CUADERNOS

DE LA FUNDACIN C / 219

Teora de cpulas.
Introduccin
y aplicaciones
a Solvencia II

Luis Latorre Llorns

 rea de Seguro y Previsin Social

Teora de cpulas
Introduccin y aplicaciones
a Solvencia II

Luis Latorre Llorns

10%

cuaderno_219_cap 1.indd 1 22/6/17 8:39

Fundacin MAPFRE no se hace responsable
del contenido de esta obra, ni el hecho de publicarla implica
conformidad o identificacin con la opinin
del autor o autores.
Cualquier forma de reproduccin, distribucin,
comunicacin pblica o transformacin de esta obra
solo puede ser realizada con la autorizacin de sus
titulares, salvo excepcin prevista en la ley.

2017, Fundacin MAPFRE

Paseo de Recoletos, 23
28004 Madrid (Espaa)

www.fundacionmapfre.org

ISBN: 978-84-9844-647-0
Depsito Legal: M-18220-2017
Maquetacin y produccin editorial: Cyan, Proyectos Editoriales, S.A.
A M Carmen, Mnica y Noemi
Luis Latorre Llorns es doctor en Ciencias Econmicas, Actuario de seguros y licen-
ciado en Derecho. En 1970 ingres en el cuerpo de Inspeccin de Seguros del
Ministerio de Hacienda y en 1980 en el de Inspectores de Finanzas del Estado. Ha
desempeado los cargos de Subdirector General de Inspeccin y Director del
Gabinete de Estudios y Relaciones Internacionales de la Direccin General de
Seguros y Fondos de Pensiones. Ha sido tambin ponente decano en el Tribunal
Econmico Administrativo Central, en donde prest servicios hasta su jubilacin, en
el ao 2007.

Durante varios aos fue profesor en la Escuela de Hacienda Pblica y en la Facultad

de Ciencias del Seguro (Universidad Pontificia de Salamanca) en donde imparti ma-
terias de carcter actuarial.
PRESENTACIN

Desde 1975 Fundacin MAPFRE desarrolla actividades de inters general para

la sociedad en distintos mbitos profesionales y culturales, as como acciones
destinadas a la mejora de las condiciones econmicas y sociales de las perso-
nas y de los sectores menos favorecidos de la sociedad.

Desde el rea de Seguro y Previsin Social trabajamos con el objetivo de promo-

ver y difundir el conocimiento y la cultura del seguro y la previsin social.

En cuanto a las actividades orientadas hacia la sociedad en general, creamos

contenidos gratuitos y universales en materia de seguros que divulgamos a tra-
vs de la pgina web Seguros y Pensiones para Todos. Organizamos actividades
educativas y de sensibilizacin mediante cursos de formacin para el profesora-
do, talleres para escolares y visitas gratuitas para grupos al Museo del Seguro.
Asimismo publicamos guas divulgativas para dar a conocer aspectos bsicos
del seguro.

Adems de esta labor divulgativa, apoyamos la investigacin mediante la elabo-

racin de informes sobre mercados aseguradores y otros temas de inters, la
concesin de ayudas para la investigacin en seguros y previsin social, la publi-
cacin de libros y cuadernos de temtica aseguradora y la organizacin de jor-
nadas y seminarios. Nuestro compromiso con el conocimiento se materializa en
un Centro de Documentacin especializado que da soporte a todas nuestras ac-
tividades y que est abierto al pblico en general.

Dentro de estas actividades se encuadra la publicacin del cuaderno de la

Fundacin n 219 Teora de cpulas. Introduccin y aplicaciones a Solvencia II que
con mltiples ejemplos y de manera muy didctica nos muestra de forma prc-
tica el problema de la dependencia de los riesgos para las entidades asegurado-
ras a travs de la teora de cpulas.
Todas nuestras actividades se encuentran en internet disponibles y accesibles, para
usuarios de todo el mundo de una manera rpida y eficaz a travs de nuestra pgina
web: www.fundacionmapfre.org

Seguro y Previsin Social

Fundacin MAPFRE
PRLOGO

Constituye para m una gran satisfaccin tener la oportunidad de prologar esta nue-
va obra de Luis Latorre. Lo es por la personalidad del autor y lo es tambin por la
posibilidad de conocer el resultado de un anlisis en profundidad en una materia del
mayor inters en el anlisis de riesgos.

Luis Latorre, inspector de Seguros del Estado e inspector de Hacienda del Estado,
ocup cargos de relevancia en la Direccin General de Seguros en una poca difcil
de cambios para el sector asegurador. Aunque profesionalmente orient su activi-
dad hacia otros mbitos de la funcin pblica, hemos tenido siempre la oportunidad
de contar con su anlisis riguroso y reflexivo -caractersticas ambas tan definidoras
de su personalidad- en una gran diversidad de asuntos en el mbito actuarial y de
los seguros en general.

El autor, con la perspectiva de una extensa experiencia, una impecable formacin y un

gran sentido crtico se adentra con su habitual capacidad pedaggica en la teora de
cpulas y su aplicacin prctica a la gestin de riesgos en el mbito de Solvencia II.

El nuevo rgimen de Solvencia de las entidades aseguradoras y reaseguradoras

establece exigencias de capital en funcin del nivel de riesgo que asuma cada enti-
dad. Se estima la solvencia de la entidad con un determinado grado de probabilidad.
Las entidades deben valorar, en el clculo del capital de solvencia, varios riesgos
distintos realizando una agregacin.

Para describir el comportamiento de varias variables, la teora de cpulas aparece

como una alternativa eficaz a los coeficientes de correlacin empleados en la fr-
mula estndar, siendo capaz de medir la dependencia en cada tramo. En concreto,
permite una mejora en el anlisis y el estudio de dependencia de los riesgos. Las
entidades que elaboren sus propios modelos internos en la evaluacin de su solven-
cia podrn aplicar las cpulas si los consideran los instrumentos adecuados de
acuerdo a su perfil especfico de riesgo.
En esta obra el autor expone de forma clara y prctica, con multitud de ejemplos, la
gran utilidad de las cpulas en el anlisis de los riesgos en el sector asegurador.

Desde la Direccin General de Seguros y Fondos de Pensiones le trasladamos

nuestro agradecimiento por seguir contribuyendo al desarrollo de las aplicaciones
de estadstica y la matemtica actuarial a la gestin aseguradora. Trabajos tan va-
liosos como este, ofrecen muchas posibilidades de desarrollo en la aplicacin prc-
tica del negocio asegurador.

Hago extensivo el agradecimiento a la Fundacin Mapfre que colabora permanente-

mente para que se reconozca al sector asegurador el servicio que presta a la socie-
dad y a la economa en su conjunto.

Sergio lvarez Camia

Director General de Seguros y Fondos de Pensiones
AGRADECIMIENTOS

Son varias las personas que me han ayudado en la redaccin de este trabajo, ya sea
dndome tiles orientaciones, ya manifestando su buena disposicin a colaborar en
mi propsito de una forma u otra. ste ha sido el caso de los profesores Jos Antonio
Gil Fana, Antonio Heras Martnez (ambos de la Facultad de Ciencias Econmicas y
Empresariales de la Universidad Complutense de Madrid) y Mara Victoria Rivas
Lpez (profesora del Centro Universitario Villanueva, adscrito a dicha universidad) as
como tambin de Lorenzo Esteban Jdar, Carlos Montalvo Rebuelta y Daniel Prez
Ortiz, los tres inspectores de la Direccin General de Seguros y Fondos de Pensiones
que en aquellas fechas prestaban servicios en EIOPA (European Insurance and
Occupational Pensions Authority). Agradezco profundamente a todos ellos su actitud
generosa.

He recibido otras ayudas que, de forma concreta, sirvieron para allanar obstculos,
corregir errores en el texto o, en general, mejorarlo. Aqu debo citar a Guillermo
Ayala Gallego (profesor del Departamento de Estadstica e Investigacin Operativa de
la Universidad de Valencia) que tuvo la amabilidad de leer el borrador y cuyas obser-
vaciones sobre el mismo fueron muy tiles para m. Enrique Llorns Fuster (profesor
del Departamento de Anlisis Matemtico de la misma universidad) no slo me asis-
ti en la resolucin de ciertas cuestiones matemticas sino que, adems, me puso en
contacto con el profesor Ayala. Por su parte, Jos Luis Llorns Fuster (profesor de la
Universidad Politcnica de Valencia) me hizo valiosas sugerencias sobre la presenta-
cin del texto, lo que me permiti suplir, al menos en gran parte, mi torpeza al res-
pecto. Jos Luis Vilar Zann (profesor de la Facultad de Ciencias Econmicas y
Empresariales de la Universidad Complutense de Madrid) tuvo asimismo la paciencia
de leer el trabajo y sus valiosas observaciones contribuirn a mejorar su claridad.

Es tambin de justicia citar aqu a Juan Aldaz Isanta, compaero de la Direccin

General de Seguros y gran amigo. Sin sus innumerables orientaciones y consejos a lo
largo de muchos aos de amistad y trabajo en equipo, es muy probable que la semilla
de mi aficin al estudio hubiera cado en terreno baldo.
Manifiesto tambin mi gratitud a Fundacin MAPFRE por haber accedido a la publi-
cacin de este trabajo y especialmente a Mara Jos Albert Prez, a Mercedes Sanz
Septin y a Ana Sojo Gil, quienes, con su proverbial competencia profesional y ama-
bilidad, tanto me han ayudado para que aqul salga a la luz.
NDICE

INTRODUCCIN 23

1. Cpulas y mercados financieros 23

2. Cpulas y sector asegurador 26

3. Propsito y estructura de este trabajo 37

4. Notacin utilizada y referencias en el texto 40

I. LA DEPENDENCIA ENTRE RIESGOS 43

1. Dependencia y correlacin 43

2. Distribuciones esfricas 51

3. Distribuciones elpticas 53

4. Otras medidas de dependencia: coeficientes de Spearman

y de Kendall 60

II. CPULAS 65

1. Algunas ideas intuitivas sobre las cpulas 65

2. Definicin de cpula. Propiedades de las cpulas 73

3. Cpulas y dependencia 82

4. Cpulas arquimedianas 93
 La cpula de Gumbel 96

La cpula de Clayton 97

La cpula de Frank 98

5. Por qu se llaman arquimedianas? 99

6. Una importante propiedad de las cpulas arquimedianas 101

7. Funciones copulativas y distribuciones multivariantes 113

8. Cpulas de supervivencia 117

9. Ejemplos de construccin de cpulas 124

10. Cpulas de valores extremos 136

III. NMEROS Y CPULAS 141

1. La cpula emprica 141

2. Ajuste de cpulas 144

3. Simulacin de cpulas 152

Cpula gaussiana. Factorizacin de Cholesky 153

Cpula t 156

Procedimiento general 158

Cpula de Marshall-Olkin 162

IV. OTRAS CUESTIONES SOBRE CPULAS. EJEMPLOS 163

1. Cpulas mixtas y su aplicacin prctica 163

2. Regresin mediana 169

3. Cpulas arquimedianas multivariantes 172

4. Ejemplos de clculo del VaR 176

A) Dos riesgos 176

B) Tres riesgos 179

5. Determinacin del VaR: Coeficientes de correlacin y cpulas. Examen

de la aproximacin lognormal de Solvencia II (no-vida) 188

Ejemplo 1: t de Student bivariante 189

Ejemplo 2: t de Student bivariante (modificada) 192

Ejemplo 3: Distribucin normal bivariante 194

Ejemplo 4: Cpula de Gumbel con mrgenes lognormales 196

V. APLICACIN DE LAS CPULAS AL CLCULO DEL CAPITAL DE SOLVENCIA

EXIGIDO A LAS EMPRESAS ASEGURADORAS POR SOLVENCIA II.
ESTUDIO DE UN EJEMPLO NUMRICO 199

1. Descripcin de las normas ms relevantes 199

Clasificacin del negocio asegurador 206

Riesgo de prima y de reserva 207

 Los riesgos de cada de cartera y de catstrofe 209

Capital para el sub-mdulo de prima y de reserva 209

2. Datos utilizados y limitaciones de nuestro estudio 210

3. Estructura de dependencia de los datos 214

4. Las distribuciones marginales empricas 214

5. La cpula emprica 216

6. Ajuste de modelos de cpula por procedimientos grficos 220

Cpula de Gumbel 221

Cpula de Clayton 222

Cpula de Frank 223

Cpula gaussiana 225

Cpula t 227

7. Los grficos cuantil-cuantil (qq) 229

8. La medida de Frees y Valdez 230

9. La funcin de verosimilitud 231

10. Modelos para las distribuciones marginales 232

11. Medidas de riesgo para una cartera de seguros compuesta

por riesgos X o por riesgos Y 237
 12. Clculo del Capital de Solvencia de una cartera compuesta
por riesgos X e Y, segn el mtodo de las correlaciones establecido en
Solvencia II 238

13. Clculo del Capital de Solvencia de una cartera compuesta

por riesgos X e Y, con aplicacin de las cpulas 239

a) Mtodo de la simulacin de Montecarlo 240

b) Mtodo del ajuste de una funcin de distribucin a n simulaciones

de la suma X+Y 241

c) Mtodo del clculo directo 245

14. Las correlaciones en la cola de la distribucin 249

REFERENCIAS BIBLIOGRFICAS 251

BIBLIOGRAFA ADICIONAL 255

NDICE ALFABTICO 259

NDICE DE FIGURAS

Figura 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Figura 1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Figura 1.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Figura 1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 1.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Figura 1.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Figura 2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 2.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Figura 2.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Figura 2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Figura 2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Figura 2.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Figura 2.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Figura 2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Figura 2.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Figura 2.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Figura 2.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Figura 2.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Figura 2.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Figura 2.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Figura 2.16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Figura 2.17 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Figura 2.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Figura 2.19 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Figura 2.20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Figura 2.21 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Figura 2.22 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Figura 2.23 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Figura 2.24 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Figura 2.25 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Figura 2.26 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Figura 2.27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Figura 2.28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Figura 2.29 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Figura 2.30 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Figura 2.31 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Figura 2.32 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
Figura 3.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Figura 3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Figura 3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Figura 3.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Figura 4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Figura 4.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Figura 4.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Figura 4.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Figura 4.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Figura 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Figura 4.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Figura 4.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Figura 4.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
Figura 4.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Figura 4.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
Figura 5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Figura 5.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Figura 5.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
Figura 5.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
Figura 5.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
Figura 5.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Figura 5.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Figura 5.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
Figura 5.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
Figura 5.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
Figura 5.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Figura 5.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
Figura 5.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
Figura 5.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Figura 5.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Figura 5.16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Figura 5.17 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
Figura 5.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Figura 5.19 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
NDICE DE CUADROS

Cuadro 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Cuadro 2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Cuadro 3.1a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Cuadro 3.1b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Cuadro 3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Cuadro 3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
Cuadro 4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Cuadro 4.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Cuadro 4.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Cuadro 4.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Cuadro 4.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Cuadro 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Cuadro 4.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Cuadro 4.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Cuadro 4.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Cuadro 4.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
Cuadro 4.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
Cuadro 4.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
Cuadro 4.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
Cuadro 4.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Cuadro 4.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
Cuadro 4.16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
Cuadro 4.17 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Cuadro 4.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Cuadro 4.19 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Cuadro 5.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
Cuadro 5.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
Cuadro 5.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
Cuadro 5.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
Cuadro 5.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Cuadro 5.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Cuadro 5.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
Cuadro 5.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
Cuadro 5.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Cuadro 5.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Cuadro 5.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
Cuadro 5.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
Cuadro 5.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
Cuadro 5.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Cuadro 5.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
Cuadro 5.16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Cuadro 5.17 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
NDICE DE EXPRESIONES

(1.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
(1.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
(1.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
(1.4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
(1.5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
(1.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
(2.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
(2.2a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
(2.2b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
(2.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
(2.4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
(2.5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
(2.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
(2.7) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
(2.8) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
(2.9) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
(2.10) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
(2.11) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
(2.12a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
(2.12b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
(2.13) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
(2.14) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
(2.15) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
(2.16) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
(2.17) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
(2.18) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
(2.19) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
(2.20) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
(2.21) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
(2.22) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
(2.23) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
(2.24) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
(2.25) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
(2.26) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
(2.27) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
(2.28) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
(2.28a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
(2.28b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
(2.29) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
(2.30) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
(2.31) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
(2.32) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
(2.33) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
(2.34) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
(3.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
(3.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
(3.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
(4.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
(4.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
(4.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
(4.4a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
(4.4a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
(4.5a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
(4.5b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
(4.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
(5.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
(5.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
(5.3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
(5.4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
(5.4a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
(5.4b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
(5.5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
(5.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
(5.7) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
INTRODUCCIN

1. CPULAS Y MERCADOS FINANCIEROS

En septiembre de 1999 David X. Li public en Nueva York el artculo On Default

Correlation: A Copula Function Approach. Este trabajo, de carcter acadmico,
aport a su autor tal notoriedad que, pocos aos despus, llev a un columnista
del Financial Times a afirmar que Li haba sido el actuario ms influyente del
mundo. El 23 de febrero de 2009 se publicaba, en la revista norteamericana
Wired, el artculo Recipe for Disaster: the formula that killed Wall Street, cuyo au-
tor (F. Salmon) deca que, tras la enorme fama y prestigio alcanzados por David Li,
las cosas haban cambiado hasta el punto de que poda sentirse agradecido por
seguir teniendo un puesto de trabajo en el mundo de las finanzas, cuando slo un
ao y medio antes nadie se hubiera extraado de que ganara el premio Nobel.
Quin es este matemtico?

David X. Li naci en una zona rural de China1 en donde vivi hasta iniciar sus estu-
dios de Economa en la prestigiosa Universidad de Nankai. En 1987 y tras apren-
der francs en cuatro meses viaj a Canad y obtuvo un MBA en la Universidad de
Quebec, un mster en matemtica actuarial y un doctorado en estadstica en la de
Waterloo (Ontario). En 1997 empez a trabajar en el Canadian Imperial Bank of
Commerce y tres aos ms tarde se traslad a Nueva York. All prest sus servi-
cios en la unidad de Riskmetrics de J.P. Morgan y public el famoso artculo ya
mencionado. En este trabajo aplicaba la cpula gaussiana a la valoracin de los
CDOs (Collaterized Debt Obligations); en primer lugar, basaba el clculo de las
probabilidades de insolvencia de los diversos activos en el valor de mercado de su
correspondiente spread o prima de riesgo, teniendo en cuenta tambin la pro-
porcin de recobro sobre la inversin total, en caso de insolvencia. Obtenida la
probabilidad de insolvencia durante un ao, deduca el tanto instantneo corres-
pondiente y con l la funcin de densidad de la variable expresiva del tiempo

Datos biogrficos obtenidos de Wikipedia.

1

23
hasta la insolvencia del activo en cuestin (supervivencia). Aceptaba la distribu-
cin exponencial como modelo para dicha variable. Pero, como dice Embrechts
(2009), al contrario de lo que ocurre con la normal o la t multivariante, no existe una
funcin de distribucin estndar exponencial d-dimensional. Para obtener una fun-
cin de distribucin multivariante cuyos mrgenes fueran exponenciales, utiliz la
cpula Gauss2. Este modelo meta-gaussiano contina diciendo P. Embrechts
se hizo enormemente popular y caus problemas porque el mercado crey dema-
siado en l. Se lleg a decir que la cpula gaussiana es el peor invento para la
gestin del riesgo de crdito que ha habido nunca.

En agosto de 2004 Moodys incorpor la cpula gaussiana a sus mtodos para va-
lorar CDOs3. Dice Sam Jones que los bancos ya no necesitaban mantener los ries-
gos, sino que, al ser capaces de evaluarlos mediante complejas matemticas, po-
dan empaquetarlos y comercializarlos como cualquier otra inversin. En lugar
de ir cobrando los intereses y las amortizaciones de un prstamo hipotecario, los
bancos los agrupaban y troceaban, clasificando cada tramo segn su calificacin
crediticia y transfiriendo los productos a entidades especiales que, a su vez, emi-
tan bonos para obtener efectivo. La facilidad de liquidar estos activos pudo incen-
tivar la realizacin de ms operaciones cuyos crditos subyacentes tuvieran una
insuficiente calidad. As, en el ao 2000 el total de CDOs emitidos era de unos
70.000 millones de dlares, mientras que hacia 2006-2007 la cifra alcanz los
500.000 millones por ao. En 2010 descenda a slo 10.000 millones.4

A qu se debe la asombrosa evolucin del prestigio profesional de Li y los acon-

tecimientos que en el mundo financiero sobrevinieron en funcin de aquellos vai-
venes? Las crticas dirigidas a este actuario y a su idea de aplicar las cpulas a las
finanzas no son del todo justas, porque los acontecimientos ocurridos obedecie-
ron a circunstancias que no le son del todo imputables. Es verdad que la frmula
ideada por Li cuantifica la interrelacin de riesgos con base en los coeficientes de
correlacin lineal, pero esa prctica ya vena siguindose, como el autor reconoce
en el artculo que le dio fama. Y tambin ha de aceptarse que el mtodo propuesto

http://cyrusfarivar.com/docs/li.defaultcorrelation.pdf
2

Sam Jones, artculo publicado en Financial Times.

3

E. Forslund y D. Johansson: Gaussian Copulas. What happens when models fail?. Noviembre 2012.
4

24
por Li fue utilizado en muchos casos por quienes no lo entendan del todo y que
probablemente no slo se us, sino que se abus de l5 al considerarlo como una
frmula para medir los riesgos y su dependencia, sin preocuparse de si el modelo
y los datos introducidos eran o no adecuados a la realidad circundante.

Al desprestigio del mtodo de Li pudo contribuir, en efecto, la inadecuacin de los

parmetros aplicados en la frmula, parmetros que estaban basados en una ex-
periencia positiva y alcista en los mercados. El semanario The Economist public
un artculo el 29 de abril de 2009 titulado In defense of the gaussian copula, en
que se argumentaba que las limitaciones de todo modelo deben tenerse muy pre-
sentes y que es necesario controlar la adecuacin de los parmetros, cuya validez
temporal puede ser breve.

Probablemente la mayor crtica que cabe hacer se refiere a la utilizacin del mo-
delo gaussiano y, con l, de la correlacin lineal para medir la dependencia
entre riesgos, sin que ello fuera correcto en este caso por las caractersticas y
comportamiento de tales riesgos. En agosto de 1999 P. Embrechts, A. McNeil y D.
Straumann haban ya publicado un importante artculo significativamente titulado
Correlation and Dependence in Risk Management: Properties and Pitfalls; gran
parte de este trabajo se dedicaba a estudiar en qu condiciones la correlacin es
una medida de la dependencia y a advertir del peligro de extender el uso de aquel
concepto ms all del mbito de las distribuciones elpticas. Ms recientemente,
en enero de 2010, C. Donnelly y P. Embrechts han publicado el artculo The Devil
is in the tails: actuarial mathematics and the subprime mortgage crisis. Se trata de
un trabajo en que analizan la cuestin, describen el modelo de Li y concluyen que
la cpula gaussiana, al carecer de la dependencia en colas6 no es capaz de re-
flejar el fenmeno de la mayor dependencia entre insolvencias en situaciones de
crisis, como lo son otros modelos de cpula.

El concepto estadstico de cpula aparece en 1959, cuando A. Sklar formul su

clebre teorema, que afirma que toda distribucin multivariante puede expresar-
se en trminos de cpulas y que, recprocamente, a partir de una cpula puede

5
Confessions of a Risk Manager, The Economist, 7 de agosto de 2008.
6
Nos ocuparemos de este concepto en el Captulo II, 3.

25
construirse una funcin de distribucin multivariante. Es un concepto muy til en
muchas situaciones en que interese modelizar la dependencia entre variables
aleatorias y construir una gran variedad de funciones de distribucin multivarian-
tes. No tiene nada de extrao que encuentre muchas aplicaciones en el mbito de
las finanzas, la gerencia de riesgos y el seguro.

Pero, qu son las cpulas? En el Captulo II se responde a esta pregunta y por el

momento nos conformamos con anticipar que son expresiones matemticas de la
dependencia entre dos o ms variables aleatorias; las cpulas contienen toda la
informacin relativa a la dependencia entre esas variables, pero nada dicen acer-
ca de su comportamiento marginal. Segn veremos en dicho Captulo, cualquier
funcin de distribucin multivariante regula dos cuestiones: a) Cmo se distribu-
yen las variables aleatorias aisladamente consideradas, es decir, cul es su dis-
tribucin marginal, y b) Qu relacin de dependencia existe entre las mismas. Si,
simblicamente, imaginramos la informacin contenida en una distribucin
multivariante como la suma de los anteriores apartados a) ms b), entonces po-
dramos despejar (tambin simblicamente) el b), que sera la cpula. Y conoci-
da sta, sera posible aadirle las mismas distribuciones marginales para llegar
a la funcin multivariante original, o bien a otra distinta si las marginales aadi-
das tambin fueran distintas. Partiendo, pues, de una misma cpula obtenemos
tantas funciones de distribucin como conjuntos distintos de distribuciones mar-
ginales le vayamos aplicando. Estas funciones de distribucin, elaboradas conec-
tando la cpula con las marginales, se llaman meta-distribuciones.

2. CPULAS Y SECTOR ASEGURADOR

La teora de cpulas encuentra mltiples aplicaciones en el campo actuarial. La

dependencia entre riesgos es all objeto de una atencin creciente. Antes, la ma-
temtica del seguro tomaba como indiscutible la hiptesis de independencia entre
los diversos riesgos relevantes. As, en el seguro de vida, se aceptaba la indepen-
dencia entre las probabilidades de supervivencia de los integrantes de un grupo
de personas, an cuando sus componentes vivieran en unas mismas condiciones
determinantes de su estado de salud o estuvieran vinculadas por lazos familiares
o afectivos que pudieran suponer una dependencia entre la duracin de la vida de

26
unos y otros. Las cpulas ofrecen la posibilidad de tener en cuenta las posibles
dependencias entre tales riesgos.

En los seguros distintos al de vida, es clara la posible aplicacin de las cpulas; pen-
semos, por ejemplo, en contratos que cubran riesgos dependientes entre s, o en la
posibilidad de acontecimientos que afecten simultneamente a varias plizas.

A la hora de calcular las condiciones econmicas que garanticen la solvencia del

asegurador, es tambin evidente la utilidad de estos modelos de dependencia
para tener en cuenta la relacin que pueda existir entre unos riesgos cubiertos en
las plizas emitidas y otros, o entre alguno de stos y los riesgos de similar natu-
raleza aceptados en reaseguro, por ejemplo.

Pero desde poca relativamente reciente se est produciendo un fenmeno que

puede traer un creciente uso de las cpulas en el campo actuarial. Se trata de que
los sistemas de solvencia para entidades aseguradoras que van implantndose en
las legislaciones, incorporan la caracterstica de pretender estar basados en el
verdadero y total nivel de riesgo que afecta a cada entidad. Con ello se quiere que
cada asegurador evale el riesgo a que est sometido por medio de un anlisis de
los varios orgenes posibles de hechos desfavorables para su economa y, en fun-
cin del resultado de este clculo, determine qu recursos financieros requerir
para ser solvente con un cierto grado de probabilidad. Otra consecuencia deseada
de este nuevo enfoque es alcanzar un mayor equilibrio en las condiciones de con-
currencia de las empresas de seguros, al discriminar las exigencias para la sol-
vencia de cada una segn la verdadera importancia de los riesgos a que est so-
metida: A ms riesgo (lo que, por ejemplo, puede suponer ms rentabilidad de sus
inversiones y primas ms baratas), ms capital de solvencia. El problema plantea-
do por esta concepcin de los sistemas de solvencia est en cmo sumar, o agre-
gar, los capitales exigidos por cada uno de los riesgos considerados. Si, en un hi-
pottico sistema, los riesgos considerados fueran tres (riesgo de suscripcin, de
crdito y de inversiones, por ejemplo) y una vez evaluados los capitales necesarios
para afrontar cada uno de ellos con un grado de probabilidad suficientemente alto
considerado cada riesgo aislada o independientemente de los dems fueran,
por ejemplo, de 200, 50 y 100 unidades monetarias, cul ser el capital para
afrontar el conjunto de los tres? La respuesta est en funcin del grado de

27
dependencia entre estos riesgos. Si fueran perfectamente dependientes, de ma-
nera que variasen todos al unsono, entonces se ve intuitivamente que el capital
total tendra que ser la suma 200 + 50 + 100 unidades monetarias. Pero, fuera de
este supuesto tan poco realista, la respuesta a aquella pregunta ya no es tan in-
mediata y dependera de la forma en que esos tres riesgos se comportan conjun-
tamente. Y aqu es donde las cpulas podran constituir un interesante instrumen-
to de anlisis.

Desde principios de los aos 1990, la National Association of Insurance Commissioners

(NAIC) de los Estados Unidos puso en marcha un sistema (expresivamente llama-
do Risk Based Capital RBC, es decir, capital basado en el nivel de riesgo de cada
asegurador) para regular los requisitos que han de reunir los aseguradores con el
fin de alcanzar un cierto grado de solidez financiera. El sistema participa de las
caractersticas a que nos venimos refiriendo, al incorporar en el clculo del capi-
tal de solvencia varios riesgos distintos y hacerlos intervenir de diferente manera,
segn la dependencia o independencia de cada uno respecto de los restantes. As,
una vez determinados los capitales necesarios para cada riesgo, se agregan todos
para llegar al capital total, pero esa agregacin es una suma simple cuando se
considera que hay total dependencia, mientras que otras veces se acepta la inde-
pendencia entre unos y otros riesgos y aqulla se lleva a cabo mediante la raz
cuadrada de una suma de cuadrados.

A principios de los aos 2000 Suiza implant el sistema conocido como SST (Swiss
Solvency Test), tambin encaminado a exigir de cada asegurador el nivel de capi-
tales de solvencia que exija la medida de los riesgos a que est sometido. Dicho
sistema de solvencia, as como el de Basilea establecido para la Banca, influy
fuertemente en la normativa de la Comunidad Europea conocida como Solvencia
II, para diferenciarlo del sistema que lo ha venido precediendo durante muchos
aos. Este primitivo sistema no pretenda fundarse en la totalidad de los riesgos
que afectan al asegurador, sino slo en los cubiertos por las plizas; no se plan-
teaba problema alguno de dependencia entre varios riesgos (separaba los riesgos
de los seguros de vida y los distintos al de vida). El nuevo sistema de Solvencia II,
por el contrario, trata de cubrir varios tipos de riesgos de los que afectan a las
empresas de seguros (operacional, suscripcin de seguros distintos del seguro de
vida, suscripcin del seguro de vida, suscripcin del seguro de enfermedad,

28
riesgo de mercado y riesgo de incumplimiento de la contraparte o riesgo de cr-
dito). A su vez, y a travs de la estructura modular a la que nos referiremos en el
Captulo V, cada uno de stos se divide en otros, todo lo cual plantea el problema
de cmo agregarlos hasta llegar al capital total o Capital de Solvencia Obligatorio,
conocido tambin por las siglas CSO o SCR, estas ltimas del ingls Solvency
Capital Requirement. Cmo se hace esta agregacin? En el modelo estndar
que establece Solvencia II, se logra mediante los coeficientes de correlacin de
cada par de riesgos del mismo nivel y mdulo (o sub-mdulo); en la mayora de los
casos se supone que las variables aleatorias representativas de cada riesgo se
distribuyen normalmente con media nula y la varianza que el propio sistema apor-
ta; otras veces se recurre igualmente a dichas correlaciones, las cuales permiten
determinar la desviacin tpica de la variable suma de varios riesgos, y se adopta
el modelo logartmico-normal, lo que conduce al capital correspondiente a dicha
suma. Es decir, que Solvencia II no es excepcin a la regla de que los sistemas de
solvencia basados en varios riesgos exigen analizar la dependencia entre ellos. El
sistema resuelve la cuestin con los coeficientes de correlacin lineal como ins-
trumento para medir la dependencia. Como veremos en el Captulo I, tal proceder
es correcto slo en el mbito de las distribuciones elpticas, lo que apunta a la
teora de cpulas como eficaz alternativa para modelizarlos. En efecto, el coefi-
ciente de correlacin mide el grado de dependencia lineal de una distribucin a lo
largo de todo su rango; pero esta dependencia puede ser mucho mayor en una
zona de la distribucin que en el resto. En la prctica, encontramos en ocasiones
variables o riesgos cuya dependencia es dbil o nula en condiciones normales,
mientras que, bajo situaciones extremas (por ejemplo, una crisis econmica o sa-
nitaria, una catstrofe natural, etctera) la correlacin es considerable. Un ejem-
plo es la grfica siguiente, en la que cabe distinguir, a simple vista, un ncleo in-
tegrado por la mayora de los valores, que no aparentan correlacin alguna; pero,
en la zona positiva extrema de ambas variables (para valores de cada una superio-
res a 4, aproximadamente), el comportamiento conjunto es claramente distinto, al
mostrar una correlacin positiva considerable. Si calculamos el coeficiente de co-
rrelacin separadamente para ambas zonas, tendramos que, en la primera, ste
es prcticamente nulo, mientras que en la segunda es, aproximadamente, 0,9. La
correlacin del conjunto de todos estos puntos sera 0,08. Observemos que la co-
rrelacin alta se da precisamente en la cola de la distribucin, es decir, en la
zona en que tanto X como Y toman valores elevados, que en muchas aplicaciones

29
es la ms relevante. Este ejemplo manifiesta dos cosas: primera, el peligro de
utilizar el coeficiente de correlacin en ciertos casos y la segunda, que una posible
solucin para evitarlo es ajustar dicho coeficiente, es decir, elevarlo para que
refleje la dependencia lineal en la zona extrema, ms que en el conjunto. Conviene
que nos detengamos brevemente en esta cuestin.

En un informe de la Asociacin Actuarial Internacional fechado en 2004, se defien-

de el uso de las cpulas en sistemas de solvencia basados en una pluralidad de
riesgos.7 Mientras el coeficiente de correlacin sea lineal, por rangos, etcte-
ra al consistir en un solo nmero, es inadecuado para describir el comporta-
miento conjunto de dos variables a lo largo de sus rangos de variacin salvo que
aqul sea uniforme la cpula es una funcin y por tanto resulta verstil y capaz
de medir la dependencia en cada tramo. Segn se concluye en un informe del
Group Consultatif Actuariel Europen8 las cpulas tienen la ventaja de reconocer
dependencias cambiantes en la cola de la distribucin y de ah que la Asociacin

7
A Global Framework for Insurer Solvency Assessment. Research Report of the Insurer Solvency
Assessment Working Party.
Diversification. Technical Paper, 31 de octubre de 2005.
8

30
Actuarial Internacional proponga su uso como el mtodo tericamente correcto
para calcular los efectos de la diversificacin; (dichos efectos aadimos aqu
estn en funcin de la dependencia existente entre los riesgos en juego: a mayor
dependencia, menor ser la atenuacin que sobre el riesgo total genere la agru-
pacin de todos y recprocamente; de ah que medir los efectos de la diversifica-
cin exija conocer la dependencia entre las variables o riesgos intervinientes).
Ahora bien, en dicho informe se reconocen las dificultades de clculo que las c-
pulas pueden plantear y se ofrece como alternativa a las mismas la utilizacin de
una matriz de correlaciones ajustada, es decir, modificada para que refleje las
correlaciones entre las variables en la cola de la distribucin. El problema que
plantea esta alternativa es cmo cuantificar estos coeficientes de correlacin li-
neal en la cola. Los datos de que habitualmente se dispone en esa zona de las
distribuciones suelen ser escasos, insuficientes para estimar los coeficientes y la
nica solucin viable consiste en determinarlos acudiendo al buen juicio y expe-
riencia. Es frecuente graduar las correlaciones en la cola en valores que sean
mltiplos de un cierto valor, por ejemplo 0,25, para llegar as a la gama de valores
0, 0,25, 0,50, 0,75 y 1, segn se califique la correlacin de nula, escasa, apreciable-
moderada, alta y total. sta es la solucin adoptada en la normativa de Solvencia
II referente al llamado modelo estndar; no se recurre en l a las cpulas, sino
que se opta quiz por el principio de proporcionalidad9 por la solucin de apli-
car coeficientes de correlacin en la cola de las distribuciones.

El mismo sistema Solvencia II admite la posibilidad de que las empresas elaboren

sus propios modelos internos para determinar las condiciones que garanticen su
solvencia y, por tanto, puedan aplicar las cpulas si consideran que estos instru-
mentos resultan ms adecuados que el empleo de dichas correlaciones. Y es que,
en efecto, estos modelos estadsticos pueden desempear un papel importante
en el campo actuarial; examinaremos unos pocos ejemplos que ponen de mani-
fiesto la creciente atencin que vienen mereciendo por parte de los estudiosos,
conscientes de la utilidad de las cpulas en el sector asegurador.

9
Segn el prembulo de la Directiva 2009/138/CE del Parlamento Europeo y del Consejo, de 25 de
Noviembre de 2009 (Directiva de Solvencia II), el principio de proporcionalidad consiste en no impo-
ner requisitos que puedan resultar demasiado gravosos para las pequeas o medianas empresas
de seguros.

31
Quiz uno de los trabajos ms frecuentemente citados en materia de teora de
cpulas sea el artculo de Frees y Valdez Understanding Relationships Using
Copulas. Los autores muestran cmo el planteamiento de diversas situaciones
propias del seguro de vida conduce a diversos tipos de cpulas. Desarrollan un
ejemplo numrico para estudiar la dependencia que en el seguro de responsabi-
lidad civil se da entre el importe de la indemnizacin y el de los gastos generados
por la liquidacin de las prestaciones (Allocated loss adjustment expense o ALAE).
Se trata de un ejercicio basado en datos reales, obtenidos del Insurance Services
Office, Inc. Una vez elegida la cpula y distribuciones marginales que mejor se
ajustan a los datos utilizados, se aportan dos ejemplos de cmo puede aprove-
charse el conocimiento de la funcin de distribucin bivariante que resulta de
aqullas. Uno, es la tarificacin de un reaseguro de exceso de prdida con deter-
minadas caractersticas. Y el otro consiste en elaborar varias funciones de regre-
sin cuantlica, que permiten obtener informacin acerca del coste del ALAE para
cada valor de la indemnizacin.

Otro caso es Staudt, (2010), en cuyo artculo Tail Risk, Systemic Risk and Copulas
desarrolla un ejemplo de cmo determinar el tail conditional expectation o expec-
ted shortfall10 al 95 % de una cartera compuesta por 4 lneas o tipos de seguros:
responsabilidad civil general, responsabilidad civil de vehculos comerciales, multi-
rriesgos sobre los bienes comerciales y responsabilidad civil comercial. Aplica dos
tipos de cpulas (gaussiana y t) a una serie de datos consistentes en ratios de si-
niestralidad observados entre 1986 y 2008, recopilados por el Departamento de
Seguros del Estado de Texas.

Un tercer ejemplo que traemos aqu es el de G. Venter. En uno de sus artculos

(Tails of Copulas) utiliza 727 pares de cifras, representativas de daos ocasiona-
dos por huracanes en dos estados colindantes (Maryland y Delaware) con el fin de
obtener un modelo de dependencia entre las siniestralidades que se ocasionan en
uno y otro territorio. Otro artculo de este autor (Quantyfying Correlated Reinsurance

10
Segn se examinar en el Captulo V, ambas denominaciones inglesas significan el valor medio
condicionado a que la variable supere el cuantil prefijado o bien dficit medio. Se refiere al valor
medio de la variable X, condicionado a que X>VaR. Por ejemplo, el VaR al 99 % es el valor que tiene
la propiedad de que X slo lo supera con una probabilidad del 1 %, pero nada informa acerca de la
cuanta aquellos valores de X superiores a dicho VaR. Este inconveniente trata de salvarlo dicho
dficit medio.

32
Exposures Using Copulas) se dedica a estudiar una aplicacin de la cpula t a la
cobertura del riesgo de catstrofes naturales, que pueden originar dependencia
entre los resultados de tres lneas de seguro: daos a las viviendas, daos a ins-
talaciones comerciales y automviles.

Tambin en Espaa el tema de las cpulas ha merecido la atencin de los estudio-

sos del seguro y para mostrarlo citaremos slo algunos ejemplos.

P. Durn y L. A. Otero son autores de la monografa, publicada en 2010, El anlisis

financiero dinmico como herramienta para el desarrollo de modelos internos en
el marco de Solvencia II11. El anlisis financiero dinmico se define como el pro-
ceso consistente en la simulacin de la actividad aseguradora de forma integral,
a travs de la modelizacin estocstica de las variables determinantes de la evo-
lucin de activos y pasivos. Estas variables, numerosas, presentan dependencias
entre s, lo que lleva a los autores a examinar diversos mtodos para generar de-
pendencia entre ellas. Se refieren, en primer lugar, al empleo de la estructura de
cascada12 en que las variables, que estn interrelacionadas, se ordenan o estruc-
turan para establecer lneas de influencia de unas sobre otras a travs de mto-
dos de regresin. Otro procedimiento consiste en aplicar la matriz de correlacio-
nes a los factores de riesgo cuyos valores se simulen, con el fin de lograr
escenarios realistas, en que los distintos aspectos de la empresa aseguradora
presenten dependencias similares a las que se dan en la prctica. En tercer lugar
se refieren los autores al mtodo de Iman y Conover para generar nmeros alea-
torios dependientes entre s. Este mtodo parte de muestras de nmeros aleato-
rios generadas para simular, por ejemplo, dos factores de riesgo, X e Y; en primer
lugar, se simulan cifras correspondientes a ambos factores segn su respectiva
distribucin marginal, sin dependencia alguna entre ellos. Para lograr que pre-
senten el grado de correlacin deseado, se simulan valores de una distribucin
bivariante con el coeficiente de correlacin elegido y a continuacin se ordenan
los valores simulados de X, (de menor a mayor) y de Y, y se asocian de la misma
forma en que aparezcan los pares simulados segn la distribucin bivariante con
el coeficiente de correlacin seleccionado. Con ello, obtenemos pares (X,Y) cuya

Fundacin MAPFRE, Instituto de Ciencias del Seguro. Madrid, 2010.

11

Un ejemplo de este tipo de modelos lo proporciona Wilkie, (1986).

12

33
correlacin por rangos es la misma que la de dicha distribucin bivariante. En
cuarto lugar se aborda el estudio de las cpulas, reconocindose as la utilidad de
estos modelos en el anlisis financiero dinmico.

La Universidad de Barcelona ha publicado, en fechas 2011/13, un trabajo en ingls

titulado A correlation sensitivity analysis of non-life underwriting risk in solvency capi-
tal requirement estimation, cuyos autores (L. Bermdez, A. Ferri y M. Guilln) toman
como punto de partida datos reales, obtenidos en la pgina web de la Direccin
General de Seguros y Fondos de Pensiones (Ministerio de Economa) y correspon-
dientes a todo el mercado espaol de seguros no-vida, durante el perodo 2000-
2009. A partir de estos datos, se trata de determinar el capital de solvencia obliga-
torio (conocido tambin como capital solvency requirement o SCR, segn vimos)
tanto en el modelo estndar establecido en las normas de Solvencia II como en el
interno que se propone y aqu es donde los autores utilizan varios tipos de cpulas.
Este modelo interno consiste, en resumen, en considerar como variable aleatoria el
resultado econmico del siguiente ejercicio en cada lnea de seguro no-vida; dicha
variable es la suma algebraica de cuatro componentes: primas, prestaciones, gas-
tos y otros gastos; a su vez, el importe de cada uno de estos cuatro componentes en
el ejercicio prximo se estima por medio de un modelo de regresin lineal simple.
El paso de los resultados futuros de cada lnea de seguro al resultado global se hace
bajo varias hiptesis en cuanto a la estructura de dependencia de las diversas l-
neas de seguro y su comportamiento marginal. Se consideran como alternativas
para tal estructura la cpula de Gauss y la t con diversos grados de libertad. Para las
distribuciones marginales se admite igualmente la alternativa Gauss - t de Student,
lo que genera 4 posibilidades. El clculo del SCR se refiere al conjunto de las em-
presas aseguradoras no-vida y se lleva a cabo por la va del modelo estndar y por
la del modelo interno. Se comparan los resultados obtenidos con base en la matriz
de correlaciones propuesta por QIS513 con los que genera la hiptesis de indepen-
dencia y de dependencia total. En la t de Student se varan los grados de libertad,
para as comparar tambin los resultados.

En la tesis doctoral de A. Ferri (Universidad de Barcelona, Septiembre de 2012) se

determina el SCR (riesgo de suscripcin no-vida) segn el modelo estndar de

QIS = Quantitative Impact Study.

13

34
Solvencia II con una base de datos similar a la del trabajo anterior, aunque exten-
dida a 2010, bajo diversas hiptesis en cuanto a las matrices de correlacin, mos-
trndose la alta sensibilidad del resultado ante cambios en stas. Definido un
modelo interno basado en la prediccin del resultado de cada lnea de seguro, se
aplican las cpulas de Gauss y de Student con diversos parmetros. Este trabajo
contiene una frmula de credibilidad para los coeficientes de correlacin basada
en la Estadstica bayesiana.

Junto al mercado propiamente asegurador, encontramos en la realidad econmi-

ca nuevas frmulas que permiten aprovechar los enormes volmenes de los mer-
cados de capitales para la cobertura de los riesgos cedidos por los asegurados y
reasegurados. Estas empresas cuentan as con instrumentos alternativos al rea-
seguro clsico para la cobertura de sus riesgos; a cambio de una parte de sus
ingresos por primas, reciben activos que les permitirn obtener una compensa-
cin en caso de que ocurran eventos determinantes de una siniestralidad elevada.
El proceso es paralelo al de securitizacin iniciado en la banca, pero hay impor-
tantes diferencias. As como en sta se trata de reducir los riesgos que afectan al
activo del balance, en el sector asegurador esta securitizacin va encaminada a
cubrir los riesgos del lado pasivo, es decir, de las obligaciones nacidas de opera-
ciones de seguro o de reaseguro aceptado14. Ejemplos de estas vas alternativas
de cesin de riesgos son los Industry loss warranties y los bonos de catstrofes.

La teora de cpulas ha encontrado tambin aplicacin en el planteamiento de los

citados instrumentos de cobertura de riesgos, puesto que las catstrofes naturales
o de otra ndole pueden causar daos a un gran nmero de bienes, lo que puede
provocar la coincidencia de siniestralidades excesivas para el asegurador o rease-
gurador en ms de una lnea de seguro; nuevamente nos encontramos, por tanto,
con riesgos dependientes entre s. La determinacin de la equivalencia financiero-
actuarial de las aludidas operaciones ha suscitado tambin el inters de los actua-
rios en Espaa. As, M.V. Rivas, M.J. Prez y A. Cuesta han publicado dos trabajos,
Aplicacin de la teora de cpulas al clculo de la prima de emisin de los bonos sobre
catstrofes15 y Clculo emprico basado en la teora de cpulas de un Industry Loss

J. De Mey, (2007).
14

M.V. Rivas, M.J. Prez y A. Cuesta (2004).

15

35
Warranty16. Los autores describen estas operaciones, examinan sus clases y sus
efectos. En los bonos de catstrofes (o CAT bonds), el asegurador o reasegurador
que desea proteccin frente al riesgo de catstrofes promueve la emisin de tales
bonos a travs de una entidad especfica (special purpose vehicle); estos ttulos tie-
nen dos ventajas principales para el suscriptor (que, habitualmente, es un fondo de
riesgo o hedge fund, un fondo de pensiones, una entidad aseguradora, etctera): por
una parte, le ofrecen, a cambio del riesgo que incorporan, una rentabilidad mayor
que los bonos convencionales y, por otra, las fluctuaciones en el valor de mercado
de estos bonos de catstrofes guardan muy baja correlacin con la de los restantes
de renta fija, lo que es un incentivo para el inversor que desee diversificar su carte-
ra. En caso de que ocurra la catstrofe a la que el bono est asociado, el inversor
soporta el riesgo en los trminos preestablecidos, bien dejando de percibir el im-
porte de los cupones, bien, adems, con la prdida del derecho a recuperar todo o
parte del principal. En los Industry Loss Warranties, el comprador de esta forma de
transferencia alternativa de riesgos (empresa de seguros o reaseguros que desea
cobertura para el caso de siniestralidad extraordinaria de los tipos de seguro a que
la operacin se refiere) paga una prima al vendedor (que puede ser un hedge
fund o fondo de riesgo, o bien un reasegurador). A cambio, obtiene el derecho a per-
cibir una cantidad de dinero en caso de que ocurra una catstrofe del tipo preesta-
blecido (por ejemplo, huracn, terremoto o cualquier tipo de catstrofe natural, et-
ctera) en el territorio a que la operacin se refiere y dentro del perodo tambin
fijado, que haya ocasionado unos daos totales al sector asegurador superiores a la
cifra establecida (por ejemplo, 20.000 millones de dlares); estos daos se determi-
nan por medio de unos ndices de prdidas (por ejemplo, los elaborados por Property
Claims Services para diversas zonas de los Estados Unidos). Si la catstrofe rene
los requisitos as fijados, el comprador de la garanta tendr derecho a percibir la
suma de dinero establecida en el contrato (por ejemplo, 100 millones de dlares).
En el trabajo sobre los Industry Loss Warranties, los autores se proponen determinar
el importe de la prima de una de estas operaciones, referentes a cobertura de da-
os extraordinarios por catstrofe natural que afecte a dos lneas de seguro (daos
y responsabilidad civil). Ante la dificultad de obtener datos reales, se ha llevado a
cabo una simulacin de las cuantas de los daos. El clculo se hace por medio de
simulaciones, adoptando diversas hiptesis acerca de las distribuciones marginales

M.V. Rivas, M.J. Prez y A. Cuesta (2007).

