Estadistica Actuarios

Estadstica actuarial: modelos estocsticos
ISBN:
Eva Ferreira Mara Araceli Garn
03-10
Universidad del Pas Vasco
Euskal Herriko Unibertsitatea
Estadstica Actuarial: Modelos Estocsticos
Eva Ferreira y Mara Araceli Garn
Departamento de Economa Aplicada III Facultad de Ciencias Econmicas y Empresariales
Bilbao
Fichero .pdf disponible en http://ekasi.ehu.es
SARRIKO-ON 03/10
Estadstica Actuarial: modelos estocsticos
SARRIKO-ON 03/10
Prlogo
Este documento constituye una redaccin y adaptacin de las notas de clase, apuntes y ejercicios, elaborada por las autoras y profesoras a partir de distintos textos y que han servido de gua para la docencia de la asignatura, desde sus comienzos en el curso 97/98. El objetivo del mismo ha sido poner a disposicin de los alumnos una herramienta adicional, adems de la bibliografa recomendada en el programa. Muchos de los conceptos y ejercicios que se presentan han sido tomados de la literatura; donde ello ha sido posible, hemos indicado la fuente. Sin embargo, es posible que la fuente citada no sea original. Son destinatarios de estas notas de clase, los alumnos de la asignatura Estadstica Actuarial: modelos estocsticos, actualmente impartida dentro de la Licenciatura en Ciencias Actuariales y Financieras, futuro grado en Finanzas y Seguros. El contenido se estructura en cinco captulos. El primero contiene una coleccin de ejercicios propuestos, con la idea de revisar mediante su resolucin, una serie de conceptos bsicos del clculo de probabilidades, que sern necesarios en el resto de los temas. Los restantes captulos contienen una serie de conceptos tericos en relacin a la aplicacin de la Teora de la Probabilidad al estudio de las situaciones de azar en las Ciencias Actuariales. Finaliza cada captulo con una coleccin de ejercicios propuestos.
ndice general
1. Introduccin. Probabilidad en los modelos estocsticos actuariales

1.1. Tarea 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
3
2. Modelos de distribuciones de probabilidad discretas. Modelos relacionados con el nmero de siniestros 9

2.1. Distribucin de Poisson 2.1.1. 2.1.2. 2.1.3. 2.2. 2.3. 2.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 10 11 12 12 15 19 Distribuciones de Poisson truncadas
Distribucin de Poisson generalizada . . . . . . . . . . . . . . . . . . . . . Distribucin de Poisson desplazada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Distribucin binomial negativa
Distribucin de Polya-Eggenberger Tarea 2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Modelos de distribuciones de probabilidad continuas. Modelos relacionados con el coste de cada siniestro 23
3.1. 3.2. Distribucin log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 25 27 27 28 28 30 30 31 34 Distribucin de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1. 3.2.2. 3.3. Distribuciones de Pareto de segundo y tercer tipo . . . . . . . . . . . . . . Distribucin de Burr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Distribucin Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. 3.3.2. Distribucin exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribucin exponencial desplazada . . . . . . . . . . . . . . . . . . . . .
3.4. 3.5. 3.6.
Distribucin de Weibull
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Distribucin Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tarea 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
SARRIKO-ON 03/10
4. Distribuciones compuestas
4.1. 4.2. Convolucin de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algunas distribuciones compuestas 4.2.1. 4.2.2. 4.3. 4.4. 4.5. 4.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
37 40 41 42 42 44 46 48
La distribucin binomial compuesta La distribucin de Poisson compuesta
La teora de los valores extremos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Relacin entre momentos condicionados y no condicionados
Mixtura de distribuciones normales . . . . . . . . . . . . . . . . . . . . . . . . . . Tarea 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. Decisin y riesgo
5.1. 5.2. 5.3. 5.4. 5.5. Funciones de utilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Funcin de riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Utilidad con nivel de riesgo Probabilidad de ruina Funcin de ingreso 5.5.1. 5.5.2. 5.5.3. 5.6. 5.7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53 55 56 57 59 61 61 62 63 66
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Desarrollo en serie de la funcin de ingreso . . . . . . . . . . . . . . . . . . Funcin de ingreso de variables compuestas . . . . . . . . . . . . . . . . .
Funcin de integracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
VaR: Value at Risk, Valor en Riesgo Tarea 5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A. Binomios negativos
69
Captulo 1
Introduccin. Probabilidad en los modelos estocsticos actuariales
Se describe a continuacin la Tarea 1, en la que se enumeran un conjunto de ejercicios de ensayo de las competencias correspondientes a este tema; en particular a la primera de las formuladas en el programa de la asignatura: Identicar los elementos matemticos que caracterizan a las distribuciones de probabilidad tanto discretas como continuas, habituales en el mbito de la empresa aseguradora: funcin de probabilidad, funcin de distribucin, momentos, funciones caractersticas, etc, operar correctamente con ellos y conocer sus propiedades.
1.1.
Tarea 1
1. Consideremos una moneda trucada, de manera que la probabilidad de cara y por lo tanto al aire de dicha moneda. Porqu no puedes utilizar la frmula de Laplace?
P (cara) = 0,3,
P (cruz) = 0,7. Calcula la probabilidad de obtener 3 caras en 5 lanzamientos
2. Una compaa de seguros de automviles clasica a sus asegurados en cuatro grupos de edad. La siguiente tabla recoge la proporcin de asegurados dentro de cada grupo de edad, junto con la probabilidad de tener un accidente. Grupo de edad 18-25 25-45 45-60 +60 Proporcin de asegurados 0.10 0.40 0.30 0.20 Prob. de accidente 0.07 0.04 0.02 0.05
Se elige un asegurado al azar de la compaa:
a ) Probabilidad de que tenga un accidente. b ) Si sabemos que el asegurado ha tenido un accidente, obtener la probabilidad de que
pertenezca a cada uno de los grupos. 3
SARRIKO-ON 03/10
3. Una compaa de seguros de automviles tiene clasicados a sus asegurados en dos grupos de edad. En el grupo de los ms jvenes,
J , estn el 30 % de los clientes, mientras que el 70 % restante se encuentra en el grupo S . Los contratos con la compaa tienen una vigencia anual. La probabilidad de que un asegurado del grupo J tenga un siniestro es del 75 %, mientras que esa probabilidad para un asegurado en el grupo S se reduce a un 32 %. La J
probabilidad de que un cliente de la compaa tenga un primer siniestro es independiente de que tenga un segundo o un tercer siniestro a lo largo del ao, tanto para el grupo como para el grupo
S.
Si elegimos a un cliente al azar de la compaa, calcular:
a ) Probabilidad de que tenga exctamente un siniestro. b ) Si el asegurado ha tenido un siniestro, calcular la probabilidad de que pertenezca al
grupo
J.
c ) Suponiendo que el asegurado elegido al azar ha dado cuenta de un siniestro, calcular

la probabilidad de que tenga un segundo siniestro antes de nalizar el ao de contrato.Cuidado!, el resultado de esta cuestin no es evidente, el ser independiente la ocurrencia de posteriores siniestros dado el primero, en cada grupo lo sea para un individuo elegido al azar del total.
no hace que
d ) Cmo es
relacin a
P (A2 /A1 )=probabilidad P (A1 )= probabilidad de
de un segundo accidente dado un primero, en un primer accidente? Interpreta la relacin de
desigualdad entre ambas probabilidades. 4. De acuerdo con un reciente estudio de mercado, el 40 % de los varones mayores de 30 aos poseen su propio coche y su propia casa, el 60 % su propia casa y el 70 % su propio coche.
a ) Calcula la probabilidad de que un varn mayor de 30 aos posea al menos casa propia
o coche propio.
b ) Calcula la probabilidad de que no posea ninguna de las dos cosas. c ) Si escogemos dos varones al azar e independientemente, calcula la probabilidad de que
ninguno de los dos posea casa ni coche propios.
d ) Si sabemos que un determinado varn dispone de coche propio, calcula la probabilidad

de que tambin posea casa propia. 5. En una Comunidad Autnoma el 60 % de los hogares est asegurado contra incendios. Con objeto de estudiar con detalle la situacin de una determinada provincia, se seleccionan al azar e independientemente 10 hogares. Calcular:
a ) Probabilidad de que alguno de los hogares est asegurado contra incendios. b ) Probabilidad de que al menos dos hogares estn asegurados contra incendios. c ) Se dene la v.a.
como el nmero de hogares entre los 10, que estn asegurados
contra incendios. Observa que la v.a. la funcin de cuanta de
puede tomar los valores
{0, 1, ..., 10}.
Obten
X.
d ) Obtn el nmero esperado de hogares que tienen seguro contra incendios.

6. De un total de 9872 plizas de seguros de automvil contratadas en una compaa de seguros, 1083 presentaron reclamaciones durante el ao 2004. Disponemos de la tabla de 4
SARRIKO-ON 03/10
datos que nos da el nmero de reclamaciones efectuadas las reclamaciones
X,
as como la cuanta total de
(en euros).
X Y
1 2 ms
< 1200
937 103
1200
28 15
Si escogemos una pliza al azar entre las 9872, calcula las siguientes probabilidades:
a ) Que haya efectuado una nica reclamacin. b ) Si se sabe que ha reclamado, la probabilidad de que la cuanta de dicha reclamacin
haya sido igual o superior a 1200 euros.
c ) Que haya efectuado ms de una reclamacin con una cuanta total igual o superior a
1200 euros.
d ) Son independientes el nmero de reclamaciones y la cuanta total?

7. Se sabe que el coste total (en cientos de euros) de un determinado tipo de reclamacin es una variable aleatoria con funcin de distribucin
F (y) = 1 e0,16y , y 0.
a ) Obtn la funcin de densidad de la v.a.
Y.
b ) Calcula la probabilidad de que el valor de una reclamacin est comprendido entre

500 y 1000 euros.
c ) Calcula el valor esperado de una reclamacin de este tipo. d ) Si se realizan 5 reclamaciones de forma independiente. Calcula la probabilidad de que
ninguna de las cinco supere los 1000 euros. Podras calcular la probabilidad de que la suma de ellas no supere los 5000 euros? Cul es la dicultad? 8. Se sabe que el coste total (en cientos de euros) de un determinado tipo de reclamacin es una variable aleatoria,
Y,
con funcin de distribucin
N (m = 6,25, 2 = 39,06).
Y.

500 y 1000 euros.
c ) Calcula el valor esperado de una reclamacin de este tipo. d ) Si se realizan 5 reclamaciones de forma independiente. Calcula la probabilidad de que
ninguna de las cinco supere los 1000 euros. Podras calcular la probabilidad de que la suma de ellas no supere los 5000 euros? 9. Se sabe que el coste total (en euros) de un determinado tipo de reclamacin es una variable aleatoria,
Y,
con distribucin
U (a, b)
de media 6.25 y varianza 39.06.
Y.

500 y 1000 euros.
c ) Calcula el valor esperado de una reclamacin de este tipo.

5
SARRIKO-ON 03/10
d ) Si se realizan 5 reclamaciones de forma independiente. Calcula la probabilidad de que

ninguna de las cinco supere los 1000 euros. Podras calcular la probabilidad de que la suma de ellas no supere los 5000 euros? 10. Se sabe que el nmero anual de siniestros en automvil correspondientes a las plizas de una determinada compaa, y
X,
sigue una distribucin binomial de parmetros
p = 0,005
n = 2000.
a ) Obtn la funcin de cuanta de
X . Calcula las siguientes P (X = 1), P (X = 2),P (X = 3), P (X = 4) y P (X = 5). X [5, 15],
probabilidades:
P (X = 0),
b ) Calcula la probabilidad de que
cul es la dicultad?
11. Se sabe que el nmero anual de siniestros en automvil correspondientes a las plizas de una determinada compaa,
X,
sigue una distribucin de Poisson
P ( = 10). P (X = 0),
a ) Obtn la funcin de cuanta de
X . Calcula las siguientes P (X = 1), P (X = 2),P (X = 3), P (X = 4) y P (X = 5). X [5, 15].
probabilidades:
b ) Calcula la probabilidad de que
12. En Irak se encuentran algunas de las terminales petrolferas ms grandes del mundo. Una compaa se dedica a asegurar buques. Su cartera incluye medio milln de toneladas aseguradas de un nmero elevado de petroleros que viajan fundamentalmente a esa zona del Golfo Prsico. La valoracin de la situacin es la siguiente: En poca de conicto, la probabilidad de que se produzca un bombardeo es del atacado si se produce un bombardeo es de
50 %. La probabilidad de que un buque sea
1 3 , mientras que si no se produce tal bombardeo,
la probabilidad de que un buque sea atacado es 0.
8 10 . Mientras que la 2 probabilidad de que un buque no padezca dao alguno si es atacado es de 10 . Se prescinde
La probabilidad de hundimiento de un buque si es atacado es de por simplicidad, de considerar otras posibilidades (prdida parcial del buque, etc. ). En caso de hundimiento, la indemnizacin a pagar por parte de la compaa aseguradora asciende a $1300 dlares por tonelada asegurada.
a ) En estas condiciones y en poca de conicto, calcula:

1) La probabilidad de que un buque sea atacado. 2) La probabilidad de que un buque sea hundido. 3) La probabilidad, si se produce un bombardeo, de que un buque sea atacado.
b ) Si la prima de seguro es de $150 por tonelada, calcula el rendimiento (primas cobradas
indemnizaciones pagadas) esperado de la compaa sobre la cartera mencionada de

medio milln de toneladas aseguradas.
c ) Prescindiendo de todos los gastos inherentes al negocio asegurador, qu prima debera

jar la compaa (en $ por tonelada) para esperar benecios nulos, antes de saber si se producir el bombardeo?
d ) Calcula el mismo rendimiento esperado, despus de saber que habr bombardeo.
SARRIKO-ON 03/10
13. Una compaa de seguros conoce la distribucin que sigue el coste de un determinado siniestro (en cientos de euros). Dicho coste se distribuye segn la funcin de densidad:
f (y) =
y
k , (1 + y)3
y0
f (y) = 0
si
y < 0. k.
a ) Hallar el valor de
b ) Obtener la funcin de distribucin. Calcular la probabilidad de que el coste de un

siniestro sea superior a 100 euros.
c ) Determinar los cuartiles de la distribucin del coste del siniestro. Interpretar su obtencin.
d ) Calcular el coste medio por siniestro.

14. A una reunin internacional de Estadstica Actuarial acuden hablan exclusivamente ingls,
personas, de las cuales
n1
n2
hablan exclusivamente francs y el resto hablan los dos
idiomas. Si se eligen dos congresistas al azar, calcula la probabilidad de que se entiendan.
Ahora que ya lo sabes hacer...Observa y recuerda:

1. A lo largo de la asignatura, vers que cualquier compaa de seguros ha de tener completa
informacin del comportamiento de la siniestralidad entre sus clientes. Esta informacin aparecer descrita en tablas de datos para variables similares a las introducidas en el ejercicio 5,
X :
nmero de siniestros de sus clientes, e
cionada a la ocurrencia de las descritas en el Captulo
Y |X cuanta por reclamacin condiX siniestros. Lgicamente X ser una v.a. discreta, similar a 2 de este texto, mientras que Y |X ser una v.a. continua, cuyo
comportamiento posible ser estudiado en el Capitulo 3. A partir de ambas variables, nuestra labor ser procesar la informacin y obtener la que denominaremos cuanta total por reclamaciones, que ser una variable aleatoria nueva, cuya distribucin ser la distribucin incondicionada de la variable
Y.
2. Va a ser muy habitual tener que calcular probabilidades para sumas de v.a. independientes,
por ejemplo a la hora de manejar cuantas totales por reclamacin de varios siniestros. En ocasiones, cualquiera de las funciones caractersticas nos identica la nueva distribucin como una conocida y manejable. En otras, esto no es as, como en el ejercicio de la cuanta uniforme, y habr que denir la funcin de distribucin de la suma de v.a. independientes.
SARRIKO-ON 03/10
Captulo 2
Modelos de distribuciones de probabilidad discretas. Modelos relacionados con el nmero de siniestros
En el contexto de la Estadstica Actuarial entenderemos por siniestro a cada realizacin de un experimento aleatorio, sto es un fenmeno que provoca un riesgo. El individuo afectado, pretender cubrirse de las consecuencias econmicas de la ocurrencia del siniestro. El mtodo que da esta cobertura, se conoce habitualmente como seguro. El vendedor del seguro (y deseablemente tambin el tomador), ha de estudiar bien este fenmeno aleatorio, en trminos que poder estimar el precio del contrato, en particular, la prima que supone este riesgo. As, en el estudio de estos fenmenos aleatorios, sern importantes dos variables aleatorias, a saber: el nmero de siniestros y la cuanta por reclamacin. El comportamiento de la primera nos dar idea de la frecuencia con la que se producen dichos siniestros. La segunda, nos ayuda a valorar en trminos econmicos la ocurrencia de los mismos. Este primer tema, lo vamos a dedicar a presentar tres de las distribuciones ms habituales a la hora de modelizar el comportamiento de la v.a. nmero de siniestros. Como veremos se trata de distribuciones discretas, que dependiendo de la situacin se ajustan mejor o peor al fenmeno estudiado. Tambin hay que decir, que ninguna de ellas es de nueva creacin, todas son distribuciones de probabilidad muy conocidas y estudiadas, pero que han tenido su aplicacin y desarrollo particular por parte de los actuarios, de forma relativamente reciente.
2.1.
Distribucin de Poisson
En esta seccin, partiendo de la denicin general de la distribucin de Poisson, estudiaremos distintos casos particulares, como son las distribuciones de Poisson truncadas, aleatorizadas en algunos de sus valores o trasladadas.
Denicin 2.1
Decimos que la v.a.
sigue una distribucin de Poisson de parmetro

