Captulo 5

Teora de la Credibilidad

Considere un riesgo S proveniente de un conjunto de asegurados vigentes por un periodo deter-

minado, tpicamente un ano. Si este grupo de asegurados es homogeneo en el sentido de que todos
sus miembros tienen la misma probabilidad de realizar una reclamacion, entonces aplicar una misma
prima a todos ellos es razonable. Sin embargo, cuando el grupo no es homogeneo, habra subgrupos
de bajo riesgo y otros de alto riesgo. Cobrar una misma prima a todos ellos sera injusto, y no sera
bueno para la aseguradora pues los asegurados de bajo riesgo buscaran un mejor trato con otras
aseguradoras, y solo se quedaran en la cartera los asegurados de alto riesgo.

La idea fundamental es aplicar primas menores a los asegurados de bajo riesgo y primas mayores
a los de alto riesgo, con base en el historial de reclamaciones que cada uno de los asegurados o
subgrupos hayan realizado durante los anos anteriores. En la teora de la credibilidad se estudian
metodos para el calculo de primas a traves de la combinacion de la experiencia individual (historial
de reclamaciones) y la experiencia de grupo (comportamiento teorico).

Considere por ejemplo, un seguro de automoviles y distintas primas existentes de acuerdo a la

edad del asegurado. Aun cuando un grupo de asegurados se considere homogeneo, las condiciones
individuales de cada uno de ellos, o los desarrollos tecnologicos de los automoviles u otros aspectos
pueden hacer que un asegurado tenga eventualmente un comportamiento distinto al grupo en el que
originalmente fue asignado.

5.1. Principios de la Teora de la Credibilidad

5.1.1. Credibilidad Completa
Considere una cierto riesgo S y sean S1 , ..., Sm los montos de reclamaciones anuales efectuadas
S1 + + Sm
por un asegurado o grupo de asegurados durante m periodos consecutivos. Sea S =
m
el promedio de las reclamaciones. Si las variables S1 , ..., Sm son independientes e identicamente dis-
tribuidas, entonces la ley de los grandes numeros garantiza que la variable S converge a la constante
E(S), conforme el numero de sumandos crece a infinito. El comportamiento de S como funcion de
m es posiblemente oscilatorio alrededor de E[S], pero eventualmente va a estabilizarse en ese valor.
La pregunta es Que tan grande debe ser m para que S este razonablemente cercano a E(S)? El
siguiente es un posible criterio.

Definicion 5.1.1. Sean k (0, 1) y p (0, 1) dos numeros fijos. Se dice que S tiene credibilidad
completa (k, p) si

P (|S E(S)| kE(S)) p.

37
38 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

La condicion anterior establece que S tiene credibilidad completa (k, p) si dista de E(S), en
menos de kE(S) con probabilidad mayor o igual a p. Naturalmente se toman valores de k cercanos
a cero y valores de p cercanos a uno, tpicamente k =0.05 y p =0.9. La intencion es usar S como
elemento para calcular la prima del asegurado, siempre y cuando se tenga suficiente historial para
dar credibilidad a tal cantidad, el problema es entonces encontrar el valor de m.

Ademas, podemos escribir la ecuacion anterior en la forma

S E(S) kE(S)
P ! ! p
V ar(S) V ar(S)
m m

y definamos

S E(S)
yp = nf P ! y p .
y V ar(S)
m

Cuando S tiene distribucion continua se cumple que

S E(S)
P ! yp = p
V ar(S)
m

kE(S) m S
entonces es suficiente que se cumpla la desigualdad yp que es equivalente a
S E(S)
k m
, es decir, hemos encontrado una cota superior para el coeficiente de variacion de la variable
yp
S que nos indicara que existe credibilidad completa.
Ademas de la desigualdad anterior, existen otras dos desigualdades equivalentes a la misma, para
determinar si existe credibilidad completa:

V ar(S) k 2 E 2 (S)
V ar(S) = (5.1)
m yp2
y
2
yp
m V ar(S). (5.2)
kE(S)

Credibilidad completa bajo hipotesis de normalidad

Encontraremos una condicion sobre el numero de periodos de observacion m para obtener credi-
bilidad completa cuando S tiene una distribucion aproximada normal. Bajo esta hipotesis, el termino
de la izquierda en la definicion 5.1.1 es

|S E(S)| kE(S)
P (|S E(S)| kE(S)) = P
V ar(S)/m V ar(S)/m
k mE(S)
2 1
V ar(S)
Como esta probabilidad debe ser mayor o igual a p se obtiene la desigualdad

k mE(S) 1+p
.
V ar(S) 2

Sea uq el q-cuantil de la distribucion normal, es decir (uq ) = q. Entonces

5.1. PRINCIPIOS DE LA TEORIA DE LA CREDIBILIDAD 39

k mE(S)
u(1+p)/2
V ar(S)
De donde se obtiene

u2(1+p)/2 V ar(S)
m
k 2 E 2 (S)
Los terminos E(S) y V ar(S) pueden ser conocidos o estimados, y sustituidos en esta formula
para conocer una aproximacion del numero de periodos m de historial para que S tenga credibilidad
completa (k, p).

