(Excess of loss)
Godinez Ramos Deniss
Guzmán Anacoreta Andrés
Tolentino Tapia Oswaldo
Vera Santillan Daniela
23 de abril de 2019
Ejercicios
Primer Ejercicio
Suponga que se establece como función de probabilidad para la variable
aleatoria Y la que aparece en la de abajo. Esta variable aleatoria representa
el monto de una reclamación en un seguro. Considere un reaseguro excess of
loss para Y con el nivel de retención M = 100.
1
2. Calcule las esperanzas de estas variables aleatorias y compruebe que
E(Y ) = E(Y A ) + E(Y R ).
P = Y1 ∗ P (Y = 1) + Y2 ∗ P (Y = 2) + Y3 ∗ P (Y = 3) + Y4 ∗ P (Y = 4)
= (50)(0.2) + (100)(0.3) + (150)(0.4) + (200)(0.1)
= 120
E(Y A ) = Y1 ∗ P (Y = 1) + Y2 ∗ P (Y = 2)
= (50)(0.2) + (100)(0.3)
= 40
E(Y R ) = Y3 ∗ P (Y = 3) + Y4 ∗ P (Y = 4)
= (150)(0.4) + (200)(0.1)
= 80
Ejercicio 2
Suponga el monto de una reclamación Y se modela mediante una varia-
ble aleatoria con distribución exp(λ). Para un valor de retención M > 0,
calcula la función de distribución y la esperanza de las variables aleatorias
min{Y, M } y max{0, Y − M }.
∇ (
FYi (x) si x < M
FYiA (x) =
1 si x ≥ M
⇒ (
λe−λx si x < M
FYiA (x) =
1 si x ≥ M
2
(
0 si x ≤ M
FYiR (x) =
FYi (x) si x ≥ M
⇒ (
0 si x ≤ M
FYiR (x) =
λe−λ(M +x) si x ≥ M
Como Y v exp(λ) con M > 0 Entonces:
1
E(Y ) =
λ
1
E(Y A ) = min{ , M }
λ
1
E(Y R ) = max{0, − M}
λ
Ejercicio 3
Demuestre que la función generadora de probabilidad de la variable N R
(Número de reclamaciones que la reaseguradora afronta) en un reaseguro por
exceso de pérdida con nivel de retención M es
PN R (t) = PN (1 − p + pt),
3
Ahora partiendo por la definición del enunciado sabemos que PN (t) = MN (ln(M ))
y que p = P (Yj > M ).
∴ PN R (t) = PN (1 − p + pt)
Ejercicio 4
. Considere un reaseguro por exceso de pérdida y sean N A y N R el nú-
mero de reclamaciones afrontada por el asegurador y por el reasegurador
respectivamente. El total de reclamaciones es
N = NA + NR
3. N A y N R no son independientes.
4. N y N A no son independientes.
Ejercicio 5
Suponga que un cierto risgo S se representa mediante un modelo colec-
tivo. Condicionando sobre los posibles valores de la variable aleatoria N ,
4
demuestre que las variables que N A y N R tienen la misma distribución que
N pero con distintos parámetros en los casos cuando N es Poisson Binomial
y Binomial Negativa. Este es un método alternativo de la demostración de
la proposición 4.1 en donde se uso la función generadora de momentos.
Si N v P oisson(λ).
⇒ N A v P oisson(aλ)
⇒ N R v P oisson((1 − a)λ)
e−λ λx
N=
x!
Si N v Binomial(n, p).
⇒ N A v Binomial(n, ap)
⇒ N R v Binomial(n, (1 − a)p)
n
N= · px (1 − p)n−x
x
n x n−x n
N= · ap (1 − p) + · (1 − a)px (1 − p)n−x
x x
5
Si N v BinN eg(k, p).
A p
⇒ N v BinN eg k,
p + a(1 − p)
R p
⇒ N v BinN eg k,
p + (1 − a)(1 − p)
r
k+x−1 p
N= · (1 − p)x
r p + (1 − p)
r r
k+x−1 p x k+x−1 p
N= · (1−p) + · (1−p)x
r p + a(1 − p) r p + (1 − a)(1 − p)
Ejercicio 6
Considere un riesgo S con distribución Poisson compuesta de párametro λ.
Suponga que cada reclamación Y tiene distribución Pareto(a,b).Se adquiere
un Reaseguro por exceso de pérdida con nivel de retención M y por lo tanto la
reclamación afortunada por la aseguradora es Y A = min{Y, M }. Demuestre
que:
b
1. E(Y A ) = E(Y ) − ( b+M )a−1 E(Y ).
b
2. E(S A ) = E(S) − ( b+M )a−1 E(S).
b
1. E(Y A ) = E(Y ) − ( b+M )a−1 E(Y ).
Demo:
6
E(Y A ) = E[Y A ∗ 1 ∗ (Y ≤ M )] + E[Y A ∗ 1 ∗ (Y > M )]
= E[Y ∗ 1 ∗ (Y ≤ M )] + E[M ∗ 1 ∗ (Y > M )]
Z M
= Y ∗ F (y) dy + M ∗ (1 − P (Y ≤ M ))
0
Z M
= Y ∗ F (y) dy + M ∗ (1 − F (M ))
0
Z M
M
= Y ∗ F (y) |0 − F (y) dy + M ∗ (1 − F (M ))
0
a−1
A b
⇒ E(Y ) = E(Y ) 1 −
b+M
a
b
F (y) = 1 −
b+x
b
E(Y ) =
b−1
7
Z M a
A b
⇒ E(Y ) = M ∗ F (M ) − 1− dy + M (1 − F (M ))
0 b+x
Z M a
b
= dy
0 b+x
Z M
a (a − 1)ba−1
= dy
a−1 0 (b + x)a
b
= Fz(M )
