Anda di halaman 1dari 34

LICENCIATURA

ACTUARIA
TEORIA DE RIESGOS

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Introducción

Un modelo actuarial es una representación de un flujo incierto de pagos


futuros. La incertidumbre puede ser con respecto a una o todas las
ocurrencias (¿hay un pago?), El momento (¿cuándo se realiza el
pago?) Y la gravedad (¿cuánto se paga?).

Debido a que el medio más útil para representar la incertidumbre es a


través de la probabilidad, nos concentramos en modelos de
probabilidad.

En todos los casos, se supone que las distribuciones de probabilidad


relevantes son conocidas.

La determinación de las distribuciones apropiadas se cubre más


adelante.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

En esta parte, se cubren los siguientes aspectos de los modelos de


probabilidad actuarial:

1 Definición de variables aleatorias y funciones importantes con algunos


ejemplos.

2. Cálculos básicos a partir de modelos de probabilidad.

3. Distribuciones de probabilidad específicas y sus propiedades.

4. Cálculos más avanzados utilizando modelos de gravedad.

5. Modelos que incorporan la posibilidad de un número aleatorio de pagos


cada uno de cantidad aleatoria.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Lo común que buscamos aquí es que todos los modelos de fenómenos


aleatorios tienen características similares. elementos.

Para cada uno, hay un conjunto de posibles resultados.

El resultado particular que ocurra determinará el éxito de nuestra


empresa. Adjuntar probabilidades a los diversos resultados nos permite
cuantificar nuestras expectativas y el riesgo de no cumplirlas.

En este espíritu, la variable aleatoria subyacente casi siempre se


denotará con letras cursivas mayúsculas cerca del final del alfabeto,
como X o Y.

El contexto proporcionará un nombre y algunas características


probables.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Por supuesto, hay modelos actuariales que no se parecen a los


cubiertos aquí.

Por ejemplo, en el seguro de vida, una oficina modelo es una lista de


celdas que contienen el tipo de póliza, rango de edad, género, etc.,
junto con el número de contratos con esas características.

Para ampliar este concepto, considere las siguientes definiciones de


"Principios subyacentes de la ciencia actuarial"

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Los fenómenos son ocurrencias que se pueden observar. Un


experimento es una observación de un fenómeno dado bajo
condiciones específicas.

El resultado de un experimento se llama resultado; Un evento es un


conjunto de uno o más resultados posibles.

Un fenómeno estocástico es un fenómeno para el cual un experimento


asociado tiene más de un resultado posible.

Se dice que un evento asociado con un fenómeno estocástico es


contingente. ... La probabilidad es una medida de la probabilidad de
ocurrencia de un evento, medida en una escala de probabilidad
creciente de cero a uno. ... Una variable aleatoria es una función que
asigna un valor numérico a cada resultado posible.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

La siguiente lista contiene 12 variables aleatorias que pueden


encontrarse en el trabajo actuarial (el modelo # se refiere a los
ejemplos presentados en la siguiente sección):

1. La edad al morir de un nacimiento seleccionado al azar. (Modelo 1)

2. El tiempo hasta la muerte desde que se compró el seguro para una


vida asegurada seleccionada al azar.

3. El tiempo desde la ocurrencia de un evento de discapacidad hasta


la recuperación o la muerte de un reclamante de compensación de
trabajadores seleccionado al azar.

4. El tiempo transcurrido desde la incidencia de un reclamo


seleccionado al azar hasta que se informa al asegurador.

5. El tiempo desde el informe de un reclamo seleccionado al azar


hasta su liquidación.M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

6. La cantidad de dólares pagados en un reclamo de seguro de vida


seleccionado al azar.

7. La cantidad de dólares pagados en un reclamo de lesiones


corporales automotrices seleccionado al azar. (Modelo 2)

8. El número de reclamos por lesiones corporales en un año de un


automóvil asegurado seleccionado al azar. (Modelo 3)

9. El total de dólares en reclamos por negligencia médica pagados en


un año debido a eventos en un hospital seleccionado al azar. (Modelo
4)

10. El tiempo de incumplimiento o pago anticipado de un préstamo


hipotecario asegurado seleccionado al azar que finaliza
anticipadamente.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

11. La cantidad de dinero pagado al vencimiento de un bono de alto


rendimiento seleccionado al azar.