Ejemplo 5.1.2. Suponga que cada reclamacion anual Sj tiene distribucion P oisson compuesta, es
decir,
N
Sj = Yj
j=1

en donde N tiene distribucion P oisson() y las variables Yj corresponden a las reclamaciones in-
dividuales. Denotemos por 1 y 2 el primer y segundo momento de las variables Yj , entonces
E(Sj ) = 1 , y V ar(Sj ) = 2 . Por lo tanto, la cota inferior para m es

u2(1+p)/2 2
m
k 2 21
Si adicionalmente se asume que cada reclamacion Yi tiene distribucion exp( ) con = 1, en-
tonces 1 = 1 y 2 = 2. Tomando k = 0.05 y p = 0.9, de tablas de probabilidad normal se obtiene
u(1+p)/2 = u0.95 = 1.6449. Por lo tanto

(1.6449)2 2
m = 2165.56.
(0.05)2 12
Es decir, despues de 2166 reclamaciones, se obtiene credibilidad completa (k, p) con k = 0.05 y
p = 0.9.

Observacion 5.1.3. Los valores de V ar(S) y E(S) pueden ser estimados de los datos como se
muestra en el siguiente ejemplo.

Ejemplo 5.1.4. Supongamos que Si = 0 para i = 1, ..., 6, S7 = 253, S8 = 398, S9 = 439 y

S10 = 756. Determina si la muestra presenta credibilidad completa con k = 0.05 y p = 0.9.
10 10
1 1
Solucion: Notemos que E(S) = Si = 184.6 y V
ar(S) = (Si E(S))2 = 71,766.4889
10 i=1 9 i=1
por lo que el mnimo numero de observaciones que se deben tener para alzanzar credibilidad completa
2
yp
es Var(S) = 2,279.56. Por lo tanto, no tenemos credibilidad completa.
k E(S)

5.1.2. Credibilidad Parcial

Si se decide que la credibilidad completa es inapropiada, entonces se puede optar por la credibi-
lidad parcial, es decir, se refleja la experiencia pasada S y una media M , obtenida externamente, en
la prima neta. Un metodo para realizar esto, es considerar la prima de credibilidad

Pc = z S + (1 z)M
en donde z [0, 1] es llamado factor de credibilidad.
40 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

Recordemos que la meta del criterio de credibilidad completa fue la de asegurar que la diferencia
entre la prima que estamos considerando S y la que deberamos usar E(S) sea pequena con alta
probabilidad. Ademas, el hecho de que S sea insesgado, equivale a controlar la varianza de la prima
neta propuesta S.
La ecuacion (5.1) nos muestra que no se asegura que V ar(S) sea suficientemente pequena. Una
manera de controlar la varianza de la prima de credibilidad Pc es:
k 2 E 2 (S)
= V ar(Pc )
yp2
= V ar(z S + (1 z)M )
= z 2 V ar(S)
V ar(S)
= z2
m
De esta manera se selecciona

E(S) k m
z = mn ,1
V ar(S) yp

Una interpretacion de la ecuacion anterior

es que el factor de credibilidad z es la proporcion del
k m
coeficiente de variacion real medida por que representa el coeficiente de variacion requerido
yp
para la credibilidad completa.

Ejemplo 5.1.5. Supongamos que Si = 0 para i = 1, ..., 6, S7 = 253, S8 = 398, S9 = 439 y

S10 = 756. Determina la prima de credibilidad parcial si k = 0.05, p = 0.9 y M = 225.

Solucion: Vimos en el ejemplo 5.1.4 que S no tiene credibilidad completa, por lo que usaremos
credibilidad parcial. Entonces z = mn {0.06623, 1} = 0.06623 y la prima de credibilidad esta dada
por Pc =0.06623(184.6)+0.93377(225)=222.32.

Credibilidad Parcial bajo hipotesis de Normalidad

Bajo la hipotesis de normalidad para S y recordando que (uq ) = q entonces

E(S) k m
z = mn ,1 .
V ar(S) u(1+p)/2

5.2. Enfoque Bayesiano de la Teora de la Credibilidad

La credibilidad Bayesiana es otra forma de incorporar el historial de reclamaciones de un grupo
de asegurados en el calculo de las primas. Supongamos nuevamente que las variables S1 , ..., Sm
representan el historial de reclamaciones en m anos consecutivos por parte de un grupo de asegurados.
Supongamos ademas que estas variables son independientes y todas ellas tienen una distribucion
comun dependiente de un parametro desconocido . Bajo el enfoque Bayesiano se considera que
el parametro es una variable aleatoria para la cual se asume una distribucion de probabilidad a
priori.

Definicion 5.2.1. La distribucion a priori del parametro , que denotaremos por (), es una
distribucion de probabilidad sobre todos los posibles valores del parametro .

Observacion 5.2.2.

1. El parametro puede ser un escalar o un vector.

2. () contiene la informacion del parametro previo a la historia de los datos.

5.2. ENFOQUE BAYESIANO DE LA TEORIA DE LA CREDIBILIDAD 41

3. No es sencillo traducir la informacion en ().

Definicion 5.2.3. La distribucion modelo es la distribucion de probabilidad para los datos, consi-
derados como una coleccion, dado un valor del parametro , es decir, si los datos son S1 , ..., Sm , la
distribucion modelo es fS|
(;
; = (S1 , ..., Sm ).
s|) donde S

De las definiciones anteriores, tenemos que:

1. fS,
(;
s, ) = fS| s|) ().
(;

2. fS (;s) = f
S|
(;s|) ()d.