9
, X
SARRIKO-ON 03/10
P(), cuando su soporte o conjunto de valores es el conjunto de los enteros positivos, y su funcin
de cuanta viene dada por
P (X = k) =
e k , k Z+ k!
(2.1)
La distribucin de Poisson, puede ser introducida tambin como caso particular de la distribucin binomial
b(p, n),
donde el nmero de repeticiones
independientes del experimento aleatorio n

p es
constante y muy pequea.
es muy alto, y la probabilidad de ocurrencia del suceso estudiado distribucin de Poisson de parmetro
En este caso, el nmero de ocurrencias del suceso a lo largo de las
repeticiones sigue una
= np.
En distintos textos de probabilidad pueden encontrarse muy variadas introducciones a esta distribucin, tambin conocida como ley de los sucesos raros y sin embargo hay algo en lo que todas coinciden, y que debemos recalcar; es una distribucin que modeliza repeticiones
tes del experimento, con probabilidad constante de ocurrencia de los dos posibles resultados;
hiptesis que debemos tener en cuenta cuando trabajemos con esta distribucin. Como propiedades que debemos recordar, tenemos las siguientes:
independien-
1. Su funcin de distribucin es, En particular
F (x) = 0,
si
x < 0,
F (x) =
[x] k k=0
k!
, si
x 0.
F (0) = P (X 0) = e . X (u) = e(e

iu 1)
2. Su funcin caracterstica, es, 3. Su funcin generatriz es,
X (u) = e(e
u 1)
4. Su funcin cumulativa es,
X (u) = (eu 1). . E(X) = V (X) = .
5. La media y la varianza son iguales, e iguales a
2.1.1.
Distribuciones de Poisson truncadas
A veces, extensiones de la distribucin de Poisson, nos sirven para modelizar la v.a. nmero de
siniestros, donde sabemos que, por ejemplo, los primeros valores de la variable entre 0 y
bien los ltimos a partir de un valor
s,
l,
estn excluidos. Surgen as las distribuciones de Poisson
truncadas, cuyas funciones de cuanta obtendremos a continuacin: En todos los casos, partimos de una v.a.
X P().
1. Exclusin del valor 0.
Y la v.a. {1, 2, 3, ..., }, y

Sea
denida como
X|X > 0.
En este caso, el soporte de
es el conjunto
su funcin de cuanta viene dada por:
P (Y = k) = P (X = k|X > 0) =
P (X = k X > 0) e k = , P (X > 0) k!(1 e )
10
SARRIKO-ON 03/10
donde
k 1.
No es difcil comprobar la forma de la media y varianza de
Y.
E(Y ) = V (Y ) = Y (u) =
(1 e ) 2 e (1 e ) (1 e )2 e u [ee 1] 1 e
2. Truncada por la derecha Sea
Y la v.a. denida como X|X l. En este caso, el {0, 2, 3, ..., l 1, l}, y su funcin de cuanta viene dada por: P (Y = k) = P (X = k|X l) =
soporte de
es el conjunto
P (X = k X l) k = P (X l) k! l j=0
j j!
donde
0 k l.
3. Truncada por la izquierda Sea
Y la v.a. denida como X|X s. En este caso, el soporte 1, s + 2, s + 3, ...}, y su funcin de cuanta viene dada por: P (Y = k) = P (X = k|X s) =
de
es el conjunto
{s, s +
P (X = k X s) k = P (X s) k! j=s
j j!
donde
s k.
4. Doblemente truncada Sea
Y la v.a. denida como X|s X l. En este caso, el soporte {s, s + 1, s + 2, ..., l 1, l}, y su funcin de cuanta viene dada por: P (Y = k) = P (X = k|s X l) = = k k!
l j j=s j!
de
es el conjunto
P (X = k s X l) = P (s X l)
donde
s k l.
2.1.2.
Distribucin de Poisson generalizada
Se conoce con este nombre a la distribucin de una variable, sea que una variable de Poisson,
Y,
que tiene el mismo soporte
X , pero que aade un proceso de aleatorizacin en las probabilidades

11
SARRIKO-ON 03/10
de los valores
1,
es decir:
P (Y = 0) = P (X = 0) + P (X = 1) P (Y = 1) = P (X = 1) P (X = 1) P (Y = k) = P (X = k), k2
donde
es un parmetro real. Es fcil demostrar que en este caso,
E(Y ) = E(X) P (X = 1) = (1 e ) E(Y 2 ) = E(X 2 ) P (X = 1) = + 2 e V (Y ) = E(Y 2 ) (E(Y ))2 = e (1 + e 2)
2.1.3.
Distribucin de Poisson desplazada
Se conoce con este nombre a la distribucin de una variable, sea al la
Z , que se obtiene de trasladar origen una variable de Poisson truncada por la izquierda. Sea Y denida como Y = X|X r v.a. de Poisson truncada por la izquierda. As, la funcin de cuanta de Y es P (Y = k) = k k!
j j=r j!
para k r . Si Z = Y r, que
trasladamos al origen la variable tiene como funcin de cuanta:
Y,
obtenemos la v.a. de Poisson desplazada
P (Z = k) = P (Y = r + k) =
con
r+k (r + k)!
j j=r j!
k 0.
2.2.
Distribucin binomial negativa
Al igual que en el caso de la distribucin de Poisson, hay varias formas de introducir una distribucin binomial negativa. Presentaremos aqui, una denicin que parte de nuevo de repeticiones sucesivas e en general,
independientes de un experimento aleatorio que da lugar a dos posible resultados,

A:
xito y
Ac :
fracaso.
As, en cada repeticin, tendramos denida una variable binaria
Xn = 1, Xn = 0,
si se produce un xito, con
p = P (Xn = 1),
si se produce un fracaso, con
q = 1 p = P (Xn = 0).
De manera que en las sucesivas repeticiones independientes, tendramos denida una sucesin de v.a. independientes
{Xn }nN .
En el estudio de este experimento nos pueden interesar distintas variables o indicadores, a saber: 12
SARRIKO-ON 03/10
1. Nmero de xitos conseguidos despus de
n repeticiones del experimento. Esta variable, Y , corresponde a la suma de las n primeras variables de la sucesin anterior, Y = X1 +...+Xn . Su distribucin nos es conocida; se trata de una binomial de parmetros n, p. Recordar que en casos particulares, n grande y p muy pequeo, podemos pensar que la distribucin de Y es de Poisson de parmetro = np.
veramos que se trata de una v.a. con distribucin geomtrica de parmetro
2. Si lo que queremos es estudiar la v.a. nmero de fracasos hasta obtener el primer xito,
p.
3. Si somos ms ambiciosos, y lo que queremos es estudiar el nmero de fracasos antes de obtener
xitos, tendremos, en principio que esta situacin generaliza la anterior, y por
lo tanto la distribucin geomtrica ser el caso particular de sta cuando variable objeto de estudio en este caso,
xitos sigue una distribucin
m = 1. As, la Ym , denida como nmero de fracasos hasta obtener conocida como binomial negativa de parmetros m y p. {Ym Z+ . Si queremos = k}, o lo que es lo
Es claro que el soporte de mismo, ha habido
Ym
ser el conjunto de los enteros positivos,
obtener su funcin de cuanta, tendremos que analizar el suceso
fracasos hasta obtener
xitos. Es claro que
{Ym = k} = {Sm+k1 = m 1, Xm+k = 1}

Es decir, hemos realizado han producido los
m+k
repeticiones. Entre las
m+k1
primeras repeticiones se
m1
xitos y los
fracasos. La ltima repeticin, ha dado lugar a un
xito, y por lo tanto hemos parado. As, si
independientes de la sucesin del suceso anterior, es
Sm+k1 = X1 + X2 + ... + Xm+k1 es la suma de las primeras m + k 1 v.a. {Xn }, sabemos que su distribucin es binomial de parmetros m + k 1, p. Por otro lado, esta v.a. es independiente de Xm+k , por lo que la probabilidad P (Ym = k) = P (Sm+k1 = m 1)P (Xm+k = 1) = m+k1 pm1 q k p = = m1 = = m+k1 k m k pm q k =
pm (q)k
Proposicin 2.1
Se verica la siguiente igualdad:
m+k1 k
donde
m+k1 m1
m k
(1)k
k Z+ .
Demostracin: Ver Apndice A.

13
SARRIKO-ON 03/10
Denicin 2.2
m, p,
Decimos que la v.a.
y lo denotamos por
X sigue una distribucin binomial negativa X bn(m, p), cuando su soporte o conjunto de valores
de parmetros es el conjunto
de los enteros positivos, y su funcin de cuanta viene dada por
P (X = k) =
m+k1 k
pm q k =
m k
pm (q)k , k Z+
(2.2)
Para cualquier valor
m, si expresamos la condicin que debe cumplir la funcin de cuanta anterior

por el hecho de serlo, tenemos que:
1 =
k=0
P (X = k) = pm
k=0
m k
(q)k =
= pm
k=0
de donde
m+k1 k
q k = pm
k=0
m+k1 m1
qk
k=0
m k
(q)k =
k=0
m+k1 k
q k = pm = (1 q)m
(2.3)
expresin sta que nos ser de utilidad en adelante. A partir de aqui, podemos obtener las siguientes caractersticas estadsticas de la distribucin binomial negativa.
1. Su funcin caracterstica es:
X (u) = E(e
iuX
)=
k=0
eiuk P (X = k) = m+k1 k pm q k = (eiu q)k =
=
k=0
eiuk
m k=0 m
= p
m+k1 k
= p (1 eiu q)m
2. Su funcin generatriz es,
X (u) = pm (1 eu q)m . X (u) = mlnp mln(1 eu q).
3. Su funcin cumulativa es,
4. La media y la varianza son, respectivamente:
E(X) =
mq p
14
V (X) =
mq p2
SARRIKO-ON 03/10
En la introduccin que hemos presentado, hemos tratado de modelizar el nmero de repeticiones necesarias del experimento aleatorio, para que se d un suceso determinado. Por ejemplo, podramos pensar en el nmero de lanzamientos sucesivos de un dado hasta obtener cinco seises; el nmero de lanzamientos de una moneda hasta obtener diez caras, etc. En nuestro contexto, querremos modelizar el nmero de exposiciones al riesgo hasta que se produzcan donde
siniestros,
es la probabilidad de ocurrencia de dicho siniestro.
Debemos recordar dos aspectos del experimento estudiado hasta ahora: la probabilidad de ocurrencia del siniestro es
constante y las repeticiones se producen con independencia.
Por ota parte, hay otra observacin que sealar de la distribucin binomial negativa. De la introduccin realizada, se puede inferir el caracter de entero positivo del parmetro
m, restriccin que
formalmente no es necesaria en la denicin de la variable. Es ms, sern habituales, ejemplos y casos prcticos en los que a partir de la tabla de datos y dados los valores de los estadsticos muestrales, media y varianza, pensemos en ajustar el modelos a una distribucin binomial negativa, donde la estimacin de dichos parmetros nos proporcione en particular, valores de fraccionales. En este caso, tendremos que tener cuidado con el clculo del nmero combinatorio
m+k1 k
donde adems sabemos que
(m + k 1)(m + k 2) (m + k k) k!
m+k1 k
siempre que y si
m+k1 m1
=1
m+k1 < k 0 < x < 1, x! = 1.

Sea
(esto sucede cuando
0 < m < 1 y k = 0). Recordar adems que 0! = 1
Proposicin 2.2
bn(m, p).
una v.a. con distribucin binomial negativa de parmetros m, p;
Entonces, se verica la siguiente frmula recurrente:
pk = P (X = k) =
(m + k 1)q (m + k 1)q P (X = k 1) = pk1 k k
Demostracin: Queda como ejercicio.

2.3. Distribucin de Polya-Eggenberger
En las dos secciones anteriores, hemos recalcado la hecho de que la
independencia como caracterstica de las
sucesivas repeticiones del experimento aleatorio considerado. Esto conlleva, como sabemos, el
probabilidad de ocurrencia de cada posible resultado permanece constante
a lo largo de la serie de repeticiones. Sin embargo, hay fenmenos aleatorios en particular en los que es inadmisible esta hiptesis, dado que existe lo que habitualmente es conocido como contagio. Para introducir este efecto, y 15
SARRIKO-ON 03/10
modelizar el comportamiento de la v.a.
X : nmero N
de siniestros, en esta situacin, vamos utilizar
el siguiente experimento con la denominada urna de Polya. Consideremos una urna, que inicialmente tiene de manera que bolas, de las cuales
son blancas y
negras,
a + b = N.
Cada vez que se extrae una bola se mira su color y se introduce de
nuevo a la urna, junto con
bolas del mismo color.
Observa, que el caso particular si
c = 0,
replica una extraccin con reemplazamiento, en la que se
mantiene la hiptesis de independencia entre resultados de distintas extracciones; mientras que
c = 1,
estaramos ante el caso de extraccin sin reemplazamiento, y consiguiente prdida de
independencia entre resultados de distintas extracciones. Denotemos por
a la v.a. denida como nmero de bolas blancas obtenidas en
extracciones
realizadas segn el procedimiento de reemplazamiento que hemos descrito. Claramente, si
c = 0,
la distribucin de la v.a.
es binomial de parmetros
n, p =
b(n,
caso
a n ).
a N;
X
en el
Analicemos en general el caso
c = 0.
Trataremos de obtener la funcin de cuanta de
X,
c = 0.
Para ello, pensemos en el suceso
bli :
se obtiene bola blanca en la
i-sima
extraccin
y en su complementario,
ngi :
se obtiene bola negra en la
i-sima
extraccin.
Mediante el teorema de la interseccin, podemos calcular la probabilidad de obtener bola blanca en las
primeras extracciones. Para ello, necesitamos calcular previamente las siguientes proba-
bilidades condicionadas:
P (bl1 ) = P (bl2 |bl1 ) = P (bl3 |bl1 bl2 ) = ... = P (blr |bl1 bl2 ... blr1 ) =
a N a+c N +c a + 2c N + 2c ... a + (r 1)c N + (r 1)c
As,
P (bl1 bl2 ... blr1 blr ) = = P (bl1 )P (bl2 |bl1 )P (bl3 |bl1 bl2 ) P (blr |bl1 bl2 ... blr1 ) = (a + (r 1)c) a (a + c) = N (c + N ) (N + (r 1)c)
Del mismo modo, podemos calcular la probabilidad de obtener 16
s bolas negras, en las s siguientes
SARRIKO-ON 03/10
extracciones. Para ello, de nuevo nos hacen falta las siguientes probabilidades condicionadas:
b N + rc (b + c) P (ngr+2 |bl1 bl2 ... blr ngr+1 ) = N + (r + 1)c ... = ... b + (s 1)c P (ngn |bl1 bl2 ... blr ngr+1 ... ngr+(s1) ) = N + (n 1)c P (ngr+1 |bl1 bl2 ... blr ) =
Por tanto, en
extracciones, la probabilidad de obtener las
primeras bolas blancas y las
siguientes negras, donde
r + s = n,
es:
P (bl1 bl2 ... blr1 blr ngr+1 ... ngr+s ) = = P (bl1 )P (bl2 |bl1 ) P (blr |bl1 bl2 ... blr1 )P (ngr+1 |bl1 bl2 ... blr )... ... P (ngr+s |bl1 bl2 ... blr ngr+1 ... ngr+(s1) ) = = a (a + c) (a + (r 1)c) b (b + c) (b + (s 1)c) N (N + c) (N + (r 1)c) (N + rc) (N + (r + 1)c) (N + (n 1)c)
n extracciones, el nmero de formas en que se pueden colocar r bolas blancas n ; y la probabilidad de cada ordenacin de esta n-tupla es igual a = y s negras es s la de la ordenacin jada, de r primeras blancas y s = n r siguientes negras, que ya hemos
Sin embargo, en las
n r
calculado. De esta forma, la funcin de cuanta de la v.a probabilidad de obtener
bolas blancas en
X , que calcula, con este n = r + s extracciones, es:
modelo de extraccin, la
P (X = r) =
n r
a (a + c) (a + (r 1)c) b (b + c) (b + (s 1)c) N (N + c) (N + (r 1)c) (N + rc) (N + (r + 1)c) (N + (n 1)c) c = 0,

se obtiene:
Dividiendo numerador y denominador en la expresin anterior por
P (X = r) =
n r
a c N c
( a + 1) c ( N + 1) c
( a + (r 1)) c
b c
b ( c + 1)
( N + (r 1)) ( N + r) ( N + (r + 1)) c c c
b ( c + (s 1))
( N + (n 1)) c
Reordenando los trminos, se obtiene
a c
P (X = r) =
+r1 r
N c
b c
+s1 s
+n1 n
17
SARRIKO-ON 03/10
Denicin 2.3
metros
Decimos que la v.a
sigue una distribucin de Polya- Eggenberger de pares el conjunto de enteros positivos
p, q y , cuando el soporte de valores de la variables {0, 1, 2..., n}, y su funcin de cuanta viene dada por
p
P (X = k) =
+k1 k
1
+s1 s
+n1 n q = 1 p,
es la probabilidad de contagio,
donde y
p representa s = n k.
la probabilidad inicial de siniestro,
Para llegar a la expresin de la funcin de cuanta anterior, hemos renombrado los parmetros que aparecan en el experimento de la urna de Polya. As la probabilidad inicial de siniestro es la probabilidad inicial de bola blanca
p=
a N,
q=
b N y
c N es la probabilidad de contagio.
Proposicin 2.3
Sea
una v.a. con distribucin de Polya de parmetros,
p, .
Entonces, se
verica la siguiente frmula recurrente:
pk = P (X = k) =
donde,
( p + k 1) s + 1 P (X = k 1) k ( q + s)
q @ 0 1 A 1 A
s=nk
p0 = P (X = 0) =
+n1 n +n1 n
1 @

