Modelos probabilísticos no vida

ESTADSTICA ACTUARIAL NO VIDA
ecosdelaeconomia.wordpress.com
NDICE Introduccin 1. Los modelos de probabilidad especficos 1.0 Conceptos bsicos de estadstica 1.1 Modelos discretos Distribucin de Bernoulli Distribucin Binomial Distribucin de Poisson Distribuccin Binomial Negativa Distribucin con contagio Ejemplos 1.2 Modelos continuos Distribucin uniforme Distribucin Normal Distribucin log-normal Distribucin Pareto Distribucin Gamma Distribucin Beta Distribucin Exponencial Ejemplos 1.3 Convergencia y teoremas sobre lmites 1.4 Introduccin a los procesos estocsticos 2. Teora del riesgo y de la ruina 2.1 Procesos del nmero de siniestros: Proceso de Poisson 2.2 Procesos del dao total: procesos compuestos de Poisson 2.2.1 Teora y ejemplos del clculo de reservas, parmetros, prima y prob. de insolvencia 2.3 Aproximaciones a la distribucin del dao total 2.3.1 Recurrencia de Panjer: ejemplos en Poisson, Bin., Bin.negativa y geomtrica 2.4 Teora de la ruina 3. Inferencia aplicada 3.1 Mtodos de estimacin 3.2 Contrastacin no paramtrica (Chi, K-S, S-W) 3.3 Estimacin de los parmetros del riesgo total 3.4 Mtodos de aproximacin en la estimacin 4. Simulacin 4.1 El mtodo de Montecarlo 4.2 Aplicaciones a las distribuciones del Riesgo 4.3 Obtencin emprica de la siniestralidad
INTRODUCCIN
El objetivo de la asignatura es resolver
Donde S representa la cuanta total que debe afrontar una aseguradora como suma de un nmero N de siniestros, de cuanta Xi cada uno. Es decir, la suma de cada siniestro nos da el importe total en euros que deber desembolsar una compaa de seguros. De esta forma existen 2 variables aleatorias: 1. El numero N de siniestros 2. La cuanta X de cada uno de estos siniestros. Conceptos bsicos de estadstica: Qu es una variable aleatoria? Es una funcin que transforma la aleatoriedad en un nmero. Qu es una funcin de distribucin, o funcin de distribucin de probabilidad? Es una funcin que a cada nmero real x le da la probabilidad de que la variable aleatoria tome valores inferiores o iguales a x. Es decir, representa la probabilidad acumulada de - a .
Qu es una funcin de cuanta o funcin de densidad? Es la probabilidad exacta de que la variable X sea un valor determinado. Para variables discretas se habla de funcin de cuanta y es posible calcularlo, por ejemplo; probabilidad de tener 2 siniestros (N=2). Para las variables continuas se habla de funcin de densidad, y es imposible calcular la probabilidad de un valor exacto (dado que es continuo e infinitamente exacto), pero s es posible determinar la probabilidad dentro de un rango, por ejemplo probabilidad de que la cuanta de un siniestro est entre 100 y 110 . Se obtiene derivando la funcin de distribucin:
Qu es la esperanza matemtica? Representa el valor medio esperado de una variable aleatoria, y se representa como la suma de cada valor x por su probabilidad de ocurrencia: Si es una variable discreta;
Si es una variable continua
Las propiedades de la esperanza, la esperanza de la cartera de Barcelona y Baleares es igual a la suma de la esperanza de la suma de ambas. la esperanza de una cartera sujeta a una divisa Qu es la varianza? Es una medida de dispersin, elevada al cuadrado para evitar compensacin de valores por encima y por debajo de la media, y tambin para magnificar los valores ms alejados. Las propiedades de la esperanza,
Qu es una funcin generatriz? Es una transformacin que permite condensar en una funcin todos los valores de una secuencia. Es una cuerda de la ropa en la que tendemos una sucesin de nmeros para exhibirla. Y permite hallar las probabilidades y momentos de una variable aleatoria. Qu son los momentos de una variable aleatoria? Son valores que relacionndose permiten estudiar una distribucin, indica su punto medio, su dispersin, su asimetra y su altura. El primer momento es el valor central = El segundo momento es la varianza El tercer momento es la asimetra o sesgo. El cuarto momento es la puntiagudez o curtosis. Propiedades de las funciones de distribucin de probabilidad
Es continua por la derecha y montona no decreciente. Cuando estamos con variable discretas la funcin de distribucin es del estilo
Y sucede en distribuciones binomiales, binomiales negativas, bernoulli, Poisson, geomtrica, etc. Cuando estamos con variables continuas la funcin de distribucin es
Y sucede en las distribuciones normal, ji cuadrado, t student, exponencial, etc. Qu es la distribucin de Bernoulli? Sirve para sucesos dicotmicos; (sucede / no sucede). Como lanzar una moneda al aire, o vivir/morir. La probabilidad de xito es A y tiene una probabilidad p, y la de fracaso es A y tiene una probabilidad complementaria 1-p. En esta distribucin la media y varianza de los xitos ser;
Qu es la distribucin binomial? Cuenta el nmero de veces que sucede un xito en una serie de n experimentos con la misma probabilidad p.
siendo
Si x es una variable aleatoria con distribucin binomial, su
Qu es la distribucin binomial negativa? Cuenta el nmero de experimentos necesarios para que suceda el m-simo xito.
Donde,
Qu es la distribucin de Poisson? Se trata de una distribucin que mide el nmero de veces que sucede un fenmeno. Lo que supone es que ante un experimento (nmero de accidentes en las carreteras, emisin de fotones de una partcula) tendremos una que ser el nmero de veces que se da el suceso en un intervalo de tiempo (2 accidentes/hora). Su ley de probabilidad es;
Y tiene como media y varianza; ecosdelaeconomia.wordpress.com
Debe cumplir que sera posible fraccionar el tiempo hasta unidades temporales donde slo se da 1 suceso, y con la probabilidad de que sucedan 2 o ms sucesos = 0 en este mnimo intervalo temporal, y que sean independientes entre estas fracciones mnimas temporales. Cumplido esta condicin, la puede ser un nmero no entero > 0
TEMA 1. MODELOS DE PROBABILIDAD ESPECFICOS 1.0 definicin de probabilidad y conceptos de estadstica 0. La probabilidad Ley de los grandes nmeros de Bernouilli: Un experimento aleatorio se caracteriza porque, repetido muchas veces y en idnticas condiciones, el cociente entre el nmero de veces que aparece un resultado (suceso) y el nmero total de veces que se realiza el experimento tiende a un nmero fijo.
Definicin axiomtica de la probabilidad por Kolgomorov: Consider que esta frecuencia relativa de un suceso est en relacin directa con su probabilidad de ocurrencia. De forma que se puede extrapolar que, para un solo experimento, la probabilidad de que ocurra el suceso es igual a la frecuencia relativa observada despus de haber repetido el experimento muchsimas veces. Adems, la probabilidad del suceso (a) ser complementario a la probabilidad de no-suceso .
Este ltimo se lee como la probabilidad de que suceda a o que no suceda a, es igual al todo. La probabilidad de que suceda a o b es la suma de probabilidades:
La probabilidad de que suceda a y b es el producto de probabilidades:
La probabilidad de que suceda a condicionado a que haya sucedido b es:
Parmetros estadsticos El parmetro estadstico es un nmero, obtenido a partir de datos de la poblacin, que resume el conjunto de datos que contiene una variable aleatoria. Su funcin es crear un modelo de la realidad. Por ejemplo, la media aritmtica. Este parmetro se analizar para ver si se ajusta al modelo ideal, se estimar, o se descartar en busca de parmetros ms fiables. En su acepcin matemticamente ms pura, un parmetro es una variable que define una familia de objetos matemticos en determinados modelos. Como la distribucin normal con parmetros media y desviacin estandar, N(, ), o en Poisson su parmetro , o la Binomial con n, y p. Las propiedades de un parmetro estadstico son: 1. Que se defina de manera objetiva, sin ambigedades. 2. Es capaz de concebir todas las observaciones, sin dejar valores fuera de su marco.
3. Es interpretable, y tiene un significado claro. 4. Es poco sensible a las fluctuaciones muestrales. Medidas de posicin: Son parmetros que indican los valores en determinados puntos de la distribucin, como medias, modas y mediana respecto la tendencia central, o los cuantiles. Medidas de dispersin: son parmetros que resumen la heterogeneidad de los datos, varianza o desviacin estandar, coeficientes de variacin. Medidas de forma: dan valores a la asimetra y curtosis de la distribucin. Los momentos Son una generalizacin de los parmetros estadsticos. Son valores obtenidos a partir de todos los datos de una variable estadstica y sus frecuencias absolutas, centrados respecto a la media observada. Como yo lo entiendo: a partir de unos datos observados en realidad slo se pueden encontrar dos cosas: cul es la media, y cul es la dispersin de los datos alrededor de la media. El momento ordinario de orden k se obtiene como
El momento central de orden k se obtiene como
Demostracin de que la media es = momento ordinario de orden 1 y su momento central es = 0.
La interpretacin que yo le doy es que los momentos ordinarios son una medida de los valores observados (potenciados k veces) y los momentos centrales es una relacin entre estas medidas y el centro; la media. Son valores abstractos, pero que combinados ofrecen una perspectiva de la distribucin de la variable. Demostracin de la varianza; primero es necesario encontrar el momento ordinario de orden 2, y luego combinarlos en el momento central de orden 2,
Se puede demostrar que
Y, lo que ya se ha dicho, siempre en cada caso es fcil calcular el valor del momento ordinario k como
La asimetra se obtiene como
La curtosis se obtiene como
Ejemplo: La variable N tiene funcin de distribucin F(x)= 0 0,5 0,75 0,87 0,95 1 x<0 0x<1 1x<2 2x<3 3x<4 x4
Como la funcin de distribucin son las probabilidades acumuladas, y N es una variable discreta, P(N=0) P(N=1) P(N=2) P(N=3) P(N=4) Momento ordinario de orden 1, o media, 0,5 0,25 0,12 0,08 0,05
Para encontrar la varianza ser necesario encontrar el momento ordinario de orden 2,
La asimetra
La curtosis
Pleno de retencin Importe a partir del cual los siniestros de una cartera los asume una empresa de reaseguro. Por ejemplo: se contrata un reaseguro con pleno de retencin en 1200 euros. A partir de este importe, los siniestros se los queda la empresa reasegurado. Franquicia Importe por debajo del cual los siniestros los asume otra compaa. Por ejemplo: se contrata una franquicia de 1200 euros. Otra compaa se hace cargo de hasta los 1200, y los importes por encima de 1200 los afronta nuestra aseguradora. Variable aleatoria mixta Sea X la v.a. prdida de un asegurador, cuando existe un deducible d y un beneficio lmite de M:
Es decir, no existe prdida siempre que el coste del siniestro sea inferior al deducible (p.ej. tienes un siniestro de 40 pero siempre se deducen 50, por lo que no ests en prdidas). Existen unas prdidas entre el valor mximo deducible (50) y un tope de beneficio lmite, p.ej 100, de forma que si se da precisamente un siniestro de 100, el valor de la prdida ser de 100-50= 50. A partir del valor M, la prdida para el asegurador ser siempre un mximo de M, p.ej., si se da un siniestro de 150, el coste para el asegurador ser 150-50 = 100. La funcin de distribucin en este caso ser
Es decir, valores negativos de prdida no existen; probabilidad de ocurrencia cero, valores superiores a M menos el descuento son el mximo, lo que queda por lo tanto es la distribucin de la probabilidad de coste entre cero y el lmite superior M-d. La funcin de densidad ser
Donde el lmite inferior es el valor discreto de la probabilidad de que el coste sea = d. El lmite superior es el valor discreto de que la probabilidad del coste sea = M. Entre ambas, existe una funcin de probabilidad continua.
Transformacin de una variable aleatoria
Ejemplo: Dada la funcin a) Y=5+x b) Y=log(x) , cul es la transformacin si
1 hay que verificar la monotona de las funciones Y; a)
b)
2 Se invierte la funcin Y; en lugar de Y igual a X, se invierte a X igual a Y; a)
b)
3 Una vez demostrada la monotona e invertida la funcin ya slo queda
a)
b)
1.1 modelos discretos 1. Distribucin de Bernoulli Esta distribucin XBe(p) es la base para luego construir la distribucin Binomial. La distribucin de Bernoulli es aquella distribucin donde la variable aleatoria slo puede tomar 2 resultados mutuamente excluyentes; xito (A) o fracaso (A). El espacio muestral W slo est constituido por estas dos posibilidades , donde A tiene una probabilidad de ocurrencia = p, y A tiene una probabilidad q=1-p. El ejemplo clsico es el ensayo de lanzar una moneda al aire: la posibilidad de xito excluye el fracaso; sucede uno u otro. Y la suma de ambas probabilidades es = 1, no hay espacio para nada ms. La distribucin de Bernoulli sirve para encontrar la probabilidad de xito al realizar un ensayo. Volviendo a la generalidad: La funcin de densidad de Bernoulli se resume, Y su funcin de distribucin es,
La esperanza matemtica es,
La varianza matemtica es,
Ejemplo: Un comercial coloca un seguro el 30% de las veces que sale a la caza de clientes. Modelizar la variable aleatoria venta segn una distribucin de Bernoulli. Cul ser la probabilidad de vender 1 seguro?
La funcin de densidad ser, La media o valor esperado ser,
Y la varianza ser, La probabilidad de que al hacer un intento de venta, consiga vender el seguro ser
2. Distribucin Binomial Se conoce como XB(n,p), donde n es el nmero de repeticiones del experimento y p es la probabilidad de xito. La distribucin Binomial consiste en la repeticin de n ensayos de Bernoulli independientes y en las mismas condiciones. Si antes Bernoulli nos daba la probabilidad de xito para un ensayo, ahora la Binomial nos informa de la probabilidad de k xitos al realizarse n ensayos. En cada prueba existe la probabilidad p de xito (A), y la probabilidad q=1-p de fracaso (A). a) As, A suceder k veces, y A suceder n-k veces, es decir,
b) Todos los sucesos elementales posibles, independientes, son al final y al cabo permutaciones con repeticin de n elementos de los cuales k son del tipo A, y n-k son A, el nmero de permutaciones es:
Una vez se tiene la probabilidad de que suceda k, y el nmero de permutaciones, ya se puede calcular la probabilidad de que se den k xitos con n ensayos:
Si no vamos a los extremos, la probabilidad de que en n ensayos no haya ningn xito ser, y la probabilidad de que en n ensayos haya n xitos, Por ejemplo, tiras una moneda 100 veces y esperas la probabilidad de que no salga ni una cara:
y la probabilidad de que salgan 100 caras,
Ya se puede deducir tambin que la probabilidad de, por ejemplo, un solo xito es as como la probabilidad de un solo fracaso,
En definitiva, la probabilidad de que sucedan x xitos ser,
Las condiciones de la funcin de distribucin Binomial son 1. valores siempre positivos 2. la suma de todo debe ser igual a 1. La segunda condicin se demuestra porque si Ya que recoge todas las n permutaciones: entonces
La distribucin Binomial es simtrica cuando las probabilidades de xito y fracaso son iguales (0,5, como al tirar la moneda al aire). Si existe una mayor probabilidad de xito (p>0,5) entonces la distribucin es asimtrica y su media se encuentra a la derecha del centro (si es que colocamos un eje de coordenadas bsico con el 0 -fracaso- en origen y el 1 -xito- a la derecha). Si es al revs y existe una mayor probabilidad de fracaso (q>0,5) entonces la asimetra es por la izquierda porque el mximo de la distribucin se encuentra a la izquierda del centro. La funcin de distribucin de la Binomial es
Una buena herramienta de cara a aquellas preguntas pueteras del estilo, si la probabilidad de X=k es tal, cul es la probabilidad de X=k+1? , es la relacin entre los coeficientes binomiales de k y k+1 para el mismo nmero de ensayos, es decir, se puede demostrar que,
Ya que,
Por lo tanto,
La esperanza matemtica ser, segn la propiedad de que la esperanza de una suma es la suma de esperanzas;
La varianza ser,
La varianza ser mxima cuando p=q=0,5
Ejemplo: Un comercial coloca un seguro el 30% de las veces que sale a la caza de clientes. Cul es la probabilidad de que en las 10 prximas visitas realice al menos una venta? Suponiendo que cada visita se puede considerar como una variable aleatoria de Bernoulli con p=0,3 entonces la variable X nmero de ventas en 10 visitas ser
B(n=10, p=0,3)
Con una funcin de densidad
Entonces, la probabilidad de obtener al menos una venta en las prximas diez visitas ser
3. La distribucin de Poisson La distribucin de Poisson XP() aparece como lmite de la distribucin Binomial cuando el nmero de ensayos es grande ( n > 30) y la probabilidad de xito pequea ( p < 0,1), o bien np > 5. Por extensin de estas dos condiciones, tambin se relaciona con la probabilidad de que ocurra un suceso en un intervalo de tiempo o en un espacio determinado; nmero de errores por pgina en una imprenta, nmero de accidentes por da, nmero de estrellas en un volumen de espacio, Desarrollando la Binomial cuando el lmite tiende a infinito se llegara a la funcin de densidad de la Poisson,
Siempre que, para todo k positivo tambin positivo se cumplir que f(k) es una funcin de densidad entre 0 y 1. Y la suma de todo f(k) = 1 ecosdelaeconomia.wordpress.com
k ser el nmero de sucesos que pueden ocurrir sujetos a una probabilidad, y ser el parmetro de la
distribucin de Poisson, que se puede entender como el nmero medio de sucesos por unidad de espacio o tiempo. Y se expresa que la variable X sigue una distribucin de Poisson de parmetro lambda; La esperanza matemtica, coincide con el parmetro lambda
Y la varianza tambin ser,
Otra propiedad de la distribucin de Poisson es que si son variables aleatorias de Poisson independientes de parametros , se cumplir que la suma de variables sigue una distribucin de parmetro lambda igual a la suma de parmetros.
Ejemplo: Si se tienen una cartera de 10.000 plizas, y el siniestro que cubren sucede 1 vez cada 1000 con un coste por siniestro de 5000 euros, a) probabilidad de que ocurran menos de 2 siniestros. b) probabilidad que ocurran al menos 3 siniestros c) esperanza matemtica de la indemnizacin a) La variable aleatoria X nmero de siniestros sigue una distribucin Binomial n=10.000 y probabilidad p= 0,001. Como n es grande y p pequea, se puede aproximar por la Poisson, donde el parmetro ser = n*p Por lo tanto es una distribucin de media 10, y varianza 10. La probabilidad de que X sea inferior a dos ser
b) Mediante complementarios:
c) La esperanza de la indemnizacin ser,
4. La distribucin Binomial Negativa XBN(n,m,p) Dentro de procesos dicotmicos, se puede tener como objetivo calcular el nmero de exposiciones al riesgo necesario para que tenga lugar m siniestros. Esto significa que habr sucedido m-1 siniestros durante n-1 veces. Y que exactamente en la exposicin nmero n, sucede el m-simo siniestro. Ms fcil de ver en ejemplos; Si se sabe que se venden 3 seguros cada 10 intentos de venta, se puede calcular cul es la probabilidad de a) que al cabo de 9 intentos se hayan vendido 2 seguros. b) que al cabo de 10 intentos se hayan vendido 3 seguros. c) que al cabo de 11 intentos se hayan vendido etc. O por ejemplo, si nos dedicamos a tirar una moneda al aire, cul es la probabilidad de que al dcimo lanzamiento nos salga la quinta cara. Esto obliga a que en las nueve tiradas anteriores hayan salido 4 caras y 5 cruces, y que exactamente en la 10 tirada salga al 5 cara. n=10 y m=5 Por lo tanto, esta probabilidad ser = y como se ve, los exponentes suman las n-1 exposiciones al riesgo y se est aadiendo la probabilidad de que la n-sima exposicin sea el resultado buscado. Se pueden sumar los exponentes y reducir la expresin a
Pero tambin hay que aadirle el nmero de permutaciones de estos xitos y fracasos, esto es: la cantidad de veces que se dan ese nmero de xitos y fracasos pero en cualquier orden. Finalmente, la probabilidad que estamos buscando ser exactamente una de sas permutaciones de las n-1 exposiciones previas de forma que justamente en la ltima exposicin sucede el ltimo xito:
La expresin de la distribucin Binomial Negativa es: X~BN(m, p) Donde m es el m-simo xito esperado, y p la probabilidad de dicho xito. La funcin de distribucin ser,
La esperanza matemtica ser,
La varianza ser,
Ejemplo: Si se venden 3 seguros cada 10 intentos de venta, cul es la probabilidad de que en el intento nmero 100 se consiga la venta nmero 30? m= 30, el nmero de ventas objetivo n= 100, momento en el que se espera obtener esa venta nmero 30.
Existe un 2,6% de probabilidades de que en el intento de venta nmero 100, llegue la 30 venta.. La Binomial Negativa es una alternativa al modelo de Poisson cuando la frecuencia de ocurrencia del suceso no es constante. Suponiendo que una cartera N siga una distribucin de Poisson de media , y que a su vez esta media muestra la variabilidad de la cartera representada con una funcin de densidad continua (por ejemplo del tipo Gamma, de parmetros y ), entonces la distribucin de accidentes seguir una distribucin Binomial Negativa para un nmero de sucesos y probabilidad p=1/(1+).