Observacion 5.2.4. Cuando el parametro es una variable aleatoria discreta, las integrales son
cambiadas por sumatorias sobre todos los posibles valores del parametro.
Definicion 5.2.5. La distribucion posterior (posteriori) es la distribucion del parametro dado los
; es decir, la distribucion posterior es
datos observados S, (|;
s).
|S

Es posible estimar el valor del parametro una vez conocidos los datos; dicho estimador es conocido
como el estimador de Bayes.
Definicion 5.2.6. El estimador posterior de Bayes para la funcion () con respecto a la distribu-
;
cion posteriori es E[ ()|S].
Observacion 5.2.7.
; = (s1 , ..., sm ) es una muestra aleatoria, entonces S1 , ...Sm son independientes y por lo
1. Si S
m
tanto fS| s|) =
(; fSi | (si |).
i=1

; = (s1 , ..., sm ) entonces

2. Si S

E[ ()|S1 = s1 , ..., Sm = sm ] = () (|s1 , ..., sm )d
|S

()fS| s|) ()d
(;

=
fS| s|) ()d
(;

m
() fSi | (si |) ()d
i=1
= m
.

fSi | (si |) ()d
i=1

Ejemplo 5.2.8. Consideremos S1 , ..., Sm una muestra aleatoria tal que f (s|) = s (1 )1 s
para
s = 0, 1 y () = 1(0,1) (). Determina el estimador posterior de Bayes para:
1. E(S|)
2. V ar(S|).
m
Solucion: Sea a = si .
i=1

1. Notemos que E(S|) = = ():

42 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

1
1+a (1 )m a
d
0
E[ ()|S1 = s1 , ..., Sm = sm ] = 1
a (1 )m a
d
0

1
" %$ #
1
1 1+a m a
B(2 + a, m + 1 a) (1 ) d
0 B(2 + a, m + 1 a)
= 1
1
B(1 + a, m + 1 a) a (1 )m a d
B(1 + a, m + 1 a)
$0 #" %
1

B(2 + a, m + 1 a)
=
B(1 + a, m + 1 a)

(a + 1)!(m a)!(m + 1)!

=
(a)!(m a)!(m + 2)!

a+1
=
m+2
m
1+ si
i=1
= .
m+2

2. Notemos que V ar(S|) = (1 ) = (), por lo tanto:

1
1+a (1 )m+1 a
d
0
E[ ()|S1 = s1 , ..., Sm = sm ] = 1
a (1 )m a
d
0

1
" %$ #
1
1
B(2 + a, m + 2 a) 1+a (1 )m a d
0 B(2 + a, m + 2 a)
= 1
1
B(1 + a, m + 1 a) a (1 )m a d
B(1 + a, m + 1 a)
$0 #" %
1

B(2 + a, m + 2 a)
=
B(1 + a, m + 1 a)

(a + 1)!(m + 1 a)!(m + 1)!

=
(a)!(m a)!(m + 3)!

(a + 1)(m + 1 a)
=
(m + 3)(m + 2)
5.2. ENFOQUE BAYESIANO DE LA TEORIA DE LA CREDIBILIDAD 43
m m

si + 1 m+1 si
i=1 i=1
= .
(m + 3)(m + 2)

Observacion 5.2.9. Cuando E[Si |] = , la esperanza a posteriori E(|S1 , ..., Sm ) es conocida
como la prima de credibilidad pues representa una estimacion para E(S) = tomando en cuenta el
historial de las reclamaciones S1 , ..., Sm .
Proposicion 5.2.10 (Modelo Poisson-Gamma). Supongamos que las variables S1 , ..., Sm tiene dis-
tribucion P oisson() y que tiene distribucion a priori Gamma( , 1/), entonces:
1. La distribucion posterior es Gamma(ms + , 1/(m + )).
m
2. La prima de credibilidad es pc = zs + (1 z) donde z = .
m+

Proposicion 5.2.11 (Modelo Normal-Normal). Supongamos que las variables S1 , ..., Sm tiene dis-
tribucion N ormal(, 2 ) y que tiene distribucion a priori N ormal(, 2 ), entonces:
1
2 + m 2 s 1 m
1. La distribucion posterior es N ormal , + 2 .
2 + m 2 2

m 2
2. La prima de credibilidad es pc = zs + (1 z) donde z = .
2 + m 2

Observacion 5.2.12.
1. El factor z es conocido como factor de credibilidad.
2. En los modelos de las proposiciones 5.2.10 y 5.2.11, la prima de credibilidad tiene la forma
de la prima de credibilidad parcial, es decir, Pc = z S + (1 z)M . Mas aun, M = E[] en la
proposicion 5.2.10 y M = E[] en la proposicion 5.2.11.
3. El factor de credibilidad tiene un comportamiento monotono creciente cuando m es grande.
Definicion 5.2.13. La distribucion predictiva es la distribucion de probabilidad condicional de una
observacion nueva S dado los datos anteriores S; y sera denotada por f (s|;s).
S|S

Teorema 5.2.14. La distribucion posterior y la distribucion predictiva pueden ser calculadas por
las siguientes relaciones:
fS| s|) ()
(;
1. (|;
|S s) = .
fS| s|) ()d
(;


2. fS|S (s|;s) = fS| (s|) (|;
|S s)d.

