Вы находитесь на странице: 1из 5

El modelo de riesgo colectivo.

1. Introducción
El modelo colectivo de riesgo es particularmente usado en los seguros de daños, por
ejemplo, en los seguros de caso o auto. Al tratarse de un modelo empleado en seguros de
no vida, es importante destacar las diferencias que existen con los seguros de vida:
a. En un periodo determinado pueden existir diferentes reclamaciones sobre una
misma póliza. Es evidente que puedes sufrir diferentes accidentes o acudir en
diversas ocasiones al médico, pero no puedes morir más de una vez.
b. La suma reclamada en cada siniestro puede variar sustancialmente. Una
reclamación por un accidente de auto puede variar dependiendo de la
severidad del accidente. A diferencia con los seguros de vida, el pago puede
variar únicamente por el tiempo, mas no por diferentes “tipos” de muerte.
c. Los contratos en los seguros de no vida suelen tener una duración pequeña y
son renovados si el asegurado lo desea, por esta razón el efecto de los intereses
no es significativo, lo cual conlleva a no tomarlos en cuenta.
El modelo colectivo de riesgo visualiza al total de reclamaciones como una distribución
compuesta, misma que será el objeto de estudio para este trabajo. Así pues, comencemos
definiendo los factores que tienen influencia sobre dichas reclamaciones.
Uno de estos factores será la frecuencia de reclamación, esto es, el número de
reclamaciones que ocurrirán sobre un determinado periodo. Esta frecuencia será una
variable aleatoria discreta la cual tomará valores enteros no negativos. El segundo factor
es la severidad de la reclamación, esto es, la cantidad que será pagada. Analizaremos
estos factores por separados y después se combinarán los resultados.
Describamos ahora el modelo formal.

1.1 El modelo
Consideremos un periodo fijo y una colección de pólizas. Deseamos predecir el
comportamiento de S, el total de reclamaciones por parte de las pólizas en dicho periodo.
Denotamos como N a la frecuencia de reclamaciones y X a la severidad, ambas serán
variables aleatorias. Para continuar con el modelo, asumimos que la severidad de las
reclamaciones es independiente de la frecuencia y la severidad de cualquier reclamación
es independiente a la severidad del resto. También asumiremos que la severidad sigue la
misma distribución sobre todo el periodo.
Sea ahora 𝑋𝑖 la cantidad de la reclamación i. Nuestro último supuesto nos dice que hay
una distribución de severidad dada por la variable aleatoria X y asumimos que cada 𝑋𝑖
se distribuye como X. La cantidad total de reclamaciones está dada entonces por la suma
independiente
𝑆 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑁 (1)
Note que en la ecuación (1) tenemos una suma de variables aleatorias con la
característica de que el número de sumandos es aleatorio, pues dependen de N.
La distribución de S es conocida como una distribución compuesta. Por ejemplo, si N
sigue una distribución Poisson, entonces S tendrá una distribución Poisson compuesta.
Esto por el hecho de que cuando X es una variable aleatoria que toma el valor 1 con
certeza, entonces la distribución compuesta resultante es solo N en sí.

1.2 La media y varianza de S


Es importante mencionar que encontrar exactamente la distribución de S puede ser
complicado, sin embargo, es bastante simple trabajar con su media y varianza a partir de
N y X. Para esto denotaremos con p a la función de probabilidad de N.
Ahora bien, por la ley de la probabilidad total, tenemos que

𝐸(𝑆) = ∑ 𝐸(𝑆|𝑁 = 𝑛)𝑝(𝑛)


𝑛

Cuando N = n, S es solo la suma de n copias independientes de una variable aleatoria


con la distribución de X. Usando el hecho de que N y X son independientes, podemos
escribir que
𝐸(𝑆|𝑁 = 𝑛) = 𝑛𝐸(𝑋|𝑁 = 𝑛) = 𝑛𝐸(𝑋)
Lo cual nos lleva a

𝐸(𝑆) = 𝐸(𝑋)𝐸(𝑁)
Similarmente tendremos que

𝐸(𝑆 2 ) = ∑ 𝐸(𝑆 2 |𝑁 = 𝑛)𝑝(𝑛)


