Professional Documents
Culture Documents
ISBN:
03-10
Bilbao
Fichero .pdf disponible en http://ekasi.ehu.es
SARRIKO-ON 03/10
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
3
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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 de Weibull
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Funcin de integracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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,
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
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.
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.
no hace que
d ) Cmo es
relacin a
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.
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.
Obten
X.
SARRIKO-ON 03/10
X,
(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.
F (y) = 1 e0,16y , y 0.
Y.
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,
N (m = 6,25, 2 = 39,06).
Y.
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)
Y.
SARRIKO-ON 03/10
X,
p = 0,005
n = 2000.
a ) Obtn la funcin de cuanta de
probabilidades:
P (X = 0),
cul es la dicultad?
11. Se sabe que el nmero anual de siniestros en automvil correspondientes a las plizas de una determinada compaa,
X,
P ( = 10). P (X = 0),
probabilidades:
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
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.
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
c ) Determinar los cuartiles de la distribucin del coste del siniestro. Interpretar su obtencin.
n1
n2
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 :
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
, 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),
es muy alto, y la probabilidad de ocurrencia del suceso estudiado distribucin de Poisson de parmetro
= 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-
F (x) = 0,
si
x < 0,
F (x) =
[x] k k=0
k!
, si
x 0.
X (u) = e(e
u 1)
2.1.1.
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,
truncadas, cuyas funciones de cuanta obtendremos a continuacin: En todos los casos, partimos de una v.a.
X P().
denida como
X|X > 0.
es el conjunto
P (Y = k) = P (X = k|X > 0) =
10
SARRIKO-ON 03/10
donde
k 1.
Y.
E(Y ) = V (Y ) = Y (u) =
(1 e ) 2 e (1 e ) (1 e )2 e u [ee 1] 1 e
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.
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.
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.
Se conoce con este nombre a la distribucin de una variable, sea que una variable de Poisson,
Y,
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
2.1.3.
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
Y,
P (Z = k) = P (Y = r + k) =
con
r+k (r + k)!
j j=r j!
k 0.
2.2.
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,
Ac :
fracaso.
Xn = 1, Xn = 0,
p = P (Xn = 1),
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
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.
lo tanto la distribucin geomtrica ser el caso particular de sta cuando variable objeto de estudio en este caso,
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
Ym
m+k
m+k1
primeras repeticiones se
m1
xitos y los
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
m+k1 k
donde
m+k1 m1
m k
(1)k
k Z+ .
SARRIKO-ON 03/10
Denicin 2.2
m, p,
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
P (X = k) =
m+k1 k
pm q k =
m k
pm (q)k , k Z+
(2.2)
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.
X (u) = E(e
iuX
)=
k=0
=
k=0
eiuk
m k=0 m
= p
m+k1 k
= p (1 eiu q)m
2. Su funcin generatriz es,
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,
Debemos recordar dos aspectos del experimento estudiado hasta ahora: la probabilidad de ocurrencia del siniestro es
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
Proposicin 2.2
bn(m, p).
pk = P (X = k) =
sucesivas repeticiones del experimento aleatorio considerado. Esto conlleva, como sabemos, el
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
X : nmero N
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.
c = 0,
c = 1,
extracciones
c = 0,
la distribucin de la v.a.
es binomial de parmetros
n, p =
b(n,
caso
a n ).
a N;
X
en el
c = 0.
X,
c = 0.
bli :
i-sima
extraccin
y en su complementario,
ngi :
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 ) =
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)
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
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
bolas blancas en
modelo de extraccin, la
P (X = r) =
n r
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
a c
P (X = r) =
+r1 r
N c
b c
+s1 s
+n1 n
17
SARRIKO-ON 03/10
Denicin 2.3
metros
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.
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
p, .
Entonces, se
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 @
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
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
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:
n = 10.
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 0.05. 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.
SARRIKO-ON 03/10
b ) Si se modeliza la v.a.
el valor del
X: parmetro .
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,
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
V (Y ). p
y
m,
P (X = 3), P (X 4).
7. Sea
Poisson de parmetro
X. X1 + X2
a partir de su funcin
X1
X2
de parmetros caracterstica.
2 ,
obtn la distribucin de
de Polya de parmetros
p = 0,01, = 0,1
n = 4,
X:
xi ni
0 975
1 15
2 6
3 3
4 1 20
SARRIKO-ON 03/10
x = 0,04
y la
2 varianza muestral es s
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
X,
en
este caso,
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
X?
10. A partir de datos relativos a 1000 edicios, cada uno con 10 viviendas, se ha estimado para la v.a. muestrales
X
y
es Polya. Calcula
P (X = 0), P (X = 1), P (X = 2)
P (X = 3).