Demostracion:
1. Para la distribucion posterior tenemos que

fS,
(;
s, )
(|;
|S s) =
fS (;s)

fS| s|) ()
(;
=
fS| s|) ()d
(;

44 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

2. Para la distribucion predictiva tenemos que

fS,S
(;s, s)
fS|S (s|;s) =
fS (;s)

fS,S,
(;s, s, )d

=
fS (;s)

fS,S|
(;s, s|) ()d

=
fS (;s)

fS| s|)fS| (s|) ()d
(;

=
fS (;s)

fS| (s|)fS| s|) ()

(;
= d
fS (;s)

= fS| (s|) (|;
|S s)d.

Observacion 5.2.15. En el caso de la distribucion posterior, cuando podemos completar la integral

del denominador a una funcion de densidad, entonces la distribucion posterior tendra la misma
densidad que la que hemos completado.

Cuando se desea pronosticar, el valor esperado de la distribucion predictiva es de interes e inclu-

sive podemos pensar que dicho valor esperado propociona una estimacion puntual de la m+1 esima
observacion dado que se tienen las primeras m observaciones y la distribucion a priori como se indica
en la siguiente proposicion.

; es el valor esperado de una nueva observacion dado

Definicion 5.2.16. La prima Bayesiana E[S|S]
el historial de las observaciones.

Proposicion 5.2.17. La prima Bayesiana puede ser determinada a partir del valor esperado de una
observacion dado el parametro y la distribucion posterior mediante la relacion

; =
E[S|S] E[S|] (|;
s)d ;
= E[E[S|]|S].
|S

Demostracion: Tenemos que

5.2. ENFOQUE BAYESIANO DE LA TEORIA DE LA CREDIBILIDAD 45

;
E[S|S] = sfS|S (s|;s)ds

= s fS| (s|) (|;
|S s)d ds

= sfS| (s|) (|;
|S s)dds

= sfS| (s|) (|;
|S s)dsd

= (|;
|S s) sfS| (s|)ds d

= E[S|] (|;
|S s)d.
0

5.2.1. Funciones de Perdida

Definicion 5.2.18. Sea una estimacion de (). La funcion de perdida denotada por l(,
) es
la funcion real valuada que cumple:
) 0 para todas las posibles estimaciones
1. l(, y todos los posibles valores de en el
espacio parametral.
) = 0 para
2. l(, = ().

Ejemplo 5.2.19. Algunas funciones de perdida para el caso () = son:

) = (
1. l(, )2 .
) = |
2. l(, |.


) = 0, =
3. l(,
=
A,

) = ()|
4. l(, |r con () 0 y r > 0.

Las funciones de perdida que consideraremos son Perdida Error Cuadrado (1), Perdida Absoluta
(2), Perdida Cero-Uno (3) cuando A = 1.

Definicion 5.2.20. El estimador de Bayes para una funcion de perdida es aquel que minimiza la
perdida esperada dada la distribucion posterior del parametro en cuestion.

Observacion 5.2.21. El estimador de Bayes depende de la funcion de perdida l y la distribucion a

priori.

El siguiente resultado lo utilizaremos aunque la demostracion sea omitida.

Teorema 5.2.22. El estimador de Bayes para:

1. La funcion perdida error cuadrado, es la media de la distribucion posterior.

2. La funcion perdida absoluta, es la mediana de la distribucion posterior.

3. La funcion perdida cero-uno, es la moda de la distribucion posterior.

46 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

Ejemplo 5.2.23. Determine los estimadores de Bayes del ejercicio 3 para las funciones de perdida

1. Error cuadrado.

2. Absoluta.

3. Cero-uno.

Solucion: De acuerdo a la solucion del ejercicio veremos que la funcion posteriori es

11 e-4.801121
(|;
|S s) = 1 ,
(12)( 4.801121 )12
; = ;s se distribuye Gamma(12,
es decir, |S 1
4.801121 ). Por lo tanto:

1. El estimador de Bayes para la funcion perdida error cuadrado es la media de la distribucion

; = ;s] = 12
posterior, es decir, E[|S = 2.4994163.
4.801121
2. El estimador de Bayes para la funcion perdida absoluta es la mediana de la distribucion
1
posterior, es decir, aquel valor tal que P ( < ) = , equivalentemente1 ,
2

11 e-4.801121 1
1 12
d = .
0 (12)( 4.801121 ) 2

3. El estimador de Bayes para la funcion perdida cero-uno es la moda, es decir, el dato que tiene
mayor probabilidad, por lo que buscaremos el maximo de la funcion de densidad posterior:

0 =
|S
(|;s)

4.80112111 e-4.801121 + 1110 e-4.801121

= 1
11!( 4.801121 )12

= 2.291132.
de donde

5.2.2. Otras aplicaciones

Recordemos que lo que estamos tratando de estimar es el valor esperado de una nueva observacion
Sm+1 . Hemos visto que una forma de poder realizar esto es utilizar la media hipotetica o prima
individual E[Sm+1 | = ] si conocieramos el valor de . En caso contrario, podemos utilizar la
prima pura o colectiva, es decir, E[Sm+1 ] = E[E[Sm+1 |]]. Si tenemos el historial de datos, podemos
; Debido a que
utilizar la media de la distribucion predictiva (prima Bayesiana), es decir E[Sm+1 |S].
en la mayora de las veces desconocemos el valor de , es recomendable utilizar la media de la
distribucion predictiva.
El metodo Bayesiano tambien puede ser utilizado para determinar el numero esperado de recla-
maciones que tendra un grupo asegurado como mostraremos en el siguiente ejemplo.

