considere el modelo de Cramre Lundberg en donde las reclamaciones tienen distribucin exp(). La esperanza es o = 1/. Por lo anteriormente encontrado, la probabilidad de no ruina Q(y) = 1 (y) cumple la ecuacin o Q (u) = [ Q(u) eu c
u
Q(y) ey dy ].
0
Derivando esta expresin se obtiene o Q (u) = ( ) Q (u), c
cuya solucin es Q(u) = a + be(/c)u , en donde a y b son constantes. Usando o las condiciones (0) = /(c) y () = 0 se encuentra que a = 1 y b = /(c). Por lo tanto (/c)u (u) = e . c
La condicin de ganancia neta. Sean T0 , T1 , T2 , . . . los tiempos aleatorios o (tiempos de paro) en donde la aseguradora recibe las reclamaciones. Supondremos T0 = 0. Para cada entero k 1 dena la variable aleatoria Xk = c (Tk Tk1 ) Yk , que pueden ser interpretadas como el balance de la compa aseguradora entre na dos siniestros sucesivos. La esperanza de esta variable es E(Xk )= c E(Tk Tk1 ) E(Yk )= c (1/) . Se puede demostrar que la ruina ocurre casi seguramente si, y slo si, E(Xk ) 0. Como deseamos que esta situacin no ocurra supondremos que o o E(Xk ) > 0, es decir, tenemos la hiptesis: o Condicin de ganancia neta: c > . o Esta condicin ya la hab o amos mencionado antes, y ahora la interpretamos de la
81
siguiente forma: En promedio, la entrada por primas por unidad de tiempo, c, es mayor que el total de reclamaciones por unidad de tiempo, . El coeciente de ajuste. Este es un n mero que aparece en el problema de u calcular o estimar probabilidades de ruina. Hay varias maneras de denirlo, una de ellas, un tanto articial pero que despus justicaremos, es la siguiente. Se e dene primero la funcin (r) = (MY (r) 1) cr, en donde MY (r) es la funcin o o generadora de Y . Naturalmente esta funcin esta bien denida para valores de o r en donde MY (r) existe. Entonces, suponiendo diferenciabilidad, se tiene que (r)= MY (r) c, y (r)= MY (r)= E(Y 2 erY ) > 0. Por lo tanto, (r) es una funcin estrictamente convexa tal que (0) = 0, y por la condicin de ganancia o o neta, (0) = c < 0. Entonces es posible que exista un valor R > 0 tal que (R) = 0. Una grca de la funcin (r), presentando esta situacin, se muestra a o o en la Figura 7.2.
(r)
r R
Figura 7.2: Denicin. A la posible solucin R > 0 de la siguiente ecuacin se le llama o o o coeciente de ajuste, o exponente de Lundberg. (R) = (MY (R) 1) cR = 0.
Observe que la existencia del coeciente de ajuste depende enteramente de la distribucin de las reclamaciones. Aquellas distribuciones para las cuales el coeciente o de ajuste existe se les llama distribuciones con colas ligeras, y la razn de ello o es que la funcin de densidad decae a cero exponencialmente rpido, asignando o a probabilidades peque as a reclamaciones grandes. Por ejemplo, demostraremos a n continuacin que en el caso de reclamaciones exponenciales, el coeciente de ajuste o existe y es fcil calcularlo. a
82
Ejemplo. Suponga que las reclamaciones siguen una distribucin exp(), es decir, o MY (r) = /( r). Entonces (r) = (MY (r) 1) cr = ( 1) cr r r = ( ) cr r = ( c) r. r
De modo que (r) = 0 cuando r = 0, o cuando /(r)c = 0. Despejando r de la segunda condicin y escribiendo ahora R como la variable se obtiene R = /c. o Ms a n, por lo encontrado antes en el caso de reclamaciones exponenciales, la a u probabilidad de ruina puede ahora escribirse de la forma siguiente (u) = Ru (/c)u e = e < eRu , c c
en donde la desigualdad es consecuencia de la condicin de ganancia neta. Este o tipo de cota superior para la probabilidad de ruina ser demostrada ms adelante a a para cualquier distribucin de las reclamaciones para la cual exista el coeciente o de ajuste.
Proposicin. Sea Ct el proceso de riesgo, y sea (r) = (MY (r) 1) cr. o Entonces el proceso {erCt (r)t : t 0} es una martingala. Demostracin. La adaptabilidad del proceso es evidente pues impl o citamente estamos usando la ltracin natural. Acerca de la integrabilidad tenemos los siguientes o clculos a E(erCt (r)t ) = = = = < e(r)tE(er(u+ct e(r)tr(u+ct)E(er
(r)tr(u+ct)
Nt j=1
Yj ) Yj
Nt j=1
e MSt (r) e(r)tr(u+ct)et(MY (r)1) .
Cap tulo 7. Teor de la ruina a Finalmente tenemos la propiedad de martingala. Para 0 s < t, E(erCt (r)t | Fs ) = = = = = = = e(r)tE(erCt | Fs ) e(r)tE(er(Ct Cs )rCs | Fs ) e(r)trCs E(er(Ct Cs ) ) e(r)trCs E(er(c(ts) e(r)trCsrc(ts) E(er e erCs(r)s . e
Nt j=Ns +1 Nts j=1
83
Yj )
Yj
(r)trCsrc(ts) (ts)(MY (r)1)
En particular, si el coeciente de ajuste existe, es decir, si (R) = 0, entonces el proceso eRCt es una martingala. Este es el resultado clave para demostrar la siguiente cota superior para la probabilidad de ruina. Teorema. (Desigualdad de Lundberg). Si el coeciente de ajuste R existe, entonces (u) < eRu .
Demostracin. Sea el tiempo de paro correspondiente al primer tiempo de ruina. o Entonces el proceso eRCt es tambin una martingala y por lo tanto e eRu = eRC0 = E(eRCt ) = E(eRCt | > t) P ( > t)
+E(eRCt | t) P ( t) E(eRCt | t) P ( t) = E(eRC | t) P ( t).
84
Haciendo t , por el teorema de convergencia montona se obtiene o eRu > = = E(eRC | < ) P ( < ) E( 1 | < ) P ( < ) P ( < ) (u).
El coeciente de ajuste no siempre existe, y a n cuando conozcamos su existencia u no siempre es fcil calcularlo. El siguiente resultado proporciona algunas cotas para a este coeciente. Proposicin. Si el coeciente de ajuste R existe, entonces cumple las siguientes o desigualdades 1 c 2(c ) ln( ) < R < , M 2 en donde la primera desigualdad es vlida bajo la hiptesis adicional de que a o Y M c.s., para alguna constante M > 0. Demostracin. Demostraremos primero la cota superior. Considere nuevamente la o funcin (r) = (MY (r) 1) cr, para r > 0. Derivando esta funcin dos veces se o o obtiene (r) (r)
= MY (r) c, = E(Y 2 erY )
> E(Y 2 ) = 2 . Por el teorema fundamental del clculo, a (r) = (0) +

