Semana 3 (Repaso de Proba y FN de Pago)

Matemáticas Actuariales para Seguro de Daños
Curso Ordinario
Facultad de Ciencias, UNAM
Act. José Luis López Escorcia

Act. Castor Mauricio Rueda García
Semestre 2018-1
Semestre 2018-1. MASDFyR
Profesor: Act. José Luis López Escorcia
Ayudante: Act. Castor Mauricio Rueda García
Repaso de Probabilidad (Ross, 2003) 4

Función de Distribución 4
Percentiles 4
Medidas de Dispersión 4
Esperanza 4
Momentos de X 4
Función Generadora de Momentos 4
Función característica 4
Varianza 4
Covarianza 4
Coeficiente de Asimetría (Skewness) 5
Coeficiente de Kurtosis 5
Características de Variables Aleatorios (WILLIAM&MARRY, 2017) 6
Distribuciones Discretas 6
Bernoulli (p) 6
Binomial (n, p) 7
Geométrica (p) 9
Binomial Negativa (n,p) o Pascal (n,p) 11
Hipergeométrica (𝑛1, 𝑛2, 𝑛3,) 12
Poisson (𝜆) 13
Uniforme (a,b) 15
Weibull (p,B) 17
Distribuciones Continuas 19
Uniforme(a,b) 19
Exponencial (𝜆) o Exponencial (𝛼) 21
Gamma (𝛼,𝛽) 23
Gamma Generalizada (𝛼, 𝛽, 𝛾) 25
Normal (𝜇,𝜎2) 26
LogNormal (𝛼, 𝛽) 28
Pareto (𝜆, 𝜅) 30
Beta (𝛽, 𝛾) 32
Página 2 de 40
Weibull (𝛼,𝛽) 34
Suma de variables aleatorias 36
Función de Pago 37
Función de Pago Exponencial 39
Referencias 40
Página 3 de 40
Momentos de X
Repaso de Probabilidad (Ross, 2003) Con 𝑚 ≥ 1
𝑛
Función de Distribución ∑ 𝑥𝑖 𝑚 ∙ ℙ[𝑋 = 𝑥]

𝑚]
Si X es una v.a. y 𝑓𝑋 (𝑥), es la función de 𝐸[𝑋 = 𝑖=1
∞
densidad de probabilidad y 𝐹𝑋 (𝑥) es la función ∫ 𝑥 𝑚 ∙ 𝑓𝑋 (𝑥) 𝑑𝑥
de distribución asociadas a dicha variable, { −∞
entonces se cumple lo siguiente. Función Generadora de Momentos
𝑎
𝐹𝑋 (𝑎) = ℙ[𝑋 ∈ (−∞, 𝑎)] = ∫ 𝑓𝑋 (𝑥) 𝑑𝑥 Si 𝑡 ∈ ℝ
−∞ 𝑀𝑥 (𝑡) = 𝐸[𝑒 𝑡𝑋 ]
𝑑 La función generadora de momentos se llama

𝑓𝑋 (𝑎) = 𝐹 (𝑎)
𝑑𝑥 𝑋 así porque, si existe en un entorno de t = 0,
permite generar los momentos de la
Percentiles distribución de probabilidad:
𝐹𝑋 (𝜋0.5 ) = 0.5
𝐹𝑋 (𝜋0.90 ) = 0.90 𝑑𝑚
𝐸[𝑋 𝑚 ] = 𝑀𝑥 (𝑡)(𝑚) = 𝑀 (𝑡)|
𝐹𝑋 (𝜋0.95 ) = 0.95 𝑑𝑡 𝑚 𝑥 𝑡=0
Si 𝑌 = 𝑎𝑋 + 𝑏 es v.a.
Medidas de Dispersión
𝑀𝑌 (𝑡) = 𝐸[𝑒 𝑡𝑌 ] = 𝐸[𝑒 𝑡(𝑎𝑋+𝑏) ] = 𝐸[𝑒 𝑡𝑎𝑋 𝑒 𝑡𝑏 ]
= 𝑒 𝑡𝑏 𝐸[𝑒 𝑡𝑎𝑋 ]
Esperanza 𝑀𝑌 (𝑡) = 𝑒 𝑡𝑏 𝑀𝑋 (𝑡𝑎)
𝑛
𝐸[𝑋] = ∑ 𝑥𝑖 ∙ ℙ[𝑋 = 𝑥] En general, si 𝑍 = ∑𝑛𝑖=1 𝑋𝑖 , es una v.a.