Recurrencia para el clculo de probabilidades en una Binomial Negativa A partir de la Binomial Negativa se pueden llegar a dos distribuciones muy tiles. Por un lado, averiguar la probabilidad de que en m+k exposiciones al riesgo hayan ocurrido exactamente k fracasos
Se puede desarrollar la expresin anterior para llegar a una distribucin an mucho ms interesante: 5. Proceso de Polya-Eggenberger Consiste en una distribucin de probabilidad que tiene en cuenta el efecto de contagio de la ocurrencia. A medida que sucede el siniestro contagia al resto de exposiciones incrementando su ocurrencia. Se nombra a h como el grado de heterogeneidad de las variables aleatorias, a mayor h, menos efecto contagio. Y ser el parmetro media.
donde
Por efecto de la recurrencia, se demuestra que
Ejemplos: 1. Cul es la probabilidad de obtener 3 caras si se tira una moneda al aire 5 veces? Tirar una moneda al aire sigue una distribucin de Bernouille, y cuantificar la probabilidad cuando se realizan n exposiciones sigue una distribucin Binomial, donde la variable aleatoria X es nmero de caras X~B(n,p) donde n= 5
2. Cul es la probabilidad de una Poisson truncada por la exclusin del valor 0, es decir, omitiendo el valor 0?
3. Se tienen 2000 personas sometidas a un riesgo con probabilidad 0,001. Si existe independencia en la ocurrencia del siniestro, qu distribucin de probabilidad le corresponde? cul ser la media y la varianza? Se define X como la variable aleatoria nmero de siniestros, que sigue una Binomial (n=2000 y p=0,001) Por lo tanto, la variable X sigue una Poisson de parmetro lambda
4. Se tienen 10.000 asegurados sometidos a un riesgo con probabilidad de ocurrencia del 0,005%. Cul es el nmero medio de accidentes? Cul es la probabilidad de tener que afrontar el pago de ms de 3 siniestros? X se define como la variable aleatoria nmero de accidentes que sigue una Binomial (n=10.000 y p=0,00005)
El nmero medio de accidentes ser = 0,5 La probabilidad que P(X>3) ser,
5. En una fbrica el nmero de accidentes por semana sigue una Poisson de =2 a) cul es la probabilidad de que en una semana haya algn accidente? b) cul es la probabilidad de que haya 4 accidentes en 2 semanas? ecosdelaeconomia.wordpress.com
c) cul es la probabilidad de que haya 2 accidentes en 1 semana y 2 ms la siguiente semana? d) cul es la probabilidad de que en una semana que s ha habido accidentes, no sean ms de 3? Se define X como la variable aleatoria nmero de accidentes por semana X~P(=2) a) probabilidad de que haya algn accidente supone el complementario a que no ocurra ninguno:
b) probabilidad de 4 accidentes al cabo de 2 semanas, suponiendo que existe independencia y la cantidad de accidentes de una semana no afecta al nmero de accidentes de la siguiente, se puede definir ahora X como la suma de accidentes de dos semanas; , y con parmetro igual a la suma de
c) la probabilidad de 2 accidentes una semana y 2 ms la siguiente semana supone una interseccin donde se tiene que dar P(X=2) y P(X=2), que es igual a P(X=2)*P(X=2)
d) Es una probabilidad de P(X<3) pero condicionada a P(X>0),
6. Un broker hace una media de 4 inversiones intradia y cobra 10 euros fijos por operacin como comisin. Cul es la probabilidad de ganar ms de 1000 euros al mes? Suponer que el nmero de inversiones diarias sigue una distribucin de Poisson y que hay 20 das laborales al mes. Sea X el nmero de operaciones mensuales, que sigue una ley de Poisson de parmetro
Si Por lo tanto
Una aproximacin sera decir que para llegar a 100 operaciones, si hay 20 das laborales, esto supone 5 operaciones al da. Sea ahora X la variable aleatoria nmero de operaciones diarias, que sigue una
distribucin de Poisson de parmetro =4. Se calcula la probabilidad de que hayan ms de 5 operaciones al da, a lo largo de 20 das, para conseguir superar la cifra de 1000 euros:
Y ahora, que esto se d durante 20 das supone
7. Un analista de bolsa contabiliza las veces que una accin cae ms de 50 cntimos de euro respecto a la hora anterior. Le sale una media de 0,5 veces a la semana.Cul es el riesgo de que en una semana se produzcan ms de 2 cadas? Cul es la probabilidad de que en 3 semanas no haya ni una? Supongamos distribucin de Poisson. Sea X la variable aleatoria nmero de cadas de 50 cntimos respecto la hora anterior, que sigue una distribucin de Poisson =0,5
Que no suceda nada durante 3 semanas quiere decir
O lo que es lo mismo, se puede suponer que tenemos una distribucin de Poisson de =0,53=1,5 donde ahora X es el nmero de cadas cada 3 semanas.
8. Un actuario ha analizado unos datos de siniestralidad y concluye que la probabilidad de que un mismo asegurado tenga dos siniestros en un ao es cuatro veces la probabilidad de que tenga un siniestro en un ao. Sabiendo que el nmero de siniestros que sufre un asegurado en un ao sigue una distribucin de Poisson. Determinad: a) El nmero esperado de siniestros que sufre el asegurado en un ao segn la hiptesis de Poisson. b) La probabilidad de que un asegurado tenga ms de 3 accidentes en un ao. c) Si la ocurrencia de siniestros en un ao y el siguiente es independiente. Cal es la probabilidad de que un asegurado tenga al menos un accidente en dos aos? a) Sea X la variable aleatoria nmero de siniestros en un ao, que sigue una distribucin de Poisson . Si,
b)
c) Se puede plantear como la probabilidad de que un ao no haya suceso y al ao siguiente haya un suceso.
Pero es ms correcto decir que X es la variable aleatoria nmero de siniestros cada 2 aos, que sigue una distribucin de Poisson de parmetro =82=16
9. Una entidad ofrece a sus clientes preferentes (un total de 5000 clientes) una tarjeta de crdito. La probabilidad de que se realice un uso fraudulento de la tarjeta es de un 0.003% al mes. En una operacin fraudulenta, la prdida se considera fija e igual a 1350 euros. a) Calculad la probabilidad de que no se produzca ningn uso fraudulento de la tarjeta durante un mes. b) El coste anual por tarjeta emitida que tendr una cobertura por uso fraudulento (coste esperado anual). Se supone independencia entre un mes y el siguiente. Sea X la variable aleatoria uso fraudulento de la tarjeta al mes. Que por tener una muestra grande y una probabilidad de ocurrencia pequea, sigue una distribucin de Poisson de parmetro =50000,00003=0.15 a)Probabilidad de no suceso
b) Coste de la cobertura anual del uso fraudulento
que es la media de usos fraudulentos al ao. Si se multiplica por el valor de la operacin fraudulenta,
y si ahora se reparte entre la poblacin de 5000 targetas,
0,49 cntimos por tarjeta cubriran el valor del uso fraudulento anual.
1.2 modelos continuos
1 Distribucin uniforme Toda variable aleatoria se puede relacionar con una distribucin uniforme en el intervalo (0,1). Supone que la funcin de intensidad de probabilidad es constante, con lo cual la probabilidad de ocurrencia es constante independientemente de la cantidad de exposiciones al riesgo. Su funcin de densidad es,
Para todo el intervalo (a,b) de distribucin uniforme. Y cumple que,
La funcin de distribucin dentro del intervalo ser,
Y la varianza,
Ejemplo: El tiempo que una ambulancia tarda en acudir al lugar del accidente sigue una distribucin uniforme entre 0 y 10 minutos. Cul es la probabilidad de que tarde ms de 3 minutos? Cul es el tiempo medio de espera? X es la variable aleatoria tiempo de espera que sigue una distribucin U(0;10)
otro ejemplo: El coste de los siniestros se distribuye uniformemente entre 0 y 10.000 a) cul es la media? b) cul es la media si se establece una franquicia de 1000? c) cul es la media si se establece un lmite de 9000? d) cul es la media si b+c?
a)
b)
c)
d)
2. La distribucin Normal Si se tiene n variables aleatorias independientes e igualmente distribuidas, por el Teorema Central del Lmite, cuando n tiende a infinito entonces X sigue una distribucin Normal. Tambin surge en otros casos cuando los sumandos son dependientes entre s. La caracterstica fundamental es que en la distribucin Normal la media, mediana y moda coinciden, y separa en dos lados perfectamente simtricos la distribucin, adems es el punto donde la densidad de probabilidad es mxima. Esta simetra supone que la densidad de la probabilidad se puede medir en trminos de mediadesviacin estandar. Su funcin de densidad es,
Y si X es una variable aleatoria que sigue una distribucin Normal de media y varianza , se expresar, X~N(, ) o expresado en desviacin estandar, X~N(, ) Dos distribuciones Normales de igual varianza y media tendrn un dibujo,
Dos distribuciones Normales de igual media y varianza < tendrn un dibujo,
Si X~N(, ) y a0 es una constante, la variable aleatoria Y del tipo Y=aX+b tambin ser una distribucin Normal N(a+b, a) Si y entonces la variable aleatoria tendr una distribucin
La funcin de distribucin ser,
Y para cualquier media y varianza se cumplir que la proporcin de probabilidad acumulada dentro de los intervalos entre la media y n veces la varianza es constante, = 0,6826 1,64 = 0,9 1,96 = 0,95 2 = 0,9544 2,58 = 0,99 3 = 0,9972 Distribucin Normal estandarizada Consiste en una distribucin Normal con media 0 y varianza = 1. Esto permite para cualquier distribucin con media y varianza particular estandarizarlo a N(0, 1). Para transformar la variable aleatoria particular X a una variable aleatoria estandarizada Z, donde las tablas de la normal indican cul es la probabilidad acumulada para cualquier valor de Z, que se obtiene
Ejemplo: La distribucin del resultado tcnico (en miles ) de una cartera de seguros sigue una distribucin Normal con parmetros =0 y =30 a) cul es la probabilidad de obtener resultados negativos? b) cul es la probabilidad de obtener beneficio entre 10 y 15? c) cul es la probabilidad de un beneficio superior a 30? Sea X la variable aleatoria resultado tcnico en miles de euros, con distribucin X~N(0, 30) La probabilidad de obtener resultados negativos ser,
si se estandariza dar el mismo resultado,
b)
c)
3. La distribucin logartmico-Normal Es una de las distribuciones ms usadas para ajustar datos en relacin al coste de un siniestro. Por efecto del logaritmo, se da ms importancia a los valores grandes y no presenta una distribucin simtrica: la pendiente a la derecha de la media es ms suave. Esto permite una mayor densidad de probabilidad a la derecha, y por lo tanto es ms fcil encontrar valores extremos por la derecha: es ms pesimista. Para valores medios o altos de la varianza, respecto a la funcin de distribucin Normal, la asimetra tiende a ser ms pronunciada. Y por el contrario, cuando la varianza de la lgN tiende a cero, ms simtrica es la distribucin hasta el lmite de superponerse a la distribucin normal. Una variable aleatoria X sigue una distribucin lgN si el logaritmo neperiano de X se distribuye como una normal.