Ejemplo 5.2.24. Supongamos que el numero de reclamaciones Nj en el ano j para un grupo de

asegurados con parametro de riesgo desconocido y mj individuos en el grupo con j = 1, ..., n
se distribuye P oisson(mj ) donde se distribuye Gamma( , ). Determine el numero esperado
Bayesiano de reclamaciones para asegurar los mn+1 individuos del ano n + 1.
1 En muchas ocasiones, el valor de la mediana se deja indicado pues requiere de metodos numericos para encontrar

la solucion.
5.2. ENFOQUE BAYESIANO DE LA TEORIA DE LA CREDIBILIDAD 47

Solucion: Notemos que en la realidad, desconoceremos el numero de asegurados mn+1 , por lo que
sera un error considerar que Nm+1 | = tiene distribucion P oisson(mn+1 ). En cambio, lo que
podemos hacer es considerar un numero promedio de reclamaciones por asegurado.
Nj
Definamos Xj = como el numero promedio de reclamaciones por asegurado en el ano j.
mj
Consideremos 2 enfoques: La prima pura y la media de la distribucion predictiva.
1. Para el caso de la prima pura tenemos que

E[Xj ] = E[E[Xj | = ]]

Nj
= E E | =
mj

1
= E E[Nj | = ]
mj

1
= E mj
mj

= E[]

Por lo que el numero esperado de reclamaciones para el siguiente ano cuando se aseguren mn+1
personas es mn+1 .
2. Para el caso de la media de la distribucion predictiva tenemos que

Nj
fXj | (xj |) = P (Xj = xj | = ) = P = xj | = = P (Nj = mj xj | = ).
mj

Luego, la distribucion posterior esta dada por

n

(|;
x) fXj | (xj |) ()
|X
j=1

0 1
n n
B
1+ mj xj @ 1
+ mj C
A

j=1 e j=1

1
n n
; se distribuye Gamma
Por lo que se concluye que |X + mj xj , 1
+ mj .
j=1 j=1

Por la proposicion 5.2.17 tenemos que

; = ;x]
E[Xn+1 |X = E[Xj |] (|;
x)d
|X
0

= ;
E[|X]

1
n n
= + mj xj 1
+ mj .
j=1 j=1
48 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

Por lo tanto, el numero esperado de reclamaciones para las mn+1 personas que se aseguraran
1
n n
el siguiente ano sera mn+1 + mj xj 1
+ mj .
j=1 j=1

n n
1
Observacion 5.2.25. Si en el ejemplo anterior definimos m = mj y x = mj xj entonces
j=1
m j=1
1
n n
; = ;x]
E[Xn+1 |X = + mj xj 1
+ mj
j=1 j=1

1
1
= ( + mx) +m



= ( + mx)
1 + m

m 1
= x +
1 + m 1 + m

= z x + (1 z)E[]
m
donde z = , lo que tiene la forma de la prima de credibilidad.
1 + m

5.3. Ecuaciones Normales

En esta seccion nos enfocamos primeramente2 a estimar E[Sm+1 |], que denotamos por m+1 (),
; = (S1 , ..., Sm ).
mediante una funcion lineal del historial de datos S

De esta manera, nos restringimos a estimadores de la forma

m
0+ j Sj
j=1

donde 0 , 1 , ..., m son constantes que se requieren escoger de alguna forma. Para este fin, escogemos
las s de tal forma que minimicen la funcion perdida error cuadrado, esto es
m
2
Q = E{[m+1 () 0 j Sj ] } (5.3)
j=1

y la esperanza se calcula sobre la distribucion conjunta de S1 , ..., Sm y .

Denotemos por 0 , 1 , ..., m los valores de 0, 1 , ..., m que minimizan la ecuacion anterior.

Para minimizar Q tomemos derivadas e igualemos a cero. De esta forma:

m
Q
= E{2[m+1 () 0 j Sj ]( 1)}
0 j=1

m
Q
= E{2[m+1 () 0 j Sj ]( Si )}
i j=1

2 Despues y Sm+1 .
veremos que tambien se estimara E[Sm+1 |S]
5.3. ECUACIONES NORMALES 49

para i = 1, ..., m.
Q
Por lo tanto, tenemos m + 1 ecuaciones = 0 para i = 0, 1, ..., m.
i
Por otro lado tenemos que E[Sm+1 ] = E[E[Sm+1 |]] = E[m+1 ()] y como Sm+1 | y Si | son
independientes se cumple

E[m+1 ()Si ] = E[E[Si m+1 ()|]]

= E[m+1 ()E[Si |]]
= E[E[Sm+1 |]E[Si |]]
= E[E[Sm+1 Si |]]
= E[Sm+1 Si ]

Q
As, la ecuacion = 0 implica la ecuacion de sesgadez3
0
m
E[Sm+1 ] = 0 + j E[Sj ] (5.4)
j=1

Q
y las ecuaciones = 0 para i = 1, ..., m implican
i
m
E[Sm+1 Si ] = 0 E[Si ] + j E[Sj Si ] (5.5)
j=1

Si multiplicamos la ecuacion (5.4) por E[Si ] y se lo restamos a la ecuacion (5.5) obtenemos para
m
i = 1, ..., m E[Sm+1 Si ] E[Sm+1 ]E[Si ] = j (E[Sj Si ] E[Si ]E[Sj ]) es decir,
j=1
m
Cov(Sm+1 , Si ) = j Cov(Si , Sj ) (5.6)
j=1

En resumen tenemos las siguientes ecuaciones conocidas como ecuaciones normales

m
E[Sm+1 ] = 0 + j E[Sj ]
j=1
m
Cov(Sm+1 , S1 ) = j Cov(S1 , Sj )
j=1
..
.
m
Cov(Sm+1 , Sm ) = j Cov(Sm , Sj )
j=1

Dichas ecuaciones se pueden resolver para 0 , 1 , ..., m y de esta manera obtener la prima de
credibilidad
m
0 + j Sj
j=1

que tambien tendra la forma z S + (1 z) para alguna .