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
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
Y = lnX
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)|
donde
ft
es la funcin de densidad de
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 .
X.
y(x) = lnx,
1 |y (x)| = | x |.
X = eY ,
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.
F (x),
emplearemos la tablas de la
N (0, 1),
lnx m )
E(X) =
0
xf (x)dx =
0
(lnxm)2 1 e 22 dx 2x
t=
E(X) =
1 2
t2 2
1 et+m dt = em 2
24
dt
SARRIKO-ON 03/10
(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
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
k P (X > x) = ( ) x
si
x k,
P (X > x) = 1,
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
k, ,
si su
[k, )
f (x) =
Normalmente
k x+1
aplicacin. El parmetro
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.
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.
{x1 , ..., xn },
E(X),
x.
k =x ( 1)
de donde
M =
2. Estimacin por mxima verosimilitud.
x (x k)
{x1 , ..., xn },
n
L(x, ) = ( )n k
Tomando logaritmos,
(
i=1
k +1 ) xi
( + 1)(lnk lnxi )
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.
1. La distribucin de Pareto de segundo tipo, no es ms que la de primer tipo, trasladada al origen. Es decir, si
k, , se dene X = Y k.
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,
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
Z = X , con > 0.
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
k, , .
El momento
de la v.a.
es:
r
E(Z r ) = k
siempre que
( r/)(r/ + 1) ()
r < .
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
a > 0, r > 0,
(a, r),
f (x) =
y
ar r1 ax x e , (r)
r1 x e dx 0 x
x0
(3.2)
f (x) = 0,
(r) =
Nota: Si
r Z+ ,
se verica
(r) = (r 1)!.
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
4. Su funcin caracterstica es:
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
a > 0,
(a),
f (x) = aeax ,
y
x0
(3.8)
f (x) = 0,
en otro caso.
1. Su media es:
E(X) =
1 a
(3.9)
2. Su varianza es:
V (X) =
1 a2
(3.10)
X (u) = (1
u 1 ) a
(3.11)
X (u) = (1
iu 1 ) a
(3.12)
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
a,
es
y donde su parmetro
Demostracin: Evidente si calculamos la funcin caracterstica de la suma de v.a. independientes con distribucin
.
29
SARRIKO-ON 03/10
3.3.2.
La distribucin exponencial se puede generalizar, trasladndola del origen. Surge as, la distribucin exponencial desplazada. Sea
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
fY (y) = fX (y k) = aea(yk)
si
(3.14)
y k;
siendo
fY (y) = 0,
en otro caso.
Denicin 3.5
a > 0, k > 0
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)
V (X) =
3. Su funcin caracterstica es:
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,
1 a , y se
> 0,
SARRIKO-ON 03/10
Denicin 3.6
>0
> 0,
y se denota por
W (, ),
f (x) =
y
1 ( x ) x e ,
x0
(3.19)
f (x) = 0,
en otro caso.
(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.
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
r1 , r2 , mientras que
la
Y2
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 .
2 de R en
donde
Z1 = X1 /X
Z2 = X .
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
|x (z)|, en la frmula (3.1), que ahora Z = (Z1 , Z2 ) a partir de la de (X1 , X), D(X) D(Z) || =
Z1 = X1 /X .
f1 (z1 ) =
=
0
si
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:
X1
X2
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
fX (x1 , x) = =
Y por tanto
fX (z1 z2 , z2 ) =
SARRIKO-ON 03/10
Z1 ,
resulta ser:
f1 (z1 ) =
=
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,
Denicin 3.7
y se denota por
r1 > 0, r2 > 0
B(r1 , r2 ),
f (x) = =
si
0 x 1,
f (x) = 0,
en otro caso.
B(r1 , r2 ) =
0
y,
xr1 1 (1 x)r2 1 dx =
(r) =
r1 x e dx, para 0 x
r > 0.
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,
c. X,
es decir, la de la v.a.
Y,
X,
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.
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
se dene la prima de
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
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,
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 ) =
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 exponencial desplazada, calcula su
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 (10),
cX
(a, r) ( a , r). c
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
a.
a ) Calcula la distribucin de la v.a. cuanta total, denida como la suma de las cuantas
de los
siniestros.
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
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
xf (x)dx = 21,6
B :benecio
T. E(B).
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
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
v.a.,
X1 + ... + Xk ,
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,
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
Es
P (X = k) =
La funcin de cuanta de
e k , k Z+ k!