16

36
(log-normal, Pareto, logstica, paralogstica, exponencial) y de las estructuras de
dependencia. El trabajo contiene una exposicin de la teora de cpulas.

Las cpulas, por tanto, irrumpen en el mundo actuarial como un instrumento que
puede aportar soluciones en muchos casos. Pero ello no significa que carezcan de
inconvenientes. Ya hemos hecho referencia a las dificultades de clculo que pue-
den plantear, pero hay otros. Quiz el principal sea que suele resultar problem-
tico determinar el modelo de cpula ms adecuado para una situacin dada. Los
datos requeridos para el ajuste de cpulas han de ser muy numerosos y no suele
contarse con informacin suficiente. Es raro que un solo asegurador disponga de
experiencia estadstica en forma de varios cientos de observaciones del vector
que interese para el caso (por ejemplo, pares de valores (x, y) significativos de la
siniestralidad observada en dos tipos de seguro) y eso representa una grave difi-
cultad a la hora, por ejemplo, de elaborar un modelo interno de solvencia. Y an si
dispusiera de una larga experiencia, habra que evitar utilizar datos que, por su
antigedad, carecieran de representatividad sobre los fenmenos que pretendie-
ran modelizarse. De ah que sea importante organizar la obtencin de estadsticas
procedentes de un gran nmero de empresas, de forma que sean aptas como ba-
ses de datos para este tipo de trabajos.

3. PROPSITO Y ESTRUCTURA DE ESTE TRABAJO

Los cinco Captulos que siguen contienen una introduccin bsica a las cpulas, re-
dactada con la intencin de lograr claridad en la exposicin y carcter prctico, con
multitud de ejemplos. Va destinada a los actuarios, estudiantes de materias actuaria-
les y, en general a quienes deseen tener una idea de qu son y para qu sirven las
cpulas. Se pretende aportar los conceptos necesarios para que, quien est interesa-
do, pueda profundizar en el estudio con mayor facilidad. Fieles a dicho carcter prc-
tico, incluimos en este trabajo una aplicacin de la teora de cpulas a la determina-
cin del capital de solvencia en un supuesto de seguros de responsabilidad civil,
segn criterios de la normativa de Solvencia II y valindonos de datos reales.

En el Captulo I se trata del concepto de dependencia entre variables aleatorias y

se comienza por estudiar varios ejemplos de cmo el coeficiente de correlacin

37
lineal puede conducir a conclusiones errneas. Se determina en qu mbitos pue-
de utilizarse este coeficiente como medida de la dependencia estadstica, lo que
exige estudiar las distribuciones esfricas y elpticas. Ello se hace mediante un
ejemplo y varias grficas. El Captulo concluye con el examen de otras medidas de
la dependencia, como los coeficientes de Kendall y de Spearman.

El siguiente Captulo podra considerarse como el ncleo de este trabajo, porque

contiene casi toda la teora sobre las cpulas que examinamos, siempre a un nivel
bsico o elemental y con gran nmero de ejemplos numricos. Comienza este
Captulo II con un Epgrafe en que se introduce el concepto de cpula de forma
intuitiva y se presentan dos casos de las llamadas cpulas implcitas, es decir, la
gaussiana y la t, para, a continuacin, entrar en el estudio del concepto de cpula
y de sus propiedades. A la luz de este concepto volvemos a examinar el de depen-
dencia, para poner de manifiesto cmo los coeficientes de correlacin de Kendall
y de Spearman estn en funcin exclusivamente de la cpula y no de las distribu-
ciones marginales, como ocurre con el coeficiente lineal de Pearson, que s de-
pende de dichos mrgenes. Y lo mismo ocurre con el importantsimo concepto de
la dependencia en colas, que viene a continuacin y cuya medida calcularemos
para las cpulas elpticas. Las llamadas cpulas arquimedianas, de tanta trans-
cendencia prctica, se estudian a seguidamente y dentro de ellas veremos los
modelos de Gumbel, de Frank y de Clayton. Nos ha parecido que vala la pena de-
dicar espacio y esfuerzo a la demostracin de la frmula que, en las cpulas ar-
quimedianas, relaciona la funcin de distribucin de la variable C(U,V) con la fun-
cin generador de la cpula17. Al igual que se ha hecho en otras ocasiones, se opta
por incluir la demostracin en lugar de limitarnos a sustituir sta por una referen-
cia bibliogrfica para encontrarla.

El siguiente Epgrafe de este Captulo II describe cmo unir o vincular una cpula
con las funciones de distribucin marginal, para obtener as una funcin de distri-
bucin multivariante. Otra cuestin de inters que examinamos en este Captulo
es la cpula de supervivencia; se explica el concepto, se aportan ejemplos y se
presenta la llamada de cpula HRT, til en aplicaciones actuariales.

Expresin (2.23)
17

38
Al principio de este Captulo II se hace referencia a las cpulas elpticas como
ejemplos de las implcitas; en el Epgrafe 9 se aportan ms casos de cmo obtener
cpulas a partir de distribuciones bivariantes que responden a problemas prcti-
cos. Uno de estos casos es la cpula de Marshall-Olkin, que se examina con cier-
to detenimiento. Finaliza este Captulo con una breve referencia a las cpulas de
valores extremos.

En el Captulo III se abordan varias cuestiones numricas referentes a las c-

pulas, comenzando por la cpula emprica. A continuacin se trata del ajuste
de cpulas a una base de datos, describindose cmo obtener informacin
relevante a partir de la propia cpula emprica; se hace tambin referencia al
mtodo grfico de Genest y Rivest. Aunque este mtodo es propio de las cpu-
las arquimedianas, lo extendemos a otros tipos de cpulas por medio de simu-
laciones estocsticas. Tambin se describe la medida de Frees y Valdez para
valorar el ajuste de un modelo de cpula a la cpula emprica y el coeficiente
acumulativo que describe G. Venter. Por ltimo, se examina el mtodo de la
mxima verosimilitud y el criterio de Akaike para comparar diversos modelos
de cpula.

La simulacin aleatoria de cpulas es tambin materia de este Captulo. Se des-

cribe cmo efectuarla en cada uno de los modelos descritos y se incluyen varios
ejemplos.

El Captulo IV tiene un carcter eminentemente prctico. Comienza con el estudio

de las cpulas mixtas y de la regresin cuantlica, siempre con ejemplos numri-
cos, para seguir con una breve referencia al complicado tema de las cpulas ar-
quimedianas multivariantes. A continuacin se estudian varios ejemplos de clcu-
lo del VaR con dos o tres riesgos; en el primer caso los clculos se efectan
mediante la integracin de las correspondientes funciones de densidad, mientras
que el caso de tres riesgos, el VaR se determina a travs de simulaciones de
Montecarlo. Los resultados numricos de cada supuesto se acompaan de los
obtenidos bajo la hiptesis de distribucin logartmico-normal de la suma o con-
junto de los riesgos considerados. El ltimo Epgrafe de este Captulo se dedica a
la mencionada aproximacin logartmico normal y a estudiar los efectos que pro-
duce en el clculo del VaR en diversos supuestos.

39
El ltimo Captulo, tambin de ndole prctica, se destina a la aplicacin de las
cpulas al clculo del capital de solvencia en el caso concreto de dos lneas de
seguro (responsabilidad civil general y responsabilidad civil de vehculos de mo-
tor), siguiendo los criterios establecidos por la normativa de Solvencia II. Los da-
tos utilizados en este caso han sido obtenidos de unas estadsticas publicadas en
forma de grfico en un documento de CEIOPS;18 no se trata, por tanto, de datos
simulados, sino reales. Tras una exposicin resumida de las normas de Solvencia
II ms relevantes, se desarrolla esta aplicacin prctica paso a paso, siguiendo el
proceso que qued esbozado en Captulos anteriores, es decir, se obtiene la cpu-
la emprica y las distribuciones marginales, a las que se busca un modelo terico.
Se comparan varios modelos de cpula por los mtodos ya enumerados y se de-
termina que la que mejor se ajusta a los datos disponibles es la cpula de Frank.
A partir de ella y de dichos modelos para las distribuciones marginales, se llega a
la distribucin de probabilidades y se determina el VaR y el TailVaR al 99,5% (que
es la probabilidad exigida por la normativa europea). La conclusin obtenida es
una cifra de capital de solvencia inferior a la que resultara de dicha normativa, lo
que pone de manifiesto que en el caso contemplado no queda justificada la eleva-
cin de coeficientes de correlacin para atender a la existente en la cola de las
distribuciones.

4. NOTACIN UTILIZADA Y REFERENCIAS EN EL TEXTO

Las variables aleatorias se designan mediante letras maysculas (salvo casos en

que se acostumbre a designarlas de otra forma, como ocurre con la 2) y los vec-
tores o matrices, sean o no aleatorios, en negrita.

LN significa logaritmo neperiano.

Se utiliza habitualmente la coma para separar enteros de decimales, pero, excep-

cionalmente, se usa el punto; esto ltimo se hace cuando se inserta en el texto el
resultado obtenido de una aplicacin informtica. En dicho supuesto el tipo de
letra, la forma de ciertos smbolos, etctera, puede tambin diferir del utilizado en

Committee of European Insurance and Occupational Pensions Supervisors.

18

40
el texto. Un ejemplo de esto lo encontramos en la Nota a pie de pgina nmero 24.
Con los caracteres insertados en las grficas ocurrir lo mismo.

Los Captulos quedan divididos en Epgrafes numerados. Para citar uno de ellos
se escribe el nmero del Captulo y el del Epgrafe, separados ambos por un pun-
to. As, III.2 es el Epgrafe nmero 2 del Captulo III.

Anlogamente, para identificar los Cuadros se acude tambin a dos nmeros se-
parados por un punto: el primero significa el Captulo en que se encuentra y el
segundo, el nmero de orden dentro del Captulo. Y lo mismo ocurre con las
Figuras. As, la Figura 4.2 es la segunda dentro del Captulo IV.

Se ha procurado que los ejemplos queden destacados del texto general y para lo-
grarlo, cada uno de ellos va encabezado por un ttulo en negrita con el nmero,
segn el mismo sistema que el empleado para las Figuras y la expresin del ob-
jetivo o finalidad del Ejemplo propuesto. Adems, el texto del ejemplo cuenta con
unos mrgenes laterales algo superiores a los generales, para que el lector pueda
determinar fcilmente dnde empieza y dnde termina. Se ha seguido este crite-
rio a lo largo de todo texto salvo en los Epgrafes dedicados a contener ejemplos,
por haberse considerado innecesario; an en estos casos dichos ejemplos quedan
destacados del texto. Tal es el caso del Captulo IV, Epgrafe 4.

Las demostraciones ms largas o dificultosas tambin han quedado destacadas,

tanto con la reduccin de mrgenes en la misma medida que los ejemplos, como
tambin mediante la insercin de

***

Con ello se intenta que salte a la vista la extensin de esas demostraciones, cuyo
seguimiento puede no convenir al lector ms interesado en el resultado que en el
procedimiento para llegar a l.

A las frmulas o expresiones que lo requieran, se asocian dos nmeros entre pa-
rntesis, separados por un punto. Por ejemplo, la expresin (2.5) est en el Captulo
II y es la nmero 5.

41
I. LA DEPENDENCIA ENTRE RIESGOS

1. DEPENDENCIA Y CORRELACIN

En muchas situaciones tiene inters conocer en qu medida el resultado de una

variable estadstica se relaciona con el de otra u otras. Cuando se trata de deter-
minar los fondos propios que un asegurador necesita para lograr un cierto nivel
de solvencia, ser preciso conocer cmo se comportan los diversos riesgos que le
afectan: si, al materializarse o sobrevenir uno de estos riesgos, la probabilidad de
que acaezcan otros resulta o no modificada.

Es frecuente utilizar el coeficiente de correlacin lineal para medir el grado de

dependencia y as se hace en los modelos de Solvencia II para entidades asegura-
doras que la Unin Europea implanta. Tal prctica slo es correcta cuando las
variables aleatorias con las que trabajamos se distribuyan conjuntamente segn
el modelo normal. Para ser ms precisos: slo cuando la distribucin conjunta de
las variables estocsticas sea normal multivariante puede interpretarse como in-
dependencia entre ellas el hecho de que el coeficiente de correlacin sea cero19.
Si X e Y son variables aleatorias con funcin de distribucin F(x,y) y sta coincide
con el modelo normal bivariante con coeficiente de correlacin , si =0, X e Y son
independientes. En el caso de otras distribuciones elpticas20, como la t de Student,
por ejemplo, hay dependencia entre X e Y aunque sea cero, si bien tal dependen-
cia entre ambas est en funcin slo de ese coeficiente.

En efecto, la funcin de densidad conjunta del modelo normal bivariante (0,1) es:

Embrechts, McNeil y Straumann, (2002).

19

Sobre las distribuciones elpticas, vase el Epgrafe 3 de este Captulo. Las distribuciones elpti-
20

cas bivariantes se caracterizan porque los puntos en que la densidad es constante, forman una
elipse. A esta clase pertenecen la distribucin normal y la t de Student con 0.

43
Si hacemos =0 podemos expresar f(x,y) como producto de las densidades margi-
nales de X y de Y, lo que demuestra su independencia.

En cambio, en el caso de la distribucin t bivariante con n grados de libertad la

funcin de densidad conjunta es:

Pues bien, si =0 resulta una funcin que no puede expresarse como producto de
las densidades marginales, faltando as la condicin necesaria y suficiente para la
independencia entre X e Y en este caso.

En este Epgrafe examinaremos cuatro ejemplos que ilustran el error que se co-
mete al utilizar la correlacin para medir la independencia en situaciones inade-
cuadas. En los dos primeros el error proviene de que las distribuciones no son
elpticas, mientras que en los otros dos, las distribuciones son elpticas pero el
coeficiente se utiliza de forma incorrecta.

Ejemplo 1.1: Dos variables perfectamente dependientes cuyo coeficiente

de correlacin lineal es cero

Se trata de un caso frecuentemente citado. Si N es una variable aleatoria nor-

mal (0,1), N2 es perfectamente dependiente de ella: conocido el valor de N,
obtenemos N2. Y sin embargo, el coeficiente de correlacin entre ambas varia-
bles es nulo, como es fcil ver: su covarianza es cero, al anularse los momen-
tos de orden impar en la distribucin normal. Por medio de unas cifras, ilus-
traremos el error al que conducira una indebida aplicacin de la correlacin
en casos como ste. Empecemos por considerar dos variables independien-
tes N1 y N2 en . Llamemos X a N1 e Y a N22 y nos interesa calcular la probabi-
lidad de que la suma X + Y supere cierto lmite s. Si FX y FY son las funciones
de distribucin marginal de X e Y, mientras que fX y fY son las respectivas den-
sidades, dicha probabilidad ser (teniendo en cuenta que Y>0):

44
La funcin de distribucin de Y es:

Admitamos ahora que, adems de independientes, N1 y N2 son normales (0,1).

La funcin de densidad de Y ser:

Por tanto,

Si, por ejemplo, s=6 obtenemos que Prob(X+Y 6) = 0,983 y Prob(X+Y > 6) =
0,017.

Pero qu ocurre si N1 = N2 es decir, cuando X=N1 e Y=N12? Ya hemos dicho que

la correlacin entre ambas es nula, igual que ocurra en el caso que acaba-
mos de examinar, en que por hiptesis X e Y son independientes. Ahora la
probabilidad que nos interesa es, designando por N una variable normal (0,1):

Es decir, que resulta Prob(X+Y>6) = 0,024, un 41% ms alta que la probabili-

dad obtenida en el caso precedente pese a que, en ambos, el coeficiente de
correlacin es nulo.

Ejemplo 1.2: Variables con la misma correlacin lineal y diferente grado de

dependencia

Este caso est sugerido por el que proponen Embrechts, McNeil y Straumann
(2002). Dos distribuciones bivariantes con el mismo coeficiente de correlacin
(en ambos casos, = 0,7) e iguales distribuciones marginales (gamma con
parmetros 3 y 1), presentan distintos grados de dependencia; para mostrar-
lo, representan grficamente 1000 puntos simulados a partir de cada una de

45
 ambas distribuciones de probabilidad; en la primera parte de la grfica slo
unos pocos puntos estn ms all de los lmites x=8, y=8 mientras que en la
segunda los puntos que superan ambos valores que podramos considerar
como umbrales de peligrosidad son muchos ms.

A continuacin haremos un ejercicio similar. En las Figuras 1.1 y 1.2 tenemos

puntos aleatorios 2000 en cada una obtenidos mediante simulacin de
dos distribuciones bivariantes, ambas con =0,6 y mrgenes exponenciales
con media igual a 5. Pero hay diferencias importantes entre ambas. En la
Figura 1.1, slo un par de puntos supera simultneamente el umbral de 25
unidades de abscisa y ordenada, mientras que en la Figura 1.2, son numero-
sos. La segunda distribucin genera, por tanto, ms valores extremos o
peligrosos que la primera, pese a que en ambas =0,6 y a que su comporta-
miento marginal es idntico. Esta mayor peligrosidad se aprecia tambin
observando cmo la suma de ambas variables supera el umbral de 60 unida-
des con mayor frecuencia en la segunda distribucin que en la primera. En
realidad Prob(X+Y>60) es el 1,1 por 1000 en el primer modelo probabilstico y
casi el doble (1,8 por 1000) en el segundo21.

Figura 1.1: Simulacin de 2000 puntos; cpula Gauss y mrgenes exponenciales.

21
La distribucin simulada en la Figura 1.1 tiene como estructura de dependencia la cpula gaus-
siana con =0,666; la de la Figura 1.2, la cpula es Gumbel con parmetro 1,543. En ambas las dis-
tribuciones marginales son exponenciales con media 5.

46
Figura 1.2: Simulacin de 2000 puntos; cpula Gumbel y mrgenes exponenciales.

Hemos de llamar la atencin sobre un hecho importante. Los autores ya citados en

el Ejemplo 1.2 afirman22 que la correlacin y la covarianza son medidas naturales
del grado de dependencia en el mbito de las distribuciones elpticas; una distribu-
cin elptica queda determinada por su matriz de covarianzas23 y por sus distribu-
ciones marginales. Ahora bien, esto no significa que, en la clase de las distribucio-
nes elpticas, no haya de manejarse la correlacin con cuidado, porque tambin en
dicho mbito puede aqulla llevarnos a engaosas apreciaciones del grado de de-
pendencia entre variables aleatorias, segn se ve en el siguiente Ejemplo 1.3.

Ejemplo 1.3: El coeficiente de correlacin lineal puede conducir a

conclusiones engaosas, an dentro del mbito de las distribuciones
elpticas

En cada una de las Figuras 1.3 y 1.4 se representan 2000 puntos simulados de
una distribucin bivariante con correlacin =0,6 y mrgenes con media cero

Embrechts, MCNeil y Straumann (2002).

22

La matriz de covarianzas es semi-definida positiva y simtrica.

23

Si llamamos D a la matriz diagonal coincidente con la diagonal principal de y designamos por P

a la matriz de correlaciones, podemos plantear la siguiente relacin entre y P:
P = D-1/2. . D-1/2.

47
 y varianza igual a 2 en ambos casos. La diferencia est en que, en la Figura 1.3
la distribucin bivariante es la normal, mientras que en la Figura 1.4 los pun-
tos representados proceden de una t de Student con n=4 grados de libertad.
Dentro de la clase de las distribuciones elpticas a que ambas pertenecen, con
un mismo coeficiente de correlacin se originan distribuciones con muy dis-
tinta peligrosidad, como ilustra el distinto nmero de puntos (x, y) tales que
x+y>7 en uno y otro caso.

Figura 1.3: Simulacin de 2000 puntos de una normal bivariante (0, ) con =0,6.

Figura 1.4: Simulacin de 2000 puntos de una t bivariante con =0,6 y n=4 grados de libertad.

48
Ejemplo 1.4: Otro caso de incorrecta aplicacin de la correlacin lineal

Proponemos un supuesto numrico ms que confirma la conclusin del

Ejemplo 1.3, es decir, que el coeficiente de correlacin, an dentro de las dis-
tribuciones elpticas, puede llevar a errores.

Supongamos que un asegurador opera en dos lneas de negocio, A y B. En

ambas la siniestralidad media es 20 y la desviacin tpica es de 2 unidades
monetarias. El coeficiente de correlacin entre las siniestralidades de A y de
B es cero. Dichas siniestralidades se distribuyen conjuntamente segn el
modelo normal. Si sabemos que en el ramo B la siniestralidad va a superar
las 25 unidades, qu podemos decir acerca de que ocurra lo mismo en el
A? Al ser ambos ramos independientes, la informacin de B no es til para
predecir nada acerca de A. La probabilidad de que en ste la siniestralidad
supere las 25 unidades es 0,006 y no depende de lo ocurrido en B.

Caso distinto tenemos cuando la distribucin conjunta de las siniestralida-

des sigue el modelo t de Student. Si suponemos que n=4 (nmero de grados
de libertad), la probabilidad de que la siniestralidad en A supere las 25 uni-
dades monetarias, sabiendo que ello ha ocurrido en B, es 0,0964. Y si no
tuviramos informacin sobre B, o bien en la hiptesis de que considerse-
mos slo la lnea de seguro A, la probabilidad de que en sta la siniestrali-
dad superase el umbral de 25, sera, aproximadamente, 0,0121, es decir,
que en el modelo t, an con =0, las variables A y B son dependientes.

El distinto comportamiento de las variables en uno y otro modelo probabilsti-

co puede tambin expresarse as: si entendiramos que una correlacin nula
equivale a independencia y nos interesara calcular la probabilidad de sinies-
tralidades altas (mayores que 25) simultneamente en A y en B, tendramos
que, en el modelo normal esta probabilidad es de 0,0062 = 0,036 milsimas y
en el t calcularamos errneamente que es de 0,01212 = 0,146 milsimas, asu-
miendo una independencia que no existe. Efectivamente, en el modelo t la
probabilidad de que ambas siniestralidades superaran el umbral de 25

49
 unidades es de 1,16 milsimas y por tanto muy superior24. Concluimos una vez
ms que el coeficiente no sirve para determinar si existe o no independencia
entre variables aleatorias cuando la distribucin conjunta de ellas no sea el
modelo gaussiano, si bien desempea, en las dems distribuciones elpticas,
como es la t de Student, el papel de medir la dependencia, aunque de otra
manera (sin que incorrelacin equivalga a independencia). Lo comprobare-
mos empricamente siguiendo con este Ejemplo 1.4: en la distribucin biva-
riante de Student que acabamos de utilizar, hagamos que =0,5. En tal caso,
la dependencia es mayor que antes y la probabilidad de que ambas siniestra-
lidades (la de A y la de B) superen simultneamente el umbral de 25 unidades
es de 3,5 milsimas, es decir, aproximadamente el triple que si =025.

Adems de las limitaciones del coeficiente de correlacin que hemos venido ilus-
trando mediante ejemplos, an pueden citarse otros inconvenientes de esta me-
dida de dependencia:

1) El coeficiente de correlacin no depende slo de la estructura de dependencia

entre las variables aleatorias, sino que su valor queda influido tambin por las
distribuciones marginales de stas. Su comportamiento estadstico aislado, al-
tera, por tanto, el valor de .

La probabilidad 0,0121 para la t de Student procede del clculo

24
(x-20)2/8]-2,5. La proba-
bilidad Prob(A>25;B>25) = 1,16 milsimas en el modelo t propuesto resulta de:

Prob(A>25B>25) = Prob(A>25;B>25)/Prob(B>25) = 0,00116/0,0121 = 0,0964.

El clculo es ahora:
25

50
2) Requiere que las varianzas sean finitas; de lo contrario, el coeficiente de corre-
lacin no est definido. Esto impide utilizar el coeficiente en casos como el se-
alado por Moscadelli (2004) referente al riesgo operacional, en donde apare-
cen distribuciones con media y varianza infinita.

 l coeficiente de correlacin entre dos variables, X, Y se ve alterado cuan-

3) E
do aplicamos a stas una transformacin creciente y no lineal, T; es decir,
que la correlacin entre X e Y difiere de la existente entre T(X) y T(Y). Por
ejemplo,

(X,Y)[LN(X), LN(Y)].

2. DISTRIBUCIONES ESFRICAS

Su densidad es constante en cualquier hiperesfera. En el caso bidimensional,

F(x,y) es esfrica si la densidad f(x,y) es constante en cualquier punto (x,y) de la
circunferencia x2 + y2 = r2, para cualquier r. Si dibujamos las curvas de nivel de la
funcin de densidad conjunta f(x,y) para diversos valores de sta, resulta que di-
chas curvas son circunferencias con centro en el origen. De esta forma, la densi-
dad f(x,y) es en realidad una funcin del radio de las circunferencias concntricas
y podemos escribir para un vector aleatorio X en n:

Por ejemplo, en la N(0,1) bivariante con mrgenes independientes,

El valor de la densidad ser el mismo para cualquier par (x1,x2) tal que

x12 + x22 = 2

Si aplicamos a (x1, x2) una transformacin que traslade dicho punto a otro dentro
de la misma circunferencia obtenemos igual densidad. Esta transformacin ha
de ser ortogonal y se logra multiplicando el vector (X1,X2) por una matriz

51
ortogonal A (es ortogonal si A = A1). Por tanto, si A es una matriz ortogonal n x
n y X un vector de orden n,
A.X =d X 26
y tambin:
X =d A.X. 27

Ejemplo 1.5: Transformacin ortogonal aplicada a una distribucin esfrica

Sean X1 y X2 variables normales (0,1) e independientes. En el punto (1,1) su

densidad, como hemos visto, es 0,0585. Aplicamos al vector X =(X1,X2) la
transformacin ortogonal A . X, en donde

Si X1 = X2 = 1 obtendremos el punto (1,366; 0,366) al que igualmente corres-

ponde la densidad f(1,366; 0,366) = 0,0585.

La funcin caracterstica de una distribucin esfrica en n ser (si escribimos in-

distintamente t(j) y tj):

26
El smbolo =d significa que las variables que figuran a ambos lados del mismo siguen la misma
ley de distribucin estadstica.
27
En el caso de la normal bivariante, cualquier vector (X1,X2) tendr una distribucin uniforme si sus
componentes determinan puntos de la misma circunferencia de radio, por ejemplo, igual a 1; si hace-
mos ahora X1 = cos(), X2 = sen() (siendo el ngulo que forma el radio que pasa por (X1,X2) con el eje
de abscisas, resulta que es una variable uniforme (0, 2). Por otra parte, cualquier punto aleatorio
(N1,N2) del espacio bidimensional puede expresarse como producto de una variable R0 por (X1,X2), es
decir, que N1=R.X1, N2=R.X2. Este hecho puede aprovecharse para simular nmeros aleatorios distribui-
dos normalmente a partir de nmeros aleatorios (o, ms exactamente, pseudoaleatorios) uniformes
(0,1). Para obtener N1 simulamos el radio de la circunferencia, R; como R2 es la suma de los cuadrados
de dos variables independientes y normales (0, 1), su funcin de distribucin es F(x) = Prob(R2 x) = 1-
e-x/2, es decir, la de una variable 22. Pero F(X) es uniforme (0,1) y por tanto, si simulamos un nmero
aleatorio U1, uniforme (0,1) podemos hacer que U1 =1- e-x/2 y, por tanto, x= 2.LN(1 U1) es un valor
posible de R2; la simulacin aleatoria del radio R ser x=(2.LN(1 U1))0,5. Por otra parte, al ser uni-
forme (0, 2), resulta que 2U2 ser una simulacin de , si U2 es asimismo uniforme e independiente de
U1. Por tanto, el producto R.X =(-2 LN(U1))0,5 . cos (2U2) ser una simulacin del nmero aleatorio N1 y
R.Y =(-2.LN(U1))0,5 . sen (2U2) lo ser de N2 (es irrelevante sustituir 1U1 por U1 en estas expresiones).
stas son las conocidas frmulas utilizadas para convertir un par de nmeros aleatorios uniformes (0,1)
e independientes, en otro par N1 y N2, ambos normales (0,1) y tambin independientes entre s.

52
Pero si X tiene distribucin esfrica, X =d A.X (siendo A ortogonal) y por tanto,

Es decir, que la funcin caracterstica de una distribucin esfrica tiene la propiedad

de ser constante para valores de T que estn en la hiperesfera (para n = 2, en una cir-
cunferencia), lo que permite de forma anloga a lo que ocurre con la funcin de
densidad concluir que dicha funcin depende slo de la suma , es decir:

Ejemplos de distribuciones esfricas, adems de la normal con media cero y varia-

bles incorrelacionadas, son tambin la t de Student y la distribucin de Cauchy multi-
variantes, todas ellas con coeficientes de correlacin nulos, mrgenes iguales entre s
y simtricos. Pero, dentro de las esfricas, ya sabemos que es la normal multivarian-
te la nica en que correlacin nula significa independencia entre las variables.

3. DISTRIBUCIONES ELPTICAS

Una distribucin elptica resulta de hacer una transformacin afn sobre una esf-
rica. Dicha transformacin lleva a cabo, sobre la variable esfrica, un cambio en
las unidades, un giro y una traslacin. La ecuacin de la transformacin afn de un
vector X en n es

Y= C.X + M

En donde C en una matriz n x n y M un vector n.

Ejemplo 1.6(a): Transformacin de una distribucin esfrica en otra, elptica

Si X = (X1, X2) es una variable esfrica en 2 y queremos transformarla en otra,

tal que X1 (componente horizontal) quede multiplicada por 2 y X2 (vertical) por
0,8, haremos Y = A.X, en donde

53
 Si aplicamos esta transformacin a la circunferencia de radio 2, x12 + x22 =4 ob-
tenemos la elipse 0,25 y12+ 1,5625 y22 = 4, representada en la Figura 1.5.

Figura 1.5: Elipse obtenida por transformacin de una circunferencia.

Si ahora deseamos imprimir a dicha elipse un giro de = 30 grados en sentido

contrario a las agujas del reloj, premultiplicamos a Y por la matriz ortogonal

y resulta la elipse representada en la Figura 1.6, cuya ecuacin es:

0,25(0,866z1 + 0,5z2)2 + 1,5625(0,866z2 0,5z1)2 = 4

En tercer lugar, para trasladar dicha elipse, por ejemplo, 3 unidades horizon-
talmente y 1 unidad en sentido vertical, en ambos casos en sentido positivo
(es decir, hacia la derecha y hacia arriba), sumamos el vector:

54
Figura 1.6: Giro de la elipse por transformacin ortogonal.

con lo cual W = Z + M y Z = W M. Obtenemos as la elipse de la Figura 1.7,

cuya ecuacin resulta de sustituir z1, z2, por w1 3, w2 1, respectivamente.
Por tanto, es consecuencia de aplicar una transformacin afn sobre una cir-
cunferencia representativa de los puntos con igual densidad en una distribu-
cin esfrica bivariante. Esta elipse tiene la propiedad de que, a cualquiera de
sus puntos (w1, w2) corresponde igual densidad de probabilidad y de ah el
nombre de distribucin elptica.

En general, en las distribuciones elpticas la densidad es constante en cual-

quier punto de un elipsoide.

En resumen, para llegar a la ltima elipse a partir de la circunferencia inicial,

hemos hecho la transformacin

W = B . A. X + M = C . X + M (1.2)

siendo

55
 Figura 1.7: Elipse desplazada por suma de un vector.

Si aplicamos las anteriores transformaciones al caso general de una distribucin

esfrica en n, obtenemos la distribucin elptica. De la funcin de densidad de la
primera, podemos pasar, por tanto, a la funcin de densidad de la distribucin
elptica, segn vamos a ver con nuestro Ejemplo en dos dimensiones.

Si en (1.2) despejamos X nos queda X= C-1 (WM) y, por tanto, X= (WM).(C)-1.

De aqu que XX= (WM).(C)-1C-1(WM). Pero (C)-1.C-1 = (CC)-1 y si hacemos
C.C = resulta, con los datos de nuestro ejemplo (con 4 decimales, como mximo):

es una matriz simtrica, porque equivale al producto de una matriz (C) por su
traspuesta. Por tanto, queda XX= (WM). -1. (WM). Observemos que -1 es
tambin simtrica. En efecto, si lo es, entonces = y en consecuencia -1 =
()-1 = -1).

Por tanto, si en la funcin de densidad de X hacemos el cambio de variable ante-

rior, obtenemos:

56
Hay que dividir entre el jacobiano de la transformacin, que es la raz cuadrada del
determinante de .

La funcin caracterstica de la distribucin elptica en n ser, teniendo en cuenta

que W = C.X + M:

Pero E(ei TCX )es la funcin caracterstica de la variable esfrica X con vector de
parmetros C.T, que es (ver expresin (1.1)):

hx(TCCT) = hx(T T)

Por tanto, la funcin caracterstica de la distribucin elptica en n, de W = C.X + M es:

Ejemplo 1.6(b): Transformacin de una distribucin esfrica en otra, elptica

Ilustraremos mediante este Ejemplo la operacin que convierte una variable t

de Student bivariante con n= 4 grados de libertad y =0 en otra variable, pa-
sando as de una esfrica a otra, elptica; la varianza de las distribuciones
marginales es igual a 2. Aplicamos a esta distribucin esfrica la transforma-
cin utilizada hasta ahora, cuyos datos introduciremos en (1.4) teniendo en
cuenta que, para la t bivariante con 4 grados de libertad, la funcin g(XX) es:

De la transformacin aplicada resulta la funcin de densidad conjunta

57
 Mediante unas transformaciones algebraicas algo tediosas expresaremos
esta funcin de densidad en una forma ms reconocible como propia de la t
bivariante modificada, para que tenga los valores medios y varianzas elegidos
(ver expresin (4.6)28); en este caso la media de W1 es 3 y la de W2 es 1. Las
varianzas, en el caso general de la distribucin t, son iguales a /(-2) pero en
nuestro ejemplo ello no tiene por qu ser as; en efecto, recordemos que la
presente distribucin bivariante resulta de una esfrica (t con 4 grados de li-
bertad y correlacin nula) deformada y desplazada caprichosamente, lo que
determina que las dispersiones marginales tengan valores diferentes de 4/
(4-2)=2.

La funcin de densidad bivariante, expresada en la forma anunciada, es la si-

guiente:

f(W) = j(WW) =

Sera errneo concluir que, de la misma forma que 3 y 1 son, en nuestro ejem-
plo, los valores medios de W1 y W2, 3,16 y 1,48 son las varianzas respectivas; ni
lo son, ni tampoco es la matriz de covarianzas. Eso s, sta resulta de multi-
plicar a por una constante k de manera que la transformacin equivalente sea

Para comprobarlo, calculamos las varianzas de W1 y W2 mediante las corres-

pondientes integrales:

Pgina 192.
28

58
 (i = 1,2) en donde fi es la respectiva funcin de densidad marginal y mi la media.
Los resultados son:

Var(W1) = 12 = 6,32; 1= 2,514

Var(W2) = 22 = 2,96; 2= 1,720

Adems, calculamos que Cov(W1, W2) = E[(W13).(W2 1)] 2,91 29; por tanto,

2,91/(2,514 . 1,720) 0,673,

valor que coincide con el que figura en (1.5). Por tanto, la matriz de covarian-
zas 0 y su inversa, son, respectivamente:

lo que nos dice, por comparacin con (1.3), que la constante k = 2 (igual a 4/
(4-2)):

0 = 2

Para que la matriz de covarianzas 0 = k figure en la funcin de densidad

conjunta, la transformacin X W ha de ser:

Y por tanto la funcin de densidad conjunta es

29
Obtenemos este resultando integrando el producto (w1 3)(w2 1) por la funcin de densidad
conjunta, (expresin (1.5)).

59
 Esta funcin expresa la densidad de una t bivariante con matriz de covarian-
zas 0, 4 grados de libertad y media (3, 1); su coeficiente de correlacin es
0,673 y las desviaciones tpicas de los mrgenes, 2,514 y 1,720. Es la misma
funcin (1.5), aunque con apariencia algo diferente, porque ahora figura ex-
presamente la matriz de covarianzas.

Embrechts, McNeil y Straumann (2002) sealan varias falacias relacionadas con

el coeficiente de correlacin. Una de ellas es que ste, junto con las distribuciones
marginales, determina la ley de distribucin conjunta. Pues bien, esto no es as en
general. Slo es cierto en el caso de las distribuciones elpticas.

4. OTRAS MEDIDAS DE DEPENDENCIA: COEFICIENTES DE SPEARMAN

Y DE KENDALL

La condicin necesaria y suficiente para que dos o ms variables aleatorias conti-

nuas sean independientes entre s, es que su funcin de densidad conjunta sea
igual al producto de las funciones de densidad marginal. La cuestin deja de ser
tan clara cuando nos preguntamos por la dependencia: as como es inmediato de-
terminar si hay o no independencia estadstica, medir el grado de dependencia
presenta mayor dificultad, porque hay diversas formas de dependencia30 y mien-
tras no se defina sta no podemos hablar de su medicin.31

Si X e Y son variables continuas con funciones de distribucin u = FX(x) y v = FY(y)

respectivamente, obtenemos las variables uniformes (0,1) U y V mediante las
transformaciones U = FX(X), V = FY(Y). Pues bien, aquellas propiedades o caracte-
rsticas de X e Y que siguen presentes en sus transformadas U y V se dice que son
invariantes al cambio de escala (scale invariant), es decir, no dependen de la dis-
tribucin marginal de cada una, sino que tales propiedades radican en el compor-
tamiento conjunto o asociacin si la hay entre X e Y. De ah la importancia e
inters de los tipos de dependencia estadstica inmunes a las respectivas

R.B. Nelsen, (2006).

30

Por ejemplo, el coeficiente de correlacin mide la dependencia lineal; los coeficientes S (de
31

Spearman) y (de Kendall) que veremos ms adelante, miden la dependencia, entendida como con-
cordancia.

60
distribuciones marginales. Uno de estos tipos de dependencia es la concordancia.
Dos variables X e Y son concordantes si los valores grandes (pequeos) de X tien-
den a presentarse con valores grandes (pequeos) de Y. Este tipo de dependencia
no est en funcin de la forma en que se distribuyan, por separado, X e Y.

Ejemplo 1.7: Concordancia

Sean 4 pares (X, Y) como los que figuran en las dos primeras columnas del
Cuadro 1.1.
X Y N(X) N(Y) E(X) E(Y)
0,1 0,3 0,54 0,62 0,095 0,26
0,2 0,5 0,58 0,69 0,18 0,39
0,3 0,4 0,62 0,65 0,26 0,33
1,0 1,2 0,84 0,88 0,63 0,70
Cuadro 1.1: La concordancia es invariante a la escala (ejemplo).

Segn dichas columnas, de las 6 comparaciones posibles sobre cada pareja

(X, Y) y las restantes, hay 5 concordantes y 1 discordante; por ejemplo, la com-
paracin entre (0,1; 0,3) y (0,2; 0,5) es concordante (ambos elementos del pri-
mer par son inferiores a sus respectivos del segundo), mientras que entre
entre (0,2; 0,5) y (0,3; 0,4) hay discordancia. Pues bien, si hacemos las mismas
comparaciones entre las columnas N(X)N(Y) y entre E(X)E(Y) obtenemos
el mismo resultado; las columnas N contienen la transformada de la respec-
tiva variable segn la funcin de distribucin normal (0,1) y las columnas E, lo
mismo para la exponencial de parmetro 1. Es decir, que si adoptamos como
concepto de dependencia la concordancia, diremos que la dependencia entre
estas dos variables da lugar a 5 comparaciones concordantes y 1 discordante.
El coeficiente de Kendall, que examinamos ms adelante, se basa en este
tipo de comparaciones para evaluar el grado de dependencia (entendida como
concordancia) entre dos variables. Pero antes nos referiremos al coeficiente
de Spearman.

El coeficiente de correlacin de Spearman se obtiene de la siguiente forma. Sean

X e Y las dos variables cuya dependencia queremos medir; sus respectivas funcio-
nes de distribucin son FX y FY. Si X e Y fueran perfectamente dependientes (y en

61
consecuencia, concordantes), al menor valor posible de X correspondera el me-
nor posible de Y, al siguiente de X el siguiente de Y y as sucesivamente hasta los
mayores de ambas, que iran igualmente emparejados. Y lo mismo ocurrira con
los valores u = FX(x) y v = FY(y). Pues bien, el coeficiente de correlacin de rangos
de Spearman S(X,Y) es igual al coeficiente de correlacin lineal entre las varia-
bles U y V (siendo stas las transformadas de X e Y segn sus respectivas funcio-
nes de distribucin marginal, es decir: U = FX(X), V= FY(Y)) y, por tanto, S(X,Y) =
(U, V) = 12cov(U, V). El valor de este coeficiente no depende de dichas distribu-
ciones marginales, porque slo mide el grado de coincidencia en el orden de X y
de Y. As, si tenemos slo 3 pares (X,Y) el coeficiente ser S = 1 tanto en el caso
(1, 2), (2, 3), (3, 4) como si los pares son (1, 2), (20, 3), (21, 4).

El coeficiente de Kendall aplicado a una muestra, resulta de contar el nmero de

parejas cuyos valores superan al de las dems (pares concordantes), as como el
nmero de las que slo un elemento de cada par supere a su correspondiente en
las restantes (pares discordantes). La diferencia entre ambos nmeros, dividida
entre el de las comparaciones posibles, es igual a este coeficiente. En el ejemplo
anterior (2, 3) supera a (1, 2); (3, 4) supera a los otros dos pares; luego el primer
cmputo (el de los concordantes) da 1 + 2 = 3. El segundo (discordantes) da cero
y = 3/3 = 1. Si los pares fueran (1, 2), (2, 4), (3, 3) el valor del coeficiente sera
= (2 1)/3 = 0,333.

El valor de , referido a una muestra de n pares, es, si tenemos en cuenta que para
variables continuas el nmero de pares posibles es la suma de concordantes (c)
ms discordantes (d):

La versin poblacional del coeficiente es:

= Prob[(X1 X2)(Y1 Y2)>0] Prob[(X1 X2)(Y1 Y2)<0]

en donde (X1, Y1) y (X2,Y2) son dos pares independientes de la variable bivariante
(X, Y).

62
Dos variables aleatorias (X,Y) que estn asociadas de tal manera que para cuales-
quiera (X1,Y1) y (X2,Y2), (X1<X2) (Y1<Y2), son comonotnicas. Si, por el contrario
(X1<X2) (Y1>Y2), son contra-comonotnicas. La comonotonicidad implica, por
tanto, que = S = 1, mientras que el caso opuesto significa que ambos coeficientes
valen 1. Es decir, si X e Y son concordantes, son comonotnicas y ambas medi-
das son iguales a 1. Y lo contrario ocurre si son discordantes.

Veamos ahora algunas propiedades de las medidas de Spearman y Kendall.

Primera: Al igual que en el coeficiente de correlacin lineal, existe simetra, es

decir, S(X, Y) = S(Y, X); (X, Y) = (Y, X).

Segunda: Segn acabamos de ver, ambas medidas estn comprendidas entre 1 y +1.

Tercera: Si aplicamos a X y a Y sendas transformaciones T1 y T2 estrictamente

crecientes, los coeficientes S y de las variables T1(X) y T2(Y) no se alteran. Esto
es as, dado que los rangos de T1(X) coinciden con los de X y los de T2(Y) con los de
Y, al ser ambas transformaciones montonas crecientes. Si la transformacin
T1(X) es montona decreciente,

S(T1(X), Y) = S (X, Y); (T1(X),Y)= (X,Y).

Cuarta: La independencia entre X e Y implica la nulidad de ambos coeficientes. En

S esto es evidente, porque FX(X) y FY(Y) sern en tal caso variables independien-
tes uniformemente distribuidas en (0,1) y su coeficiente de correlacin lineal ser
nulo. En el caso de la de Kendall, la independencia implica que Prob((X1 X2)(Y1
Y2)>0) = Prob((X1 X2)(Y1 Y2)<0) = 1/2, por tanto =0.

Observemos que la ltima propiedad no se extiende al caso opuesto: es decir, que

S = =0 no implica independencia.

Es ms, no existe medida de dependencia (X,Y) que cumpla simultneamente

estas dos propiedades:

a) ((X,Y) = 0) independencia entre X e Y.

63
b) Para T(X) montona decreciente, (T(X),Y) = (X,Y).

En efecto, ambas propiedades son contradictorias o incompatibles entre s, segn

puede demostrarse de la siguiente forma32. Sea (X, Y) un vector aleatorio distri-
buido uniformemente en la circunferencia de radio uno y centro en (0,0). Por tanto,
(X, Y) = (cos, sen), siendo una variable uniforme (0, 2). A lo largo de esa
circunferencia, todo punto (X, Y) tiene, por tanto, la misma densidad de probabili-
dad. Por tanto, (X,Y) = (X,Y). Pero si aplicamos ahora la transformacin mo-
ntona decreciente T(X) = X y suponemos que la anterior propiedad (b) se cum-
ple, tendremos que (X,Y) = (X,Y). Resulta as que ha de ser (X,Y) = (X,Y)
= (X,Y), lo cual slo puede cumplirse si (X,Y)=0. Y, sin embargo, X e Y son
dependientes, puesto que X2+Y2=1.

Veamos ahora la relacin existente entre el coeficiente de dos variables (X, Y) y

la funcin de distribucin conjunta de las mismas F(x,y). Dicha relacin es:

= 4 R2F(x, y).dF(x,y) 1. (1.6)

Demostracin: Si X e Y son variables aleatorias continuas, con mrgenes FX y FY,

entonces, para dos pares aleatorios (X1, Y1) y (X2, Y2),

= 2.Prob[(X1X2)(Y1Y2)>0] 1 = 4.Prob[(X1<X2)(Y1<Y2)] 1

ya que Prob((X1X2)(Y1Y2)>0) + Prob((X1X2)(Y1Y2)<0) = 1; adems, el produc-

to positivo puede obtenerse tanto si X1,Y1<X2,Y2 como si X1,Y1>X2,Y2.

Por tanto,

Tendremos oportunidad de utilizar ms adelante esta relacin. Para el coeficiente

S existe una equivalencia parecida, en funcin de la cpula, que veremos en el
Captulo siguiente.

Embrechts, McNeil y Straumann, (2002).

32

64
II. CPULAS

1. ALGUNAS IDEAS INTUITIVAS SOBRE LAS CPULAS

Resumir en un nico coeficiente la dependencia entre variables aleatorias no es

satisfactorio. Slo si la distribucin conjunta es elptica el coeficiente de correla-
cin mide el grado de dependencia33; y tampoco la correlacin de rangos es sufi-
ciente, porque sus coeficientes ( de Kendall y de Spearman) dan idea de la co-
monotonicidad, que es una forma de dependencia entre muchas. Lo mismo cabe
decir del coeficiente de dependencia en la cola de la distribucin (tail dependence),
que se refiere a otro modo de considerar a la dependencia y que veremos en el
Epgrafe 3 de este Captulo.

Si no es suficiente confiar la medida de la dependencia a un solo nmero, no que-

da ms solucin que buscar la frmula que nos describa dicha dependencia, es
decir, determinar la estructura de la misma entre las variables. Eso precisamen-
te es lo que hace la cpula.