12. El valor de un índice bursátil en una fecha futura especificada.

Debido a que todos estos fenómenos pueden expresarse como


variables aleatorias, la maquinaria de probabilidad y estadística
matemática está a nuestra disposición tanto para crear como para
analizar modelos para ellos.

Los siguientes párrafos discuten cinco funciones clave utilizadas para


describir una variable aleatoria: distribución acumulativa,
supervivencia, densidad de probabilidad, masa de probabilidad y tasa
de riesgo.

Se ilustran con cuatro modelos en curso identificados en la lista


anterior más uno más que se presentará más adelante.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

2.2 Funciones clave y cuatro modelos.

Definición 2.1 La función de distribución acumulativa, también llamada


función de distribución y generalmente denotada FX (x) o F (x), para
una variable aleatoria X es la probabilidad de que X sea menor o igual
que un número dado. Es decir, FX (x) = Pr (X <x). La abreviatura cdf se
usa a menudo,

La función de distribución debe satisfacer los siguientes


requerimientos:

• 0 < F(x) < 1 para todo x.


• F(x) es no decreciente.
• F(x) es continua por la derecha.
• limxx→0 F(x) = 0 and limx→∞ F(x) = 1.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Debido a que no necesita ser continuo a la izquierda, es posible que la


función de distribución salte.

Cuando salta, el valor se asigna a la parte superior del salto. Aquí hay
posibles funciones de distribución para cada uno de los cuatro
modelos.

Modelo 1 Esta variable aleatoria podría servir como modelo para la


edad de la muerte. Todas las edades entre 0 y 100 son posibles. Si
bien la experiencia sugiere que existe un límite superior para la vida
humana, los modelos sin límite superior pueden ser útiles si asignan
probabilidades extremadamente bajas a edades extremas. Esto
permite que el modelador evite establecer una edad máxima
específica:

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Modelo 2 Esta variable aleatoria podría servir como modelo para la


cantidad de dólares pagados en un reclamo de seguro de automóvil.
Todos los valores positivos son posibles.

Al igual que con la mortalidad, es probable que haya un límite superior


(se me viene a la mente todo el dinero del mundo), pero este modelo
ilustra que, en el modelado, la correspondencia con la realidad no
necesita ser perfecta:

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Modelo 3 Esta variable aleatoria podría servir como modelo para el


número de reclamos de una póliza en un año. La probabilidad se
concentra en los cinco puntos (0,1,2,3,4) y la probabilidad en cada uno
viene dada por el tamaño del salto en la función de distribución:

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Definición 2.2 El soporte de una variable aleatoria es el conjunto de


números que son valores posibles de la variable aleatoria.

Definición 2.3 Una variable aleatoria se llama discreta si el soporte


contiene como máximo un número contable de valores. Se llama
continuo si la función de distribución es continua y es diferenciable en
todas partes con la posible excepción de un número contable de
valores. Se llama mixto si no es discreto y es continuo en todas partes
con la excepción de al menos un valor y como máximo un número
contable de valores.

Estas tres definiciones no agotan todas las variables aleatorias


posibles, pero cubrirán todos los casos encontrados en este libro.

La función de distribución para una variable aleatoria discreta será


constante, excepto para saltos en los valores con probabilidad positiva.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Una distribución mixta tendrá al menos un salto.

Exigir que las variables continuas sean diferenciables permite que la


variable tenga una función de densidad (definida más adelante) en
casi todos los valores.

EJEMPLO 2.1

Para cada uno de los cuatro modelos, determine el soporte e indique


qué tipo de variable aleatoria es.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

La función de distribución para el Modelo 1 es continua y es


diferenciable excepto en 0 y 100 y, por lo tanto, es una distribución
continua. El soporte son valores de 0 a 100, no queda claro si se
incluyen 0 o 100.

La función de distribución para el Modelo 2 es continua y es


diferenciable excepto en 0 y, por lo tanto, es una distribución continua.

El soporte son todos números positivos y quizás 0. La variable


aleatoria para el Modelo 3 coloca la probabilidad solo en 0,1,2,3 y 4 (el
soporte) y, por lo tanto, es discreta.

La función de distribución para el Modelo 4 es continua excepto en 0,


donde salta. Es una distribución mixta con soporte en números no
negativos.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Estos cuatro modelos ilustran las formas más comunes de la función


de distribución.

A menudo, en el resto del libro, cuando se presentan funciones, no se


dan valores fuera del soporte (más comúnmente donde las funciones
de distribución y supervivencia son 0 o 1).