Z =X +Y
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
En el caso de v.a. independientes y continuas, denotemos a sus respectivas funciones de distribucin por distribucin de
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
{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
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) =
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
h(z) =
f (x)g(z x)dx =
g(y)f (z y)dy
(4.2)
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
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+
(a, 2),
39
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.
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
en relacin a
a la distribucin de
incondicionada al valor de
P (X = x) =
si
P (x|)P ()
(4.3)
f (x) =
si tanto
f (x|)f ()d
(4.4)
como
Como veremos en el siguiente ejemplo tambin son frecuentes las combinaciones de v.a. discretas y continuas.
Ejemplo 4.3
Es decir:
Sea
(a, r). e k k!
P (X = k|) =
y
f () =
y
ar r1 a e , (r)
r1 x e dx. 0 x
f () = 0,
(r) =
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
(k + r 1)(k + r 1);
en la expresin (4.5), si
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
4.2.1.
Sea
P (X = k; N ) =
N k
pk (1 p)N k ,
k {0, ..., N }
P (X = k; N ) = P (X = k|N = n) =
X,
N . Consideremos , as
el caso en el que
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
Es decir
P (X = k; ) =
donde a su vez el parmetro
e k k!
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!
4.3.
Consideremos de forma general que la cuanta por reclamacin por siniestro es una v.a. tiene como funcin de distribucin
F (x).
da la probabilidad de que la cuanta o el coste del siniestro sea El nmero de siniestros por su parte es otra v.a.
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,
F ().
Denotaremos por
(s)
mx S ). a
(s) = P (mx S s) = a
j=0
Adems,
P (mx S s|X = j) P (X = j) a
=
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),
GX (u),
denida como,
GX (u) = E(uX ).
Si
es discreta:
G(u) =
j=0
Es decir,
P (X = j)uj
y siempre la v.a.
Ejemplo 4.4
En este caso:
(s) =
j=0
=
j=0
e (F (s))j = j!
= e
Siendo
F (s)
(1F (s))
F (s)
s.
SARRIKO-ON 03/10
Nota:
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 ()
FZ (z) =
j=0
P (Z z|X = j)P (X = j) =
=
j=0
=
j=0
donde
P (Zj z)P (X = j) =
j=0
F j (z)P (X = j) j
siniestros, es decir
Zj = S1 + ... + Sj
4.4.
Y.
X|Y = y ,
viene
P (X = x|Y = y) =
P (X = x, Y = y) P (Y = y)
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
incondicionada es:
E(X) =
x
xP (X = x) =
x
x
y
P (X = x, Y = y) =
=
x y
= =
y
PY (y)
x
xP (X = x|Y = y) =
=
y
PY (y)E(X|Y = y) = EY [E(X|Y )]
condicionada a
Y = y,
es:
V (X|Y = y) =
x
entonces la varianza incondicionada de
Proposicin 4.1
Sean
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
Demostracin:
V (X) =
x
x2 P (X = x) [E(X)]2 = PY (y)
y 2 x
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
a.
tanto entre cuantas como entre siniestros, vamos a obtener la media y la varianza de la v.a.
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
Z,
es
Z,
ser
k k ) + VX ( ) = 2 a a
4.5.
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
(m, 2 ),
tal que el
con probabilidad
p y el valor 2
con probabilidad
q = 1p.
f (x|) =
(xm)2 1 e 22 , 2
xR X;
f (x),
se obtiene como:
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:
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
las distribuciones condicionadas con la distribucin normal. En particular, la funcin generatriz de momentos
X (u),
es:
X (u) = E(euX ) = + (1 p) = pe
2 1 u 2 +mu 2 2 1 u2 2
= emu [pe
+ (1 p)e
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
2 2 4 4 p1 + (1 p)2 2 p1 + (1 p)2 4 u + u + 2 22 2!
donde llamamos
Y =
ln(1 + x),
que es:
ln(1 + x) =
k=1
x2 x3 x4 (1)k1 xk =x + + ... k 2 3 4
u3 u4 3! y 4! . Observando que en el desarrollo 3 , aparecen nicamente potencias pares, se deduce que los trminos en u , tienen coeciente
k3 = 0.
1 Y 2Y 2
e identicando todos aquellos
u4
k4 = 4!
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
b,
Z =X +Y z0 Z > 8.
es
f (z) =
b ) Para
ab (eaz ebz ), (b a)
a=3
b = 4,
c ) Calcula
2. Considera una compaa de seguros en la que el nmero de siniestros es una v.a discreta,
X,
m, p,
exponencial de parmetro
a.
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
m = r, p =
(a, r).
5. Considera una compaa de seguros que contrata 200 plizas donde el nmero de siniestros
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:
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.