𝑖=1
𝑏 𝑛
𝐸[𝑋] = ∫ 𝑥 ∙ 𝑓𝑋 (𝑥) 𝑑𝑥
−𝑎 𝑀𝑍 (𝑡) = ∏ 𝑀𝑋𝑖 (𝑡)
𝑖=1
Propiedades
𝐸[𝑎 ∙ 𝑋 + 𝑏] = 𝑎 ∙ 𝐸[𝑋] + 𝑏 Función característica
𝑛
𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥) ∙ ℙ[𝑋 = 𝑥]

Si 𝑡 ∈ ℝ, 𝑖 ∈ ℂ,
𝑖=1 𝑛
𝑏
𝐸[𝑔(𝑥)] = ∫ 𝑔(𝑥) ∙ 𝑓𝑋 (𝑥) 𝑑𝑥 ∑ 𝑒 𝑖𝑡𝑋 ∙ ℙ[𝑋 = 𝑥]
−𝑎 𝜑𝑥 (𝜃) = 𝐸[𝑒 𝑖𝑡𝑋 ] = 𝑖=1
𝑏
Caso Bivariado ∫ 𝑒 𝑖𝑡𝑋 ∙ 𝑓𝑋 (𝑥) 𝑑𝑥
{ −𝑎
𝑛 𝑛
∑ ∑ 𝑔(𝑋𝑖 , 𝑌𝑗 ) ∙ ℙ[𝑋 = 𝑥, 𝑌 = 𝑦] Varianza

𝐸[𝑔(𝑋, 𝑌)] = 𝑗=1 𝑖=1 𝑉𝑎𝑟[𝑋] = 𝐸[(𝑋 − 𝐸[𝑋])2 ]
𝑏 𝑑
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋 2 ] − 𝐸 2 [𝑋]
∫ ∫ 𝑔(𝑋𝑖 , 𝑌𝑗 ) ∙ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
{ −𝑎 −𝑐
Propiedades
𝐸[𝑎 ∙ 𝑋 + 𝑏 ∙ 𝑌 + 𝑐] = 𝑎 ∙ 𝐸[𝑋] + 𝑏 ∙ 𝐸[𝑌] 𝑉𝑎𝑟[𝑐𝑋] = 𝑐 2 𝑉𝑎𝑟[𝑋]
𝑉𝑎𝑟[𝑋 + 𝑏] = 𝑉𝑎𝑟[𝑋]
Si X y Y son v.a. independientes
Covarianza
𝐸[𝑔(𝑋)ℎ(𝑌)] = 𝐸[𝑔(𝑋)]𝐸[ℎ(𝑌)] 𝐶𝑜𝑣[𝑋, 𝑌] = 𝐸[(𝑋 − 𝐸[𝑋]) ∙ (𝑌 − 𝐸[𝑌])]
𝐶𝑜𝑣[𝑋, 𝑌] = 𝐸[𝑋𝑌] − 𝐸[𝑋] ∙ 𝐸[𝑌]
Propiedades
La kurtosis determina el grado de
𝐶𝑜𝑣[𝑋, 𝑋] = 𝑉𝑎𝑟[𝑋] concentración que presentan los valores en la
𝐶𝑜𝑣[𝑋, 𝑌] = 𝐶𝑜𝑣[𝑌, 𝑋] región central de la distribución. Así puede ser:
𝐶𝑜𝑣[𝑐𝑋, 𝑌] = 𝑐𝐶𝑜𝑣[𝑌, 𝑋]
𝐶𝑜𝑣[𝑋, 𝑌 + 𝑍] = 𝐶𝑜𝑣[𝑌, 𝑋] + 𝐶𝑜𝑣[𝑌, 𝑍] Leptocúrtica.- Existe una gran concentración.
Coeficiente de Asimetría (Skewness)
𝐸[(𝑋 − 𝐸[𝑋])3 ] 𝐸[(𝑋 − 𝜇𝑥 )3 ]