0 r
(s)ds
> ( c) + 2 r. Por lo tanto

t
(r)
= >
(0) +
0
(s)ds
1 ( c)r + 2 r2 . 2
Cap tulo 7. Teor de la ruina a Evaluando la ultima desigualdad en R se obtiene 0 > = 1 ( c)R + 2 R2 2 1 [ ( c) + 2 R ] R. 2
85
Como R > 0, se tiene que ( c) + 2 1 R < 0. Despejando R se obtiene la cota 2 superior anunciada. Demostraremos ahora la cota inferior. Suponga que Y M c.s. y dena la funcin o h(x) = x RM (e 1) (eRx 1). M
Entonces h (x) = R2 eRx < 0. Por lo tanto h es cncava con h(0) = h(M ) = 0. o Esto quiere decir que h(x) > 0 para 0 < x < M , es decir, x RM (e 1) (eRx 1) > 0, M x RM (e 1). (7.5) M Sea g(x) = xex ex + 1. Entonces g (x) = xex > 0. Por lo tanto g(x) es creciente para x > 0, es decir, g(x) > g(0) = 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 . (7.6) RM Por otro lado, usando (7.5), (eRx 1)
M
o bien
MY (R) 1
=
0 M
(eRx 1) dF (x) x RM (e 1) dF (x) M