Sea F(x1 x2 ... xd) la funcin de distribucin conjunta de d variables continuas, X1,
X2, ..., Xd. Esta funcin describe el comportamiento conjunto de dichas variables y
as, nos permite obtener la probabilidad de que una variable no supere cierto va-
lor, con independencia del que tomen las otras (distribucin marginal) o cono-
ciendo el valor asumido por stas (distribucin condicionada) o, por ltimo, que
las otras tomen valores inferiores o superiores a los que se especifiquen. Es decir,
que dentro de la funcin F(x1 x2 ... xd) hay dos tipos de informacin:

a) Sobre el comportamiento de cada variable considerada aisladamente de las

dems: Fi(xi) = distribucin marginal.

33Con la cautela de que slo en la distribucin normal multivariante ij = 0 significa independencia

entre Xj y Xj segn vimos en el Captulo anterior.

65
b) Sobre el comportamiento conjunto de las variables. Este comportamiento radi-
ca en la estructura de dependencia entre las variables, la cual viene modeliza-
da por la cpula: la naturaleza no paramtrica de la dependencia entre dos varia-
bles aleatorias es expresada por la cpula.34

Si prescindimos de todo rigor y aceptamos un lenguaje simblico e intuitivo, dira-

mos que, para obtener dicha cpula hay que analizar la funcin de distribucin
conjunta que suponemos continua para eliminar de la misma las d distribu-
ciones marginales que encierra y quede tan slo el restante elemento que hay en
ella, que es la cpula.

Llamemos a las d distribuciones marginales continuas

ui = Fi(xi) (i = 1, 2, ... d)

La forma de eliminar de la distribucin conjunta el efecto que en ella produce que

Xi se distribuya segn la funcin Fi(xi) es deshacer esta transformacin de xi a ui
o viceversa, y sustituir a xi poniendo en su lugar a la transformada inversa Fi-1(ui).
Si hacemos lo mismo con todas las variables obtendremos una nueva funcin que
no depender de las distribuciones marginales (aunque la inversa de stas pueda
aparecer en su expresin35) sino que contiene slo la informacin referente a
cmo dependen entre s las d variables X1 ... Xd.

Para ilustrar lo dicho proponemos el Ejemplo 2.1.

Ejemplo 2.1: Si de una funcin de distribucin conjunta eliminamos a las

marginales, queda la estructura de dependencia o cpula

Supongamos la funcin de distribucin bivariante

(2.1)

34 Nelsen, (2006), pgina 52. Es decir, la cpula es un concepto ajeno o distinto a la distribucin
marginal y contiene la ley de dependencia entre las variables intervinientes en la distribucin mul-
tivariante.
35 Observemos que F -1(u ) se introduce en la funcin de distribucin conjunta para anular o desha-
i i
cer el contenido de sta en cuanto a la distribucin marginal de xi.

66
 Las funciones de distribucin marginal de X e Y son, respectivamente:

u = FX(x) = 1 exp(1.x)
v = FY(y) = 1 exp(2.y)

Y las transformadas inversas,

x = FX-1(u) = LN(1u)/1
y = FY-1(v) =LN(1v)/2

Al sustituir x e y en (2.1) obtenemos una funcin de (u,v), es decir, la cpula,

que en este caso toma la forma

C(u,v) = u.v

que es la cpula de independencia. Esta cpula es comn a cualesquiera va-

riables que sean independientes, sean exponenciales, normales, etctera (es-
tamos, evidentemente, en el caso d=2).

Es decir, el paso de la funcin de distribucin conjunta a la cpula es el siguiente:

F(x1, x2, ... , xd) = F(F1-1(u1), F2-1(u2), ... , Fd-1(ud)) = C(u1,u2 , ... , ud)

La funcin C(u1,u2, ... , ud) o cpula se llama as porque conecta o acopla las distribu-
ciones marginales ui = Fi(xi) a la estructura de dependencia, en que la cpula consiste,
para llegar a la funcin de distribucin conjunta. La cpula es una funcin de distribu-
cin de variables uniformes (0,1), U1, ... , Ud y convierte cualquier punto del cubo de
lado unitario en el espacio de d dimensiones, en un nmero real del intervalo [0, 1]. Es
decir, [0, 1]d [0, 1]. En efecto, tengamos en cuenta que las Ui = Fi(Xi) son variables
uniformes (0,1) y que la transformacin ui = Fi(xi) es montona creciente:

F(x1, x2, ... , xd) = Prob(X1 x1, X2 x2, ... , Xd xd) =

Prob[F1 -1(U F1-1(u1), F2-1(U2) F2-1(u2), ... , Fd-1(Ud) Fd-1(ud)] =
1)

Prob(U1 u1, U2 u2, ... , Ud ud) = C(u1, u2, ... , ud)

67
Veamos ahora dos ejemplos especialmente importantes.

Ejemplo 2.2: La cpula gaussiana de d = 2 dimensiones

Apliquemos la transformacin xi = Fi-1(ui) a la funcin de distribucin normal

bivariante (x,y):

X y Y representan las distribuciones marginales de X e Y (ambas N(0,1)). La

funcin (x,y), adems de contener a las dos marginales anteriores, gobierna
la dependencia entre X e Y. Para representar grficamente a la estructura de
dependencia optamos por la funcin de densidad de la cpula; dicha funcin,
c(u,v) es:

Si, por ejemplo, queremos obtener la densidad de la cpula en el punto u =

0,6; v = 0,3, suponiendo que el valor del parmetro sea 0,5, no tenemos ms
que calcular las respectivas transformadas inversas de ambos valores segn
las distribuciones marginales, es decir:

x = -1(0,6) = 0,253
y = -1(0,3) = 0,524

68
Figura 2.1: Funcin de densidad de la cpula gaussiana con parmetro = 0,5.

A continuacin sustituimos estos valores en (2.2b) (en donde introducimos el

valor = 0,5 en la funcin de densidad conjunta (x,y)) y obtenemos c(0,6; 0,3)
= 0,997. En la Figura 2.1 se representa la funcin de densidad de la cpula
gaussiana para dicho parmetro = 0,5.

Es fcil darse cuenta, a la vista de la Figura 2.1 (y tambin de la 2.2, en que se

representa la densidad de la cpula t) que la cpula gaussiana (y la t), que pro-
ceden de distribuciones elpticas, no son distribuciones elpticas.

Ejemplo 2.3: La cpula t bivariante

Se obtiene por un procedimiento totalmente anlogo al que acabamos de ver

para la cpula gaussiana. La cpula es, llamando t(.) a la funcin de distribu-
cin t univariante:

69
y su funcin de densidad,

en donde n,(x,y) representa la funcin de densidad t bivariante con n grados

de libertad y coeficiente de correlacin , mientras que (x) y (y) son las fun-
ciones de densidad marginal t de Student, con n grados de libertad.

Si, por ejemplo, hacemos n = 3 y = 0,5 podemos calcular el valor de la densi-

dad de la cpula en cualquier punto de [0, 1]2. Consideramos, como antes, el
punto u = 0,6; v = 0,3. Con estos valores resulta:

t3-1(0,6) = 0,277
t3-1(0,3) =0,584

y al sustituir tales valores en (2.3) se obtiene:

c3,0.5(0,6; 0,3) = 1,006

En la Figura 2.2 se representa la funcin de densidad de la cpula t con los

parmetros especificados.

70
 Figura 2.2: Funcin de densidad de la cpula t con parmetros n = 3 y = 0,5.

Hacemos dos observaciones. La primera, resumen de lo anterior, es que la fun-

cin cpula C(u,v) est implcita en la funcin de distribucin F(x,y) como lo estn
tambin las distribuciones marginales. Una y otras estn imbricadas en F(x,y) y la
idea es separarlas, aislar una de las otras, lo que nos permite obtener la cpula
C(u,v). Y acoplando o uniendo a la cpula las distribuciones marginales, volvemos
a la funcin de distribucin original:

C(u,v) = C(FX(x).FY(y)) = F(x,y)

Este resultado nos lleva a la segunda observacin. Si en lugar de sustituir u y v por

sus respectivas funciones de distribucin marginal originales con lo que volve-
ramos a la funcin bivariante de partida F(x,y) acoplamos otras funciones de
distribucin distintas, como X(x) y Y(y) obtendremos otra funcin de distribucin
bivariante (x,y) :

C(u,v) = C(X(x), Y(y)) = (x,y).

71
Esta nueva funcin de distribucin tiene la misma cpula que la bivariante original
F(x,y) pero nuevos mrgenes, X(x) y Y(y). La posibilidad de combinar una estruc-
tura de dependencia con distintos mrgenes o viceversa, hace de las cpulas un
instrumento generador de gran nmero de modelos multivariantes, para adaptar-
se a la realidad lo mejor posible. En el Epgrafe 7 de este mismo Captulo desarro-
llaremos este punto, pero ahora propondremos unos ejemplos en d=2 dimensio-
nes, de cmo la separacin entre estructura de dependencia o cpula, por un lado
y distribuciones marginales, por otro, permite unir diversos modelos de una y
otras para dar lugar a una amplia variedad de distribuciones multivariantes.

Ejemplo 2.4: Distribuciones resultantes de combinar distintas cpulas

y mrgenes

(a): Cpula gaussiana con =0,4; mrgenes (b): Cpula gaussiana con =0,4; mrgenes
lognormales con media y desviacin tpica 2 exponenciales con media y desviacin tpica 2

(c): Cpula t con =0,4 y =5; mrgenes

exponenciales con media y desviacin tpica

Figura 2.3: Representacin de varias funciones de densidad mediante curvas de nivel.

72
 En resumen:

(a) y (b) tienen la misma cpula, pero distintos mrgenes.

(b) y (c) tienen distinta cpula, pero iguales mrgenes.

Elegimos una cpula gaussiana con parmetro = 0,4 y la vinculamos con

mrgenes lognormales con medias y desviaciones tpicas iguales a 2, tanto
para X como para Y. Ello genera la funcin de densidad representada en la
Figura 2.3(a) por medio de sus curvas de nivel.

En la parte (b) de la Figura 2.3 tenemos la funcin de densidad de la distribu-

cin que difiere de la anterior slo en los mrgenes, que ahora son exponen-
ciales con media y desviacin tpica 2.

Por ltimo, en (c) se representa la densidad de una distribucin cuya cpu-

la es t de Student con parmetro = 0,4 y = 5 grados de libertad; las dis-
tribuciones marginales son exponenciales de iguales caractersticas que
en (b).

Las curvas de nivel representadas en la Figura 2.3 manifiestan las marcadas

diferencias entre las distintas distribuciones resultantes de las combinacio-
nes que hemos llevado a cabo.

2. DEFINICIN DE CPULA. PROPIEDADES DE LAS CPULAS

Una cpula C(u) = C(u1 u2 ... un) es una funcin de distribucin de n variables alea-
torias uniformes (0,1). Por tanto, a cada vector en [0,1]n hace corresponder un
nmero en [0,1]. Para que C(u1 u2 ... un) sea, en estas condiciones, una funcin de
distribucin, ha de reunir los requisitos siguientes:

73
1. Ser no-decreciente en cada uno de sus componentes ui36.

2. La distribucin marginal de Ui. que es C(1, 1, ... ui ... 1), equivale a ui. Por otra
parte C(1,1, ... 1) = 1 como no poda menos de suceder (hacemos ui=1).

3. La funcin C es n-creciente. En general, se dice que una funcin F(x1, x2 , ... , xn)
es n-creciente si, para cualquier hiper-rectngulo [x1(1), x1(2)]. [x2(1), x2(2)]. . . [xn(1),
xn(2)] (siendo xi(1) xi(2) para i =1,2, ...,n) cuyos vrtices se encuentran en el domi-
nio de definicin de F se verifica que:

F(x1(2), x2(2), x3(2), ... , xn-1(2), xn(2)) F(x1(1), x2(2), x3(2), ... , xn-1(2), xn(2)) F(x1(2), x2(1),
x3(2), ... , xn-1(2), xn(2)) F(x1(2), x2(2), x3(1), ... , xn-1(2), xn(2)) F(x1(2), x2(2), x3(2),
... , xn-1(2), xn(1)) + F(x1(1), v2(1), x3(2), ... , xn-1(2), xn(2)) + F(x1(2), x2(1), x3(1), ... , xn-1(2),
xn(2)) + . + F(x1(2), x2(2), x3(2), ... , xn-1(1), xn(1)) F(x1(1), x2(1), x3(1), ... , xn-1(1),
xn(1)) 0.

Observemos que cada trmino de la anterior expresin lleva el signo ms o me-

nos segn que el nmero de veces que figura el extremo inferior de un intervalo
(es decir, xi(1)) sea par o impar. En seguida veremos una aplicacin a nuestro caso.

En el caso de las cpulas la propiedad en cuestin viene exigida por el hecho

de que ha de verificarse, para a(i) b(i) , que

Veamos lo anterior en dos dimensiones, para lo que nos valdremos de la Figura 2.4.

Prob(D) = C(b,d) C(a,c) Prob(B) Prob(A)

Prob(B) = C(a,d) C(a,c)

36 Puede sustituirse esta primera propiedad por la de ser C(0,...,0, u , 0,...,0)=0. El resultado es
i
equivalente. Para el caso bidimensional, tenemos que, al ser C(1,v)=v (segn exige la Condicin 2),
C(1,0) = C(0,1) = 0 y por ser C no decreciente en u y en v resulta que C(u,0) y C(0,v) han de ser cero
necesariamente (al ser u,v 1). Y, recprocamente, para el rectngulo (0, u) x (v, v+k) (k > 0), resulta
que C(u, v+k) C(0, v+k) C(u, v) + C(0,v) 0 o bien C(u, v+k) C(u, v) 0 lo que demuestra que
C(u,v) es no-decreciente en v y lo mismo para u.

74
 Prob(A) = C(b,c) C(a,c).

Figura 2.4.

Es decir, que la funcin C(u,v) es 2-creciente37 y ello puede expresarse as:

Prob (D) = C(b,d) C(a,c) C(a,d) + C(a,c) C(b,c) + C(a,c) =

C(b,d) C(a,d) + C(a,c)C(b,c) 0

En la teora de cpulas es importante el teorema de Sklar, formulado en 195938.

Afirma que si F(x1 x2 ... xd) es una distribucin con marginales continuas F1, F2, ...
Fd entonces existe una nica cpula C(F1(x1), F2(x2), ... , Fd(xd)) = F(x1 x2 ... xd). Y re-
cprocamente, si C es una cpula y las Fi (i = 1, 2, ..., d) son funciones de distribu-
cin continuas, entonces existe una nica funcin F(x1 x2 ... xd) tal que se cumple
la identidad C(F1(x1), F2(x2), ... , Fd(xd)) = F(x1 x2 , ... , xd). Dicha funcin F(x1 x2 , ... ,
xd) es una funcin de distribucin multivariante con los mrgenes Fi (si las varia-
bles no son continuas la cpula no es nica).

Veamos algunas propiedades de las cpulas:

1) Invariacin o invarianza: Sea X = (X1 X2 ... Xd) un vector de variables aleatorias

37 En el epgrafe 6 volveremos sobre este concepto e introduciremos el de C-medida.

38 La demostracin de este teorema puede verse en R. Nelsen, (2006).

75
continuas cuya cpula es C(u1, u2 , . . . , ud). Si aplicamos a cada variable Xi una
transformacin Ti montona creciente, las variables Yi = Ti(Xi) tienen la misma
cpula C(u1 , u2 , . . . , ud).

***

Para demostrarlo empecemos por llamar CY a la cpula de las variables

transformadas Yi, mientras que Fi y Gi son las distribuciones marginales de
las Xi y de las Yi respectivamente.

CY[G1(x1) . . . Gd(xd)] = Prob [Y1 x1 . . . Yd xd] =

Prob[T1-1(Y1) T1-1(x1) . . . Td-1(Yd) Td-1(xd)]

= Prob[X1 T1-1(x1) . . . Xd Td-1(xd)]=

C[F1(T1-1(x1)) . . . Fd(Td-1(xd))].

Pero al ser las Ti funciones montonas crecientes,

Gi(xi) = Prob[Yi xi] = Prob[Ti(Xi) xi] = Prob[Xi Ti-1(xi)]= Fi [Ti-1(xi)]

y por tanto hemos demostrado que

CY(G1(x1), G2(x2), . . . , Gd(xd)) = C(G1(x1), G2(x2), . . . , Gd(xd)).

***

Los argumentos Gi(xi) pueden tomar cualquier valor comprendido en [0. 1] al ser
continuas las variables Xi.

Esta propiedad significa que la estructura de dependencia no se ve alterada cuan-

do aplicamos a las variables sendas transformaciones crecientes. O, en otras pa-
labras, que la forma en que las variables se mueven en la misma direccin de-
pende slo de la cpula. No est en funcin de las distribuciones marginales, cuyo

76
efecto en el seno de la distribucin conjunta consiste en transformar a las varia-
bles uniformes U1, U2, ... Ud segn la respectiva funcin montona creciente Ui =
Fi(Xi). El coeficiente de correlacin depende de la cpula, pero tambin de las
distribuciones marginales. En cambio, los coeficientes de Kendall y de
Spearman estn en funcin slo de la cpula.

Ejemplo 2.5: Efecto de una transformacin montona creciente sobre la

cpula de una variable bivariante

Si sobre dos variables X1 X2, con funcin de distribucin normal bivariante de

parmetro hacemos la transformacin Yi = exp(iXi + i) obtenemos una nue-
va distribucin conjunta cuyos mrgenes son log-normales. La cpula de las
variables (Y1 Y2) sigue siendo la gaussiana con parmetro . Observacin: El
coeficiente de correlacin (Y1 Y2) porque la transformacin Xi Yi no es
lineal.

Sean ahora dos variables X1 y X2 cuya cpula es gaussiana de parmetro ; sus dis-
tribuciones marginales son F1(x1) y F2(x2). El coeficiente de correlacin entre ambas,
es decir, (X,Y) no es (salvo que dichas distribuciones marginales se identificaran
con la normal). En estas condiciones, existe una frmula que relaciona el coeficien-
te entre X e Y, y el parmetro de su cpula; dicha frmula es:

Hay una relacin anloga para el coeficiente de Spearman:

39

39 La demostracin de estas frmulas puede verse en McNeil, Frey y Embrechts, (2005), pgina 215.

77
 Ejemplo 2.6: Variable normal bivariante a la que se aplica transformacin
Y = (X). Significado del parmetro

Si en la distribucin normal bivariante (X1, X2) hacemos la transformacin

montona creciente Yi = (Xi) (para i = 1,2 y siendo la funcin de distribucin
normal univariante) obtenemos un par de variables Y1,Y2 cuya cpula es tam-
bin gaussiana. La nueva funcin de distribucin conjunta G(y1,y2) coincidir
con dicha cpula gaussiana; el parmetro de sta no significa el coeficiente
de correlacin entre las variables Y1 U, Y2 V, sino entre X1 y X2 (la transfor-
macin Yi = (Xi) tampoco es lineal y, por tanto, implica una alteracin del
coeficiente de correlacin lineal). El coeficiente entre U y V es en este caso:

2) Densidad de la cpula: Vimos en el epgrafe anterior cmo se obtiene en los ca-

sos particulares all examinados. En general,

C(u1, . . . , un) = C[F1(x1), . . . , Fn(xn)] = F(x1, . . . , xn)

y la funcin de densidad de la cpula ser:

en donde f y fi representan las correspondientes funciones de densidad conjunta

y marginales, respectivamente.

3) Probabilidad condicionada: A partir de una cpula C(u1, u2, . . . , un) podemos

obtener la distribucin condicionada a los valores de una o ms variables. En el
caso bivariante,

78
Para obtener el anterior resultado tenemos en cuenta que la densidad de U es
constante e igual a 1 en [0, 1], al ser variable uniforme (0,1).

En general,

Cuando h tiende a cero, el numerador, dividido entre hn-1, tiende a

Por otra parte, el lmite del denominador dividido tambin entre hn-1, es la funcin
de densidad conjunta de las variables U2,...,Un; si llamamos C1(u2, u3, . . . , un) a la
funcin de distribucin marginal de dichas variables, la correspondiente funcin
de densidad conjunta ser

Por tanto, la funcin de distribucin de u1, condicionada a las restantes n1 varia-

bles, es:

4) Cpula de independencia: Representa el supuesto en que las variables X e Y

son entre s independientes y su expresin es C(u,v) = u.v. Suele designarse con la
letra . En las Figuras 2.5(a) 2.5(b) se ve la forma de esta cpula tanto en tres di-
mensiones (parte a) como mediante curvas de nivel (b).

5) Cpulas mxima y mnima: As como las medidas de dependencia tienen lmi-

tes mximo y mnimo (tal ocurre con el coeficiente de correlacin, con la de
Kendall, etc.), nos preguntamos si en la funcin de dependencia o cpula ocurre
algo similar. La respuesta es positiva y la dan las cotas de Frchet-Hoeffding, que
son aplicables a las funciones de distribucin multivariante en general y por lo
tanto tambin a las cpulas. Supongamos dos variables aleatorias uniformes
(0,1), U y V; el caso extremo de dependencia se da cuando ambas variables toman

79
siempre el mismo valor, es decir, U = V. En tal caso Prob [U u; V v]= Prob = [U
u; U v] = min(u,v), que es el valor mximo posible de la funcin de distribucin
para el punto (u,v). Si V = 1 U tenemos el caso opuesto:

(a): Superficie en 3 dimensiones (b): Curvas de nivel

Figura 2.5: Cpula de independencia.

El lmite inferior es, por tanto, u + v 1, sin que pueda ser negativo. De ah que las
cotas sean:
max [(u + v 1), 0] C(u,v) min(u,v).

Puede comprobarse fcilmente que en el caso bidimensional a que nos referimos

ambas cotas son, a su vez, cpulas, porque cumplen las propiedades necesarias
para ello40. Se acostumbra a designarlas por W(u,v) y M(u,v) (cpula mnima y
mxima, respectivamente) y sus grficos estn en las Figuras 2.6(a) y 2.6(b). Las
Figuras 2.7(a) y 2.7(b) representan las curvas de nivel de estas cpulas.

40 Vase el comienzo de este epgrafe.

80
 Figura 2.6(a): Cpula mxima. Figura 2.6(b): Cpula mnima.

La densidad de M est contenida a lo largo de la diagonal (0,0) (1,1) y es cons-

tante e igual a ; la de W se encuentra en la diagonal (1,0) (0,1) y tiene el
mismo valor.

Figura 2.7(a): Cpula mxima, curvas de nivel Figura 2.7(b): Cpula mnima, curvas de nivel

81
La cpula M(u,v) significa la dependencia total entre dos variables X e Y, entendida
dicha dependencia en el sentido de comonotonicidad41, mientras que W(u,v) re-
presenta la contramonotonicidad: Cuando X es grande, Y es pequea y viceversa.

En el caso pluridimensional las cotas de Frchet-Hoeffding son:

max(u1 + ... + ud d + 1, 0) C(u1, . . . , ud) min(u1, . . . , ud)

Si d>2 la cota inferior no es una cpula42.

3. CPULAS Y DEPENDENCIA

Una vez que hemos introducido el concepto de cpula, estamos en condiciones

de volver a examinar el tema de la dependencia entre variables aleatorias con-
tando con este nuevo y til instrumento. La cpula es la expresin de la estruc-
tura de dependencia entre variables y por tanto no es sorprendente que, medi-
das de dependencia como el S de Spearman, el de Kendall u otras que
veremos ms adelante, estn slo en funcin de la cpula y sean, por tanto,
inmunes a la forma que tengan las distribuciones marginales de las varia-
bles. Es verdad que el coeficiente de correlacin de Pearson se aparta de esta
norma, pero ello se debe a que el tipo de dependencia que mide es la depen-
dencia lineal y en ella es determinante el comportamiento marginal de dichas
variables, al definir la escala de stas y por tanto el grado de variacin conjun-
ta a lo largo de la recta.

Empezamos por referirnos nuevamente a la S de Spearman. Este coeficiente

equivale a

S = 12I2[C(u, v) u.v] dudv (2.7)

41 Ver Captulo I.
42 McNeil, Frey, Embrechts, (2005), pgina 200.

82
 ***

Para demostrar esta equivalencia observamos que, dados dos puntos x, z cua-
lesquiera en la recta, (Figura 2.8) la distancia entre ambos es

en donde 1(R) es la funcin indicador, que vale 1 si se verifica R y 0

Figura 2.8.

en caso contrario. En efecto, esta integral equivale a

Si consideramos ahora dos dimensiones (Figura 2.9), resultar:

rea de A = (x1 z1).(x2 z2) =

(2.8)

La integral de cada trmino del integrando equivale al rea de los recintos

siguientes:

Primer trmino: A + B + C + D
Segundo trmino: C + D
Tercer trmino: B + C
Cuarto trmino: C

Por tanto, se cumple (2.8).

83
 Consideremos ahora un par de variables (X1, X2) con funcin de distribucin
conjunta F(x1,x2) y mrgenes F1 y F2; el coeficiente de correlacin lineal entre
X1 y X2 es ; hacemos tambin E(X1) = 1; E(X2) = 2.

Si (Z1 Z2) es un par independiente del anterior, con la misma distribucin con-
junta, tendremos:

Observemos ahora que, por ejemplo E[1(s>Z1)] es el valor medio de una varia-
ble dicotmica Z1 que puede ser mayor o menor que s; por tanto, dicho valor
medio equivale a F1(s). De aqu que, en virtud de la independencia entre los
pares (X1, X2) por un lado y (Z1, Z2), por otro,

Figura 2.9.

84
 Por otra parte,

puesto que los valores medios de los productos (X1 1) (Z2 2) y (X2 2)
(Z1 1) se anulan y los valores medios de (X1 1)(X2 2) y de (Z1 1)(Z2
2) coinciden, al tener (X1, X2) la misma distribucin conjunta que (Z1 , Z2).

Por tanto,

Demostrada esta equivalencia para las variables X1,X2, la aplicamos a U =

F1(X1) y V = F2(X2), (U, V [0,1]2) cuya funcin de distribucin conjunta es C(u, v)
y as resulta que:

y en consecuencia obtenemos, para S = 12.cov(U,V), la expresin (2.7), en

donde el coeficiente S aparece como una funcin de la cpula, exclusiva-
mente.

***

La frmula (2.7) nos dice que S es proporcional al volumen comprendido entre la

cpula C(u,v) de las variables (X1,X2) y la cpula de independencia u.v. Si dicho vo-
lumen es grande, por apartarse C(u,v) de u.v, el valor de la integral ser alto; pero
es posible que dicho valor sea bajo, o incluso nulo, pese a que C(u,v) tenga valores
muy alejados de u.v, si los excesos compensan a los defectos. De ah que una me-
dida de la dependencia, propuesta por Schweizer y Wolff es:

el integrando es ahora el valor absoluto de la diferencia entre ambas cpulas.

85
Nelsen (2006) propone un interesante ejemplo de aplicacin de esta medida,43 re-
ferida a dos variables (X,Y) perfectamente dependientes entre s de forma que
ambas son las coordenadas de puntos de una circunferencia de radio 1, siendo
constante la densidad en dichos puntos. Pues bien, en este caso el resultado es
= 0,25. La perfecta dependencia no conduce en este caso a un coeficiente de de-
pendencia igual a la unidad porque X e Y no son comonotnicas.

Tambin el coeficiente puede expresarse en funcin de la cpula. A partir de (1.6)

(pgina 64) escribimos la funcin de distribucin conjunta F(x,y) como C[F1(x1),
F2(x2)]:

si hacemos el cambio de variable u= F1(x1), v= F2(x2) nos queda:

Como observa Nelsen, esta integral puede interpretarse como el valor medio de
la variable C(U,V), en donde C es la funcin de distribucin conjunta de dos varia-
bles uniformes (0, 1) 44.

Un concepto de inters es la dependencia en colas (en ingls tail dependence).

Para ilustrarlo comparemos las partes (a) y (b) de la Figura 2.10; cada una de ellas
contiene 500 puntos simulados de dos cpulas distintas con el mismo coeficiente
= 0,5045. Su dependencia es, por tanto, del mismo grado si la entendemos en el
sentido de concordancia. Cuando interese la posibilidad o riesgo de coincidencia
de valores altos o extremos de la distribucin, advertiremos la mayor peligrosidad
de la cpula simulada en (b), cuya dependencia en la cola derecha es mayor.

Necesitamos, por tanto, una medida de la dependencia entre U y V o, lo que es

equivalente, entre las variables X = Fx-1(U) e Y = Fy-1 (V) en la cola o extremo de

43 Pgina 209.
44 Nelsen (2006), pgina 162.
45 Figura 2.10(a), cpula Frank con = 5,74; Figura 2.10(b), cpula Gumbel con = 2 .

86
la distribucin (superior o inferior, segn los casos; en este ejemplo es de mayor
inters la dependencia en el extremo superior). sta es la dependencia en colas,
cuyo coeficiente se define (para las variables X, Y con distribucin conjunta F(x,y)
y mrgenes FX y FY como:

sup mide, por tanto, la dependencia entre X e Y en el extremo positivo de la distri-

bucin; observemos que tiende a 1 por la izquierda, puesto que X e Y van cre-
ciendo hacia . Por tanto, (2.10) es, en realidad, el coeficiente en la cola superior
y de ah el subndice, para distinguirlo de inf relativo a la cola inferior.

(a) (b)
Figura 2.10: Simulacin de 500 puntos de dos cpulas diferentes, ambas con coeficiente =0,5

Si aplicamos a las anteriores desigualdades las transformaciones montonas

crecientes U = FX(X) y V = FY(Y), obtenemos:

siendo .

Esto nos indica que la dependencia en la cola de una distribucin de X, Y est en

funcin de la cpula exclusivamente (no de las distribuciones marginales), de

87
igual manera a lo que ocurre con los coeficientes y S. Y tambin significa que el
valor que tome radicar en el comportamiento asinttico de dicha cpula.

Para calcular sup observemos que ; esta equivalencia

puede comprobarse con un razonamiento similar al empleado en el Epgrafe 3,
Figura 2.9; o tambin Epgrafe 8 (cpulas de supervivencia, Figura 2.22). De ah
que

y, por tanto,

De forma parecida obtenemos

En el caso de las cpulas implcitas, como la gaussiana y la t, no puede calcularse

directamente el lmite que figura en (2.12) y de ah que haya de seguirse otro ca-
mino para llegar al coeficiente46. Demostraremos a continuacin que ste es nulo
en la cpula de Gauss (salvo que =1) mientras que en la cpula t el coeficiente de
dependencia en colas equivale a .

***

En efecto, aplicando la regla de LHpital en (2.12a),

Adems, ; e igualmente:

46Desarrollamos a continuacin lo indicado al respecto por Embrechts, McNeil y Straumann

(2002).

88
 Recordemos ahora expresin (2.5) y razonamiento que nos condujo a ella
que si F(x,y) es una funcin de distribucin derivable,

(siendo f(x) la funcin de densidad de X). Si aplicamos esto a una cpula C(u,v)
obtenemos = Prob(VvU=u).1; por tanto,

La diferencial total es:

Si hacemos u = v = y admitimos que nos queda:

y en consecuencia,

Esta relacin permite calcular el coeficiente de la cpula gaussiana, cuya si-

metra da lugar a la igualdad entre los coeficientes de dependencia en la cola
superior y en la inferior. Para ello, tengamos en cuenta, llamando N1 y N2 a dos
variables independientes y normales (0, 1), que si X e Y son variables tambin
normales (0, 1) pero con coeficiente de correlacin ,

47Comparemos este resultado con la expresin (2.11), en donde el condicionante era V>, pero el
lmite no se duplicaba, como ocurre aqu.

89
 Por tanto, la variable (YX=x) es es decir, una variable nor-
mal con media .x y desviacin tpica y la probabilidad buscada ser,
llamando a la funcin de distribucin normal (0, 1),

(salvo que =1). Por tanto, en la cpula de Gauss no hay dependencia en las
colas si <1.

Utilizaremos tambin la relacin (2.13) para obtener el coeficiente de dependen-

cia de la cpula t. Si el par se distribuye segn la t bivariante con grados de
libertad y coeficiente de correlacin , nuestro primer objetivo es determinar
cmo se distribuye la variable condicionada (YX=x). Si llamamos f(x,y) y f(x) a las
funciones de densidad conjunta y marginal, respectivamente, tendremos que:

Para llegar a la ltima expresin hemos multiplicado y dividido por . Si

comparamos lo obtenido con la funcin f(x) (densidad de la t de Student) con-
cluimos que aquello es la funcin de densidad de una variable t con +1 gra-
dos de libertad, multiplicada por

90
 y de la que se resta .x. Es decir:

En otras palabras: si X e Y se distribuyen conjuntamente segn la t de Student,

entonces la diferencia entre la variable Y, condicionada a un cierto valor de
X=x, y el producto x, multiplicada dicha diferencia por

es una variable A(x,y) que se distribuye como una t con +1 grados de li-
bertad.

Para obtener el coeficiente (tampoco hay necesidad de distinguir entre el

superior y el inferior, por la simetra de la distribucin t y de su cpula) hemos
de determinar el lmite de A(x,y), si tanto y como x tienden simultneamente
a infinito, que equivale a:

Si sustituimos este resultado en la funcin de distribucin t de Student

obtenemos una probabilidad inferior a 1 (salvo que sea =1) lo que signi-
fica que el coeficiente es mayor que cero48. Por tanto, en la cpula t hay
dependencia en la cola y el coeficiente (superior e inferior al ser simtrica
la distribucin) es:

(t+1 representa una variable t con +1 grados de libertad).

***

48 Si dicha probabilidad es menor que 1, ello significa que la expresin (2.13) dar un valor del co-

eficiente mayor que cero. Hacer que y tienda a infinito equivale a que, en dicha expresin, 1.

91
El Cuadro 2.1 contiene valores de para algunos pares (, ).

En la Figura 2.11 se representa la funcin (,) (es decir, coeficiente de depen-

dencia en ambas colas en el caso de la cpula t); en la Figura se ve cmo, para un
nmero fijo de grados de libertad, aumenta al hacerlo mientras que, a igual
correlacin, la dependencia en colas aumenta al disminuir .

En el Epgrafe 6 determinaremos el coeficiente de dependencia en colas de varios

tipos de cpulas arquimedianas.
\ 2 5 10 3049
-0,7 0,025 0,001 0 0
-0,3 0,099 0,016 0,001 0
0,0 0,182 0,050 0,007 0
0,3 0,293 0,122 0,033 0
0,7 0,519 0,343 0,191 0,026
Cuadro 2.1: Varios valores de la funcin (,)

Figura 2.11: Funcin (,)

49 Los ceros de esta columna no significan ausencia total de dependencia, sino valores inferiores a

una milsima.

92
4. CPULAS ARQUIMEDIANAS

Las arquimedianas son una clase de cpulas cuya gran importancia radica en dos
circunstancias: En primer lugar, sus interesantes propiedades, que hacen de ellas un
instrumento de fcil aplicacin, al menos en el caso bivariante; y en segundo lugar, su
notable variedad, que posibilita construir modelos adaptables a muchas situaciones.

Hay cpulas arquimedianas de uno o ms parmetros y tambin bivariantes o

multivariantes50. Nos limitaremos ahora a las cpulas arquimedianas bivariantes
y de un parmetro.

Una manera de introducirnos en estas cpulas es la siguiente51: La cpula de in-

dependencia C(u,v)= u.v puede tambin escribirse as:

Si hacemos (t) =LN(t) resultar que -1(t) = e-(t). Por tanto u.v= e-(u)(v) y esto,
expresado en funcin de (.) y de su inversa da lugar a:

C(u,v) = u.v = -1[(u) + (v)] (2.14).

La funcin (t) es continua, decreciente y convexa. Adems, (1) = 0. Con estas

condiciones de , la expresin (2.14) es una cpula, concretamente la de indepen-
dencia, como acabamos de ver. La pregunta que surge ahora es: Qu ocurrir si
aplicamos (2.14) con una funcin (t) que rena las expresadas caractersticas,
pero que sea distinta de LN(t)?

Por ejemplo, si (t) =(LN(t)), entonces t =exp(1/).

Es decir que -1(t) = exp(t1/) y por tanto la cpula resultante es, en virtud de (2.14):

C(u,v) = exp[((u) + (v))1/] = exp[ ((LN(u)) + (LN(v)) )1/].

50 En el Captulo IV haremos una referencia a cpulas arquimedianas multivariantes.

51 Nelsen (2006), pgina 151 y ejemplo 4.2(a) de la pgina 112.

93
Esta funcin resulta ser una cpula (llamada cpula de Gumbel) que veremos ms
adelante.

A la funcin (t) se le llama generador y ha de reunir las caractersticas que

hemos dicho para que (2.14) sea una cpula, es decir:

1. Que sea continua (no necesariamente derivable).

2. Que sea montona decreciente.

3. Que (1) = 0.

4. Que sea convexa.

En la Figura 2.12 se representan dos tipos de funcin [designada como (t)] que
renen estas caractersticas. La funcin ( en la grfica) es generador estric-
to si (0) = ; en este caso -1 est definida para cualquier valor de la ordenada
positiva. En otro caso (Figura 2.12(b)) -1 slo est definida para valores de la or-
denada comprendidos en [0,(0)] y de ah que haya que definirla convencional-
mente para ordenadas superiores a (0); ello se logra haciendo -1(t) = 0 para
t(0). A esta inversa con definicin parcialmente convencional se denomina
pseudo-inversa y ha de designarse por [-1], porque la notacin -1(t) es espec-
fica del generador estricto. Por tanto, si el generador es estricto, [-1] = -1.

Una vez caracterizada la funcin generador (t) falta demostrar que las funciones
de la forma (2.14) obtenidas con tales generadores renen los requisitos propios
de las cpulas. El de ser creciente52 puede demostrarse que se cumple por ser el
generador convexo (Demostracin en Nelsen (2006), pgina 111).

Adems:

C(u,1) = [-1][(u) + (1)] = [-1][(u)] = u

C(u,0) = [-1][(u) + (0)] = 0, puesto que:

52 Vase epgrafe 2, condicin 3.

94
 Figura 2.12(a): Generador estricto. Figura 2.12(b): Generador no estricto.

Si es generador estricto, (0) = y, por tanto, [-1] [(u) + ] = 0

Si es generador no estricto, C(u,0) = [-1] [r] = 0, al ser r = (u) + (0) (0).

Las cpulas arquimedianas son simtricas, en el sentido de que se pueden inter-

cambiar sus variables: Es inmediato ver que C(u,v) = C(v,u).

Tienen la propiedad asociativa, ya que C[C(u,v), w] = C[u,C(u,w),]; para comprobar-

lo, observemos que

De (2.14) resulta inmediatamente que

(C(u,v)) = (u) + (v) (2.15)

y, por tanto,

C[C(u,v), w] = [-1] [(u) + (v) + (w)] = C[u, C(v,w)] (2.16).

95
Otra caracterstica de las cpulas arquimedianas es que,

el signo de desigualdad est justificado por ser (y, por tanto, tambin [-1]) decre-
ciente.

Veamos ahora algunos casos de cpulas arquimedianas53. Nos limitaremos aqu a

exponer su funcin generador y expresin de la respectiva cpula, con algunos
comentarios generales. Dejamos para ms adelante el clculo del coeficiente y
la dependencia en colas.54

La cpula de Gumbel

Su generador es

(t) = (LN(t)) (1 (2.17).

y por tanto, la cpula tiene la expresin siguiente:

(2.18).

En la Figura 2.13(a) se representa la funcin de densidad de la cpula de Gumbel

y en la 2.13(b) mil puntos simulados de la misma, en ambos casos con un parme-
tro =2. Como puede verse, este modelo concentra la mayor densidad en el ngu-
lo superior derecho, es decir, en valores de u y v prximos a 1; esta cpula puede
ser de aplicacin, por tanto, si la dependencia entre las variables X e Y es ms
fuerte precisamente al coincidir valores altos de una y otra.

53 Slo examinaremos tres casos de cpulas arquimedianas. Nelsen (2006), pginas 116 a 118,
incluye una tabla con 22 tipos de estas cpulas.
54 Epgrafe 6.

96
 Figura 2.13(a): Densidad Gumbel, =2. Figura 2.13(b): 1000 puntos Gumbel, =2.

La cpula de Clayton

Su funcin (t) es:

y por tanto, la cpula:

Con la cpula de Clayton ocurre lo contrario que con la anterior, de Gumbel: Las
mayores densidades estn en el ngulo inferior izquierdo y de ah que se utilice
cuando la dependencia entre las variables sea mayor en el caso de que valores
bajos de una tiendan a coincidir con valores bajos de la otra variable (Figura 2.14).

97
Figura 2.14(a): Densidad Clayton, =2. Figura 2.14(b): 1000 puntos Clayton, =2.

La cpula de Frank

Esta cpula es simtrica radialmente, igual que ocurre con las cpulas elpticas;
por tanto, las densidades estn igualmente repartidas en zonas prximas a (0,0) y
a (1,1) del cuadrado [0, 1]2. En las Figuras 2.15(a) y (b) se observan estas caracte-
rsticas.

El generador de esta cpula es:

(= cualquier nmero real, salvo el 0).

y la funcin C(u,v):

98
 Figura 2.15(a): Densidad Frank, =8. Figura 2.15(b): 1000 puntos Frank, =8.

La variedad de cpulas arquimedianas es, segn apuntamos anteriormente, muy

amplia. Como afirma Nelsen (2006)55 se pueden construir las cpulas arquime-
dianas que se quiera, slo con encontrar funciones que sirvan como generadores.

Concluimos este epgrafe con una observacin. Muchas cpulas arquimedianas

conducen, para ciertos valores del parmetro , a la cpula mxima M, a la mni-
ma, W o a la de independencia . Por ejemplo, con la cpula de Frank llegamos a
M cuando . La cpula de Clayton se identifica con M si , etctera. Ahora
bien, esto no significa que con el paso al lmite de C(u,v) no podamos salir de la
clase arquimediana. En efecto, la cpula mxima M(u,v) = min(u,v) no es arquime-
diana, como veremos en el epgrafe siguiente.

5. POR QU SE LLAMAN ARQUIMEDIANAS?

El trmino cpula aplicado a las funciones que ya conocemos es relativamente

reciente; fue introducido por Sklar en 1959. Arqumedes vivi en el siglo III antes
de Cristo. Cmo se explica, entonces, tan flagrante anacronismo?

55 Pgina 114.

99
Nelsen se ocupa de esta cuestin56 y explica que el origen est en el axioma de
Arqumedes: Dados dos nmeros reales positivos a, b, existe siempre un entero n
tal que n.a>b. Y las cpulas arquimedianas tienen una propiedad que recuerda
este axioma. De similar forma que la multiplicacin de n por a genera un nuevo
nmero, la introduccin de u y v en la funcin C(u,v) da lugar a un tercer nmero.
Si reiteramos esta operacin a partir de un nmero inicial u [0,1] obtenemos,
aplicando (2.14) y (2.15):

De lo anterior y del hecho de que la funcin [-1] es montona decreciente, deduci-

mos la propiedad (que recuerda el axioma de Arqumedes) segn la cual en cual-
quier cpula arquimediana C(u,v), siempre existe un entero n tal que Cn= [-1][n.(u)]
<v. Para lograr esta desigualdad no tenemos ms que elegir un n suficientemente
grande.

Ahora bien, lo sorprendente es que no slo las arquimedianas, sino otras muchas
cpulas cumplen la condicin que atribuye su denominacin a las primeras. Sea
C(u,v) una cpula tal que para todo punto (u,v) perteneciente al cuadrado (0,1]2
cumpla la condicin de ser menor que la cpula mxima, es decir:

C(u,v)< min(u,v)

56 Pginas 115, 122 y siguientes.

100
Sobre esta base podemos elaborar la sucesin siguiente:

C1 = C(u, u)< u

C2 = C(u, C1)< C1

C3 = C(u, C2)< C2

..........

Cn+1 = C(u,Cn)< Cn

Tenemos, por tanto, u> C1 > C2> . . . >Cn > . . . que es una sucesin de nmeros
positivos, infinita, decreciente e inferiormente acotada en 0 (puesto que toda c-
pula ha de cumplir C(u, 0) = 0. Por tanto, la sucesin Cn0 y siempre ser posible
encontrar un nmero entero n tal que Cn < v, por pequeo que v sea.

La cpula mxima no es arquimediana, porque se identifica con el valor menor de

sus dos componentes (u, v).

Concluimos que la denominacin de estas cpulas no es adecuada, porque hace

referencia a una caracterstica que comparten con muchas otras. Es decir, hay
cpulas que tambin merecen el calificativo de arquimedianas y no pertenecen
a la familia de las que habitualmente se llaman as.

6. UNA IMPORTANTE PROPIEDAD DE LAS CPULAS ARQUIMEDIANAS

Abordamos ahora el estudio de una frmula de gran utilidad que es, quiz, una de
las principales razones de que el uso de las cpulas arquimedianas est tan ex-
tendido. Esta frmula es:

(2.23)

101
en donde KC(t) = Prob[C(U,V) t] y +(t) es la derivada por la derecha de la funcin
generador.

La importancia de la frmula (2.23) radica en posibilitar la fcil comparacin entre

un modelo concreto de cpula arquimediana y la cpula emprica57. Esta compa-
racin se hace con las probabilidades que la frmula permite conocer para cada
valor de t, por un lado, y las frecuencias observadas por otro. En el Captulo IV y
sobre todo en el V, haremos uso reiterado de (2.23).

***

Para demostrar dicha relacin,58 empezamos por introducir el concepto de

H-volumen de un recinto B. Sea una funcin H(x,y) y B un rectngulo pertene-
ciente a su dominio de definicin (Figura 2.16). El H-volumen de B es:

VH(B) = H[x(2), y(2)] H[x(2), y(1)] H[x(1), y(2)] + H[x(1), y(1)].

Esto puede expresarse tambin:

Si H es una funcin de distribucin, VH(B) mide la probabilidad del recinto B,

es decir, Prob[x(1) < X < x(2); y(1) < Y < y(2)].

Si VH(B) 0 la funcin H es 2-creciente; en tal caso a H se le llama H-medida

de B.

57La cpula emprica ser objeto de estudio en el Captulo III. De momento podemos identificar
cpula emprica con la versin muestral de la cpula.
58 La demostracin que sigue se basa en la de Nelsen, (2006) pginas 127 y siguientes.

102
Figura 2.16.

Por ejemplo, en la cpula mxima M=min(u,v) la densidad est concentrada

en la diagonal del cuadrado [0,1]2, segn se ve en la Figura 2.17. Slo tienen
densidad los puntos (u,v) que estn debajo de la diagonal (0,0)(1,1) del cua-
dradobase.

Consideremos, por ejemplo, el rectngulo (perteneciente a dicho cuadrado-

base y exterior a esta ltima diagonal):

B = [0,5<u<0,6] x [0,2<v<0,3].

La M-medida de B ser:

VM(B) =
M(0,6; 0,3) M(0,6; 0,2) M(0,5; 0,3) + M(0,5; 0,2) =0,3 0,2 0,3 + 0,2 = 0.

Ello nos indica que en B no hay probabilidad, porque ningn punto de la recta
que la concentra est contenido en B. La cpula M presenta, encima de B, la
forma de una superficie plana descendente hacia el eje u.

En general, la C-medida sobre B es la probabilidad que hay sobre el rectn-

gulo B, segn la cpula C. Observemos que C(u,v) es la C-medida cuando B =
[0, u] x [0, v].

103
 Figura 2.17.

Podemos definir a B como el conjunto de puntos (u,v) I2 tal que C(u, v) t y

preguntarnos por la probabilidad de que C(U, V) t. Esa probabilidad es la que
mide la funcin KC(t) = Prob[C(U, V) t], de manera que KC(t) es la funcin de
distribucin de la variable aleatoria C(U, V) (siendo U y V variables uniformes
(0,1) con distribucin conjunta C(u,v)).

Para demostrar (2.23) consideremos un valor fijo de t [0, 1] al que llamare-

mos t(0). (Figura 2.18, en que se representa la funcin generador de la cpula
C(u,v)59).

Designamos por w a la ordenada correspondiente a t(0), es decir, a [t(0)]; di-

vidimos el intervalo (0, w) en n partes iguales: 0, w/n, 2w/n, . . . , kw/n, . . . , nw/n.
A continuacin determinamos el valor de la abscisa que corresponde a cada
una de las n+1 ordenadas originadas por esa divisin:

59 En esta grfica se representa como (kw/n)^[-1] lo que en el texto designamos como (kw/n)[-1]

o bien, para mayor simplicidad, (kw/n)-1.