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,
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.
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.
B.
El
30 %
son de tipo
y el resto de tipo
B.
A,
de Poisson de parmetro
A = 0,5,
de parmetro
B = 0,3.
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
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
100000
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.
= 10.
Cal-
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.
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)
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
y y
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
1 5,
euros
de probabilidad especca. Hay que entender que un valor positivio de la variable representa una
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.
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
U (X)
E(X)
sea un
x,
x.
53
SARRIKO-ON 03/10
U,
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
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)] = =
SARRIKO-ON 03/10
Y,
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) =
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
r1 = SD(X) = 51,22
1 P (Y = 400) = , 2
P (Y = 392) =
55
1 2
SARRIKO-ON 03/10
E(Y ) = 4
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.
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
, al valor
P (X = U (S) a)
y tal que
P (X = U (S) a) 1
El valor decir
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
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 )
, i.e.
a = H(S, )
luego,
5.4.
Probabilidad de ruina
Consideremos una compaa que se pone en marcha con una reserva econmica inicial que denomiraremos
W.
Si
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,
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:
FX
y calcular
= FX (W ).
FX
N (m, ),
( W m ). FX
ni estamos en situacin de emplear el T.C.L.; utilizaremos la cota que
3. Si no conocemos
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(W )
eR(W )
Veremos ahora la utilidad de la cota proporcionada por este resultado. Si identicamos la funcin
R(x),
X,
esto es,
X (u) = E(euX ) =
eux f (x)dx
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
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.
x,
y adems
eR(W ) = e|u
expresin que es cierta para una v.a.
tal que
P (X < 0)
P (X > 0)
SARRIKO-ON 03/10
Denicin 5.2
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 ,
su reserva inicial
W,
y calcular el valor de
u ,
donde
|u | =
Este resultado nos proporciona el valor de
ln , W u .
u < 0
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:
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
al ingreso, obtenemos,
Z = I X,
donde
Denicin 5.3
calculado como
mz = E(Z),
mz = E(Z) = I mX
Despejando el valor del ingreso,
I,
y sustituyendo en
Z,
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
a la funcin cumulativa de
X,
se tiene que
X (u) = eX (u) ,
(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
X (u) u
recibe el nombre de funcin de ingreso.
Si sustituimos
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
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.
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
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 ,
2 mZ = X
5.5.2.
Consideremos ahora que la v.a. montante por siniestralidad corresponde a la cuanta por reclamacin de
Y |X = k ,
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),
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),
Y,
como
Y (u) X (Y (u)) = u u
61
SARRIKO-ON 03/10
Ejemplo 5.1
, 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
Yi .
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
u a 1) = (a u) (a u)
Y,
es:
I(W ) =
y tiene sentido siempre que
a
|ln| W
W >
|ln| a .
= 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
t.
SARRIKO-ON 03/10
Denicin 5.5
T (u)
a la funcin de
T t=1 t (u)
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.
los ingresos necesarios para obtener la misma garanta, considerando la unidades de riesgo por
5.6.
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
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.
Bajo la hiptesis de normalidad de los rendimientos, se puede obtener la habitual expresin de VaR, como sigue:
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
t,
se dene como
Rt =
i=1
donde tanto,
it Rit i
en
it
t,
y por lo
n i=1 it
= 1,
para todo
t.
Por su parte
Rit
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,
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
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:
el ao 2000. Del estudio descriptivo de dichos rendimiento se han obtenido los siguientes valores
= 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:
0,01,
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.
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
N,
b(n, p),
donde
la probabilidad de
reclamacin en cada una de ellas. La cuanta por reclamacin en cada una de ellas es una
a.
cuanta total por reclamaciones, para un nivel de riesgo 3. Obtn la funcin generatriz de momentos para una v.a.
W.
p. X (a, r).
es constante e igual a
a.
SARRIKO-ON 03/10
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.
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,
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,
donde
A),
B ),
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
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
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.
b), c)
d)
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
10 %. 5 % (V aR0,95 ).
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
f (y) =
3 103 , y4
y 10
tipo
El nmero de reclamaciones por pliza, una ley de Poisson de parmetro exponencial de media 15.
B,
sigue
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?
y 40 de tipo
B.
Utilizando el T.C.L.,
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
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.
k = 0).
Recordar
70
Bibliografa
[Brcena et al., 2003] Brcena, M., K., F., Ferreira, E., and Garn, M. (2003).
Elementos de
&
Hall/CRC, London.
[Hossack et al., 1983] Hossack, I., Pollard, J., and Zennwirth, B. (1983). Introductory statistics
Estadstica