M
= =
1 RM (e 1) M RM (e 1). M
x dF (x)
0
(7.7)
86
7.3. Ejercicios
Por lo tanto usando (7.7) y luego (7.6), 0 = (MY (R) 1) cR RM (e 1) cR M < ReRM cR = (eRM c)R.
Por lo tanto eRM c > 0. Despejando R se obtiene la cota inferior buscada. La cota superior no involucra hiptesis adicionales, de modo que cuando el coeo ciente de ajuste R existe, ste se encuentra en el siguiente intervalo e R (0, 2(c )/2 ). Observe adems que cuando las reclamaciones son acotadas por una constante a positiva M , puede encontrarse una cota superior para la probabilidad de ruina a n u sin conocer el coeciente de ajuste pues (u) < eRu < e M
u
ln(c/)
= eln(/c)
u/M
= (/c)u/M .
7.3.
Ejercicios
Modelo de Cramr-Lundberg e 64. Considere el proceso de Cramr-Lundberg {Ct } con la notacin e hiptesis e o o usuales. Demuestre que b) Var(Ct ) = 2 t. a) E(Ct ) = u + (c )t.
c) MCt (r) = exp [ r(u + ct) t(MY (r) 1) ]. Probabilidades de ruina 65. Suponga que las reclamaciones en el modelo de Cramr-Lundberg siguen una e distribucin exponencial de parmetro = 1. Suponga adems que = 1/2 o a a
87
y c = 2. Observe que se cumple la condicin de ganancia neta c > . Cul o a debe ser el capital inicial u para que la probabilidad de ruina sea menor o igual a 0.01?
Coeciente de ajuste 66. Demuestre que si las reclamaciones son variables aleatorias acotadas, entonces el coeciente de ajuste existe. 67. Se ha demostrado que cuando las reclamaciones tienen distribucin exp() el o coeciente de ajuste es R = /c. Usando la condicin de ganancia neta o compruebe que este valor de R efectivamente cumple la desigualdad 0<R< 2(c ) . 2
88
7.3. Ejercicios
Apndice A e
Formulario
El 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
Funcin indicadora. La funcin indicadora de un conjunto A es la funcin o o o 1A : {0, 1} dada por 1A () = 1 0 si A, si A. /
De este modo la funcin 1A toma el valor uno dentro del conjunto A y cero fuera o de l, y cumple las siguientes propiedades. e a) 1AB = mx{1A , 1B } = 1A + 1B 1A 1B . a b) 1AB = m A , 1B } = 1A 1B . n{1 89
90
c) 1Ac = 1 1A . d) 1AB = 1A 1A 1B . e) 1AB = |1A 1B | = 1A + 1B 2 1A 1B = (1A 1B )2 . f) A B 1A 1B . Desigualdad de Jensen. Sea u una funcin convexa y sea X una variable aleao toria tal que tanto X como u(X) tienen esperanza nita. Entonces u(E(X)) E(u(X)). Esperanza condicional. Sean (, F , P ) un espacio de probabilidad, X una variable aleatoria con esperanza nita y G una sub--lgebra de F . La esperanza a condicional de X dado G es una variable aleatoria denotada por E(X|G ) que cumple las siguientes tres propiedades: 1. Es G -medible. 2. Tiene esperanza nita. 3. Para cualquier evento G en G , E[ E( X | G ) 1G ] = E[ X 1G ].
Puede demostrarse que esta variable aleatoria existe y es unica casi seguramente, esto signica que si existe otra variable aleatoria con las tres propiedades anteriores, entonces con probabilidad uno coincide con E(X|G ). Cuando G = (Y ) para alguna variable aleatoria Y , se escribe E(X|Y ) en lugar de E(X|(Y )). En particular, el trmino P (A | Y ) signica E(1A | Y ). Se enuncian a continuacin algunas e o propiedades de esta esperanza. a) E(X | {, } ) = E(X). b) E(1A | {, } ) = P (A). c) E(1A | {, B, B c , } ) = P (A|B)1B + P (A|B c )1B c . d) E(E(X | G )) = E(X). En particular, E(P (A | Y )) = E(1A ) = P (A). e) Si X es G -medible, entonces E(X | G ) = X. En particular, si c es una constante, entonces E(c | G ) = c.