104
 Ordenada Abscisa correspondiente
v(n) =0 u(n) = 1
v(n-1) =w/n u(n1)
v(n-2) =2w/n u(n2)
............. ............
v(k+1) = (nk1)w/n u(k+1) = u[n(nk1)]
v(k) = (nk)w/n u(k) = u[n(nk)]
v(k-1) = (nk+1)w/n u(k-1) = u[n (nk+1)]
.............. ..............
v(1) = (n1)w/n u(1) = u[n(n1)]
v(0) = nw/n u(0) = u[nn] = t(0)

Nos fijamos ahora en la cpula arquimediana generada por la funcin (t):

C(u,v) =-1[(u) + (v)]; la ecuacin de la curva de nivel de C(u,v) correspon-

diente a t(0) ser C(u,v) = t(0) y, por tanto:

(u) +(v) = [t(0)]

Figura 2.18.

105
 o bien, despejando v:

v = -1[(t(0)) (u)] (2.24)

Si u = 1,

v = -1[(t(0)) (1)] = t(0).

Y si v = 1,

1 = -1[(t(0))(u)]

y de aqu resulta (1) = 0 = [t(0)] (u); luego t(0) = u.

Figura 2.19.

Estamos ya en condiciones de calcular la C-medida del rectngulo R(k) (Figura

2.19); llamamos t(0) a la abscisa menor de la curva de nivel C(u,v) = t(0), segn
la grfica; la mayor es 1; la divisin del intervalo [t(0),1] en n secciones coinci-
dir con la que llevamos a cabo anteriormente (Figura 2.18); los puntos que
nos interesan son los cuatro vrtices del rectngulo R(k). El primero de los
inferiores tiene como abscisa u(k-1) y es ; y el segundo,

106
u(k) = -1 ; la ordenada de los dos vrtices superiores es, en virtud de
(2.24) y teniendo en cuenta que [t(0)] = w (ver Figura 2.18),

El rectngulo R(k)= Rk es, por tanto: Rk = [u(k1), u(k)] x [0, v(k1)]; y por con-
siguiente, VC(Rk) ser:

De aqu que, finalmente . Sumamos todos los

rectngulos Rk desde k = 1 hasta n:

Nuestro propsito inmediato es obtener el rea comprendida entre la curva de

nivel de la Figura 2.19 y el eje de abscisas. Para ello hemos de calcular el l-
mite del anterior sumatorio cuando el nmero de rectngulos aumenta inde-
finidamente, es decir, cuando n.

107
 La derivada obtenida es la de la funcin -1(w) y es la derivada por la izquier-
da. Equivale a la C-medida de la superficie rayada (Figura 2.20) y tambin
puede expresarse as:

La derivada es ahora por la derecha, al ser (t) una funcin decreciente.

Finalmente, la C-medida KC(t) se obtendr sumando al resultado anterior la

medida del rectngulo [0, t(0)] x 1, que es t(0)60. Por tanto, si ahora volvemos a
designar a la funcin generador como (t) tenemos que para cualquier t del
intervalo (0,1),

KC(t) = t (t)/(t)+.

Figura 2.20.

***

60 KC([0, t(0)] x 1) = C(t(0), 1) C(0,1) C(t(0), 0) + C(0,0) = t(0)

108
Por ejemplo, en una cpula de Gumbel con =2, la expresin anterior ser:

De (2.9) y (2.23) puede deducirse una interesante relacin entre el coeficiente de

Kendall y el generador (t). La expresin (2.9) puede escribirse as:

= 4.E[C(U,V] 1

Pero (2.23) nos da la funcin de distribucin de C(U, V), es decir, Prob[C(U, V) t]

= KC(t). Por tanto,

(2.25)

Esta frmula es de gran importancia porque permite relacionar el valor muestral

de con el parmetro del modelo arquimediano elegido, abriendo la posibilidad
de un mtodo de estimacin similar al mtodo de los momentos.

Por otra parte, (2.25) permite obtener fcilmente el valor de en las cpulas ar-
quimedianas, como vamos a ver en seguida.

a) La cpula Gumbel tiene como generador (2.17) y por tanto:

(2.26)

b) El generador de la cpula Clayton es (2.19) y de ah que:

(2.27)

c) En el caso de la cpula Frank el generador viene dado por (2.21). Su derivada es:

109
Demostraremos a continuacin que, en este modelo de cpula, la expresin de
en funcin de viene dada por (2.28).

***

Para aplicar (2.25) hemos de calcular la integral

Al integrar por partes expresamos el resultado en forma de lmite cuando

tiende a cero el extremo inferior de integracin; de esta forma se evitarn las
indeterminaciones que de otro modo apareceran en el integrando (por ejem-
plo, al hacer t=0 en el cociente cuyo logaritmo figura en l):

Definimos ahora las funciones A(x) y B(x) y la integral C, de manera que sea

cuando x tiende a cero el contenido del primer parntesis equivale a 1/; de

aqu que, en adelante, tomemos como valor de A(x):

Esta ltima integral recibe el nombre de integral de Debye; en general, la

forma de estas integrales, es:

110
 Por tanto, C = D1().

Calculamos ahora el lmite de A(x) B(x) cuando x0:

Como la funcin logartmica es continua en (0,) puede calcularse el anterior

lmite mediante la regla de LHpital y a continuacin el logaritmo de dicho
lmite (por la derecha).

El logaritmo del lmite es y en consecuencia el lmite de A(x)B(x) al tender

x a cero es ; de aqu que y, finalmente,

(2.28)

siendo D1() la ya citada integral de Debye con parmetro k = 1.

***

Obtenidas las frmulas para en estos tres modelos de cpulas, finalizamos este
Epgrafe con la expresin de los coeficientes de dependencia en colas. Al tratarse
de cpulas explcitas, no hay ms que aplicar (2.12a) y (2.12b) para sup y inf. Para
llegar al coeficiente respectivo obtenemos la funcin f() = C(, ) y su derivada y
aplicamos a continuacin la regla de LHpital en el clculo del lmite en las cita-
das expresiones (2.12a y 2.12b).

a) Cpula de Gumbel.

111
 (2.28a)

Cuanto mayor sea , ms alta ser la dependencia en la cola superior. El coefi-

ciente inf es nulo:

b) Cpula de Clayton.

(2.28b)

Como era de esperar, la cpula de Clayton presenta dependencia en la cola infe-

rior, exclusivamente, que ser tanto mayor cuanto ms grande sea .

c) Cpula de Frank.

Observemos que f (1) = 2; y f (0) = 0; por tanto,

112
La simetra de esta cpula es congruente con la igualdad de ambos coeficientes
de dependencia que, adems, son nulos como ocurra en la cpula gaussiana.

7. FUNCIONES COPULATIVAS Y DISTRIBUCIONES MULTIVARIANTES

Ya hemos visto que el Teorema de Sklar61 nos dice que a partir de una cpula y de
unas distribuciones marginales puede obtenerse una distribucin multivariante.
ste es el origen de la aplicacin ms interesante de las cpulas. Con ellas pode-
mos formar funciones de distribucin. Al separar las piezas que integran la dis-
tribucin multivariante (cpula por una parte y mrgenes por otra) y ser stas
susceptibles de combinarse entre s, podemos formar una gran variedad de fun-
ciones de distribucin.

Sea C(u1,u2, . . . , ud) una cpula de d dimensiones y las Fi (i = 1, 2, ... , d) sus res-
pectivas distribuciones marginales continuas; si hacemos ui = Fi(xi) obtenemos

C(u1,u2, . . . , ud) = C(F1, F2, ..., Fd) = F(x1, x2, ..., xd)

que es la funcin de distribucin resultante, tambin llamada metadistribucin.

Calculemos ahora la funcin de densidad conjunta f ( x1, x2, ..., xd):

(2.29)

en donde las fi(xi) son las densidades marginales. Es decir, que la funcin de densi-
dad conjunta es igual a la funcin de densidad de la cpula, multiplicada por el pro-
ducto de las densidades marginales. La expresin (2.29) ha de manejarse con cui-
dado porque, tal como acabamos de escribirla, en el primer miembro aparecen x1,
x2, ..., xd como variables independientes y en el tercero, adems de ellas, u1, u2, ...,ud.

Ya vimos en (2.2b) el caso de la cpula gaussiana bivariante, cuya densidad escri-

bimos ahora como c(u,v) = [r(u), s(v)]/{[r(u)].[s(v)]} (en donde (r,s) representa la
funcin de densidad normal bivariante y (.) la densidad de la variable normal

61 Epgrafe 2.

113
univariante); las funciones r(u) y s(v) son las transformadas inversas segn dicha
normal univariante, es decir que:
r(u) = -1(u), s(v) = -1(v),
siendo (.) la funcin de distribucin normal univariante. Si nos ceimos al caso
bivariante y deseamos aplicar (2.29) cuando se trata de dos variables X, Y con c-
pula gaussiana y mrgenes con funciones de distribucin FX(x) y FY(y) y densida-
des fX(x), fY(y) resultar:

Pero u y v son funciones de x e y, respectivamente, al ser u = FX(x), v= FY(y) y por

eso podemos escribir:

La funcin f(x, y) representada en la Figura 2.3(b) por medio de sus curvas de nivel
es la densidad de una distribucin con cpula Gauss con = 0,4 y mrgenes expo-
nenciales62 con parmetro a=2.

Ejemplo 2.7: Densidad de probabilidad de una metadistribucin Gauss-

exponencial.

Tomaremos la anterior funcin f(x,y) con los expresados parmetros para

ilustrar cmo calcular la densidad de probabilidad en el punto en que las va-
riables exponenciales tomen, por ejemplo, los valores x = 5, y = 3; en ellos la
ordenada de la funcin de distribucin exponencial respectiva es u = 1e5/2
= 0,9179; v= 1e3/2 = 0,7769. En una distribucin normal (0,1) el valor r que
corresponde a una probabilidad acumulada igual a 0,9179 es 1,3911; y el va-
lor s tal que (s) = 0,7769 es s= 0,7618. Por tanto, la densidad buscada ser:

62 Por tanto, su funcin de distribucin es E(x) =1ex/a.

114
 Las dos ltimas fracciones equivalen, cada una, a la correspondiente densi-
dad exponencial, puesto que u = 1ex/2; como la densidad es ex/2/2, sta se
identifica con la primera de ambas fracciones y otro tanto cabe decir respecto
de Y en cuanto a la ltima fraccin.

Camino parecido hay que seguir para obtener la funcin de densidad de la otra
cpula implcita que hemos visto, la cpula t.

En la Figura 2.3(a) tenemos la densidad de la metadistribucin Gauss-lognormal.

Esta funcin puede obtenerse por el mismo procedimiento que acabamos de des-
cribir, pero tambin representando directamente la funcin de densidad lognor-
mal bivariante, es decir,

con los valores = 0,346; = 0,832; = 0,4.

Cuando la cpula a la que conectamos las distribuciones marginales es de carc-

ter explcito, el proceso es mucho ms sencillo63. Tomemos como ejemplo la c-
pula de Gumbel, a la que vinculamos dos distribuciones marginales iguales de
tipo exponencial con parmetro a=2. La funcin de distribucin que combina am-
bas caractersticas (cpula y mrgenes) se obtiene al sustituir las variables u y v
de dicha cpula, por su equivalencia en la distribucin exponencial, es decir, u =
1ex/2; v= 1ey/2. La funcin de densidad f ( x, y) ser, como siempre, el producto

63 En Venter (2002) hay varios grficos que permiten comparar las densidades de diversas dis-

tribuciones resultantes de la conexin de varios tipos de cpulas con densidades logartmico-

normales.

115
de la densidad de la cpula, c(u,v), por el de las densidades marginales. En este
caso:

c es la densidad de la cpula de Gumbel, es decir:

Figura 2.21: Curvas de nivel de la densidad de la distribucin con cpula de Gumbel de parmetro
=1,355 y mrgenes exponenciales de media y desviacin tpica iguales a 2.

Si, por ejemplo, =1,355 (con lo que =0,26264) resulta, para a=2, la densidad f(x,y)
representada por medio de curvas de nivel que aparecen en la Figura 2.21.

64 Hemos elegido = 0,262 por ser ste el de la cpula gaussiana de las distribuciones representa-

das en las Figuras 2.3(a) y 2.3(b), segn resulta de la expresin (2.4).

116
8. CPULAS DE SUPERVIVENCIA

En algunas aplicaciones se utiliza la funcin de supervivencia Prob(X>x) = 1F(x)

= (x) en lugar de la funcin de distribucin F(x). Si se trata de dos variables, X, Y
con funcin de distribucin conjunta H(x,y) y mrgenes F(x) y G(y) que en lo su-
cesivo designaremos por H, F, y G, respectivamente siendo C(u, v) la correspon-
diente cpula, tendremos que H = C(F,G) = C(u,v) y la funcin de supervivencia
conjunta ser (Figura 2.22):

Prob(X>x, Y>y) = (x,y) = 1F(x)G(x) + H(x,y).

En la Figura 2.23 se representa a para el caso en que la estructura de depen-

dencia entre X e Y sea la cpula Gumbel con = 2 y los mrgenes sean exponen-
ciales con parmetro 1. Llamamos (u,v) a la funcin anloga a (x,y), es decir,
(u,v) = Prob(U>u; V>v) = 1 u v + C(u,v).

Figura 2.22.

117
Figura 2.23: Funcin de supervivencia conjunta de la distribucin con cpula Gumbel con = 2 y
mrgenes exponenciales de parmetro 1.

Su grfica, con los mismos datos para la estructura de dependencia que los de la
Figura 2.23, est en la Figura 2.24.

Si en la funcin introducimos u y v obtenemos (u,v) = (x,y) (como de costum-

bre, u = F(x); v = G(y)); pero si en insertamos 1u, 1v, la funcin resultante es,
evidentemente, distinta. La llamamos cpula de supervivencia, designndola por
(u,v). Es decir:

De manera similar a C(u,v) = C(F,G) = H(x,y), la relacin con la cpula de supervi-

vencia es ( , ) = (x,y).

118
Figura 2.24: Funcin (u,v) = Prob(U>u; V>v) correspondiente a la cpula de Gumbel de
parmetro = 2.

Que (u,v) es una cpula puede confirmarse al comprobar que cumple las propie-
dades de estas funciones:

1) (u, 1) = u + 1 1 + C(1u, 0) = u (y lo mismo para v).

2) Si a<b y c<d se verifica que:

(b,d) (a,d) (b,c) + (a,c) 0

En efecto,

b + d1 + C(1b, 1d)ad + 1C(1 a, 1 d)b c + 1

C(1b, 1 c) + a + c1 + C(1 a, 1 c) =
C(1a, 1c) C(1a, 1d) C(1 b,1 c) + C(1 b, 1 d) 0

119
ya que: 1a > 1 b y 1 c > 1d y que C es una cpula.

Observamos ahora lo siguiente:

En primer lugar, que la funcin (u,v) = Prob(U>u; V>v) no es una cpula, segn
se ve claramente en la Figura 2.24. Y en segundo trmino, que en esta misma fun-
cin (u,v)=1 u v + C(u,v) hemos introducido 1u = y 1v = en el lugar de
u y v respectivamente, con lo cual (1u, 1v) = u + v 1 + C(1u, 1v). Es ste
un paso fundamental en la gnesis de porque significa pasar a contemplar o
medir a desde el ngulo superior derecho del cuadrado [0, 1]2 y no, como origi-
nariamente, desde el inferior izquierdo. Es decir, que en aparecen u y v que,
evidentemente, son variables cuyo punto cero se encuentra en dicho ngulo infe-
rior izquierdo. Al introducir y en lugar de u y de v trasladamos este origen
desde (0,0) a (1,1) y con ello logramos una funcin que guarda, con respecto a C,
la simetra que veremos ms adelante.

En la Figura 2.25 se representan las densidades de la cpula Clayton y de su c-

pula de supervivencia, con parmetro =3. En la parte (a) se ve la densidad de esta
cpula Clayton como superficie en tres dimensiones, y en (c) mediante algunas
curvas de nivel; en (b) y (d) est la cpula de supervivencia de dicha cpula, repre-
sentada tambin de ambas maneras. Al observar esta Figura en sus cuatro par-
tes, queda claro que la cpula de supervivencia tiene su densidad distribuida en
[0, 1]2 de manera simtrica a la cpula original:

120
 (a) (b)

(c) (d)

Figura 2.25: Densidad de la cpula de Clayton (a) y (c) y de su cpula de supervivencia (b) y
(d)para =3.

La cpula de supervivencia que corresponde a la cpula de Clayton y cuya densidad

est representada en las partes (b) y (d) de la anterior Figura, tiene inters en las
aplicaciones actuariales, porque, al igual que la cpula de Gumbel, concentra ma-
yor densidad en la proximidad de (1,1), es decir, del ngulo superior derecho de
[0,1]2. Esta cpula de supervivencia se conoce como cpula HRT (de su denomina-
cin en ingls heavy right tail copula. Su coeficiente es el mismo, lgicamente, que
el de la cpula de Clayton de igual parmetro. La expresin de la cpula HRT es:

C(u,v)=u + v 1 + [(1 u)- + (1- v)-1)]-1/

121
Ya hemos visto que (u,v) = (F,G) = ( , ) y que, por tanto,

( , ) = (F,G) = (x,y).

La densidad en el punto (u,v) segn (u,v) coincide con la densidad en (1u, 1v)
segn C(u,v). Por eso algunos autores denominan a la cpula de supervivencia
flipped copula65. Una forma alternativa de obtener (u,v), seguira los siguientes
pasos:

a) Calcular la funcin de densidad de la cpula original C(u,v) y situarla en el punto

(1u, 1v), es decir

Esta funcin de densidad guarda simetra respecto de c(u,v).

b) Calcular la funcin de distribucin a que corresponde la de densidad c(1u,

1v). Esa funcin de distribucin es la cpula de supervivencia. En efecto:

Hacemos el cambio de variables

65 Venter (2002); coloquialmente, significa poner la cpula al revs o en direccin opuesta.

122
Queda comprobado, por tanto, que la cpula correspondiente a la densidad sim-
trica (es decir, a c(1 u, 1v)) es precisamente la cpula de supervivencia.

Qu hemos conseguido, entonces, con la cpula de supervivencia? Obtener un

modelo de estructura de dependencia distinto del original, de manera que si ste
no era til para representar el fenmeno de inters, la cpula de supervivencia
constituye una alternativa ms a la hora de seleccionar el modelo ms adecuado.

Hemos dicho ms arriba, refirindonos a la cpula de supervivencia de Clayton,

que tiene el mismo coeficiente que la cpula de Clayton. Por otra parte, ya sabe-
mos que en las aplicaciones actuariales tienen especial importancia aquellas c-
pulas con dependencia en la cola superior, puesto que modelizan fenmenos en
que sucesos desfavorables en un cierto riesgo tiendan a ir acompaados de suce-
sos desfavorables en otro u otros riesgos. De ah que tenga inters comparar la
dependencia en la cola derecha de la cpula de supervivencia de Clayton con la
cpula de Gumbel, que es el nico modelo de los tres estudiados en el Epgrafe 4
que tiene esa propiedad.

Para hacer tal comparacin, partimos de la hiptesis de que ambas cpulas cu-
yos parmetros designamos como G y C segn se trate de la cpula de Gumbel
o de la de Clayton tienen el mismo coeficiente de Kendall. Si ponemos el res-
pectivo parmetro en funcin del coeficiente [expresiones (2.26) y (2.27)] y susti-
tuimos cada expresin resultante en (2.28a) y (2.28b), resulta, designando a los
respectivos coeficientes de dependencia en la cola superior, de Gumbel y de
Clayton (cpula de supervivencia) como G y C:

G = 22 1-
C = 2 (1-)/(2)

123
Figura 2.26: Dependencia en la cola derecha de la cpula de Gumbel y de la cpula de
supervivencia de Clayton, en funcin del coeficiente .

Segn puede apreciarse en la Figura 2.26, la cpula de supervivencia de Clayton

presenta, para igual coeficiente , una dependencia en la cola superior ms eleva-
da que la de Gumbel, siempre que dicho coeficiente sea mayor que 0,21, aproxi-
madamente, lo que supone, en la cpula de Gumbel, un parmetro igual a 1,264,
y en la de Clayton de 0,528 (valores aproximados). La mxima diferencia entre el
coeficiente sup se produce para la abscisa = 0,5. Este valor del coeficiente co-
rresponde a un parmetro = 2 tanto en la cpula de supervivencia de Clayton
como en la de Gumbel.

9. EJEMPLOS DE CONSTRUCCIN DE CPULAS

Hemos visto ya algunos ejemplos de cpulas implcitas (la gaussiana, la cpula t).
Expondremos a continuacin unos casos ms en que, por un camino u otro, se
llega a la cpula a partir de la distribucin conjunta.

El primero de estos casos lo sugiere un ejemplo propuesto por T. Schmidt (2006)

y lo planteamos de la siguiente forma: Sean dos variables X, Y con la misma

124
funcin de distribucin, G(.). Realizamos un experimento que genera un valor para
cada variable. Ambos resultados son independientes entre s. Pero si conocira-
mos el menor de estos dos valores y el importe del mismo, ganaramos informa-
cin acerca del otro, que necesariamente no sera inferior al primero. Por tanto,
las variables N = min(X, Y) y M = max(X, Y) no son independientes y nos propone-
mos obtener su funcin de distribucin conjunta y su cpula. A dicha funcin de
distribucin conjunta la designaremos F(x,y) = Prob(Nx; My). Pues bien, F(x,y) es:

F(x,y)=2G [min(x, y)]G(y) G [min(x, y)]2.

En efecto, para que (N x) y (My) es necesario que se produzca el suceso S = [X

min(x, y); Y y] o bien S = [Y min(x, y); X y] (de ah que haya de multiplicarse
por 2 el primer trmino de la expresin de F(x,y)); pero no basta eso, porque en S
y S se incluyen los sucesos X>Y e Y>X respectivamente. Es decir, dentro de S es
posible que X supere a Y, y en S que ocurra lo contrario; la probabilidad de que
ambas variables sean inferiores a min(x, y) y que una de ellas supere a la otra, es
1/2 G [min(x, y)]2. Esta probabilidad ha de multiplicarse por 2, por la misma razn
que el minuendo.

La distribucin marginal de N es u = Prob[N x] = 2G(x)G(x)2: Para que X sea me-

nor que x y, adems, resulte ser N, es necesario que X no supere a x (cuya probabi-
lidad es G(x)) y dentro de ello, hay que eliminar el suceso X > Y; Prob(X>Y)=G(x).G(x)/2.
Como N puede tambin identificarse con Y, hay que multiplicar por 2.

En cuanto a la distribucin marginal de M, v = Prob(M y), es G(y)2. Si Y = M ha de

ocurrir que tanto X como Y no superen a Y, pero adems, que X < Y. Es decir,
G(y).G(y)/2, probabilidad que hay que duplicar porque tambin puede ser X = M.

A partir de las distribuciones marginales resulta:

x = G-1(u)

y = G-1(v)

125
y sustituyendo x e y en F(x,y) obtenemos la cpula. Si admitimos que G(.) es una
funcin de distribucin uniforme (0,1), entonces u =2xx2; v =y2. En consecuencia,

En este caso, la cpula es:

(a) (b)
Figura 2.27: Cpula correspondiente al primer ejemplo examinado.

Su representacin est en la Figura 2.27, en su parte (a) como una superficie en

tres dimensiones y en la (b) mediante curvas de nivel.

La densidad de la anterior cpula (Figura 2.28) es:

(recordemos que la funcin 1(R) vale 1 si se verifica R y 0 en caso contrario).

126
Figura 2.28: Densidad de la cpula correspondiente al primer ejemplo examinado.

Hay una discontinuidad en la curva . La densidad es mayor si u y

v estn prximos al origen. Ello exige que N y M tengan valores cercanos a 0, lo
que significa que su dependencia es mayor: Si M es pequeo, tambin ha de serlo
N. Algo similar ocurre si u y v toman valores grandes (prximos a 1), porque tam-
bin entonces la dependencia es alta. Si X est, por ejemplo, en un entorno de 0,9,
necesariamente M tendr un valor alto.

Para valores (u,v) tales que la densidad es nula, pues esta des-
igualdad significa que y<x; si N toma un valor en el entorno de x, M no puede to-
mar un valor prximo a y.

Por ltimo, si x es bajo e y alto (caso que se corresponde con el ngulo inferior
izquierdo de la grfica, cerca del punto 0,1) la densidad es baja porque estamos
ante un supuesto en que N est prximo a 0 y los valores posibles de M pueden
oscilar en casi todo su rango.

127
Figura 2.29: 2000 puntos simulados de la cpula representada en las Figuras 2.27 y 2.28.

En la Figura 2.29 tenemos 2000 simulaciones de esta cpula, que permiten obser-
var su congruencia con la forma de la densidad segn la Figura 2.28. Curva de
discontinuidad y carcter no simtrico de esta cpula.

El segundo ejemplo de cmo se puede construir una cpula a partir de un proble-

ma prctico nos conduce a la cpula de Marshall-Olkin.66

Supongamos un sistema integrado por dos elementos, 1 y 2 (por ejemplo, un avin

bimotor, etc.) sometidos cada uno de ellos a una causa especfica de fallo y, ade-
ms, a otra causa comn a ambos. Estas tres causas son sucesos aleatorios, in-
dependientes entre s, que siguen la ley de Poisson con parmetros 1, 2 y 12
respectivamente. Por tanto, el tiempo de espera Zi hasta que sobrevenga la causa
i (i = 1, 2, 12) se distribuye segn la funcin:

Prob(Zi t) =1 eit.

66 Nelsen, (2006), pgina 52; Schmidt, (2006).

128
Llamamos X e Y a las variables representativas del tiempo o duracin del funcio-
namiento de los elementos 1 y 2. Por tanto, X=min(Z1, Z12); Y=min(Z2 , Z12). La pro-
babilidad de que (X>x, Y>y) ser:

(x,y) = Prob(Z1>x). Prob(Z2>y). Prob(Z12> max(x,y)) =

= exp( 1x). exp( 2y). exp( 12 max(x,y)) =

= exp( 1x). exp( 2y). exp( 12 (x + y min(x,y)) =

= exp( (1 + 12)x). exp( (2 + 12)y). exp(12 min(x,y)).

(x,y) es la funcin de supervivencia conjunta de las variables X e Y, cuyas distri-

buciones marginales (funciones de supervivencia) son:

(x) = Prob(X>x) = Prob(Z1>x).Prob(Z12>x) = exp( (1 + 12)x)

(y) = Prob(Y>y) = Prob(Z2>y).Prob(Z12>y) = exp( (2 + 12)y)

Hacemos: = u, = v:

x = LN(u)/(1 + 12); y = LN(v)/(2 + 12).

Recordemos (Epgrafe 8 de este Captulo) que la cpula correspondiente a la fun-

cin de supervivencia conjunta es (u,v) = (1 u, 1 v).

Por tanto en la anterior expresin de (x,y) sustituimos a x e y por -1(u) y -1(v),

respectivamente y nos queda:

(x,y) = (1 u, 1 v) = (u,v) =

exp[LN(u)].exp[LN(v)]. exp[12.min( LN(u)/(1+12), LN(v)/(2 +12)].

129
Hacemos ahora
12/(1 + 12) = ; 12/(2 + 12) = .

(u,v) = u.v.exp(min(.LN(u), .LN(v)) =

min(u1-.v, u.v1-) (0<,<1). (2.30)

sta es la cpula de Marshall-Olkin.

La derivada 2C/(uv) es:

Los parmetros y regulan la forma de esta funcin. Slo si = es la cpula

simtrica, en cuyo caso coincide con la cpula de Cuadras-Aug, a la que nos re-
feriremos al final de este Epgrafe.

Si es grande (prximo a 1), 1 es pequeo en relacin a 12; ello significa que el

tiempo medio de espera del suceso que afecta al elemento 1 es mucho mayor que
el que afecta a ambos elementos y, por tanto, es muy frecuente que X=min(Z1, Z12)
se identifique con Z12; y si es tambin alto, Y ser igual a Z12 con gran probabili-
dad, lo que se traduce en una gran dependencia entre X e Y.

Si ambos parmetros son bajos, ocurre lo contrario y se produce una gran disper-
sin entre X e Y.

Una observacin importante en relacin con la cpula de Marshall-Olkin es que se

compone de una parte continua y otra singular. Esta afirmacin se comprueba al
calcular la integral
(2.31)

y comprobar que su valor es inferior a 1. El resto de la probabilidad hasta 1 se en-

cuentra a lo largo de la curva u = v.

130
 ***

Veamos cmo se obtienen los componentes continuo y singular de la funcin

C(u,v)67. Para calcular la anterior integral hay que distinguir los dos sectores
de [0,1]2 separados por la curva u = v , es decir:

Si u v C(u, v) = u.v1-

Si u v C(u, v) = v.u1-

Si u = v los puntos se mueven a lo largo de la curva y coinciden los valores de

la cpula en ambos sectores; en efecto, en los puntos de la curva se verifica
que:

u. v1-= v /+1-= v (1+ / - ). /= u1-.v

Figura 2.30.

Pues bien, el valor de la integral para cualquier par (u,v) tal que v<u/, es decir,

67 Nelsen (2006), pgina 54.

131
 ser la parte continua de C(u,v) y equivaldr a la suma de las probabilidades
que, segn la cpula C(u,v) corresponden a los recintos A1 + A2 + B. En otras
palabras, equivaldr a la suma de la C-medida68 de A1, ms la de A2, ms la
de B, que designamos respectivamente por C(A1), C(A2), C(B). La curva de la
Figura 2.30 tiene como ecuacin v = u/; u(v) es igual a v/, siendo v la ordena-
da del recinto de integracin. Es decir, u(v) es la abscisa que corresponde,
segn la curva, a dicha ordenada mxima. La probabilidad del recinto de inte-
gracin, es decir, C(u, v) (para v<u/) est, pues, compuesta por los tres su-
mandos C(A1), C(A2) y C(B) siguientes:

Los puntos (u,v) B cumplen la condicin v > u. En consecuencia, la

C-medida de B es:

Por tanto,

(2.32)

68 Sobre la C-medida, vase Epgrafe 6 de este Captulo.

132
 Observemos ahora que v.u1- es la expresin de la cpula para v u. Por tan-
to, el segundo trmino, con signo negativo, es el importe de la probabilidad
concentrada en el segmento de curva v = u/ comprendido en el recinto de
integracin. Y observemos tambin que, al ser los mrgenes continuos, en
dicha curva no hay ningn punto que tenga masa de probabilidad. El segundo
trmino de A puede tambin escribirse:

(2.33)

Es decir, que para (u,v) tal que u > v el valor de C(u,v) = v.u1- est integrado por:

Parte singular = (2.33)

Parte continua, el resto, dado por (2.32).

De manera similar obtendramos, para (u,v) tal que u < v, que el valor de
C(u,v) = u.v1- se compone de:

Parte singular =
Parte continua, el resto.

Si consideramos cualquier par (u,v) [0,1]2 y llamamos S a la parte singular y

A a la continua, obtenemos las expresiones69:

***

Si u = v = 1 obtendremos la C-medida en [0,1]2 de la parte continua y de la parte

singular. Por ejemplo, si = 0,6 y = 0,7, la parte continua equivale a la integral
(2.31), que en este caso es igual a

69 Nelsen (2006), pgina 54.

133
La parte singular es

Cuando = = 1 toda la densidad de probabilidad est concentrada a lo largo de

la curva u = v (que en este caso es la recta v = u) y la cpula de Marshall-Olkin
coincide con la cota superior de Frchet-Hoeffding.

(a) Parmetros: = 0,8; = 0,7. (b) Parmetros: = 0,2; = 0,5.

Figura 2.31: 500 simulaciones de la cpula Marshall-Olkin.

La Figura 2.31 muestra cmo cambia el aspecto de los puntos simulados de esta
cpula al variar los parmetros. Si stos estn ms prximos a la unidad, los pun-
tos aparecen ms concentrados en la curva, lo que indica una ms alta dependen-
cia. Y si > , como ocurre en la parte (a) de la Figura, la curva es convexa desde
abajo.

El tercer ejemplo que vamos a examinar consiste en llegar a la cpula de Clayton

por medio de la dependencia que genera un parmetro aleatorio, comn a dos
distribuciones70. Se trata, por tanto, de variables aleatorias mixtas.

Supongamos dos variables X e Y distribuidas exponencialmente con parmetro .

70 Frees y Valdez, (1998).

134
Hagamos que dicho parmetro sea, a su vez, aleatorio y distribuido segn la fun-
cin gamma (, ). X e Y son independientes entre s, si sus distribuciones respec-
tivas se condicionan a un valor de . Pero si vara, X e Y son dependientes, al
estar su distribucin en funcin del parmetro comn .

La funcin de densidad gamma de parmetros (, ) es:

Por tanto, la funcin de supervivencia de X es:

es decir, la distribucin de Pareto. Anlogamente, la funcin de supervivencia de

Y es

Por el mismo razonamiento obtenemos Prob(X>x; Y>y), teniendo en cuenta, ade-

ms, su independencia condicionada a :

La equivalencia (x,y) = (F,G) = ( , )71 y la frmula de la cpula de Clayton,

que es

71 Epgrafe 8 de este Captulo.

135
nos permiten concluir que el anterior resultado conduce a la cpula de supervi-
vencia de Clayton72. En efecto, si , entonces la cpula
de supervivencia, denominada en este caso cpula HRT73, es:

Otra forma de construir una cpula consiste en combinar otras para llegar a una
nueva. ste es el caso de la cpula de Cuadras-Aug, que consiste en la media
geomtrica de la cpula mxima y la cpula de independencia, es decir:

C(u,v) = (F1/ + G 1/ 1)-

Si min(u,v) = u, entonces C(u,v) = u.v1 ; si min(u,v) =v, C(u,v) = v.u1. Y para u = v,

la funcin es C(u,v) =u2 = v2; si, adems, = 1, la densidad de probabilidad se
concentra en la recta u = v, como ocurre en la cpula mxima.

10. CPULAS DE VALORES EXTREMOS

Sean (X1,Y1), ... ,(Xn,Yn) n pares independientes de variables; la distribucin con-

junta de cada par es H(x, y) y los mrgenes respectivos, FX(x) y GY(y) (en lo sucesi-
vo, F y G). La cpula de X e Y es C. Hacemos M = mx(X1, . . . , Xn); N = mx(Y1, . . . ,
Yn). Cul es la cpula de las variables M y N? Sigue siendo C o, por el contrario,
es otra distinta?

Para contestar a esta pregunta empezamos por escribir que

Prob [M x]= (F(x))n = FM(x)

Prob [N y] = (G(y))n = GN(y)

72 Si comparamos la anterior expresin C(u, v) con (2.20) vemos que =1/.

73 Vase Epgrafe 8 de este Captulo.

136
ya que el hecho de que M y N no superen a x y a y requiere que cada una de las n
variables (independientes) de cada serie sean menores o iguales que x e y. Adems,
la probabilidad de que M x y N y ser:

Prob [M x; N y] = (H(x,y))n = (C(F, G))n = (C(FM1/n, GN1/n))n = C((u1/n, v1/n))n, siendo

u = FM(x)
v= GN(y).

Si llamamos Cn(u,v) a la cpula de M y N, la equivalencia anterior puede expresarse:

Cn(u,v) = C((u1/n, v1/n))n

Ahora bien, hay cpulas C(u,v) que verifican la igualdad

C(u,v) = C((u1/n, v1/n))n (para todo n>0) (2.34)

es decir, la cpula de las variables (Xi, Yi) y la de las variables (M, N) son la misma.
En tal caso de dice que la cpula C(u,v) es max-estable. Por ejemplo, la cpula de
Gumbel es max-estable:

C(u,v) = exp([(LN(u)) + (LN(v)) ]1/);

(C(u1/n,v1/n))n = exp(n[(LN(u)/n) + (LN(v)/n) ]1/) =

= exp(n[(LN(u))/n + (LN(v))/n ]1/) = C(u,v).

En cambio, la cpula de Clayton es un ejemplo de cpula que no es max-estable;

de hecho, la nica cpula arquimediana que es max-estable es la de Gumbel.74 La
cpula de Clayton tiene como expresin:

C(u,v) = (u + v 1)1/
(C(u1/n,v1/n))n = (u/n + v /n1)n/ C(u,v)

74 Nelsen, (2006), pgina 143.

137
En La Figura 2.32 se representa la densidad de (C(u1/n,v1/n))n (n = 5), siendo C la
cpula de Clayton con parmetro = 3, para que sea comparable con la densidad
representada en la Figura 2.25(a), a la misma escala. La comparacin sugiere que
al aumentar n, la cpula resultante se ira aproximando a la cpula de indepen-
dencia, puesto que el efecto es equivalente a si hacemos que disminuya el par-
metro en el modelo de Clayton.

Figura 2.32: Densidad de [C(u1/5,v1/5)]5 (C= cpula de Clayton con = 3).

Puesto que (M, N) = [mx(X1, . . . , Xn), mx(Y1, . . . , Yn)], la dependencia entre M y N

es, en general, distinta de la que existe entre Xi e Yi; por tanto, no es extrao que
la cpula de (M, N) sea distinta de la cpula de (Xi, Yi). Slo algunos modelos de
cpula tienen la propiedad de ser max-estables.

Volvamos ahora a la expresin (2.34). Si existe limn [C(u1/n,v1/n)]n, a este lmite lo

llamamos cpula de valores extremos C(u,v). Los trminos cpula max-estable
y cpula de valores extremos son equivalentes. En efecto, si la cpula es max-
estable verifica (2.34) y, por tanto se cumple para cualquier nmero real por gran-
de que sea. Y si la cpula es de valores extremos, entonces tambin es max-esta-
ble. Al ser de valores extremos se verificar que

138
 C(u,v) = limn (C(u1/n,v1/n))n = limm (C(u1/(mr),v1/(mr)))mr =

= (C(u1/r,v1/r))r.

Ejemplos de situaciones en que seran de aplicacin las cpulas de valores extre-

mos son la existencia en un mismo ro de dos presas de alturas x e y, y el riesgo
de desbordamiento o inundacin por superar el nivel fluvial dichas alturas; o, en
el campo asegurador, la existencia de dos riesgos cubiertos dependientes entre s
y de los que interese conocer la distribucin del mayor siniestro procedente de
cada uno, etctera. Las cpulas de valores extremos tienen tambin amplia apli-
cacin por la conveniencia de aprovechar ciertas propiedades matemticas de es-
tas cpulas, en las que no podemos entrar aqu.75

75 A. Cebrin, M. Denuit y P. Lambert, (2003).

Z. Bahraoui, C. Bolanc y A. Prez Marn, (2014).
W. Hrlimann, (2014).

139
III. NMEROS Y CPULAS

1. LA CPULA EMPRICA

Una cpula bivariante C(u,v) es una distribucin de probabilidad conjunta de dos

variables uniformes (0, 1), que denominaremos U y V. Anlogamente, una cpula
emprica es una distribucin de frecuencias conjuntas de dos variables estadsti-
cas uniformes (0,1). La cpula emprica es, por tanto, la vertiente muestral de la
cpula probabilstica. Obviamente, lo que acabamos de decir se aplica tambin a
cualquier nmero de dimensiones.

El problema que plantea la cpula emprica es que las variables estadsticas a las
que se refiere no son directamente observables. La muestra consiste en n pares
(xi, yi) de manera que slo a travs de la distribucin marginal de cada variable
podemos obtener las frecuencias acumuladas ui, vj es decir, las variables estads-
ticas a las que se refiere la distribucin de frecuencias o cpula emprica. De ah
que la definicin usual de la cpula emprica se haga a partir de la muestra de n
pares (x1, y1), ... , (xn, yn) como la funcin :

en donde xi, yj (1 (i,j) n) son los estadsticos de orden de la muestra.

La anterior funcin puede tambin expresarse en trminos de ui = Frec [x

xi], vj = [y yj] siendo Frec (variable valor) la funcin de distribucin marginal
76

emprica respectiva. Para lograr que esta funcin marginal sea continua, hace-
mos la hiptesis de que, entre dos puntos sucesivos cualesquiera observados en
la muestra, xi, xi+1, la densidad es constante.77

Captulo V, Epgrafe 5.
76

Captulo V, Epgrafe 4.
77

141
Segn la anterior definicin, la cpula emprica de una muestra de n pares (x,y)
ser una matriz n x n. Pero puede tambin representarse con una matriz m x m
(m<n), en cuyo caso el elemento (r,s) significar la frecuencia con que se ha pre-
sentado el resultado xa, yb (a y b son los mayores enteros que cumplen la con-
dicin a n.r/m; b n.s/m. As, para los 10 pares (x, y):

obtenemos una cpula emprica que adopta la forma de la siguiente matriz 10 x 10:

Por ejemplo, el elemento (6, 7), igual a 0,6, significa la frecuencia de pares (x,y)
cuyos dos miembros cumplen la condicin de ser x x6, y y y7. En efecto, x6 e y7

142
son los valores que ocupan el lugar 6 y 7 del respectivo estadstico de orden; as,
x6 = 2,898...; y7 = 3,382...78.

Si quisiramos representar la anterior cpula mediante una matriz 4 x 4, tendramos:

Cada columna o fila supone ahora una frecuencia acumulada de 0,25 de manera
que, por ejemplo, el elemento (2, 3), es decir, 0,5 significa que el 50 por 100 de los
pares (x,y) cumplen la condicin de ser no superiores al estadstico de orden n-
mero 5 y 7, respectivamente, es decir, a 2,506 y 3,38279.

Segn dijimos anteriormente, transformar los pares observados (x,y) en sus co-
rrespondientes (ui,vj) requerira conocer las funciones de distribucin marginal;
como ello no es posible en la prctica, es necesario hacer alguna hiptesis sobre
ellas. Cuando adoptamos como tales a las distribuciones empricas, la matriz
definida anteriormente y aquella cuyo elemento (i, j) significa el nmero
de pares (ui, vj) tales que (ui i/n; vjj/n), coinciden.

Puede tambin obtenerse la matriz de frecuencias

si el par (xiyi) est en la muestra, y = 0 en caso contrario. Es decir, que se

tratara de la cpula emprica que en lugar de expresar frecuencias acumuladas,

El estadstico de orden de x, una vez emparejado con y, forma la matriz traspuesta:

78

El estadstico de orden de y es:

0,734 <1,108 < 1,420< 1,776< 2,694 < 3,234<3,382 < 3,957 < 4,238 <5,149
(2 x 0,25) x 10 = 5; (3 x 0,25) x 10 = 7,5.
79

143
expresara frecuencias. Con las cifras del ejemplo anterior, la matriz sera:

2. AJUSTE DE CPULAS

La cuestin que abordamos ahora es cmo seleccionar la cpula que mejor se

adapte a la muestra observada.

Hay, ante todo, una aproximacin no paramtrica, que consiste en observar la

cpula emprica y extraer las principales caractersticas de la dependencia que en
ella se manifiesten. La representacin grfica de los pares de valores (ui,vi) podr
dar una idea del grado de dependencia y de si existe dependencia en colas, etc-
tera (Figura 2.10, por ejemplo).

Tambin puede representarse grficamente la cpula emprica y compararse con

las cpulas mxima, mnima y de independencia, segn se hace en las Figuras
5.5, 5.6 y 5.7 por medio de curvas de nivel.

Ejemplo 3.1: Dependencia en la cola y cpula emprica

Un ejemplo de bsqueda de la dependencia en colas en la propia cpula em-

prica sera el siguiente. En la Figura 2.13(b) se representan 1000 puntos si-
mulados de la cpula de Gumbel con parmetro = 2. A partir de los 1000
pares (u,v) elaboramos la cpula emprica bajo la forma de una matriz de

144
50x50 elementos. Para obtener una idea del coeficiente de dependencia en la
cola superior, tratamos de determinar valores, segn la cpula emprica, de
la frmula (2.11) aunque sin paso al lmite (es decir, valores del cociente
para varios valores de prximos a 1). Designaremos a estos valores por .
En el Cuadro 3.1a se recogen los datos obtenidos con referencia a dicha cola
superior, a partir de = 0,74. En la Figura 3.1 se representan los puntos de
abscisa y ordenada coincidente con la correspondiente cifra de la tercera fila
del Cuadro 3.1a, es decir, con los valores .

0,74 0,76 0,78 0,80 0,82 0,84 0,86 0,88 0,90 0,92 0,94 0,96 0,98
C(,) 0,661 0,68 0,70 0,73 0,76 0,78 0,80 0,83 0,86 0,89 0,92 0,95 0,97
0,70 0,69 0,65 0,64 0,64 0,63 0,60 0,58 0,64 0,65 0,68 0,65 0,55

Cuadro 3.1a: Aproximaciones del coeficiente de dependencia en la cola superior. Cpula

emprica.

Figura 3.1: Dependencia en la cola de una simulacin de la Cpula de Gumbel con = 2

Puede observarse que cuando la abscisa se va acercando a 1, la ordenada

(es decir, ) se mantiene lejos de cero, en las proximidades de 0,50; ello es
congruente con la cpula Gumbel, cuyo coeficiente de dependencia en la cola
superior es, segn (2.28.a), 221/ = 2 21/2 = 0,586.

El coeficiente de dependencia en la cola inferior que resulta de la cpula em-

prica tambin sealara al modelo de Gumbel como posible candidato. En

145
 efecto, recordemos que inf = C(,)/(); si a la vista de la matriz de la cpula
emprica 50x50, elaboramos un cuadro similar al 3.1a, pero referido a valores
de cercanos a 0, obtenemos el resultado que resume el Cuadro 3.1b. A la
vista de l, es evidente que para valores de ms cercanos a 0, el valor de
tambin se aproxima a cero. El coeficiente de dependencia en la cola inferior
es nulo en la cpula de Gumbel.
0,06 0,04 0,02
C(, ), 0,013 0,005 0,003
0,014 0,005 0,003
Cuadro 3.1b: Aproximaciones del coeficiente de dependencia en la cola inferior. Cpula
emprica.

Con el ejemplo examinado se pone de manifiesto cmo el examen de la cpu-

la emprica permite acotar la seleccin de posibles modelos por medio de la
dependencia en colas80.

En segundo lugar, podemos valernos del mtodo grfico de Genest y Rivest para
seleccionar el modelo de cpula arquimediana ms adecuado para nuestros datos;
este mtodo utiliza las expresiones (2.23) y (2.25) y consiste en comparar la proba-
bilidad K(w) = Prob[C(U,V;)w] segn un modelo concreto de cpula, C(u, v; ), con
la frecuencia del suceso {cpula emprica w}. La idea es la siguiente: una vez cal-
culada la de Kendall a partir de la muestra, la expresin (2.25) permite determinar
el parmetro del modelo de cpula arquimediana que deseemos considerar; ob-
tenemos as una estimacin de dicho parmetro por un mtodo que recuerda el
conocido mtodo de los momentos. A continuacin, sustituimos esta estimacin
en el modelo de cpula y aplicamos (2.23), para obtener la funcin

y calcular as n puntos (ti, K(ti)), que representamos grficamente para observar si

estn o no prximos a la curva . Esta comparacin puede tambin
hacerse mediante un grfico q q . Cabe tambin buscar una funcin analtica
81

R. Cintas del Ro, (2006).

80

Captulo 5, Epgrafe 7.
81

146
P(t, ) que se adapte a dichos n puntos (por ejemplo, un polinomio ajustado por
mnimos cuadrados) y aplicar la medida de Frees y Valdez (1998), que viene dada por

(3.1)

Esta integral da una medida de la distancia entre las funciones K(t, ) y P(t, ); en
el Captulo 5, Epgrafe 8, se estudia una aplicacin prctica de la misma, que sirve
de criterio para elegir la cpula ms adecuada.

Hemos dicho que el mtodo descrito es de aplicacin a las cpulas arquimedia-

nas, porque las expresiones (2.23) y (2.25) en que se basa, son de aplicacin slo
a cpulas de esta clase. Pero puede extenderse la aplicacin del mtodo a otros
tipos de cpulas si es posible estimar a partir de la muestra y determinar valores
de la funcin K(t, )= Prob[C(U,V; )t] por medio de simulaciones82. En caso de la
cpula gaussiana, utilizaremos la relacin

=sen(./2) (3.2)

que permite calcular el parmetro en funcin del coeficiente de la muestra.

Esta misma frmula puede tambin aplicarse a otra cpula elptica, la t de Student,
cuyo parmetro (grados de libertad) puede estimarse mediante mxima verosi-
militud83.