Definición 2.4 La función de supervivencia, generalmente denotada


SX (x) o S(x), para una variable aleatoria X es la probabilidad de que X
sea mayor que un número dado. Es decir, SX (x) = P (X> x) = 1 - FX
(x).

Como resultado:

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

• 0 < S(x) < 1 para toda x.


• S(x) es no creciente.
• S(x) es continua por la derecha.
• limxx→0 S(x) = 1 and limxx→∞ S(x) = 0.

Debido a que la función de supervivencia no necesita ser continua a la


izquierda, es posible que salte (hacia abajo). Cuando salta, el valor se
asigna a la parte inferior del salto.

La función de supervivencia es el complemento de la función de


distribución y, por lo tanto, el conocimiento de uno implica el
conocimiento del otro.

Históricamente, cuando la variable aleatoria mide el tiempo, se


presenta la función de supervivencia, mientras que cuando mide
dólares, se presenta la función de distribución.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Ejemplo 2.2 Para completar, aquí están las funciones de


supervivencia para los cuatro modelos:

Las funciones de supervivencia para los Modelos 1 y 2 se ilustran en


las Figuras 2.3 y 2.4.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

La distribución o la función de supervivencia se pueden usar para


determinar las probabilidades. Deje F (b-) = limx↗b F (x) y deje que S
(b-) se defina de manera similar.

Es decir, queremos el límite a medida que x se acerca a b desde


abajo. Tenemos Pr (a <X <b) = F (b) - F (a) = S (a) - S (b) y Pr (X = b) =
F (b) - F (b-) = S (b-) - S (b).

Cuando la función de distribución es continua en x, Pr (X = x) = 0; de lo


contrario, la probabilidad es el tamaño del salto.

Las siguientes dos funciones están más directamente relacionadas


con las probabilidades.

El primero es para distribuciones continuas, el segundo para


distribuciones discretas.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Definición 2.5 La función de densidad de probabilidad, también


llamada función de densidad y generalmente denotada fX (x) o f (x),
es la derivada de la función de distribución o, de manera equivalente,
la negativa de la derivada de la función de supervivencia. Es decir, f(x)
= F '(x) = -S' (x).

La función de densidad se define solo en aquellos puntos donde


existe la derivada. La abreviatura pdf se usa a menudo.

Si bien la función de densidad no proporciona probabilidades


directamente, sí proporciona información relevante.

Los valores de la variable aleatoria en regiones con valores de


densidad más altos tienen más probabilidades de ocurrir que aquellos
en regiones con valores más bajos.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Las probabilidades de intervalos y las funciones de distribución y


supervivencia se pueden recuperar mediante la integración.

Es decir, cuando la función de densidad se define en el intervalo


relevante, Pr (a <X <b) = ʃ f (x) dx, F (b) = ʃ f (x) dx y S (b) = ʃ f {x) dx.

EJEMPLO 2.3
Para nuestros modelos,

Cabe señalar que para el Modelo 4, la función de densidad no


describe completamente la distribución de probabilidad. Como
distribución mixta, también hay una probabilidad discreta de 0.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Las funciones de densidad para los Modelos 1 y 2 se ilustran en las


Figuras 2.5 y 2.6.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Definición 2.6 La función de probabilidad, también llamada función de


masa de probabilidad y generalmente denotada p (x) o p (x), describe
la probabilidad en un punto distinto cuando no es 0. La definición
formal es p (x) = Pr (X = x).

Para variables aleatorias discretas, las funciones de distribución y


supervivencia se pueden recuperar como F (x) = Ʃ p (y) y S (x) = Ʃ p
(y)

Ejemplo 2.4 Para los modelos,

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Se observa nuevamente que la distribución en el Modelo 4 es mixta,
por lo que lo anterior describe solo la parte discreta de esa
distribución.

No hay una manera fácil de presentar probabilidades / densidades


para una distribución mixta.

Para el Modelo 4 presentaríamos la función de densidad de


probabilidad como

dándose cuenta de que, técnicamente, no es una función de densidad


de probabilidad en absoluto.

Cuando se asigna un valor a la función de densidad en un punto


específico, en lugar de definirse en un intervalo, se entiende que es
una masa de probabilidad discreta.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Definición 2.7 La tasa de riesgo, también conocida como la fuerza de


mortalidad o la tasa de falla y generalmente denotada hX(x) o h(x), es
la relación de las funciones de densidad y supervivencia cuando se
define la función de densidad. Es decir, hX(x) = fX(x) / SX(x).