En cuanto a las caractersticas estadsticas de esta distribucin, tenemos: 1. La media es:
E(X) = np
2. La varianza es:
V (X) = npq
1 + n 1+
Es decir el efecto contagio, modelizado en esta distribucin produce una media independiente de dicho efecto, e igual a la media en una distribucin binomial, en la que el contagio es nulo. Sin embargo la varianza aumenta a medida que aumenta la probabilidad de contagio. Este tipo de distribuciones se emplea en los estudios estadsticos mdicos, sobre posibles contagios de enfermedades. Nosotros la utilizaremos para modelizar propagacin de siniestros en contratos de seguros de incendios, por ejemplo. 18
SARRIKO-ON 03/10
Ejemplo 2.1
muestrales
A partir de datos relativos a 1000 edicios, cada uno con 10 viviendas, se ha y
estimado para la v.a.
x = 0,3,
X : nmero de reclamaciones por incendio/edicio, los siguientes estadsticos s2 = 1,164. (n = 10). X es Polya. P (X = 3).
y Calcula en
1. Estima los parmetros, bajo la hiptesis de que la distribucin de este caso, las probabilidades
P (X = 0), P (X = 1), P (X = 2)
2. Estima los parmetros, bajo la hiptesis de que la distribucin de en este caso, las probabilidades
P (X = 0), P (X = 1), P (X = 2)
y
X es binomial. P (X = 3).
Calcula
3. Estima los parmetros, bajo la hiptesis de que la distribucin de este caso, las probabilidades
P (X = 0), P (X = 1), P (X = 2)
X es Poisson. P (X = 3).
Calcula en
4. Estima los parmetros, bajo la hiptesis de que la distribucin de Calcula en este caso, las probabilidades
X es binomial negativa. P (X = 0), P (X = 1), P (X = 2) y P (X = 3).
2.4.
Tarea 2
Se enumeran a continuacin un conjunto de ejercicios de ensayo de las competencias correspondientes a este tema; en particular a la segunda de las formuladas en el programa de la asignatura:
Describir y analizar situaciones sencillas de riesgo en problemas relacionados con el mundo actuarial o de las nanzas y expresarlas formalmente en trminos de variables aleatorias y sus distribuciones.
1. En una compaa de seguros, la media mensual de reclamaciones es de 1.5 por cada 100 plizas contratadas. Consideremos la v.a.
X:
nmero de reclamaciones mensuales.
a ) Bajo la hiptesis de que
sigue una distribucin de Poisson, calcula la probabilidad
de que se d al menos una reclamacin a lo largo de un ms cualquiera.
b ) Calcula la misma probabilidad que en el apartado anterior, bajo la hiptesis de que
X sigue una n = 1000. X P (),
distribucin binomial con
n = 10.
Repite los clculos para
n = 100
2. Demuestra que la media, varianza y funcin generatriz de la v.a. son las dadas en la Seccin 2.1.1.1.
Y = X|X > 0,
con
3. En una compaa de seguros se ha estimado que la probabilidad de reclamacin en plizas anuales contra el riesgo
es de 0.08, mientras que en las contratadas contra el riesgo
es de 0.05. La compaa decide ofertar una pliza combinada para cubrir ambos riesgos. Considera que la compaa ha contratado 1000 plizas de este tipo en un ao, que las reclamaciones por ambos riesgos son independientes y que el titular de cada pliza efecta una reclamacin como mucho.
a ) Calcula la probabilidad de reclamacin sobre contratos de esta pliza combinada.

19
SARRIKO-ON 03/10
b ) Si se modeliza la v.a.
el valor del
X: parmetro .
nmero de reclamaciones como una v.a. de Poisson, estima
c ) Calcula la probabilidad aproximada de que es ese ao haya habido ms de 140 reclamaciones. 4. Un cierto siniestro tiene probabilidad de ocurrir
p = 0,1.
Sea
Y,
la variable aleatoria que
recoge el nmero de exposiciones al riesgo hasta que se producen tres siniestros, teniendo en cuenta que terminan las exposiciones despus del ltimo siniestro.
a ) Si
X es una variable con distribucin binomial negativa m = 3. Cul es la relacin que observas entre X e Y ? P (Y = 3) E(Y ).
de parmetros
p = 0,1
b ) Calcula la probabilidad
c ) Calcula el nmero medio de exposiciones al riesgo, d ) Calcula la varianza,

5. Demuestra que si
V (Y ). p
y
sigue una distribucin binomial negativa de parmetros
m,
P (X = k) = pk = pk1 (1 p)(m + k 1)/k

6. Sea
el nmero de reclamaciones por incendio en un edicio de cuatro viviendas, una
v.a. con binomial negativa de media los primeros valores de la funcin de
EX = 0,04, y varianza V (X) = 0,0504. Calcula cuanta de X : P (X = 0), P (X = 1), P (X = 2),
P (X = 3), P (X 4).
7. Sea
el nmero de reclamaciones por incendio en un edicio, una v.a. con distribucin de
Poisson de parmetro
= 0,04. X : P (X = 0), P (X = 1),
a ) Calcula los primeros valores de la funcin de cuanta de
P (X = 2), P (X = 3), P (X 4).

b ) Calcula la media y la varianza de c ) Si
X. X1 + X2
a partir de su funcin
X1
X2
son dos v.a. independientes entres s y con distribuciones de Poisson
de parmetros caracterstica.
2 ,
obtn la distribucin de
d ) Obtn en general la distribucin de la suma
independientes con distribucin de Poisson de parmetros 8. Sea
Z = X1 +...+Xn , donde X1 , ..., Xn son v.a. 1 , ..., n , respectivamente.
el nmero de reclamaciones por incendio en un edicio, una v.a. con distribucin
de Polya de parmetros
p = 0,01, = 0,1
(recuerda que es el parmetro que modeliza
la probabilidad de contagio en el siniestro), y
n = 4,
lo cual modeliza que el edicio en
cuestin tiene 4 viviendas. Calcula los primeros valores de la funcin de cuanta de
X:
P (X = 0), P (X = 1), P (X = 2), P (X = 3), P (X 4).

9. Considera la siguiente tabla de datos sobre el nmero de siniestros (X : nmero de reclamaciones por incendio), relativos a 1000 edicios.
xi ni
0 975
1 15
2 6
3 3
4 1 20
SARRIKO-ON 03/10
Con la tabla de datos anterior, puedes observar que la media muestral es
x = 0,04
y la
2 varianza muestral es s
= 0,0792. Sabiendo adems que cada edicio consta de 4 viviendas:
a ) Estima los parmetros correspondientes si planteamos como hiptesis que la distribu-
X es de Polya. Calcula los valores de la funcin de cuanta de X , en este caso, P (X = 0), P (X = 1), P (X = 2), P (X = 3), P (X 4).
cin de
b ) Estima los parmetros correspondientes si planteamos como hiptesis que la distribucin de
es binomial negativa. Calcula los valores de la funcin de cuanta de
X,
en
este caso,
P (X = 0), P (X = 1), P (X = 2), P (X = 3), P (X 4).

cuanta de
c ) Estima los parmetros correspondientes si planteamos como hiptesis que la distribucin de caso,
X es de Poisson. Calcula los valores de la funcin de P (X = 0), P (X = 1), P (X = 2), P (X = 3), P (X 4).
X,
en este
d ) A la vista de los resultados de las cuestiones anteriores, qu distribucin te parece

ms adecuada para modelizar el comportamiento aleatorio de
X?
10. A partir de datos relativos a 1000 edicios, cada uno con 10 viviendas, se ha estimado para la v.a. muestrales
X : nmero de reclamaciones x = 0,3, y s2 = 1,164.
por incendio/edicio, los siguientes estadsticos
a ) Estima los parmetros, bajo la hiptesis de que la distribucin de

en este caso, las probabilidades
X
y
es Polya. Calcula
P (X = 0), P (X = 1), P (X = 2)
P (X = 3).
b ) Estima los parmetros, bajo la hiptesis de que la distribucin de

Calcula en este caso, las probabilidades
X es binomial. P (X = 0), P (X = 1), P (X = 2) y P (X = 3). X es Poisson. P (X = 0), P (X = 1), P (X = 2) y P (X = 3). X es binomial P (X = 0), P (X = 1), P (X = 2) y
c ) Estima los parmetros, bajo la hiptesis de que la distribucin de

Calcula en este caso, las probabilidades
d ) Estima los parmetros, bajo la hiptesis de que la distribucin de

negativa. Calcula en este caso, las probabilidades
P (X = 3).
21
SARRIKO-ON 03/10
22
Captulo 3
Modelos de distribuciones de probabilidad continuas. Modelos relacionados con el coste de cada siniestro
Lo que cuesta cada siniestro, o en adelante, lo que denominaremos cuanta por reclamacin, tambin es una variable aleatoria, en este caso de carcter continuo, pues modeliza una variable econmica medida en dinero, que como la variable tiempo, se considera continua. Estudiaremos en este tema distintas distribuciones continuas, con sus caractersticas estadsticas ms relevantes.
3.1.
Distribucin log-normal
Tambin conocida como distribucin logartmico-normal. Es lo que se conoce en estadstica como una distribucin de colas anchas, es decir, su densidad reeja una caracterstica que tambien corrobora la varianza de esta distribucin, hay probabilidad alta de que la variable tome valores alejados de la media. Nos servir para modelizar siniestros con grandes costes o cuantas por reclamacin. La habitual denicin de una v.a. cuyo logaritmo neperiano funcin de densidad de
con distribucin log-normal, es la de aquella variable,
Y = lnX
sigue una distribucin normal
N (m, 2 ). As para obtener la
X , necesitaremos un argumento basado en la transformacin de variables. T N (0, 1).

Sabemos que la funcin de densidad es:
Pensemos primero en el caso de una v.a.
1 t2 f (t) = e 2 2
donde
t R.
23
SARRIKO-ON 03/10
La v.a.
Y N (m, 2 ), est denida como una transformacin lineal creciente de T , Y = T + m. fY (y) = ft (t(y))|t (y)|
Utilizando, la frmula de transformacin ya conociada y dada por (3.1)
donde
ft
es la funcin de densidad de
T , y sabiendo que t(y) =

(ym)2 1 e 22 2
ym , y
t (y) =
> 0, obtenemos
la funcin de densidad de
Y. f (y) =
donde
y R. Y = lnX ,
nuestra variable de inters es
De nuevo, si
X = eY .
Por por tanto utilizando la
expresin (3.1), obtenemos la funcin de densidad de
X.
f (x) = fY (y(x)) |y (x)| = (y(x)m)2 1 e 22 = |y (x)| 2

donde
y(x) = lnx,
1 |y (x)| = | x |.
Observa, que la nueva variable
X = eY ,
no puede tomar valores negativos, y por lo tanto su
soporte es el conjunto de los reales positivos,
x R+ .
Denicin 3.1
Decimos que la v.a. X tiene distribucin log-normal, si su soporte es el conjunto + , y su funcin de densidad viene dada por R
f (x) =
(lnxm)2 1 e 22 , x 0 2x
Sus caractersticas estadsticas ms relevantes, se deducen al igual que su funcin de densidad, de su relacin con la distribucin normal.
1. Para calcular los valores de su funcin de distribucin,
F (x),
emplearemos la tablas de la
N (0, 1),
mediante la siguiente relacin:
F (x) = P (X x) = P (eY x) = P (Y lnx) = (

2. Su media resulta de realizar la integral
lnx m )
E(X) =
0
xf (x)dx =
0
(lnxm)2 1 e 22 dx 2x
Sin ms que hacer el cambio de variable
t=
lnxm , y por tanto
x = et+m , dx = et+m dt,

(t2 2t) 2
la integral anterior se puede expresar como
E(X) =
1 2
t2 2
1 et+m dt = em 2
24
dt
SARRIKO-ON 03/10
Completando el exponente a un cuadrado completo
(t2 2t+ 2 2 ) 2
(t)2 2
, se obtiene
E(X) = em+
donde
2 2
1 2
h2 2
dh = em+
2 2
h = t , X
dh = dt. E(X 2 ),
2 2
3. Operando de forma similar, en la integral de de la variable es,
se puede demostrar que la varianza
V (X) = e2m+ (e 1)
3.2.
Distribucin de Pareto
Al igual que la distribucin anterior, es una ley de colas anchas por lo que la utilizaremos para modelizar cuantas elevadas. La distribucin de Pareto surge al considerar que la probabilidad de que una v.a. valor superior a un
tome una
determinado, tiene la siguiente forma funcional:
k P (X > x) = ( ) x
si
x k,
P (X > x) = 1,
en otro caso. En la expresin anterior,
son dos parmetros
reales. A partir de la consideracin anterior, es sencillo obtener la funcin de distribucin de la variable
X, k F (x) = P (X x) = 1 P (X > x) = 1 ( ) x
si
x k,
F (x) = 0,
en otro caso.
Denicin 3.2
Decimos que la v.a.
tiene distribucin de Pareto de parmetros
k, ,
si su
soporte es el subconjunto de nmeros reales
[k, )
y su funcin de densidad viene dada por
f (x) =
Normalmente
k x+1
es un parmetro prejado de antemano, a partir de los datos iniciales de la
aplicacin. El parmetro
es un parmetro de ajuste, cuyo valor se estima o determina a poste-
riori. Como veremos ms adelante, para algunos valores de este parmetro de ajuste, no existen momentos de esta variable. En cuanto a las caractersticas estadsticas, 1. Su media,
E(X) =
k ( 1) > 1.
se puede calcular como la integral anterior siempre que 25
SARRIKO-ON 03/10
2. Su varianza,
V (X) =
siempre que
k 2 ( 2)( 1)2
> 2. .
Hemos visto que la existencia de los dos primeros momentos depende del valor del parmetro informacin del comportamiento de la variable.
Es por ello, que a menudo conviene estimar su valor a partir de los datos, para tener una mayor
Como mtodo de estimacin, se puede emplear tanto el de momentos como el de mxima verosimilitud, aunque los estimadores que nos proporcionan no coinciden.
1. Estimacin por momentos. Partiendo de una m.a.s. de la distribucin, uno poblacional,
{x1 , ..., xn },
igualamos el momento de orden
E(X),
con el correspondiente momento muestral
x.
k =x ( 1)
de donde
M =
2. Estimacin por mxima verosimilitud.
x (x k)
Partiendo de una m.a.s. de la distribucin, militud:
{x1 , ..., xn },
n
construimos la funcin de verosi-
L(x, ) = ( )n k
Tomando logaritmos,
(
i=1
k +1 ) xi
lnL(x, ) = n(ln lnk) +

i=1
derivando respecto a
( + 1)(lnk lnxi )
e igualando a 0, despejamos el estimador mximo verosmil
M V =
donde
1 (lnx lnk)
lnx =
1 n
n i=1 lnxi .
Considerando las expresiones de los estimadores anteriores obtenidas para una muestra de tamao uno, se puede intuir su relacin. 26
SARRIKO-ON 03/10
3.2.1.
Distribuciones de Pareto de segundo y tercer tipo
1. La distribucin de Pareto de segundo tipo, no es ms que la de primer tipo, trasladada al origen. Es decir, si
es una v.a. con distribucin de Pareto (de primer tipo) y parmetros
k, , se dene X = Y k.
como distribucin de Pareto de segundo tipo a la distribucin de la v.a.
La relacin entre las funciones de distribucin, es
F (x) = P (X x) = P (Y k x) = P (Y x + k) = 1 (
si
k ) x+k
x 0,
F (x) = 0,
en otro caso.
2. La distribucin de Pareto de tercer tipo, es una generalizacin de las anteriores, en la que adems de la traslacin se produce un cambio en la estructura de varianza. Se dene como distribucin de Pareto de tercer tipo a la distribucin de la v.a. distribucin es:
X,
cuya funcin de
F (x) = P (X x) = 1 (
si
k bx ) e x+k , k
y
x 0,
F (x) = 0,
en otro caso. Esta distribucin depende de tres parmetros,
b.
3.2.2.
Distribucin de Burr
Es otra distribucin transformada de la distribucin de Pareto, que se emplea habitualmente para estudiar las prdidas en carteras de seguros. Sea
una v.a. de Pareto de segundo tipo y
transformacin denida como
Z = X , con > 0.
1
La relacin entre ambas funciones de distribucin, teniendo en cuenta que

1
Z = X,
es:
F (z) = P (Z z) = P (X z) = P (X z ) = 1 (
si
k ) +k
z0
F (z) = 0,
en otro caso.
Proposicin 3.1
ordinario de orden
Sea
una v.a. con distribucin de Burr de parmetros
k, , .
El momento
de la v.a.
es:
r
E(Z r ) = k
siempre que
( r/)(r/ + 1) ()
r < .