Apndice A. Formulario e f) E(aX + Y | G ) = aE(X | G ) + E(Y | G ). g) Si X 0, entonces E(X | G ) 0. h) Teorema de convergencia montona. o Si 0 Xn X, entonces E(Xn | G ) E(X | G ) c.s.
91
i) Teorema de convergencia dominada. Si |Xn | Y , E|Y | < y Xn X c.s., entonces E(Xn | G ) E(X | G ) c.s. j) Desigualdad de Jensen. Si es convexa, entonces (E(X | G )) E((X) | G ). k) Si H es una sub -lgebra de G , entonces E(E(X | G ) | H ) = E(X | H ). a l) Si Z es G -medible y acotada, entonces E(Z X | G ) = Z E(X | G ). m) Si X es independiente G , entonces E(X | G ) = X. Varianza condicional. Sea X con segundo momento nito, y sea G una sub-lgebra de F . La varianza condicional de X dado G se dene como la variable a aleatoria dada por Var(X|G ) = E[ (X E(X|G ))2 | G ]. Nuevamente, cuando la sub--lgebra G es (Y ) para alguna variable aleatoria a Y , entonces Var(X|G ) se escribe Var(X|Y ), y puede tomarse como denicin la o igualdad Var(X|Y ) = E[ (X E(X|Y ))2 | Y ]. Se enuncian a continuacin algunas propiedades de esta variable aleatoria. o a) Var(X | {, }) = Var(X). b) Var(1A | {, }) = P (A)(1 P (A)). c) Var(X | G ) = E(X 2 | G ) E 2 (X | G ). d) Var(X) = E[Var(X | G )] + Var[E(X | G )].
92
Un estudio ms detallado de la esperanza condicional puede ser encontrado en a libros dedicados a probabilidad como [6] o [12]. Ley de los grandes n meros. Sea X1 , X2 , . . . una sucesin de variables aleatorias u o independientes e idnticamente distribuidas con media . Entonces e 1 n
n i=1
Xi .
Cuando la convergencia es en probabilidad este resultado se conoce como la ley dbil. Y cuando la convergencia es casi segura se llama ley fuerte. e Teorema central del l mite. Sea X1 , X2 , . . . una sucesin de variables aleatorias o independientes e idnticamente distribuidas con media y varianza 2 . Entonces e
1 n n i=1
Xi d N(0, 1). / n
Teorema de convergencia montona. Sea 0 X1 X2 una sucesin o o de variables aleatorias convergente casi seguramente a una variable X. Entonces E(Xn ) E(X). Teorema de convergencia dominada. Sea X1 X2 una sucesin de o variables aleatorias para la cual existe otra variable aleatoria Y con esperanza nita y tal que |Xn | Y , para n 1. Si Xn converge casi seguramente a una variable X, entonces tanto X como Xn tienen esperanza nita y E(Xn ) E(X).
Distribuciones de probabilidad
En esta seccin se presentan en orden alfabtico algunas distribuciones de probao e bilidad utilizadas en el texto. La funcin generadora de probabilidad se denota por o G(t), y la funcin generadora de la momentos por M (t). o
Distribucin Bernoulli o X Ber(p) con p (0, 1). f (x) = px (1 p)1x para x = 0, 1.
Apndice A. Formulario e E(X) = p. Var(X) = p(1 p). G(t) = 1 p + pt. M (t) = (1 p) + pet .
93
Distribucin beta o X beta(a, b) con a > 0, b > 0. f (x) = xa1 (1 x)b1 /B(a, b) para x (0, 1). E(X) = a/(a + b). Var(X) = ab/[(a + b + 1)(a + b)2 ].
Distribucin binomial o X bin(n, p) con n {1, 2, . . .} y p (0, 1). n x f (x) = p (1 p)nx para x = 0, 1, . . . , n. k E(X) = np. Var(X) = np(1 p). G(t) = (1 p + pt)n . M (t) = [(1 p) + pet ]n .