Estudiaremos a continuacin una variante del mtodo grfico a la que se refiere G.

Venter (2002) y que l denomina tau acumulativo, aunque nosotros preferimos
rebautizar como parcial. Consiste este procedimiento en calcular los valores
del coeficiente de una cpula cuando entran en el clculo valores (u, v) no supe-
riores a z; es decir, obtenemos as un coeficiente para una distribucin bidimen-
sional truncada; en lugar de calcular el de los pares (u,v) [0, 1]2, limitamos
nuestro clculo a (u,v) [0, z]2, siendo 0 z1; resulta as una funcin J(z) que po-
demos representar grficamente y que ilustra cmo evoluciona la dependencia

Captulo 5, Epgrafe 6.
82

McNeil, Frey y Embrechts, (2005).

83

147
(medida con el coeficiente ) al variar el tamao del cuadrado [0, z]2 segn el mo-
delo de cpula y el parmetro considerados. Si hacemos lo mismo con un modelo
distinto, obtendremos otra curva diferente y podremos observar sus diferencias
con la anterior.

Pues bien, si calculamos J(z) para la cpula emprica, resultar una funcin a la
que llamaremos y que compararemos con la de otros modelos para as determi-
nar cul es ms adecuado para nuestros datos.

Dada una cpula bivariante y uniparamtrica C(u,v), la expresin (2.9) permite

calcular su coeficiente por medio de una integral doble extendida al cuadrado
[0,1]2. El problema que nos planteamos es cul ser el valor del parcial, al que
llamaremos (z). Este valor es:

(3.3).

Observemos, como hace G. Venter, que la integral de la expresin (2.9) equivale a

una media de C(u,v) ponderada segn las probabilidades c(u,v)dudv, las cuales,
evidentemente, suman la unidad en [0, 1]2. Si nos limitamos, como en (3.3), al re-
cinto de integracin [0, z]2, la suma de aqullas podr ser inferior a la unidad si
z1 y de ah que, para que el clculo sea correcto, es decir, para que el resultado
sea una media ponderada cuyos pesos sumen la unidad, haya que dividir la inte-
gral entre C(z,z). Pero el resultado as obtenido no sera comparable con el valor
de , al corresponder a un cuadrado de tamao menor que el total [0,1]2 y de ah
que hayamos de dividir una segunda vez entre C(z,z), con el fin de elevar el an-
terior resultado, al que correspondera a dicho cuadrado total.

Ejemplo 3.2: El mtodo del parcial

Vamos a aplicar este mtodo de ajuste a unos datos simulados de la Cpula

Gumbel con parmetro =2 (por tanto, =0,5); es decir, sabemos de antemano
que el modelo ms adecuado ha de ser el de Gumbel y la utilidad de este ejer-
cicio consiste en comprobar cmo el mtodo del parcial puede ayudar a
discriminar modelos y ayudarnos a elegir el ms adecuado a los datos dispo-
nibles. Partimos de los 1000 pares (ui, vi) representados en la Figura 2.13(b).

148
 Estos datos nos permiten calcular el parcial para unos cuantos valores de z,
por ejemplo, z=0,1; 0,2; ...; 0,9; 1. El resultado est en el Cuadro 3.2.

z 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1.0
-0,035 0,008 0,125 0,186 0,205 0,240 0,260 0,320 0.414 0,505
Cuadro 3.2: Varios valores del tau parcial.
(el valor muestral de es, por tanto, 0,505).

A continuacin, aplicamos (3.3) para obtener la funcin J(z) para tres modelos
de cpula: Gumbel, Clayton y Frank.

La Figura 3.2, adems de incluir las funciones J(z) de los tres modelos de c-
pula mencionados (todos ellos con parmetro elegido para que sea 0,5, es
decir, =2 en las cpulas de Gumbel y Clayton y 5,74 en la de Frank), se repre-
senta, mediante una lnea quebrada, la funcin (z). Puede verse cmo la c-
pula de Gumbel es, como era de esperar, la que mejor se ajusta a los datos,
sobre todo en valores de z superiores a 0,5. Para valores inferiores el mtodo
no resulta muy fiable por el escaso nmero de pares que entran en el clculo.
La funcin J(z) de la cpula de Clayton es constante e igual a 0,5, con los datos
introducidos.

En tercer lugar nos referimos al mtodo de mxima verosimilitud para estimar el

parmetro (o los parmetros) de la cpula. Como hemos apuntado anteriormen-
te84 los puntos (ui,vi) no son observables directamente a la vista de la muestra de n
pares (xi, yi) y de ah que se les considere como una pseudo-muestra sino
que subyacen en stos y son accesibles slo si conocemos las funciones de distri-
bucin marginal, lo que no ocurre en la prctica. Ante esta situacin, caben varias
alternativas85:

Epgrafe 1 de este Captulo.

84

T. Mikosch (2006) da una visin crtica del empleo de las cpulas y de los procedimientos para
85

ajustar modelos de cpulas a la base de datos disponible.

149
Figura 3.2: Funcin J(z) para tres modelos de cpula y su comparacin con los valores empricos,
que vienen representados por la lnea quebrada.

a) Si conocemos la familia a que pertenecen las distribuciones marginales, po-

dremos expresar la funcin de densidad conjunta de (X,Y) mediante el produc-
to de las densidades marginales multiplicado por la densidad de la cpula86. La
cuestin consistir, entonces, en estimar un nmero de parmetros igual a la
suma de los que figuren en dichas funciones de densidad marginal y de la c-
pula. Se tratar de determinar los valores que maximicen la siguiente expre-
sin (suponiendo una distribucin bivariante cuyos mrgenes dependan de un
solo parmetro i y una cpula asimismo uniparamtrica):

Las F representan las funciones de distribucin marginal; las densidades se

designan con la letra minscula; n es el tamao de la muestra, es decir, el
nmero de pares (xi,yi) observados.

Expresin (2.29)
86

150
b) La situacin habitual es la ignorancia de las distribuciones marginales, en
cuyo caso se presentan, a su vez, dos soluciones alternativas:87

Primera, la estimacin paramtrica de las distribuciones marginales, conoci-

da como IFM (siglas de su denominacin en ingls, Inference functions for
margins. Este procedimiento consta de dos pasos para ajustar datos a funcio-
nes; en el primero, se buscan las funciones de distribucin que mejor se adap-
ten a las observaciones, obteniendo as modelos para los mrgenes. En la se-
gunda fase, una vez invertidos los valores (xi,yi) de las observaciones segn
dichos modelos FX y FY, se busca la cpula adecuada a los pares u= FX(x), v=
FY(y). Es claro que la seleccin de las funciones FX y FY influir en la cpula
resultante. Los pares (ui,vi) no son consecuencia de la observacin directa
como, por el contrario, s lo son xi e yi sino que resultan de aplicar dichas
funciones FX y FY; de ah que a los pares resultantes (ui,vi) se les considere
como pseudo-observaciones.

Segunda, la estimacin no paramtrica de las distribuciones marginales. Esta

solucin se basa en los estadsticos de orden de las variables univariantes ob-
servadas. La estimacin mximo-verosmil de la cpula, que llevaremos a cabo
a partir de los pares (ui,vi) obtenidos con este segundo procedimiento, se deno-
mina estimacin mximo-verosmil cannica o pseudo-verosmil. Tiene la
ventaja de que la cpula resultante no queda afectada por una eleccin inade-
cuada de las distribuciones marginales88. A las distribuciones marginales pro-
pias de este mtodo las llamaremos distribuciones marginales empricas y su
intervencin en el proceso justifica que se califique de semiparamtrico a este
mtodo. Estas funciones de distribucin marginal fueron examinadas en el
Epgrafe 1 de este Captulo, en donde vimos cmo hacer para que sean conti-
nuas; las designamos por FXec y Fyec (el superndice hace referencia a su condi-
cin de emprica y continua). El inconveniente de las marginales empricas se
presenta en su cola derecha, porque es all en donde los datos suelen ser ms
escasos. Para evitar la falta de fiabilidad que ello supone, puede recurrirse a

87
Vase, por ejemplo, R. Shaw y G. Spivak (2009). A. Staudt, (2010) examina con ejemplos los erro-
res a que puede conducir una mala eleccin de las distribuciones marginales, al determinar la es-
tructura de dependencia.
88
A. Staudt, (2010).

151
ajustar un modelo adecuado a dicho extremo de la distribucin, tal como el de
Pareto o el logartmico-normal,89

En definitiva, la estimacin se reducir al parmetro o parmetros de la cpula

(en nuestro caso, uno solo), es decir, la cuestin consistir en maximizar

Habitualmente ser necesario recurrir a mtodos numricos para determinar el

argumento que maximiza la funcin.

Es obvio que estos tres enfoques que hemos examinado sobre el ajuste de cpulas
no son excluyentes entre s, sino complementarios.

Para comparar el ajuste de varios modelos a una base de datos suele utilizarse el
criterio de Akaike (Akaike Information Criterion, AIC), que consiste en calcular

AIC =2.LN(verosimilitud mxima) + 2. (nmero de parmetros estimados)

y elegir como mejor el modelo al que corresponda un menor valor de AIC. Cuando
el nmero de parmetros estimados en los distintos modelos que se comparan es
el mismo, el criterio consiste, sencillamente, en elegir aqul que tenga una vero-
similitud ms alta.

3. SIMULACIN DE CPULAS

Es muy til simular cpulas para resolver ciertos problemas prcticos que pre-
sentan dificultades de clculo. La realizacin de un gran nmero de simulaciones
permite aproximarse a la probabilidad del fenmeno simulado.

Normalmente estaremos interesados en simular variables distribuidas segn una

determinada ley multivariante, ms que en la simulacin de su cpula. Pero ya

McNeil, Frey y Embrechts, (2005), pgina 233.

89

152
sabemos que sta vincula a la distribucin conjunta con las marginales, de mane-
ra que un punto simulado de la cpula, (u1, u2, ..., ud), permite obtener una realiza-
cin de la variable conjunta (x1, x2, ..., xd) al aplicar la transformacin xi = Fi1(ui)
(siendo Fi la distribucin marginal de Xi).

En este Epgrafe examinaremos cmo simular cpulas, cuestin que puede divi-
dirse en otras dos, segn que la cpula que deseemos simular sea implcita o
explcita. En el primer caso, la forma de proceder es la siguiente:

1. Simular la variable (X1, X2,...,Xd) distribuida segn la ley cuya cpula implcita
se trata de simular (por ejemplo, la variable t multidimensional). Obtenemos
as d valores (x1, x2,...,xd).

2. Obtener valores de la cpula mediante ui= Fi(xi) (para i = 1, 2, ..., d).

ste es el caso de las cpulas gaussiana y t, que veremos con ms detalle a con-
tinuacin.

Como de costumbre propondremos tambin un ejemplo para cada una de ambas

cpulas elpticas.

Despus de dichos modelos implcitos abordaremos la simulacin en el caso de

las cpulas arquimedianas y de Marshall-Olkin.

Cpula gaussiana. Factorizacin de Cholesky

El primer paso es simular el vector Y = (Y1, Y2, ..., Yd) en donde las Yi son normales
(0,1) con matriz de covarianzas 90. En virtud de (1.2) podemos escribir:

Y=C.X

en donde C es la matriz que transforma un vector esfrico X en el vector Y.91

Al ser las variables Yi normales (0,1), la matriz de covarianzas coincide con la matriz de correlaciones.
90

Captulo I, Epgrafe 3.
91

153
Damos por resuelta la cuestin de cmo simular variables normales independien-
tes entre s;92 por tanto, si conociramos C obtendramos Y aplicando la anterior
expresin, pero no nos es dada dicha matriz, sino la de covarianzas, . Por (1.3)
sabemos que C.C = y el problema de obtener el vector Y puede resolverse con
la factorizacin de Cholesky. A partir de una matriz simtrica y definida positiva,
dicha factorizacin consiste en encontrar una matriz triangular inferior T tal que
T.T = . En efecto, si conocemos T, entonces Y = T.X, ya que

Y.Y = X.T.T.X = X..X = X.C.C.X.

Ejemplo 3.3: Simulacin de la cpula gaussiana

Suponemos que la matriz de covarianzas es

la matriz triangular T sera:

Observemos que T. T = .

Y si quisiramos simular una distribucin normal trivariante con la matriz de

covarianzas anterior, aplicaramos Y = T.X con el siguiente resultado:

Y1 = 0,4 X1 + 0,825 X2 + 0,4 X3

Y2 = 0,8 X2 + 0,6 X3

Y3 = X3

Nota 11, Captulo I.

92

154
 Si, por ejemplo, obtuviramos 5 simulaciones del vector X (normales 0,1 e inde-
pendientes entre s) como las siguientes (cada fila es una simulacin de X)

las correspondientes simulaciones del vector Y seran:

Para obtener simulaciones de la cpula gaussiana, no tenemos ms que apli-

car la transformacin u =(y) (=funcin de distribucin normal 0,1) a cada
elemento de Y. Por ejemplo, para las 5 simulaciones del vector Y anterior,
obtendramos:

En resumen, el algoritmo para simular un vector Y normal (0,1) con matriz de co-
varianzas y su correspondiente cpula, es el siguiente:

1. Obtener la factorizacin de Cholesky = T . T.

2. Simular un vector X normal (0,1) de variables independientes.

3. Calcular Y = T.X.

155
4. Aplicar la transformacin u =(y), es decir, determinar la probabilidad acumu-
lada que corresponde a cada valor simulado y segn el modelo normal (0,1).

5. Repetir los anteriores pasos 2 a 4 muchas veces.

Finalmente, simularemos 1000 puntos de la cpula gaussiana con parmetro

= 0,7, que representamos grficamente en la Figura 3.3:

Figura 3.3: 1000 puntos simulados de la cpula de Gauss con = 0,7.

Cpula t

Un vector X de variables t equivale a

en donde Y es un vector de variables normales (0,1) con matriz de covarianzas

(las zi son normales 0,1 e independientes, tanto entre s
como de las Yi).

Ejemplo 3.4: Simulacin de la cpula t

Vamos a simular un vector X de orden 3, de variables t de Student con par-

metro = 6 y matriz igual a la utilizada en el ejemplo anterior, referente a la

156
 simulacin de la cpula gaussiana. El resultado es la siguiente matriz de 3
columnas y 5 filas (cada fila es una simulacin del vector)

A partir de la simulacin del vector X de variables t, obtenemos la cpula apli-

cando a cada elemento de dicho vector la transformacin u = t(x) siendo t(x) la
funcin de distribucin t de Student univariante. Para las 5 simulaciones an-
teriores, las correspondientes a la cpula seran:

Para simular un vector X de variables t y de su correspondiente cpula, se siguen,

por tanto, los pasos siguientes:

1. Obtener una simulacin del vector Y normal (0,1) con matriz de covarianzas o
correlaciones segn el proceso descrito para la cpula gaussiana.

2. Simular una variable 2 independiente de Y. Hacer S = 2/.

3. Obtener los cocientes .

4. Calcular las probabilidades u que corresponden a cada valor simulado de t, es

decir, a cada Xi.

5. Repetir el proceso.

157
Finalmente, simulamos 1000 puntos de la cpula t con parmetros = 0,7
y = 6.

Figura 3.4: 1000 puntos simulados de la cpula t con = 0,7 y = 6.

En las proximidades de los vrtices (0, 1) y (1, 0) aparecen ms puntos que en los
mismos lugares de la grfica para la cpula gaussiana. Esto se debe a que la distri-
bucin t tiene unas colas ms pesadas que la distribucin normal. Si la correlacin
es moderada, pueden coincidir puntos de la cola derecha de X (lo que corresponde
a valores altos de U) con puntos de la cola izquierda de Y (lo que corresponde a va-
lores de V prximos a cero).

Procedimiento general

El mtodo para simular cpulas que esbozaremos ahora se basa en la idea de que
puede obtenerse un valor simulado de la variable X a partir de un nmero pseudo-
aleatorio uniforme (0,1), al que designamos Ri, mediante la inversin de la funcin
de distribucin u = F(x) de X, es decir, resolviendo la ecuacin xi = F-1(Ri); ello suele
exigir el recurso a mtodos numricos.

En el caso de las cpulas bivariantes C(u,v), aplicar dicho mtodo exige llegar a
una funcin de distribucin de una sola variable, lo que puede lograrse con la

158
funcin de distribucin condicionada C(uv); en las cpulas multivariantes se re-
curre a las distribuciones marginales

Ci(u1, u2, ... , ud) = C(u1, u2, ... , ui, 1, 1, ... 1)

segn veremos en seguida.

As pues, para simular una cpula bivariante, el algoritmo es:

1. Generar dos nmeros pseudo-aleatorios uniformes (0,1) e independientes, R1

y R2.

2. Obtener la funcin de distribucin condicionada C(uv) mediante (2.5) y hacer

C(uR1) = R2.

3. Encontrar la raz de la anterior ecuacin en u, a la que llamaremos u1 93. El par

(u1,R1) es una simulacin de la cpula C.

En la Figura 2.13b se representan 1000 puntos simulados de la cpula Gumbel con

parmetro =2, segn un programa que reproduce el anterior algoritmo.

En el caso de una cpula multivariante C(u1, u2, ... , ud) ha de seguirse un mtodo
recurrente94 en el que intervienen las funciones de distribucin marginal de Ci(u1, ...,
ui, 1, ... , 1) (para i < d) y las funciones de distribucin condicionada, buscando siem-
pre en este proceso que aparezca una ecuacin con una sola incgnita, resultante
de igualar una de dichas funciones a un nmero pseudo-aleatorio previamente ge-
nerado y sustituir uno de los valores condicionantes por otro de estos nmeros.

En la cpula Frank puede despejarse u algebraicamente y por tanto no hay necesidad de aplicar
93

mtodos numricos:

Embrechts, McNeil y Straumann, (2002). Por otra parte, T. Schmidt, (2006) describe un mtodo
94

de simulacin aplicable a las cpulas arquimedianas que, como las examinadas en el presente tra-
bajo, pertenecen a la clase llamada cpulas arquimedianas de transformada de Laplace. En estas
cpulas, la inversa de la funcin generador puede representarse como la transformada de Laplace
de una cierta funcin, lo que puede aprovecharse para simular valores.

159
El proceso es el siguiente:

1. Obtener la funcin de distribucin marginal

C2(u1, u2) = C(u1, u2, 1, 1, ... , 1).

2. Generar dos nmeros pseudo-aleatorios R1 y R2 (como de costumbre, unifor-

mes (0,1) e independientes entre s).

3. Obtener la funcin C2(u2u1) mediante (2.5) y plantear la ecuacin C2(u2R1) = R2.

4. Calcular la raz u2 de dicha ecuacin. Resultan as los dos primeros valores si-
mulados del vector (U1, U2, ..., Ui), es decir, R1 y la raz u2, a los que llamaremos
1 y 2 respectivamente.

5. Obtener la funcin de distribucin marginal C3(u1, u2, u3).

6. Generar un nmero pseudo-aleatorio uniforme (0, 1), R3.

7. Obtener la funcin C3(u3u1, u2) por aplicacin de (2.6) y plantear la ecuacin

C3(u31, 2) = R3.

8. Determinar la raz u3 de dicha ecuacin, a la que llamaremos 3.

9. Continuar este proceso hasta obtener d valores simulados:

1, 2, ... ,d.

Ejemplo 3.5: Simulacin de una cpula de Gumbel tri-variante

Como ilustracin simularemos 5 realizaciones de la cpula Gumbel trivarian-

te. Aunque no nos hemos referido hasta ahora sino a cpulas bivariantes, las
introducimos ahora con el objeto de llevar a cabo el ejercicio de simulacin.
La cpula en cuestin es:

C(u, v, w) = Exp[[(LN(u)) + (LN(v)) + (LN(w))]1/

160
 Al ser tres las variables de que depende la funcin C, necesitaremos dos fun-
ciones de distribucin marginal y sus correspondientes funciones de distribu-
cin condicionada.

En primer lugar, la funcin marginal de U, V es:

C2(u,v) = Exp[ [(LN(u)) + (LN(v))]1/

y la funcin de distribucin condicionada C2(uv) es:

C2(u,v)/v=

Y, en segundo trmino, necesitaremos la funcin C3(wu,v), que se identifica

con la C(wu, v) y se obtiene segn (2.6) como el cociente

[2C(u, v, w)/uv]/[2C2(u,v)/(uv)] =

Hagamos, por ejemplo, = 10. Obtenidas las funciones que vamos a necesitar, el
primer paso es generar dos nmeros aleatorios95, que resultan R1= 0,3398 y R2
= 0,5127. A continuacin, en C(vu) sustituimos u por R1 e igualamos la funcin a
R2. Por procedimientos numricos determinamos la raz v, que es v= 0,3422.

A continuacin generamos otro nmero aleatorio R3 = 0,2311 y hacemos

C(w0,3398; 0,3422) =0,2311.

Nos referimos siempre a nmeros pseudo-aleatorios uniformes (0,1) e independientes.

95

161
 Resolvemos la anterior ecuacin en w con el resultado w = 0,3130; por tanto,
la primera simulacin da (0,3398; 0,3422; 0,3130). El Cuadro 3.3 recoge las
cifras de las cinco simulaciones practicadas.
Simulacin n R1 R2 R3
1 0,3398 0,5127 0,2311 0,3398 0,3422 0,3130
2 0,9311 0,5745 0,9085 0,9311 0,9322 0,9452
3 0,8353 0,7978 0,2206 0,8353 0,8535 0,8288
4 0,6458 0,7176 0,4321 0,6458 0,6606 0,6501
5 0,1992 0,3890 0,6288 0,1992 0,1881 0,2153
Cuadro 3.3: Cinco simulaciones de la cpula de Gumbel trivariante (=10).

Cpula de Marshall-Olkin

El algoritmo para simularla sigue los pasos que, para llegar a ella, describimos
en el Captulo II, Epgrafe 9, es decir:

1. Determinar los valores de 1, 2 y 12 en funcin de los dos parmetros de esta

cpula que son (Captulo II, 9) y :

1 = 1; 2 = (1)/((1)); 12 = /(1).

2. Generar 3 nmeros pseudo-aleatorios uniformes (0,1) e independientes, R1, R2 y R12.

3. Hacer que z1= LN(R1)/1; z2=LN(R2)/2; z12= LN(R12)/12.

4. Definir x e y como: x = min(z1, z12); y= min(z2,z12).

5. Obtener u = exp[ (1+12)x]; v = exp[ (2+12)y].

6. Repetir este proceso.

En la Figura 2.31 se representan simulaciones de la cpula Marshall-Olkin para

distintos valores de sus parmetros y .

162
 IV. OTRAS CUESTIONES SOBRE CPULAS. EJEMPLOS

1. CPULAS MIXTAS Y SU APLICACIN PRCTICA

Llamamos cpula mixta C(u,v) a la que combina a otras dos: C1(u,v; 1) y C2(u,v; 2)
de la siguiente forma:

C(u,v) = p . C1(u,v; 1) + (1p) . C2(u,v; 2)

Su inters radica en la mayor flexibilidad que supone introducir en el modelo un

parmetro ms (el coeficiente de ponderacin p) y de participar de las caracters-
ticas de las dos cpulas intervinientes, C1 y C2.

Observemos que la anterior funcin C(u,v) es una cpula, puesto que96

C(1,v) = p C1(1,v; 1) + (1 p) C2(1,v; 2) = v;

y de igual manera C(u,1) = u.

Adems, es inmediato ver que C(0,v) = C(u,0) = 0.

En tercer lugar, tambin es fcil ver que C(u,v) es 2-creciente, al serlo C 1 y

C 2.

Ejemplo 4.1: La cpula mixta

Como punto de partida para el ejemplo que vamos a estudiar, tomaremos 500
pares de nmeros (x,y) representativos de siniestros o prdidas observados en
relacin con dos riesgos, que denominaremos riesgo 1 y riesgo 297. Estos

Ver II,2.
96

Se trata de cifras resultantes de una simulacin estocstica.

97

163
 datos quedan representados en la Figura 4.1 y algunas de sus caractersticas
se reflejan en el Cuadro 4.1.

Para centrarnos en la cuestin que ahora nos interesa, admitiremos que las
distribuciones marginales son del tipo Pareto, con parmetros 1 = 5,2; 1
=3,6; 2 = 2,6; 2 = 3,6. Ello determina que los valores medios son 2 y 1, respec-
tivamente para el riesgo 1 y 2, mientras que las desviaciones tpicas son 3 y
1,5. Llamamos F1 y F2 a dichas distribuciones marginales98 y aplicando las
transformaciones u=F1(x); v=F2(y) obtenemos los puntos (ui,vi) representados
en la Figura 4.2 y que corresponden a la cpula emprica. Nos proponemos
obtener un modelo que se ajuste a los datos que suponemos observados y
representados en dicha Figura 4.1.

Al admitir que conocemos las distribuciones marginales el problema queda

reducido al ajuste de un modelo de cpula a los datos reflejados en la Figura
4.2.

Comenzaremos por intentar dicho ajuste con los modelos de Frank y de

Gumbel. La estimacin mximo-verosmil de su respectivo parmetro est en
el Cuadro 4.2, que incluye tambin las estimaciones obtenidas a travs del
coeficiente .

Adoptamos las estimaciones mximo-verosmiles y las sustituimos en la fun-

cin K de (2.23). El resultado se representa en la Figura 4.3, en cuya parte (b)
se ampla la zona correspondiente a las abscisas 0,6<w<0,9, lo que facilita
apreciar la escasa aptitud de los modelos propuestos para representar el fe-
nmeno observado.

Por tanto F(x) = 1 [/(x + )] .

98

164
Figura 4.1: 500 puntos representativos, cada uno de ellos, de las prdidas o siniestralidades de
dos riesgos, Riesgo 1 y Riesgo 2.

Riesgo 1 Riesgo 2 Distr. conjunta

Media 1,92 1,05
Desv. tpica 2,54 1,60
Mediana 1,12 0,527
VaR 99 % 13 8
VaR 99,5 % 17,5 9,75
Valor mximo 20,259 18,886
Valor mnimo 0,0027 0,0005
Coef.correlacin 0,582
Coef. 0,4378
Cuadro 4.1: Estadsticos de los valores representados en la Figura 4.1.

Figura 4.2: Valores de u y v correspondientes a los puntos representados en la Figura 4.1.

165
 Log. mx.
Modelo en funcin de mximo-verosmil
verosimilitud
Frank 4,70 4,70 115,754
Gumbel 1,779 1,730 128,273
Cuadro 4.2: Parmetros estimados de dos modelos de cpula para los datos representados en
la Figura 4.2.

En esta misma Figura 4.3 se ve cmo en valores reducidos de w parece ms

adecuada la cpula de Frank, mientras que para w>0,8, aproximadamente,
resulta mejor la de Gumbel, sin que, en conjunto, ninguna de ambas sea sa-
tisfactoria. Ello hace pensar que, quiz, un modelo mixto de ambos pudiera
ser ms adecuado, es decir, una cpula C(u,v) de la siguiente forma:

(a) (b)
Figura 4.3: Funcin K(w) para dos modelos de cpula y para los datos observados.

C(u,v) = p . CFR(u,v; 1) + (1p) . CGU(u,v; 2)

en donde 0p1 mientras que CFR(u,v; 1) y CGU(u,v; 2) representan las cpulas

de Frank y Gumbel.

166
 Tenemos, por tanto, tres parmetros, que procedemos a estimar por mxima
verosimilitud99, con el resultado que refleja el Cuadro 4.3.

El logaritmo de la verosimilitud que corresponde a las anteriores estimacio-

nes es 136,74, superior a las cifras que figuran en el Cuadro 4.2.

Parmetro Estimador mx.-verosmil

p 0,43
1 1,71
2 2,87
Cuadro 4.3: Estimacin de los parmetros de la cpula mixta para los datos representados en
la Figura 4.2.

La anterior cpula mixta no es arquimediana y por tanto no le es de aplicacin

la frmula (2.23) ni el mtodo grfico de Genest-Rivest que acabamos de uti-
lizar para rechazar los modelos de Frank y de Gumbel. Pero, segn qued
expuesto en el III,2, cabe la posibilidad de estimar la funcin K(w) mediante la
simulacin de Montecarlo, cosa que hemos hecho con el resultado que con-
tiene el Cuadro 4.4.

w 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

K(w) 0 0,221 0,3727 0,5038 0,6153 0,6976 0,7759 0.8476 0,9123 0,966
Cuadro 4.4: Varios valores de la funcin K(w) de la cpula mixta obtenidos mediante simulacin.

Por el mtodo de los mnimos cuadrados obtenemos una funcin continua

K(w) que se adapta a los anteriores puntos y que es la siguiente:

K(w) = 0,116w5 1,592w4 + 3,541w3 3,537w2 + 2,471w.

La Figura 4.4 permite comprobar que el modelo mixto es mucho ms adecua-

do que los dos anteriores arquimedianos. En la parte (a) de esta Figura se
representa el anterior polinomio con los puntos que trata de aproximar, mien-
tras que en la (b) est la grfica qq, que enfrenta las frecuencias empricas

Para determinar el mximo de la funcin de verosimilitud se ha utilizado el algoritmo de Nelder-

99

Mead. Ver Klugman, Panjer y Willmott, (1998), pgina 595.

167
 observadas (para w = 0; 0,1; , ... , 0,9; 1) con los valores de K(w) de la cpula
mixta (obtenidos mediante simulacin) para dichas abscisas. Se observa en
4.4b la cercana de los puntos qq a la lnea recta.

(a) (b)
Figura 4.4: Funcin K(w) y grfica cuantil-cuantil para la cpula mixta.

Para confirmar la preferencia de la cpula mixta sobre los otros dos modelos
contemplados, aplicamos a las diferentes cpulas la medida (3.1) propuesta
por Frees y Valdez y calculamos tambin la de Akaike, con el siguiente resul-
tado:

AIC =2 x LN(mx. verosimilitud)

Cpula Medida F y V x 10.000
+ 2 x nmero de parmetros
Frank 2,74 2 x 115,754 + 2 = 229,508
Gumbel 1,43 2 x 128,273 + 2 = 254,546
Mixta 0,12 2 x 136,74 + 2 = 267,486
Cuadro 4.5: Medidas de Frees y Valdez y de Akaike.

Ambos criterios coinciden en que la mejor opcin es el modelo mixto y la peor,

la cpula de Frank.

168
2. REGRESIN MEDIANA

La regresin es un instrumento til en el estudio de la dependencia entre variables

estocsticas, al permitir asociar a cada valor de una de ellas una prediccin sobre el
valor que tomar la segunda. Esta prediccin es, habitualmente, la media. La fun-
cin de regresin y = f(x), por tanto, nos da la prediccin (valor medio) de la variable
Y para cada valor de X. Si la regresin es una forma de describir la dependencia
entre variables aleatorias y esta dependencia radica en la cpula, es natural buscar
una regresin que dependa de dicha cpula: sta es la regresin mediana.

As pues, en lugar de identificar a la prediccin de la variable con su valor medio con-

dicionado a la otra, tomamos como tal prediccin a la mediana de la primera cuando
la segunda tome el valor deseado. Se trata, en definitiva, del valor mediano de Y (o de
X) condicionado a X (o bien a Y). En algunas aplicaciones puede ser interesante adop-
tar como dicha prediccin otro cuantil de la variable en lugar de la mediana para cada
valor de la otra y por eso hablamos, en general, de regresin cuantlica.

Si F(x,y) = Prob(X < x;Yy) la regresin de Y sobre X para el cuantil p ser el valor y
que satisfaga la ecuacin

F(yx) = p

para un valor de x prefijado; y si dejamos que x vare, obtendremos la funcin de

regresin y = rp(x) para el cuantil p.

Para obtener F(yx), recordemos que esta funcin equivale a

siendo u(x) = F(x) la funcin de distribucin marginal de X.

Por otra parte sabemos que F(x,y ) = C[u(x), v(y)]. De ah que

169
y, en definitiva,

A este mismo resultado se llega mediante un razonamiento ms directo, si tene-

mos en cuenta que F(yx) = C(vu) y que la expresin de C(vu) nos viene dada por
(2.5).

La funcin de regresin cuantlica-p de Y sobre X a la que hemos llamado y = rp(x)

resultar, por tanto, de

Pero lo que nos interesa es la funcin de regresin de Y sobre X (y no la de V sobre

U). De ah que en (4.1) hayamos de sustituir u por u(x) y v por v(y) para llegar a di-
cha funcin de regresin.

Ejemplo 4.2: Regresin cuantlica, curvas de regresin y su significado

Sean dos variables X, Y cuya funcin de distribucin conjunta es

Se trata de variables cuya dependencia corresponde a la cpula de Clayton

con parmetro = 2; las distribuciones marginales son exponenciales, con
medias 1 y 2, respectivamente. La derivada de dicha cpula con respecto a u,
tiene la forma:

La regresin mediana de V para U = 0,7, por ejemplo, resulta de resolver la

ecuacin

170
lo que nos da v 0,6744. Para este valor de v, la funcin de distribucin mar-
ginal de Y hace corresponder el importe y = 2,244 mientras que para u = 0,7 el
valor de x es x=1,20.

Si en (4.2) sustituimos u y v por las distribuciones marginales u(x) y v(y) obte-

nemos una ecuacin g(x,y) = 0,5; en la funcin de regresin mediana y = r0,5(x)
la variable y representa las soluciones de dicha ecuacin. La grfica de esta
funcin est en la Figura 4.5, junto con la curva de regresin para el cuantil p
=0,9. Se observan los valores de la regresin para x=1,20 segn los cuantiles
0,5 y 0,9, respectivamente, que son 2,244 y 5,406. El primero de dichos valores
(la mediana) puede interpretarse como la prediccin para la variable Y, cuan-
do sabemos que X ha tomado el de 1,20.

Figura 4.5: Curvas de regresin de Y sobre X para los cuantiles 0,50 y 0,90.

El segundo (5,406) significa el importe de Y que no va a superarse con proba-

bilidad del 90%, cuando tenemos informacin de que X ha tomado el valor
1,20 (por tanto, el VaR al 90%).

Ejemplo 4.3: Regresin cuantlica: Aplicacin a una aseguradora

Este ejemplo est basado en la cpula mixta examinada en el epgrafe ante-

rior. Supongamos que los Riesgos 1 y 2 a que el Ejemplo 4.1 se refiere, consis-
tieran en los importes de la siniestralidad a cargo de un asegurador en la

171
 cobertura de cierto tipo de daos, pero as como el Riesgo 1 es la siniestrali-
dad del seguro directo, la del Riesgo 2 es la del reaseguro aceptado, cuya in-
formacin le llega con algn retraso. El asegurador tiene inters, por tanto,
en hacer predicciones sobre el coste que para l supondr el reaseguro acep-
tado, conociendo el incurrido en el seguro directo.

En la Figura 4.6 estn las curvas de regresin del Riesgo 2 (siniestralidad del
reaseguro aceptado) sobre el Riesgo 1 (del seguro directo) para los cuantiles
0,5, 0,95 y 0,99. Si, por ejemplo, en el seguro directo la siniestralidad ha sido
de 30 unidades, su importe en el reaseguro aceptado puede preverse que ser
de 10,5, aproximadamente, sin que supere las 18,7 unidades con una probabi-
lidad del 95%, ni las 22,6 con probabilidad del 99%.

Figura 4.6: Curvas de regresin de x=Riesgo 2 sobre y= Riesgo 1 para los cuantiles 0,50, 0,95 y
0,99.

3. CPULAS ARQUIMEDIANAS MULTIVARIANTES

Cuando pretendemos pasar de las cpulas arquimedianas bivariantes100 a las

multivariantes, encontramos un nivel creciente de complejidad. Una posibilidad
aparente de construir cpulas arquimedianas de dimensin superior a 2,

Captulo II, 4.
100

172
consistira en aplicar reiteradamente la expresin (2.14) para ir incrementando el
nmero de dimensiones, es decir:

C2 = C(u1, u2) = -1[(u1) + (u2)]

C3 = C(u1, u2, u3) = -1[(C2) + (u3)] = -1[(u1) + (u2) + (u3)]

........

Cn = C(u1, u2, . . . , un) = -1[(Cn-1) + (un)] = -1[(u1) + (u2) + ... + (un)] (4.3).

Pero este procedimiento puede desembocar en funciones que no renen los re-
quisitos constitutivos de las cpulas. Un ejemplo que propone Nelsen (2006)101 es
el siguiente:

Para (t) = 1 t obtenemos la cpula bivariante W(u,v) = max(u + v 1, 0), es decir,

la cpula mnima102. Para n =3 resultara W(u, v, z) =max(u + v + z 2, 0) que no es
una cpula, porque no es 3creciente, segn puede comprobarse calculando

d = W(u2, v2, z2) W(u2, v2, z1) W(u2, v1, z2) W(u1, v2, z2) + W(u2, v1, z1) + W(u1, v2, z1)
+ W(u1, v1, z2) W(u1, v1, z1) (para u1<u2; v1<v2; z1<z2).

Si, por ejemplo (u2, v2, z2) = (1, 1, 1) y (u1, v1, z1) = (1/2, 1/2, 1/2), d = 0,5. La pregun-
ta que surge es, por tanto, qu condiciones tiene que reunir la funcin (t) para
que (4.3) sea una cpula103; la respuesta tiene que ver con el concepto de funcin
completamente montona, que es aqulla que, adems de ser continua, cumple la
condicin

Pgina 151.
101

Captulo II, 2.
102

Embrechts, Lindskog y MacNeil, (2001).

103

173
Pues bien, hay un teorema, debido a Kimberling,104 que viene a afirmar que la fun-
cin Cn de (4.3) ser una cpula cuando (t) es un generador estricto y su inversa
-1(t) es completamente montona para t0.

Si tomamos como ejemplo (t) = [LN(t)], que es el generador de la cpula de

Gumbel, comprobamos que cumple las condiciones de dicho teorema y por tanto
concluimos que

C(u1, u2, ... , un) = exp{ [ [LN(u1)] + [LN(u2)] + ... +[LN(un)] ]1/}

es una cpula. Pero esta funcin C tiene el inconveniente de que sus n varia-
bles son intercambiables entre s en el sentido de que permutar el lugar que
ocupan en la funcin resulta irrelevante, al ser nico el generador empleado y,
con ello, tambin nico el parmetro ; como consecuencia, el grado de de-
pendencia entre cualquier par de variables (ui, uj) (i j) ser el mismo, lo que
limita la utilidad de esta cpula multivariante105. Ello nos lleva a plantear si es
posible construir una cpula arquimediana multivariante con distintos genera-
dores. Una posibilidad consiste en seguir el proceso siguiente106, en donde h
j significa h[j(t)]:

C2 = C(u, v) =-1[2(u) + 2(v)]

C3 = C(u, v, w) = -1[1(C2) + 1(w)] = -1[12-1(2(u) + 2(v)) + 1(w)] (4.4a)

C4 = C(u, v, w, z) = 1-1[1(C3) + 1(z)] =

1-1{12-1[2 3-1(3(u)+ 3(v)) + 2(w) ] + 1(z)} (4.4b)107

104
Nelsen, (2006), pgina 152.
La cpula arquimediana trivariante simulada en III,3 tena esta caracterstica, es decir, un solo
105

parmetro.
106
Seguimos aqu el trabajo citado en la anterior Nota 103.
107
Para llegar a esta expresin hemos hecho C3=2-1[23-1(3(u) + 3(v))+ 2(w)]

174
y as sucesivamente. Pero surge nuevamente la pregunta de si, en esta nueva si-
tuacin (es decir, diversidad de generadores), este mtodo para construir cpulas
arquimedianas con distintos generadores conduce siempre a una funcin Cn que
es una cpula o, por el contrario, no es suficiente la condicin de que las funciones
i(t) sean generadores estrictos y sus inversas completamente montonas. La
respuesta108 es que se necesitan ahora ms requisitos; as, cuando se trata de
la cpula de Gumbel, ha de ser 1 2 ... n109. Observemos ahora lo siguiente:
Si, a partir de (4.4a) obtenemos la cpula marginal C(u,v), resulta, teniendo en
cuenta que, por definicin de funcin generador, ha de ser 1(w) = 0, para w = 1,

C(u,v) = C(u, v, 1) = 1-1[12-1(2(u) + 2(v)) +0] = 2-1(2(u) + 2(v)).

Y, segn el mismo razonamiento, concluimos que las cpulas marginales C(u,w)

y C(v,w) son:

C(u,w) = C(u, 1, w) = 1-1 [12-1(2(u) + 0) + 1(w)] = 1-1[1(u) + 1(w)]

C(v, w) = C(1, v, w) =1-1[12-1(0 + 2(v)) + 1(w)] = 1-1[1 (v) + 1(w)].

Embrechts, Lindskog y MacNeil, (2001).

108

Si no se cumple este requisito puede resultar una funcin que no es n-creciente. Por ejemplo,
109

en la cpula de Gumbel trivariante con 3-1=2 generadores distintos, cuya expresin es:

si hacemos 1=10 y 2 =1,1 (contraviniendo as el requisito de ser 1 2) tenemos que, para (u1, v1, w1)
= (0,5; 0,04; 0,05) y (u2, v2, w2) = (0,95; 0,95; 0,1) el volumen segn C(u, v, w) del recinto definido por
los anteriores puntos es negativo:
C(u2, v2, w2) C(u2, v2, w1) C(u2, v1, w2) C(u1, v2, w2) + C(u2, v1, w1) + C(u1, v2, w1) + C(u1, v1, w2) C(u1,
v1, w1) = 0,0032.

175
Llegamos, por tanto, al siguiente esquema para representar las relaciones de
dependencia entre U, V y W:

En l se ilustra que la cpula C3(u, v, w) da lugar a tres relaciones de dependencia,

de las que slo dos son distintas; la primera, representada por el generador 2 (2
en la grfica) entre U y V y la segunda y la tercera, representadas ambas por 1
(1), se refiere o afecta a las relaciones entre U y W, por una parte, y entre V y W,
por otra.

Si aplicamos esto mismo a (4.4b) llegamos a que en C(u, v, w, z) puede haber tres
relaciones de dependencia diferentes, de las cuatro existentes en total.

4. EJEMPLOS DE CLCULO DEL VaR

Examinaremos en este Epgrafe varios ejemplos de clculo del cuantil de la distri-

bucin de la suma de dos o de tres riesgos.

A) Dos riesgos

Supondremos que las distribuciones marginales de ambos riesgos (representati-

vos cada uno de ellos de cuantas de indemnizaciones a cargo de un asegurador
por dos tipos de seguros, A y B) siguen la ley de Pareto. Designamos como X e Y el
respectivo ratio de la siniestralidad sobre primas y admitimos que en ambos

176
casos su media es 1, con una varianza de 2,778. Ello determina las siguientes fun-
ciones de distribucin de X e Y:

Admitimos tambin que la estructura de dependencia entre X e Y es la cpula de

Gumbel con = 2. Nuestro inters se centra en la distribucin de la variable suma
de ambos ratios, X+Y (X,Y, 0):

siendo f(y) la funcin de densidad del ratio Y. Por otra parte, la probabilidad con-
dicionada que figura en el integrando equivale a

La funcin de distribucin de la variable aleatoria suma, es decir, S = X + Y ser,

llamando f(x,y) a la funcin de densidad conjunta de ambos ratios, X e Y:

y la funcin de densidad,

En la funcin de densidad conjunta f(x,y) intervienen la densidad de la cpula de

Gumbel y las densidades marginales, segn la expresin (2.29); por tanto, para
llegar a f(s) seguiremos los pasos siguientes:

1. Obtener la funcin de densidad de la cpula de Gumbel y hacer = 2.

2. En dicha funcin, sustituir u y v por las anteriores funciones FX y FY.

3. Multiplicar la funcin resultante por las densidades marginales de X y de Y.

177
Con los tres pasos anteriores obtenemos la funcin de densidad f (x,y).

4. Sustituir x por sy, de forma que dicha funcin pasar a ser f (sy, y).

5. Integrar la funcin f (sy, y) desde cero a s, con respecto a y.

De este modo obtenemos la funcin de densidad de la suma de los ratios S=X+Y

que se representa en la Figura 4.7.

Conocida la funcin f (s), podemos comparar el comportamiento en la cola dere-

cha de dicha funcin con el de su aproximacin logartmica110. El resultado es el
siguiente:

El VaR al 99,5% segn la aproximacin lognormal es 19,3 (recordemos que nos

estamos refiriendo a la distribucin de la suma de los ratios, cuya media es, por
tanto, igual a 2). Para este mismo valor, la funcin f (s) dara lugar a una proba-
bilidad de 99,6, aproximadamente.

El VaR al 99,5% segn la funcin f (s) es 18,2, inferior, por tanto, al valor segn
la aproximacin lognormal. Si en lugar de esta aproximacin adoptramos la
normal (como sera propio si atendemos a la utilizacin de correlaciones como
medida de la dependencia) el VaR al 99,5%, con los anteriores datos sera 10,2.

Veamos ahora otro supuesto, consistente en admitir las mismas distribuciones

marginales que en el caso anterior, pero con cpula de independencia:

El VaR al 99,5% segn la aproximacin lognormal es 14,35.

El VaR al 99,5% calculado con la funcin de distribucin de la suma de los ra-

tios, nos da 13,5.

Segn veremos ms adelante la normativa de Solvencia II adopta, en ciertos casos, la hiptesis

110

de distribucin logartmico-normal. De ah el especial inters que esta ley de distribucin tiene

para nosotros.

178
Figura 4.7. Funcin de densidad de la suma de los ratios de siniestralidad X e Y.

B) Tres riesgos

Primer ejemplo

El primero de los ejemplos que estudiaremos ahora se refiere a la normativa de

Solvencia II. Al regular cmo se determina el capital de solvencia (SCR) del mdu-
lo riesgo de suscripcin del seguro de enfermedad, dicha normativa distingue
tres submdulos:

a. El seguro de enfermedad que se identifica por las siglas SLT (Similar to Life
insurance Technique, es decir, seguro de enfermedad planteado actuarialmen-
te segn tcnica similar a la del seguro de vida).

b. Seguro de enfermedad NSLT (Non-Similar to Life insurance Technique, es de-

cir, restantes seguros de enfermedad).

c. Riesgo de catstrofe en el seguro de enfermedad.

179
El capital obligatorio para el mdulo seguro de enfermedad, ha de calcularse
mediante la frmula siguiente, que lleva implcita la hiptesis de normalidad en la
distribucin de los riesgos de suscripcin de estos tres sub-mdulos111:

en donde SCR(.) son los capitales correspondientes a cada uno de los tres sub-
mdulos, calculados segn las reglas que se detallan en la normativa. Los coefi-
cientes de correlacin CorrH(i,j) quedan fijados por dichas normas y son los si-
guientes:

Entre los sub-mdulos SLT y NSLT, 12 = 0,5.

Entre los sub-mdulos SLT y NSLT, por una parte, y el submdulo de riesgo de
catstrofe, por otra, 13 = 23 = 0,25.

Pues bien, supongamos que el capital SCR o VaR al 99,5% para cada uno de los
tres sub-mdulos fuese igual a 10 unidades monetarias y nos preguntamos cul
sera el VaR o capital exigido para el mdulo riesgo de suscripcin del seguro de
salud en caso de que la estructura de dependencia entre los tres riesgos que lo
integran se apartara del modelo gaussiano. Concretamente, calcularemos dicho
capital en los dos casos siguientes de estructura de dependencia entre las tres
variables representativas de dichos riesgos: a) Cpula Gumbel con distintos valo-
res del parmetro de dependencia, y b) Cpula t, con varios grados de libertad.
Los mrgenes son, en todo caso, normales, con media cero y desviacin tpica
igual a 10/2,58 3,876.112 Es decir que referimos ambas distribuciones marginales
al ratio de prdida experimentada en el ejercicio econmico sobre el volumen de
negocio.

La utilizacin de correlaciones como medida de la dependencia supone la hiptesis de cpula

111

gaussiana con mrgenes normales. Que bajo el signo radical aparezcan capitales en lugar de des-
viaciones tpicas implica admitir que las medias marginales son nulas; el VaR al 99,5% coincide con
los capitales de solvencia exigidos.
112
Segn veremos en el Captulo V,1, la normativa de Solvencia II adopta como probabilidad mni-
ma de solvencia el 99,5%. En la distribucin normal (0,1), el cuantil correspondiente es, aproxima-
damente, 2,58. Por tanto, si el SCR calculado para cada sub-mdulo es 10, entonces 2,58 x desvia-
cin tpica de ese sub-mdulo = 10.