27
SARRIKO-ON 03/10
3.3.
Distribucin Gamma
Aunque la hemos presentado en el resumen del primer tema, la inclumos de nuevo aqui como modelo para ciertas distribuciones de prdida o cuanta de siniestros. Recordemos la siguiente denicin:
Denicin 3.3
y se denota por
Se dice que la v.a
sigue una distribucin Gamma de parmetros
a > 0, r > 0,
(a, r),
si su funcin de densidad viene dada por
f (x) =
y
ar r1 ax x e , (r)
r1 x e dx 0 x
x0
(3.2)
f (x) = 0,
en otro caso; donde
(r) =
Nota: Si
r Z+ ,
se verica
(r) = (r 1)!.
Adems como principales caractersticas estadsticas tenemos:
1. Su media es:
E(X) =
2. Su varianza es:
r a
(3.3)
V (X) =
3. Su funcin generatriz de momentos es:
r a2
(3.4)
X (u) = (1
u r ) a
(3.5)
X (u) = (1
5. Su funcin cumulativa es:
iu r ) a
(3.6)
X (u) = r ln(1
u ) a
(3.7)
3.3.1.
Distribucin exponencial
La distribucin exponencial se puede introducir como el caso particular de la distribucin cuando el parmetro
r = 1,
en este caso: 28
SARRIKO-ON 03/10
Denicin 3.4
se denota por
Se dice que la v.a
sigue una distribucin exponencial de parmetro
a > 0,
(a),
f (x) = aeax ,
y
x0
(3.8)
f (x) = 0,
en otro caso.
Sus principales caractersticas, se obtienen tambin como caso particular de la distribucin
1. Su media es:
E(X) =
1 a
(3.9)
2. Su varianza es:
V (X) =
1 a2
(3.10)
3. Su funcin generatriz de momentos es:
X (u) = (1
u 1 ) a
(3.11)
X (u) = (1
iu 1 ) a
(3.12)
5. Su funcin cumulativa es:
X (u) = ln(1
u ) a ,
(3.13)
Observar adems que de la forma de la funcin caracterstica, tanto de la distribucin en particular de la exponencial, se deduce el siguiente resultado:
como
Proposicin 3.2
La suma de v.a. independientes con distribucin
del mismo parmetro
a,
es
una v.a. con distribucin
del mismo parmetro
y donde su parmetro
se obtiene como suma
de dichos parmetros en las distribuciones
que hemos sumado.
Demostracin: Evidente si calculamos la funcin caracterstica de la suma de v.a. independientes con distribucin
.
29
SARRIKO-ON 03/10
3.3.2.
Distribucin exponencial desplazada
La distribucin exponencial se puede generalizar, trasladndola del origen. Surge as, la distribucin exponencial desplazada. Sea
una v.a. con distribucin exponencial de parmetro
a. X E(a).
Consideremos la v.a.
transformacin lineal de
X , Y = X + k , k > 0.
La funcin de densidad de
Y,
de acuerdo con la
expresin (3.1), vendr dada por:
fY (y) = fX (y k) = aea(yk)
si
(3.14)
y k;
siendo
fY (y) = 0,
en otro caso.
As, tenemos la siguiente denicin:
Denicin 3.5
a > 0, k > 0
Se dice que la v.a
y se denota por
X sigue una distribucin exponencial desplazada de parmetros E(a, k), si su funcin de densidad viene dada por f (x) = aea(xk) , xk>0
(3.15)
f (x) = 0,
en otro caso.
Sus principales caractersticas, son evidentes a partir de su relacin con una v.a. exponencial. De la propia denicin, se sigue que: 1. Su media es:
E(X) =
1 +k a a:
(3.16)
2. Su varianza es la misma que la de la exponencial de parmetro
V (X) =
1 a2
(3.17)
X (u) = eiuk (1
iu 1 ) a
(3.18)
3.4.
Distribucin de Weibull
Es otra generalizacin de la distribucin exponencial, en la que intervienen dos parmetros, el parmetro forma. Esta distribucin se usa habitualmente para modelar la compensacin de las reclamaciones de los trabajadores. Proporciona una adecuada respresentacin de la distribucin de la prdida. Se dene como sigue: 30
> 0,
que corresponde en la denicin de la distribucin exponencial a
1 a , y se
denomina parmetro de escala; y el parmetro
> 0,
denominado comnmente parmetro de
SARRIKO-ON 03/10
Denicin 3.6
>0
Se dice que la v.a
sigue una distribucin de Weibull de parmetros
> 0,
y se denota por
W (, ),
f (x) =
y
1 ( x ) x e ,
x0
(3.19)
f (x) = 0,
en otro caso.
Recordando la denicin de la funcin principales caractersticas estadsticas:
(r) =
r1 x e dx, para 0 x
r > 0,
se deducen sus
1. Su media es:
E(X) =
2. Su varianza es:
xx1 e( ) dx = (
1 + 1)
(3.20)
V (X) = 2 [(
2 1 + 1) 2 ( + 1)]
(3.21)
3.5.
Distribucin Beta
Pensemos en una pliza que cubre dos tipos de siniestros independientes, y que la cuanta de cada uno de ellos sigue una distribucin
(a, ri ), i = 1, 2.
En este caso la v.a.
Y1 =
la fraccin de prdida asociada al primer siniestro, mientras que fraccin asociada al segundo siniestro. Veremos que la distribucin de de
Y2 =
X2 X1 +X2 , respresenta la
X1 X1 +X2 representa
Y1
y
es una distribucin Beta de parmetros
r1 , r2 , mientras que
la
Y2
es una distribucin Beta de parmetros
r2 , r1 .
del mismo parmetro a, de acuerdo con la Proposicin 3.2, sabemos que X = X1 + X2 (a, r1 + r2 ). Es decir, veremos que una v.a. con distribucin Beta surge como cociente de dos v.a. con distribuciones del mismo parmetro a no independientes.
Dada la independecia entre y la forma de su distribucin Para obtener la funcin de densidad de la v.a. transformacin una aplicacin
X1
X2
Z1 = X1 /X .
Para ello, denimos
2 de R en
R2 que haga corresponder a (X1 , X) (Z1 , Z2 )
donde
Z1 = X1 /X
Z2 = X .
Transformacin que podemos expresar en forma matricial como:
Z=
con
1 X
0 1
X = AX,
||A|| =
1 |X|
=0
X = A1 Z =
X 0 0 1
31
Z,
SARRIKO-ON 03/10
de donde
X1 = Z1 X1 = Z1 Z2 Z,
X2 = Z2 . X
con
El jacobiano de esta transformacin, es decir el determinante de la matriz de derivadas de respecto a que en valor absoluto,
||
D(X) D(Z)
|| = ||
Z2 Z1 || = |Z2 | 0 1
nos proporciona la
es la generalizacin de la expresin funcin de densidad conjunta de
|x (z)|, en la frmula (3.1), que ahora Z = (Z1 , Z2 ) a partir de la de (X1 , X), D(X) D(Z) || =
fZ (z1 , z2 ) = fX (x1 (z1 , z2 ), x(z1 , z2 ))|| = fX (z1 z2 , z2 )|z2 |
La funcin de densidad que nos interesa es la marginal de la primera componente Luego,
Z1 = X1 /X .
f1 (z1 ) =

f (z1 , z2 )dz2 = fX (z1 z2 , z2 )|z2 |dz2 = fX (z1 z2 , z2 )z2 dz2
=
0
si
z2 = x2 0. (X1 , X), cuyas componentes son no independientes.
Pero para poder calcular la integral, tenemos que determinar previamente cul es la funcin de densidad conjunta de la v.a. bidimensional Para calcular su funcin de densidad, es ms sencillo calcular primero su funcin de distribucin:
F (x1 , x) = P (X1 x1 , X x) = P (X1 x1 , X1 + X2 x) = = P (X1 x1 , X2 x x1 ) = F1 (x1 )F2 (x x1 )

puesto que
X1
X2
s son independientes. Por lo tanto,
fX (x1 , x) = f1 (x1 )f2 (x x1 )

donde
f1 es la funcin de densidad de X1 (a, r1 ) y f2 es la funcin de densidad de X2 (a, r2 ). ar1 r1 1 ax1 ar2 x e (x x1 )r2 1 ea(xx1 ) = (r1 ) 1 (r2 ) ar1 ar2 xr1 1 (x x1 )r2 1 eax (r1 )(r2 ) 1 ar1 ar2 (z1 z2 )r1 1 (z2 z1 z2 )r2 1 eaz2 (r1 )(r2 )
32
Sustituyendo las funciones de densidad por sus expresiones correspondientes, se obtiene:
fX (x1 , x) = =
Y por tanto
fX (z1 z2 , z2 ) =
SARRIKO-ON 03/10
De donde la funcin de densidad de
Z1 ,
resulta ser:
f1 (z1 ) =

f (z1 , z2 )dz2 = fX (z1 z2 , z2 )z2 dz2 =
=
0
=
0
ar1 ar2 (z1 z2 )r1 1 (z2 z1 z2 )r2 1 eaz2 z2 dz2 = (r1 )(r2 )
= = =
si
ar1 +r2 r r eaz2 z21 +r2 1 dz2 = z11 1 (1 z1 )r2 1 (r1 )(r2 ) 0 ar1 +r2 (r1 + r2 ) = z r1 1 (1 z1 )r2 1 (r1 )(r2 ) 1 ar1 +r2 (r1 + r2 ) r1 1 z (1 z1 )r2 1 (r1 )(r2 ) 1
en otro caso.
0 z1 1 ,
f1 (z1 ) = 0,
As, formalmente, tenemos la siguiente denicin:
Denicin 3.7
y se denota por
Se dice que la v.a
sigue una distribucin Beta de parmetros
r1 > 0, r2 > 0
B(r1 , r2 ),
f (x) = =
si
(r1 + r2 ) r1 1 x (1 x)r2 1 = (r1 )(r2 ) 1 xr1 1 (1 x)r2 1 B(r1 , r2 )
0 x 1,
f (x) = 0,
en otro caso.
De imponer la condicin de que la funcin de densidad integra la unidad, se deduce que
B(r1 , r2 ) =
0
y,
xr1 1 (1 x)r2 1 dx =
(r1 )(r2 ) (r1 + r2 )
(r) =
r1 x e dx, para 0 x
r > 0.
En cuanto a sus carctersticas estadsticas:
1. Su media es:
E(X) =
2. Su varianza es:
r1 r1 + r2
(3.22)
V (X) =
(r1 +
r1 r2 2 (r + r r2 ) 1 2
+ 1)
(3.23)
33
SARRIKO-ON 03/10
3.6.
Tarea 3
Se enumeran a continuacin un conjunto de ejercicios de ensayo de las competencias correspondientes a este tema; en particular seguimos con la segunda de las formuladas en el programa de la asignatura: Describir y analizar situaciones sencillas de riesgo en problemas relacionados con el mundo actuarial o de las nanzas y expresarlas formalmente en trminos de variables aleatorias y sus distribuciones. 1. En una compaa de seguros se ha estimado que la cuanta por reclamacin por responsabilidad del profesional mdico, es una v.a. con distribucin de Pareto con parmetros un cierto valor
k , .
Se sabe adems que la empresa aseguradora cubre las reclamaciones de cuanta menor que
c > k,
y que subcontrata a su vez a una empresa reaseguradora para cubrir
las reclamaciones con cuantas superiores a
c. X,
es decir, la de la v.a.
a ) Obtn la funcin de densidad truncada de b ) Demuestra que la v.a.
Y,
sigue una distribucin de Pareto de
Y = X|X > c. parmetros k = c, . = 2,6.
2. La cuanta por reclamacin,
X,
(en miles de euros) en la compaa aseguradora Gentilicia
es una v.a. con distribucin de Pareto de parmetros cubra las reclamaciones por encima de los
k =3
(miles de euros) y
La compaa decide reasegurarse con en banco Providencial, de manera que dicho banco
6000
euros.
a ) Obtener la funcin de densidad de la v.a. b ) Calcular su media y su varianza.
X. 6000
euros.
c ) Calcular la probabilidad de que en una reclamacin, la cuanta supere los d ) Si sabemos que la cuanta de una reclamacin ha superado los
probabilidad de que supere los
6000
euros, calcular la
9000. F (x, ),
1
e ) Obtener la funcin de densidad de las cuantas reclamadas al banco Providencial.

3. Para una v.a. no negativa
con funcin de distribucin
se dene la prima de
riesgo bajo el principio de prima de riesgo ajustada, como:
P () =
0
Demostrar que:
[P (X > x)] dx =
0
[1 F (x, )] dx
a ) Si b ) Si
X exp(),
entonces
P () =
X P areto(, ),
con
conocido, entonces
P () =
() ,
> .
4. Un reaseguro excess loss es una modalidad de reaseguro por la que el reasegurador cubre la parte del seguro que excede del pleno jado por la cedente para cada siniestro. En esta modalidad, el reasegurador asume la parte de cada siniestro que supera una determinada cantidad. Esta cantidad recibe el nombre de cesin en los seguros vida y deducible en los seguros no vida. Si denotamos por
al pleno o deducible jado para cada siniestro, y
es la v.a. que representa la cuanta por reclamacin, pueden suceder dos cosas: 34
SARRIKO-ON 03/10
a ) Que b ) Que
X M,
entonces el responsable es el asegurador y no hay reaseguro. paga
X > M , existe reaseguro que cubre X M . Por tanto, el asegurador Y = m n{X, M }, mientras que el reasegurador paga Z = mx{0, X M }. a
es la funcin de distribucin de la v.a.
Si
FY (y)
Y = m n{X, M },
se verica:
FY (y) = {
De donde
F (x), x M 1, xM
E(Y n ) =
n{X, M }]n f (x)dx, y teniendo en cuenta que 0 [m
Y = m n{X, M } = {
y dado que medios del Si la v.a
x, 0 x M M, xM
obtiene que los pagos
E([m n{X, M }]n ) = 0 xn f (x)dx + M n [1 F (M )], Se M asegurador son: E(Y ) = 0 xf (x)dx + M [1 F (M )],
sigue una distribucin log-normal
(, ),
calcula
E(Y n )
con
E(Y ),
para un
reaseguro excess loss. 5. Considera una v.a. continua de la que sabemos que
X > k,
k = 2,
su media es
E(X) = 3.
a ) Bajo la hiptesis de que
el valor del parmetro
X X
sigue una distribucin de Pareto de primer tipo, calcula
.
sigue una distribucin exponencial desplazada, calcula su
b ) Bajo la hiptesis de que

varianza.
c ) Analiza las diferencias en varianza de las posibilidades anteriores. d ) Analiza las diferencias entre las probabilidades de que dicha variables tome valores
superiores a 10, bajo ambas condiciones.
e ) Representa grcamente,
f (2), f (3), f (4)

y
f (10),
en ambas situaciones, para darte
una idea de cmo decrecen ambas distribuciones. 6. Sea
una v.a con distribucin
cX
sigue una distribucin
(a, r) ( a , r). c
una constante positiva. Demuestra que la v.a
Aplicacin: Si la v.a. cuanta por reclamacin sigue una distribucin en euros? 7. La cuanta por reclamacin de cada uno de cin exponencial de parmetro
y estaba expresada
en aos anteriores en pesetas, cul es la distribucin de la misma variable si la expresamos
n siniestros independientes, sigue una distribu-
a.
a ) Calcula la distribucin de la v.a. cuanta total, denida como la suma de las cuantas
de los
siniestros.
b ) Calcula la distribucin de la v.a. cuanta media, denida como la media aritmtica de

las
cuantas. Calcula su media y su varianza.
35
SARRIKO-ON 03/10
8. Una opcin de compra (call) sobre un activo es un contrato por el cual el poseedor de la opcin adquiere el derecho a comprar el activo (subyacente) en una fecha de vencimiento (T ) y a un precio (p) jado de antemano ( precio de ejercicio). Considera un inversor de una call que paga hoy activo
BV BV
a 28 euros. Obviamente si el activo vale en
no ejercer su derecho a compra y perder el
1,7 euros por el derecho a comprar en T un T , menos de 28 euros, el inversor euro con siete; mientras que si el activo en T
en
vale ms, el inversor ejercer la opcin de compra y comprar el activo. Sobre la distribucin del precio
del activo
BV BV
T,
sabemos que
P (X < 28) = 0,3 E(X|X > 28) =

28
a ) Dene la v.a.
xf (x)dx = 21,6
B :benecio
proporcionado por la opcin, y determina sus valores en
funcin del valor del activo en
T. E(B).
b ) Calcula en benecio esperado proporcionado por la opcin,
c ) Si el precio del activo BVBV hoy es de 27.64 euros, cul ha de ser su valor esperado en
T,
para que el benecio esperado por cada euro sea el mismo, invirtiendo en opciones
que directamente en el mismo activo subyacente?
36
Captulo 4
Distribuciones compuestas
En los dos temas anteriores, hemos visto por separado el comportamiento de dos variables aleatorias, a saber, nmero de siniestros y cuanta por reclamacin. Sin embargo, en la prctica, stas son dos variables que aparecen simultneamente, y que tenemos que estudiar de forma conjunta. La cuanta por reclamacin, condicionada a la ocurrencia de un siniestro, puede tener caractersticas distintas de la cuanta por reclamacin, condicionada a la ocurrencia de
siniestros o
en general de la cuanta por reclamacin incondicionada al nmero de siniestros, por ejemplo. Adems haciendo extensivo este estudio, veremos que a la hora de modelizar el comportamiento de una v.a., como una distribucin concreta, sta puede depender de parmetros, que a su vez sean variables aleatorias. Este caso tambin se enmarca dentro del estudio de las distribuciones
de probabilidad compuestas.
4.1.
Convolucin de variables
Hasta ahora, cuando queramos estudiar la distribucin de la suma de momentos o cumulativa.
v.a.,
X1 + ... + Xk ,
independientes, realizbamos un razonamiento basado en la funcin caracterstica, generatriz de
En esta seccin vamos a ver un razonamiento alternativo basado en sus funciones de cuanta o densidad, dependiendo de si se trata de v.a. discretas o continuas. Consideremos, sin prdida de generalidad dos v.a. funciones de cuanta vendrn dadas por:
Y,
independientes entre s, discretas, que
en particular tienen su soporte en el conjunto de los enteros no negativos,
Z+ . As, sus respectivas
P (X = j) = aj P (Y = k) = bk j, k = 0, 1, 2, .... Entonces suceso (X = j, Y = k), ser