Tambin se puede estandarizar, de forma que,
Si se opera en esta expresin se puede despejar X en funcin del valor Z de la normal estandarizada: Su funcin de distribucin ser,
Su esperanza matemtica ser,
Y su varianza ser,
Ejemplo: Un siniestro tiene para su cuanta una funcin de distribucin lgN(=7, =1,5) a) cul es la probabilidad de tener un siniestro de cuanta inferior a 200? b) cul es la probabilidad de tener un siniestro de cuanta superior a 1000? Sea X la variable aleatoria cuanta del siniestro X~ln(7, 15)
4. La distribucin de Pareto Es una distribucin muy til en el clculo de la probabilidad de que se produzca una prdida grande. Si la distribucin lgN muestra ms densidad de probabilidad en el extremo de la derecha que la distribucin Normal, la distribucin de Pareto todava converge a cero ms lentamente que la propia lgN. Por este motivo se usa para determinar las primas de un reaseguro en los tramos de grandes siniestros. El primer paso es considerar la probabilidad de que una variable aleatoria X tome un valor superior a un determinado x. Siendo x>k y >0
Su funcin de distribucin ser,
Su funcin de densidad es, para todo x>k
y f(x)=0 para xk Su esperanza matemtica es,
Su varianza es,
La distribucin de Pareto suele utilizarse junto con otra distribucin. Para modelizar la distribucin de una variable aleatoria X se usa una distribucin de las anteriores hasta un cierto valor k crtico, a partir del cual entra en funcionamiento la distribucin de Pareto con su particular lentitud en converger a cero por la derecha. El parmetro k es la altura inicial de la funcin de distribucin, y el parmetro es el responsable de la suavidad con que la funcin tiende a cero. Cuando menor sea el parmetro ms suavidad ms lentitud en converger a cero mayor densidad de probabilidad es ms probable que ocurra un siniestro de elevada cuanta. Ejemplo: La distribucin del coste de un siniestro de una cartera de seguros, sigue una distribucin de pareto de parmetros =2 y k=300, cul es la proporcin de siniestros que exceden los 600? cul es el coste medio? Sea X la variable aleatoria coste del siniestro,
Un 25% de los siniestros exceden los 600 u.m.
5. La distribucin Gamma Es otra distribucin muy til cuando se dispone de un conjunto de datos positivos, con una sola moda, y de asimetra positiva; la mayora de los sucesos se concentran a la izquierda de la media. Esto se corresponde con distribuciones donde se dan muchos sucesos de poca cuanta y pocos sucesos de ms cuanta. Tambin se usa para modelizar el tiempo hasta que se produce p veces un determinado suceso. Ejemplo: en un estudio de la guardia urbana de Barcelona se toma una distribucin gamma para modelizar el nmero de vctimas en accidentes de trfico. Como es ms habitual la proporcin de 1 ocupante por vehculo, y es ms rara la probabilidad de 4 5 ocupantes por vehculo siniestrado, se crea una distribucin gamma para modelizar el nmero de vctimas por accidente de trfico. El 38% de la distribucin lo acumula la proporcin 1 accidentado por accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1 La funcin de densidad es
donde x>0 y h, son parmetros positivos. Se demuestra que f(x) es una funcin de densidad porque para f(x)0
La funcin caracterstica es,
La varianza ser,
donde
6. La distribucin beta Es una distribucin para modelizar variables que representan proporciones. Su funcin de densidad incopora la funcin gamma (x),
Su esperanza es,
y su varianza,
Ejemplo: La proporcin de plizas de hogar que durante el ao tienen algn siniestro sigue una distribucin Beta con valor esperado 0,375 y varianza 0,1302. Cul es la probabilidad de que la proporcin de hogares con algn siniestro sea como mximo del 45%? cul es la probabilidad de que la proporcin de hogares con algn siniestro sea como mnimo del 75%? Sabiendo que
se encuentra que p=0,3 y q=0,5 P(X0,45)= 0,6138 P(X0,75)= 1-P(X0,75)= 0,2343
7. La distribucin exponencial La distribucin exponencial se aplica en fiabilidad de sistemas, en variables que representan tiempo de vida de componentes con pequeo desgaste. Tiene dos parmetros, y . Es un caso especial de ley gamma cuando =0 y =1. Se puede interpretar como tiempo transcurrido hasta la presencia de un acontecimiento. Su funcin de densidad es
y si suponemos que =0 y que =1/, entonces
Su funcin de distribucin es
Y su esperanza es
y su varianza,
Ejemplo: El tiempo que un paciente tarda en ser atendido en un centro de salud sigue una distribucin exponencial de media 10 minutos. Cul es la probabilidad de que un paciente tarde ms de 20 minutos en ser atendido? Sea X la variable aleatoria tiempo de ser atendido. Si la media son 10 minutos, entonces
Entonces,
Ejemplos: 1. Un asegurador ha observado que en una de sus carteras en promedio tiene 5 siniestros anuales superiores a los 3 millones de Euros. Los datos de los ltimos 10 siniestros que superan esta magnitud son: {3,2 ; 4 ; 5 ; 4,5 ; 3,1 ; 3,8 ; 7 ; 3,2 ; 3,4 ; 4 } Suponiendo que la variable aleatoria "Coste del siniestro en millones de Euros" sigue una distribucin de Pareto, calculad: 1. Probabilidad de tener un siniestro que cueste ms de 20 millones de Euros. 2.Cada cuantos aos se espera un siniestro de ms de 20 millones de Euros? 3. Si la cartera est formada por 200.000 plizas que se renuevas anualmente, cunto cuesta por pliza el reaseguro de los siniestros de ms de 20 millones? Primero se encuentra la media y la varianza muestral de los 10 siniestros:
Se establece el parmetro k=3 A partir de la muestra, se puede suponer que
La probabilidad de tener un siniestro superior a 20 millones es de 0,093% Esta probabilidad prxima a 0,01% supone que uno de cada mil siniestros supera los 20 millones de euros. Si cada ao hay cinco siniestros; mil siniestros dividido por 5 siniestros al ao da 200 aos para que suceda un siniestro superior a 20 millones. Sea ahora X la variable aleatoria valor esperado de los siniestros superiores a 20 millones.
Lo que se ha hecho es plantear ahora k=20 y suponer que el parmetro sigue siendo = 3,68 Como que hay 5 siniestros al ao,
0,1279 millones de euros es el coste esperado anual. Si se tienen 200.000 plizas,
El precio de la cobertura del reaseguro anual de los siniestros de un importe mayor de 20 millones de euros es de 64 cntimos de euro para cada una de las 200.000 plizas. 2. El coste de un siniestro sigue un a distribucin normal de media 1 milln de euros, con una desviacin estndar de 300.000 euros. Si los siniestros son independientes y se producen 5 siniestros. Nota dejad indicado el clcullo de la funcin de distribucin de una normal estndard a) Calculad la probabilidad de que el coste total supere los 7 millones de euros. b) Calculad la probabilidad de que ningn siniestro sea superior a 1 milln de euros. Sea X la variable aleatoria coste total de un siniestro, que sigue una ley Normal de media =1 milln y desviacin estandar =300.000. a) que 5 siniestros superen en total los 7 millones supone 1,4 millones por siniestro;
Tambin, Sea X la variable aleatoria coste del siniestro ~N(1;0,3), y si los siniestros son independientes entonces
y as
b) La probabilidad de que ninguno de los 5 siniestros supere el coste de 1 milln, es
3. El nmero de tramitaciones de siniestros que realiza la central de una entidad en un da oscila uniformemente entre 60 y 120. Si los das son independientes entre s, calculad la probabilidad de que en cinco das se superen las 500 tramitaciones. Sea X la variable aleatoria nmero de tramitaciones al da, X~U(60,120), si renombramos X como variable aleatoria nmero de tramitaciones en 5 das, ser X~U(560, 5120) = X~U(300, 600).
y ahora, si la funcin de densidad de una distribucin uniforme es
y la funcin de distribucin es
4. Un conjunto de plizas tienen dos tipos de coberturas. Para cada una de ellas el coste del siniestro sigue una distribucin log-normal de media = 1; = 2 y desviacin estndard = 1, = 2 respectivamente. Suponiendo que los dos costes son independientes. a) Hallad que distribucin sigue el producto de los dos costes. b) Escribid el valor esperado del producto de los dos costes. Sea Sea la variable aleatoria coste del siniestro, y su logaritmo sigue una distribucin la variable aleatoria coste del siniestro, y su logaritmo sigue una distribucin
Entonces el producto de los dos costes ser que seguir una distribucin b) el valor esperado ser
1.3 Convergencia de sucesiones de variable aleatoria 1. Sucesin de variable aleatoria Si una sucesin de nmeros reales es una funcin que genera una lista ilimitada de nmeros; sucesin constante (2,2,2,2,2), la sucesin de nmeros naturales (1,2,3,4,5,), sucesiones recurrentes como la de Fibonacci (1,1,2,3,5,), o progresiones aritmticas o geomtricas Entonces una sucesin de variable aletoria es una funcin que genera una lista ilimitada de nmeros inciertos, debido a que cada nmero es una variable aleatoria. Se reconoce como Convergencia en probabilidad Una sucesin converge en probabilidad a la variable aleatoria X si cuando al llevar la sucesin al lmite la probabilidad de que la diferencia entre y X sea mayor que un error es igual a cero.
Esta convergencia en probabilidad de
a X se escribe
Propiedades: 1. Si y se tiene que g(x) es una funcin continua, entonces
2. Si
y g(x,y) es una funcin continua, entonces
3. Se cumple tambin que
2. Teorema de Bernoulli Sea una variable aleatoria con distribucin Binomial B(n,p). Si tenemos otra variable aleatoria tal que
Su funcin de densidad ser
Siendo
la frecuencia relativa de la presencia de un suceso de probabilidad p en n pruebas independientes:
La frecuencia relativa
converge en probabilidad p cuando el nmero n tiende a infinito.
Conclusin: Dado un suceso de probabilidad p, cuando n tiende a infinito la frecuencia relativa se aproxima a p. 3. Teorema de Poisson Es una generalizacin del teorema anterior de Bernoulli, que tambin dice que la frecuencia relativa converge en probabilidad a p. Sea A un suceso y consideremos n experiencias independientes, cada una de ellas asociada a un espacio de probabilidades que no son necesariamente iguales, con como las probabilidades de A en cada uno de estos espacios. Entonces