Distribucin binomial negativa o X bin neg(, p) con p (0, 1) y {1, 2, . . .}. +x1 f (x) = p (1 p)x para x = 0, 1, . . . x E(X) = (1 p)/p. Var(X) = (1 p)/p2 . G(t) = [p/(1 t(1 p))] . M (t) = [p/(1 qet )] .
94
Distribucin Cauchy o X Cauchy(a, b) con a > 0 y b > 0. 1 f (x) = , para < x < . b[1 + ((x a)/b)2 ] La esperanza y varianza no existen. Cuando a = 0 y b = 1 se obtiene la distribucin o Cauchy estndar. En este caso, a 1 f (x) = . (1 + x2 ) F (x) = 1/2 + (arctan x)/.
Distribucin exponencial o X exp() con > 0. f (x) = ex para x > 0. F (x) = 1 ex para x > 0. E(X) = 1/. Var(X) = 1/2 . M (t) = /( t) para t < .
Distribucin gama o X gama(, ) con > 0 y > 0. (x)1 x f (x) = e para x > 0. () F (x) = 1 ex 1 (x)j /j! para x > 0 y entero. j=0 E(X) = /. Var(X) = /2 . M (t) = [/( t)] para t < .
Apndice A. Formulario e Distribucin ji-cuadrada o X 2 (n) con n > 0. n/2 1 1 f (x) = xn/21 ex/2 para x > 0. (n/2) 2 E(X) = n. Var(X) = 2n. M (t) = (1 2t)n/2 para t < 1/2.
95
Distribucin log normal o X log normal(m, 2 ) con m R y 2 > 0. 1 f (x) = exp[(ln x m)2 /2 2 ] para x > 0. 2 x 2 E(X) = exp(m + 2 /2). E(X n ) = exp(nm + n2 2 /2). Var(X) = exp(2m + 2 2 ) exp(2m + 2 ).
Distribucin normal o X N(m, 2 ) con m R y 2 > 0. 2 2 1 f (x) = e(xm) /2 . 2 2 E(X) = m. Var(X) = 2 . M (t) = exp (mt + 2 t2 /2). (t) = exp (imt 2 t2 /2). Cuando m = 0 y 2 = 1 se obtiene la distribucin normal estndar. o a
96
Distribucin Pareto o X Pareto(a, b) con a, b > 0. aba f (x) = para x > 0. (b + x)a+1 F (x) = 1 [b/(b + x)]a para x > 0. E(X) = b/(a 1) para a > 1. Var(X) = ab2 /[(a 1)2 (a 2)] para a > 2.
Distribucin Poisson o X Poisson() con > 0. x f (x) = e para x = 0, 1, . . . x! E(X) = . Var(X) = . G(t) = e(1t) . M (t) = exp[(et 1)].
Distribucin t o X t(n) con n > 0. (n + 1/2) x2 f (x) = (1 + )n1/2 . n n (n/2) E(X) = 0. Var(X) = n/(n 2) para n > 2. M (t) no existe para t = 0. (t) = exp(|t|).
Apndice A. Formulario e Distribucin Weibull o X Weibull(r, ) con r, > 0. r f (x) = e(x) rr xr1 para x > 0. r F (x) = 1 e(x) para x > 0. E(X) = (1 + 1/r)/. Var(X) = [(1 + 2/r) 2 (1 + 1/r)]/2 .
97
98
Tabla de la distribucin normal estndar o a
1 (x) = 2
et
/2
dt
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4
0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997
0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997
0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997
0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997
0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997
0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997
0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997
0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997
0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997
0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8399 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998
Bibliograf a