Proposicion 5.3.1. Los valores de 0 , 1 , ..., m estimados para minimizar la funcion perdida error
cuadrado tambien minimizan
m
;
a) Q = E{[E[Sm+1 |S] 0 j Sj ]
2
}
j=1

m
X
3 Se llama Ecuacion de Sesgadez porque el estimador 0 + j Sj se pide insesgado para E[Sm+1 ]
j=1
50 CAPITULO 5. TEORIA DE LA CREDIBILIDAD
m
2
b) Q = E{[Sm+1 0 j Sj ] }
j=1

m
Corolario 5.3.2. La prima de credibilidad 0 + j Sj es el mejor estimador lineal de:
j=1

a) La media hipotetica E[Sm+1 |].

;
b) La prima Bayesiana E[Sm+1 |S].
c) Sm+1 .
Antes de comenzar a desarrollar los modelos recordaremos 2 resultados que seran importantes
para el calculo.
Proposicion 5.3.3. Sea S una variable aleatoria tal que E[|S|] < , entonces
E[E[S|]] = E[S].

Proposicion 5.3.4. Sea S una variable aleatoria tal que E[S 2 ] < , entonces
V ar(S) = E[V ar(S|)] + V ar(E[S|]).

5.3.1. Modelo de Buhlmann

El primero y mas simple de los modelos supone que las reclamaciones pasadas S1 , ..., Sm con-
dicionadas a tienen la misma media y varianza y son independientes e identicamente distri-
buidas. Por lo que definimos la media hipotetica () = E[Sj | = ] y el proceso de varianza
() = V ar(Sj | = ).
Definamos tambien = E[()], = E[()] y a = V ar[()]. Entonces, las proposiciones
5.3.3 y 5.3.4 implican las igualdades
E[Sj ] = y V ar[Sj ] = + a.
Finalmente, para i = j tenemos que
Cov(Si , Sj ) = E[Si Sj ] E[Si ]E[Sj ]
= E[E[Si Sj |]] E[E[Si |]]E[E[Sj |]]
= E[E[Si |]E[Sj |]] E 2 [E[Si |]]
= E[(())2 ] E 2 [()]
= V ar(())
= a.
a
Entonces por el ejercicio 16 con parametros , 2 = + a y = tenemos que la prima de
+a
credibilidad es
m
0 + j Sj = z S + (1 z)
j=1

m E[V ar(Sj |)]

donde z = yk= = .
m+k a V ar[E(Sj |)]
El factor z es conocido como factor de credibilidad de Buhlmann.
Observacion 5.3.5.
1. Si m , entonces z 1 y la prima de credibilidad sera S.
5.3. ECUACIONES NORMALES 51

2. Si V ar[E[S|]] 0, entonces k lo que implica que z 0 y la prima de credibilidad

sera .
Ejemplo 5.3.6. Consideremos el ejercicio 4 para calcular k y z.
Solucion: La esperanza esta dada por
E[Xi ] = 0(0.65) + 1(0.225) + 2(0.125) = 0.475.
Tambien E[Xi2 ] = 02 (0.65) + 12 (0.225) + 22 (0.125) = 0.725 lo que implica que V ar[Xi ] = 0.725
(0.475)2 = 0.499375.
Por otro lado

1(0.3) + 2(0.2) = 0.7, =0
E[Xi | = ] =
1(0.2) + 2(0.1) = 0.4, =1

Luego
a = V ar[E(Xi |)]
= E[E 2 [Xi |]] E 2 [E[Xi |]]
= (E 2 [Xi | = 0] (0) + E 2 [Xi | = 1] (1)) E 2 [Xi ]
= ((0.7)2 (0.25) + (0.4)2 (0.75)) (0.475)2
= 0.016875
y como V ar[Xi ] = a + tenemos que = V ar[Xi ] a = 0.499375 0.016875 = 0.4825.
Por lo tanto
0.4825 m 2
k= = = 28.5925 y z = = = 0.06537.
a 0.016875 m+k 2 + 28.5925

5.3.2. Modelo Buhlmann-Straub

El modelo de Buhlmann presentado anteriormente no permite variaciones en el tamano del riesgo
pues la varianza es constante para todas las variables. Sin embargo, no siempre se cumple dicho
supuesto. EL modelo de Buhlmann-Straub permite variaciones en el tamano, es decir, la varianza
no es constante para cada variable Sj .
Supongamos que S1 , ..., Sm son independientes condicionalmente a con media comun () =
()
E[Si | = ] y varianzas V ar(Sj | = ) = donde mj es una constante conocida para cada
mj
j = 1, ..., m.
Definamos de nuevo, = E[()], = E[()] y a = V ar[()] para encontrar la prima de
credibilidad de la forma
m
0 + j Sj .
j=1

Entonces debemos resolver el sistema de las ecuaciones normales.