Cuando el nmero de experiencias tiende a infinito, la frecuencia relativa
verifica que
4. Ley de los grandes nmeros La media muestral de n observaciones independientes de una variable aleatoria, tiende a m cuando crece n. Si tenemos una sucesin de n observaciones de una variable aleatoria, y consideramos que
Entonces
5. Convergencia en la distribucin Es la forma ms dbil en convergencia. La sucesin funcin de distribucin F(x) si converge en ley o en distribucin a la variable X de
Si
es una binomial B(n,p) con n que tiende a infinito y p muy pequea, y np= entonces
donde X es una distribucin de Poisson de parmetro
6. Convergencia en probabilidad Supone que la probabilidad de encontrar un resultado inusual se vuelve ms y ms pequea cuando la secuencia avanza. Un estimador ser consistente si converge en probabilidad a la cantidad que estima. Es la convergencia que establece la ley dbil de los grandes nmeros 7. Convergencia casi segura Supone que la secuencia converge casi seguro, en casi todas partes, con probabilidad de 1 hacia X. Implica la convergencia en probabilidad, y por lo tanto tambin la convergencia en la distribucin. La convergencia casi segura es la que establece la ley fuerte de los grandes nmeros. Teorema de Laplace-de Moivre: Si es una binomial B(n,p) con n que tiende a infinito y p constante, y entonces
Teorema central del lmite: Si una sucesin de variables aleatorias independientes, con esperanza y varianza finitas, se verifica que
Es decir, la variable aleatoria suma de variables aleatorias se comporta como una distribucin normal. El problema que se plantea es: cmo de grande debe ser n para que este lmite se cumpla? Ley dbil de los grandes nmeros: Asegura que en muchas situaciones la media aritmtica de n variables aleatorias converge en probabilidad hacia E( ): La convergencia cuando converge en probabilidad a cero. Ley fuerte de los grandes nmeros: La convergencia cuando converge a cero.
Es decir, la ley dbil nos dice que el promedio de las observaciones es muy probablemente casi igual que el valor esperado. La ley fuerte nos dice que la convergencia de los valores observados al valor esperado es casi segura. El detalle es que se pasa de una convergencia de probabilidad, a una convergencia casi segura. 8. Ley de Kolmogorov de los grandes nmeros Si las variables aleatorias de la sucesin son independientes, igualmente distribuidas, de varianza comn, entonces
9. Teorema de Moivre Sea con y Es decir, el experimento de lanzar una moneda al aire. donde p=q=0,5
Cuando n sucede que la variable converge en distribucin a una N(0,1), con lo cual la variable una distribucin N(np, )
tiene
1.4 Introduccin a los procesos estocsticos Cualquier estudio de una variable aleatoria a lo largo de un plazo temporal o espacial es un proceso estocstico. El estudio pretende modelizar tericamente una variable aleatoria para poder hacer predicciones del comportamiento futuro de un proceso. Se identifica un proceso estocstico con una sucesin de variable aleatoria . Normalmente la t hace referencia al momento temporal, y X a la variable aleatoria. De forma que ser el valor de la variable aleatoria en un momento temporal. Por ejemplo; nmero de palabras escritas el ltimo minuto. Estos procesos pueden ser sobre variables aleatorias independientes, o llegar a una gran complejidad si se aplican a variables aleatorias no independientes, como los procesos estocsticos de cadena de Markov; el ltimo evento condiciona la probabilidad de eventos futuros. Un proceso estocstico markoviano es tal que la distribucin de no de los otros anteriores. slo depende de la distribucin de y
TEMA 2. TEORA DEL RIESGO Y DE LA RUINA 2.1 Proceso del nmero de siniestros. Proceso de Poisson. Un proceso de Poisson es aquel que 1. El nmero de sucesos que se producen en un intervalo de tiempo es una variable aleatoria, independiente de los que se produzcan en otro intervalo de tiempo: los sucesos se dan de forma independiente. 2. La probabilidad de que en un intervalo de amplitud infinitesimal ocurra un nico suceso es t, siendo lambda constante. 3. La probabilidad de que en una amplitud infinitesimal se produzca ms de un suceso es despreciable. Dicho de otra forma, un proceso de Poisson cuenta los eventos raros que suceden a lo largo del tiempo. Se demuestra que la probabilidad de que en el espacio t sucedan x siniestros es una Poisson de parmetro t
Distribuciones mixtas de Poisson Si para una Poisson se cumple que tiene valor esperado y varianza iguales a , en la realidad sucede que no siempre coinciden E(X) y V(X): algunas veces la varianza es superior a la media. Adems, no concurre la hiptesis de independencia, y el acaecimiento de un siniestro aumenta la probabilidad de los siguientes: sucede contagio. Lo que se plantea es una distribucin de Poisson donde el propio parmetro es a su vez una variable aleatoria compuesta por una constante y una variable aleatoria que recoge la heterogeneidad de la cartera:
Ahora la media ser
y la varianza ser
Ejemplo: El nmero medio anual de siniestros por pliza no es constante, sino una variable aleatoria que puede tomar 3 valores diferentes sujetos a una probabilidad de ocurrencia:
0,4 0,8 1,2 El valor esperado de ser
0,1 0,8 0,1
Las variaciones de se considera que estn producidas por la variable , de forma que
de forma que para cada escenario se puede despejar el valor de la variable k 0,8 0,8 0,8 0,5 1 1,5
0,4 0,8 1,2 Los momentos de segundo orden son,
0,1 0,8 0,1
2.2 Procesos de Dao Total. Proceso compuesto de Poisson. El dao total es un proceso compuesto en tanto que est formado por la variable aleatoria nmero de siniestros y la tambin variable aleatoria cuanta del siniestro. En un principio, y por restricciones tcnicas, los primeros estudios de seguros simplificaban la realidad suponiendo que el valor de n de siniestros y cuanta tenan valor igual al valor esperado (la media de observaciones anteriores). De Moivre demostr que si una empresa aseguradora simplifica las variables aleatorias de su cartera por los valores medios, la probabilidad de ruina es elevadsima. Es necesario incluir un margen adicional; un recargo de seguridad, para englobar las fluctuaciones aleatorias. En la teora del riesgo se estudia o analiza las fluctuaciones aleatorias que se producen sobre la siniestralidad, con el objetivo de saber qu reservas hay que tener, que retencin vamos a asumir (reaseguro) y el nivel de riesgo aceptado en la cartera. Los fondos del asegurador sern ingresos menos pagos:
Ejemplo: Si una empresa tiene 1000 plizas, donde con un 10% de probabilidades suceden siniestros de media 100 euros, el valor esperado de coste total ser = 10000,1100 = 10.000 euros. Si la desviacin tpica es de 30, significa que la desviacin tpica de la cartera es = Se puede estandarizar a una distribucin normal N(0,1) haciendo que cul es la probabilidad de que el coste sea superior a 11.500 euros?
Cartera con importe de siniestro constante Supone que todos los siniestros son del mismo importe, X, y que el nmero total de siniestros de la cartera sigue una distribucin de media n. Si k es el nmero total de plizas de cartera y q la probabilidad de ocurrencia, entonces
Entonces,
Si n es mayor de 10, entonces se puede utilizar la aproximacin normal a la distribucin de Poisson:
Siendo X el importe de cada siniestro, k el nmero total de plizas, y N el nmero de plizas siniestradas de un conjunto n, y adems es el recargo de seguridad, las reservas del asegurador a final de ao deberan ser
Si se estandariza a la normal (0,1) se puede escribir una funcin con el valor del error asumible, es decir, valor de la reserva sujeto a una Z que garantiza una solvencia en el 99% de los casos, por ejemplo:
o lo mismo pero expresado dede el valor de la reserva:
Ejemplo: Una cartera de 1000 plizas, con un capital asegurado por pliza de 500 euros. La frecuencia es de 0,01, el recargo de seguridad es de =0,1. Cul es la reserva para tener una solvencia en el 99% de los casos?
Qu tamao debe tener la cartera para que no sea precisa reserva inicial? Si K es el nmero total de plizas, y n=K y sabemos que
Cartera con un importe de siniestros variable Evitamos la restriccin anterior de que todos los siniestros son del mismo importe. N sigue siendo el nmero total de siniestros de un conjunto de n plizas, pero ahora cada siniestro es de un importe . La variable aleatoria coste total (C) es ahora
Que antes se reduca a C=NX gracias a la restriccin de que todos los importes son iguales. El nmero esperado de siniestros sigue siento n=kq y su distribucin es
y se supone que cada siniestro tiene su media = m y momento de segundo orden
. Se deduce que
Es decir, el coste total esperado es el total de polizas siniestradas por su valor esperado. Tambin
Si las reservas libres a comienzo del ao son
, y el total de primas devengadas es
Incluyendo tambin un recargo de seguridad, y el coste total a afrontar, las reservas a final del ejercicio sern:
Igual que en el apartado anterior se puede estandarizar
Y las reservas necesarias condicionadas a una Z de error ser
Ejemplo: Una empresa tiene una cartera de plizas que siguen una Poisson de parmetro (media) = 10 siniestros/ao Otra empresa tiene otra cartera de plizas que tambin es una Poisson = 20 siniestros/ao En cada caso, el siniestro es de 1 milln de euros (la severidad del siniestro). a) Cul es el margen mnimo para cada empresa para cumplir la normativa europea de un 99% de solvencia. b) Y si se fusionan? a) Se crea una columna en excel con el valor acumulado de una Poisson de parmetro = 10, de forma que en la primera fila se tiene P(X=0), en la segunda P(X=1), y se van sumando probabilidades. Se observa que para P(X=17) la probabilidad acumulada es de 0,9857, y que para P(X=18)=0,9928. Por lo tanto, se necesitan 181 milln = 18 millones de reserva para garantizar el 99% de solvencia. Por lo tanto, si la media es de 10 siniestros al ao, el margen de solvencia es de poner el 80% ms de los siniestros esperados para garantizar el 99% de solvencia. Para la segunda entidad, cuando P(X=31) la probabilidad acumulada llega a 0,991908. Se necesitan 31 millones. Si la media es de 20 siniestros al ao, el margen de solvencia es de 55% ms de los siniestros esperados para garantizar el 99% de solvencia. b) Si se fusionan, se tendr una distribucin de Poisson de parmetro = 30. Haciendo el mismo procedimiento que en el apartado anterior, cuando P(X=43) la probabilidad acumulada es de 0,990264. Ahora el margen de solvencia es de poder garantizar un 99% de solvencia. Ejemplo 2: Una tabla recoge los datos observados de la distribucin del coste de los siniestros de una cartera de seguros generales. Estimar los momentos m y de la distribucin del coste de un siniestro. . Se necesita un 43% de ms sobre el valor esperado para Es decir, necesitas poner el . Es decir, necesitas