para la funcin de cuanta conjunta, que nos da la probabilidad del
P (X = j, Y = k) = P (X = j)P (Y = k) = aj bk
37
SARRIKO-ON 03/10
dada la independencia entre ambas variables. Consideramos ahora la v.a. suma, donde para todo
Z = X +Y,
Z+ , el suceso
{Z = r} = {X + Y = r} = r {X = j, Y = r j} j=0
De nuevo por la independencia entre
Y,
r
P (Z = r) = P (X + Y = r) =
j=0 r
P (X = j, Y = r j) =
(4.1)
=
j=0
para
aj brj = cr
r Z+ .
A la sucesin
{cr } = r aj brj , se le denomina convolucin de las sucesiones {ar }, {br }, y se j=0 denota como {cr } = {ar } {br }. Esta sucesin nos da la distribucin de la v.a. Z , suma de las variables independientes X e Y a travs de la expresin (4.1).
Sean
Ejemplo 4.1
v.a. independientes con distribucin de Poisson de parmetro
Es
decir cada una de ellas tiene funcin de cuanta dada por:
P (X = k) =
La funcin de cuanta de
e k , k Z+ k!
Z =X +Y
es la convolucin de ambas y viene dada por:
P (Z = r) = P (X + Y = r) =
j=0 r
P (X = j)P (Y = r j) = e2 r r!
r j=0
=
j=0
e j j!
r
e rj (r j)! r j
r! = j!(r j)!
=
para
e2 r r!
j=0
e2 r e2 (2)r (1 + 1)r = r! r! 2.
r = 0, 1, 2, ...,
es decir
tiene distribucin de Poisson de parmetro
En el caso de v.a. independientes y continuas, denotemos a sus respectivas funciones de distribucin por distribucin de
F (x) y G(y). De nuevo consideremos Z , se puede calcular como:
la v.a. suma,
Z = X +Y.
La funcin de
H(z) = P (Z z) = P (X + Y z)
Esta es la probabilidad del recinto
sobre l la funcin de densidad conjunta de la v.a de densidad es producto de marginales, es decir:
{X +Y z}, en el plano (X, Y ), y se puede obtener integrando (X, Y ). Por la independencia, dicha funcin
zx
P (X + Y z) =
x+yz
f (x)g(y)dxdy =
38
f (x)g(y)dydx
SARRIKO-ON 03/10
As,
zx
H(z) = P (X + Y z) =
zx
f (x)g(y)dydx =
f (x)(
g(y)dy)dx =
f (x)G(z x)dx X
e
o anlogamente, intercambiando el papel de las variables
Y,
zy
H(z) = P (X + Y z) =
zy
f (x)g(y)dxdy =
g(y)(
f (x)dx)dy =
g(y)F (z y)dy
Es decir,
H(z) =

f (x)G(z x)dx = g(y)F (z y)dy
Admitiendo la derivabilidad de las funciones de distribucin y por lo tanto la existencia de las funciones de densidad, se obtiene la funcin de densidad de
Z,
h(z) = H (z) = =
de donde
G(z x) dx z F (z y) g(y) dy z f (x)
h(z) =
f (x)g(z x)dx =
g(y)f (z y)dy
(4.2)
La expresin (4.2) generaliza la presentada para el caso de distribuciones discretas en (4.1).
Sean X e Y v.a. independientes con distribucin exponencial de parmetro a (tam1 bin se suele decir de media a ). Es decir cada una de ellas tiene funcin de densidad dada por: ax +
Ejemplo 4.2
f (x) = ae
,x R
La v.a.
Z =X +Y
tendr como funcin de densidad la convolucin de ambas. Por lo tanto:
h(z) =
f (x)g(z x)dx = a2
0 z 2 az 0
eax ea(zx) dx =
= a e
dx = a ze
az
z R+
funcin de densidad que corresponde a una
(a, 2),
39
resultado que ya esperbamos.
SARRIKO-ON 03/10
Cualquiera de los dos ejemplos de aplicacin de las frmulas de convolucin presentadas ya nos eran familiares, y podamos llegar a ellos a travs del clculo de las funciones caractersticas. Sin embargo hay veces que la propiedad de convolucin nos permite obtener funciones de cuanta o de densidad de determinados tipos de sumas, que no son fciles de abordar mediante el uso de la funcin caracterstica.
4.2.
Algunas distribuciones compuestas
Consideremos una v.a.
cuya funcin de probabilidad, ya sea funcin de cuanta o de densidad,
P (x; 0 ). Ahora bien, si el parmetro es adems una v.a. P (). Realmente cuando escribamos P (x; 0 ) nos estaremos reriendo la la probabilidad de que X el valor x condicionada o sabiendo que el valor de es jo y vale 0 , es decir P (x| = 0 ).
dependa de un parmetro es decir con su funcin de probabilidad denotada por
0 ;
Denicin 4.1
X
Se denomina distribucin compuesta de
en relacin a
a la distribucin de
incondicionada al valor de
que se obtiene directamente del teorema de la particin, como
P (X = x) =
si
P (x|)P ()
(4.3)
son v.a. discretas y como
f (x) =
si tanto
f (x|)f ()d
(4.4)
como
son v.a. continuas.
Como veremos en el siguiente ejemplo tambin son frecuentes las combinaciones de v.a. discretas y continuas.
Ejemplo 4.3
Es decir:
Sea
una v.a. con distribucin de Poisson de parmetro
, donde dicho parmetro
se comporta a su vez como una v.a.
(a, r). e k k!
P (X = k|) =
y
f () =
y
ar r1 a e , (r)
r1 x e dx. 0 x
f () = 0,
en otro caso; donde
(r) =
Por lo tanto la distribucin de
incondicionada a
es:
P (x) =
0
P (x|)f ()d =
ar (r)k!
40
e(a+1) k+r1 d
(4.5)
SARRIKO-ON 03/10
Sabiendo que
(a + 1)k+r (k + r)
k+r1 e(a+1) d = 1
puesto que es la funcin de densidad de una v.a.
(k + r 1)(k + r 1);
en la expresin (4.5), si
(a + 1, k + r) y sabiendo k + r Z+ , tenemos: a a+1

r
adems que
(k + r) =
P (x) =
(k + r) ar = (r)k! (a + 1)k+r
r+k1 k
1 a+1
que corresponde a una funcin de cuanta de una v.a. binomial negativa de parmetros a p = (a+1) .
m = r,
Es decir otra forma alternativa de introducir la distribucin binomial negativa es como la distribucin compuesta de una v.a. Poisson, donde el parmetro
sigue una distribucin
4.2.1.
La distribucin binomial compuesta
Sea
una v.a. con distribucin binomial de parmetros
(N, p), es decir X B(N, p). Su funcin
de cuanta viene dada por:
P (X = k; N ) =
N k
pk (1 p)N k ,
k {0, ..., N }
Si el nmero de repeticiones o exposiciones al riesgo, es en realidad la probabilidad condicionada al
N , es tambin una v.a., la expresin anterior valor del parmetro N , es decir: P (X = k, N = n) P (N = n)
P (X = k; N ) = P (X = k|N = n) =
Si queremos obtener la distribucin incondicionada de distribucin de la v.a. Poisson de parmetro
X,
tendremos que conocer cul es la
N . Consideremos , as
el caso en el que
es una v.a. con distribucin de
P (N = n) =
e n , n!
41
n = 0, 1, 2, ...
SARRIKO-ON 03/10
Entonces la distribucin de
incondicionada a
N,
ser:
P (X = k) =
n
P (k|N = n)P (N = n) = n k
(k n)
=
n=k
pk (1 p)nk
e n = n!
= e k = =
n=k (p)k e
pk (1 p)nk nk n! = k!(n k)! n! (1 p)nk nk = (n k)! (q)n e (p)k q ep (p)k = e = , (n)! k! k! k = 0, 1, ... p. Es p.
decir, la
n=k (p)k e
k! k!
n=0
funcin de cuanta que corresponde a una distribucin de Poisson de parmetro distribucin binomial compuesta con una Poisson de parmetro
es una Poisson
4.2.2.
Sea
La distribucin de Poisson compuesta

una v.a de Poisson de parmetro
Es decir
P (X = k; ) =
donde a su vez el parmetro
e k k!
es una v.a., por ejemplo continua y con funcin de densidad f (). X,

vendr dada por:
La distribucin compuesta de
P (X = k) =
0
En el caso particular de que bucin compuesta de
P (X = k|)f ()d =
0
siga una distribucin
e k f ()d k!
ya vimos en el ejemplo 4.3 que la distri-
es una binomial negativa.
4.3.
La teora de los valores extremos
Consideremos de forma general que la cuanta por reclamacin por siniestro es una v.a. tiene como funcin de distribucin
F (x).
As, para un valor cualquiera
da la probabilidad de que la cuanta o el coste del siniestro sea El nmero de siniestros por su parte es otra v.a.
S que s, F (s) = P (S s), nos inferior o igual a s.
X.
En muchos casos prcticos nos interesa conocer la probabilidad de que, a lo largo de un tiempo determinado, el coste mayor de los correspondientes a los siniestros ocurridos no supere una cierta cantidad
s.
42
SARRIKO-ON 03/10
Es decir nos interesa buscar la distribucin de probabilidad del mximo de las cuantas (o coste de la reclamacin de mayor cuanta), incondicionada al nmero de siniestros que han podido
ocurrir.
Partimos de la hiptesis de que los siniestros ocurren de manera independiente y la cuanta de todos ellos,
S,
tiene la misma distribucin, con funcin de distribucin
F ().
Denotaremos por
(s)
a la funcin de distribucin buscada, esto es, la funcin de distribucin
de la cuanta con mayor coste (=
mx S ). a
Claramente, de acuerdo con el teorema de la particin,
(s) = P (mx S s) = a
j=0
Adems,
P (mx S s|X = j) P (X = j) a
P (mx S s|X = j) = P (mx{S1 , ..., Sj } s) = P (S1 s ... Sj s) = [P (S s)]j a a

de donde
(s) = P (X = 0) + P (X = 1)P (S s) + P (X = 2)P (S s)2 + ... =

=
j=0
P (X = j)P (S s) =
j=0
P (X = j)F (s)j X,
para
Ahora bin, esta suma ha aparecido ya en probabilidad. Pensemos en una v.a. discreta generatriz de momentos factoriales),
la que queremos calcular su funcin generatriz de probabilidad (tambin denominada funcin
GX (u),
denida como,
GX (u) = E(uX ).
Si
es discreta:
G(u) =
j=0
Es decir,
P (X = j)uj
(s) = G(F (s))

para cualesquiera v.a.
y siempre la v.a.
tenga funcin generatriz de probabilidad.
Ejemplo 4.4
En este caso:
Considera que el nmero de siniestros
es una v.a de Poisson de parmetro
Obtener la distribucin del coste de la reclamacin de mayor cuanta.
(s) =
j=0
P (X = j)(F (s))j = e j F (s)j = j! e =e

j=0
=
j=0
e (F (s))j = j!
= e
Siendo
F (s)
(1F (s))
F (s)
la funcin de distribucin de la cuanta en

43
s.
SARRIKO-ON 03/10
Nota:
Observa que la funcin generatriz de probabilidad de una v.a.
X P(),
es
GX (u) =
e(1u) ,
> 0. Z
a la
En similares condiciones a las descritas anteriormente, en ocasiones nos interesar conocer la distribucin de la cuanta total incondicionada al nmero de siniestros. Si denotamos por v.a. cuanta total, y por
FZ ()
a su funcin de distribucin, tenemos:
FZ (z) =
j=0
P (Z z|X = j)P (X = j) =
=
j=0
P (S1 + ... + Sj z)P (X = j) =
=
j=0
donde
P (Zj z)P (X = j) =
j=0
F j (z)P (X = j) j
siniestros, es decir
Zj = S1 + ... + Sj
es la cuanta total condicionada a la ocurrencia de
j es su funcin de distribucin. la suma de las cuantas de los j -simos primeros siniestros y F

Entonces, la distribucin de la cuanta total es la distribucin compuesta de la cuanta con respecto al nmero de siniestros. A veces, es sencillo obtener las funciones de distribucin anteriores, y a partir de ellas, las de densidad. En otras ocasiones, simplemente no es necesario obtener la forma de su funcin de densidad y basta con obtener una relacin de sus primeros momentos, media y varianza.
4.4.
Relacin entre momentos condicionados y no condicionados
Consideremos dos v.a. discretas dada por:
Y.
La funcin de cuanta condicionada de
X|Y = y ,
viene
P (X = x|Y = y) =
P (X = x, Y = y) P (Y = y)
Si ambas v.a. son continuas, la correspondiente funcin de densidad condicionada es:
f (x|Y = y) =
f (x, y) f (y)
As, siempre que los denominadores sean distintos de cero, las ditribuciones condicionadas estn bin denidas y podemos obtener sus momentos. Por simplicidad haremos las cuentas en el caso particular de v.a. discretas, auque las relaciones que obtengamos sern tambin vlidas en el caso de v.a. continuas o mixtas. En el caso de v.a. discretas, se obtiene la esperanza de la distribucin condicionada de como
X|Y = y ,
E(X|Y = y) =
x
xP (X = x|Y = y)
44
SARRIKO-ON 03/10
De modo que su relacin con la esperanza de la v.a.
incondicionada es:
E(X) =
x
xP (X = x) =
x
x
y
P (X = x, Y = y) =
=
x y
xP (X = x|Y = y)PY (y) = xP (X = x|Y = y)PY (y) =

y x
= =
y
PY (y)
x
xP (X = x|Y = y) =
=
y
PY (y)E(X|Y = y) = EY [E(X|Y )]
As mismo si la varianza de la distribucin de
condicionada a
Y = y,
es:
V (X|Y = y) =
x
entonces la varianza incondicionada de
x2 P (X = x|Y = y) [E(X|Y )]2 X

se puede expresar en funcin de los dos momentos de
la distribucin condicionada como sigue:
Proposicin 4.1
Sean
los momentos condicionados,
Y dos v.a. cualesquiera, tales que existen y son nitos E(X|Y = y) y V (X|Y = y). Entonces, se verica:
los valores
V (X) = EY [V (X|Y )] + VY [E(X|Y )]
Demostracin:
V (X) =
x
x2 P (X = x) [E(X)]2 = PY (y)
y 2 x
x2 P (X = x|Y = y) [EY (E(X|Y ))]2 =
= EY (E(X |Y )) [EY (E(X|Y ))]2

sumamos y restamos
EY ([E(X|Y )]2 ),
V (X) = EY (E(X 2 |Y )) EY ([E(X|Y )]2 ) + EY ([E(X|Y )]2 ) [EY (E(X|Y ))]2 = = EY [E(X 2 |Y ) [E(X|Y )]2 ] + VY (E(X|Y )) = = EY (V (X|Y )) + VY (E(X|Y ))
Las relaciones anteriores son vlidas en cualquier contexto de probabilidad. En particular nos resultarn de gran utilidad para determinar valores esperados y varianzas de distribuciones incondicionadas, sin necesidad de obtener de forma explcita la forma completa de la distribucin compuesta. 45
SARRIKO-ON 03/10
Ejemplo 4.5
Considera que el nmero de siniestros que suceden en determinado tipo de riesgo
sigue una distribucin de Poisson de parmetro
y que la cuanta por reclamacin de cada uno
de ellos sigue una distribucin exponencial de parmetro

cuanta total.
a.
Bajo la hiptesis de independencia
tanto entre cuantas como entre siniestros, vamos a obtener la media y la varianza de la v.a.
En primer lugar si llamamos
k,
de
donde
Zk
es
Zk = Y1 + ... + Yk a la cuanta total para un nmero de siniestros Yi representa la cuanta por reclamacin en cada siniestro, sabemos que la distribucin k (a, k). Por lo tanto E(Zk ) = k y V (Zk ) = a2 . a X,
sigue una distribucin de Poisson, tenemos que la
Por otro lado si el nmero de siniestros media incondicionada de
Z,
es
1 k E(Z) = EX (E(Z|X = k)) = EX ( ) = a a

y la varianza incondicionada de
Z,
ser
V (Z) = EX (V (Z|X = k)) + VX (E(Z|X = k)) = EX ( = 1 1 2 + 2 = 2 2 a a a
k k ) + VX ( ) = 2 a a
4.5.
Mixtura de distribuciones normales
Vamos a ver en esta seccin distintos casos de distribuciones compuestas que se obtienen a partir de distribuciones normales donde los parmetros varan. Consideremos una v.a parmetro
que sigue una distribucin normal de parmetros
(m, 2 ),
tal que el
a su vez toma el valor
con probabilidad
p y el valor 2
con probabilidad
q = 1p.
Tenemos por lo tanto que la distribucin de su funcin de densidad es:
condicionada al valor de su varianza es conocida;
f (x|) =
(xm)2 1 e 22 , 2
xR X;
Lo que queremos es determinar la distribucin compuesta de dicionada. Su funcin de densidad,
es decir su distribucin incon-
f (x),
se obtiene como:
f (x) = f (x| = 1 )P ( = 1 ) + f (x| = 2 )P ( = 2 ) =

(xm) (xm) 1 1 2 2 = p e 21 + (1 p) e 22 21 22 2 2
En ocasiones esta funcin de densidad no es manejable y lo que nos interesa es conocer simplemente sus valores tpicos: media, varianza, asimetra y curtosis. 46
SARRIKO-ON 03/10
En cuanto a la media y la varianza, utilizando las relaciones vistas en secciones anteriores, se obtiene:
E(X) = E (E(X|)) = E (m) = m V (X) = E (V (X|)) + V (E(X|)) =

2 2 2 = E ( 2 ) + V (m) = 1 2 p + 2 (1 p) + 0 = p1 + (1 p)2
Si lo que nos interesa es informacin sobre la asimetra y la curtosis, podramos calcular los cumulantes
k3
k4 . Para ello debemos obtener primero la funcin cumulativa, X (u) = lnX (u). X , X (u),
es fcil de obtener a partir de la relacin de
La funcin generatriz de momentos de
las distribuciones condicionadas con la distribucin normal. En particular, la funcin generatriz de momentos
X (u),
es:
X (u) = E(euX ) = + (1 p) = pe
eux f (x)dx = p eux f (x| = 2 )dx = + (1 p)e