[1] Beard R. E., Pentikinen T., Pesonen E. (1984) Risk theory. Tercera edicin. a o Chapman and Hall. London. [2] B hlmann H. (1970) Mathematical methods in risk theory. SpringerVerlag. u New York. [3] Daykin C. D., Pentikinen T., Pesonen M. (1994) Practical risk theory for a actuaries. Chapman and Hall. London. [4] Dickson D. C. M. (2005) Insurance risk and ruin. Cambridge University Press. [5] 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. [6] Karr A. F. (1993) Probability. Springer-Verlag. [7] Kass R., Goovaerts M., Dhaene J., Denuit M. (2001) Modern actuarial risk theory. Kluwer Academic Publishers. [8] Melnikov A. (2003) Risk analysis in nance and insurance. Chapman & Hall/CRC. [9] Panjer H. H. (Editor) (1986) Actuarial mathematics. Proceedings of Symposia in Applied Mathematics, Vol. 35, AMS. [10] Rolski T., Schmidli H., Teugels J. (1999) Stochastic processes for insurance and nance. John Wiley & Sons. [11] Schmidli H. Lecture notes on risk theory. [12] Williams D. (1991) Probability with martingales. Cambridge University Press. 99
Indice
Agregado de reclamaciones modelo colectivo, 14 modelo individual, 8 Aproximacin o de Edgeworth, 36 gama trasladada, 35 normal, 10, 34 Coeciente de ajuste, 81 cotas, 84 Condicin de ganancia neta, 42, 80 o Cramr-Lundberg, 75 e Credibilidad Bayesiana, 62 completa, 60 factor de, 62, 65, 66 parcial, 61 Credibilidad Bayesiana modelo normal-normal, 65 modelo Poisson-gama, 64 De Pril frmula de, 10 o Desigualdad de Jensen, 90 de Jensen condicional, 91 de Lundberg, 83 Distribucin o Bernoulli, 92 beta, 93
binomial, 93 binomial compuesta, 17 binomial negativa, 93 binomial negativa compuesta, 17 Cauchy, 94 con colas ligeras, 81 exponencial, 94 gama, 94 ji-cuadrada, 95 log normal, 95 normal, 95 Pareto, 96 Poisson, 96 Poisson compuesta, 18 Poisson compuesta mixta, 24 t de Student, 96 Weibull, 97 Espacio de prob ltrado, 70 Esperanza condicional, 90 Esscher principio de, 44 transformada de, 45 Excess of loss, 52 Exponente de Lundberg, 81 Frmula o de De Pril, 10 de Panjer, 29 100
Indice Factor de credibilidad, 62, 65, 66 de recargo, 43 Filtracin, 70 o natural, 70 Funcin o de utilidad, 43 de valor, 43 indicadora, 89 Jensen desigualdad de, 90 desigualdad de (condicional), 91 Ley de los grandes n meros, 92 u Lundberg desigualdad de, 83 exponente de, 81 Modelo binomial compuesto, 17 binomial negativo compuesto, 17 colectivo, 13 de Cramr-Lundberg, 75 e individual, 7 normal-normal, 65 Poisson compuesto, 18 asociado, 19 como l mite, 20 como suma, 22 con reclamaciones clasicadas, 22 mixto, 24 Poisson-gama, 64 Net prot condition, 42, 80 Nivel de retencin, 52 o Panjer frmula de, 29 o Prima, 41 de credibilidad, 64 pura de riesgo, 41 Principio de Esscher, 44 de la desviacin estndar, 43 o a de la varianza, 43 de utilidad cero, 43 del porcentaje, 44 del riesgo ajustado, 45 del valor esperado, 42 del valor medio, 43 exponencial, 44 Prob de ruina, 78 horizonte nito, 77 horizonte innito, 78 Proceso a tiempo continuo, 69 a tiempo discreto, 69 adaptado, 70 de riesgo, 76 de supervit, 76 a estocstico, 69 a submartingala, 72 supermartingala, 72 trayectoria de un, 69 Reaseguro, 49 de prdida mxima, 53 e a excess of loss, 52 por exceso de prdida, 52 e proporcional, 50 stop loss, 53 Riesgo, 14 modelo individual, 8 Ruina, 77 Safety loading, 43 Stop loss, 53 Submartingala, 72 Supermartingala, 72
101
102
Teorema central del l mite, 92 de convergencia dominada, 91, 92 de convergencia montona, 91, 92 o Tiempo de interarribo, 71 de paro, 70 Transformada de Esscher, 45 Varianza condicional, 91
Indice