Primero notemos que para i = j se cumple que
Cov(Si , Sj ) = E[Si Sj ] E[Si ]E[Sj ]
= E[E[Si Sj |]] E[E[Si |]]E[E[Sj |]]
= E[E[Si |]E[Sj |]] E 2 [E[Si |]]
= E[(())2 ] E 2 [()]
= V ar(())
= a.
52 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

Tambien se tiene que

V ar(Sj ) = ar(Sj |)] + V ar[E[Sj ]]

E[V
()
= E + V ar[()]
mj

= + a.
mj

y que E[Sm+1 ] = E[E[Sm+1 ]] = E[()]. Por lo tanto, la primera ecuacion normal es

m
E[Sm+1 ] = 0 + j E[Sj ]
j=1
m
= 0 + j
j=1

m m
la cual mediante despejes implica 0 = j = 1 j , luego
j=1 j=1

m
0
j = 1 i . (5.7)

j=i

Por otro lado las ecuaciones normales para i = 1, ..., m son

m
Cov(Sm+1 , Si ) = j Cov(Si , Sj )
j=1
m

a = j a + i +a .
mi
j=i

Sustituyendo la ultima igualdad en la ecuacion 5.7 implica las siguientes ecuaciones

0
a = a 1 i + i +a
mi

0 i
a = a 1 +
mi

a 0 i
=
mi

mi a 0
Por lo tanto i = para i = 1, ..., m. Sustituyendo en la ecuacion 5.7 obtenemos que

m m
a 0
0 = 1 mj . Si definimos m = mj entonces
j=1 j=1

mi a
0 = , i = .
+ am + am

Finalmente la prima de credibilidad es

5.4. EJERCICIOS 53
m
Pc = 0 + j Sj
j=1

m
mj a
= + Sj
+ am j=1 + am
m
ma j=1 mj Sj
= + m
+ am + am j=1 Sj

ma
= + S
+ am + am

= z S + (1 z)
m
j=1 mj S j ma
donde S = m yz= .
j=1 Sj + ma

5.4. Ejercicios
1. Para un contratante particular, la prima natural es igual a $600 por ano. La experiencia de
las reclamaciones pasadas en los ultimos tres anos es $475, $550 y $400, respectivamente.
Determine si credibilidad completa o parcial es adecuada y determine la prima neta para las
reclamaciones del siguiente ano suponiendo distribucion normal. Use r = 0.05 y p = 0.9.

2. Para la credibilidad completa, la prima S se aproxima a E(S) con probabilidad alta. Con-
siderando la prima de credibilidad parcial Pc con M = E(S) y suponiendo que S tiene una
distribucion aproximada normal, demuestra que:

a) P (|S E(S)| kz E(S)) p.

z 2 u2(1+p)/2 V ar(S)
b) m = si se quiere tener credibilidad completa para Pc .
k 2 E 2 (S)

E(S) k m
c) z = mn ,1 .
V ar(S) u(1+p)/2

3. Las siguientes cantidades en miles de pesos fueron pagadas sobre ciertas polizas: 125, 132,
141, 107, 133, 319, 126, 104, 223 y 145. Las reclamaciones individuales tienen distribucion
P areto(100, ) con desconocido. La distribucion a priori de es Gamma(2, 1). Determina
las distribuciones:

a) A priori.
b) Modelo.
c) Posteriori.
d ) Predictiva.

4. En una cartera de autos se tienen dos tipos de conductores: buenos y malos, representados por
la variable aleatoria . Los conductores buenos ( = 1) representan el 75 % de la poblacion,
mientras que los conductores malos ( = 0), el 25 % restante. Ademas, el numero de reclama-
ciones X de los dos tipos de conductores y sus probabilidades de ocurrencia se encuentran en
las siguientes tablas:
54 CAPITULO 5. TEORIA DE LA CREDIBILIDAD

Tipo A Tipo B
No. Reclamaciones Probabilidad No. Reclamaciones Probabilidad
0 0.7 0 0.5
1 0.2 1 0.3
2 0.1 2 0.2

Determinar:
a) La funcion de densidad de la variable X.
b) La distribucion posterior |X1 =0,X2 =1 .
c) La distribucion predictiva fX3 |X1 =0,X2 =1 .
d ) E[X3 |X1 = 0, X2 = 1].
e) E[X3 ].
5. Supongase que el monto de reclamaciones Si | tiene distribucion exponencial(1/) donde
se distribuye Gamma(4, 0.001). Si S1 = 100, S2 = 950 y S3 = 450, determina la distribucion
predicitiva fS4 |S(s s) .
4 |

6. Sean S1 , ..., Sm una muestra aleatoria con distribucion Bernoulli(p). Supongase que la distri-
bucion
napriori de p es Beta( , ). Calcule el estimador posterior de Bayes. (Hint: Puede usar
Y = i=1 Si .)
7. Demuestre la proposicion 5.2.10.
8. Demuestre la proposicion 5.2.11.
9. Sean S1 , ..., Sm una muestra aleatoria de una densidad normal con media y varianza 2 .
Supongase que se distribuye normal con media y varianza 2 . Demuestre que
2 2 /m
a) E[|s] = s + .
2 + ( 2 /m) 2 + ( 2 /m)
2 2 /m
b) V ar(|s) = .
2 + ( 2 /m)
10. Sean S1 , ..., Sm una muestra aleatoria de una densidad exponencial(1/). Supongase que se
distribuye Gamma( , 1/). Demuestre que

; = ;s] = m 1
E[Sm+1 |S s +
m+ 1 m+ 1 1

11. El vector de datos S ; indica los montos de las reclamaciones de los ultimos 20 perodos. Al
grupo de asegurados se le asigna un parametro de riesgo , el cual se supone que sigue una
distribucion Gamma(2, 0.0002). Supongase ademas, que el monto de una reclamacion sigue
una distribucion exponencial de parametro 1/.

