Вы находитесь на странице: 1из 18

Teora del Riesgo

Semestre 2012-2

Introduccin a los procesos estocsticos


Anlisis estocstico del seguro
Proceso estocstico en tiempo continuo
El Proceso de Poisson

La siniestralidad total de un perodo

Distribucin del monto de los siniestros


La distribucin Poisson
La distribucin mixta o ponderada
La distribucin Binomial Negativa
Propiedad de aditividad de las distribuciones
compuestas

Aplicaciones

La palabra estocstico es sinnimo de aleatorio. Un proceso


estocstico es un sistema que se desarrolla a travs del
tiempo y durante el paso del mismo se presentan variaciones
debidas al azar. Este sistema puede ser definido por una
familia de variables aleatorias {Xt}, donde Xt mide, en el
instante t, el aspecto del sistema que se est estudiando.

Por ejemplo: Sea Xt el nmero de estudiantes de Actuara en


la Facultad de Ciencias que hay en una fila de un
supermercado al instante t. Conforme pasa el tiempo,
llegarn y saldrn estudiantes y, por lo tanto, el valor de x
cambiar. En cualquier momento t, Xt toma uno de los valores
0, 1, 2, 3,; y t es cualquier valor en el subconjunto (-,).

Al observar continuamente la fila llegan estudiantes de uno


en uno para ser atendidos por una persona; entonces, cuando
llega un estudiante, el valor de Xt (tamao fijo de la fila) se
incrementa en uno y cuando se marcha un estudiante,
despus de haber sido atendido, disminuye en uno.
Los valores que puede tomar Xt son llamados estados y los
cambios en el valor Xt reciben el nombre de transiciones entre
sus estados. Si se observa el tamao de la fila en intervalos
unitarios, por ejemplo: una vez cada 15 mins., entonces es
posible que llegue o salga ms de un estudiante en cada
intervalo de tiempo. Esto conduce a mayores fluctuaciones en
el valor de Xt, que es lo que se estudia al aplicar este tipo de
modelos.


1)

Ejemplos de procesos estocsticos:


Cules son el espacio de estados y el espacio
parametral para un proceso estocstico que es el
marcador durante un juego de bisbol?
El espacio de estados S es el conjunto de valores
posibles que puede tomar el marcador, donde S =
{(x,y): x,y = 1,2,3,} Si el tiempo es medido en
minutos, entonces el espacio parametral T es (0,210).
El proceso empieza en el estado (0,0) y las transiciones
se llevan a cabo entre los estados de S, siempre que
entre una carrera.
Con cada carrera x y se incrementan en uno, de
donde el marcador (x,y) pasara a (x+1,y) (x,y+1).


2)

3)

Ejemplos de procesos estocsticos:


Los recursos de una compaa de seguros se pueden ver de
forma estocstica, esto es:
Si se definen los recursos en el tiempo t, como la variable
aleatoria Xt, entonces Xt se incrementar con una rapidez
aleatoria fluctuante, pero bastante estable a medida que entran
las primas; estando sujeta a cadas sbitas cuando se presentan
las reclamaciones.

Viendo el riesgo de una aseguradora como un proceso


estocstico, sus caractersticas principales son:

Primas pagadas

Reclamaciones hechas

De esta manera el riesgo es descrito por un par (Pt, St),


donde

Pt = Primas pagadas en el intervalo (0,t]

St = Cuanta total reclamada en el intervalo (0,t]

Un proceso estocstico cuyo conjunto T de ndices es


un intervalo, se dice que es un proceso estocstico en
tiempo continuo.
Sea {N(t), t 0} un proceso estocstico en el que N(t)
representa el nmero de veces que ocurre un cierto
evento, en el intervalo [0,t] para t > 0, con N(0) = 0. En
este caso, se dice que el proceso es un proceso de
contaje y es evidente que su espacio de estados es S =
{0,1,2,3,} y que tiene trayectorias no decrecientes, es
decir, N(s) N(t) si 0 s < t. Adems, si s < t, N(t)
N(s) representa el nmero de siniestros ocurridos en el
intervalo (s,t).

Se

dice

que

un

proceso

estocstico tiene
incrementos independientes si para cualquier
entero n 1 y cualquier coleccin de ndices 0 < t0
< t1 < t2 < < tn se cumple que las variables
aleatorias (incrementos) X(t1) - X(t0), X(t2) - X(t1),
X(t3) - X(t2),, X(tn) - X(tn-1) son independientes.
Si para cualquier t 0 y h > 0 la distribucin del
incremento X(t+h) X(t) depende solamente de h,
es decir, X(t+h) X(t) ~ X(s+h) X(s) con s,t > 0, se
dice que el proceso es de incrementos
estacionarios.