a−1
" a−1 #
b
∴ E(Y A ) = E(Y ) 1 −
b+M
b
2. E(S A ) = E(S) − ( b+M )a−1 E(S).
Demo:
Ejercicio 7
Suponga que se tiene un riesgo de la forma
N
X
S= Yj
j=1
8
1. E(Y A ) = α1 (1 − e−αM )
2 2 −αM 2M −αM
2. E((Y A )2 ) = α2
− α2
e − α
e
1 2M −αM 1 −2αM
3. V ar(Y A ) = α2
− α
e − α2
e
4. E(Y A ) 6 E(Y )
1. E(Y A ) = α1 (1 − e−αM ).
Demo:
Z M
A
1 − e−αx dy + M (1 − F (M ))
E(Y ) = M ∗ F (M ) −
0
Z M
= e−αx dy
0
1 M −αy
Z
= αe dy
α 0
1
= Fy(M )
α
1
= (1 − e−αM )
α
2 2 −αM 2M −αM
2. E((Y A )2 ) = α2
− α2
e − α
e
Demo:
9
Z M
A 2
E((Y ) ) = Y 2 f (y) dy + M 2 (1 − F (M ))
0
Z M
= Y 2 αe−αy dy +M 2 (1 − F (M ))
|0 {z }
gamma
Z M 3
2 α 2 −αy
= Y e dy + M 2 e−αM
α2 2
0 3
2 −αM 2M
= 1−e (1 + αM + α + M 2 e−αM
α2 2
2
1 − e−αM (1 + αM )
=
α2
2 2 2M −αM
∴ E((Y A )2 ) = 2
− 2 e−αM − e
α α α
1 2M −αM 1 −2αM
3. V ar(Y A ) = α2
− α
e − α2
e
Demo:
Ejercicio 8
Suponga que N v Binomial(10, 0.3). Calcule la distribución para N A y
N R cuando P (x 6 6 con un nivel de porcentaje de la aseguradora del 20 %
(a = 0.2).
Solución: Como N v Binomial(10, 0.3)
A A 3
⇒ N v Binomial(10, (0.3)(0.2)) ⇒ N v Binomial 10,
50
R A 6
⇒ N v Binomial(10, (0.3)(0.8)) ⇒ N v Binomial 10,
25
6 10−6
A 10 3 47
∴ N (6) = · = 0.007649
6 50 50
6 10−6
R 10 6 19
∴ N (6) = · = 0.013388
6 25 25
∴ N = NA + NR
= 0.007649 + 0.013388
= 0.021037
Ejercicio 9
Suponga que N ∼ P oisson(10). Calcule la distribución de N A y N R ,
cuando P (x 6 5) con nivel de porcentaje de la aseguradora del 40 % (a = 0.4)
y ((1 − a) = 0.6).
Solución: Como N v P oisson(10)
11
⇒ N A v P oisson(10, 0.4) ⇒ N A v P oisson(4)
e−4 (4)5
∴ N A (5) = = 0.1562
5!
e−6 (4)5
∴ N R (5) = = 0.1606
5!
∴ N = NA + NR
= 0.1562 + 0.1606
= 0.3168
Ejercicio 10
Suponga que N v BinN eg(25, 0.8). Calcule la distribución para N A y
N R cuando P (x 6 16) con un nivel de porcentaje de la aseguradora del 50 %
(a = 0.5).
Solución: Como N v BinN eg(25, 0.8)
A 0.8 A 8
⇒ N v BinN eg 25, ⇒ N v BinN eg 25,
0.8 + 0.5(0.2) 9
R 0.8 R 8
⇒ N v BinN eg 25, ⇒ N v BinN eg 25,
0.8 + 0.5(0.2) 9
25 16
A 25 + 16 − 1 8 1
∴ N (16) = · = 0.001784
16 9 9
12
25 16
R 25 + 16 − 1 8 1
∴ N (16) = · = 0.001784
16 9 9
∴ N = NA + NR
= 0.01784 + 0.01784
= 0.03568
y1=50
y2=100
y3=150
y4=200
Py1=.2
Py2=.3
Py3=.4
Py4=.1
m=100
13
#muestre los montos y sus respectivas probabilidades
y<-c(y1,y2,y3,y4)
Prob<-c(Py1,Py2,Py3,Py4)
library(ggplot2)
qplot(y,Prob,main="Funcion de Distibucion de los Montos",
xlab="Montos (y)", ylab="Probabilidad P(Y=y)", xlim=c(0, 210), ylim=c(0,1))
#Para la aseguradora
ya<-min(y1,m)*Py1+min(y2,m)*Py2+min(y3,m)*Py3+min(y4,m)*Py4
ya
#Para la re-aseguradora
yr<-max(0,y1-m)*Py1+max(0,y2-m)*Py2+max(0,y3-m)*Py3+max(0,y4-m)*Py4
yr
ytotal<-Py1*y1+Py2*y2+Py3*y3+Py4*y4
ytotal
#Comprobando
14
yAmasR<-ya+yr
yAmasR
Yapor<-ya/yAmasR
Yrpor<-yr/yAmasR
Yapor*100
Yrpor*100
Ygraf<- c(Yapor,Yrpor)
#parun Grafico en 3D
library(plotrix)
pie3D(Ygraf, main="Esperanza de Numero de Reclamaciones que les Corresponden
a la Aseguradora y Reaseguradora",col = c("Blue", "Red"),
labels = c("Aseguradora 75%", "Reaseguradora 25%"))
15
dbinom(x_bin ,n_bin ,p_bin*(1-a_bin))
Lambda=10
a_poi=0.4
x_poi=5
x_nbin=16
k_nbin=25
p_nbin=0.8
a_nbin=0.5
16