2 2 u2 +mu 2 2 2 u2 2
eux f (x| = 1 )dx +
2 1 u 2 +mu 2 2 1 u2 2
= emu [pe
+ (1 p)e
Utilizando del desarrollo en serie de la funcin,
ex .
ex =
k=0
xk x2 x3 =1+x+ + + ... k! 2! 3!
e igualando los coecientes de trminos de igual grado en el desarrollo en serie de la funcin generatriz,
X (u) = 1 + 1 u + 2
podemos obtener los momentos ordinarios
2 1 u2 +mu 2 2 1 u2 2
u2 u3 + 3 + ... 2! 3! X.
Concretamente:
(4.6)
para la variable
X (u) = pe
+ (1 p)e
2 2 u2 +mu 2 2 2 u2 2
+ (1 p)e ]= 2 4 6 1 u2 1 u4 1 u6 = emu [p(1 + + 2 + 3 + ...) + 2 2 2! 2 3! 2 4 6 2 u2 2 u4 2 u6 + 2 + 3 + ...)] = + (1 p)(1 + 2 2 2! 2 3! 2 2 4 4 6 6 p1 + (1 p)2 2 p1 + (1 p)2 4 p1 + (1 p)2 6 = emu [1 + u + u + u + ...] 2 22 2! 23 3!
47
= emu [pe
SARRIKO-ON 03/10
Tomando logaritmo neperiano en la anterior expresin, se obtiene:
X (u) = lnX (u) = mu + ln(1 + +
2 2 4 4 p1 + (1 p)2 2 p1 + (1 p)2 4 u + u + 2 22 2!
6 6 p1 + (1 p)2 6 u + ...) = mu + ln(1 + Y ) 23 3!
donde llamamos
Y =
2 2 4 4 6 6 p1 + (1 p)2 2 p1 + (1 p)2 4 p1 + (1 p)2 6 u + u + u + ... 2 22 2! 23 3!
Utilizando ahora el desarrollo en serie de la funcin
ln(1 + x),
que es:
ln(1 + x) =
k=1
x2 x3 x4 (1)k1 xk =x + + ... k 2 3 4
trataremos de buscar los coecientes de los trminos en de
u3 u4 3! y 4! . Observando que en el desarrollo 3 , aparecen nicamente potencias pares, se deduce que los trminos en u , tienen coeciente
nulo, y por la tanto,
k3 = 0.
1 Y 2Y 2
e identicando todos aquellos
Calculando los coecientes de los primeros trminos de que acompaan a
u4
4! , se obtiene: 2 1 1 p 2 + (1 p)2 2 4 4 [p1 + (1 p)2 ] ( 1 ) 22 2! 2 2
k4 = 4!
1 2 2 = 4! (1 p)p(1 2 )2 = 8 2 2 = 3p(1 p)(1 2 )2

As, los cumulantes nos proporcionan los valores tpicos:
k1 = E(X) = E (E(X|)) = E (m) = m k2 = V (X) = E (V (X|)) + V (E(X|)) =

2 2 2 = E ( 2 ) + V (m) = 1 2 p + 2 (1 p) + 0 = p1 + (1 p)2
k3 = 3 = E(X m)3 = 0
2 2 k4 = 4 3 4 = E(X m)4 3 4 = 3p(1 p)(1 2 )2
4.6.
Tarea 4
Se enumeran a continuacin un conjunto de ejercicios de ensayo de las competencias correspondientes a este tema; en particular la segunda y tercera de las formuladas en el programa de la asignatura: 48
SARRIKO-ON 03/10
Describir y analizar situaciones sencillas de riesgo en problemas relacionados con el mundo actuarial o de las nanzas y expresarlas formalmente en trminos de variables aleatorias y sus distribuciones. Modelizar la incertidumbre de las situaciones sencillas de azar en el mbito del negocio nanciero y asegurador, mediante formulaciones matemticas basadas en la teora de la probabilidad. Deducir soluciones en cuanto a la prima de riesgo, funcin de ingreso, riesgo de ruina, etc.
1. Sean
X e Y dos v.a. independientes a = b, respectivamente.
con distribucin exponencial de parmetros
b,
a ) Demuestra que la funcin de densidad de la suma,
Z =X +Y z0 Z > 8.
es
f (z) =
b ) Para
ab (eaz ebz ), (b a)
a=3
b = 4,
calcula la probabilidad de que
c ) Calcula
P (Z < 10|Z > 8). m, p;

mientras que las cuantas por
2. Considera una compaa de seguros en la que el nmero de siniestros es una v.a discreta,
X,
con distribucin binomial negativa de parmetros
reclamacin de los distintos siniestros, son v.a.
Y , independientes y con distribucin (a, r).
a ) Obtener la distribucin de la cuanta total, incondicionada al nmero de siniestros, o

lo que es lo mismo la distribucin compuesta de la cuanta total.
b ) Obtener la media y la varianza de la distribucin compuesta de la cuanta total.

3. Considera que el nmero de siniestros es una v.a. con distribucin binomial negativa, de parmetros
m, p,
y que la cuanta por reclamacin de cada uno de ellos, es una v.a.
exponencial de parmetro
a.
Bajo la hiptesis de independencia tanto entre cuantas como
entre siniestros, calcula la media y la varianza de la cuanta total por ese tipo de riesgo. 4. Calcula la media y la varianza de una v.a. metros
con distribucin binomial negativa de par-
m = r, p =
a a+1 , teniendo en cuenta que
es la distribucin compuesta de una
v.a. de Posison de parmetro
donde el parmetro sigue una distribucin
(a, r).
5. Considera una compaa de seguros que contrata 200 plizas donde el nmero de siniestros
y la cuanta por reclamacin en cada uno de ellos, se pueden modelizar como en el
Ejemplo 3.5 de las notas de clase, donde la media de la exponencial es 20 euros y el parmetro de la distribucin de Poisson es 0.05. Si la prima que se paga por cada pliza es de 6 euros, calcula:
a ) La probabilidad de que en una determinada pliza se produzca una reclamacin y que

adems la cuanta por reclamacin sea superior a 6 euros.
b ) La probabilidad de que la cuanta ms elevada, para una pliza en concreto, sea menor
que 60 euros. 49
SARRIKO-ON 03/10
c ) La probabilidad de que la cuanta ms elevada, sobre el total de las 200 plizas, sea
menor que 60 euros.
d ) Media y varianza de la cuanta total por pliza. e ) Media y varianza de la cuanta total por reclamaciones de las 200 plizas. f ) La probabilidad aproximada de que el benecio neto de la compaa sea superior a
600 euros.
g ) La probabilidad aproximada de que la compaa pierda dinero en esta operacin con

las 200 plizas.
6. Cierta compaa tiene 100 plizas contratadas en 100 edicios. 25 de ellos poseen 5 viviendas, otros 25 poseen 15 viviendas y el resto posee 10 viviendas. Se ha estimado que el nmero de reclamaciones anuales por incendio y edicio sigue una ley de Polya con parmetro de contagio
= 0,2,
y que la probabilidad inicial de incendio en una vivienda es
p = 0,01.
a ) Sabiendo que cierto edicio tiene 10 viviendas, calcula la probabilidad de que se efecten en l 2 reclamaciones por incendio.
b ) Idem con un edicio de 5 viviendas. c ) Calcula medias y varianzas del nmero de reclamaciones, condicionadas al nmero de
viviendas por edicio.
d ) Calcula la media y la varianza del nmero de reclamaciones por edicio, incondicionada al nmero de viviendas que posea.
e ) Calcula la probabilidad aproximada de que el total de reclamaciones no sea superior

a 10. 7. Cierto siniestro tiene una probabilidad de ocurrir de de Poisson de parmetro
0,005, en cada exposicin al riesgo del
tomador de la pliza. Se sabe que el nmero de exposiciones al riesgo sigue una distribucin
= 5.
a ) Calcula la distribucin compuesta del nmero de siniestros. b ) Calcula la probabilidad de que no haya ningn siniestro si ha habido 20 exposiciones
al riesgo.
c ) Calcula la probabilidad incondicionada de que no haya ningn siniestro.

8. Una compaa aseguradora dispone de dos tipos de asegurados
B.
El
30 %
son de tipo
y el resto de tipo
B.
Para los del tipo
A,
el nmero de siniestros sigue una distribucin
de Poisson de parmetro
A = 0,5,
y para los de tipo
de parmetro
B = 0,3.
a ) Obtn la funcin de cuanta del nmero de siniestros incondicionada al tipo de asegurado.
b ) Calcula las probabilidades correspondientes de 0,1 y 2 siniestros. c ) Obtn la media y la varianza de la distribucin incondicionada.
50
SARRIKO-ON 03/10
d ) Si la empresa tiene 1000 plizas, por lo tanto
300
de tipo
700
de tipo
B,
y hay
independencia entre siniestros, calcula de forma aproximada la probabilidad de que el nmero total de siniestros no exceda de 40. En qu te basas para realizar esta aproximacin? 9. Considera una pliza de una comunidad que cubre dos tipos de siniestros, nmero de reclamaciones por el siniestros
A y B . El A sigue una distribucin de Poisson de parmetro = 0,01, mientras que el nmero de reclamaciones de tipo B sigue una distribucin binaria de parmetro p = 0,001. Bajo la hiptesis de independencia entre ambos tipos de siniestros.
a ) La cuanta que se paga por cada reclamacin del tipo
euros por cada una de tipo
A es de 10000 euros, y de 100000 B . Calcula el valor esperado de la cuanta total por pliza.
b ) Obtn la varianza de la cuanta total por pliza. c ) Si se tienen 100 plizas iguales, estima el valor de la prima para que se alcance un
benecio nal total al menos de 30000 euros con probabilidad 0.8. (Utiliza el T.C.L.)
d ) Resuelve de nuevo los tres apartados anteriores, bajo la hiptesis de que la cuanta
por reclamacin es una v.a. exponencial de media de media
10000
para las plizas de tipo
100000
para las de tipo
B.
10. Una empresa aseguradora sabe que la cuanta por reclamacin de determinado tipo de pliza tiene una distribucin de Pareto de parmetros
k = 10
euros y
= 2,1.
La empresa
cubre las reclamaciones de hasta 1000 euros de cuanta, y cuantas superiores a dicha cantidad son cubiertas por otra compaa reaseguradora.
a ) Para cada reclamacin, calcula la probabilidad de que la compaa reaseguradora no

tenga que cubrir su cuanta.
b ) Siendo el nmero de reclamaciones una v.a. de Poisson de parmetro

reclamacin, incondicionada al nmero de las mismas. 11. Considera dos tipos de siniestros
= 10.
Cal-
cula la probabilidad de que la compaa reaseguradora no tenga que cubrir ninguna
independientes. La probabilidad de reclamar por
es 0.1 y la de reclamar por
es 0.01, y como mucho se admite una reclamacin por
cada uno de ellos. La cuanta por reclamacin, para ambos tipos de siniestro sigue una distribucin exponencial de media 100 euros. Una compaa oferta una pliza compuesta para cubrir ambos siniestros y cobra una prima por pliza de 30 euros. Se pide:
a ) Distribucin del nmero de reclamaciones por pliza. Media y varianza. b ) Probabilidad de que una pliza efecte una reclamacin y que su cuanta sea superior
a los 5 euros.
c ) Media y varianza de la cuanta incondicionada al nmero de reclamaciones. d ) Si la empresa posse 100 plizas independientes, utiliza el T.C.L. para obtener la distribucin de la cuanta total por reclamaciones.
e ) Probabilidad de que los benecios de la compaa superen los 1000 euros.
51
SARRIKO-ON 03/10
12. Consideremos un activo tal que su precio maana es una v.a con distribucin normal
N (m = 3, = 2)
con probabilidad 0.7 y sigue una distribucin normal
N (m = 5, = 1)
con probabilidad 0.3. Obtn la distribucin incondicionada del precio del activo maana, su media, varianza, asimetra y curtosis. 13. Considera un activo cuyo rendimiento es normal sigue una distribucin normal
2 N (m = 3, 1 = 30) con probabilidad p 2 N (m = 3, 2 = 100) con probabilidad 1 p. Obtn media
y y
la varianza incondicionada del rendimiento del activo.
52
Captulo 5
Decisin y riesgo
Considera un juego en el que el concursante puede ganar 100 euros con probabilidad con probabilidad ser:
2 5 o perder
40
euros con probabilidad
2 5 . La ganancia esperada en este juego
1 5,
euros
2 2 1 (100) + (0) + (40) = 4 5 5 5

En general, cualquier juego de este tipo se puede representar por una v.a. ganancia monetaria real para la persona y que un valor negativo de
con una distribucin
de probabilidad especca. Hay que entender que un valor positivio de la variable representa una
representa una prdida
(o ganancia negativa). La ganancia esperada del juego es simplemente el valor de
E(X).
Aunque dos juegos muy distintos pueden tener la misma ganancia esperada, una persona que deba elegir entre ambos, tendr preferencia por uno de ellos. Por ejemplo un juego alternativo al anterior, poda ser aquel en el que en el que el concursante puede ganar
400
1 2 , o perder
392
1 2 . En este caso,
la ganacia esperada en este segundo juego es la misma que en el anterior, segunda situacin comporta un riesgo mayor.
euros, aunque existe
la misma probabilidad de que el concursante gane 400 o de que pierda 392. Veremos que esta
5.1.
Funciones de utilidad
Las funciones de utilidad surgen dentro de la teora de la utilidad durante las dcadas de 1930 y 1940 para describir preferencias de una persona entre juegos como los que acabamos de mostrar. De acuerdo con esta teora una persona preferir un juego cierta funcin
para el que la esperanza de una
U (X)
sea un mximo, antes que un juego para el que simplemente
E(X)
sea un
mximo. La funcin la cantidad
se denomina funcin de utilidad y representa el valor que asigna cada
persona a cada cantidad posible
x,
o lo que es lo mismo, el valor real para la persona de ganar
x.
53
SARRIKO-ON 03/10
Si la funcin de utilidad para el concursante anterior es
U,
1 2 2 E[U (X)] = U (100) + U (0) + U (40) 5 5 5

y
1 1 E[U (Y )] = U (400) + U (392) 2 2

La persona preferir el juego para el que la utilidad esperada de ganancia, sea mayor. Formalmente, la funcin de utilidad de una persona se dene como una funcin con la siguiente propiedad:
X e Y , preferir X a Y , si E[U (X)] > E[U (Y )], y ser indiferente a X e Y si E[U (X)] = E[U (Y )]. Cuando la persona est eligiendo entre ms de dos juegos, elegir aqul, X , para el que el valor E[U (X)] sea mximo.
Cuando la persona debe elegir entre dos juegos En un contexto general, las funciones de utilidad se suelen clasicar como lineales, cncavas y convexas. En el caso de funciones de utilidad lineales, por ejemplo, cumple que para cualquier v.a. e
U (x) = ax + b,
donde
a, b R+ ,
se
Y,
la desigualdad
X : E[U (X)] = aE(X) + b. Por tanto para cualesquiera juegos X E[U (X)] > E[U (Y )], se cumple si y slo si se cumple E(X) > E(Y ).
En otras palabras, una persona con una funcin de utilidad lineal, elegir un juego donde la ganancia esperada sea mayor.
U (x) = log(x + 400) x > 400.Una persona que tenga esta funcin de utilidad no puede elegir un juego en el que exista alguna posibilidad de que su ganancia sea 400 o menos. Para los juegos X e Y denidos
Analicemos el caso de una funcin de utilidad logartmica, por ejemplo, para antes:
E[U (X)] = =
y
1 2 2 log(500) + log(400) + log(360) = 5 5 5 1 2 2 2,698 + 2,6020 + 2,556 = 2,6028 5 5 5
1 1 1 1 E[U (Y )] = log(800) + log(8) = 2,9030 + 0,9030 = 1,903 2 2 2 2

Adems la utilidad de no aceptar ningn juego es
E[U (X)] > E[U (0)] > E[U (Y )],
la persona elegira el juego
disponible, preferira no jugar, antes de aceptar el
U (0) = log(400) = 2,6020. Puesto que X . Si dicho juego no estuviera juego Y . U (x) = x2 ,
para
Si la funcin de utilidad es cuadrtica, por ejemplo, para los juegos denidos antes:
x 0.
Tendramos que
E[U (X)] = =
1 2 2 (100)2 + (0)2 + (40)2 = 5 5 5 1 2 2 10000 + 0 + 1600 = 2640 5 5 5