𝜏= 3 =
√𝑉𝑎𝑟(𝑋) 𝜎𝑥 3
Si 𝜏 > 0, la distribución es asimétrica positiva o a

Mesocúrtica.- Existe una concentración
la derecha.
normal.
Si 𝜏 = 0, la distribución es simétrica. Platicúrtica.- Existe una baja concentración.
Si 𝜏 < 0, la distribución es asimétrica negativa o

a la izquierda.
Coeficiente de Kurtosis
𝐸[(𝑋 − 𝐸[𝑋])4 ] 𝐸[(𝑋 − 𝜇𝑥 )4 ]

𝜅= 4 =
√𝑉𝑎𝑟(𝑋) 𝜎𝑥 4
Página 5 de 40
Características de Variables Aleatorios (WILLIAM&MARRY, 2017)
Distribuciones Discretas
Bernoulli (p)
Binomial (n, p)
Página 7 de 40
Página 8 de 40
Geométrica (p)
Página 9 de 40
Página 10 de 40
Binomial Negativa (n,p) o Pascal (n,p)
Página 11 de 40
Hipergeométrica (𝑛1 , 𝑛2 , 𝑛3 ,)
Página 12 de 40
Poisson (𝜆)
Página 13 de 40
Página 14 de 40
Uniforme (a,b)
Página 15 de 40
Página 16 de 40
Weibull (p,B)
Página 17 de 40
Página 18 de 40
Distribuciones Continuas
Uniforme(a,b)
Página 19 de 40
Página 20 de 40
Exponencial (𝜆) o Exponencial (𝛼)
Página 21 de 40
Página 22 de 40
Gamma (𝛼,𝛽)
Página 23 de 40
Página 24 de 40
Gamma Generalizada (𝛼, 𝛽, 𝛾)
Página 25 de 40
Normal (𝜇,𝜎 2 )
Página 26 de 40
Página 27 de 40
LogNormal (𝛼, 𝛽)
Página 28 de 40
Página 29 de 40
Pareto (𝜆, 𝜅)
Página 30 de 40
Página 31 de 40
Beta (𝛽, 𝛾)
Página 32 de 40
Página 33 de 40
Weibull (𝛼,𝛽)
Página 34 de 40
Página 35 de 40
Suma de variables aleatorias

Sea X1, X2, X3,…,Xm una sucesión de variables aleatorias independientes.
Sea
𝑛
𝑌 = ∑ 𝑋𝑖
𝑖=1
Hallar la distribución de
𝑋𝑖 ~𝐵𝑛𝑙𝑙𝑖(𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝)
𝑛
𝑋𝑖 ~𝐵𝑖𝑛(𝑚𝑖 , 𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (∑ 𝑚𝑖 , 𝑝)
𝑖=1
𝑋𝑖 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆𝑖 ) ⇒ 𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (∑ 𝜆𝑖 , 𝑝)
𝑖=1
𝑋𝑖 ~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎(𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑛, 𝑝)
𝑋𝑖 ~𝐸𝑥𝑝(𝜆) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑛, 𝜆)

𝑛
𝑋𝑖 ~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑟𝑖 , 𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (∑ 𝑟𝑖 , 𝑝)

𝑖=1
𝑋𝑖 ~ℵ2(𝐾𝑖 ) ⇒ 𝑌~ℵ2(∑𝑛
𝑖=1 𝐾𝑖 )
𝑛 𝑛
𝑋𝑖 ~𝑁𝑜𝑟𝑚𝑎𝑙 (𝜇𝑖 , 𝜎 2 𝑖 ) ⇒ 𝑌~𝑁𝑜𝑟𝑚𝑎𝑙 (∑ 𝜇𝑖 , ∑ 𝜎 2 𝑖 )

