Beruflich Dokumente
Kultur Dokumente
Teora de la Credibilidad
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).
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
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.
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
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)
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.
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
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.
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.
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
()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
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)
$0 #" %
1
B(2 + a, m + 1 a)
=
B(1 + a, m + 1 a)
a+1
=
m+2
m
1+ si
i=1
= .
m+2
1
1+a (1 )m+1 a
d
0
E[ ()|S1 = s1 , ..., Sm = sm ] = 1
a (1 )m a
d
0
1
" %$ #
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 + 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
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)
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
= 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
) = ()|
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.
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.
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)
= 2.291132.
de donde
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
(|;
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
= ;
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
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
Denotemos por 0 , 1 , ..., m los valores de 0, 1 , ..., m que minimizan la ecuacion anterior.
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
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
Dichas ecuaciones se pueden resolver para 0 , 1 , ..., m y de esta manera obtener la prima de
credibilidad
m
0 + j Sj
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
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|]).
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
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
m
Cov(Sm+1 , Si ) = j Cov(Si , Sj )
j=1
m
a = j a + i +a .
mi
j=i
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
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:
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/.
; = z x + (1
E[Xn+1 |X] z)E[]
n
n 1
donde z = 1
y x = xj .
n+ n j=1
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
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
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.