54
SARRIKO-ON 03/10
1 1 1 1 E[U (Y )] = (400)2 + (392)2 = 160000 + 153664 = 236832 2 2 2 2

Por lo tanto la persona elegira el segundo juego, jugar, pues
Y,
antes que el primero
X,
y antes que no
E[U (0)] = 0. x2 , logx, etc) o lo que es los mismo, que existe aversin
al riesgo.
En el contexto actuarial, y en general en el econmico, consideraremos que las funciones de utilidad son cncavas, (como Cuando la funcin de utilidad de una persona es lineal se dice que es indiferente al riesgo, mientras que si es convexa, se dice que es acionada al riesgo.
5.2.
Funcin de riesgo
El riesgo es considerado una media de desutilidad, puesto que la compaa preferir situaciones menos arriesgadas a situaciones ms arriesgadas. As conocer la funcin de riesgo, nos permitir conocer el orden de preferencias de la compaa. Una forma de denir el riesgo, es la basada en considerarlo como la dispersin de la variable que nos dene el juego. La denicin que consideraremos aqu, ser la desviacin tpica, raz cuadrada de la varianza, en nuestro caso de la cuanta por reclamacin de los siniestros. As,
r = SD(X) =
E(X E(X))2 E(X)

sea dado.
ser el valor que trataremos de minimizar, cuando el valor esperado del juego,
La decisin en un contexto de riesgo medido en trminos de desviaciones, ser la de elegir aquel juego que con el mismo valor esperado tiene menor desviacin tpica como medida de la dispersin del riesgo. En el contexto que carteras de seguros, fondos de inversin, etc, donde se trata con eventos que tienen probabilidades pequeas de ocurrir, pero donde la cuanta toma en general valores altos (prdidas elevadas), veremos que la medida del riesgo denida anteriormente, conduce a valores de ste muy elevados. En el caso de los dos juegos planteados al principio del tema, para describir el primero, podemos utilizar la v.a.
X,
tal que
1 P (X = 100) = , 5
donde, la ganacia esperada es
2 P (X = 0) = , 5
P (X = 40) =
2 5
euros.
E(X) = 4
euros con un riesgo de
r1 = SD(X) = 51,22
En el caso del segundo juego, si empleamos una v.a.
para describirlo, tenemos:
1 P (Y = 400) = , 2
P (Y = 392) =
55
1 2
SARRIKO-ON 03/10
donde, la ganacia esperada es la misma,
E(Y ) = 4
euros con un riesgo mucho mayor,
r2 =
SD(Y ) = 396
euros.
Estas dos situaciones ilustran el hecho de que, a igual benecio esperado, en una situacin de mayor riesgo hay una probabilidad ms alta de obtener una mayor prdida. Dado el carcter introductorio de esta seccin, no nos plantearemos de momento el diseo de carteras de seguros o fondos de inversin ptimos, sino que veremos, dada una deteminada cartera, de qu forma puede cubrirse la compaa contra estos riesgos elevados. Dicho de otro modo, en el caso de carteras de seguros, calcularemos las primas que debe cobrar la compaa para cubrirse en esta situacin de riesgo.
5.3.
Utilidad con nivel de riesgo
Consideremos una funcin de utilidad denida sobre el espacio de posibles resultados
es decir
= {S}, tal que la v.a. X describe la utilidad P (X = U (S) a) para un cierto valor a R.
de
S , X = U (S).
As podemos hablar de
Denicin 5.1
tal que
Para un valor
prejado, se denomina utilidad con nivel de riesgo
, al valor
P (X = U (S) a)
y tal que
P (X = U (S) a) 1
El valor decir
a es tal que a = H(S, ).
la funcin de distribucin de la utilidad,
H = FX ,
en l, es al menos
. Es
El siguiente resultado, conocido como indiferencia con respecto al azar, nos indica que da lo mismo trabajar con
que con
X = U (S).
Proposicin 5.1
H(U (S)) = U (H(S))
Demostracin:
Llamemos
a1 = H(U (S), )
i.e. si
X = U (S), P (U (X) a1 ) ,
Si la funcin de utilidad,
es estrictamente montona,
P (U (X) a1 ) = P (X U 1 (a1 )) ,
56
SARRIKO-ON 03/10
donde
a = U 1 (a1 )
es la utilidad con nivel de riesgo
, i.e.
a = H(S, )
luego,
a1 = H(U (S), ) = U (a) = U (H(S, ))

A continuacin estudiaremos un caso particular con gran inters en los estudios actuariales, la situacin de ruina.
5.4.
Probabilidad de ruina
Consideremos una compaa que se pone en marcha con una reserva econmica inicial que denomiraremos
W.
Si
es la v.a. que representa la capacidad econmica de la empresa en un
determinado momento, la probabilidad de ruina, es la probabilidad de que la compaa deba cesar su actividad por no disponer de reserva alguna. Matemticamente,
P (X < W ) = P (X + W < 0)
Cada momento o periodo de estudio se denomina unidad de riesgo, y si se ha producido la ruina en dicha unidad de riesgo. Consideremos conocida la distribucin de probabilidad de ruina,
X < W ,
decimos que
X,
en particular su funcin de distribucin,
FX ,
as la
es
= FX (W ) = P (X < W ) = P (X + W < 0)
Dada la denicin de interpretar que la
X , es habitual su caracter continuo. Mirando la expresin anterior, se puede reserva econmica inicial con signo menos, es la utilidad con nivel de riesgo .
Tambin se puede decir que dicha reserva es la desutilidad a ese nivel de riesgo. Como nuestro inters se centrar en conocer la probabilidad de ruina, para ello, tendremos las siguientes opciones:
1. Conocer la funcin de distribucin de la capacidad econmica, 2. Si no conocemos
FX
y calcular
= FX (W ).
FX
de forma exacta o su expresin resulta muy complicada de manipular,
y estamos en situacin de emplear el T.C.L.; aproximar la distribucin de
N (m, ),
( W m ). FX
ni estamos en situacin de emplear el T.C.L.; utilizaremos la cota que
3. Si no conocemos
nos proporciona el siguiente resultado.
Proposicin 5.2
una funcin montona decreciente, tal que R(W ) . Es decir, babilidad de ruina es siempre menor o igual que e
Sea
R(X)
E(eR(X) ) 1.
La pro-
eR(W )
57
SARRIKO-ON 03/10
Demostracin:
W
1 E(eR(X) ) =
W
eR(x) dFX (x)
eR(x) dFX (x)
eR(W )
dFX (x) = eR(W ) P (X < W ) = eR(W )
Despejando, de la desigualdad, se obtiene el resultado
eR(W )
Veremos ahora la utilidad de la cota proporcionada por este resultado. Si identicamos la funcin
R(x),
podremos acotar la probabilidad de ruina de forma sencilla.
Recordemos la expresin de la funcin generatriz de momentos de una v.a. continua
X,
esto es,
X (u) = E(euX ) =
eux f (x)dx
Para analizar el crecimiento o decrecimiento de esta funcin, analizamos la forma de la integral
X (u) =
Sabemos que
eux f (x)dx +
0
eux f (x)dx
P (X < 0)
ya que el
X (0) = 1 y X (0) = m > 0, luego es creciente en 0. As, si las probabilidades P (X > 0) son no nulas a la vez, X (u) , cuando u o cuando u , valor de la exponencial crece en ambos casos con u.
y
Por otra parte,
X (u) = E(X 2 euX ) =

Esto quiere decir que en algn valor de
eux x2 f (x)dx > 0,
X (u) tiene una representacin parablica con un nico vrtice (mnimo), u < 0, si el valor de la media es positivo. En este caso, X (0) = m > 0, y la (0) = 1,
ha de existir un valor
funcin est creciendo en 0, con lo que el vrtice es anterior, y por lo tanto negativo. Como adems sabemos que
u < 0
tal que
(u ) = 1.
Tomemos ahora como funcin decreciente de
x,
y adems
R(x) = u x = |u |x. Se trata E(eR(x) ) = E(eux ) = (u ) = 1. X,
de una funcin que es claramente
Utilizando esta funcin para la v.a.
el resultado anterior, nos lleva a que

|W
eR(W ) = e|u
expresin que es cierta para una v.a.
tal que
P (X < 0)
P (X > 0)
son no nulas, o lo que es
lo mismo en cada unidad de riesgo hay probabilidad de benecios positivos o negativos. 58
SARRIKO-ON 03/10
Denicin 5.2
Se denomina nivel de la probabilidad de ruina al valor
calculado como
= e|u
|W
Lo interesante en las aplicaciones de la denicin anterior, no es calcular el nivel de probabilidad de ruina dado el valor de de una compaa,
u ,
sino al revs. Lo habitual es, jar el nivel de probabilidad de ruina
su reserva inicial
W,
y calcular el valor de
u ,
donde
|u | =
Este resultado nos proporciona el valor de
ln , W u .
u < 0
Valor que no tiene sentido por s mismo. Lo que
s es interesante es conocer cual es el valor de ingreso que tiene que generar una compaa para poder mantener pequeo su nivel de probabilidad de ruina. Es decir todava tenemos que calcular este ingreso a partir del valor
u .
Sin embargo, antes de obtener la funcin de ingreso, veamos las siguientes observaciones:
El nivel de probabilidad de ruina, es mucho menor que
Como veremos en ejemplos en los que se puede calcular explcitamente
, es bastante conservador, en el sentido de que << . , este valor siempre
Por eso, la funcin de ingreso siempre nos proporcionar valores de los ingresos que mantienen acotada la probabilidad de ruina en el nivel deseado.
5.5.
Sean
Funcin de ingreso
dos v.a. que representan respectivamente el montante de siniestralidad, es decir, la
cuanta total por reclamaciones, y el benecio en la unidad de riesgo. Si denotamos por
al ingreso, obtenemos,
Z = I X,
donde
representa una cantidad ja, a
provenir por la reserva inicial ms las primas por plizas.
Denicin 5.3
calculado como
Llamamos recargo de seguridad al valor esperado del benecio,
mz = E(Z),
mz = E(Z) = I mX
Despejando el valor del ingreso,
I,
y sustituyendo en
Z,
el benecio se puede expresar como una
transformacin lineal del montante de siniestralidad:
Z = mZ + mX X
Si denotamos por entre ambas es:
X (u) y Z (u) a sus respectivas funciones generatrices de momentos, la relacin Z (u) = e(mZ +mX )u X (u)
59
SARRIKO-ON 03/10
Si denotamos por de donde
X (u) = lnX (u)
a la funcin cumulativa de
X,
se tiene que
X (u) = eX (u) ,
Z (u) = e(mZ +mX )u eX (u)

Si adems
(u )
W representa la reserva inicial de la compaa, tenemos que existe u < 0, que cumple, = 1, y por tanto (mZ + mX )u + X (u ) = 0
de donde
X (|u |) = mZ + mX |u |
y, por lo tanto
mZ =
X (|u |) mX |u |
Denicin 5.4
El cociente dado por
X (u) u
recibe el nombre de funcin de ingreso.
Por lo tanto, el recargo de seguridad,
menos la cuanta media por siniestros,
mZ , resulta ser el valor de la funcin de ingreso en el punto mX . y de la reserva
Si sustituimos
por su valor, en trminos del nivel de la probabilidad de ruina
inicial de la compaa, obtenemos el valor del recargo de seguridad, como
mZ =
X ( |ln| ) W
|ln| W
mX = I(W ) mX
donde el ingreso se puede expresar tambin en funcin del nivel de probabilidad de ruina y de la reserva inicial
I(W ) =
X ( |ln| ) W
|ln| W
Esta es la expresin del nivel de ingreso necesario para garantizar la supervivencia de la empresa a un nivel de probabilidad de ruina
y con una reserva inicial
W.
Observando la expresin anterior, podemos deducir que a mayor reserva inicial, el ingreso se puede disminuir y as obtener primas ms competitivas. Por tanto, la fusin de compaas es beneciosa, y permite afrontar mejor situaciones ms arriesgadas. 60
SARRIKO-ON 03/10
5.5.1.
Desarrollo en serie de la funcin de ingreso
El numerador de la funcin de ingreso es una funcin cumulativa. Del desarrollo el serie de sta, visto en, (
??), donde
k1 = E(X) = mX
2 k2 = V (X) = X
k3 = 3 = E(X m)3 k4 = 4 3 4 = E(X m)4 3 4

se obtiene:
X (u) u2 2 u = mX + X + 3 + ... u 2! 3!
As el valor del recargo de seguridad, para un nivel de probabilidad de ruina inicial
y con reserva
W , mZ = I(W ) mX ,
admite el siguiente desarrollo en serie:
2 mZ = X
|ln|2 |ln| + 3 + ... 2!W 3!W 2
5.5.2.
Funcin de ingreso de variables compuestas
Consideremos ahora que la v.a. montante por siniestralidad corresponde a la cuanta por reclamacin de
siniestros independientes e idnticamente distribuidos; es decir,
el nmero de siniestros es de nuevo una v.a.
con funcin generatriz de
Y1 + ... + Yk , donde momentos X (u).

es:
La funcin generatriz de momentos de la distribucin condicionada de
Y |X = k ,
Y |X=k (u) = Y1 +...+Yk (u) = (Yi (u))k = (Y (u))k

dado que las cuantas por las
reclamaciones son independientes y tienen la misma distribucin.
Por lo tanto la funcin generatriz de momentos de la distribucin compuesta de
en relacin a
X,
es:
Y (u) = E(euY ) = EX (E(euY |X = k)) = EX (Y |X=k (u)) = = EX [Y (u)k ] = EX (eY (u)k ) = X (Y (u))
con (5.1)
Y (u),
funcin cumulativa comn a las cuantas por reclamacin
Yi .
La expresin (5.1) nos indica que la funcin generatriz de momentos de la cuanta total incondicionada al nmero de siniestros, coincide con la funcin generatriz de momentos de la v.a. nmero de siniestros,
X,
evaluada en
Y (u),
funcin cumulativa de la v.a.
cuanta por reclamacin.
De ah, se obtiene en particular la funcin de ingreso de la distribucin compuesta de
Y,
como
Y (u) X (Y (u)) = u u
61
SARRIKO-ON 03/10
Ejemplo 5.1
Consideremos una compaa de seguros, donde el nmero de siniestros sigue una
distribucin de Poisson de parmetro exponencial de parmetro prejado de riesgo
, y la cuanta por reclamacin es una v.a. con distribucin W. Y = Y1 + ... + YX . Si las cuanta por reclamacin Y|X es la suma de las funciones cumulativas de Y,
es:
a. X
Vamos a obtener la funcin de ingreso de la compaa para un nivel
y una reserva inicial de reclamaciones es
La v.a. cuanta total para las
son independientes, la funcin cumulativa de
Yi .
La funcin cumulativa de la distribucin compuesta de la cuanta total,
Y (u) = X (Y (u))
En primer lugar recordamos la funcin generatriz de momentos de una v.a. de Poisson
X (u) = e(e
Luego, su funcin cumulativa es:
u 1)
X (u) = (eu 1)
Para la distribucin exponencial de parmetro
a:
Y (u) =
y
a , u < a (a u)
Y (u) = ln
Por tanto
a (a u)
, u < a
Y (u) = X (Y (u)) = (eY (u) 1) = (

Finalmente la funcin de ingreso de
u a 1) = (a u) (a u)
Y,
es:
I(W ) =
y tiene sentido siempre que
a
|ln| W
W >
|ln| a .
Por ejemplo si la cuanta media es de 500 euros,
= 0,05,
se obtiene que
W > 1497, 86
euros.
5.5.3.
Funcin de integracin
En este apartado nos ocuparemos de que se dispone de una reserva inicial por
T unidades de riesgo. En cada una de ellas, t, consideraremos Wt , que el nivel de probabilidad de ruina y que las v.a. Xt Xt
para la unidad de riesgo 62
correspondientes al montante total de siniestralidad son independientes. Denotaremos adems
a la funcin cumulativa de la v.a.
t.
SARRIKO-ON 03/10
Denicin 5.5
Llamaremos funcin de integracin y la denotaremos por
T (u)
a la funcin de
ingreso correspondiente al conjunto de las
unidades de riesgo integradas en una sola, es decir:
por la independencia de las

As si denotamos por
T (u) T (u) = = u v.a Xt .
T t=1 t (u)
cada unidad de riesgo,
W a la reserva inicial total, y denotamos por Wt a las reservas iniciales en t. Se obtiene la funcin de ingreso en trminos de la reserva inicial total, T ( |ln| ) W
|ln| W T T
W,
como
IT (W ) =
=
t=1
t ( |ln| ) W
|ln| W
It (Wt )
t=1
Es decir, el ingreso total necesario para garantizar la supervivencia de la compaa con nivel de probabilidad de ruina separado. Como resumen, podemos decir que la funcin de ingreso puede ser interpretada como una buena representacin de la desutilidad de la compaa. A menor ingreso necesario, es decir primas ms bajas, mayor utilidad. Es decir, la funcin de ingreso con signo menos, proporciona una funcin de utilidad que depende de la estructura de siniestralidad y donde la caracterstica de cada compaa viene determinada por su reserva inicial. Con esta interpretacin obtenemos compaas todas ellas aversas al riesgo, utilidad cncava, y tanto ms aversas cuanto menos reserva inicial tengan, lo que es coherente con lo estudiado aqui.
considerando las unidades de riesgo integradas, es menor que la suma de
los ingresos necesarios para obtener la misma garanta, considerando la unidades de riesgo por
5.6.
VaR: Value at Risk, Valor en Riesgo
El tratamiento del riesgo basado en acotar la probabilidad de ruina que hemos visto en la seccin anterior, resulta en ocasiones muy conservador, pero adecuado por otra parte en el clculo de primas de plizas de seguros. En esta seccin vamos a presentar un tratamiento alternativo, basado en calcular la prdida mxima que se est dispuesto a asumir. Se trata de un tema muy relevante tanto para compaas de seguros como para entidades nancieras. Vamos a comenzar por mostrar cmo evaluar el VaR, en el contexto de carteras de activos nancieros. En este contexto, consideraremos un activo de precio presin:
Pt
y con rendimiento denido por la ex-
Rt =
Pt Pt1 Pt1
63
SARRIKO-ON 03/10
Estos rendimientos son v.a. aleatorias continuas, y es habitual la hiptesis de que siguen una distribucin normal, de media
y varianza
2.
En este caso se puede calcular la probabilidad de que este rendimiento est por debajo de una cantidad determinada.
Denicin 5.6
Es decir,
Se dene el valor en riesgo, VaR, como la prdida mxima que se puede dar con
un nivel de conanza
0 < < 1.
P (Rt < V aR) = .
Bajo la hiptesis de normalidad de los rendimientos, se puede obtener la habitual expresin de VaR, como sigue:
P (Rt < V aR) = P (

de donde
Rt m V aR m < )=
V aR m = t
y por lo tanto
V aR = t m
Si la distribucin de los rendimientos no es normal, la obtencin de VaR se realiza del mismo modo, pero tomado el cuantil de la distribucin correspondiente. En el caso de querer calcular el VaR de una cartera compuesta por de todos los rendimientos. As, el rendimiento de una cartera en
n activos, los clculos se com-
plican y una forma de simplicarlos es mantener la hiptesis de normalidad en el comportamiento
t,
se dene como
Rt =
i=1
donde tanto,
it Rit i
en
it
representa la proporcin de capital destinada a la compra del activo
t,
y por lo
n i=1 it
= 1,
para todo
t.
Por su parte
Rit
representa el rendimiento del activo
en
t.
La primera dicultad es encontrar la distribucin del rendimiento de la cartera en necesitamos la distribucin conjunta de los rendimientos de los activos. En caso de que las proporciones no varen con
t.
Para ello,
t es relativamente sencillo, puesto que la podemos
tomar a su vez como un activo y es una distribucin univariante. Sin embargo, el caso ms realista pasa por considerar que los inversores revisan con relativa frecuencia la composicin de su cartera y por tanto, dichas proporciones varan con
t.
2 i .
Adems
Como ya hemos dicho consideraremos que la distribucin conjunta es normal. Donde en particular, para cada activo la media es trmino de covarianza, y
mi
y la varianza
ij
correlacin entre el rendimiento del 64
ij = ij i j , respresenta activo i y el de j .
el
SARRIKO-ON 03/10
Al ser la distribucin conjunta normal, la distribucin marginal de los rendimientos individuales de los activos es
2 N (mt , t ), donde
2 N (mit , it ) y la distribucin del rendimiento de la cartera en t es tambin normal 2 mt = n it mit y t = i,j it jt ij i=1
De este modeo el VaR de la cartera, se obtiene utilizando el cuantil correspondiente de la distribucin normal anterior:
V aR = t t mt =
n
=
i,j
it jt ij t
i=1
it mit
Ejemplo 5.2
tpicos:
Consideremos los rendimientos de los activos BBVA, REPSOL, e IBERIA durante
el ao 2000. Del estudio descriptivo de dichos rendimiento se han obtenido los siguientes valores
mB = 0,00046, mR = 0,00121, mI = 0,00012, B = 0,019779, R = 0,021331, I = 0,016025, BI = 0,02814, BR = 0,02234, RI = 0,01637,