Cuando se llama la fuerza de la mortalidad, la tasa de riesgo a


menudo se denota μ(x), y cuando se llama la tasa de falla, a menudo
se denota λ(x).

En cualquier caso, puede interpretarse como la densidad de


probabilidad en x dado que el argumento será al menos x. También
tenemos hX(x) = -S'(x) / S(x) = -d/dx lnS(x).

La función de supervivencia se puede recuperar de S(b)=exp(ʃ hX(x)


dx) Aunque no es necesaria, esta fórmula implica que el soporte está
en números no negativos.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

En términos de mortalidad, la fuerza de mortalidad es la probabilidad


anualizada de que una persona de edad x morirá en el próximo
instante, expresado como una tasa de mortalidad por año.

En este texto siempre usamos h(x) para denotar la tasa de riesgo,


aunque se puede usar uno de los nombres alternativos.

Ejemplo 2.5
Para nuestros modelos,

Una vez más, tenga en cuenta que para la distribución mixta, la tasa
de riesgo solo se define sobre parte del soporte de la variable
aleatoria.

Esto es diferente del problema anterior en el que están involucradas


tanto una función de densidad de probabilidad como una función de
probabilidad. M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Cuando hay una masa de probabilidad discreta, la tasa de riesgo no


está definida.

Las funciones de tasa de riesgo para los Modelos 1 y 2 se ilustran en


las Figuras 2,7 y 2.8.

El siguiente modelo ilustra una situación en la que hay un punto donde


las funciones de densidad y tasa de riesgo no están definidas

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Modelo 5 Aquí se ofrece una alternativa a la distribución simple de por


vida en el Modelo 1.

Tenga en cuenta que es lineal por partes y la derivada en 50 no está


definida. Por lo tanto, ni la función de densidad ni la función de tasa de
riesgo se definen en 50.

A diferencia del modelo mixto del Modelo 4, no hay una masa de


probabilidad discreta en este punto.
M.F. Eric Víctor Guerrero Piña
agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Debido a que la probabilidad de que ocurra 50 es cero, la densidad o


tasa de riesgo a 50 podría definirse arbitrariamente sin ningún efecto
en los cálculos posteriores.

Ver Ejercicio 2.1 para un ejemplo.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Definición 2.8 El modo de una variable aleatoria es el valor más


probable. Para una variable discreta es el valor con la mayor
probabilidad. Para una variable continua, es el valor para el cual la
función de densidad es mayor. Si hay máximos locales, estos puntos
también se consideran modos.

Ejemplo 2.6
Siempre que sea posible, determine el modo para los Modelos 1-5.

Para el Modelo 1, la función de densidad es constante. Todos los


valores de 0 a 100 podrían ser el modo o, de manera equivalente,
podría decirse que no hay modo.

Para el Modelo 2, la función de densidad está disminuyendo


estrictamente y, por lo tanto, el modo está en 0.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS

Para el Modelo 3, la probabilidad es más alta en 0. Como distribución


mixta, no es posible definir un modo para el Modelo 4.

El Modelo 5 tiene una densidad que es constante en dos intervalos,


con valores más altos de 50 a 75. Estos valores son todos modos.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
2.2.1 Ejercicios

2.1 Determine las funciones de distribución, densidad y tasa de riesgo


para el Modelo 5.
2.2 Construya gráficas de la función de distribución para los Modelos
3, 4 y 5. También grafique la función de densidad o probabilidad según
corresponda y la función de tasa de riesgo, donde exista.
2.3 (*) Una variable aleatoria X tiene la función de densidad
f(x)=4x(1+x2) - 3, x> 0. Determine el modo de X.
2.4 (*) Una variable aleatoria no negativa tiene una función de tasa de
riesgo de h (x) = A + e2x, x> 0. También se le da S(0.4)=0.5. Determinar
el valor de A
2.5 (*) X tiene una distribución de Pareto con parámetros α = 2 y θ =
10,000. Y tiene una distribución Burr con parámetros α = 2, ϒ = 2 y θ =
√20,000. Sea r la relación de Pr (X> d) a Pr (Y> d). Determinar limd→∞r.

M.F. Eric Víctor Guerrero Piña


agosto – diciembre 2019