180
a) Cpula Gumbel

Calculamos el VaR o SCR del mdulo por medio de simulaciones (50.000 en cada
caso) para dos grupos de valores de los parmetros de la cpula trivariante (1,2),
elegidos de forma que las correlaciones 12, 13 y 23 sean, o bien similares a las
que establece la normativa (es decir, 0,5, 0,25 y 0,25 respectivamente) o bien ms
altas (0,7, 0,5 y 0,5).

Uno de nuestros objetivos es comparar los resultados de estos clculos con el

SCR obtenido por aplicacin de las normas de Solvencia II, y cuyo importe, para
nuestros datos, sera:

Hemos aadido el supuesto de independencia, al que corresponde un VaR o SCR

igual a .

Las cifras son las siguientes:

(1) (2) (3) (4)
Parmetros correlaciones SCR 100x3/22,36
1= 1,17 12 = 0,5
2= 1,47 13 = 23 = 0,25 25,15 112,5
1= 1,45 12 = 0,7
2= 2,00 13 = 2 = 0,5 27,65 123,7
Independencia 12 = 13 = 23 = 0 17,32 77,4
Cuadro 4.6: Capitales exigidos para el riesgo de suscripcin del mdulo seguro de salud segn
los modelos de Gumbel y de independencia de los sub-mdulos que lo integran.

Por tanto, si las correlaciones (segunda fila, columna 2 del Cuadro 4.6) son simi-
lares a las que prescriben las normas de Solvencia II, la aplicacin de stas infra-
valora el capital necesario para que el mdulo alcance una solvencia del 99,5%,
puesto que dicho capital necesario 25,15 representa el 112,5% del requerido
por la normativa, que es de 22,36. En el supuesto de que las correlaciones entre
los tres sub-mdulos fueran ms altas, la infravaloracin sera an ms impor-
tante (el 123,7 por 100).

181
b) Cpula t

Calcularemos ahora el VaR o SCR (con el mismo nmero de simulaciones que en

el supuesto Gumbel), para 3, 10 y 30 grados de libertad de la cpula t. Los coefi-
cientes de correlacin son, en los tres casos, iguales a los establecidos en las
normas de Solvencia II, es decir, 0,50, 0,25 y 0,25. El Cuadro 4.7 refleja los resul-
tados de este ejercicio.

(1) (2) (3)

Grados de libertad SCR 100 x (2)/22,36
3 24,7 110,5
10 23,1 103,1
30 22,3 100
Cuadro 4.7: Capitales exigidos para el riesgo de suscripcin del mdulo seguro de salud bajo la
hiptesis de la cpula t como estructura de dependencia de los sub-mdulos que lo integran.

Vemos tambin, como era de esperar, que la aplicacin de la cpula da lugar a

cifras del capital de solvencia superiores a la resultante de aplicar la normativa,
si bien la diferencia disminuye hasta desaparecer al aumentar los grados de li-
bertad.

Hemos de insistir en que, en casos como el que acabamos de examinar en rela-

cin con el seguro de salud, las normas de Solvencia II admiten la hiptesis de que
las distribuciones marginales de los riesgos de suscripcin de cada uno de los
tres sub-mdulos son normales centradas en cero (dichas distribuciones se refie-
ren al ratio de prdida del ejercicio econmico sobre el volumen de negocio). En
otros muchos supuestos, estas normas admiten la misma hiptesis.

Segundo ejemplo

Supongamos ahora tres lneas de seguro X, Y, Z, cuya siniestralidad total anual

tuviera como media y desviacin tpica (10, 5), (3, 5) y (5, 10) respectivamente. La
funcin de distribucin de dicha siniestralidad es, en el riesgo X, la logartmico-
normal, mientras que las otras dos siguen la distribucin de Pareto. Por tanto, las
respectivas funciones de densidad son:

182
Los parmetros de estas funciones estn en el Cuadro 4.8. Los coeficientes de
Kendall para cada par de riesgos figuran en el Cuadro 4.9.

Riesgo Parmetros Media Desviacin tpica

X = 2,191; = 0,472 10 5
Y = 3,125; = 6,375 3 5
Z = 2,667; = 8,333 5 10
Cuadro 4.8: Parmetros de las distribuciones marginales.

Riesgos X Y Z
X - 0,5 0,3
Y 0,5 - 0,3
Z 0,3 0,3 -
Cuadro 4.9: Coeficientes entre X, Y, Z.

Nuestro propsito es calcular el VaR (cuantiles al 99, al 99,5 y al 99,9%) de la si-

niestralidad total113, suma de las tres lneas de seguro X, Y, Z, bajo diversas hip-
tesis acerca de la estructura de dependencia entre estos riesgos:

Cpula gaussiana

Cpula de Gumbel

Cpula t (con 10 y con 3 grados de libertad)

Independencia entre los riesgos.

Por tanto, en este ejemplo no nos referimos a la variable suma de los ratios de siniestralidad
113

y gastos de X ms ratio de Y, sino a las cifras de dicha siniestralidad ms gastos, en unidades

monetarias.

183
En el caso de las cpulas gaussiana y t trivariantes determinaremos los parme-
tros XY, XZ y YZ mediante la expresin (3.2), que relaciona el coeficiente con los
coeficientes de correlacin en la cpula gaussiana; y as, tenemos que, con los
datos del Cuadro 4.9, resulta:

En el caso de la cpula de Gumbel trivariante aplicamos la expresin de la ante-

rior Nota 109, es decir:

para 1 = 1,428 y 2 =2, en virtud de (2.26).

Por medio de simulaciones de las variables X, Y, Z114 obtenemos otros tantos va-
lores de la suma y computamos las veces en que sta no supera el importe desea-
do. El resultado de las 50.000 simulaciones realizadas para cada caso se recoge
en el Cuadro 4.10.

Se observa que, para los datos de este ejemplo, son muy similares los resultados
de la cpula gaussiana y los de la cpula t con 10 grados de libertad, mientras que
la de 3 grados de libertad se acerca a la cpula de Gumbel. Tambin queda mani-
fiesta la gran diferencia de todos estos resultados con los de independencia.

Calcularemos ahora la probabilidad de que la siniestralidad total supere al VaR de

la hiptesis de independencia para cada una de las cuatro restantes hiptesis que
contemplamos (Cuadro 4.11); dicha probabilidad duplica, aproximadamente, la
que corresponde a cada supuesto de estructura de dependencia; por ejemplo, si
la cpula fuese gaussiana, la probabilidad de que la siniestralidad total superase
el VaR al 99% para el caso de independencia sera 0,021.

Ver III,3.
114

184
 VaR segn modelo de cpula
t con 10 g. t con 3
Gaussiana Gumbel Independencia
de l. de g. de l.
99% 71,5 75 71,5 75 57
99,5% 88,7 95 89 96,5 71,2
99,9% 145 170 150 170 123
Cuadro 4.10: Importes del VaR para distintos niveles de probabilidad y estructuras de
dependencia entre los tres riesgos considerados (clculo por simulacin).

Por ltimo, compararemos el importe del VaR al 99,5 por 100 calculado ante-
riormente para cada hiptesis, con el VaR obtenido segn las normas de
Solvencia II. Aqu hemos de abrir un breve parntesis para aclarar que en tales
normas subyace la hiptesis de que las variables que representan los riesgos
de suscripcin del seguro novida se distribuyen segn la ley logartmico-nor-
mal; el procedimiento para calcular el capital de solvencia obligatorio o SCR en
este seguro es: Primero, determinar la desviacin tpica del ratio de siniestra-
lidad y gastos sobre el volumen de negocio, para el conjunto de lneas de segu-
ro mediante una frmula como la (5.4), es decir, la raz cuadrada de la suma de
los productos de las desviaciones tpicas por las correlaciones. A continuacin,
se ajusta una distribucin log-normal cuya media sea la unidad y desviacin
tpica la que acabamos de obtener. En tercer lugar, se determina el VaR al
99,5% segn esta funcin de distribucin y se le resta la unidad (la media), para
as llegar al SCR por unidad de volumen de negocio.115. Ya dijimos que en este
ejemplo las variables X, Y y Z no significan ratios como ocurre en el procedi-
miento de Solvencia II que acabamos de resumir sino cantidades de sinies-
tralidad medidas en unidades monetarias; por tanto, hemos de abandonar nece-
sariamente la hiptesis de que la media es igual a la unidad. El procedimiento
que vamos a seguir para llegar al VaR segn los criterios de Solvencia II adap-
tados a nuestro ejemplo, ser:

En el Captulo V, Epgrafe 1 hay una breve descripcin de las normas de Solvencia II ms rele-
115

vantes a nuestros efectos. Aqu nos interesan especialmente las expresiones (5.2), (5.3) y (5.4). En el
Epgrafe siguiente trataremos de la aproximacin logartmico-normal preconizada por Solvencia II
como modelo del ratio de siniestralidad global no-vida.

185
 Probabilidad, para cada modelo de cpula, de superar el VaR
calculado para la hiptesis de independencia
VaR Gaussiana Gumbel t con 10 g. de l. con 3 de de l. Independencia
99% 0,021 0,022 0,018 0,02 0,01
99,5% 0,009 0,012 0,01 0,012 0,005
99,9% 0,002 0,002 0,002 0,002 0,001
Cuadro 4.11.

1. Adopcin de cada una de las hiptesis propuestas, cinco en total, en relacin

con la verdadera estructura de dependencia entre los riesgos X, Y y Z: Cpula
gaussiana, de Gumbel, t con 10 y 3 grados de libertad e independencia.

2. Clculo de los coeficientes de correlacin XY, XZ y YZ para cada distribucin

trivariante que resulta de vincular cada modelo de dependencia con las tres
distribuciones marginales de X, Y y Z respectivamente. Haremos esto por me-
dio de 2000 simulaciones del vector (X, Y, Z) para cada una de dichas distribu-
ciones (salvo para el caso de independencia, en que admitiremos que las tres
correlaciones son nulas).

3. Obtencin de la desviacin tpica total para la suma de los tres riesgos X, Y, Z,

segn la correspondiente frmula [similar a la (5.4)], en que intervendrn las
anteriores correlaciones.

4. Tras determinar los parmetros de una distribucin logartmico-normal cuya

media sea E[X] + E[Y] + E[Z] = 10 + 3 + 5 = 18, con desviacin tpica determinada
segn el nmero anterior, se calcula el VaR al 99,5% bajo la hiptesis de que X
+ Y + Z se distribuye segn dicho modelo.

El resultado se recoge en el Cuadro 4.12. Las cifras de su ltima fila representan

porcentajes del VaR correspondiente segn el Cuadro 4.10, sobre los de la fila 3
del presente.

186
 Hiptesis sobre el
t - 10 g de
modelo de Gaussiana Gumbel t - 3 g de lib. indep
lib.
dependencia
0,59/0,259/ 0,688/0,49/ 0,597/0,36/ 0,598/0,38/
XY / XZ / YZ; 0
0,22 0,53 0,36 0,51
VaR 99,5 % (segn
el modelo log- 90,30 101,9 95,23 98,60 72,90
normal)
Porcentaje del VaR
al 99,5% segn el
Cuadro 4.10, en 98,2 93,2 93.5 97,9 97,7
relacin con el de
la fila anterior.
Cuadro 4.12: Comparacin del VaR segn varias estructuras de dependencia entre los riesgos X, Y,
Z con el determinado bajo la aproximacin lognormal.

Se observa cmo, en todos los casos contemplados, el porcentaje de la ltima fila

es menor que 100; ello significa que el VaR obtenido mediante modelos basados
en cpulas es, en estos supuestos, inferior al que se obtiene siguiendo el criterio
de Solvencia II y su aproximacin logartmico-normal. Qu ocurrira si, en lugar
de adoptar el modelo log-normal, Solvencia II aceptara en este caso el normal? En
el Cuadro 4.13 tenemos la respuesta. La comparacin de la ltima fila de este
Cuadro con su homloga del 4.12 es elocuente, porque muestra el efecto de acer-
camiento que produce el modelo log-normal hacia las cifras que dan las cpulas,
con unos parmetros como los de nuestro ejemplo.

Hiptesis sobre el modelo

Gaussiana Gumbel t10 gdl. t3 gdl. indep
de dependencia
VaR 99,5 % (segn modelo 56,91 61,66 58,94 60,31 49,60
normal)
Porcentaje del VaR al 99,5% 155,86 154,07 151,00 160,01 143,55
segn el Cuadro 4.10, en
relacin con el de la fila
anterior
Cuadro 4.13: Comparacin del VaR segn varias estructuras de dependencia entre los riesgos X, Y,
Z con el determinado bajo la aproximacin normal.

187
Para obtener las cifras de la tercera fila del Cuadro 4.13 hemos introducido en un
modelo normal la desviacin tpica resultante de combinar las desviaciones mar-
ginales con las correlaciones, as como la media igual a 18 y calcular el VaR al
99,5%. Por ejemplo, en el caso del modelo gaussiano (segunda columna) resulta
que los coeficientes de correlacin que para l contiene el Cuadro 4.13 y las des-
viaciones tpicas de las distribuciones marginales (recordemos que son 5, 5 y 10
respectivamente) conducen a una desviacin tpica global de 15,08 unidades,
aproximadamente. El cuantil al 99,5% de la distribucin normal (0,1) es, tambin
aproximadamente, 2,58. Por tanto, en la distribucin del riesgo global ese mismo
cuantil o VaR cuya media es 10+3+5=18 ser 15,08 x 2,58 + 18 56,91. El im-
porte de 88,7 que figura en el Cuadro 10 es el 155,86% de 56,91.

5. DETERMINACIN DEL VaR: COEFICIENTES DE CORRELACIN Y CPULAS.

EXAMEN DE LA APROXIMACIN LOGNORMAL DE SOLVENCIA II (NO-VIDA)

Algunos resultados obtenidos en el Epgrafe anterior pueden parecer sorpren-

dentes y ello aconseja detenerse en el examen de la aproximacin log-normal y la
utilizacin de las correlaciones para ilustrar qu efectos produce en relacin al
VaR determinado va cpulas.

La normativa de Solvencia II para calcular los capitales de solvencia ser objeto de

un rpido repaso en el Captulo V, en donde se expone el procedimiento para la
agregacin de riesgos novida que contienen dichas normas. Aqu nos limitare-
mos a decir que, segn anticipamos en el Epgrafe anterior, para llevar a cabo
dicha agregacin las normas de Solvencia II en materia de capitales de solvencia
para el riesgo de suscripcin novida siguen un proceso que consta, en esencia,
de tres pasos:

Primero, determinacin, para cada lnea de seguro, de la desviacin tpica del

ratio de siniestralidad ms gastos sobre primas. Estas desviaciones vienen
dadas en la propia normativa.

Segundo, clculo del ratio de la siniestralidad conjunta (es decir, de todas las
lneas de seguro novida), mediante la conocida frmula en que intervienen

188
 los coeficientes de correlacin entre cada par de riesgos o lneas de seguro,
coeficientes que tambin aportan dichas normas.

Tercero, adopcin de la hiptesis de que dicho ratio conjunto se distribuye se-

gn una ley logartmico-normal, de media 1 (porque se supone que las primas
cubren exactamente, por trmino medio, todas las obligaciones a cargo del
asegurador) y la desviacin tpica resultante del paso anterior. Con base en esta
hiptesis, se calcula el capital de solvencia necesario: Determinacin del VaR al
99,5% para una variable lognormal de media 1 y la desviacin estndar resul-
tante del paso 2; el capital de solvencia por unidad de volumen de negocio es
la diferencia entre dicho VaR y la unidad.

Para facilitar las cosas supondremos, en los ejemplos que examinaremos inme-
diatamente, que la cartera novida cuyo riesgo de primas trataremos de medir, se
compone de dos lneas de seguro solamente, X e Y. Tambin admitiremos, para
mayor sencillez, que las distribuciones marginales de ambos riesgos son las mis-
mas. En tercer lugar, en todos los ejemplos que vamos a estudiar trataremos de
determinar el VaR al 99,5% de la variable suma de los dos riesgos X+Y. Dichos
riesgos, X e Y, consistirn en el ratio de la siniestralidad ms gastos sobre las
primas116 a excepcin del primero de estos ejemplos, en que las variables X e Y
representan la siniestralidad ms gastos medidos en unidades monetarias y no
como proporcin del volumen de negocio.

Ejemplo 1: t de Student bivariante

Segn acabamos de decir, las variables X e Y representan la siniestralidad

ms gastos en unidades monetarias, procedentes de los riesgos X e Y; toma-
remos como media de ambas distribuciones marginales (que siguen el mode-
lo t) un nmero suficientemente alto en relacin con la varianza, para que
podamos despreciar las probabilidades de valores negativos de las variables.
En concreto, supondremos que la media es m=10.

116
Prescindimos de la casustica contemplada en la normativa de Solvencia II acerca de cmo de-
terminar el volumen de primas que entra en el clculo.

189
 Sobre esta base, y una vez elegidos los parmetros (coeficiente de correlacin)
y (nmero de grados de libertad) de la funcin de densidad conjunta t bivariante,
la expresin (4.5a) nos permitir calcular probabilidades Prob(X+Y<s) y, en defini-
tiva, llegar al importe de s que se identifique con el VaR al 99.5%. As, la integral

nos da el valor 0,995 para s= 45,49 si los parmetros son:

= 0,5
= 10.

La solucin obtenida, es decir, 45,49 es el VaR al 99,5 por 100 de la variable

S=X+Y. El capital de solvencia para una cartera de estas caractersticas, inte-
grada a partes iguales por riesgos X e Y y cuyo volumen total de primas fuera,
por tanto, 20 + 20 = 40, sera 45,49 40 = 5,49 unidades monetarias.

Veamos ahora cul sera el VaR resultante para esta misma cartera si segui-
mos las hiptesis subyacentes en las normas de Solvencia II. Para su clculo
hemos de determinar los parmetros de una distribucin log-normal de me-
dia 40 y desviacin tpica igual a la de X+Y. La varianza de X (y de Y) es /(2)
por tratarse de una t de Student. Por tanto, la desviacin tpica de la suma,
teniendo en cuenta que la correlacin elegida es 0,5, ser:

(2 x 10/8 + 2 x 0,5 x 10/8)1/2 1,94.

El VaR segn los criterios implcitos en las reglas de Solvencia II, se determi-
nar mediante la integral de la densidad logartmico-normal (, ), es decir:

190
cuyos parmetros han de ser tales que la media sea 40 y la desviacin estn-
dar 1,94, o sea:

pues bien, la anterior integral vale muy aproximadamente 0,995 y, por tanto,
el VaR al 99,5% segn este segundo procedimiento es 45,27.

El Cuadro 4.14 resume los resultados de clculos como los anteriores, para
distintos valores del parmetro . El coeficiente de correlacin se ha fijado
en 0,5.

(3) (4)
(2) (5)
(1) Desviacin VaR 99,5%
VaR 99,5% 100 x (2)
(gr de lib) estndar Aprox
distrib exacta /(4)
cartera lognormal
3 50,30 3,00 48,38 104,0
6 46,42 2,12 45,78 101,4
10 45,49 1,94 45,27 100,5
20 44,93 1,82 44,93 100,0
30 44,765 1,79 44,85 99,8
Cuadro 4.14: Comparacin del VaR al 99,5% segn el modelo t bivariante y segn la
aproximacin lognormal (Ejemplo 1).

La Figura 4.8 es la representacin grfica de la columna (5) anterior en funcin

de . Puede observarse en ella que el porcentaje que figura en dicha columna
va descendiendo al aumentar el nmero de grados de libertad, de manera que
llega a cruzar la lnea del 100% y alcanza un resultado de 99,8, significativo de
que el VaR segn la cpula t (con mrgenes igualmente t de Student) llega a
ser inferior al calculado con la aproximacin log-normal si el nmero de gra-
dos de libertad es alto (en nuestro ejemplo, mayor que 20).

191
Figura 4.8: Porcentaje que representa el VaR al 99,5% sobre el calculado utilizando la
aproximacin lognormal.

Ejemplo 2: t de Student bivariante (modificada)

A partir de aqu nos limitaremos a casos en que la media es unitaria, como

ocurre cuando las variables X e Y se identifican con el ratio de siniestralidad
ms gastos en relacin al volumen de negocio. Si seguimos optando por el
modelo t, esta nueva situacin en cuanto al significado de las variables exigir
que introduzcamos modificaciones en la funcin de densidad log-normal bi-
variante, para que su media sea 1 y su desviacin tpica sea la deseada (y no
la que resulte del parmetro ). Por tanto, dicha funcin de densidad habr de
ser:

(4.6)

192
 en donde s representa la desviacin tpica elegida para las variables X e Y, el
coeficiente de correlacin y el nmero de grados de libertad. El procedi-
miento para obtener los resultados que se contienen en los Cuadros 4.15 y
4.16 es similar al del Ejemplo 1: Valindonos de la expresin (4.5a), en la que
introducimos la funcin f(x,y) anterior, calculamos el VaR al 99,5%, que com-
paramos con el que corresponde segn la aproximacin log-normal. sta ha
de tener media 2 (puesto que es la suma de X+Y) y la desviacin tpica desea-
da, que es 0,1 o bien 0,2, segn se ve en el Cuadro respectivo.

De manera anloga, el Cuadro 4.16 refleja los mismos datos, salvo que = 6.
Llama la atencin la gran diferencia que presentan las cifras de la columna (6)
cuando nos situamos en el caso de 3 grados de libertad y desviacin tpica 0,2,
con respecto a los dems supuestos contemplados. En la Figura 4.9117 se ve
con mayor claridad esta diferencia, as como la evolucin de la proporcin
VaR segn cpula/VaR segn aproximacin log-normal.

(1) (2) (3) (4) (5) (6)

VaR 99,5% s Desv VaR 99,5% 100 x (2)
distrib. (desv. estndar aprox. /(5)
exacta estndar cartera lognormal
de X y de Y)
0 2,491 0,1 0,1414 2,392 104,1
0,25 2,548 0,1 0,1581 2,444 104,2
0,50 2,60 0,1 0,1732 2,490 104,4
0,75 2,646 0,1 0,1871 2,533 104,5
0 3,320 0,2 0,2828 2,845 116,7
0,25 3,450 0,2 0,3162 2,961 116,5
0,50 3,540 0,2 0,3464 3,069 115,3
0,75 3,596 0,2 0,3742 3,170 113,4
Cuadro 4.15: Comparacin del VaR al 99,5% segn el modelo t bivariante modificado con =3 y
segn la aproximacin lognormal (Ejemplo 2).

La escala de las ordenadas es, en esta Figura, muy distinta de la escala de las Figuras 4.8 y 4.10.
117

193
 (1) (2) (3) (4) (5) (6)
VaR 99,5% s Desv VaR 99,5% 100 x (2)
distrib. (desv. estndar aprox. /(5)
exacta estndar cartera lognormal
de X y de Y)
0 2,429 0,1 0,1414 2,392 101,5
0,25 2,480 0,1 0,1581 2,444 101,5
0,50 2,525 0,1 0,1732 2,490 101,4
0,75 2,567 0,1 0,1871 2,533 101,3
0 2,893 0,2 0,2828 2,845 101,7
0,25 3,000 0,2 0,3162 2,961 101,3
0,50 3,090 0,2 0,3464 3,069 100,7
0,75 3,173 0,2 0,3742 3,170 100,
Cuadro 4.16: Comparacin del VaR al 99,5% segn el modelo t bivariante modificado con =6
y segn la aproximacin lognormal (Ejemplo 2).

En todos los casos contemplados en este ejemplo resulta superior el VaR de-
terminado mediante la cpula, al calculado bajo los criterios de Solvencia II.

Figura 4.9: Porcentaje que representa el VaR al 99,5% segn la distribucin t, sobre el calculado
utilizando la aproximacin lognormal

Ejemplo 3: Distribucin normal bivariante

Siguiendo similar procedimiento al ya descrito resultan las cifras del Cuadro

4.17, relativas al caso en que ambos ratios, X e Y, tuvieran como distribucin
conjunta la ley normal bivariante con media 1 y desviacin tpica 0,1.

194
 (1) (2) (3) (4) (5)
VaR 99,5% Desv estndar VaR 99,5% 100 x (2)
distrib. exacta cartera aprox. /(4)
lognormal

0 2,365 0,1414 2,393 98,8

0,25 2,407 0,1581 2,444 98,4
0,50 2,447 0,1732 2,490 98,3
0,75 2,482 0,1871 2,533 98,0
Cuadro 4.17: Comparacin del VaR al 99,5% segn el modelo normal bivariante y segn la
aproximacin lognormal (Ejemplo 3).

Como era de esperar el VaR segn la distribucin exacta es, en todos los ca-
sos, inferior a la aproximacin logartmica. La asimetra positiva propia de
esta distribucin tiende a exagerar el importe del VaR si nos situamos en el
caso de variables simtricas, cuya cpula carece de dependencia en colas. La
Figura 4.10 refleja estos resultados.

Figura 4.10: Porcentaje que representa el VaR al 99,5% segn la distribucin normal, sobre el
calculado utilizando la aproximacin lognormal.

195
 Ejemplo 4: Cpula de Gumbel con mrgenes lognormales

El ltimo ejercicio que desarrollaremos tiene como eje la distribucin resul-

tante de vincular la cpula de Gumbel con mrgenes logartmico-normales
con iguales parmetros. Los clculos que realizaremos van encaminados a
obtener el VaR al 99,5% bajo distintos supuestos de valores de los parmetros
de la distribucin y los resultados se recogen en los Cuadros 4.18 (desviacin
tpica de las distribuciones marginales = 0,1) y Cuadro 4.19 (desviacin tpica
= 0,2). La media de dichas marginales es, en todo caso, igual a 1 y lo que se
refleja en ambas series de resultados es cmo vara dicho VaR y su porcenta-
je respecto al obtenido segn la aproximacin lognormal al variar el parme-
tro de dependencia de la cpula de Gumbel.

Las probabilidades de la funcin de distribucin Gumbellognormales se ob-

tienen mediante un procedimiento similar al ya descrito en el Epgrafe 4
(Ejemplo con dos riesgos).

Para calcular la varianza de la suma de ambos riesgos necesitamos la corre-

lacin entre ellos. Hemos estimado el coeficiente con 2000 simulaciones de
pares (X,Y), para cada valor del parmetro . Estas estimaciones estn en la
columna (3) de los Cuadros 4.18 y 4.19.

Por ltimo, queda representada en la Figura 4.11 la evolucin del porcentaje

de las columnas (6) en funcin del parmetro de dependencia. Se observa que
dicho porcentaje crece al principio, alcanza un mximo para descender des-
pus, segn aumenta la dependencia.

196
 (1) (2) (3) (4) (5) (6)
VaR 99,5% Desv VaR 99,5% 100 x (2)
distrib. estndar aprox. /(5)
exacta Cartera lognormal
1 2,392 0,00 0,1414 2,392 100,0
1,1 2,459 0,16 0,152 2,424 101,4
1,5 2,538 0,55 0,176 2,498 101,6
2 2,557 0,70 0,184 2,523 101,3
4 2,570 0,92 0,196 2,560 100,4
6 2,571 0,97 0,198 2,567 100,2
Cuadro 4.18: Comparacin del VaR al 99,5% segn el modelo Gumbel-lognormales y segn la
aproximacin lognormal (Ejemplo 4). Desviacin tpica marginal = 0,1.

(1) (2) (3) (4) (5) (6)

VaR 99,5% Desv VaR 99,5% 100 x (2)
distrib. estndar aprox. /(5)
exacta cartera lognormal
1 2,846 0,00 0,2828 2,846 100,0
1,1 2,994 0,15 0,303 2,915 102,7
1,5 3,180 0,54 0,351 3,085 103,1
2 3,228 0,70 0,369 3,151 102,4
4 3,259 0,92 0,392 3,236 100,7
6 3,263 0,96 0,396 3,252 100,3
Cuadro 4.19: Comparacin del VaR al 99,5% segn el modelo Gumbel-lognormales y segn la
aproximacin lognormal (Ejemplo 4). Desviacin tpica marginal = 0,2.

197
Figura 4.11: Porcentaje que representa el VaR al 99,5% segn la distribucin gumbel-lognormal,
sobre el calculado utilizando la aproximacin lognormal.

No es posible obtener reglas generales y precisas a partir de los ejercicios lleva-

dos a cabo, pero s concluir que la proporcin del VaR al 99,5% obtenido mediante
cpulas, sobre el resultante de los criterios de Solvencia II, vara segn el modelo
de dependencia de los riesgos en cuestin y, dentro de cada uno, de los parme-
tros introducidos. Tambin cabe deducir que en caso de varianzas moderadas,
como las que se aplican en el modelo estndar de Solvencia II para los seguros
no-vida, el porcentaje estudiado no es inferior a 100 (salvo, lgicamente, en el
caso normal bivariante, uno de cuyos resultados es el 98%); en algn caso puede
ser muy superior (ms del 116 % en el ejemplo de la distribucin t modificada, con
s = 0,1). Esta gama relativamente amplia de porcentajes nos lleva a preferir el em-
pleo de cpulas sobre el de correlaciones y aproximacin log-normal, porque
aqullas pueden adaptarse mejor a la verdadera estructura de dependencia de
las variables que intervengan en el fenmeno.

198
CAPTULO V. APLICACIN DE LAS CPULAS AL CLCULO
DEL CAPITAL DE SOLVENCIA EXIGIDO A LAS EMPRESAS
ASEGURADORAS POR SOLVENCIA II. ESTUDIO DE UN
EJEMPLO NUMRICO

1. DESCRIPCIN DE LAS NORMAS MS RELEVANTES

La normativa principal en materia de solvencia para las empresas aseguradoras

que operan en la Unin Europea (el sistema conocido como Solvencia II) se en-
cuentra en:

La Directiva 2009/138/EC, de 25 de noviembre de 2009 (publicada en el Diario

Oficial de la Unin Europea el 17 de diciembre de 2009).

El Reglamento Delegado (UE) 2015/35, de la Comisin, de 10 de octubre de

2014 (publicado en el Diario Oficial de la Unin Europea el 17 de enero de 2015).

El sistema Solvencia II tiene estructura modular, segn veremos ms adelante;

los riesgos que contempla se evalan o miden uno por uno; la medida se identifi-
ca con el capital necesario para afrontarlos individual o aisladamente; en un se-
gundo paso las medidas de estos riesgos son objeto de agregacin para determi-
nar los recursos con que cubrir el conjunto de todos ellos. Se entiende por cubrir
disponer de fondos necesarios para afrontar las prdidas ocasionadas por dichos
riesgos con una probabilidad suficientemente alta. Aquella agregacin no es una
simple suma aritmtica, sino que, al tenerse en cuenta las posibilidades de com-
pensacin entre unos riesgos y otros, en la medida en que su acaecimiento simul-
tneo sea improbable, intervienen las oportunas correlaciones.

Son caractersticas de este sistema de solvencia:

1) La medida del riesgo que se adopta es el Valor en Riesgo (Value at Risk o

VaR), con un nivel de confianza del 99,5 por 100. Este porcentaje tiene el siguiente
origen. En el Swiss Solvency Test (sistema de solvencia aplicable en Suiza a los
aseguradores) se abandon el VaR como medida del riesgo por los inconvenientes

199
tericos que presenta118 y se adopt en su lugar el expected shortfall o tail conditio-
nal expectation119, que es:

ES(X) = E {XX>VaR(X)}

en donde el VaR es el valor en riesgo o cuantil de la variable X al que corresponde

una probabilidad de , es decir que Prob[X VaR] = . Este expected shortfall o me-
dida del riesgo referida a la variable aleatoria X, es su valor medio condicionado a
los casos en que X supere el VaR. Uno de los inconvenientes del VaR como medi-
da del riesgo es que nada informa acerca de la gravedad del dao que supere el
cuantil VaR, sino que se refiere slo a la probabilidad 1 (por ejemplo, el 1 por
100) de que la prdida rebase cierto umbral (que es el VaR). El expected shortfall,
en cambio, mide el importe de esos daos o prdidas que superan el umbral o VaR
y calcula su media. Pues bien, en las versiones iniciales del Proyecto Solvencia II
se haca referencia al expected shortfall para observar que, en la distribucin nor-
mal, el valor de dicha medida de riesgo cuando =0,99, se acerca al cuantil 0,995120.
En efecto, ES0.99(X) VaR0.995(X), ya que, si llamamos (t) a la funcin de densidad
de la variable normal(0,1):

Por tanto, adoptar como criterio de solvencia el VaR al 99,5% resulta en la prcti-
ca aproximadamente similar al expected shortfall al 99%. Por otra parte, bajo la
hiptesis que adopta Solvencia II al configurar el modelo estndar para el capital
de solvencia bsico, el VaR es una medida del riesgo que tiene carcter subaditivo,
porque entre tales hiptesis est la de normalidad de los riesgos agregados121.

Vase Artzner, Delbaen, Eber y Hearth, (1999); tambin, F.Luder, (2005).

118

Estos trminos podran traducirse por dficit esperado o valor medio de la insuficiencia, el
119

primero; el segundo equivale a valor medio condicionado de la cola.

Documento CEIOPS-PI-08/06, Quantitative Impact Study 2, prrafo 1.9.
120

A. Ferri, (2012).
121

200
2) Otra caracterstica de Solvencia II es que adopta el ao como amplitud de su
horizonte temporal.

3) Una tercera nota es el carcter finalista de Solvencia II; quiere ello decir que en
el sistema se marcan unos objetivos que pueden lograrse, bien con el modelo es-
tndar, que se describe con detalle en la propia normativa, o bien con los modelos
internos de carcter total o parcial que decida instaurar cada entidad asegurado-
ra, en su caso.

El sistema consta de tres Pilares.

El Pilar 1 se refiere a las exigencias de Solvencia de orden cuantitativo: provi-

siones tcnicas, capital de solvencia obligatorio y capital mnimo obligatorio.

El Pilar 2 contiene normas sobre procedimientos internos y de supervisin.

Y el Pilar 3 est dedicado a reglas relativas a la transparencia y publicidad.

Esta breve descripcin del sistema Solvencia II se centrar slo en el Pilar 1, por
tener la mxima relevancia de los tres a nuestros efectos. Dentro de l, nos ceire-
mos a los aspectos que ms nos interesan sobre el capital de solvencia obligatorio
(en lo sucesivo, SCR, por su denominacin en ingls Solvency Capital Requirement) y
prescindiremos de las cuestiones que no sean necesarias para nuestro propsito,
que es comparar el importe del SCR a que conducen dichas normas con el que re-
sultara de la aplicacin de las cpulas. Diremos, no obstante, que otro concepto
importante es el de Minimum Capital Requirement o Capital Mnimo Obligatorio: se
trata del lmite por debajo del cual los asegurados y beneficiarios de las plizas de
seguro estaran expuestos a un nivel inaceptable de riesgo en caso de que el asegu-
rador o reasegurador continuara con su actividad.

El SCR (Capital de Solvencia Obligatorio) ha de calcularse con periodicidad m-

nima anual y es la suma de tres componentes (artculo 103 de la Directiva
2009/138, de Solvencia II):

a. El capital de Solvencia Obligatorio Bsico.

201
b. El Capital Obligatorio para el Riesgo Operacional (este riesgo se refiere a la
posible prdida por procedimientos, personal o sistemas inadecuados o falli-
dos, o por acontecimientos externos; se incluyen los riesgos legales, pero no
los derivados de decisiones estratgicas ni los de reputacin).

c. Y el ajuste por la capacidad de las provisiones tcnicas y de los impuestos dife-

ridos para absorber prdidas. Si ocurren hechos negativos para la entidad pue-
den reducirse ciertas provisiones tcnicas e impuestos futuros.

Sumar el capital bsico y el de riesgo operacional implica admitir la perfecta de-

pendencia entre ambos, lo que es discutible.

El SCR bsico comprende los siguientes mdulos122:

a. Riesgo de suscripcin no-vida.

b. Riesgo de suscripcin vida.

c. Riesgo de suscripcin salud.

d. Riesgo de mercado.

e. Riesgo de insolvencia de contraparte.

Los tres primeros se refieren a la posibilidad de prdidas en la actividad especfi-

camente aseguradora; el riesgo de mercado es el de minusvala en las inversio-
nes por fluctuacin desfavorable en los mercados y el de insolvencia consiste en
la eventualidad de deterioro en los crditos del asegurador contra terceros.

A cada uno de estos riesgos se asigna un capital obligatorio en virtud de las nor-
mas de clculo que se dictan. Y estos capitales se agregan, por va de los coefi-
cientes de correlacin que tambin se establecen, para llegar a dicho capital

122
El artculo 87 del Reglamento Delegado 2015/35 aade un capital de solvencia obligatorio fren-
te a los riesgos que afecten a los activos intangibles.

202
bsico, al que ha de sumarse el capital obligatorio para el riesgo operacional y el
ajuste (de signo negativo) por la capacidad de absorcin de prdidas de las provi-
siones tcnicas y de los impuestos diferidos.

Fijamos ahora nuestra atencin en el mdulo de riesgo de suscripcin no-vida.

Comprende tres sub-mdulos:

a. Adversa modificacin en el valor de las obligaciones, sea por fluctuaciones de-

bidas a los hechos asegurados (riesgo de prima) o al momento e importe de la
liquidacin de los siniestros (riesgo de reserva).

b. Riesgo de catstrofes.

c. Riesgo de cada de cartera (ms adelante haremos una breve referencia a l y

al de catstrofes).

El Capital obligatorio para el riesgo de suscripcin del seguro novida, es:

Es decir, que se suman todas las combinaciones posibles, (i,j) de los tres sub-
mdulos anteriores (primareserva, catstrofe y cada de cartera). En esta frmu-
la subyace la hiptesis de que las variables correspondientes a los riesgos con-
templados en ella se distribuyen normalmente, con media cero y desviacin tpica
igual al cociente entre el respectivo SCR y el cuantil al 99,5 por 100 segn la dis-
tribucin normal (que es, aproximadamente, 2,58).

Corr NL(i,j) = coeficiente de correlacin entre los riesgos i,j de los seguros no-
vida (NL= non-life).

SCR(i), SCR(j) = capitales obligatorios para los sub-mdulos i j.

Antes de describir cmo se calcula el capital obligatorio de estos riesgos, conviene

que veamos qu elementos los integran. El artculo 105 de la Directiva dice que el
mdulo de riesgo de suscripcin del seguro distinto al de vida reflejar el derivado de

203
las obligaciones de estos seguros, atendiendo a los eventos cubiertos y a los procesos
seguidos en el ejercicio de la actividad; este mdulo tendr en cuenta la incertidum-
bre de los resultados de las empresas de seguros y de reaseguros en relacin con las
obligaciones de seguros y reaseguros ya existentes y las nuevas actividades que se
espere realizar en los prximos doce meses. Es decir, que los riesgos propios de este
mdulo incluyen todas las desviaciones desfavorables de las obligaciones financiadas
con las primas y las provisiones tcnicas. Por lo que se refiere al riesgo de prima ello
incluye todas las obligaciones que sta ha de cubrir: No slo la siniestralidad, sino
tambin los gastos de administracin.

El capital obligatorio para el sub-mdulo de riesgo de prima y de reserva se cal-

cula mediante la frmula (Documento de la Comisin de la Unin Europea QIS5
Technical Specifications, de 5 de julio de 2010, prrafo SCR.9.16, pginas 198 y 199
y artculo 115 del Reglamento Delegado (UE) 2015/35 de la Comisin de 10 de oc-
tubre de 2014):

SCRnl, prem, res = 3. nl .Vnl (5.2)

nl = desviacin tpica del riesgo de prima y de reserva (novida).

Vnl = medida del volumen de dichos riesgos.

Conviene detenerse en la frmula anterior, porque al examinar su origen obten-

dremos algunas conclusiones tiles sobre las hiptesis implcitas en el clculo de
los capitales obligatorios.

Si suponemos que la tasa o ratio de riesgo de prima ms reserva en relacin con

el volumen de negocio se distribuye como una funcin logartmiconormal de pa-
rmetros (m,s), cuya media sea la unidad, m ha de ser -s2/2. Y si llamamos c al
capital necesario por cada unidad de volumen de negocio para obtener una
probabilidad de solvencia del 99,5%, resulta la siguiente relacin:

en donde N es el cuantil 0,995 de la variable aleatoria Normal (0,1).

204
El importe mnimo de c, ser:

Por otra parte, en la distribucin lognormal de media 1, la varianza 2 es:

y por tanto:

Al sustituir s en la expresin de c, nos queda:

El valor de N es, aproximadamente, 2,58 y resulta as una funcin c=f () que difie-
re muy poco123 de la recta c=3. De ah que se acepte como norma la expresin
(5.2), en la que subyacen, por tanto, dos hiptesis:

a. Que la distribucin de la tasa total de siniestralidad de una cartera se comporta

como una distribucin logartmiconormal; y ello, tanto si dicha cartera se in-
tegra por varias lneas o segmentos de seguro, como por slo uno. Esta idea se
aparta, por tanto, de la hiptesis de normalidad, implcita en la expresin (5.1)
y otras similares que contiene la normativa de Solvencia II para determinar el
SCR de un conjunto de riesgos.

b. Que la media de dicha distribucin es la unidad, lo que es congruente con lo

expuesto acerca de los riesgos incluidos en el riesgo de prima. Es decir, la pri-
ma ha de equivaler al valor medio de todas las obligaciones a cargo del asegu-
rador que aqulla ha de financiar (siniestralidad ms gastos).

Slo para valores de no superiores a 0,2 aproximadamente.

123

205
Admitir que la tasa de siniestralidad o factor de riesgo de una cartera se compor-
ta estadsticamente como una variable lognormal, sea cual fuere el nmero de
segmentos que integren esa cartera, supone una incongruencia porque la suma
de dos o ms lognormales no es una variable logartmiconormal124.

Para intentar justificar que esta incongruencia no tiene en la prctica efectos de-
masiado perturbadores, partimos de la frmula del coeficiente de asimetra de
una variable logartmico-normal de parmetros (m,s):

El Reglamento de Solvencia II establece las desviaciones tpicas de los segmentos

de seguro novida en niveles relativamente modestos, lo que da lugar a que el
parmetro s tenga un valor similar a la desviacin tpica y el coeficiente de asime-
tra, a su vez, sea bajo. Ello puede permitir, sin cometer grandes errores, que tra-
temos como variables simtricas y aproximadamente normales a los factores
de riesgo de cada segmento, con la consiguiente posibilidad que s se da en la
distribucin normal de que la suma de estas variables lognormales d lugar a
otra que no se aparte demasiado de la distribucin logartmico normal125.

Hemos de insistir, de todas formas, en que este intento de justificacin slo tiene
alguna validez cuando las desviaciones tpicas son bajas.

Clasificacin del negocio asegurador

Examinaremos brevemente la clasificacin del negocio de la empresa de seguros

a efectos de Solvencia II.

En el Anexo I del Reglamento se enumeran 36 lneas de negocio agrupadas en

cinco categoras:

124
Sobre la suma de variables log-normales puede consultarse Dufresne (2008).
Este hecho viene confirmado por la Figura 4.10 y la ltima columna del Cuadro 4.17. Ambos
125

muestran la cercana del VaR al 99,5% segn la distribucin normal bivariante y segn la aproxima-
cin lognormal, cuando la desviacin tpica marginal es 0,1.

206
A. Seguro novida, que comprende las lneas 1 a 12.

B. Reaseguro proporcional novida, que incluye las siguientes 12 lneas, nmeros

13 a 24 y que se corresponden con las 12 anteriores del seguro directo.

C. Reaseguro no proporcional, novida; en este epgrafe hay 4 lneas de negocio;

cada una comprende el reaseguro no proporcional de varias lneas de seguro
directo que presentan cierta homogeneidad. Por ejemplo, las lneas de negocio
4 y 8 (Seguro de RC automviles y RC general, respectivamente [RC = respon-
sabilidad civil]), estn encuadradas en la lnea 26: Reaseguro no proporcional
de RC por daos.

D. Seguro de vida, en las lneas de negocio 29 a 34.

E. Reaseguro de vida, con dos lneas, la 35 (reaseguro de enfermedad cuando el

seguro subyacente se ejerce con tcnica similar a la del seguro de vida) y 36
(reaseguro de las lneas de negocio Otro seguro de vida y de ciertas rentas).

El Anexo II del Reglamento enumera los 12 segmentos en que se clasifican las

anteriores lneas de negocio de seguro y reaseguro distintos del de vida. As, el
seguro y el reaseguro proporcional de RC automviles son el segmento 1 y la RC
general, con su reaseguro proporcional, el segmento 5. En cada segmento se hace
constar la desviacin tpica del riesgo de primas y del riesgo de reserva, que son,
en el segmento 1, del 10 y del 9 por 100, respectivamente. En el segmento 5 las
desviaciones son del 14 y del 11 por 100.

Riesgo de prima y de reserva

El volumen de riesgo de prima y de reserva, designado por Vnl, se calcula (artculo

116 del Reglamento) de la forma siguiente:

1. Ante todo, han de determinarse sus dos componentes, que son el volumen del
riesgo de prima y el de reserva, Vprem,s y Vres,s respectivamente, de cada segmen-
to. El primero, Vprem,s es la suma de las primas de doce meses (de los prximos
o de los ltimos, segn sea la cifra ms alta) y el valor actual esperado de las

207
 que se devengarn despus de los doce meses siguientes, ya sea por los con-
tratos existentes, ya por aqullos cuya fecha de reconocimiento inicial se site
dentro de los doce meses siguientes. Las primas que entran en el clculo son
las devengadas o por devengar, con todos sus componentes (y no las primas de
riesgo). El volumen del riesgo de reserva, Vres,s es la mejor estimacin de las
provisiones para prestaciones pendientes.

2. Al 25 por 100 de la suma Vprem,s + Vres,s se aplica una reduccin, en su caso, por
diversificacin geogrfica. Pasamos por alto esta cuestin por no ser indispen-
sable a nuestros efectos. El resultado de aplicar tal reduccin es Vs, es decir, el
volumen de riesgo de prima y de reserva del segmento s.

La desviacin tpica del riesgo de prima ms el de reserva de cada segmento s, se ob-

tiene admitiendo una correlacin del 50 por 100 entre ambos riesgos. La frmula es:

Las desviaciones tpicas del sub-mdulo primas y reservas entre los distintos
segmentos son las especificadas en el Anexo II del Reglamento.

El ltimo paso es sumar las desviaciones tpicas de todos los segmentos, para
llegar a la desviacin tpica del riesgo de primas y reservas de todo el negocio no
vida. Esto se logra por medio de la expresin:

El sumatorio abarca todas las variaciones (s,t).

Corr(s,t) es el coeficiente de correlacin entre los riesgos de primas ms reservas

del segmento s y del segmento t.

(s) y (t) son las desviaciones tpicas del riesgo total primas y reservas, de los
segmentos s y t respectivamente.

208
Vs y Vt representan los volmenes de riesgo de prima ms reserva de dichos seg-
mentos, s y t.

Por ltimo, nl y Vnl son las mismas medidas, referidas a toda la cartera novida.

Los riesgos de cada de cartera y de catstrofe

El riesgo de cada de cartera es el de prdida resultante del cese de una parte

importante de los contratos de seguro.

El riesgo de catstrofe consta de varios sub-mdulos (catstrofe natural, cats-

trofe del reaseguro no proporcional de daos a los bienes, catstrofe provocada
por el hombre, etctera). No nos detenemos en la descripcin de estos riesgos
por no ser necesaria para la finalidad de este trabajo.

Capital para el sub-mdulo de prima y de reserva

Como recapitulacin de lo expuesto en relacin con el sub-mdulo riesgo de pri-

ma y de reserva, que es el que ms nos interesa para nuestro estudio, enumera-
remos el proceso de su clculo:

1. Una vez determinados los volmenes de prima y de reserva para cada segmen-
to, se obtiene la desviacin tpica del riesgo conjunto de prima y de reserva de
cada segmento s, desviacin tpica a la que llamaremos s (para s =1,2,...).

2. A continuacin, hay que obtener la desviacin tpica del sub-mdulo prima y

reserva para el conjunto de todos los segmentos. Ello ha de hacerse teniendo
en cuenta el volumen de riesgo de cada segmento y las correlaciones entre los
segmentos. As llegamos a nl.

3. El siguiente paso es determinar el capital de solvencia para el sub-mdulo

prima y reserva, lo que se hace con la frmula, ya vista, consistente en multi-
plicar el triple de nl por el volumen de riesgo novida (que hemos designado
por Vnl).

209
En los ejemplos del Captulo IV, por razones de simplicidad, no hemos distinguido
entre riesgo de prima y de reserva.

2. DATOS UTILIZADOS Y LIMITACIONES DE NUESTRO ESTUDIO

En este Captulo nos proponemos ilustrar cmo las cpulas pueden ser un instru-
mento til en los modelos de riesgo para aseguradores sujetos a la normativa de
Solvencia II. Tal propsito vera muy limitado su alcance de no disponer de datos rea-
les que prestaran indiscutible conexin con la realidad al anlisis subsiguiente. Ahora
bien, una de las dificultades planteadas por las aplicaciones de la Teora de Cpulas
estriba en la obtencin de cifras empricas suficientemente numerosas y fiables.

Hemos obtenido los nmeros bsicos que vamos a utilizar en nuestro estudio del
documento del CEIOPS FS-14/07 titulado QIS3, Calibration of the Underwriting Risk,
Market Risk and MCR de fecha Abril de 2007. Su finalidad es describir las hiptesis y
lgica subyacentes en el calibrado de los antedichos riesgos (de suscripcin y de
mercado).

En la Seccin 1, epgrafe tercero de ese documento se establecen los coeficientes

de correlacin entre las distintas lneas de seguro, as como las desviaciones tpi-
cas del ratio de siniestralidad y gastos sobre primas y otros factores, que siguen
vigentes con alguna pequea variacin.

Ya hemos visto que el riesgo de suscripcin novida se caracteriza como especfica-

mente asegurador, al surgir de las operaciones de seguro constitutivas de la activi-
dad principal de estas empresas. Y se relaciona, segn el documento citado, con la
incertidumbre que para el asegurador suponen las coberturas de riesgo en virtud
de los contratos suscritos. Se aborda tambin cmo determinar las correlaciones
entre los distintos ramos (o segmentos) de seguro, correlaciones que son necesa-
rias para agregar los capitales exigidos por la solvencia de cada uno por medio de
una expresin como la (5.1). Para ello toma como punto de partida un cuadro en que
figuran los ramos o segmentos, tanto en las filas como en las columnas; en sus ca-
sillas interiores consta el respectivo coeficiente de correlacin entre el ramo de la
columna c y el de la fila r. A continuacin, el texto del CEIOPS al que nos venimos

210
refiriendo reconoce que la escasez de datos disponibles impone un cierto grado de
juicio o valoracin subjetiva y aade algo importante para nosotros:

Esto es cierto tambin porque, al elegir los coeficientes de correlacin, ha de

reconocerse la influencia de la correlacin no lineal existente en la cola de la
distribucin y que no es captada si utilizamos el enfoque de la correlacin lineal
pura. Para tomar esto en cuenta, las correlaciones utilizadas deben ser supe-
riores a lo que exigira el simple anlisis de los datos relevantes al efecto.

Sentados estos principios, llega al punto que nos ha proporcionado los datos em-
pricos que vamos a utilizar (pgina 21 del Documento CEIOPS): dice que, para
determinar la matriz de correlaciones para el riesgo de prima se llev a cabo un
anlisis de las correlaciones entre ramos a nivel de aseguradores individua-
lesen el mercado alemn. Se utilizaron ratios de siniestralidad del perodo com-
prendido entre 1988 y 2002 de forma que, para cada asegurador individual (en que
hubiera disponibles al menos 10 ratios en cada par de ramos), se estim el coefi-
ciente de correlacin y el coeficiente global como media de las correlaciones es-
pecficas de cada asegurador. Como ejemplo de lo dicho, muestra un diagrama de
dispersin (pgina 22 del Documento) en que se representan los residuos estn-
dar con respecto a los ratios de los seguros de RC automviles, en abscisas y RC
general, en ordenadas. Se trata de 1269 puntos representativos de otros tantos
pares de ratios de siniestralidad y gastos sobre primas, procedentes de 89 empre-
sas, para dichos segmentos de seguro. Adems de esos 1269 puntos, el grfico
contiene la recta de regresin de las ordenadas sobre las abscisas y cuya pen-
diente es 0,28, igual al coeficiente de correlacin lineal. Los datos a que nos refe-
rimos son residuos, es decir, diferencias entre los ratios individuales observados
y los generales, y con desviacin tpica igual a la unidad. El documento no es muy
explcito sobre esto; entendemos que los residuos positivos representan excesos
sobre la media y los negativos, defecto. Y suponemos que la media general de es-
tos ratios es la unidad, porque esta hiptesis subyace en la frmula que, segn
vimos antes126, conduce a la regla de que SCRnl es el triple del producto de la des-
viacin tpica por el volumen de riesgo.

Expresin (5.3)
126

211
Pues bien, es precisamente este grfico el origen de los datos que utilizaremos
a continuacin. Al no haber resultado posible obtener las coordenadas de
cada uno de estos puntos, no hemos tenido ms remedio que calcularlas por
medicin de la abscisa y la ordenada respectiva; esta labor, adems de tediosa,
implica el riesgo de errores, que hemos de aceptar al carecer de alternativas y
en la confianza de que no sean sustanciales en su cuanta ni sistemticos en su
signo.

Obtenidas las 1269 coordenadas cuya representacin vemos en la Figura 5.1, es

necesaria su conversin a cifras representativas de ratios de siniestralidad en re-
lacin a primas, es decir, a cifras estadsticas que, en lugar de haber sido modifi-
cadas para que su media sea nula y su varianza unitaria, tengan la media y desvia-
cin originales. Al desconocer estos dos datos, hemos admitido como tales la
respectiva desviacin que establece la normativa de Solvencia II, en concreto el
Reglamento Delegado (UE) 2015/35 de la Comisin, a que hicimos referencia. En
su Anexo, segn ya vimos, se exponen las desviaciones tpicas del sub-mdulo de
prima y reserva para los distintos segmentos del seguro novida. Las desviacio-
nes correspondientes al seguro RC automviles y RC general son, respectivamen-
te, el 10 y el 14 por 100 en el riesgo de prima, que es el que aqu nos interesa. No
podemos introducir en nuestro examen el riesgo de reserva, porque carecemos
de datos estadsticos sobre l. Nos hemos de limitar, por tanto, a estudiar la de-
pendencia del riesgo de primas entre las dos lneas citadas (RC automviles y RC
general). Esto sera, ciertamente, una seria limitacin si nuestro objetivo fuese
calcular el capital requerido en un supuesto concreto; pero lo que nos propone-
mos no es eso, sino contrastar si los modelos de dependencia de riesgos basados
en cpulas pueden mejorar los resultados que se fundamentan en los coeficientes
de correlacin. De ah que podamos permitirnos evitar todos aquellos detalles
que la normativa prev al regular el clculo de los capitales en la medida en que
no afecten a nuestro objetivo. Otra simplificacin que vamos a introducir nos lleva
a prescindir de los factores de ajuste por diversificacin geogrfica y de reaseguro
no proporcional.

212
Figura 5.1: Diagrama de dispersin de los ratios de siniestralidad sobre primas una vez tipificados
para que su media sea nula y su desviacin tpica la unidad, de los seguros de RC autos (abscisas)
y RC general (ordenadas).
Fuente: Elaboracin propia a partir de datos de: Documento CEIOPS FS-14/07 QIS3, Calibration of the
Underwriting Risk, Market Risk and MCR, abril 2007 y elaboracin propia segn lo explicado en el texto.

En definitiva, pues, admitimos que los datos representados en la Figura 5.1 tienen me-
dia nula y desviacin tpica igual a uno y proceden de una distribucin bivariante (X,Y), en
donde X tiene una desviacin tpica de 0,1 e Y de 0,14, mientras que la media es la uni-
dad en ambas variables. La Figura 5.2 contiene el diagrama de dispersin de (X,Y).

Figura 5.2: Diagrama de dispersin de los ratios de siniestralidad sobre primas, de los seguros de
RC autos, en abscisas y RC general, en ordenadas.
Elaboracin propia a partir de datos del Documento CEIOPS FS-14/07 QIS3, Calibration of the
Underwriting Risk, Market Risk and MCR, abril 2007 y elaboracin propia segn lo explicado en el texto.

213
Estos pares de valores (X,Y) son el dato bsico para nuestro trabajo. Sus caracte-
rsticas estadsticas principales se resumen en el Cuadro 5.1.

Media Desviacin tpica Rango Coef. de asimetra

X 0,99 1 0,095 0,10 0,726-1,295 +0,365
Y 0,99 1 0,145 0,14 0,565-1,450 +0,269
Cuadro 5.1: Valores de algunos estadsticos de los datos bsicos.

Las diferencias entre las medias y las desviaciones tpicas, por una parte, y los
valores que hemos decidido atribuir a las mismas segn lo ya indicado (1 para
ambas medias y 0,1 0,14 para las desviaciones) se deben a errores de redondeo.
El coeficiente de correlacin entre X e Y es 0,29.

3. ESTRUCTURA DE DEPENDENCIA DE LOS DATOS

Esta estructura viene determinada por la cpula, que no es directamente obser-

vable, sino que se obtiene a partir de la distribucin estadstica del vector Xn , cu-
yos componentes Xi significan la variable aleatoria i-sima de las que son objeto
de observacin. En nuestro caso, estamos ante una distribucin bivariante (X,Y).
La cpula resultar de aplicar a dichas variables su respectiva funcin de distri-
bucin, u=FX(x), v=FY(y). No conocemos de antemano cules son dichas funciones
y de ah que hayamos de estimarlas a partir de nuestros datos. Caben aqu las
posibilidades examinadas en el Captulo 3, Epgrafe 2, es decir, el procedimiento
conocido como IFM y la estimacin no paramtrica de las distribuciones margi-
nales. sta es la solucin que seguiremos, por las razones expuestas en dicho
lugar aunque, en atencin a consideraciones prcticas, recurriremos a la va mix-
ta, consistente en adoptar un modelo lognormal para los valores ms altos de la
distribucin (cuantiles superiores al 99,9 por 100).

4. LAS DISTRIBUCIONES MARGINALES EMPRICAS

La utilizacin que ms adelante haremos de ellas requiere que sean continuas;

para lograrlo, admitiremos la hiptesis de que, entre dos valores contiguos

214
cualesquiera de la distribucin emprica, (xi,xi+1) o bien (yj,yj+1) la distribucin de la
densidad es uniforme.

Por ejemplo, en la funcin de distribucin emprica de X, los puntos xi=0,85;

xi+1=0,851 son contiguos, en el sentido de que no se ha observado ningn otro in-
termedio y admitimos, para hacer que la funcin de distribucin sea continua, que
los posibles puntos comprendidos entre ambas observaciones consecutivas tie-
nen la misma densidad de probabilidad. Por tanto, para cualquier x tal que
xi<x<xi+1, la funcin de distribucin es:

La densidad en el intervalo xi , xi+1 es constante e igual a:

Si vamos a utilizar las funciones de distribucin empricas as obtenidas en apli-

caciones en que sea de inters el comportamiento de la distribucin marginal en
su cola derecha, ser conveniente ajustar una funcin analtica a dicha cola,
para evitar la limitacin que supone trabajar con una distribucin truncada y
que, adems, contar con un nmero escaso de observaciones en esa zona ex-
trema. En el caso de variables con distribucin de cola larga suele recurrirse a
la distribucin de Pareto u otra similar pero, en nuestro caso, en que las fre-
cuencias observadas decrecen rpidamente al alejarnos de la media, podemos
hallar una solucin satisfactoria sin abandonar el modelo lognormal. Ante todo,
hemos de elegir un umbral x0 (y0 para la distribucin de Y) a partir del cual sus-
tituiremos la funcin emprica por la terica o analtica. Si el umbral x0 (y0) es
bajo, despreciaremos informacin emprica para, en su lugar, seguir el modelo
terico. Si, por el contrario, el umbral es demasiado alto, corremos el riesgo de
confiar demasiado en la experiencia observada, que puede ser poco fiable en
valores extremos, por el escaso nmero de observaciones obtenidas en esos
tramos.

Una vez fijado el umbral, hay varias alternativas para determinar los parmetros
del modelo terico. Una solucin posible es la siguiente: Admitimos que el modelo

215
lognormal que vamos a utilizar tiene media igual a 1, con lo cual m=-s2/2, y deter-
minamos el parmetro s de forma que:

siendo L(x;m,s) la funcin de densidad lognormal de parmetros m=-s2/2 y s, mien-

tras que F(.) es la funcin de distribucin emprica continua.

(a) (b)
Funciones de distribucin de X en (a) e Y en (b).
En rojo la distribucin emprica y en azul la curva logartmico-normal ajustada a cada cola derecha a
partir de x>1,2726 y de y>1,4095.
Figura 5.3.

Elegimos x0 de forma que F(x0)=0,999, lo que hace que x0=1,2726. Al resolver la

ecuacin (5.4a) con dicho valor, resulta como solucin s=0,079; por tanto,
m=0,0031. El mismo planteamiento, aplicado a la distribucin de Y, nos lleva al
umbral y0=1,4095 y al valor s=0,113, con m=0,0064. En la Figura 5.3 (a) y (b) se
observan los ajustes realizados.

5. LA CPULA EMPRICA

Obtenidas las funciones de distribucin marginales, empricas y continuas (con el

respectivo ajuste en la cola que acabamos de ver), obtenemos la cpula emprica
al calcular el par (u,v) que corresponde a cada par (x,y) de nuestras observaciones.

216
El Cuadro 5.2 ofrece en forma resumida los datos de esta cpula emprica para
nuestros datos bsicos, constituidos por los 1269 puntos representados en la
Figura 5.2. Cada fila del Cuadro representa un tramo de frecuencias acumuladas
para la variable U, de forma que la primera fila se refiere a valores u=FX(x) con
frecuencias no superiores a 0,1, la segunda a 0,2 y as sucesivamente hasta la d-
cima, referente a frecuencias mximas. Y lo mismo para las columnas, referidas
a la variable v=FY(y) (recordemos que las funciones FX y FY son las funciones em-
pricas y continuas, ajustadas segn lo descrito en el Epgrafe anterior).

Cuadro 5.2: Cpula emprica presentada en forma de matriz 10 x10.

Es decir, que el elemento (i,j) de la matriz significa la proporcin de pares (u,v) tales
que u<0,1.i, y, adems, v<0,1.j. Por ejemplo, para i=3, j=5 tenemos el nmero 0,2033,
que representa lo siguiente, recapitulando todo lo dicho para mayor claridad:

1. Partimos de nuestra base de datos constituida por los 1269 puntos (Figura 5.2)
representativos de nuestra distribucin bivariante de ratios RC autos (variable
X) y RC general (variable Y).

2. Obtenemos las distribuciones marginales empricas continuas y ajustadas en

la cola, de X y de Y, respectivamente, u=FX(x), v=FY(y).

3. Valindonos de ambas funciones, calculamos los correspondientes pares de

valores (u,v).

217
4. Computamos el nmero de dichos pares tales que u<0,3, v<0,5. La proporcin
de este nmero en relacin con el total de 1269 pares, es 0,2033. Dicha propor-
cin es, por tanto, el valor de la cpula emprica C(u,v)= C(0,3;0,5) o bien la fre-
cuencia de aquellos casos en que u<0,3 y v<0,5. Si las funciones de distribucin
marginales son continuas, se verificar que el valor de la cpula emprica en un
punto, C(uo,v0), significa tambin la proporcin de pares (x,y) (en donde x=FX-1(u),
y=FY-1(v)), tales que, simultneamente, x FX-1(uo), y FY-1(vo).

La cpula emprica puede representarse grficamente por medio de los puntos

(u,v) en [0, 1]2 tal como se ve, para nuestros datos, en la Figura 5.4. En ella

Figura 5.4: Cpula emprica correspondiente a los datos observados.

se aprecian algunas caractersticas de la dependencia entre X e Y, como su carc-

ter dbil y la ausencia de dependencia en las colas o extremos de la distribucin.
El coeficiente de correlacin lineal es (u,v)=0,302. En las Figuras 5.5, 5.6 y 5.7 se
muestran algunas curvas de nivel de la cpula emprica, para C(u,v)=0,1, 0,3, 0,5,
0,7 y 0,9127. En primer lugar, estas curvas de nivel se comparan con las correspon-
dientes curvas de nivel de la cpula de independencia (Figura 5.5), lo que pone de
manifiesto un cierto grado, aunque dbil, de dependencia. En las Figuras 5.6 y 5.7

Hemos obtenido la idea de estos grficos como medio de evaluar a simple vista el signo y grado
127

de dependencia, de R. Cintas del Ro (2006).

218
se ve cmo las curvas de nivel de la cpula emprica estn comprendidas entre las
curvas de las cpulas mxima y mnima. El coeficiente de Kendall para la cpula
emprica es =0,20289.

El Cuadro 5.3 contiene la frecuencia con que, en la cpula emprica, V>u0U>u0,

es decir, aproximaciones de la dependencia en la cola cuando elegimos valores de
u0 prximos a 1.

u0 0.70 0.80 0.90 0.95 0.99

Frec(V>u0V>u0 0.454 0.327 0.228 0.156 0.00
Cuadro 5.3: Aproximaciones de la dependencia en la cola de la cpula emprica.

La segunda fila de este Cuadro refleja cmo la frecuencia va disminuyendo cuando

u0 se va acercando a la unidad. Este resultado obliga a poner en tela de juicio, con
los datos que manejamos y para el caso examinado, la prctica preconizada por
Solvencia II de elevar el coeficiente de correlacin para atender a la mayor de-
pendencia en la cola de la distribucin conjunta de los riesgos.

Figura 5.5: Curvas de nivel de la cpula emprica y su comparacin con las de la cpula de
independencia.

219
Figura 5.6: Curvas de nivel de la cpula emprica y su comparacin con las de la mxima.

Figura 5.7: Curvas de nivel de la cpula emprica y su comparacin con las de la mnima.

6. AJUSTE DE MODELOS DE CPULA POR PROCEDIMIENTOS GRFICOS

Nos planteamos ahora la bsqueda del modelo de cpula que se adapte mejor a
nuestros datos.

220
En primer lugar, utilizaremos el mtodo grfico de Genest y Rivest, aplicable a las
cpulas arquimedianas y que nosotros proponemos extender, en las condiciones
que ms adelante veremos, a otras cpulas bivariantes. Segn qued expuesto en
III,2, este mtodo consiste en comparar la grfica de la funcin K(w)=w(w)/(w)
con las frecuencias del suceso C(u,v)w, en donde C(u,v) es la cpula emprica.
Ms concretamente: Recordemos que

K(w)= Prob [C(U,V) w]

de manera que obtendremos su valor observado contando la proporcin de los

valores de la cpula emprica que no superan w. En el Cuadro 5.4 se recogen va-
rias ordenadas de K(w) para dicha cpula emprica.

w 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
K(w) 0,183 0,293 0,378 0,449 0,519 0,57 0,615 0,669 0,772 0,774
w 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00
K(w) 0,812 0,852 0,885 0,911 0,931 0,953 0,967 0,984 0,998 1,00

Cuadro 5.4: Valores de la funcin K(w) para la cpula emprica.

A continuacin examinaremos algunas cpulas arquimedianas, a las que es de

aplicacin este mtodo grfico, y elegiremos la que mejor se adapte a nuestros
datos.

Cpula de Gumbel

Ya vimos que su frmula es: C(u,v)=Exp(((LN(u))+(LN(v)))1/). Podemos cal-

cular el parmetro por medio del mtodo que, en este contexto, se denomina a
veces, impropiamente, mtodo de los momentos y que consiste en despejar en
la frmula que relaciona dicho parmetro con la de Kendall; en el caso de la c-
pula de Gumbel =(1)/. Al ser =0,202894 resulta que =1,254. Nos atendre-
mos, no obstante a la estimacin mximoverosmil que, como veremos ms
adelante, es =1,204. Con este valor la funcin K(w) resulta de tener en cuenta
que:

(w) = (LN(w))

221
de donde:

La representacin grfica de K(w), junto con los puntos (w, K(w)) de la cpula em-
prica, est en la Figura 5.8.

Figura 5.8: Funcin K(w) para la cpula de Gumbel, con parmetro =1,204 y su comparacin con
los valores de la cpula emprica.

Cpula de Clayton

Tiene la siguiente expresin: C(u,v) = Max[(u + v-1)-1/,0].

La frmula para es:

y de ella resulta (para =0,202894) que =0,504. La estimacin mximo verosmil

que obtendremos ms adelante es 0,27. La funcin (w) es, para esta cpula:

(w)=(w1)/

222
y, por tanto, K(w)128:

Esta funcin K(w) se representa en la Figura 5.9.

Figura 5.9: Funcin K(w) para la cpula de Clayton, con parmetro =0,27 y su comparacin con
los valores de la cpula emprica.

Cpula de Frank

Para este modelo la funcin C(u,v) presenta la forma:

Segn se advirti en la Introduccin, las ecuaciones editadas mediante la aplicacin informtica

128

utilizada para realizar clculos y generar grficos pueden presentar algunas diferencias en cuanto
a tipo de letra y smbolos sobre el utilizado generalmente en este trabajo.

223
Por otra parte, recordemos que en el modelo de Frank,

mientras que la expresin para es:

siendo D(x,k) la funcin de Debye:

Para el valor emprico de resulta =1,89; el estimador de mxima verosimilitud

nos da =1,946, valor ste que adoptamos. Por tanto, la funcin K(w) es:

La Figura 5.10 representa dicha funcin y su comparacin con los puntos de la

cpula emprica, significativos de las frecuencias en que el valor de sta es menor
que 0,1, 0,2, ... 0,9, 1.

224
Figura 5.10: Funcin K(w) para la cpula de Frank, con parmetro =1,946 y su comparacin con
los valores de la cpula emprica.

Segn hemos tenido ocasin de observar, slo en las cpulas arquimedianas la

funcin K(w) es de carcter analtico y por ello el mtodo grfico para comparar
modelos de cpula queda limitado a esta categora de cpulas. La utilidad que
vemos en este mtodo nos anima a extender su aplicacin (vanse III,2 y IV,1) y de
ah que propongamos utilizarlo, a guisa de ejemplo, en dos modelos ms, la cpu-
la gaussiana y la cpula t, en la forma que examinamos inmediatamente.

Cpula gaussiana

Tiene la siguiente forma:

en donde x(u) y v(y) son las funciones de distribucin inversas de X e Y, es decir que
equivalen, respectivamente, a x= 1(u) e y= 1 (v), como ya vimos en su momento;
(.) es la funcin de distribucin normal estndar y es el coeficiente de correlacin.

Para obtener una aproximacin de la funcin K(w) para la abscisa w=w0 recurri-
mos a la simulacin estocstica mediante un programa que realiza los pasos si-
guientes:

225
1. Simula dos nmeros aleatorios (pseudoaleatorios) normales (0,1) con el coefi-
ciente de correlacin elegido.

2. Obtiene el valor de la funcin de distribucin normal bivariante (0,1), (x,y)

para ese par de nmeros.

3. Si (x,y)=C(u,v) w, computa un xito.

4. Tras repetir los pasos anteriores muchas veces, da el cociente entre el nmero
de xitos y el de pares aleatorios generados.

Al no ser cpula arquimediana, no podemos recurrir a la expresin para la de Kendall

sino que podramos utilizar la frmula, vlida en las cpulas elpticas:

=(2/).arcsen(), o bien: =sen(./2).

Para =0,202894 resulta que =0,313. Elegimos, no obstante, el valor =0,29, que
es la estimacin mximo-verosmil, segn veremos ms adelante.

Los resultados del proceso descrito estn en el Cuadro 5.5.

Si queremos obtener una curva que se adapte a los puntos obtenidos y que se re-
flejan en el Cuadro 5.5, obtenemos la siguiente por el mtodo de los mnimos
cuadrados:

K(w) 2,267w5 7,275w4 + 9,098w3 6,306w2 + 3,216w

w 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
K(w) 0,16 0,27 0,37 0,44 0,52 0,59 0,65 0,70 0,74 0,79
w 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00
K(w) 0,83 0,86 0,88 0,91 0,94 0,96 0,97 0,99 0,996 1,00
Cuadro 5.5: Valores de la funcin K(w) para la cpula gaussiana.

226
En la Figura 5.11 quedan representados los puntos (w,K) segn la cpula empri-
ca, as como la funcin ajustada K(w).

Figura 5.11: Aproximacin de la funcin K(w) para la cpula gaussiana, con parmetro =0,29 y su
comparacin con los valores de la cpula emprica.

Cpula t

Su ecuacin es:

Las funciones x(u) e y(v) son la inversa de la funcin de distribucin univariante t

de Student, en x y en y respectivamente.

Procedemos de manera similar a la descrita en la cpula de Gauss, es decir: Por me-

dio de simulaciones obtenemos los valores de la funcin K(w) = Prob(C(U,V)w), para
w=0,05, 0,10, etctera y a continuacin determinamos la curva mnimo-cuadrtica. El
resultado grfico de la cpula t ser tanto ms prximo al de la gaussiana cuanto ma-
yor sea el nmero n de grados de libertad. Por eso, examinaremos la cpula t para el
caso en que n sea pequeo, por ejemplo n=4. Para el parmetro seguimos adoptan-
do el valor 0,29. La aproximacin de K(w) que obtenemos es entonces:

K(w)= 1,461w5 5,027w4 + 6,885w3 5,411w2 + 3,092w

227
Figura 5.12a: Aproximacin de la funcin K(w) para la cpula t, con n=4 grados de libertad y
parmetro =0,29 y su comparacin con los valores de la cpula emprica.

En la Figura 5.12a tenemos su representacin grfica, acompaada, como siem-

pre, de los puntos (w,K) de la cpula emprica. Su apariencia, a simple vista, es
difcil de distinguir de la grfica 5.11 y para poner de manifiesto alguna diferencia
representamos en la Figura 5.12b un tramo de ambas curvas suficientemente
ampliado para apreciar que, sin ser muy satisfactoria ninguna de ambas cpulas,
la de Gauss es algo mejor.

Figura 5.12b: Ampliacin de las grficas de la Funcin K(w) ajustada por mnimos cuadrados de
las cpulas de Gauss y t, en el tramo de abscisas (0,040,16), aproximadamente.

228
En efecto, los dos nicos puntos que aparecen en esta ampliacin, correspondientes a
la funcin K(w) de la cpula emprica, se hallan distanciados de las curvas y la corres-
pondiente a la t de Student es la ms alejada de ambas. En el Epgrafe 8, en que deter-
minaremos la respectiva medida de Frees y Valdez, confirmaremos esta conclusin.

7. LOS GRFICOS CUANTIL-CUANTIL (qq)

Hacemos ahora un breve apartado para referirnos a este tipo de grficos, que ya uti-
lizamos en IV,1. En lugar de las anteriores comparaciones entre la funcin K(w) de
cada modelo, representada como una curva, y varios valores de la misma funcin,
pero procedentes de la cpula emprica y que representamos por varios puntos, po-
dramos habernos servido de los grficos qq, que dan imagen del grado de cercana
entre dos funciones de distribucin, F1 y F2 por medio de los puntos (F1(xi), F2(xi)) (i=1,2,
... n). Cuanto ms prximos se encuentren dichos puntos a la recta y=x, ms cercanas
estn ambas funciones de distribucin. Aplicaremos este mtodo slo a dos casos de
los examinados: Las cpulas de Frank y de Clayton. El grfico obtenido representar
los puntos (KE(wi), K(wi)), siendo la abscisa KE(wi) de cada uno el valor de la funcin K
para el punto wi segn la cpula emprica, mientras que la ordenada significar el
mismo concepto, pero segn el respectivo modelo terico; distinguiremos a dicha or-
denada con el subndice F o C segn se trate del modelo de Frank o del de Clayton).

En el caso de Frank, tenemos los puntos (KE(wi), KF(wi)) que se representan en la

Figura 5.10; la abscisa KE(wi) es la probabilidad de que la cpula emprica no su-
pere a wi; la ordenada KF(w) es la misma probabilidad, pero referida a la cpula de
Frank; si sta se aproxima a la cpula emprica, abscisa y ordenada sern tambin
cercanas, para todos los xi. Para x=0,1, 0,2, ... , 1 las cifras se reflejan en el Cuadro
5.6, que incluye tambin las correspondientes a la cpula de Clayton:

w 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
KE(w) 0,293 0,449 0,57 0,669 0,774 0,852 0,911 0,953 0,984 1,0
KF(w) 0,274 0,439 0,57 0,679 0,771 0,849 0,911 0,959 0,989 1,0
KC(w) 0,271 0,461 0,608 0,725 0,816 0,886 0,938 0,973 0,993 1,0
Cuadro 5.6: Valores de la funcin K(w) para las cpulas emprica, de Frank (=1,9460) y de Clayton
(=0,27).

229
En la Figura 5.13 se representan los grficos qq para las cpulas de Frank y de
Clayton. Se observa que es mucho ms adecuada para nuestros datos la primera
de ellas, al estar ms prximos sus puntos a la lnea continua, expresin grfica
de la recta y=x.

(a) (b)
Figura 5.13: Grfico qq para comparar la cpula emprica con las de Frank (a) y de Clayton (b).

8. LA MEDIDA DE FREES Y VALDEZ

En su trabajo ya citado129 proponen estos autores una medida de la proximidad

entre las funciones representadas en las Figuras 9 a 13. Esta medida viene dada
por la expresin (3.1) y como ya dijimos en III,2, puede aplicarse si determinamos
una funcin analtica P(t, ) que sustituya a las observaciones realizadas.

Obtenemos una aproximacin P(t, ) de la funcin emprica observada mediante

el ajuste mnimocuadrtico de una curva a los puntos cuya abscisa w y ordenada
KE(w) figuran en el Cuadro 5.4, que nos da el resultado siguiente:

KE(w,n)P(t, ) = 7,5158w521,4353w4+22,5168w311,4751w2+3,8358w

El Cuadro 5.7 contiene la medida resultante para cada una de las cpulas consi-
deradas:

Frees y Valdez (1998).

129

230
 Cpula Parmetro Medida de Frees y Valdez x 1000
Frank 1,946 0,114
Gauss 0,29 0,277
Gumbel 1,204 0,294
t =0,29; n=4 0,440
Clayton 0,27 0,886
Cuadro 5.7: Medida de Frees y Valdez para los distintos modelos de cpula, ordenados de mejor a
peor.

9. LA FUNCIN DE VEROSIMILITUD

Otro mtodo para seleccionar el modelo de cpula ms adecuado a los datos con-
siste en calcular la verosimilitud y determinar el parmetro que la hace mxima.
Dicho mtodo se llama de la mxima pseudo-verosimilitud o mxima verosimi-
litud cannica, porque los valores de la cpula que entran en el cmputo no re-
sultan de una cpula emprica obtenida a partir de las distribuciones marginales
de las variables observadas, sino de una estimacin no paramtrica de dichas
distribuciones marginales.

Pues bien, el Cuadro siguiente refleja los valores del logaritmo de la mxima ve-
rosimilitud de cada modelo de cpula de los cinco que venimos examinando y
el valor correspondiente del parmetro130. El importe reflejado es, por tanto,

siendo c(u,v,) la funcin de densidad del respectivo modelo de cpula, mientras

que u,v son los pares de valores obtenidos mediante:

u=F1(x), v=F2(y).

F1 y F2 son las funciones de distribucin empricas, continuas y ajustadas defini-

das en el Epgrafe 4; x e y son los ratios de siniestralidad de primas y es el valor
del parmetro que maximiza la expresin (5.4b).

Excepto en el caso de la cpula t, en que hemos optado por el parmetro n=4

130

231
 Mximo
Cpula Parmetro Logaritmo
verosimilitud
Frank 1,946 61,596
Gauss 0,29 56,01
Gumbel 1,2040 48,627
t (4 g de l) 0,29 36,92
Clayton 0,27 25,14
Cuadro 5.8: Logaritmo del mximo de la funcin de verosimilitud de cada modelo de cpula, y
estimacin mximo verosmil del parmetro de dependencia. Los modelos estn ordenados de
mejor a peor.

El orden de los modelos coincide con el del Cuadro 5.7, basado en la medida de
Frees y Valdez. Y tambin los mtodos grficos utilizados en los Epgrafes 6 y 7
nos llevan a igual desenlace. Por otra parte, es evidente que el criterio de Akaike
conduce a idntica jerarqua; dicho criterio consiste en asignar a cada modelo el
valor:

AIC= 2.(LN f (X,0) q)

y elegir el que tenga importe inferior; f es la funcin de densidad respectiva, X el

vector muestral, 0 el vector de las estimaciones mximoverosmiles de los pa-
rmetros del modelo y q el nmero de parmetros estimados.

La conclusin es la siguiente: el modelo de cpula ms adecuado es el de Frank,

con parmetro =1,9460. Recordemos que la cpula de Frank carece de depen-
dencia en las colas.

10. MODELOS PARA LAS DISTRIBUCIONES MARGINALES

En la Figura 5.14 tenemos representadas las funciones de distribucin empricas

de las variables X e Y (ratios de siniestralidad y dems gastos, sobre primas de RC
autos y RC general, respectivamente).

232
(a) (b)
Figura 5.14: Funciones de distribucin emprica de X e Y (a) y (b) respectivamente (en rojo) y
lognormal mximo-verosmil (en azul).

En ambas grficas se ha superpuesto la correspondiente funcin de distribucin

logartmico-normal con los parmetros mximo-verosmiles que se muestran en
el Cuadro 5.9.

m s
X 0,00695 0,0944
Y 0,01687 0,1465
Cuadro 5.9: Estimaciones mximo-verosmiles de los parmetros del modelo lognormal para X e Y.

Se ha llevado a cabo el contraste 2 de la bondad del ajuste de dichos modelos lognor-

males con un nivel de significacin del 5 por 100 y el resultado ha sido el siguiente:

a) Distribucin de X:

Intervalos de X Frecuencias observadas Frecuencias tericas

0 0,82 8 9,6
0,82 0,88 99 106,8
0,88 0,94 318 27,1
0,94 1,00 274 331,3
1,00 1,06 237 256,6
1,06 1,12 175 154,2
1,12 1,18 111 79,5
1,18 1,30 46 53,8
>1,30 0 0,0
Cuadro 5.10: Frecuencias de X, observadas y tericas segn el modelo lognormal.

233
Las frecuencias tericas de cada intervalo (a,b) se obtienen con la integral:

El estadstico 2 para estos datos es 34,7. Al haberse estimado 2 parmetros a

partir de la muestra, el nmero de grados de libertad es 812=5; para un nivel
de significacin del 5 por 100 el valor 52 es 11,07, con un valor p nulo, por lo que
hemos de rechazar la hiptesis de que la distribucin de X sigue el modelo log-
normal con los parmetros que muestra el Cuadro 5.9.

b) En el caso de la distribucin marginal de Y, la comparacin entre las fre-

cuencias observadas y las tericas, que se obtienen mediante clculo similar
al anterior aunque sustituyendo adecuadamente los parmetros de la lognor-
mal, son:

Intervalos de Y Frecuencias observadas Frecuencias tericas

0 0,7 9 13
0,7 0,8 93 88,1
0,8 0,9 250 245,4
0,9 1,0 347 346,3
1,0 1,1 272 294,6
1,1 1,2 191 171,3
1,2 1,3 75 74,5
>1,3 31 28,4
Cuadro 5.11: Frecuencias de Y, observadas y tericas segn el modelo lognormal.

El valor del estadstico 2 es ahora 5,68 y el nmero de grados de libertad es, igual-
mente, 5. El valor de las tablas para el nivel de significacin 5 por 100 es 11,07, por
lo que no rechazamos la hiptesis nula, consistente en admitir que la muestra de
valores de Y proviene de una poblacin logartmico-normal con parmetros m=
0,01687, s=0,1465. El valor p es 0,338.

234
En resumen: al nivel de significacin 5 por 100,

Rechazamos la hiptesis de que X se distribuye segn la lognormal (m= 0,00695;

s= 0,0944).

No hay evidencia suficiente para rechazar la hiptesis de que Y sigue dicho mo-
delo (m= 0,01687, s= 0,1465).

Y a la vista de ello, las conclusiones son las siguientes:

a. En relacin con la distribucin marginal de X, al ser los datos numerosos, nos

decantamos por adoptar como modelo a la distribucin emprica continua, si
bien la cola de sta (para x>1,2726) queda sustituida por una lognormal con
parmetros m=0,0031; s=0,079. sta es la funcin que definimos en el
Epgrafe 4 en relacin con las distribuciones marginales empricas.

b. Como distribucin marginal de Y adoptamos el modelo lognormal con los par-

metros que acabamos de exponer y que muestra el Cuadro 5.9.

Para obtener una grfica de la funcin de densidad de X recurrimos a la densidad

kernel. Se trata de un modo de suavizar las funciones de densidad empricas por
medio de la frmula:

en donde K(.) es una funcin de densidad, que en nuestro caso ser la normal; xi,
el valor i-simo observado, n el nmero de elementos de la muestra y h es un pa-
rmetro que mide el grado de suavizado que logra la frmula: A mayor valor de h,
ms alta es la dispersin de la densidad representada por la funcin K(.); por tan-
to, ms amplio es cada sumando de la frmula y ms fuerte el suavizado que sta
opera. Si h es pequeo ocurre lo contrario: La dispersin de la densidad que apor-
ta cada sumando y que se centra en la respectiva abscisa xi queda ms concentra-
da en ella y el suavizado es menor. El valor de h no debe elegirse arbitrariamente,
sino que ha de guardar relacin con la desviacin tpica de la distribucin de X a la que
pretende aproximar. Una frmula prctica para elegir el valor de h es: h1,06/n0.2;

235
en nuestro caso, =0,10 y por tanto h0,0254. El resultado es una funcin de den-
sidad emprica y suavizada, que se representa en la Figura 5.15.

Figura 5.15: Densidad kernel de la variable X.

La grfica de la densidad de Y, segn el modelo lognormal, est en la Figura 5.16:

Figura 5.16: Densidad de la variable Y, segn el modelo lognormal.

236
11. MEDIDAS DE RIESGO PARA UNA CARTERA DE SEGUROS COMPUESTA
POR RIESGOS X O POR RIESGOS Y

Empezaremos con el clculo del VaR al 99,5 por 100 (nivel de confianza exigido por
la normativa de Solvencia II) de cada uno de los riesgos X e Y. Se trata de resolver
la ecuacin

Fi(VaR)=0,995

en donde Fi es la funcin de distribucin marginal de las variables X Y respecti-

vamente. En el caso de X, su distribucin emprica continua nos da el valor
VaR=1,2236, mientras que, para Y, el modelo logartmico-normal aceptado le
asigna un VaR de 1,4343.

La prdida media condicionada (expected shortfall o tail conditional expectation)

es:

ES(Z)=E(ZZ>VaR)

es decir, la media de Z, condicionada a que Z supere el VaR al 100 por 100.

Pues bien, utilizamos ahora el modelo de distribucin marginal adoptado en el

Epgrafe 10 para X y para Y, respectivamente. Para X tenemos:

F(.) es la funcin de distribucin emprica y continua de X; L(x;m,s) es la densidad

lognormal adoptada como modelo en la cola de la distribucin (Epgrafe 10); el
nmero de trminos del sumatorio es 6 debido a que entre el valor x tal que
F(x)=0,999 (que es x=1,2726) y el que hace que F(x)=0,995, la distribucin emp-
rica presenta 6 tramos; as, x1=1,2236; x2=1,224; ...; x7=1,2726. Este ltimo valor
coincide con el lmite inferior de la integral). El resultado de este clculo es
ES99.5(X)=1,25.

237
Para determinar ES99.5(Y) calculamos el valor de

en donde L(y;m,s) es la funcin de densidad correspondiente. Por tanto, ES99.5(Y) =

1,501.

El Cuadro 5.12 recoge los anteriores resultados.

Riesgo VaR 99,5% ES 99,5%

X = RC automviles 1,2236 1,25
Y= RG gral. 1,4343 1,501
Cuadro 5.12. Medidas de riesgo para las carteras X e Y, individualmente consideradas.

12. CLCULO DEL CAPITAL DE SOLVENCIA DE UNA CARTERA COMPUESTA

POR RIESGOS X E Y, SEGN EL MTODO DE LAS CORRELACIONES
ESTABLECIDO EN SOLVENCIA II

Supondremos que la cartera est integrada por ambos tipos de riesgos, X e Y (ra-
tios de siniestralidad sobre primas en el seguro de RC automviles y RC general,
respectivamente) en proporciones respectivas p y q (p+q=1). Dichas proporciones
se refieren al volumen de primas.

La frmula para el clculo del capital de solvencia mnimo, segn la normativa de

Solvencia II, es:

es el coeficiente de correlacin entre los riesgos X e Y (que, segn la normativa

expuesta en el Epgrafe 1 de este Captulo, es igual a 0,5).

Vx, Vy y Vnl representan el volumen de riesgo en X, en Y o en total, respectivamente;

admitimos como tal volumen el de las primas, sin ms anlisis ni distinciones y
suponemos que Vx = p. Vnl y Vy = q. Vnl.

238
Por tanto,

Si sustituimos las desviaciones tpicas por sus valores respectivos segn la nor-
mativa de Solvencia II (x=0,10; y =0,14) y tenemos en cuenta que q = 1p, resulta
que la desviacin tpica nl es una funcin nicamente de p, al igual que el capital
mnimo obligatorio por unidad de volumen de primas, cuya expresin ser:

El Cuadro 5.13 recoge el importe de capital de solvencia obligatorio por unidad

de volumen de primas de toda la cartera, es decir, SCRnl/Vnl, para algunos valo-
res de p:

p 0,10 0,30 0,50 0,70 0,90

SCRnl/Vnl 0,394 0,348 0,313 0,294 0,293
Cuadro 5.13. Capital de solvencia obligatorio por unidad de volumen de primas, calculado segn la
normativa de Solvencia II para el modelo estndar.

En los anteriores clculos hemos tenido en cuenta exclusivamente el riesgo de

primas, al carecer de datos reales sobre el de reservas.

13. CLCULO DEL CAPITAL DE SOLVENCIA DE UNA CARTERA COMPUESTA

POR RIESGOS X E Y, CON APLICACIN DE LAS CPULAS

El objetivo principal de este Captulo es comparar el importe del SCR, segn se

determine con la normativa del modelo estndar de Solvencia II o mediante la
aplicacin de las cpulas y dentro de ellas, de la cpula de Frank con parmetro
1,946 (vase la conclusin del Epgrafe 9, La funcin de verosimilitud) y distribu-
ciones marginales que hemos tomado como modelo (Epgrafe 10, Modelos para
las distribuciones marginales, especialmente las conclusiones).

239
En estas condiciones, la funcin de distribucin conjunta de las tasas o ratios de
siniestralidad y gastos sobre primas para los seguros de RC automviles (X) y RC
general (Y), ser:

x-1(u) e y-1(u) son las inversas de las funciones de distribucin marginal de X e Y,

cuya forma respectiva qued definida en el Epgrafe 10. C(u,v) es la cpula que
modeliza la dependencia entre ambos riesgos, en concreto la de Frank con
=1,946.

Nuestro problema es calcular la probabilidad de que la suma X+Y sea inferior a

cualquier nmero t>0, es decir, Prob(X+Yt). Este clculo puede hacerse por tres
vas o mtodos distintos, ordenados de menor a mayor en cuanto a nuestra prefe-
rencia en el caso concreto que nos ocupa:

a) Mtodo de la simulacin de Montecarlo

Consiste en realizar los pasos siguientes:

1. Simular un par de nmeros aleatorios (u0,v0) de la cpula Frank (vase Captulo

III, 3 y Nota 93) con el parmetro deseado (en este caso, 1,946).

2. Obtener los nmeros x0 e y0 tales que:

3. Sumar x0+y0 y computar como xito el suceso x0+y0 t.

4. Repetir los pasos anteriores un gran nmero de veces y calcular el cociente

entre el nmero de xitos y nmero total de repeticiones, cociente que tomare-
mos como la probabilidad buscada.

240
Este mtodo tiene la ventaja de que es fcil de plantear y programar y que es flexi-
ble, al prestarse sin problemas a complejidades que exija el caso particular que
interese. Su inconveniente, en casos como el que ahora nos ocupa, es que requie-
re un nmero muy elevado de repeticiones; por ejemplo, cuando la probabilidad
de xito est en torno al 99,5 por 100 y deseemos una probabilidad muy alta (por
ejemplo, del 95 por 100) de que el error de la estimacin resultante del proceso
sea muy pequea (por ejemplo, una diezmilsima, de modo que si la verdadera
probabilidad de insolvencia es el 0,5 por 100, la estimacin quede comprendida
entre 0,49 y 0,51 por 100), el nmero de simulaciones no deber ser inferior a
1.911.196, que resulta de despejar n en la inecuacin 1.96 <
0,0001.

b) Mtodo del ajuste de una funcin de distribucin a n simulaciones de la suma X+Y

Se simula un nmero elevado (por ejemplo, 2000) de sumas X+Y mediante el pro-
cedimiento descrito en los prrafos anteriores. Obtenidos los n valores, se busca
una funcin de distribucin que se adapte a la muestra simulada y se toma esta
funcin como modelo de la suma T = X+Y.

A continuacin describimos la aplicacin de este procedimiento a nuestros datos.

En primer lugar, simulamos 2000 pares (u,v) de la cpula Frank ya especificada.

La representacin grfica de estos puntos est en la Figura 5.17.

A continuacin, por medio de las correspondientes funciones de distribucin mar-

ginal de X y de Y, invertimos u y v para obtener sus correspondientes valores
(x,y), y sumamos cada par de stos; obtenemos as 2000 valores muestrales de la
suma. En la Figura 5.18 se representan los puntos (x,y) mientras que en el Cuadro
5.14 aparecen algunas caractersticas estadsticas de dichos valores muestrales
de la indicada suma.

241
Figura 5.17: Simulacin de 2000 puntos (u,v) de la cpula de Frank con =1,946.

La distribucin emprica de la variable T=X+Y queda representada en la Figura

5.19.

El paso siguiente es ajustar una funcin de distribucin a la emprica obtenida.

Probamos con una lognormal con media igual a 2. la estimacin mximo-veros-

mil de los parmetros nos da

m = 0,6848

s = 0,09724.

El contraste 2 produce el resultado que muestra el Cuadro 5.15.

242
Figura 5.18: Los 2000 puntos (x,y) correspondientes a los representados en la Figura 5.17.

Coeficiente de
Valor mximo Valor mnimo Media Desviacin tpica
asimetra
2,5960 1,4010 1,993 0,194 +0,244
Cuadro 5.14: Algunas caractersticas de la muestra de T=X+Y obtenida por simulacin.

El valor del estadstico 2 es 9,75; para un nivel de significacin del 95 por 100, el
valor para 1112 = 8 grados de libertad, segn las tablas, es 15,507; el valor p
es 0,28; por tanto, no rechazamos la hiptesis de que el modelo lognormal con
parmetros m=0,6848; s=0,09724 sea adecuado para la variable T=X+Y.

Sobre esta base, calculamos el VaR al 99,5 por 100, de la variable T; dicho valor es
2,548 y el expected shortfall 2,63; pero si referimos los resultados a una cartera
que, en lugar de tener media 2 tuviera media unitaria quedara:

VaR0.995 = 1,274

ES0.995= 1,315

243
Figura 5.19: Funcin de distribucin emprica de las 2000 simulaciones de T.

Intervalo Frecuencias observadas Frecuencias tericas

0 1,60 19 27,1
1,60 1,70 90 85,6
1,70 1,80 218 205,5
1,80 1,90 345 340,4
1,90 2,00 389 409,8
2,00 2,10 377 374,9
2,10 2,20 255 270,4
2,20 2,30 181 158,7
2,30 2,40 78 77,8
2,40 2,50 35 32,6
>2,50 14 17,2
Cuadro 5.15: Frecuencias de T, observadas y tericas, segn el modelo lognormal.

La simulacin realizada se refera a una cartera integrada, a partes iguales, por

riesgos X e Y. Para otras combinaciones habra que proceder segn hemos des-
crito, a partir de los 2000 puntos (x,y) de manera que la variable suma, designa-
da por T, pasara a ser: T=pX+(1p)Y; (0 p 1 ).

244
c) Mtodo del clculo directo

Se trata de resolver la ecuacin Prob(X+Y t )=0,995. Es evidente que X e Y son

variables dependientes estadsticamente y ello exige introducir en el plantea-
miento las probabilidades condicionales. En IV, 4 ya tratamos de esta cuestin y
llegamos a las expresiones (4.5a) y (4.5b). Pese a ello, y para mayor claridad, pre-
ferimos abordar el tema desde el principio, porque ahora hemos de introducir en
el planteamiento una funcin de distribucin obtenida a partir de una cpula.
Comenzamos, igual que en IV, 4, con la igualdad:

fY(y) es la funcin de densidad de la variable Y. En la anterior expresin admitimos

que las variables X e Y son positivas.