𝑖=1 𝑖=1
Página 36 de 40
Función de Pago
Sea X una variable aleatoria con función de densidad 𝑓(𝑥) con 𝑥𝜖(0, ∞). X representa la cantidad total
de reclamación de un seguro. ¿Cuál es la esperanza para las siguientes funciones de pago?
CASO 1.Suponer que la suma asegurada es SA:
𝑥 𝑠𝑖 𝑥 ≤ 𝑆𝐴
𝑃(𝑥) = {
𝑆𝐴 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝑆𝐴 ∞ 𝑆𝐴
𝐸[𝑃(𝑥)] = ∫ 𝑥𝑓(𝑥) 𝑑𝑥 + ∫ 𝑆𝐴𝑓(𝑥) 𝑑𝑥 = ∫ [1 − 𝐹(𝑥)] 𝑑𝑥 ∗∗
0 𝑆𝐴 0
CASO 2. Suponer que la suma asegurada es SA y que el deducible es D:
0 𝑠𝑖 𝑥 ≤ 𝐷
𝑃(𝑥) = { 𝑥 − 𝐷 𝑠𝑖 𝐷 < 𝑥 ≤ 𝑆𝐴
𝑆𝐴 − 𝐷 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝐷 𝑆𝐴 ∞
𝐸[𝑃(𝑥)] = ∫ 0𝑓(𝑥) 𝑑𝑥 + ∫ (𝑥 − 𝐷)𝑓(𝑥) 𝑑𝑥 + ∫ (𝑆𝐴 − 𝐷)𝑓(𝑥) 𝑑𝑥
0 𝐷 𝑆𝐴
𝑆𝐴 𝑆𝐴 ∞
= ∫ 𝑥𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + (𝑆𝐴 − 𝐷) ∫ 𝑓(𝑥) 𝑑𝑥
𝐷 𝐷 𝑆𝐴
𝑆𝐴 𝑆𝐴 ∞ ∞
= ∫ 𝑥𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + 𝑆𝐴 ∫ 𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥
𝐷 𝐷 𝑆𝐴 𝑆𝐴
𝑆𝐴 ∞ ∞
= ∫ 𝑥𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + 𝑆𝐴 ∫ 𝑓(𝑥) 𝑑𝑥
𝐷 𝐷 𝑆𝐴
𝑆𝐴 ∞ 𝐷 ∞
= ∫ 𝑥𝑓(𝑥) 𝑑𝑥 + 𝑆𝐴 ∫ 𝑓(𝑥) 𝑑𝑥 − (∫ 𝑥𝑓(𝑥) 𝑑𝑥 + 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥)
0 𝑆𝐴 0 𝐷
𝑆𝐴 𝐷
= ∫ [1 − 𝐹(𝑥)] 𝑑𝑥 − ∫ [1 − 𝐹(𝑥)] 𝑑𝑥 ∗∗
0 0
𝑆𝐴
= ∫ [1 − 𝐹(𝑥)] 𝑑𝑥
𝐷
Página 37 de 40
CASO 3. Suponer que la suma asegurada es SA y que el deducible es D hay un coaseguro del a%:
𝑃(𝑥) = { (𝑥 − 𝐷)(1 − 𝑎%) 𝑠𝑖 𝐷 < 𝑥 ≤ 𝑆𝐴
(𝑆𝐴 − 𝐷)(1 − 𝑎%) 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝐷 𝑆𝐴 ∞
𝐸[𝑃(𝑥)] = ∫ 0𝑓(𝑥) 𝑑𝑥 ∫ (1 − 𝑎%)(𝑥 − 𝐷)𝑓(𝑥) 𝑑𝑥 + ∫ (1 − 𝑎%)(𝑆𝐴 − 𝐷)𝑓(𝑥) 𝑑𝑥
0 𝐷 𝑆𝐴
𝑆𝐴 𝑆𝐴 ∞ ∞
= (1 − 𝑎%) [∫ 𝑥𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + 𝑆𝐴 ∫ 𝑓(𝑥) 𝑑𝑥 − 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥]
𝐷 𝐷 𝑆𝐴 𝑆𝐴
Por el caso anterior:

𝑆𝐴 𝐷
= (1 − 𝑎%) [∫ [1 − 𝐹(𝑥)] 𝑑𝑥 − ∫ [1 − 𝐹(𝑥)] 𝑑𝑥]
0 0
NOTA: Por demostrar que:
𝐷 𝐷 ∞
∫ [1 − 𝐹(𝑥)] 𝑑𝑥 = ∫ 𝑥𝑓(𝑥) 𝑑𝑥 + 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥
0 0 𝐷
Sea:
𝑆(𝑥) = 1 − 𝐹(𝑥) = 𝑢 ⇛ 𝑑(𝑆(𝑥)) = 𝑑(1 − 𝐹(𝑥)) = −𝑓(𝑥)𝑑𝑥 = 𝑑𝑢
𝑑𝑣 = 𝑑𝑥 ⇛ 𝑣 = 𝑥
𝐷 𝐷 𝐷
𝐷
∫ [1 − 𝐹(𝑥)] 𝑑𝑥 = 𝑥[1 − 𝐹(𝑥)] | + ∫ 𝑥𝑓(𝑥) 𝑑𝑥 = 𝐷[1 − 𝐹(𝐷)] + ∫ 𝑥𝑓(𝑥) 𝑑𝑥
0 0 0 0
∞ 𝐷
= 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + ∫ 𝑥𝑓(𝑥) 𝑑𝑥
𝐷 0
𝐷 ∞ 𝐷
∴ ∫ [1 − 𝐹(𝑥)] 𝑑𝑥 = 𝐷 ∫ 𝑓(𝑥) 𝑑𝑥 + ∫ 𝑥𝑓(𝑥) 𝑑𝑥
0 𝐷 0
Página 38 de 40
Función de Pago Exponencial

Sea X una variable aleatoria con función de densidad 𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 con 𝑥𝜖(0, ∞) y 𝜆𝜖ℝ. X representa la
cantidad total de reclamación de un seguro. ¿Cuál es la esperanza para las siguientes funciones de
pago?
CASO 1.Suponer que la suma asegurada es SA:
𝑥 𝑠𝑖 𝑥 ≤ 𝑆𝐴
𝑃(𝑥) = {
𝑆𝐴 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝑆𝐴 ∞ 𝑆𝐴 ∞
𝐸[𝑃(𝑥)] = ∫ 𝑥𝑓(𝑥) 𝑑𝑥 + ∫ 𝑆𝐴𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥𝜆𝑒 −𝜆𝑥 dx + ∫ 𝑆𝐴𝜆𝑒 −𝜆𝑥 𝑑𝑥 =
0 𝑆𝐴 0 𝑆𝐴
𝑆𝐴 ∞
−𝑒 −𝜆𝑥 (1 + 𝑥𝜆) 𝑆𝐴 −𝑒 −𝜆𝑥 ∞
=∫ 𝑥𝜆𝑒 −𝜆𝑥 dx + 𝑆𝐴𝜆 ∫ 𝑒 −𝜆𝑥 𝑑𝑥 = | + 𝑆𝐴𝜆( | )=
0 𝑆𝐴 𝜆 𝑂 𝜆 𝑆𝐴
−𝑒 −(𝑆𝐴)𝜆 (1 + (𝑆𝐴)𝜆) −𝑒 −(0)𝜆 (1 + (0)𝜆)

= − + 𝑆𝐴(−𝑒 −𝜆(∞) + 𝑒 −𝜆(𝑆𝐴) ) =
𝜆 𝜆
−𝑒 −(𝑆𝐴)𝜆 1 1 − 𝑒 −𝜆(𝑆𝐴)
= − 𝑆𝐴𝑒 −𝜆(𝑆𝐴) + + 𝑆𝐴𝑒 −𝜆(𝑆𝐴) =
𝜆 𝜆 𝜆
CASO 2. Suponer que la suma asegurada es SA y que el deducible es D:

𝑃(𝑥) = { 𝑥 − 𝐷 𝑠𝑖 𝐷 < 𝑥 ≤ 𝑆𝐴
𝑆𝐴 − 𝐷 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝐷 𝑆𝐴 ∞
𝐸[𝑃(𝑥)] = ∫ 0𝑓(𝑥) 𝑑𝑥 ∫ (𝑥 − 𝐷)𝑓(𝑥) 𝑑𝑥 + ∫ (𝑆𝐴 − 𝐷)𝑓(𝑥) 𝑑𝑥
0 𝐷 𝑆𝐴
𝑆𝐴 ∞
= ∫ (𝑥 − 𝐷)𝜆𝑒 −𝜆𝑥 dx + ∫ (𝑆𝐴 − 𝐷)𝜆𝑒 −𝜆𝑥 𝑑𝑥 =
𝐷 𝑆𝐴
𝑆𝐴 𝑆𝐴 ∞
=∫ 𝑥𝜆𝑒 −𝜆𝑥 dx − 𝐷𝜆 ∫ 𝑒 −𝜆𝑥 𝑑𝑥 + (𝑆𝐴 − 𝐷)𝜆 ∫ 𝑒 −𝜆𝑥 𝑑𝑥 =
𝐷 𝐷 𝑆𝐴
−𝑒 −𝜆𝑥 (1 + 𝑥𝜆) 𝑆𝐴 𝑆𝐴 ∞
= | + 𝐷𝑒 −𝜆𝑥 | − (𝑆𝐴 − 𝐷)( 𝑒 −𝜆𝑥 | ) =
𝜆 𝐷 𝐷 𝑆𝐴
−𝑒 −(𝑆𝐴)𝜆 (1 + (𝑆𝐴)𝜆) 𝑒 −(𝐷)𝜆 (1 + (𝐷)𝜆)

+ + 𝐷𝑒 −𝜆(𝑆𝐴) − 𝐷𝑒 −𝜆(𝐷) − (𝑆𝐴 − 𝐷)(𝑒 −𝜆(∞) − 𝑒 −𝜆(𝑆𝐴) )
𝜆 𝜆
−𝑒 −(𝑆𝐴)𝜆 𝑒 −(𝐷)𝜆
= −𝑆𝐴𝑒 −(𝑆𝐴)𝜆 + + 𝐷𝑒 −(𝐷)𝜆 + 𝐷𝑒 −𝜆(𝑆𝐴) − 𝐷𝑒 −𝜆(𝐷) + (𝑆𝐴 − 𝐷)𝑒 −𝜆(𝑆𝐴) =
𝜆 𝜆
𝑒 −(𝐷)𝜆 𝑒 −(𝑆𝐴)𝜆
= −
𝜆 𝜆
Página 39 de 40
CASO 3. Suponer que la suma asegurada es SA y que el deducible es D hay un coaseguro del a%:
𝑃(𝑥) = { (𝑥 − 𝐷)(1 − 𝑎%) 𝑠𝑖 𝐷 < 𝑥 ≤ 𝑆𝐴
(𝑆𝐴 − 𝐷)(1 − 𝑎%) 𝑠𝑖 𝑆𝐴 < 𝑥
Entonces:
𝐷 𝑆𝐴 ∞
𝐸[𝑃(𝑥)] = ∫ 0𝑓(𝑥) 𝑑𝑥 ∫ (1 − 𝑎%)(𝑥 − 𝐷)𝑓(𝑥) 𝑑𝑥 + ∫ (1 − 𝑎%)(𝑆𝐴 − 𝐷)𝑓(𝑥) 𝑑𝑥
0 𝐷 𝑆𝐴
𝑆𝐴 ∞
−𝜆𝑥
= (1 − 𝑎%) [∫ (𝑥 − 𝐷)𝜆𝑒 dx + ∫ (𝑆𝐴 − 𝐷)𝜆𝑒 −𝜆𝑥 𝑑𝑥]
𝐷 𝑆𝐴
Por el ejercicio anterior:

𝑒 −(𝐷)𝜆 𝑒 −(𝑆𝐴)𝜆
= (1 − 𝑎%) [ − ]
𝜆 𝜆
Referencias
Bravo, G. U. (s.f.). Procesos Estocásticos I. En G. U. Bravo, Procesos Estocásticos I, Capacitación técnica especializada en
el nuevo marco de Solvencia.
Ross, S. M. (2003). Introduction to Probability Models (Eight Edition ed.). California, Berkeley : Academic Press.
WILLIAM&MARRY. (2017). WILLIAM&MARRY. Recuperado el 27 de 02 de 2017, de Univareate Distribution Relationships:

http://www.math.wm.edu/~leemis/chart/UDR/UDR.html
Página 40 de 40

Semana 3 (Repaso de Proba y FN de Pago)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Semana 3 (Repaso de Proba y FN de Pago)

Diunggah oleh

Hak Cipta:

Format Tersedia

Matemáticas Actuariales para Seguro de Daños

Act. José Luis López Escorcia

Repaso de Probabilidad (Ross, 2003) 4

Función de Distribución ∑ 𝑥𝑖 𝑚 ∙ ℙ[𝑋 = 𝑥]

𝑑 La función generadora de momentos se llama

𝐸[𝑋] = ∑ 𝑥𝑖 ∙ ℙ[𝑋 = 𝑥] En general, si 𝑍 = ∑𝑛𝑖=1 𝑋𝑖 , es una v.a.

𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥) ∙ ℙ[𝑋 = 𝑥]

∑ ∑ 𝑔(𝑋𝑖 , 𝑌𝑗 ) ∙ ℙ[𝑋 = 𝑥, 𝑌 = 𝑦] Varianza

Coeficiente de Asimetría (Skewness)

𝐸[(𝑋 − 𝐸[𝑋])3 ] 𝐸[(𝑋 − 𝜇𝑥 )3 ]

Si 𝜏 > 0, la distribución es asimétrica positiva o a

Si 𝜏 = 0, la distribución es simétrica. Platicúrtica.- Existe una baja concentración.

Si 𝜏 < 0, la distribución es asimétrica negativa o

𝐸[(𝑋 − 𝐸[𝑋])4 ] 𝐸[(𝑋 − 𝜇𝑥 )4 ]

Binomial Negativa (n,p) o Pascal (n,p)

Exponencial (𝜆) o Exponencial (𝛼)

Gamma Generalizada (𝛼, 𝛽, 𝛾)

Suma de variables aleatorias

𝑋𝑖 ~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎(𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑛, 𝑝)

𝑋𝑖 ~𝐸𝑥𝑝(𝜆) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑛, 𝜆)

𝑋𝑖 ~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (𝑟𝑖 , 𝑝) ⇒ 𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑎 (∑ 𝑟𝑖 , 𝑝)

𝑋𝑖 ~𝑁𝑜𝑟𝑚𝑎𝑙 (𝜇𝑖 , 𝜎 2 𝑖 ) ⇒ 𝑌~𝑁𝑜𝑟𝑚𝑎𝑙 (∑ 𝜇𝑖 , ∑ 𝜎 2 𝑖 )

CASO 1.Suponer que la suma asegurada es SA:

CASO 2. Suponer que la suma asegurada es SA y que el deducible es D:

Por el caso anterior:

NOTA: Por demostrar que:

Función de Pago Exponencial

CASO 1.Suponer que la suma asegurada es SA:

−𝑒 −(𝑆𝐴)𝜆 (1 + (𝑆𝐴)𝜆) −𝑒 −(0)𝜆 (1 + (0)𝜆)

CASO 2. Suponer que la suma asegurada es SA y que el deducible es D:

−𝑒 −(𝑆𝐴)𝜆 (1 + (𝑆𝐴)𝜆) 𝑒 −(𝐷)𝜆 (1 + (𝐷)𝜆)

Por el ejercicio anterior:

WILLIAM&MARRY. (2017). WILLIAM&MARRY. Recuperado el 27 de 02 de 2017, de Univareate Distribution Relationships:

Anda mungkin juga menyukai