Si se planteara un pleno de retencin, es decir, un importe a partir del cual se activa el reaseguro, la suma ser hasta el coste dentro del reaseguro, con lo que aparcern un nuevo y un .
Las reservas libres sern, para cada caso,
donde tambin kq=n Ejemplo 3: Si una aseguradora quiere tener unas reservas de 12000, para una cartera que sigue una Poisson de parmetro =0,05, con parmetros m=967,4 y , condicionados a una solvencia del 99% ( ), y la probabilidad del siniestro es q=0,035 cul debe ser el tamao de la cartera? Nos preguntan por el valor de k. El primer paso es encontrar el nmero de plizas siniestradas = n
Ya que
Ser necesario tener o menos de 837 plizas contratadas, o ms de 60117, para disponer de unas reservas de 12000. Ejemplo 4: Cul debe ser la prima de riesgo de un seguro si la cuanta media de los siniestros es de m=412,9, y la probabilidad de ocurrencia es de q=0,035?
Eleccin del tipo de distribucin Si existe un nmero mximo de sucesos posibles entonces la mejor opcin es la distribucin Binomial. Cuando no existe techo o n tiende a infinito se usa Poisson, ya que formalmente la Binomial tiende a la Poisson. La Binomial Negativa se usa cuando media y varianza son distintas, y es la primera que se usa antes que otras distribuciones ms complejas.
2.3 Aproximaciones a la distribucin del dao total Sea S el coste total o dao total que hace frente una compaa de seguros de forma anual. Ser fundamental poder calcular la probabilidad de que P(Ss), es decir; la probabilidad de que el dao total S sea inferior a un importe s. O bien encontrar la probabilidad complementaria; la probabilidad de que el dao total exceda de un determinado importe. Una forma de aproximar el valor de S es hacer la suma de las cuantas de cada siniestro ocurrido; es el modelo de riesgo individual. Otra aproximacin es la del riesgo colectivo; donde se trata el nmero de siniestros y la cuanta de cada uno como variables aleatorias. Esto ltimo es lo que acaba sucediendo, en tanto es dificil conocer en cada momento los datos reales. 1. Recurrencia de Panjer Se demuestra que cuando estamos en el modelo de riesgo colectivo, si las variables aleatorias cumplen una serie de condiciones, la frmula de Panjer expresa con gran exactitud la distribucin de probabilidad de que el dao total S sea menor o mayor a una cuanta s. Si N es la variable aleatoria nmero total de siniestros, entonces ser una variable discreta (porque no sucede medio accidente). Para que la frmula de Panjer funcione, deben cumplir que la probabilidad sea de la clase (a,b;0), es decir, que dependa de dos constantes, a y b, de forma que
Por ejemplo, la probabilidad de que la cantidad de siniestros totales sea = 1, es decir (N=1), ser
Resulta que slo las distribuciones de Poisson, Binomial, Bin. negativa y geomtrica, pertenecen a esta clase, y se cumplen cuando: N es una binomial de parmetros (n,p); N~B(n,p) y las constantes son
N es una Poisson, N~P(),
N es una binomial negativa, N~BN(, p)
Si se despeja la frmula de la probabilidad de forma que;
se tiene la frmula de una recta, Y=aX+b donde a es la pendiente de la recta. Si sabemos que Poisson no tiene pendiente, que la Binomial es de pendiente negativa, y que Binomial Negativa y geomtrica son de pendiente positiva, un grfico de nos dar una pista de cul es la funcin de distribucin que mejor se ajusta a las frecuencias observadas.
La frmula de recurrencia de Panjer es laboriosa, pero la mejor de las peores, y supone que f(x) ser la funcin de densidad de la variable aleatoria S, discreta, asociada a la cantidad de reclamacin.
Y para cada distribucin, f(x) ser: Para la distribucin de Poisson;
Para la distribucin Binomial;
Para la distribucin Binomial Negativa;
Y para la distribucin Geomtrica;
Ejemplo de Panjer aplicado a una Poisson: Si el nmero total de siniestros N sigue una Poisson de parmetro =5, y con la probabilidad de que S>3? Como estamos en una Poisson, a=0, y b==5 Aplicando Panjer, para los valores positivos de x tendremos que;
, cul es
Y ahora hay que aplicar la recurrencia; la probabilidad de no tener ningn siniestro,
la probabilidad de tener 1 siniestro,
la probabilidad de tener 2 siniestros,
Por lo tanto,
Ejemplo de Panjer aplicado a una Binomial: Si el nmero total de siniestros N sigue una Binomial de parmetros N=100 y =0,05, y con , cul es la probabilidad de que S>3? Las constantes sern
Aplicando Panjer, para los valores positivos de x se tiene que
Y finalmente,
Ejemplo de Panjer aplicado a una Binomial Negativa: Si el nmero total de siniestros N sigue una Binomial de parmetros r=5 y =0,3, y con , cul es la probabilidad de que S>3?
Las constantes sern
Y finalmente,
Ejemplo de Panjer aplicado a una geomtrica: Si el nmero total de siniestros N sigue una geomtrica de parmetros =0,1, r=1, y con , cul es la probabilidad de que S>3? Las constantes sern
la probabilidad de tener 2 siniestros, ecosdelaeconomia.wordpress.com
Y finalmente,
2 Aproximacin al dao total por una distribucin Normal Como el mtodo recursivo de Panjer se demuestra limitado, se han desarrollado mtodos de clculo para aproximar la distribucin de la cantidad total (S) independientemente de la distribucin N. As no nos preocupamos de si la funcin de probabilidad de N es de la clase (a,b;0) o no. Las aproximaciones ms utilizadas son la Normal, Normal-power, log-normal, Gamma, Edgeworth y Esscher. Ser necesario tener los datos empricos de la variable aleatoria S, y de no tenerlos habr que encontrar los momentos del coste total a partir de los momentos de N y X (variable aleatoria nmero de siniestros y cuanta de cada siniestro, respectivamente). El mtodo de la aproximacin por la distribucin normal consiste en plantear que la funcin de distribucin del dao total,
sigue una distribucin normal con la misma media y varianza que S, tal que
y que como cualquier normal se puede tipificar, siendo
la funcin de la normal tipificada;
Se justifica la aproximacin normal por el teorema central del lmite, puesto que N es una funcin de variables aleatorias independientes e idnticamente distribuidas. El problema que presenta es el supuesto de simetra propia de la normal, algo muy difcil de defender en la realidad ante la mayora de carteras de plizas. Aproximacin al dao total por una distribucin Gamma La distribucin gamma se usa cuando la variable aleatoria S tiene un poco de asimetra (un poco, no mucho), o cuando el parmetro de la Poisson es grande.
Aproximacin de Edgeworth Primero es necesario estandarizar la variable, para dejar la media=0 y la varianza=1. Da muy buenos resultados entorno al valor medio, pero funciona muy mal en los extremos.
Aproximacin de Esscher Es la que presenta mejores resultados dentro de la teora del riesgo. Es la utilizada para modelizar los seguros de coches con bonus-malus
Aproximacin de Normal-power Se estandariza la variable en una variable simtrica. No funciona en colectivos reducidos. En todo caso su utilidad es demostrar cun mala es la distribucin normal.
TEMA 3. INFERENCIA APLICADA 3.1 Mtodos de estimacin 1 Introduccin a la estimacin puntual Cuando se estudia un fenmeno aleatorio puede suceder que, o bien se desconoce el modelo de probabilidad al que se ajusta la variable aleatoria que estamos estudiando; inferencia no paramtrica, o bien conocemos el modelo de probabilidad pero se desconocen los parmetros que la definen; inferencia paramtrica. La estimacin puntual forma parte de la inferencia paramtrica, y consiste en usar la informacin de la muestra para determinar el valor de los parmetros que, supuestamente, tiene la distribucin de probabilidad de la poblacin. Espacio paramtrico: el conjunto de todos los valores admisibles para los parmetros, se escribe . La funcin de distribucin que depende de nuestro parmetro a analizar ser Por lo tanto, la familia de distribuciones de una variable aleatoria , tendr valores dentro del conjunto
Ejemplo: Si es una variable aleatoria, y sabemos que sigue una distribucin Binomial con parmetros n=3 y p desconocido, pero con valores entre 0 y 1;
Por lo tanto, los valores del parmetro depende de la muestra elegida. Por esto el parmetro no puede ser el parmetro real de la poblacin, sino que se trata de un estimador. El estimador es una funcin de los valores muestrales con un conjunto de posibles valores que han de ser los valores posibles del parmetro de la poblacin. El estimador se obtiene calculando la media de los valores observados, o con la media geomtrica, o tomando el valor de la moda, o tal vez tomando el valor mnimo observado, en definitiva, se obtiene mediante estadsticos. El estadstico, o estadstico muestral, es una medida cuantitativa derivada del conjunto de datos de la muestra. Y por lo tanto: Ni todos los estadsticos son estimadores, y no todos los estimadores asignan el mismo valor al parmetro desconocido. Evidentemente, como los datos de la poblacin son inescrutables, nunca se sabr cul es el error que se comete al realizar la prediccin con nuestros estimadores. Propiedades de los estimadores 1. Propiedad de insesgadez: Consiste en contrastar el valor del estimador que nos planteamos, respecto sucesivas muestras de de la poblacin. De forma que comparndolos y asumiendo que a veces se cometen errores de ms y de menos, la media de - ser = 0 Un estimador es un estimador insesgado de si:
Y si planteamos que b() es la diferencia entre el estimador del parmetro y el parmetro a estimar,
Cuando b()>0 el sesgo ser positivo: nuestro estimador est sobreestimando el parmetro. Cuando b()<0 el sesgo es negativo: nuestro estimador est infravalorando el parmetro. Ejemplo: Consideremos una distribucin normal, y que deseamos plantear tres estimadores de la media (). El primer estimador, lo calcularemos como la media = suma de las n observaciones dividido por n-1. El segundo estimador, lo calcularemos como la media = suma de las n observaciones dividido por n. El tercer estimador, lo calcularemos como la media = suma de las n observaciones dividido por n+1. Y a ver qu pasa:
Por lo tanto, es un estimador que siempre tendr un ligero sesgo positivo
Por lo tanto, es un estimador insesgado.
Por lo tanto, es un estimador que siempre tendr un ligero sesgo negativo.
Estimador de mnimo error cuadrtico medio Supongamos que estudiamos una variable aleatoria , que sabemos que se ajusta a un modelo probabilstico con funcin de distribucin F, conocida, que depende de un parmetro , desconocido. Se considera entonces como el estimador de ese parmetro. Por lo tanto es una variable aleatoria, que depende de la muestra seleccionada, y con un posible error de sesgo planteado en el apartado anterior. El error cuadrtico medio entre estimador y parmetro ser
Y evidentemente, el mnimo error ser lo deseable. Desarrollando la expresin anterior se llega a que ecosdelaeconomia.wordpress.com
O dicho de otra forma,
Ejemplo: Volviendo al primer estimador del ejemplo del apartado anterior, si suponemos que la variable aleatoria sigue una distribucin normal ~N(, 30), entonces su error cuadrtico medio ser:
2. Propiedad de eficiencia: Si resulta que nos encontramos con dos estimadores insesgados el que tenga menor varianza ser el que tenga menor error cuadrtico medio. Se dir entonces que, el que tenga menor varianza, ser ms eficiente. Podemos compararlos, y si V()<V(), y hablar de eficiencia relativa;
Ya que los estimadores provienen de la muestra, siempre existir una varianza mnima. Esto significa que si estimamos un parmetro y resulta insesgado pero con una cierta varianza, y por lo tanto con un cierto error cuadrtico medio, estamos ante algo inevitable. No habr forma de encontrar un estimador con error cuadrtico medio igual a cero. Este valor mnimo es la cota de Cramer-Rao.
y en caso de tratarse de un estimador insesgado;
3. Propiedad de consistencia: Insesgadez y eficiencia no dependen del tamao de la muestra, pero evidentemente influye. Lo lgico es que si se incrementa n, la calidad de nuestro estimador tambin crece en tanto que aumenta su capacidad de previsin. Se indica el tamao de n en el estimador, de forma que, por ejemplo, si tenemos una muestra de 100;
En este caso se cumple una convergencia de probabilidad del estimador respecto el parmetro. Cuando n tiende a infinito, la probabilidad de que la diferencia entre estimador y parmetro sea superior a un error es cero. ecosdelaeconomia.wordpress.com
Se cumple cuando el estimador es insesgado o asintticamente insesgado. Tambin se verifica que la varianza del estimador cuando n tiende a infinito es = 0. Si se cumple que la probabilidad de error tiende a cero, y que la varianza tambin, entonces se dice que es un estimador consistente en Error cuadrtico medio. Ejemplo: Volviendo a los 3 estimadores planteados anteriormente;
y entonces, aplicando lmites:
Y por lo tanto
es un estimador consistente.
Respecto al siguiente;
Y por lo tanto
es un estimador consistente.
Y respecto al ltimo
Y por lo tanto
es tambin un estimador consistente.
4. Propiedad de suficiencia: Un estimador es suficiente si incluye todas las observaciones de la muestra y no se le escapan valores extremos. El criterio que se usa para determinar esta propiedad es la factorizacin de Fisher-Neyman, donde el objetivo es decubrir si la funcin de verosimilitud de la muestra aleatoria simple se puede descomponer en otras dos funciones; una que s depende del parmetro, otra que no.
2. Mtodos de estimacin Para encarar la bsqueda del estimador ms adecuado existen dos caminos: El mtodo de los momentos, y el mtodo de la mxima verosimilitud. Mtodo de los momentos Un momento es una representacin de la poblacin, y por lo tanto los momentos de una muestra deben coincidir con los momentos de la poblacin. El mtodo de los momentos en la estimacin de los parmetros supone crear los parmetros de la funcin a partir de una muestra. El procedimiento consiste en plantear un sistema de ecuaciones en el que la incgnita sean los momentos muestrales. No se garantiza que el estimador obtenido vaya a ser insesgado, pero s que pueden serlo asintticamente (cuando n tiende a infinito) y s que son estimadores consistentes y asintticamente normales. Slo para recordarlo: la varianza de una muetra siempre tiene denominador n-1: Ventajas del mtodo de los momentos: su simplicidad. Desventajas: no se tiene en cuenta la distribucin de probabilidad de la poblacin, y por lo tanto no se usa toda la informacin disponible. Ejemplo 1: Si se tiene una muestra aleatoria simple de tamao = n, y tenemos una variable X~P() donde se desconoce el valor del parmetro : El momento de la poblacin
y cualquier muestra debera cumplir que
Por lo tanto,
Y ya est. Lo que se ha hecho es suponer que la media de la muestra deber ser la media de la poblacin, en tanto que el mtodo de los momentos plantea que los momentos muestrales y poblacionales deben coincidir. Ejemplo 2: Si tenemos una muestra de tamao = n, de una variable X~BN(m, p), donde m y p son desconocidos,
Lo que hay que hacer es encontrar la media y varianza de la muestra, y plantear un sistema de ecuaciones en tanto que tenemos dos incgnitas, m y p, precisamente los parmetros a estimar. Ejemplo 3: Muestra = n, y variable de una distribucin exponencial: X~exp(), donde desconocido: es el parmetro
Ejemplo 4: Muestra = n, y variable de una distribucin uniforme: X~U(a, b)
Y de nuevo, encontrando la media y la varianza de la muestra, se despejan los estimadores de a y b. Mtodo de la mxima verosimilitud Es un mtodo simple pero de clculo complejo. Consiste en elegir entre todos los estimadores del parmetro aquel que haga mxima la probabilidad de haber obtenido la muestra encontrada. Es decir; maximizar la probabilidad de observar lo que realmente se ha observado. El procedimiento es, ante una muestra, definir la funcin de verosimilitud L(X, ), donde cada valor observado X tiene su probabilidad asociada por un parmetro . As, ser la funcin de densidad de la variable x. De forma que
Es decir, L(X;
es la probabilidad de haber obtenido toda la serie de observaciones encontrada.
Como trabajar con productos es un lo, se puede aplicar logartmos de forma que
Propiedades: No garantizan la insesgadez de los estimadores. Aunque s que lo son de manera asinttica. Son consistentes, son asintticamente normales, tampoco se garantiza suficiencia.
3.2 Contraste no paramtrico Es un procedimiento para verificar el ajuste a una distribucin de probabilidad. La distribucin que sigue la variable es conocida, y los parmetros de la misma pueden conocerse o no. El procedimiento consiste en verificar si la muestra proviene de una poblacin que sigue una distribucin determinada. Es lo que se conoce como contrastes de bondad del ajuste. Existen 3 tipos de contraste: El de chi cuadrado o de Pearson, el de Kogomorov-smirnov, y el de ShapiroWilk. La hipotesis a contrastar es la afirmacin sobre la funcin de distribucin. La hipotesis nula por lo tanto es que la muestra proviene de la poblacin planteada, y se justifica cuando no existen diferencias significativas entre la distribucin muestral y la terica. Un caso extremo supone rechazar la hipotesis nula. 1. Contraste de Pearson Es una prueba de bondad del ajuste que se basa en la distribucin chi cuadrado (o Ji cuadrado, o ). Mide el ajuste entre valores observados (reales) y esperados (tericos) bajo la hiptesis nula establecida. La es que no hay diferencias significativas. La alternativa, es que se distribuyen con funciones diferentes. Es un contraste donde los parmetros de la variable aleatoria pueden ser conocidos o no. Para poder realizar esta prueba se necesita medir la variable aleatoria en diferentes intervalos.
Donde k es el nmero de categoras o intervalos definidos, y h el nmero de parmetros estimados. Como se ve en la funcin, es un estadstico que mide la discrepancia entre cada elemento observado , y el que le debera corresponder segn la teora E. Consideraciones: 1. el nmero de intervalos ser por lo menos de 5, y no ms de 20. 2. el nmero esperado de observaciones por intervalo tambin ser > 5 3. Si un intervalo no cumple esta condicin (2), se agrupar con el intervalo siguiente. Se define como el nivel de significacin crtico, De forma que se rechazar la hipotesis nula si
2. Contraste de Kolgomorov-Smirnov Soluciona un problema que tiene el contraste de Pearson, y es el de la necesidad de una muestra grande. El contraste de K-S se utiliza cuando la muestra es pequea, la funcin continua, y aparecen intrvalos vacos. No necesita agrupar las observaciones a intervalos. Pero necesita que se sepan los parmetros de la variable, excepto cuando se trata de una distribucin normal. Procedimiento: 1. Extraer una muestra aleatoria simple de tamao = n. 2. Calcular la funcin de distribucin emprica de la muestra.
Donde F es la funcin de la frecuencia relativa acumulada de las observaciones, N(x) es el nmero de observaciones de la muestra con valor igual o inferior a x (una frecuencia absoluta acumulada), y n es el nmero total de observaciones muestrales. 3. La funcin Fn se puede utilizar como estimador de la funcin de distribucin de la poblacin F(x). 4. Comparacin entre funcin emprica y planteada. 5. Medir las discrepancias a travs de la distancia mxima entre las dos observaciones.
6. La distribucin de este estadstico Dn, depende del tamao de la muestra n, no depende de la funcin planteada, s depende del nivel de significacin. Es decir, el objetivo es valorar la diferencia mxima entre la distribucin emprica y la planteada. Si esta distancia es significativa, entonces es que son distribuciones diferentes. Se rechazar la hipotesis nula cuando:
Ventajas de K-S respecto chi cuadrado: La potencia del contraste K-S es mayor que la de chi cuadrado porque funciona con muestras pequeas. Aunque cuando n tiende al infinito se igualan. Para recordar: la potencia define el grado de confianza para concluir que la hipotesis nula es falsa cuando realmente es falsa. Es decir, la potencia la probababilidad de NO cometer un error tipo II; aceptar la hipotesis nula cuando es falsa.
3. Contraste de normalidad de Shapiro-Wilk Trata de contrastar si una muestra viene de una poblacin Normal sin necesidad de conocer los parmetros.
La hipotesis alternativa es que la funcin sigue otra distribucin diferente a la normal. Procedimiento: 1. ordenar la muestra de menor a mayor. 2. El estadstico para realizar el contraste es
3. buscar en tablas en funcin de n y del nivel de significacin