Con el proceso de Poisson se busca desarrollar un modelo con el


cual se pueda determinar N(t), que es la probabilidad de que en un
perodo de tiempo de longitud t ocurran precisamente n sucesos.
Para la construccin de dicho modelo se deben hacer varios
supuestos acerca de la naturaleza del proceso.
Se supondr que la naturaleza del proceso que genera los sucesos
no cambia con el tiempo. Este supuesto implica que la tasa media
de estudiantes de Actuara de la Facultad de Ciencias no cambia
segn la hora del da (cosa que en realidad no sucede). En la
prctica, ningn proceso estocstico es constante en el tiempo,
por lo que el modelo representa una aproximacin (por lo general
muy buena en intervalos de tiempo no muy largos).
La probabilidad de que ocurran n sucesos en un perodo de
longitud t depende solamente de la amplitud del intervalo,
independientemente de donde comience.
No es posible que dos o ms sucesos ocurran simultneamente
(exclusin mltiple).

Estacionalidad, lo que significa que para s y t 0, la variable


aleatoria N(s+t) N(s), tiene una distribucin Poisson con
parmetro lt, es decir,

e lt ( l t ) n
P[ N ( s t ) N ( s) n]
n!
El proceso Poisson es muy til e importante porque
generalmente representa con exactitud aceptable lo real. Esto
es debe a que, en ciertas ocasiones, se apega a la realidad al
suponer que el nmero de sucesos que ocurren en un
intervalo de longitud t no depende de lo que sucedi antes
del principio del intervalo, y que, para intervalos cortos, la
probabilidad de que ocurra un suceso es proporcional a la
longitud del intervalo.

En cuanto a las propiedades que todo proceso estocstico


debe tener, existen determinados factores que hacen que
stas no se cumplan:
Pueden existir condiciones que generen una cierta
correlacin entre siniestros de distintos perodos, con lo
que no se cumpliran los incrementos independientes.
Sin embargo, el modelo puede seguir utilizndose de
forma generalizada. La influencia de este tipo de
factores puede ser cuantificable introduciendo una
variable auxiliar que controle los cambios en la
propensin del riesgo, mediante las distribuciones
mixtas de Poisson.

Si el proceso es de incrementos estacionarios, ello


implica que la intensidad de la siniestralidad no
depende del tiempo natural. Si l depende del tiempo, el
proceso deja de ser homogneo. Ante esta situacin
pueden cambiarse las unidades temporales trabajando
con el tiempo operativo.

Finalmente, en lo que se refiere a la exclusin mltiple,


puede suceder que un evento provoque varios siniestros
a la vez, por lo que una forma de solucionar el
problema es considerando todos los siniestros de un
mismo evento como un solo siniestro.

En este caso se analiza la solvencia en un horizonte


finito y slo al final del perodo. Sin prdida de
generalidad, se puede considerar que el perodo es
de un ao.
Se parte nuevamente del modelo bsico, de forma
que:

U = U0 + (1+l)E[S] S

El nico factor aleatorio es la siniestralidad total (S),


por lo que ser la variable de inters en el modelo.
S = X1 + X2 + X3 + XN , donde
Xi = Variable aleatoria cuanta de la i-sima pliza
N = Variable aleatoria nmero total de siniestros

Las hiptesis que se realizan son:

Las
variables
aleatorias
Xi
estn
equidistribuidas, siendo X la cuanta de un
siniestro.
Las variables aleatorias Xi son independientes
entre s.
La cuanta de un siniestro X es independiente
del nmero de siniestros N.

Para el estudio de la variable aleatoria S se deben


obtener primero sus momentos y la funcin generadora
de momentos (en funcin de N y X) de forma general.
En segundo lugar y previo al anlisis de las
distribuciones utilizadas para modelizar el nmero de
siniestros N (Binomial, Poisson, Binomial Negativa), se
indican los valores de los momentos y la funcin
generadora de momentos de S para cada distribucin de
N. Una vez calculados los momentos de la cuanta total,
se analizan los mtodos para calcular su funcin de
distribucin, algo imprescindible para analizar la
solvencia y probabilidad de ruina.

Una vez conocidas las funciones generadoras de


momentos del nmero de siniestros y de la cuanta
de un siniestro, se pueden obtener las
correspondientes a la cuanta total. A partir de
sta, pueden ser obtenidos los momentos del costo
total.
Realizando el procedimiento, se llega a lo
siguiente:
E[S] = E[E[S/N]] =E[NE[X]] = E[N]E[X] y
V[S] = V[E[S/N]] + E[V[S/N]] = V[NE[X]] + E[NV[X]]
= E2[X]V[N] + E[N]V[X]

La distribucin Poisson surge si se asume que los siniestros


se producen segn un proceso estocstico de Poisson (N(t) es
un proceso de Poisson) e indica el estado del proceso para un
tiempo determinado.
Cuando se analiza ms de un perodo de tiempo se utiliza el
proceso estocstico de Poisson.
Propiedades:
e l (l ) k
Pk P[ N k ]
, su funcin de distribucin
k!

M N (t ) el (e 1) , su funcin generadora de momentos


t

Momentos ordinarios: E1[N] = l, E2[N] = l l2, E3[N] = l


3l2l3
Momentos centrales: m2(N) = l, m3(N) = l, m4(N) = l3l2