Introduccion A La Teoria Del Riesgo

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Introduccion A La Teoria Del Riesgo

Încărcat de

Drepturi de autor:

Formate disponibile

Introduccin a la o TEOR DEL RIESGO IA

Luis Rincn o Agosto 2010 Ciudad Universitaria UNAM lars@fciencias.unam.mx

Contenido 5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Modelo individual vs modelo colectivo

Cap tulo 1. Modelo individual vs modelo colectivo

....... ....... ....... .......

....... ....... ....... .......

....... ....... ....... .......

1.2. Modelo individual

Cap tulo 1. Modelo individual vs modelo colectivo

Demostracin. o 1. Para cualquier n mero real x, u Fj (x) = P (Dj Cj x) = P (Dj Cj x | Dj = 0) P (Dj = 0)

= pj 1[0,) (x) + qj Gj (x). 2. Tenemos que MDj Cj (t) = = = = E(etDj Cj )

+ P (Dj Cj x | Dj = 1) P (Dj = 1) = P (0 x | Dj = 0) pj + P (Cj x | Dj = 1) qj

E(etDj Cj | Dj = 0)P (Dj = 0)

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

3. Esta igualdad se sigue directamente de la anterior usando la hiptesis de indeo pendencia.

1.3. Formula de De Pril

4. Nuevamente por independencia,

2 2 2 5. Primeramente se tiene que E(Dj Cj ) = qj E(Cj ), y E(Dj Cj ) = qj E(Cj ). Entonces

Var(Dj Cj ) = = = Por lo tanto

2 qj [Var(Cj ) + E 2 (Cj )] qj E 2 (Cj )

Cap tulo 1. Modelo individual vs modelo colectivo

g(r ik)h(i, k), para r 1

en donde h(i, k) = i(1)k1

Tomando logaritmo y despus derivando, e

1.3. Formula de De Pril d G (t) ln G(t) = = dt G(t)

en donde hemos usado la expansin (1 x)1 = o lo tanto

xk , vlida para |x| < 1. Por a qj k ik ) t . 1 qj

Dena ahora la funcin o

Entonces la expresin anterior puede escribirse como sigue o

tik h(i, k).

tik h(i, k).

g(r ik)h(i, k),

Cap tulo 1. Modelo individual vs modelo colectivo

g(r ik)h(i, k).

1.4. Modelo colectivo

Proposicin. La funcin de distribucin del riesgo S en el modelo colectivo es o o o

1.4. Modelo colectivo

nE(Y ) P (N = n) E(N ) E(Y ).

2. Nuevamente condicionando sobre el valor de N ,

3. Por las frmulas anteriores, o Var(S)

= E(N ) [ E(Y 2 ) E 2 (Y ) ] + [ E(N 2 ) E 2 (N ) ] E 2 (Y ) = E(N ) Var(Y ) + Var (N ) E 2 (Y ).

E(er(Y1 ++YN ) | N = n) P (N = n) E(er(Y1 ++Yn ) ) P (N = n)

E((MY (t))N ) E(eN ln(MY (t)) ) MN (ln(MY (t))).

1.4. Modelo colectivo

Cap tulo 1. Modelo individual vs modelo colectivo

qj [Var(Cj ) + E 2 (Cj )]. qj k E(Cj ). qj MCj (t).

1.4. Modelo colectivo

[1 + qj (MCj (t) 1)].

qj (MCj (t) 1)]k . k

Se hace ahora tender k a innito y usando el resultado l (1 + x/k)k = ex se m obtiene

exp [ qj (MCj (t) 1) ]

exp [ (MY (t) 1) ] MS c (t).

Cap tulo 1. Modelo individual vs modelo colectivo

[1 + qj (MCj (t) 1)].

ln[1 + qj (MCj (t) 1)] qj (MCj (t) 1)

qj (MCj (t) 1) ] qj MCj (t) 1 ],

en donde = q1 + + qn . Por lo tanto

1.4. Modelo colectivo

Cap tulo 1. Modelo individual vs modelo colectivo

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

Cap tulo 1. Modelo individual vs modelo colectivo

Frmula de Panjer y o algunos mtodos de aproximacin e o