432.86 402.39 8,000.70 3,154.43 7,381.71

34,721.03 7,888.19 670.64 331.57 5,086.11
939.25 870.99 1,278.71 916.53 1,615.60
4,660.44 5,174.05 884.51 6,561.24 5,077.45

a) Determina la prima Bayesiana. Prefiere esta prima o la media muestral?

b) El monto de una nueva reclamacion fue de $3,108.81. De acuerdo a esta informacion cree
que fue acertada la decision tomada en a)? Explique su respuesta

12. Considere el modelo de la proposicion 5.2.10 donde S1 denota el numero de reclamaciones en

un ano de una poliza. Determinar:
5.4. EJERCICIOS 55

a) La distribucion predictiva fS|S1 (s|s1 ) e identifcala.

b) El estimador de Bayes para la funcion perdida error cuadrado.
13. Proporcione todos los detalles para el calculo de la media predictiva del ejemplo 5.2.24.
14. Considere los supuestos de la observacion 5.2.25 donde N1 , ..., Nn son identicamente distribui-
das y mj = 1 para j = 1, ..., n. Demuestre que

; = z x + (1
E[Xn+1 |X] z)E[]
n
n 1
donde z = 1
y x = xj .
n+ n j=1

15. Demuestra la proposicion 5.3.1.

16. Si E[Si ] = , V ar(Si ) = 2 y Cov(Si , Sj ) = 2 para i = j donde es el coeficiente de
m
correlacion que satisface 1< < 1, demuestre que la prima de credibilidad 0 + j Sj
j=1
esta dada por

z S + (1 z)

m
1 m
donde S = Sj y z = .
m j=1
m +1

17. Supongase que Sj | = P oisson() para j = 1, ..., m son variables aleatorias independientes
con Gamma( , ). Calcule la prima de credibilidad de B uhlmann.
18. Sean S1 , ..., Sm una muestra aleatoria con distribucion exponencial(1/). Supongamos que
se distribuye Gamma( , 1/).
a) Calcule la prima de credibilidad de B uhlmann.
;
b) Calcule la prima de credibilidad de B uhlmann usando S = S1 + + Sm en vez de S.
c) Existe alguna relacion matematica entre la prima de a) y la prima de b)? Por que crees
que se cumple esta relacion?
d ) Compare los factores de credibilidad de B uhlmann de los incisos a) y b).
19. Suponga que en el ano j existen Nj reclamaciones de mj polizas para j = 1, ..., n con mj
constante. El numero de reclamaciones de una poliza tiene distribucion P oisson() donde
se distribute Gamma( , ). Determine mediante las ecuaciones normales, el numero esperado
de reclamaciones si existen mn+1 el siguiente ano y expreselo en la forma z S + (1 Z)E[].
(Hint: Considere el modelo de Buhlmann.)
20. Sean S1 , ..., Sm independientes condicionalmente a con media comun () = E[Sj | = ]
()
y varianzas V ar(Sj | = ) = () + donde mj es una constante conocida para cada
mj
j = 1, ..., m. Si = E[ ()], = E[()], = E[S] y a = Cov(Si , Sj ) para i = j, demuestre
que la prima de credibilidad tiene la forma

Pc = z S + (1 z)
m m
am mj 1 mj S j
donde z = , m = y S = . Que sucede con z cuando
1 + am j=1
mj + m j=1
mj +
mj ?
56 CAPITULO 5. TEORIA DE LA CREDIBILIDAD
m
b
21. Considera los supuestos del ejercicio 20 y definamos V ar[()] = a + donde n = mj .
n j=1
Determine la prima de credibilidad.
22. Supongase que S1 , ..., Sm son independientes (condicionalmente en ) y que

E[Sj |] = j (), V ar[Sj |] = j () + j ().

Sean = E[()], = E[()], j = E[j ()], a = V ar[()].

a) Demuestre que
E[Sj ] = j , V ar(Sj ) = j + j + j2 a, Cov(Si , Sj ) = i j a, i = j.
b) Resuelva las ecuaciones normales para 0 , 1 , ..., m para demostrar que la prima de
credibilidad satisface
m
0 + j Sj = (1 z)E[Sm+1 ] + zm+1 S
j=1

donde
j2
nj = , j = 1, ..., m
j + j
n = n 1 + + nm
an
z =
1m+ an
nj Sj
S = .
j=1
n j

23. Supongase que existen dos tipos de asegurados: A y B. Se sabe que dos terceras partes del
total de numero de asegurados son del tipo A y una tercera parte, del tipo B. Para cada tipo,
la informacion del numero de reclamaciones anual y severidad esta dada por

Tipo A Media Varianza Tipo B Media Varianza

No. de Reclamaciones 0.2 0.2 No. de Reclamaciones 0.7 0.3
Severidad 200 4,000 Severidad 100 1,500

Un asegurado tiene una cantidad total reclamada de $500 en los ultimos cuatro anos. Determine
el factor de credibilidad z y la prima de credibilidad para el siguiente ano de este asegurado.