Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE CIENCIAS
Matemticas del Seguro de Daos
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.
2014 6086
2015 4241
2016 9870
Media 2.0197
Varianza 4.0749194
r=1.984794 =0.4956417
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:
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:
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.
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.
Ahora aplicando las coberturas, sabemos que la desviacin estndar de los montos es
aproximadamente 2 veces la media.
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.
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 %
#Factores de Siniestralidad
coef(chainladder(Autos))
se obtuvieron todos los factores de desarrollo por ao de ocurrencia y desarrollo con la
funcin ata()
- 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