UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO

FACULTAD DE CIENCIAS
Matemticas del Seguro de Daos

Viviana Daz Magallanes

Elisa Sugey Hernndez Castaeda

1 JUNIO 2017
Introduccin.
En Mxico los seguros han tenido un crecimiento considerable los ltimos aos,
lo que ha llevado a las compaas que los ofrecen a enfrentar una cada vez ms grande
competencia, situacin que impulsa a las compaas aseguradoras a modificar sus
procesos tradicionales de administracin y tarificacin, en ocasiones sacrificando sus
utilidades y descuidando los principales aspectos tcnicos inherentes al tipo de seguro.

Costo del seguro.

El clculo actuarial de las primas de tarifa, en las diferentes operaciones de seguro,
depende de las caractersticas del riesgo, as como del plazo de los contratos; este
proceso constituye un factor decisivo para la rentabilidad del negocio y la base
fundamental para la constitucin de las reservas correspondientes, bajo un esquema de
suficiencia. Se debe determinar el costo necesario para cubrir, al menos: - Montos
esperados de reclamaciones por la realizacin del riesgo asegurado - Gastos asociados
a la administracin y adquisicin del plan
Este trabajo tiene como objetivo realizar un anlisis exhaustivo de los datos recibidos
por una compaa para revelar la informacin adecuada sobre las distribuciones de
frecuencia y severidad para el clculo de la prima de Riesgo para obtener la prima de
Tarifa considerando dos escenarios la incorporacin de las siguientes coberturas:
Deducible de 2,000 Coaseguro de 70% Lmite mximo de cobertura de 100,000
Y el escenario previo sin las coberturas para poder analizar el impacto que tiene en su
tarificacin y poder proveer ms informacin a la empresa sobre las prdidas estimadas
esperadas.
Descripcin del trabajo
El rea de suscripcin debe determinar la prima de tarifa anual para 2018 para una
cobertura de Responsabilidad Civil en Autos La prima de tarifa resultante debe
considerar los siguientes gastos de administracin y de adquisicin: . Adicionalmente se
propone que este producto tenga las siguientes coberturas:
costos fijos: 700
costos variables: 3 % sobre la prima de tarifa sin IVA
la comisin para el agente de ventas: 5 % de la prima de tarifa sin IVA
la utilidad esperada: 3 % de la prima de tarifa sin IVA
IVA: 16%
Prima de Riesgo
Sin embargo, para compensar las prdidas que se pueden presentar, se propone
incorporar al seguro las siguientes coberturas:
Deducible de 2,000
Coaseguro de 70 %
Limite mximo de cobertura de 100,000
 1. Escrutinio de los datos.
La base con la que inicialmente se trabaj contena 10,000 plizas que se
otorgaron entre el periodo 2014-2016 y se obtuvo el nmero de reclamaciones
por cada pliza otorgada. En la siguiente tabla podemos observar el total de
reclamaciones por cada ao, as observamos que en el ao 2015 hubo una
disminucin en el nmero de reclamaciones pero para el siguiente ao aumento
un poco ms del 200% con respecto al ao 2015.
Ao Reclamaciones

2014 6086

2015 4241

2016 9870

2. Anlisis Estadstico de los datos.

2.1 Anlisis de la frecuencia de la distribucin.
Se obtuvo la siguiente Grfica para visualizar de mejor forma la frecuencia de
cada nmero de reclamacin.

Y observamos que su comportamiento es decreciente, la mayor frecuencia es de 0

siniestros con 2,511 plizas, seguido por 1 reclamacin con 2,444 plizas, seguida por
2 reclamaciones con 1,867 plizas y con esta misma tendencia hasta llegar a 1 pliza
con 18 reclamos. Observamos que su distribucin es parecida a una poisson, se podra
inferir que es una Poisson hagamos las siguientes pruebas para verificar.
Como primer punto de referencia nos basaremos en Excel, en cual con la base de datos
vamos a calcular la varianza y esperanza para despus compararlas. Recordando que:

As el clculo de la varianza y de la esperanza del nmero de reclamos fue:

Media 2.0197
Varianza 4.0749194

Como la media es menor a la varianza se hace la asuncin que es una distribucin

Binomial Negativa, en R lo justificaremos. Para justificar que los datos siguen una
distribucin Binomial negativa Estimamos una distribucin Binomial Negativa con
parmetros (1000, r, ) y nos result:

r=1.984794 =0.4956417

Como podemos notar el histograma del No. de Plizas y el de una distribucin

Binomial Negativa con los parmetros estimados son muy parecidos. Con el paquete
vcd en R se realiz una prueba de bondad de ajuste y R arrojo el siguiente resultado.
Con un P-value>0.05 No rechazamos Ho, por ende, nuestros datos siguen una
distribucin Binomial Negativa con parmetros

2.2 Anlisis de la distribucin de severidad.

Ahora, Tenemos dos muestras La base de datos que genero la informacin

se mezcl con los datos de otro ramo, por lo que tendr que determinar con
lo visto cual es la muestra del ramo de Autos.

Se sabe que el ramo en cuestin tiene una cola pesada y se modela con
una distribucin Pareto. Para identificar la muestra correspondiente al ramo
de autos se hizo un anlisis de la distribucin emprica de cada muestra. La
distribucin Pareto (que es la que nos interesa identificar) es la de cola ms
pesada.
En R se grafica la funcin de distribucin de cada muestra:
.
Pimer mtodo: Comparamos las funciones de distibucin. Evaluamos ambas funciones
de distribucin en un x muy grande.
Entonces p1=Fm1(140,000) y p2= Fm2(140,000) y los resultados fueron:

p1<p2 entonces "La Muestra 1 tiene cola ms pesada".

Ms adelante, se realizar una prueba ms formal. A continuacin se muestra un
Histograma y sus estadsticos ms representativos como la media y la varianza.
Asimismo para la muestra 2 obtenemos:

Observamos que los datos de la muestra 2 estn sesgados hacia la derecha y es por
ello que su tercer cuantil es mayor a la de la primera muestra, adems de que la
muestra 1 alcanza un mayor mximo que la muestra 2. Se observa que el histograma
y los cuantiles de la muestra 1 son muy parecidos a la distribucin Pareto.
Por ltimo se realiza una prueba de Kolmogorov Smirnov.
Y se estiman los parmetros de la Pareto, dando como resultado, que la muestra 1 se
distribuye Pareto con (a,b)

a<-2.539789
b<-25859.7
3. Prima de riesgo.
En primera instancia calculamos la media y la varianza del modelo agregado
sin coberturas
Entonces:

Para calcular el monto esperado de la prima de riesgo sin coberturas E[s]

S= Xi de i=0 hasta N
E[S]=E[x]*E[N]
VAR[N]=VAR[X]* E[N]+ E[x]2 *VAR[X]
Y los resultados que se obtuvieron fueron:

Con coberturas
Y si aplicamos las siguientes coberturas?
Deducible de 2,000
Coaseguro de 70%
Lmite mximo de cobertura de 100,000
Haciendo un anlisis de las 2 muestras obtenemos:
Anlisis emprico de la muestra.

Anlisis de la muestra modificada

Podemos observar que los montos que tiene que pagar la aseguradora disminuyeron
drsticamente gracias a la incorporacin de coberturas; esto se ve reflejado en los
montos mximo y mnimo, pues anteriormente el monto mximo era de ms de dos
millones.
Tambin podemos ver que la desviacin estndar disminuy casi a una tercera parte,
pues al emparejar muchos valores a 0 y a alpha (u-d), obviamente se reduce la
dispersin.

De las 30000 observaciones (reclamaciones) Cuntos cayeron por debajo del

deducible?

Hay 5161 que caen por debajo del deducible (y por lo tanto no constituyen
reclamaciones) y 537 por arriba del monto mximo.
De las siguientes graficas podemos notar que en la severidad tambin se
presentaron cambios
Como podemos ver, hay muchos datos cargados en los lmites, por eso depuraremos
la muestra modificada, de todas las "reclamaciones nulas"
En este grafico se puede observar como los valores previamente mayores al lmite
mximo de responsabilidad, ahora se acumulan en la ltima barra.
Modelo agregado de manera puntual.
Haciendo las modificaciones en cuanto a las coberturas se modifica la distribucin de
en los siniestros y N del nmero de reclamaciones para posteriormente obtener la
prima de riesgo.

Primero, calculamos la esperanza de los montos con cobertura .

Ahora aplicando las coberturas, sabemos que la desviacin estndar de los montos es
aproximadamente 2 veces la media.

Entonces, la varianza real estara dada por la siguiente expresin:

Como las coberturas anteriormente planteadas van a tener impacto en la frecuencia,
debemos de determinar los nuevos parmetros de tal forma que
~ (1.984794 , 0.4956417 )
Tal que v est dada por v=1-Fx(d). Y al hacer el clculo en R obtenemos

Ahora bien, obtenemos la esperanza de S que ser nuestra prima de riesgo. La cual
estimndola en R obtuvimos:
E( ) = 15802.62 y Var( ) = 595113542
Anlisis comparativo.

El beneficio econmico derivado de las coberturas, se refleja en la disminucin de la

media del modelo agrado; esto (como ya se vio) porque disminuyeron el nmero de
siniestros (por el deducible); y el monto de stos (tanto por el deducible como el
coaseguro y el lmite mximo).
Por otro lado, se analiza la desviacin estndar

De la misma manera, la varianza de N disminuy pues se modific el parmetro beta

por un factor v < 1, y la varianza es proporcional a beta; como ya mencionamos, la
varianza de X disminuye pues montos antes diferentes y dispersos, se emparejan con
las coberturas; afectando todo esto a la varianza del modelo colectivo. Por lo tanto, el
porcentaje que disminuye la prdida esperada al agregar las coberturas es: 43.7076 %
4. Clculo de la prima de tarifa.

Para poder calcular la prima de tarifa debemos considerar ciertas hiptesis que
fueron planteadas desde un principio, es decir:
costos fijos: 700
costos variables: 3 % sobre la prima de tarifa sin IVA
la comisin para el agente de ventas: 5 % de la prima de tarifa sin IVA
la utilidad esperada: 3 % de la prima de tarifa sin IVA
IVA: 16 %

Y las nuevas consideraciones:

2% costos fijos y 1% utilidad
Sin el IVA

Tomando en cuenta los elementos anteriores tenemos que

= 700*(1.02)+0.03*PT+ 0.05* +0.03*PT*(1.01)+ E(S)
Despejando obtenemos
=(700*1.01+ES)/(1-0.03-0.05-0.03*1.01)
Por lo tanto
= *(1.16)=21,534.54

5. Calculo de la Reserva IBNR por medio de Chain Ladder.

Las compaas aseguradoras deben calcular la cuanta de las reservas y la

dotacin de provisiones para hacer frente al pago de siniestros que o bien no
han sido comunicados o bien no han sido cerrados. En este trabajo, se aplica el
mtodo Chain-Ladder para la estimacin puntual de las reservas
Gracias a los comandos de R se obtuvo la reserva IBNR por medio del paquete
Chain Ladder. Primero se graficarn y analizar el comportamiento de los
siniestros por ao
Como podemos observer tiene un comportamiento lineal, salvo el ao 1 que muestra
demasiados brincos.

#Factores de Siniestralidad
coef(chainladder(Autos))
se obtuvieron todos los factores de desarrollo por ao de ocurrencia y desarrollo con la
funcin ata()

Los factores IBNR indican por qu mltiplo se incrementa el siniestro en promedio de un ao

de liquidacin al prximo.
Se determin la reserva por este mtodo con la funcin MackChain Ladder

La reserva IBNR o siniestro tardo, es un siniestro ya ocurrido pero an

no avisado y, por consiguiente, desconocido al asegurador directo y al reasegurador. Es de
2,063,612.48

Motivos para la ocurrencia de siniestros IBNR:

- avisos tardos - tramitacin retrasada

- reconocimiento tardo

- sentencias judiciales
Muestra el resumen generado por summary

Dev: 8.093382e-01
Ultimate: 1.082342e+07
IBNR: 2.063612e+06
Mack S.E.: 1.631513e+05
CV(IBNR): 7.906100e-02

MackChainLadder(Autos)$FullTriangle