Modelos probabilísticos no vida

Încărcat de

Informații document

Descriere originală:

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

Modelos probabilísticos no vida

Încărcat de

Drepturi de autor:

Formate disponibile

ESTADSTICA ACTUARIAL NO VIDA

El objetivo de la asignatura es resolver

Si es una variable continua

Si x es una variable aleatoria con distribucin binomial, su

Y tiene como media y varianza; ecosdelaeconomia.wordpress.com

La probabilidad de que suceda a y b es el producto de probabilidades:

La probabilidad de que suceda a condicionado a que haya sucedido b es:

El momento central de orden k se obtiene como

Demostracin de que la media es = momento ordinario de orden 1 y su momento central es = 0.

Se puede demostrar que

La asimetra se obtiene como

La curtosis se obtiene como

Para encontrar la varianza ser necesario encontrar el momento ordinario de orden 2,

Transformacin de una variable aleatoria

Ejemplo: Dada la funcin a) Y=5+x b) Y=log(x) , cul es la transformacin si

1 hay que verificar la monotona de las funciones Y; a)

2 Se invierte la funcin Y; en lugar de Y igual a X, se invierte a X igual a Y; a)

3 Una vez demostrada la monotona e invertida la funcin ya slo queda

La esperanza matemtica es,

La varianza matemtica es,

La funcin de densidad ser, La media o valor esperado ser,

y la probabilidad de que salgan 100 caras,

En definitiva, la probabilidad de que sucedan x xitos ser,

La varianza ser mxima cuando p=q=0,5

Y la varianza tambin ser,

c) La esperanza de la indemnizacin ser,

La esperanza matemtica ser,

Por efecto de la recurrencia, se demuestra que

El nmero medio de accidentes ser = 0,5 La probabilidad que P(X>3) ser,

d) Es una probabilidad de P(X<3) pero condicionada a P(X>0),

Y ahora, que esto se d durante 20 das supone

Que no suceda nada durante 3 semanas quiere decir

b) Coste de la cobertura anual del uso fraudulento

y si ahora se reparte entre la poblacin de 5000 targetas,

1.2 modelos continuos

Para todo el intervalo (a,b) de distribucin uniforme. Y cumple que,

La funcin de distribucin dentro del intervalo ser,

La esperanza matemtica ser,

Dos distribuciones Normales de igual media y varianza < tendrn un dibujo,

La funcin de distribucin ser,

si se estandariza dar el mismo resultado,

Tambin se puede estandarizar, de forma que,

Su esperanza matemtica ser,

Su funcin de distribucin ser,

Su funcin de densidad es, para todo x>k

y f(x)=0 para xk Su esperanza matemtica es,

Un 25% de los siniestros exceden los 600 u.m.

La funcin caracterstica es,

La esperanza matemtica ser,

se encuentra que p=0,3 y q=0,5 P(X0,45)= 0,6138 P(X0,75)= 1-P(X0,75)= 0,2343

y si suponemos que =0 y que =1/, entonces

Se establece el parmetro k=3 A partir de la muestra, se puede suponer que

0,1279 millones de euros es el coste esperado anual. Si se tienen 200.000 plizas,

b) La probabilidad de que ninguno de los 5 siniestros supere el coste de 1 milln, es

y ahora, si la funcin de densidad de una distribucin uniforme es

Esta convergencia en probabilidad de

Propiedades: 1. Si y se tiene que g(x) es una funcin continua, entonces

y g(x,y) es una funcin continua, entonces

3. Se cumple tambin que

Su funcin de densidad ser

la frecuencia relativa de la presencia de un suceso de probabilidad p en n pruebas independientes:

converge en probabilidad p cuando el nmero n tiende a infinito.