Partiendo de la hiptesis de normalidad en las distribuciones, obtenemos los valores individuales del VaR, para cada uno de los tres activos. As, con
= 1 %, t0,01 = 2,33,
obtenemos
V aRB = 0,019779 2,33 0,00046 = 0,04562 V aRR = 0,021331 2,33 + 0,00121 = 0,05091 V aRI = 0,016025 2,33 0,00012 = 0,03748
Si confeccionamos una cartera con igual proporcin de los tres activos, es decir, donde su rendimiento es
1 1 1 R = RB + RR + RI 3 3 3
En este caso el rendimiento medio de la cartera es
m = 0,00029
y la desviacin
= 0,012559.
A partir de aqui, dada la hiptesis de normalidad, se sigue que el VaR de la cartera es:
V aR = 0,012559 2,33 0,00029 = 0,02955
Vemos que el VaR de la cartera, o prdida mxima a un nivel
0,01,
es menor cuando diversi-
camos el riesgo invirtiendo en activos que tienen poca correlacin.
65
SARRIKO-ON 03/10
5.7.
Tarea 5
Se enumeran a continuacin un conjunto de ejercicios de ensayo de las competencias correspondientes a este tema; en particular la tercera de las formuladas en el programa de la asignatura:
Modelizar la incertidumbre de las situaciones sencillas de azar en el mbito del negocio nanciero y asegurador, mediante formulaciones matemticas basadas en la teora de la probabilidad. Deducir soluciones para el clculo de la prima de riesgo, y la funcin de ingreso acotando la probabilidad de ruina. Utilizar un tratamiento alternativo basado en el clculo de la prdida mxima, para medir el riesgo de una cartera.
1. Considera una empresa aseguradora que se plantea asegurar dos tipos de siniestros. En el primero, el nmero de siniestros, reclamacin ja e igual a de Poisson
X1 es una v.a. de Poisson P(1 ), con cuanta por C . En el segundo el nmero de siniestros, X2 es tambin una v.a.
a=
P(2 ), con cuanta por reclamacin con distribucin exponencial de parmetro 1 . La funcin de utilidad de la empresa viene dada por: C U (m, 2 ) = (Am + B 2 )
donde
2 es la varianza y
m es la media de cuanta total por reclamaciones, (montante medio de siniestralidad), A y B son parmetros positivos jos de la empresa.
a ) Qu tipo de seguro le conviene ms a la compaa? b ) En qu situacin estamos si
1 = 2 ?
c ) Considera ahora que la empresa quiere disear una pliza combinada para cubrir
ambos tipos de siniestro, y sabe adems que si se produce reclamacin en uno de los dos tipos, se produce en todas las plizas de ese tipo. Si la utilidad sigue siendo la anterior y hay una porporcin de plizas
del primer tipo.
1) Calcula la media y la varianza de del benecio de la cartera. 2) Calcula la proporcin
que le proporciona utilidad mxima a la empresa.
2. Consideremos una compaa en la que el nmero de siniestros cin binomial v.a.
N,
es una v.a. con distribu-
b(n, p),
donde
es el nmero de plizas contratadas y
la probabilidad de
reclamacin en cada una de ellas. La cuanta por reclamacin en cada una de ellas es una
con distribucin exponencial de parmetro
a.
Obtener la funcin de ingreso de la
cuanta total por reclamaciones, para un nivel de riesgo 3. Obtn la funcin generatriz de momentos para una v.a.
y una reserva inicial
W.
binomial negativa de parmetros
p. X (a, r).
4. Obtn la funcin generatriz de momentos para una v.a.
5. Obtn la funcin de ingreso de la cuanta total por reclamaciones, si el nmero de siniestros
es una v.a. binomial negativa y la cuanta por reclamacin 66
es constante e igual a
a.
SARRIKO-ON 03/10
6. Obtn la funcin de ingreso de la cuanta total por reclamaciones, si el nmero de siniestros
es una v.a. binomial negativa y la cuanta por reclamacin
Yi , en cada siniestro es (a, r).
Adems
Yi ,
son v.a. independientes e i.d. para cada siniestro. Compara el resultado con el
obtenido en el ejercicio anterior. 7. Considera dos compaas que cubren respectivamente dos tipos de siniestros. En la primera el nmero de reclamaciones es Poisson (1 de parmetro
a1 = 0,1.
En la segunda, el nmero de reclamaciones es Poisson (2
la cuanta por reclamacin es
= 1) y la cuanta por reclamacin es exponencial = 10) y exponencial de parmetro a2 = 1.
a ) Cul de las dos compaas aborda una situacin ms arriesgada? b ) Obtn la funcin de ingreso, en ambas compaas para un nivel de riesgo c ) Si la reserva inicial para la primera compaa es
= 0,05.
W1 = 50
y para la segunda es
W2 = 70,
obtn el valor de las funciones de ingreso respectivas.
d ) Qu pasara si se fusionasen ambas compaas? Cul sera su funcin de ingreso

integrada? Y su valor considerando la reserva inicial como suma de las dos reservas
W1 + W2 ?
8. Una compaa tiene 100 plizas contratadas. El nmero de reclamaciones por cada pliza es una v.a Poisson de media (en miles de euros).
0,01,
y la cuanta por reclamacin es exponencial de media 2
a ) Calcula la probabilidad de que una determinada pliza presente una reclamacin.

Calcula la probabilidad de que entre las 100 plizas se presenten 20 reclamaciones.
b ) Sabiendo que una pliza ha presentado una reclamacin, calcula la probabilidad de

que la cuanta de la misma sea superior a 3 mil euros.
c ) Calcula la media y la varianza de la cuanta total por pliza, incondicionada al numero

de reclamaciones.
d ) Si sabemos que en la compaa se han presentado un total de 20 reclamaciones, cul

es la distribucin de la cuanta total?
e ) Obtn la funcin cumulativa de la cuanta total incondicionada al nmero de reclamaciones.
f ) Obtn la funcin de ingreso de la compaa para un nivel de 0.05 de probabilidad de

ruina. 9. En una empresa aseguradora el nmero de reclamaciones por pliza sigue una distribucin de Poisson de parmetro primas se calculan como en todos los aos y
donde
puede tomar los valores, 0.09 (asegurados tipo
A),
con probabilidad 0.5 y 0.005 (asegurados de tipo
B ),
con la misma probabilidad 0.5. Las las plizas
k E(N ), donde k es una constante igual para todas E(N ) es la media de la v.a. nmero de reclamaciones. A
Un asegurado es de tipo
y le cobran una prima de 75 u.m. Despus del primer ao,
durante el que no ha presentado ninguna reclamacin se le revisa la prima. Obtener el nuevo valor de la prima, a partir de las siguientes cuestiones:
a ) Obtener el valor de
k.
67
SARRIKO-ON 03/10
b ) Calcula las probabilidades de que el asegurado sea de tipo

que no ha presentado ninguna reclamacin.
condiciconadas a
c ) Calcula la media del nmero de reclamaciones de este asegurado, para el segundo ao,
condicionada a que no ha presentado ninguna reclamacin.
d ) Calcula la prima para el segundo ao. e ) Repite los apartados

macin. 10. En una entidad bancaria se quiere confeccionar una cartera formada por dos activos, con rendimientos aleatorios
b), c)
d)
suponiendo que el asegurado ha presentado una recla-
R2 , y el activo de rendimiento seguro S = 5 %. Se sabe que las R1 y R2 son independientes, siendo R1 N (15 %, 1 = 10 %) y R2 N (7 %, 2 = 5 %). La cartera se confecciona de manera que RA = 0,25R1 + 0,25R2 + 0,5S .
y distribuciones de los rendimientos
R1
a ) Analiza el rendimiento medio, varianza y probabilidad de que el rendimiento supere

el
10 %. 5 % (V aR0,95 ).
b ) Rendimiento mnimo al nivel del
c ) Qu rendimiento puede llegar a ofrecer el banco si se quiere asegurar una probabilidad

igual a 0.8 de obtener un rendimiento neto positivo? 11. El nmero de reclamaciones recibidas sigue una distribucin binomial negativa de media 5 y varianza 20, y la cuanta por reclamacin es gamma de media 2 u.m. y varianza 8 u.m. . Calcular:
a ) La estructura de probabilidad para el siniestro ms elevado. b ) Media y varianza de la cuanta total por reclamaciones. c ) Estructura de probabilidad de la cuanta total. d ) Funcin de ingreso de la compaa para un nivel de 0.05 de probabilidad de ruina. e ) Reserva para que el ingreso necesario por pliza no deba exceder las 20 u.m.
12. Una compaa asegura dos tipos de siniestros
XA , correspondientes al siniestro de A = 0,01 y la cuanta por reclamacin, YA

pliza,
A y B . El nmero tipo A, sigue una ley de
de reclamaciones por Poisson de parmetro
sigue una ley de Pareto de forma
f (y) =
3 103 , y4
y 10
tipo
El nmero de reclamaciones por pliza, una ley de Poisson de parmetro exponencial de media 15.
XB , correspondientes al siniestro de B = 0,01 y la cuanta por reclamacin, YB
B,
sigue
sigue una ley
a ) Cul de los dos siniestros es ms arriesgado? Qu prima debe ser ms cara? Atendiendo a la funcin de ingreso, cul es el valor mnimo que se debe cobrar para cada una de las plizas?
b ) La compaa contrata 100 plizas, 60 de tipo

unidades.
y 40 de tipo
B.
Utilizando el T.C.L.,
obtn la probabilidad de que la cuanta total por reclamaciones no supere las 20
68
Apndice A
Binomios negativos
Proposicin A.1
m+k1 k
donde
m+k1 m1
m k
(1)k
k Z+ .
Demostracin:
Basta con desarrollar el trmino de la izquierda:
m+k1 k
= = = = =
(m + k 1)(m + k 2) (m + k k)(m 1)! k!(m 1)! (1)(m k + 1)(1)(m k + 2) (1)(m k + k)(m 1)! k!(m 1)! (m (k 1))(m (k 2)) (m 1)(m) (1)k = k! (m)(m 1) (m (k 2))(m (k 1))(m k)! (1)k = k!(m k)! (m)! m (1)k = (1)k k k!(m k)!
De la Proposicin A.1, si la leemos de derecha a izquierda, se deduce la denicin de un nmero combinatorio en el que el nmero superior es negativo. As, para cualquier si queremos calcular
m>0
y cualquier
k,
m k
lo haremos,
m k
= (1)k
(m + k 1)(m + k 2) (m + k k) k!
69
SARRIKO-ON 03/10
De la demostracin, se induce la
identidad del factorial de un entero negativo. As, situndonos
en las dos ltimas lineas de la demostracin:
(m)! = (m)(m 1) (m (k 2))(m (k 1))(m k)!

Pero observa que este producto es innito, y
no sirve como procedimiento de clculo.
Si queremos calcular nmeros combinatorios, con el nmero superior fraccional, debemos recordar la forma de clculo general:
m+k1 k
donde adems sabemos que
(m + k 1)(m + k 2) (m + k k) k!
m+k1 k
siempre que adems que
m+k1 m1
=1 0<m<1
y
m+k1 < k 0! = 1.
(esto sucede por ejemplo cuando
k = 0).
Recordar
70
Bibliografa
[Brcena et al., 2003] Brcena, M., K., F., Ferreira, E., and Garn, M. (2003).
Elementos de
Probabilidad y Estadstica Descriptiva. Servicio Editorial de la UPV|EHU, Bilbao.

[Boland, 2007] Boland, P. (2007). Statistical and probabilistic methods in actuarial science. Chapman
&
Hall/CRC, London.
[Hossack et al., 1983] Hossack, I., Pollard, J., and Zennwirth, B. (1983). Introductory statistics
and applications in general insurance. Cambridge University Press, USA.

[Lpez Cachero, 1996] Lpez Cachero, M. (1996). Estadstica para actuarios. Fundacin Mapfre Estudios, Madrid. [Sarabia et al., 2006] Sarabia, J., Gmez Dniz, E., and Vzquez Polo, F. (2006).
Estadstica
Actuarial: teora y aplicaciones. Prentice Hill, Madrid.

[Vegas Prez, 1981] Vegas Prez, A. (1981). Estadstica. Aplicaciones economtricas y actuaria-
les. Pirmide, Madrid.

Estadistica Actuarios

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica Actuarios

Uploaded by

Copyright:

Available Formats

Estadstica actuarial: modelos estocsticos

Eva Ferreira Mara Araceli Garn

Universidad del Pas Vasco

Euskal Herriko Unibertsitatea

Estadstica Actuarial: Modelos Estocsticos

Eva Ferreira y Mara Araceli Garn

Departamento de Economa Aplicada III Facultad de Ciencias Econmicas y Empresariales

Estadstica Actuarial: modelos estocsticos

Estadstica Actuarial: modelos estocsticos

1. Introduccin. Probabilidad en los modelos estocsticos actuariales

2. Modelos de distribuciones de probabilidad discretas. Modelos relacionados con el nmero de siniestros 9

Distribucin de Poisson generalizada . . . . . . . . . . . . . . . . . . . . . Distribucin de Poisson desplazada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Distribucin binomial negativa

Distribucin de Polya-Eggenberger Tarea 2

Distribucin Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. 3.3.2. Distribucin exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribucin exponencial desplazada . . . . . . . . . . . . . . . . . . . . .

3.4. 3.5. 3.6.

Distribucin Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tarea 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Estadstica Actuarial: modelos estocsticos

La distribucin binomial compuesta La distribucin de Poisson compuesta

La teora de los valores extremos

Relacin entre momentos condicionados y no condicionados

Mixtura de distribuciones normales . . . . . . . . . . . . . . . . . . . . . . . . . . Tarea 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Desarrollo en serie de la funcin de ingreso . . . . . . . . . . . . . . . . . . Funcin de ingreso de variables compuestas . . . . . . . . . . . . . . . . .

VaR: Value at Risk, Valor en Riesgo Tarea 5

P (cruz) = 0,7. Calcula la probabilidad de obtener 3 caras en 5 lanzamientos

Se elige un asegurado al azar de la compaa:

Estadstica Actuarial: modelos estocsticos

Si elegimos a un cliente al azar de la compaa, calcular:

c ) Suponiendo que el asegurado elegido al azar ha dado cuenta de un siniestro, calcular

P (A2 /A1 )=probabilidad P (A1 )= probabilidad de

de un segundo accidente dado un primero, en un primer accidente? Interpreta la relacin de

d ) Si sabemos que un determinado varn dispone de coche propio, calcula la probabilidad

como el nmero de hogares entre los 10, que estn asegurados

contra incendios. Observa que la v.a. la funcin de cuanta de

puede tomar los valores

{0, 1, ..., 10}.

d ) Obtn el nmero esperado de hogares que tienen seguro contra incendios.

Estadstica Actuarial: modelos estocsticos

datos que nos da el nmero de reclamaciones efectuadas las reclamaciones

as como la cuanta total de

d ) Son independientes el nmero de reclamaciones y la cuanta total?

a ) Obtn la funcin de densidad de la v.a.

b ) Calcula la probabilidad de que el valor de una reclamacin est comprendido entre

con funcin de distribucin

a ) Obtn la funcin de densidad de la v.a.

b ) Calcula la probabilidad de que el valor de una reclamacin est comprendido entre

de media 6.25 y varianza 39.06.

a ) Obtn la funcin de densidad de la v.a.

b ) Calcula la probabilidad de que el valor de una reclamacin est comprendido entre

c ) Calcula el valor esperado de una reclamacin de este tipo.

Estadstica Actuarial: modelos estocsticos

d ) Si se realizan 5 reclamaciones de forma independiente. Calcula la probabilidad de que

sigue una distribucin binomial de parmetros

X . Calcula las siguientes P (X = 1), P (X = 2),P (X = 3), P (X = 4) y P (X = 5). X [5, 15],

b ) Calcula la probabilidad de que

sigue una distribucin de Poisson

a ) Obtn la funcin de cuanta de

X . Calcula las siguientes P (X = 1), P (X = 2),P (X = 3), P (X = 4) y P (X = 5). X [5, 15].

b ) Calcula la probabilidad de que

50 %. La probabilidad de que un buque sea

1 3 , mientras que si no se produce tal bombardeo,

la probabilidad de que un buque sea atacado es 0.

a ) En estas condiciones y en poca de conicto, calcula:

a ) En estas condiciones y en poca de conicto, calcula:

As, en cada repeticin, tendramos denida una variable binaria

Se verica la siguiente igualdad: