LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Exponencial
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
1
h(x) = 𝜃 = λ = ”tasa”
Momentos:
E[X2] = 2θ2
Var [X] = 2θ2 − (θ)2 = θ2 = (E[X])2
𝜃
CV(X) = 𝜃 = 1
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejemplo
Una compañía de seguros clasifica a sus asegurados como de Alto
Riesgo, con una pérdida anual que se distribuye exponencialmente
con media 100, o Bajo Riesgo, con pérdidas anuales exponenciales
con media 10. Sea X el monto de pérdidas del último año de una
póliza seleccionada aleatoriamente. Si el 30% de las pólizas son de
Alto Riesgo, encuentre la Var (X).
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Propiedad de la Distribución "Sin Memoria"
Para variables exponenciales,
𝑃 𝑋>𝑥+𝑑,𝑋>𝑑
P[X-d>x | x>d] =
𝑃 𝑋>𝑑
𝑒 −(𝑥+𝑑)/𝜃
=
𝑒 −𝑑/𝜃
−x/θ
=e
=S(x)
Es decir, la distribución de (X-d), dado que X>d, es la misma que la
distribución original de X. En particular,
E[X-d | X>d] = ℯX(d) = E[X] = θ
Var [X-d | X>d] = Var[X]
La distribución Exponencial es la única distribución continua con esta
propiedad.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Exponencial Desplazada
Suponga que:
𝟏
𝒆−(𝒙−𝜹)/𝜽 𝒙>𝜹
f(x) = ൝ 𝜽
𝟎 𝒐𝒕𝒉𝒆𝒓𝒘𝒊𝒔𝒆
X es llamada Exponencial Desplazada: X= Y+δ, donde Y~exp(θ)
E[X] = θ+δ
Var[X] = θ2
Tenga en cuenta que el rango de X depende de δ
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejercicio 1
Si X es una distribución exponencial con media 20. encuentre E[X|X>30] y
Var[X|X>30]
Ejercicio 2
30% de las pérdidas se distribuyen exponencialmente con media 10, y 70%
se distribuyen como exponencial desplazada con media 25 and varianza 400.
Encuentre la media y varianza de una pérdida seleccionada aleatoriamente.
Ejercicio 3
Con la misma información del ejercicio 2, encuentre la probabilidad que una
pérdida seleccionada aleatoriamente exceda 20.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Función Distribución Gama
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Función Distribución Gama
Una variable aleatoria Gama (α,θ) tiene función de densidad:
(𝑥/𝜃)𝛼 𝑒 −𝑥/𝜃
f(x) =
𝑥Γ(𝛼)
𝑥 𝛼−1
= 𝑒 −𝑥/𝜃
𝜃 𝛼 Γ(𝛼)
Si α es un entero entonces:
Γ(α) = (α-1)!
=(α-1) ∙ (α-2)!
Γ(α) = (α-1) ∙ Γ(α-1) para cualquier α>1
Para el caso de que Γ(α) donde α no es entero
e.g., Γ(1/2) = √π
3 1
Γ(3/2) = ( − 1) Γ(1/2) = √π
2 2
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Función de Distribución Acumulada de la Gama
La distribución exponencial es una distribución Gama con α=1
Suponga que α>0 es un entero
(Para este caso se llama Distribución de Erlang)
Si X1,..,Xα son v.a. iid exponenciales (θ), entonces
X1+…+Xα ~ Gama(α,θ)
α es el parámetro de la forma
θ es el parámetro de la escala
No existen tablas que presenten la distribución acumulada. Se puede decir que:
𝒙
F(x) = Γ(α; 𝜽 )
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Media y Varianza
Cuando α es un entero, una variable aleatoria Gama (α,θ) es la suma de
variables exponenciales independientes (θ)
Así
E[X] = αθ y Var[X] = αθ2
Cuando α no es entero, las fórmulas aún se mantienen
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejemplo
El número de pérdidas anuales N satisface P[N=0]=0.2, P[N=1]=0.5 and
P[N=2]=0.3, Los montos de pérdida se distribuyen exponencial con media 10.
¿Cual sería la media y varianza de la pérdida anual?.
Sea S el monto de la pérdida anual.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Función de Distribución Acumulada Gamma
Como se mencionó anteriormente la forma de obtener la fda de una Gamma
como:
𝑥
F(x) = Γ 𝛼, 𝜃
si α es un entero, tenemos
𝑥 𝛼−1 −𝑥/𝜃 (𝑥/𝜃)𝑖
Γ 𝛼, 𝜃 =1- σ𝑖=0 𝑒 ∙ 𝑖!
Γ(α;y) = Función Gama Incompleta
Para calcularlo (sólo es necesario hacerlo para α = 1 o 2, posiblemente 3),
Γ(α;y) = fda de una Gama con θ=1 calculada en y.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejemplo
Suponga que X es una variable aleatoria Gama Inversa con parámetros α=3
and θ=50. Obtenga P[X<100]
Ejercicio 1
X es una variable aleatoria Gama con media 15 y varianza 75.
Encuentre P[X≤10]
Ejercicio 2
El número de pérdidas anuales N satisface P[N=0]=0.2, P[N=1]=0.5 and
P[N=2]=0.3. El monto de las pérdidas son exponenciales independientes con
media 10, ¿Cuál es la probabilidad que la pérdida anual exceda 15?
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Pareto
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Pareto
“Pareto” (con 2 parámetros)
𝜃 𝛼
P[X>x ] = x>0
𝑥+𝜃
𝜃
E[X] = if α>1
𝛼−1
2𝜃 2
E[X2] = if α>2
(𝛼−1)(𝛼−2)
𝜃 2 𝛼
Var[X] = ∙
𝛼+1 𝛼−2
𝛼
= ( E[X] )2 ∙
𝛼−2
Note que α/(α-2) → 1 cuando α→∞ y α/(α-2) →∞ cuando α↓2
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Pareto
La función Pareto no está del todo sin memoria:
𝑃[𝑋>x+d]
P[X – d | X > d] =
𝑃[𝑋>𝑑]
𝜃 𝛼
𝑥+𝑑+𝜃
= 𝜃 𝛼
𝑑+𝜃
𝑑+𝜃 𝛼
=
𝑥+𝑑+𝜃
Es decir, (X-d|X>d) es una distribución Pareto con la misma α y una nueva
θ’ = θ+d.
𝜃′ 𝜃+𝑑
Así E[X – d | X > d] = =
𝛼−1 𝛼−1
𝜃+𝑑 2 𝛼
Y Var[X – d | X > d] = ∙
𝛼−1 𝛼−2
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Pareto con parámetro único
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Pareto con parámetro único
𝑥𝛼𝑚
𝛼 𝑠𝑖 𝑥 > 𝑥𝑚
fX(x) = ቐ 𝑥 𝛼+1
0 𝑠𝑖 𝑥 < 𝑥𝑚
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Pareto con parámetro único
El “parámetro único” Pareto tiene un rango X > θ y función de densidad
𝜶𝜽𝜶
f(x) = x>θ
𝒙𝜶+𝟏
Una distribución Pareto con parámetro único es una una distribución Pareto
desplazada por θ
𝜽 𝜽+(𝜶−𝟏)𝜽
E[X] = + 𝜽=
𝜶−𝟏 𝜶−𝟏
𝜶𝜽
=
𝜶−𝟏
Var [X] = Var[Pareto]
𝜽 𝟐 𝜶
= ∙
𝜶−𝟏 𝜶−𝟐
Aprenderse la varianza puede ser útil
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejercicio 1
Si X es una distribución Pareto con E[X] = 5 and E[X2] = 100. Encuentre
P[X≤20|X>10]
Ejercicio 2
Una cartera consta de 30 riesgos no propios y 20 riesgos propios, todos
con distribución idéntica de recuento de reclamaciones. El tamaño de la
pérdida por Riesgos No Propios tienen una distribución Pareto con α=4 y
θ=30. Los tamaños de pérdida por riesgo propio tienen una distribución
Pareto con α=3 y θ=50.
Encuentre la varianza del tamaño de la pérdida para esta cartera.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Normal
Sea una distribución normal estandarizada Z ~ N(0,1) tiene fda Φ(z) y función de
densidad
1 2 /2
Φ(z) = 𝑒 −𝑧 (en tablas)
√2𝜋
∞ √2𝜋
0 ϕ(z) dz =
2
Φ(z) se puede obtener de las tablas para z > 0.
Para z < 0, use Φ(z) = 1 – Φ(-z)
Si t < 0.5, entonces Φ−1 (t) = -Φ−1 (1 - t)
Cuando buscamos Φ(z) o Φ−1 (z), sobre el valor más cercano en la tabla. No se
tiene que interpolar
E.g. Φ(-1.234) = 1 – Φ(1.234) = 1 – Φ(1.23) = 0.1093
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Sumas y Transformaciones
Si X ~ N(μ,σ2) entonces X= σZ+μ donde Z~ N(0,1)
𝑋−𝜇 x−𝜇 𝑥−𝜇
P[X≤x] = P ≤ =Φ
𝜎 𝜎 𝜎
Combinaciones lineales (p.e., sumas y pesos ponderados) de variables
independientes normales se distribuyen normal.
Ejemplo
Si X~N(10,50), y Y~N(20,60) son v.a.’s independientes, encuentre P[X+Y > 40].
E[X+Y] = E[X]+E[Y] =30
Var [X+Y] = Var [X]+Var[Y] =110
4′0 − 30
P[X+Y>40] = 1 - Φ
√110
≈1 – Φ(0.95) = 0.1711
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Normales Mezcladas
Ejemplo: Las Pérdidas Individuales por Bajo Riesgo se distribuyen N(100,1),
mientras que las Pérdidas Individuales por Alto Riesgo son N(200,1). Si el 30%
de las pérdidas son de Bajo Riesgo, ¿Cuál es la probabilidad que
seleccionando aleatoriamente una pérdida exceda los 200?
Nota: Una normal tiene la moda en la media. Pero en lugar de tener una moda
simple en 170, la distribución es bimodal. O sea, la mezcla de normales no es
normal.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribuciones Mixtas
Con las 2 variables:
X~N(100,1) 30% de las veces
X~N(200,1) 70% de las veces
La gráfica de f(x) es:
E[X] = 170, Var [X] = 2,101.
Si Y~ N(170,2101), entonces f(y)
Sería de la forma:
Si Z1~N(100,1), Z2~N(200,1)
Son independientes
W=0.3Z1+0.7Z2
W es a una suma de normales donde
E[W] = 170, Var[W] = 058
f(w) se muestra:
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Lognormal
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Suponga que Y~N(μ,σ2) y X = eY . Entonces X se distribuye como lognormal.
Usando las mismas μ y σ2 de la normal.
Para obtener los momentos. si μ = 2 y σ=1.4 entonces
μ+𝜎2 /2 2+1.42 /2
E[X] = e =e = 19.7
2 𝜎 2 /2 2
E[𝑋 2 ] =e2μ+2 =e4+2∙1∙4 =2,752
Nota: μ y σ2 son la media y la varianza de la normal Y, y no de la lognormal X.
Para obtener las probabilidades, se estandariza en términos de la normal.
P[X>19.7] 0 P[Y > Ln(19.7)]
𝑌−2 𝑙𝑛(19.7) −2
=1-P ≤
1.4 1.4
= 1 – Φ(0.7) = 0.242
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejercicio 1
Sea X una v.a. que se distribuye lognormal con media 10 y varianza 200.
Encontrar P[X>10]
Ejercicio 2
Suponga que X se distribuye normal con P[X>5] = 0.5 y P[X>8] = 0.05.
Encontrar E[e2𝑋 ]
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Distribución Uniforme Continua
Suponga que X se distribuye uniformemente sobre (a,b). Lo que significa que
todos lo puntos en el intervalo tienen el mismo peso.
Por lo que para a < x < b,
1 1
f(x) = =
𝑙𝑒𝑛𝑔ℎ𝑡 𝑜𝑓 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝑏−𝑎
𝑎𝑚𝑜𝑢𝑛𝑡 𝑜𝑓 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 ≤ 𝑥 𝑥−𝑎
F(x) = =
𝑙𝑒𝑛𝑔ℎ 𝑜𝑓 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝑏−𝑎
𝑎+𝑏
E[X] =
2
(𝑏−𝑎)2
Var[X]=
12
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejemplo
Para asegurados de Bajo Riesgo, las pérdidas se distribuyen Uniforme sobre
(0,10). Para asegurados de Alto Riesgo, las pérdidas se distribuyen Uniforme
sobre (4,20). Si el 30% de asegurados son de bajo Riesgo, ¿Cuál es la función
de sobrevivencia para un monto seleccionado al azar?
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Ejercicio 1
Individuos de Bajo Riesgo tienen pérdidas que se distribuyen uniformemente
sobre el intervalo (0,50), mientras que individuos de Alto Riesgo tienen
distribución uniforme sobre (0,100). La pérdida esperada de un individuo
seleccionado al azar es 35. ¿Cuál es la varianza de la pérdida?
Ejercicio 2
Suponga que X se distribuye exponencial con media μ, donde μ se distribuye
Pareto con parámetros α = 3 y θ = 100. Encuentre la varianza de X.
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
LICENCIATURA
ACTUARIA
TEORIA DE RIESGOS
Formula comparativa
Para α ≥ 1 entero
Donde ℯ𝑋 (d) = E[X – d | X > d]
M.F. Eric Víctor Guerrero Piña
agosto - diciembre 2022