Ahora bien, la probabilidad condicionada, siendo F(x,y) la funcin de distribucin

conjunta de X e Y, es:

Sustituimos en (5.5) la probabilidad condicionada:

Llamamos u(x) y v(y) a las funciones de distribucin de X e Y,

F(x,y)=C[u(x), v(y)]

245
por tanto,

y, definitivamente,

u* es el valor de la funcin de distribucin de X en el punto ty, es decir que u*

=FX(ty). Obsrvese que la primera funcin que aparece en el integrando (la deri-
vada de C con respecto a v) depende de u y de v, mientras que la segunda depende
de y. Cabe expresar ambas funciones con el argumento de y (ya que u*=FX(ty)),
pero tambin es posible programar el clculo de (t) de la siguiente forma:

Dividimos el intervalo (0,t) en n subintervalos.

Hacemos yi = punto intermedio del intervalo i-simo.

Calculamos tyi; a continuacin obtenemos:

ui* = FX(tyi)

vi = FY(yi).

Hallamos el valor de la derivada parcial que figura en el integrando en el punto

(ui*, vi) y lo multiplicamos por fY(yi) y por la longitud del subintervalo, t/n.

Sumamos los n resultados obtenidos.

Si n es grande podremos tomar el valor resultante como la probabilidad de que

X+Y no supere a t. Por tanteos obtenemos que

Prob(X+Y2,532) = 0,995

Para una cartera con un volumen de primas igual a la unidad, el VaR es, por tanto,
2,532/2 = 1,266. Si la media de la distribucin de dicha cartera X+Y es la unidad,
resultar un capital de solvencia obligatorio de 0,266. El capital determinado

246
anteriormente por el mtodo de las correlaciones para la misma cartera es 0,313,
superior, por tanto, en un 18 por 100, aproximadamente.

Lo anterior puede generalizarse para cualquier composicin de la cartera. Si lla-

mamos p y q a las proporciones respectivas de los riesgos X e Y (p+q=1), por pro-
cedimiento anlogo al que acabamos de describir calcularemos

en donde u* representa ahora el valor de la funcin de distribucin de X en el punto

Fijados t y p, el proceso de clculo es enteramente anlogo al anterior:

Para cada yi determinamos xi=t/p(q/p)yi.

Adems ui*= FX(xi); vi=FY(yi)

Multiplicamos la derivada parcial C(u, v)/v en el punto (ui*, vi) por la densidad
de Y en el punto yi; multiplicamos el resultado por t/(n.q). La suma, cuando
introducimos un alto nmero de sub-intervalos, se acerca a la probabilidad
buscada.

As, calculamos el VaR al 99,5 por 100 para distintos valores de p y el resultado lo
tenemos en el Cuadro 5.16.

Para obtener el expected shortfall recurrimos a un procedimiento que aprovecha

la posibilidad de obtener valores de la funcin (t;p) = Prob(Tp t); (Tp = pX+qY).
Dicho procedimiento se basa en la frmula131:

131
Bowers, Gerber, Hickman, Jones y Nesbit, (1986) pgina 62. Hay ediciones posteriores.

247
en donde:

***

Demostracin: Partimos de la hiptesis de que la variable Tp es positiva y de

que su valor medio existe; admitimos tambin que su funcin de distribucin
(t;p) es continua y se anula en t=0. Integramos por partes la expresin del
valor medio condicionado (expected shortfall):

teniendo en cuenta ahora que d (t;p) = (t;p)dt:

El primer trmino equivale al VaR() y el segundo se anula, ya que

En efecto,

Ahora bien, por hiptesis E(Tp)<. Con mayor razn, la integral desde t a infini-
to ser tambin finita y tender a cero al aumentar el lmite inferior de integra-
cin. Como quiera que t. (t;p)0 y, adems, es no superior a una cantidad que
se hace arbitrariamente pequea al tender t a infinito, queda demostrada la
expresin (5.7) y con ello la frmula (5.6), cuyo clculo es fcil de programar.

***

248
En el Cuadro 5.16 tenemos las dos medidas de riesgo para distintas composicio-
nes de la cartera (X,Y) cuyo ratio de siniestralidad sobre las primas sea la unidad:

p 0,0 0,1 0,3 0,5 0,7 0,9 1,0

VaR99.5 1,434 1,396 1,325 1,266 1,226 1,214 1,224
ES(T)99.5 1,507 1,447 1,373 1,302 1,250 1,236 1,250
SCR 0,434 0,396 0,325 0,266 0,226 0,214 0,224
Cuadro 5.16: Medidas de riesgo y capital de solvencia para diversas composiciones de la cartera.

14. LAS CORRELACIONES EN LA COLA DE LA DISTRIBUCIN

Segn veremos en seguida, los datos estudiados no apoyan la prctica de elevar

el coeficiente de correlacin en un intento de replicar correlaciones no lineales
existentes en la cola de la distribucin. Esa prctica, defendida en diversos docu-
mentos relativos a Solvencia II132 tiene la ventaja de su simplicidad, pero tropieza
con un grave inconveniente, sealado por Shaw y Spivak (2009), pgina 42:

Ms altas correlaciones no modelizan la dependencia en la cola; sta es una

medida de la dependencia en el lmite entre los factores de riesgo. Si se utiliza
una cpula gaussiana, su dependencia en la cola ser cero, sean altos o no los
parmetros de correlacin elegidos.

Estos mismos autores proponen un ejemplo numrico para comparar el coefi-

ciente de correlacin en la cola con el parmetro de correlacin de un modelo
gaussiano o t con diversos grados de libertad, para un mismo capital de solvencia.
Los clculos se hacen para diversos cuantiles, es decir, para diversas colas. Una
de las conclusiones que obtienen es que si un asegurador opta por utilizar corre-
laciones ms altas en el contexto del mtodo de las varianzas-covarianzas en
sustitucin de la dependencia en colas y las cpulas, ha de ser extremadamente
cuidadoso, ante los errores a que tal prctica puede llevar.

En nuestro caso hemos llegado a determinar que, con la cpula de Frank y las
distribuciones marginales que admitimos como modelos para los riesgos X e Y

Por ejemplo, el ya citado CEIOPS FS-14-07.

132

249
(coberturas del riesgo de responsabilidad de automviles y general respectiva-
mente), el capital de solvencia obligatorio (SRC) era de 0,266 por unidad de volu-
men de una cartera 50%-50% de ambos riesgos. Si queremos conocer el importe
del coeficiente que, segn el mtodo de las correlaciones auspiciado por
Solvencia II, conducira a un capital de solvencia equivalente a nuestro resultado
de 0,266, no tenemos ms que despejarlo en la ecuacin:

es decir, = 0,066, resultado muy alejado del coeficiente 0,5 segn la normativa de
Solvencia II para los ramos o segmentos que nos ocupan. Y si introdujramos en
el anterior clculo el coeficiente de correlacin de los datos originales, que, segn
vimos en el Epgrafe 2, es 0,28, el resultado sera:

que sigue siendo superior al capital determinado por aplicacin de la Cpula de

Frank.

Los coeficientes de correlacin en la cola de nuestra distribucin de (X,Y), repre-

sentada en la Figura 5.2, son los siguientes:

Cuantil 0,90 0,95 0,99 0,995

-0,434 -0,646 -0,890 -0,978
Cuadro 5.17: Correlaciones en la cola de la distribucin, segn varios cuantiles de sta.

Estos coeficientes de correlacin se han obtenido utilizando tan slo los puntos
(X,Y) cuya suma supera el cuantil correspondiente. El que sean negativos en todos
los casos sugiere que los datos que manejamos no justifican elevar la correlacin
para intentar modelizar dependencias en la cola que, en nuestro caso, no existen.

250
REFERENCIAS BIBLIOGRFICAS

ARTZNER, DELBAEN, EBER y HEATH: Coherent Measures of Risk, (1999).-

Mathematical Finance, 9(3), (203-228).

BAHRAOUI, BOLANC y PREZ MARN, (2014): Testing extreme value copulas to

estimate the quantile.- Institut dEstadstica de Catalunya, Enero-Junio 2014.

BERMDEZ, FERRI y GUILLN, (2013): A correlation sensitivity analysis of non-life

underwriting risk in solvency capital requirement estimation, 2011/2013.-
Universidad de Barcelona.

BOWERS, GERBER, HICKMAN, JONES y NESBIT, (1986): Actuarial Mathematics,

The Society of Actuaries.

CEBRIN, DENUIT y LAMBERT, (2003): Analysis of bivariate tail dependence using

extreme value copulas: An application to the SOA medical large claims database.-
Belgian Actuarial Bulletin, 3(1).

CEIOPS, Documento -PI-08/06, Quantitative Impact Study 2.

CINTAS DEL RO, (2006): Teora de cpulas y control del riesgo financiero. Tesis
Doctoral. Universidad Complutense de Madrid, Facultad de Ciencias Matemticas.
Madrid.

COMISIN EUROPEA, QIS5 Technical Specifications, Brussels, 5 de julio de 2010.

DE MEY, Insurance and the Capital Markets, (2007): The Geneva Papers, 2007, 32
(35-41).

DUFRESNE, (2008): Sum of lognormals, Centre of Actuarial Studies.

251
DONNELLY y EMBRECHTS, (2010): The Devil is in the tails: actuarial mathematics and
the subprime mortgage crisis.- http://www.macs.hw.ac.uk/~cd134/2010/donemb.pdf

DURN y OTERO, (2010): El anlisis financiero dinmico como herramienta para

el desarrollo de modelos internos en el marco de Solvencia II.- Fundacin
MAPFRE, 153, Cuadernos de la Fundacin, Madrid.

EMBRECHTS, (2009): Copulas: A personal view.

https://people.math.ethz.ch/~embrecht/ftp/copulas_personalview.pdf

EMBRECHTS, LINDSKOG y MACNEIL, (2001): Modelling Dependence with Copulas

and Applications to Risk Management.
https://people.math.ethz.ch/~embrecht/ftp/copchapter.pdf

EMBRECHTS, MCNEIL y STRAUMANN, (2002): Correlation and Dependence in Risk

Management: Properties and Pitfalls.- Risk Management, Value at Risk and beyond.
Ed. by M. Dempster y H.K. Moffat, Cambridge University Press.

FERRI, (2012): Estructuras de dependencia aplicadas a la gestin de riesgos en

Solvencia II. Tesis Doctoral, Universidad de Barcelona.

FORSLUND y JOHANSSON, (2012): Gaussian Copulas. What happens when models

fail? http://www.math.chalmers.se/~rootzen/finrisk/gr15_forslund_johansson_
gaussian_cop.pdf

FREES y VALDEZ, (1998): Understanding relationships using copulas, North

American Actuarial Journal, 2,1 (1.25).

GROUP CONSULTATIF ACTUARIEL EUROPEN, Diversification. Technical Paper,

31 de octubre de 2005.

HRLIMANN, (2014): On actuarial applications of bivariate extreme value copulas.-

https://www.researchgate.net/publication/275336039_On_actuarial_applications_
of_bivariate_extreme_value_copulas

252
INTERNATIONAL ACTUARIAL ASSOCIATION, A Global Framework for Insurer
Solvency Assessment. Research Report of the Insurer Solvency Assessment Working
Party, 2004.

JONES, The formula that felled Wall Street, Financial Times, 24 de abril de 2009.

KLUGMAN, PANJER y WILLMOTT, (1998): Loss Models.- Wiley.

LUDER, (2005): Swiss Solvency Test in Non-Life Insurance, ASTIN Colloquia,

Zurich.

MCNEIL, FREY, EMBRECHTS, (2005): Quantitative Risk Management.- Princenton

Series in Finance.

MIKOSCH, (2006): Copulas: Tales and Facts. http://link.springer.com/article/

10.1007%2Fs10687-006-0015-x#/page-1

MOSCADELLI, (2004): The modelling of operational risk: experience with de data

collected by the Basel Committee.- Banca dItalia, Julio 2004.

NELSEN, (2006): An Introduction to Copulas, 2nd edition, Springer.

RIVAS, PREZ y CUESTA, (2004): Aplicacin de la teora de cpulas al clculo de

la prima de emisin de los bonos sobre catstrofes.- Anales del Instituto de
Actuarios Espaoles, nmero 10 (115-148).

RIVAS, PREZ y CUESTA, (2007): Clculo emprico basado en la teora de cpulas

de un Industry Loss Warranty, Anales del Instituto de Actuarios Espaoles, n-
mero 13 (57-88).

SCHMIDT, (2006): Coping with copulas, 2006. http://archiv.stochastik.uni-freiburg.

de/homepages/schmidt/publications/TSchmidt_Copulas.pdf

SHAW y SPIVAK, (2009): Correlations and dependencies in Economic Capital Models.

https://www.actuaries.org.uk/sites/default/files/documents/pdf/c05shaw.pdf

253
STAUDT, (2010): Tail Risk, Systemic Risk and Copulas.- Casualty Actuarial Society
E- Forum, Volume 2, 2010.

UNIN EUROPEA, Directiva 2009/138/EC, de 25 de noviembre de 2009, Sobre el seguro

de vida, el acceso a la actividad aseguradora y de reaseguro y su ejercicio (Solvencia
II).- Publicada en el Diario Oficial de la Unin Europea el 17 de diciembre de 2009.

UNIN EUROPEA, Reglamento Delegado (UE) 2015/35, de la Comisin, de 10 de

octubre de 2014, Por el que se completa la Directiva 2009/138/EC, de 25 de no-
viembre de 2009, sobre el seguro de vida, el acceso a la actividad aseguradora y de
reaseguro y su ejercicio.- Publicado en el Diario Oficial de la Unin Europea el 17
de enero de 2015.

VENTER (2002): Tails of Copulas.- Proceedings of the Casualty Actuarial Society,

Volume LIX, (68-113).

VENTER, (2003): Quantifying Correlated Reinsurance Exposures Using Copulas.-

Casualty Actuarial Society Forum, Volume Spring, 2003, (215-229).

WILKIE, (1986): A Stochastic Investment Model for Actuarial Use, Transactions of

the Faculty of Actuaries, 1984-1986, (341-406).

254
BIBLIOGRAFA ADICIONAL

AKAIKE, (1973): Information Theory and An Extension of the Maximum likelihood

Principle. Petrov, B. N. y Csaki, F. (Eds.). The second International Symposium on
Information Theory. Budapest: Akademiai Kiado.
http://link.springer.com/chapter/10.1007%2F978-1-4612-1694-0_15#page-1

AKAIKE, (1977): On Entropy Maximization Principle. Krishnaia, P. R. (Ed.). Applications

of Statistics. Holland: North-Holland. Publishing Co.

BARGEST, COSSETTE y MARCEAU, (2009): TVaR-based capital allocation with co-

pulas, Insurance: Mathematics and Economics, 2009, Vol. 45, No. 3, 348-361.

BARNETT, KREPS, MAJOR y VENTER, (2007) Multivariate copulas for financial mo-
deling, Variance, 2007, Vol. 1, No. 1, 103-119.

BOUY, DURRLEMAN, NIKEGHBALI, RIBOULET y RONCALLI, (2000): Copulas for

finance: A reading guide and some applications. http://ssrn.com/abstract=1032533

CHERUBINI, LUCIANO, y VECCHIATO, (2004): Copula Methods in Finance. Wiley,

New York.

CROUHY, GALAI, y MARK, (2001): Risk Management. McGraw-Hill. New York.

DANIELSSON, DE VRIES, (1997): Value-at-Risk and extreme returns. School of

Economics and Political Science. Paper No 273: 1-33.

DEHEUVELS, (1979): La Fonction de dpendence empirique et ses propiets. Un test

non parametrique dindependence. Acad.Roy. Belg. Bull. Cl. SCi (5) 65: 274-292.

DEHEUVELS, (1981): A non parametric test for independence. Publ. Inst. Statist.
Univ. Paris 26: 29-50.

DEMARTA y MCNEIL, (2005): The t copula and related copulas, International

Statistical Review, 2005, Vol. 73, 111-129.

255
DESMEDT y WAHLIN, (2008) On the subadditivity of tail value at risk: An investiga-
tion with copulas, Variance, 2008, Vol. 2, No. 2, 231-252.

EMBRECHTS, KLPPELBERG, y MIKOSCH (1997): Modelling extremal events for

insurance and finance. Springer. New York.

EMBRECHTS, RESNICK y SAMORODNITSKY, (1998): Living in the edge. Risk

Magazine, 11 (1): 96-100.

EMBRECHTS, RESNICK y SAMORODNITSKY, (1999): Extreme value theory as a

risk management tool. North American Actuarial Journal, 3 (2): 30-41.

FERMANIAN y WEGKAMP, (2004): Time dependent copulas.

http://www.crest.fr/ckfinder/userfiles/files/pageperso/cond_copula13_JMVA.pdf

FISHER y SWITZER, (1985): Chi-plot for assessing dependence. Biometrika 72 (2):

253-265

FISHER, y SWITZER, (2001): Graphical assessment of dependence: Is a picture wor-

th 100 tests?. The American Statistician, 55: 233-239.

FRAHM, JUNKER y SCHMIDT, (2006): Estimating of tail-dependence coefficient :

Properties and pitfalls. Insurance: Mathematics and Economics. 37: 80-100.

FRCHET, (1957): Les tableaux de corrlation dont les marges sont donnes.
Annals Univ. Lyon, Sci., 20:13-31.

GARDNER, y DANNENBRING, (1980): Forecasting with exponential smoothing:

Some guidelines for model selection. Decision Sciences. Vol. 11, Num 2: 370-383.

GENEST y BOIES (2003): Detecting dependence with Kendall plots. The American
Statistician, 57, 275-284.

GENEST y FAVRE, (2007): Everything you always wanted to know about copula mo-
delling but were afraid to ask. Journal of Hydrologic Engineering, http://citeseerx.

256
ist.psu.edu/viewdoc/download;jsessionid=CC1B2A1F9164365AAF6BE126F579012
3?doi=10.1.1.160.8266&rep=rep1&type=pdf

GENEST, GHOUDI, y RIVEST, (1995): A semiparametric estimation procedure of de-

pendence parameters in multivariate families of distribution. Biometrika, 40: 543-
552.

GENEST y MCKEY, (1986): The joy of copulas: Bivariate distributions with uniform
marginals. American Statistics, 40: 280-285.

GENEST y RIVEST, (1993): Statistical inference procedures for bivariate archime-

dian copulas. Journal of the American Statistical Association, 88 (423): 1034-1043.

JOE, (1997): Multivariate models and dependence concepts. Chapman & Hall.

DE LEEUW: Introduction to Akaike (1973) information theory and an extension of the

maximum likelihood principle.- http://www.sortie-nd.org/lme/Statistical%20
Papers/Akaike_1973%20with%20commentary.pdf

MARSHALL, (2001): Measuring and managing operational risk in financial institu-

tions: Tools, techniques and other resources. John Wiley & Sons.

DE MATTEIS, (2001): Fitting copulas to data. Diploma thesis Institute of Mathematics

of the University of Zurich.

NELSEN, (2002): Concordance and copulas: a survey. Kluwer. Dordrecht, pgs 169-177.

PICKANDS, (1975): Statistical inference using extreme order statistics. The Annals
of Statistics 3: 199-131.

SAMARA y RANDLES, (1988). Kendalls tau. Comm. Statist. Theory Methods, 17:
3191-3205.

SHIH, y LOUIS, 1995): Inferences on the association parameter in copula models for
bivariate survival data. Biometrics, 51: 1384-1399.

257
SKLAR, (1959): Fonctions de rpartition n-dimensions et leur marges. Publ. Inst.
Statist. Univ. Paris. 8: 229-231.

SKLAR, (1996): Random variables, distribution functions and copulas. A personal

look backward and forward in distributions with fixed marginals and related topics.
Rschendorf, L., Schweizer, B. y Taylor, M. Institute of Mathematical Statistics.
Hayward, CA:1-14.

SCHMIDT y STADMLLER, (2003): Nonparametric estimation of tail dependence.

Working Paper. London Bussiness School. London. U.K.

SMITH, (2002): Risk management: Value at risk and beyond. Cambridge U.P.

TAJVIDI, (2004): Confidence intervals and accuracy estimation for heavy-tailed gene-
ralized Pareto distributions. Extremes 6: 111-123. Kluwer Academic Publishers.
Netherlands.

TRIVEDI y ZIMMER, (2005): Copula modeling: An introduction for practitioners,

Foundations and Trends in Econometrics, 2007.

258
NDICE ALFABTICO

Akaike: 152, 168, 232 coeficiente : 109

Algoritmo de Nelder Mead: 167 definicin: 97
Bermdez, Ferri y Guilln: 34 densidad: 116
Bonos de catstrofes: 36 dependencia en colas: 112
C-medida: 103, 106, 108, 132, 133 simulacin: ver simulacin de
Capital de solvencia (SCR): 181 y ss., cpulas
201 y ss., 238 y ss. Cpula de independencia: 79, 183
Cholesky, factorizacin: 153 y ss. Cpula de Marshall-Olkin: 128 y ss.
Cintas del Ro: 146, 218 simulacin: 162
Coeficiente de correlacin: 30, 43 y ss., Cpula de supervivencia: 117 y ss.
189 y ss., 210, 211, 249, 250 Cpula de valores extremos: 136 y ss.
Coeficiente de Spearman: 60 y ss., 82 y Cpula emprica: 102, 141 y ss., 216 y
ss. ss.
Coeficiente de Kendall: 61 y ss., 109 y ss. dependencia en colas: 144 y ss.
Comonotonicidad: 63 Cpula gaussiana: 23, 68 y ss., 113,
Concordancia: 60, 61 183, 225
Contraste 2: 233, 242 dependencia en colas: 90
Cpula de Clayton: 134, 137, 222 simulacin: 153 y ss.
coeficiente : 109 Cpula HRT: 120, 136
definicin: 97 Cpula max-estable: 137, 138
densidad: 120 Cpula mxima y cpula mnima: 79,
dependencia en colas: 112 103
Cpula de Cuadras- Aug: 130, 136 Cpula t: 33, 35, 44, 69 y ss., 183, 227 y
Cpula de Frank: 223 ss.,
coeficiente : 111 dependencia en colas: 90 y ss
definicin: 98 simulacin: 156 y ss.
dependencia en colas: 112 Cpulas
simulacin: 159 ajuste: 37, 144 y ss., 220 y ss
Cpula de Gumbel: 46, 47, 115, 123, arquimedianas: 91 y ss.
124, 137, 180, 183, 221 definicin: 73 y ss.

259
 densidad: 78 Estimacin no paramtrica: 151
idea intuitiva: 65 y ss. Expected shortfall: 200, 237 y ss
implcitas: 38, 88, 124 Ferri: 34
mixtas: 163 y ss. Frchet y Hoeffding, cotas: 79, 82, 134
multivariantes: 172 y ss. Frees y Valdez: 32, 134
probabilidad condicionada: 78, 79 Frees y Valdez, medida: 147, 168, 230,
simulacin: 152 y ss, 158 231
Correlacin por rangos: 34, 62, 65 Funcin arco seno: 78
Densidad kernel: 235 Funcin completamente montona:
Dependencia: 43 y ss., 82 y ss. 173
Dependencia en colas: 87 (ver tambin Funcin de Debye: 110, 111
la de cada tipo de cpula) Funcin generador: 94 y ss.
Directiva 2009/138EC: 199 Generador estricto: 94, 95
Distribucin Genest y Rivest, mtodo grfico de
de Cauchy: 53 ajuste: 146, 221
logartmico-normal: 178, 182, 189, H-medida: 102
205, 233 y ss. H-volumen: 102
normal bivariante: 43 IFM (Inference function for margins):
Pareto: 135, 164, 176, 182 151, 214
t bivariante: 44 Iman y Conover, mtodo: 33
Distribuciones elpticas: 43, 47 y ss., Independencia de variables aleatorias:
53 y ss. 60
Distribuciones esfricas: 45 y ss., 51 y Industry loss warranties: 36
ss. Jacobiano: 57
Distribuciones marginales empricas: Kimberling, teorema: 174
150 y ss. Klugman, Panjer y Willmott: 167
Durn y Otero: 33 Li, David X.: 23
Embrechts: 24, 25 Matriz
Embrechts, Lindskog y McNeil: 173, de correlaciones: 47
175 de covarianzas: 47, 59
Embrechts, McNeil y Straumann: 43, ortogonal: 52
45, 60, 64 Mxima verosimilitud, mtodo: 149,
Estadstico de orden: 143, 151 231 y ss.
Estimacin mximo-verosmil McNeil, Frey y Embrechts: 77, 82
cannica o pseudo-verosmil: 151 y 152

260
Meta-distribuciones: 26, 113 de reserva: 203 y ss.
densidad: 114 Rivas, Prez y Cuesta: 36
Mtodo del tau acumulativo o tau Schmidt: 124, 128
parcial: 147, 148 Schweizer y Wolf, medida: 85
Mikosch: 149 Simulacin de cpulas: 152 y ss, 158
Modelo estndar (de Solvencia II): 200 Simulacin de nmeros aleatorios
Moscadelli: 51 normales: 52
National Association of Insurance Sklar, Teorema: 25, 75, 113
Commissioners (NAIC): 28 Solvencia II: 30, 31, 178 y ss., 188 y ss.,
Nelsen: 66, 75, 86, 93, 94, 96, 99, 100, 199 y ss.
102, 128, 131, 133, 137 hiptesis implcitas: 204, 205
Propiedades invariantes al cambio de Suma de variables aleatorias: 176 y
escala: 60, 75, 82 ss., 245 y ss.
Pseudo-inversa: 94 Staudt: 32, 151
Pseudo-observaciones: 151 Swiss Solvency Test: 28
Ratio de siniestralidad: 176 y ss., 188 Tail conditional expectation: 200, 237 y
Reglamento Delegado 2015/35 de la ss
Comisin: 199 The Economist: 25
Regresin mediana y cuantlica: 169 y Transformacin
ss afn: 53, 55
Riesgo montona: 76, 77
de catstrofes: 207, 208, 213, 214 ortogonal: 51, 52
de cada de cartera: 207, 208, 213, VaR (Value at risk): 185 y ss., 188 y ss.,
214 199, 237
de prima: 203 y ss. Venter: 32, 115, 122, 145

261
COLECCIN CUADERNOS DE LA FUNDACIN

Para cualquier informacin sobre nuestras publicaciones consulte:

www.fundacionmapfre.org

219. Teora de cpulas. Introduccin y aplicaciones a Solvencia II. 2017

218. Cualificacin profesional del actuario. Estudio internacional comparado. 2016

217. El seguro de responsabilidad civil derivada de la navegacin de buques. 2016

216. El impacto de las ltimas reformas en materia de jubilacin: envejecimiento

activo, sostenibilidad financiera y planes de pensiones. 2016

215. Previsin complementaria empresarial: estudio comparado internacional 2016

214. Normas sobre proteccin de los derechos de los consumidores en el contrato de

seguro en Chile. 2016

213. Gamificacin: un modelo de fomento y gestin de comportamientos deseados en

las relaciones entre individuos y organizaciones. 2015

212. Modelo de gestin integral para el sector atunero. 2015

211. Opes embutidas em planos unit-linkeds brasileiros: avaliao sob a medida de

probabilidade real. 2015

210. El enfoque de Solvencia II para las pensiones ocupacionales espaolas. 2015

209. El seguro privado de obras de arte. 2015

208. Definicin y medicin de la cultura aseguradora. Aplicacin al caso espaol. 2015

207. Tipos de inters para valorar las provisiones tcnicas de seguros. 2015

206. Teledeteccin aplicada a la elaboracin de mapas de peligrosidad de granizo en

tiempo real y mapas de daos en cultivos e infraestructuras. 2015

205. Current Topics on Risk Analysis: ICRA6 and Risk 2015 Conference. 2015

204. Determinantes do Premio de Default de (Res)seguradores. 2014

203. Generacin de escenarios econmicos para la medicin de riesgos de mercado

en Solvencia II a travs de modelos de series temporales. 2014

202. Valoracin de los inmuebles del patrimonio histrico y los riesgos ssmicos en el
contrato de seguro: el caso de Lorca. 2014

201. Inteligencia computacional en la gestin del riesgo asegurador: opera-dores de

agregacin OWA en proceso de tarificacin. 2014

200. El componente transfronterizo de las relaciones aseguradoras. 2014

199. El seguro basado en el uso (Usage Based Insurance). 2014

198. El seguro de decesos en la normativa aseguradora. Su encaje en Solvencia II. 2014

197. El seguro de responsabilidad civil en el arbitraje. 2014

196. La reputacin corporativa en empresas aseguradoras: anlisis y evaluacin de

factores explicativos. 2014

195. La accin directa del perjudicado en el ordenamiento jurdico comunitario. 2013

194. Investigaciones en Seguros y Gestin del Riesgo: RIESGO 2013

193. Viability of Patent Insurance in Spain. 2013

192. Viabilidad del seguro de patentes en Espaa. 2013

191. Determinacin de zonas homogneas de riesgo para los rendimientos de

distintos cultivos de la regin pampeana en Argentina. 2013

190. Gnero y promocin en los sectores financiero y asegurador. 2013

189. An Introduction to Reinsurance. 2013

188. El control interno y la responsabilidad penal en la mediacin de seguros

privados. 2013

187. Una introduccin al gobierno corporativo en la industria aseguradora en

Amrica Latina. 2013

186. Mortalidad de jvenes en accidentes de trfico. 2012

185. Las reclamaciones derivadas de accidentes de circulacin por carretera

transfronterizos. 2012

184. Efecto disuasorio del tipo de contrato sobre el fraude. 2012

183. Claves del Seguro Espaol: una aproximacin a la Historia del Seguro en
Espaa. 2012

182. La responsabilidad civil del asegurador de asistencia sanitaria. 2012

181. Colaboracin en el contrato de Reaseguro. 2012

180. Origen, situacin actual y futuro del seguro de Proteccin Jurdica. 2012

179. Experiencias de microseguros en Colombia, Per y Brasil. Modelo socio agente.

2012

178. El agente de seguros y su Responsabilidad Civil. 2012

177. Riesgo operacional en el marco de Solvencia II. 2012

176. Un siglo de seguros martimos barceloneses en el comercio con Amrica. (1770-

1870). 2012

175. El seguro de Caucin. 2012

174. La contabilidad de los corredores de seguros y los planes y fondos de pensiones.

2012

173. El seguro de Vida en Amrica Latina. 2011

172. Gerencia de riesgos sostenibles y Responsabilidad Social Empresarial en la

entidad aseguradora. 2011

171. Investigaciones en Seguros y Gestin del Riesgo. RIESGO 2011

170. Introduo ao Resseguro. 2011

169. La salud y su aseguramiento en Argentina, Chile, Colombia y Espaa. 2011

168. Diferencias de sexo en conductas de riesgo y tasa de mortalidad diferencial

entre hombres y mujeres. 2011

167. Movilizacin y rescate de los compromisos por pensiones garantizados mediante

contrato de seguros. 2011

166. Embedded Value aplicado al ramo No Vida. 2011

165. Las sociedades cautivas de Reaseguro. 2011

164. Daos del amianto: litigacin, aseguramiento de riesgos,y fondos de

compensacin. 2011

163. El riesgo de tipo de inters: experiencia espaola y Solvencia II. 2011

162. I Congreso sobre las Nuevas Tecnologas y sus repercusiones en el Seguro:
Internet, Biotecnologa y Nanotecnologa. 2011

161. La incertidumbre bioactuarial en el riesgo de la longevidad. Reflexiones

bioticas. 2011

160. Actividad aseguradora y defensa de la competencia. La exencin antitrust del

sector asegurador. 2011

159. Estudio emprico sobre la tributacin de los seguros de vida. 2010

158. Mtodos estocsticos de estimacin de las provisiones tcnicas en el marco de

Solvencia II. 2010

157. Introduccin al Reaseguro. 2010

156. Encuentro Internacional sobre la Historia del Seguro. 2010

155. Los sistemas de salud en Latinoamrica y el papel del seguro privado. 2010

154. El Seguro de Crdito en Chile. 2010

153. El anlisis financiero dinmico como herramienta para el desarrollo de modelos

internos en el marco de Solvencia II. 2010

152. Caractersticas sociodemogrficas de las personas con doble cobertura

sanitaria. Un estudio emprico. 2010

151. Solidaridad impropia y seguro de Responsabilidad Civil. 2010

150. La prevencin del blanqueo de capitales en las entidades aseguradoras, las

gestoras y los corredores de seguros 2010

149. Fondos de aseguramiento agropecuario y rural: la experiencia mexicana en el

mutualismo agropecuario y sus organizaciones superiores. 2010
148. Avaliaao das Provisoes de Sinistro sob o Enfoque das Novas Regras de
Solvncia do Brasil. 2010

147. El principio de igualdad sexual en el Seguro de Salud: anlisis actuarial de su

impacto y alcance. 2010

146. Investigaciones histricas sobre el Seguro espaol. 2010

145. Perspectivas y anlisis econmico de la futura reforma del sistema espaol de

valoracin del dao corporal. 2009

144. Contabilidad y Anlisis de Cuentas Anuales de Entidades Aseguradoras (Plan

contable 24 de julio de 2008). 2009

143. Mudanas Climticas e Anlise de Risco da Indstria de Petrleo no Litoral

Brasileiro. 2009

142. Bases tcnicas dinmicas del Seguro de Dependencia en Espaa. Una

aproximacin en campo discreto. 2009

141. Transferencia Alternativa de Riesgos en el Seguro de Vida: Titulizacin de

Riesgos Aseguradores. 2009

140. Riesgo de negocio ante asegurados con mltiples contratos. 2009

139. Optimizacin econmica del Reaseguro cedido: modelos de decisin. 2009

138. Inversiones en el Seguro de Vida en la actualidad y perspectivas de futuro. 2009

137. El Seguro de Vida en Espaa. Factores que influyen en su progreso. 2009

136. Investigaciones en Seguros y Gestin de Riesgos. RIESGO 2009.

135. Anlisis e interpretacin de la gestin del fondo de maniobra en entidades

aseguradoras de incendio y lucro cesante en grandes riesgos industriales. 2009
134. Gestin integral de Riesgos Corporativos como fuente de ventaja competitiva:
cultura positiva del riesgo y reorganizacin estructural. 2009

133. La designacin de la pareja de hecho como beneficiaria en los seguros de vida.

2009

132. Aproximacin a la Responsabilidad Social de la empresa: reflexiones

y propuesta de un modelo. 2009

131. La cobertura pblica en el seguro de crdito a la exportacin en Espaa:

cuestiones prcticas-jurdicas. 2009

130. La mediacin en seguros privados: anlisis de un complejo proceso de cambio

legislativo. 2009

129. Temas relevantes del Derecho de Seguros contemporneo. 2009

128. Cuestiones sobre la clusula cut through. Transferencia y reconstruccin.

2008

127. La responsabilidad derivada de la utilizacin de organismos genticamente

modificados y la redistribucin del riesgo a travs del seguro. 2008

126. Ponencias de las Jornadas Internacionales sobre Catstrofes Naturales. 2008

125. La seguridad jurdica de las tecnologas de la informacin en el sector

asegurador. 2008

124. Prediccin de tablas de mortalidad dinmicas mediante un procedimiento

bootstrap. 2008

123. Las compaas aseguradoras en los procesos penal y contencioso-

administrativo. 2008

122. Factores de riesgo y clculo de primas mediante tcnicas de aprendizaje. 2008

121. La solicitud de seguro en la Ley 50/1980, de 8 de octubre, de Contrato de Seguro.
2008

120. Propuestas para un sistema de cobertura de enfermedades catastrficas en

Argentina. 2008

119. Anlisis del riesgo en seguros en el marco de Solvencia II: Tcnicas estadsticas
avanzadas Monte Carlo y Bootstrapping. 2008

118. Los planes de pensiones y los planes de previsin asegurados: su inclusin en el

caudal hereditario. 2007

117. Evoluo de resultados tecnicos e financieros no mercado segurador

iberoamericano. 2007

116. Anlisis de la Ley 26/2006 de Mediacin de Seguros y Reaseguros Privados. 2007

115. Sistemas de cofinanciacin de la dependencia: seguro privado frente a hipoteca

inversa. 2007

114. El sector asegurador ante el cambio climtico: riesgos y oportunidades. 2007

113. Responsabilidade social empresarial no mercado de seguros brasileiro

influncias culturais e implicaes relacionais. 2007

112. Contabilidad y anlisis de cuentas anuales de entidades aseguradoras. 2007

111. Fundamentos actuariales de primas y reservas de fianzas. 2007

110. El Fair Value de las provisiones tcnicas de los seguros de Vida. 2007

109. El Seguro como instrumento de gestin de los M.E.R. (Materiales Especficados

de Riesgo). 2006

108. Mercados de absorcin de riesgos. 2006

107. La exteriorizacin de los compromisos por pensiones en la negociacin
colectiva. 2006

106. La utilizacin de datos mdicos y genticos en el mbito de las compaas

aseguradoras. 2006

105. Los seguros contra incendios forestales y su aplicacin en Galicia. 2006

104. Fiscalidad del seguro en Amrica Latina. 2006

103. Las NIC y su relacin con el Plan Contable de Entidades Asegura-doras. 2006

102. Naturaleza jurdica del Seguro de Asistencia en Viaje. 2006

101. El Seguro de Automviles en Iberoamrica. 2006

100. El nuevo perfil productivo y los seguros agropecuarios en Argentina. 2006

99. Modelos alternativos de transferencia y financiacin de riesgos ART: situacin

actual y perspectivas futuras. 2005

98. Disciplina de mercado en la industria de seguros en Amrica Latina. 2005

97. Aplicacin de mtodos de inteligencia artificial para el anlisis de la solvencia en

entidades aseguradoras. 2005

96. El Sistema ABC-ABM: su aplicacin en las entidades aseguradoras. 2005

95. Papel del docente universitario: ensear o ayudar a aprender? 2005

94. La renovacin del Pacto de Toledo y la reforma del sistema de pensiones: es

suficiente el pacto poltico? 2005

92. Medicin de la esperanza de vida residual segn niveles de dependencia en

Espaa y costes de cuidados de larga duracin. 2005
91. Problemtica de la reforma de la Ley de Contrato de Seguro. 2005

90. Centros de atencin telefnica del sector asegurador. 2005

89. Mercados aseguradores en el rea mediterrnea y cooperacin para su

desarrollo. 2005

88. Anlisis multivariante aplicado a la seleccin de factores de riesgo en la

tarificacin. 2004

87. Dependencia en el modelo individual, aplicacin al riesgo de crdito. 2004

86. El margen de solvencia de las entidades aseguradoras en Iberoamrica.

2004

85. La matriz valor-fidelidad en el anlisis de los asegurados en el ramo del

automvil. 2004

84. Estudio de la estructura de una cartera de plizas y de la eficacia de un Bonus-

Malus. 2004

83. La teora del valor extremo: fundamentos y aplicacin al seguro, ramo de

responsabilidad civil autos. 2004

81. El Seguro de Dependencia: una visin general. 2004

80. Los planes y fondos de pensiones en el contexto europeo: la necesidad de una

armonizacin. 2004

79. La actividad de las compaas aseguradoras de vida en el marco de la gestin

integral de activos y pasivos. 2003

78. Nuevas perspectivas de la educacin universitaria a distancia. 2003

77. El coste de los riesgos en la empresa espaola: 2001.

76. La incorporacin de los sistemas privados de pensiones en las pequeas y
medianas empresas. 2003

75. Incidencia de la nueva Ley de Enjuiciamiento Civil en los procesos de

responsabilidad civil derivada del uso de vehculos a motor. 2002

74. Estructuras de propiedad, organizacin y canales de distribucin de las

empresas aseguradoras en el mercado espaol. 2002

73. Financiacin del capital-riesgo mediante el seguro. 2002

72. Anlisis del proceso de exteriorizacin de los compromisos por pensiones. 2002

71. Gestin de activos y pasivos en la cartera de un fondo de pensiones. 2002

70. El cuadro de mando integral para las entidades aseguradoras. 2002

69. Provisiones para prestaciones a la luz del Reglamento de Ordenacin y

Supervisin de los Seguros Privados; mtodos estadsticos de clculo. 2002

68. Los seguros de crdito y de caucin en Iberoamrica. 2001

67. Gestin directiva en la internacionalizacin de la empresa. 2001

65. tica empresarial y globalizacin. 2001

64. Fundamentos tcnicos de la regulacin del margen de solvencia. 2001

63. Anlisis de la repercusin fiscal del seguro de vida y los planes de pensiones.
Instrumentos de previsin social individual y empresarial. 2001

62. Seguridad Social: temas generales y rgimen de clases pasivas del Estado. 2001

61. Sistemas Bonus-Malus generalizados con inclusin de los costes de los

siniestros. 2001
60. Anlisis tcnico y econmico del conjunto de las empresas aseguradoras de la
Unin Europea. 2001

59. Estudio sobre el euro y el seguro. 2000

58. Problemtica contable de las operaciones de reaseguro. 2000

56. Anlisis econmico y estadstico de los factores determinantes de la demanda

de los seguros privados en Espaa. 2000

54. El corredor de reaseguros y su legislacin especfica en Amrica y Europa. 2000

53. Habilidades directivas: estudio de sesgo de gnero en instrumentos de

evaluacin. 2000

52. La estructura financiera de las entidades de seguros, S.A. 2000

51. Seguridades y riesgos del joven en los grupos de edad. 2000

50. Mixturas de distribuciones: aplicacin a las variables ms relevantes que

modelan la siniestralidad en la empresa aseguradora. 1999

49. Solvencia y estabilidad financiera en la empresa de seguros: metodologa y

evaluacin emprica mediante anlisis multivariante. 1999

48. Matemtica Actuarial no vida con MapleV. 1999

47. El fraude en el Seguro de Automvil: cmo detectarlo. 1999

46. Evolucin y prediccin de las tablas de mortalidad dinmicas para la poblacin

espaola. 1999

45. Los Impuestos en una economa global. 1999

42. La Responsabilidad Civil por contaminacin del entorno y su aseguramiento. 1998

41. De Maastricht a Amsterdam: un paso ms en la integracin europea. 1998

39. Perspectiva histrica de los documentos estadstico-contables del rgano de

control: aspectos jurdicos, formalizacin y explotacin. 1997

38. Legislacin y estadsticas del mercado de seguros en la comunidad

iberoamericana. 1997

37. La responsabilidad civil por accidente de circulacin. Puntual comparacin de

los derechos francs y espaol. 1997

36. Clusulas limitativas de los derechos de los asegurados y clusulas

delimitadoras del riesgo cubierto: las clusulas de limitacin temporal de la
cobertura en el Seguro de Responsabilidad Civil. 1997

35. El control de riesgos en fraudes informticos. 1997

34. El coste de los riesgos en la empresa espaola: 1995

33. La funcin del derecho en la economa. 1997

32. Decisiones racionales en reaseguro. 1996

31. Tipos estratgicos, orientacin al mercado y resultados econmicos: anlisis

emprico del sector asegurador espaol. 1996

30. El tiempo del directivo. 1996

29. Ruina y Seguro de Responsabilidad Civil Decenal. 1996

28. La naturaleza jurdica del Seguro de Responsabilidad Civil. 1995

27. La calidad total como factor para elevar la cuota de mercado en empresas de
seguros. 1995
26. El coste de los riesgos en la empresa espaola: 1993

25. El reaseguro financiero. 1995

24. El seguro: expresin de solidaridad desde la perspectiva del derecho. 1995

23. Anlisis de la demanda del seguro sanitario privado. 1993

22. Rentabilidad y productividad de entidades aseguradoras. 1994

21. La nueva regulacin de las provisiones tcnicas en la Directiva de Cuentas de la

C.E.E. 1994

20. El Reaseguro en los procesos de integracin econmica. 1994

19. Una teora de la educacin. 1994

18. El Seguro de Crdito a la exportacin en los pases de la OCDE (evaluacin de los

resultados de los aseguradores pblicos). 1994

16. La legislacin espaola de seguros y su adaptacin a la normativa comunitaria.

1993

15. El coste de los riesgos en la empresa espaola: 1991

14. El Reaseguro de exceso de prdidas 1993

12. Los seguros de salud y la sanidad privada. 1993

10. Desarrollo directivo: una inversin estratgica. 1992

9. Tcnicas de trabajo intelectual. 1992

8. La implantacin de un sistema de controlling estratgico en la empresa.

1992
7. Los seguros de responsabilidad civil y su obligatoriedad de aseguramiento. 1992

6. Elementos de direccin estratgica de la empresa. 1992

5. La distribucin comercial del seguro: sus estrategias y riesgos. 1991

4. Los seguros en una Europa cambiante: 1990-95. 1991

2. Resultados de la encuesta sobre la formacin superior para los profesionales

de entidades aseguradoras (A.P.S.). 1991

1. Filosofa empresarial: seleccin de artculos y ejemplos prcticos. 1991

LIBROS

El Ahorro en perspectiva histrica. 2016

Lo bueno, si breve Microrrelatos de Seguros. 2016

The risk of longevity and its practical application to Solvency II. 2015

Historia de FIDES Federacin Interamericana de Empresas de Seguros. 2015

El riesgo de longevidad y su aplicacin prctica a Solvencia II. 2014

Historia del Seguro en Espaa. 2014

Actas del III Congreso Internacional de Nuevas Tecnologas: sus repercusiones

en el seguro: internet, biotecnologa y nanotecnologa: 12 y 13 de noviembre de 2012,
Santiago de Chile. 2013

Emergencia y reconstruccin: el antes y despus del terremoto y tsunami del 27F

en Chile. 2012
Riesgo sistmico y actividad aseguradora. 2012

La historia del seguro en Chile (1810-2010). 2012

Modelo de proyeccin de carteras de seguros para el ramo de decesos. 2011

Desarrollo comercial del seguro colectivo de dependencia en Espaa. 2010

La mediacin de seguros en Espaa: anlisis de la Ley 26/2006, de Mediacin

de Seguros y Reaseguros Privados. 2010

Museo del Seguro. Catlogo. 2010

Diccionario MAPFRE de Seguros. 2008

Teora de la credibilidad: desarrollo y aplicaciones en primas de seguros y riesgos

operacionales. 2008

El seguro de caucin: una aproximacin prctica. 2007

El seguro de pensiones. 2007

Las cargas del acreedor en el seguro de responsabilidad civil. 2006

Diccionario bilinge de expresiones y trminos de seguros: ingls-espaol, espaol-

ingls. 2006

El seguro de riesgos catastrficos: reaseguro tradicional y transferencia alternativa

de riesgos. 2005

La liquidacin administrativa de entidades aseguradoras.2005

INFORMES Y RANKINGS

Desde 1994 se publican anualmente estudios que presentan una panormica concreta
de los mercados aseguradores europeos, de Espaa e Iberoamrica y que pueden con-
sultarse en formato electrnico desde la pgina Web:
www.fundacionmapfre.org

Mercado espaol de seguros

Mercado asegurador latinoamericano

Ranking de grupos aseguradores europeos

Ranking de grupos aseguradores iberoamericanos

Los millennials y el seguro en Espaa. 2016

Tendencias de crecimiento de los mercados aseguradores de Amrica Latina para

2016

Estudio social sobre la jubilacin: expectativas y experiencias. 2015

La percepcin social del seguro en Espaa 2014

Informe de prediccin de la actividad aseguradora en Espaa. 2014

La internacionalizacin de la empresa espaola: riesgos y oportunidades. 2014

El seguro en la sociedad y la economa espaolas. 2013

Papel del seguro en el desarrollo sostenible. ICEA, 2013

Emprender en momentos de crisis: riesgos y factores de xito. 2012

La percepcin social del seguro en Espaa. 2012

 CENTRO DE
DOCUMENTACIN
Todas nuestras publicaciones a tu alcance

Adems del acceso gratuito a nuestro fondo documental

especializado en:

Seguros
Gerencia de riesgos
Prevencin

Centro de Documentacin
www.fundacionmapfre.org/documentacion

CDD-Cuadernos-Fundacion.indd 1 13/06/2017 13:26:02

Paseo de Recoletos, 23
28004 Madrid (Espaa)
www.fundacionmapfre.org

P.V.P.: 30
ISBN 978-84-9844-647-0