𝑛

El segundo momento de cualquier variable aleatoria es la suma de la varianza más el


cuadrado de la media, entonces
𝐸(𝑆 2 |𝑁 = 𝑛) = 𝑉𝑎𝑟(𝑆|𝑁 = 𝑛) + [𝐸(𝑆|𝑁 = 𝑛)]2 = 𝑛𝑉𝑎𝑟(𝑋) + 𝑛2 [𝐸(𝑋)]2
Utilizamos el hecho de que la varianza de la suma de variables aleatorias
independientes es la suma de las varianzas. Las últimas dos fórmulas nos llevan a
𝐸(𝑆 2 ) = 𝐸(𝑁)𝑉𝑎𝑟(𝑋) + 𝐸(𝑁 2 )[𝐸(𝑋)]2
Restando el término [𝐸(𝑆)]2 = [𝐸(𝑁)]2 [𝐸(𝑋)]2, obtenemos
𝑉𝑎𝑟(𝑆) = 𝐸(𝑁)𝑉𝑎𝑟(𝑋) + [𝐸(𝑋)]2 𝑉𝑎𝑟(𝑁)
¿Qué nos dice la fórmula anterior? Recordemos que la varianza representa
incertidumbre, esta fórmula descompone la incertidumbre en el valor de S en dos
partes. El primer término nos da la incertidumbre que resulta de la severidad y el
segundo término nos da la incertidumbre que surge de la frecuencia.

1.3 Función generadora


Con la misma técnica condicional usada arriba, podemos ahora deducir la función
generadora de momentos 𝑀𝑆 (𝑡) y la función generadora de probabilidad 𝑃𝑆 (𝑡). Cuando
𝑁 = 𝑛, tenemos que 𝑆 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 , y así

𝐸(𝑒 𝑡𝑆 |𝑁 = 𝑛) = 𝐸[𝑒 𝑡(𝑋1 +𝑋2 +⋯+𝑋𝑛) ] = 𝐸[𝑒 𝑡𝑋1 𝑒 𝑡𝑋2 … 𝑒 𝑡𝑋𝑛 ]


= 𝐸[𝑒 𝑡𝑋1 ]𝐸[𝑒 𝑡𝑋2 ] … 𝐸[𝑒 𝑡𝑋𝑛 ]
Donde hacemos referencia a la independencia para poder escribir la esperanza como un
producto de esperanzas. Y como cada 𝑋𝑖 tiene distribución como la variable aleatoria X,
𝐸(𝑒 𝑡𝑆 |𝑁 = 𝑛) = 𝑀𝑋 (𝑡) 𝑛
y
∞ ∞
𝑡𝑆 |𝑁
𝑀𝑆 (𝑡) = ∑ 𝐸(𝑒 = 𝑛) 𝑝(𝑛) = ∑ 𝑀𝑋 (𝑡)𝑛 𝑝(𝑛)
𝑛=0 𝑛=0

de lo cual concluimos que


𝑀𝑆 (𝑡) = 𝑃𝑋 [𝑀𝑋 (𝑡)].

Cuando X toma valores enteros no negativos, podemos usar las propiedades

𝑃𝑋 (𝑡) = 𝐸(𝑡 𝑋 ) = 𝐸(𝑒 log 𝑡𝑋 ) = 𝑀𝑋 (log 𝑡)

𝑀𝑋 (𝑡) = 𝑃𝑋 (𝑒 t )
para concluir que

𝑃𝑆 (𝑡) = 𝑀𝑆 (log 𝑡) = [𝑀𝑋 (log 𝑡)] = 𝑃𝑁 [𝑃𝑋 (𝑒 log 𝑡 )]


Dándonos el siguiente resultado
𝑃𝑆 (𝑡) = 𝑃𝑁 [𝑃𝑋 (𝑡)]
1.4 La distribución exacta de S
¿Cuál es la probabilidad de que S tome un valor menor o igual a s? Una vez más usaremos la
técnica de condicionar. Si 𝑁 = 𝑛, entonces la respuesta es solo la probabilidad de que 𝑋1 +
𝑋2 + ⋯ + 𝑋𝑛 ≤ 𝑠, que es solo la n-ésima convolución de 𝑃𝑋 en el punto s, que se
denota con 𝐹 ∗𝑛 (𝑠). Entonces se tiene que:

𝐹𝑆 (𝑠) = ∑ 𝑝(𝑛)𝐹𝑋∗𝑛 (𝑠)


𝑛=0

O similarmente, usando las funciones de densidad/probabilidad,


𝑓𝑆 (𝑠) = ∑ 𝑝(𝑛)𝑓𝑋∗𝑛 (𝑠)


𝑛=0

Donde 𝑓𝑋∗0 (𝑘) toma el valor de 1 para k=0 y cero en cualquier otro caso, y 𝑓𝑋∗1 es
simplemente f.
Ejemplo.
Suponga que N toma los valores 0,1,2 con probabilidades 0.5, 0.3, 0.2, respectivamente,
y X toma los valores 1, 2, 3 con probabilidades 0.4, 0.2, 0.4, respectivamente.
Encuentra la distribución de S.
Solución.
Formamos la siguiente tabla, en la que para cada fila, las entradas son multiplicadas por
los valores de la fila del fondo para obtener los totales en la última columna:
k ∗(0) ∗(1) ∗(2)
𝑓 (𝑘) 𝑓 (𝑘) 𝑓 (𝑘) 𝑓𝑆 (𝑘)
0 1 0 0 0.500
1 0 0.4 0 0.120
2 0 0.2 0.16 0.092
3 0 0.4 0.16 0.152
4 0 0 0.36 0.072
5 0 0 0.16 0.032
6 0 0 0.16 0.032
P(N=n) 0.5 0.3 0.2

1.5 Deducibles y otras modificaciones


En la práctica, la aseguradora a menudo cubre parte de la pérdida, dejando al asegurado
pagar el resto. La motivación es hacer que la parte asegurada sea parcialmente
responsable de cubrir el gasto, de modo que tenga interés en tomar medidas para evitar
pérdidas.
Esto tiene implicaciones al momento de examinar el problema estadístico de inferir
detalles sobre las distribuciones de pérdidas a partir de los datos proporcionados por los
aseguradores. Estos datos en realidad proporcionan los montos pagados por las
reclamaciones en lugar del monto real de las perdidas. Para estimar las distribuciones de
perdida, necesitamos entender la relación entre el monto de la perdida y el monto
realmente pagado bajo cierto tipo de modificaciones.

1.6 La naturaleza del deducible


Una de las modificaciones más comunes es el deducible. Bajo este acuerdo, la
aseguradora solo paga las pérdidas que están por encima de alguna cantidad d fijada por
adelantado. El asegurado paga las primeras d unidades de perdida, si la perdida es menor
a d, la aseguradora no paga nada y el asegurado es totalmente responsable. Esto tiene una
ventaja añadida para la aseguradora, el de prevenir un gasto indebido por reclamos
menores.
Si la distribución de gravedad original viene dada por la variable aleatoria X, y hay un
deducible d, la cantidad realmente pagada por el asegurador es
𝑋−𝑑 𝑠𝑖 𝑋 ≥ 𝑑
(𝑋 − 𝑑)+ = {
0 𝑠𝑖 𝑋 < 𝑑
Para una X continua, podemos calcular el valor esperado
∞ ∞
𝐸(𝑋 − 𝑑)+ = ∫ (𝑥 − 𝑑)𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑠𝑋 (𝑥)𝑑𝑥
𝑑 𝑑

Al integrar por partes.


Otra variable aleatoria de interés, asociada a lo anterior, es
𝑑 𝑠𝑖 𝑋 ≥ 𝑑
𝑋 ∧ 𝑑 = 𝑚𝑖𝑛(𝑋, 𝑑) = {
𝑋 𝑠𝑖 𝑋 < 𝑑
Analizando por separado los casos en que X es menor o mayor que d, obtenemos que,
en general
𝑋 = (𝑋 − 𝑑)+ + (𝑋 ∧ 𝑑)
Así
𝐸(𝑋 − 𝑑)+ = 𝐸(𝑋) − 𝐸(𝑋 ∧ 𝑑)
Para una X continua, sigue que
𝑑 𝑑
𝐸(𝑋 ∧ 𝑑)+ = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 + 𝑑𝑠𝑋 (𝑑) = ∫ 𝑠𝑋 (𝑥)𝑑𝑥
0 0

Вам также может понравиться