Capı́tulo 3

Modelización del Riesgo en

Familias Paramétricas

3.1. Introducción
En este capı́tulo estudiaremos modelos de distribuciones paramétricas que
pueden ser utilizadas para describir el riesgo de un colectivo, tanto en seguros
como en riesgos operacionales.
Los modelos que aquı́ introducimos serán también utilizados en los modelos de
credibilidad, tanto para modelizar el colectivo de una cartera, como las distribu-
ciones a priori de algún parámetro de interés.
Entre los textos que incluyen teorı́a y aplicaciones sobre distribuciones proba-
bilı́sticas podemos destacar: Arnold et al. (1992 y 1999), Balakrishnan y Nevzorov
(2003), Kleiber y Kotz (2003), Castillo et al. (2005), Sarabia et al. (2006) y los
clásicos Johnson, Kotz y Balakrishnan (1994 y 1995). En este capı́tulo estudiare-
mos medidas de riesgo que pueden ser utilizadas en credibilidad para modelizar
datos de pérdidas. Más concretamente, obtendremos expresiones para las dos me-
didas de riesgo en la cola que actualmente se están utilizando en la práctica como
son el VaR y el TVaR. El cálculo de estas medidas es muy reciente en la moderna
práctica actuarial.
Los contenidos de este capı́tulo son los siguientes. En la sección 3.2 presentare-
mos los siguientes modelos paramétricos de uso habitual en la ciencia actuarial: las
distribuciones de Pareto, las distribuciones exponencial, gamma y gamma inverti-
da, las distribución normal y lognormal, la distribución de Weibull y la distribución
inversa Gaussiana. Obtendremos los VaR y TVaR para los diferentes modelos. El
análisis de las colas de una distribución constituye para el analista de riesgos uno
de los aspectos claves a la hora de elegir una distribución de pérdidas. Este as-
pecto será estudiado en la sección 3.2.7. En la sección 3.3 presentamos un caso de

35

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 36 Modelización del Riesgo en Familias Paramétricas

estudio aplicado a datos normalizados sobre daños de huracanes. Se propondrán

diversos modelos paramétricos, además de un modelo de regresión basado en la
distribución inversa Gaussiana. Finalmente se obtendrán diversas primas basadas
en los modelos seleccionados.

3.2. Modelos paramétricos

En esta sección estudiaremos diversos modelos paramétricos, y obtendremos
algunas medidas de riesgo importantes. Concretamente, estudiaremos los siguientes
grupos de distribuciones paramétricas:

Distribuciones de Pareto (Pareto I y II).

Distribuciones exponencial, gamma y gamma invertida.

Distribuciones normal y lognormal.

Distribución de Weibull.

Distribución inversa Gaussiana.

3.2.1. Distribuciones de Pareto

La distribuciones de Pareto han sido ampliamente utilizadas en la literatura
actuarial y de riesgos por sus buenas propiedades. El texto de Arnold (1983) es
una de las referencias clásicas sobre las distribuciones de Pareto en sus diferentes
aspectos. Desde el punto de vista del análisis de riesgos, el ajuste de la cola de
una distribución es un aspecto clave: interesa que los sucesos poco probables pero
con gran severidad tengan una probabilidad no despreciable. La función de den-
sidad de la distribución de Pareto converge a cero mucho más lentamente que la
distribución normal y lognormal. Por tanto, resulta mucho más seguro utilizarla
para determinar las primas de un reaseguro en los tramos de grandes siniestros
(sección 3.2.7).
Como es bien conocido, existen diversos tipos de distribuciones de Pareto. Una
de las más utilizadas es la distribución clásica de Pareto, que forma parte de la
jerarquı́a de distribuciones propuesta por Arnold (1983), donde se comienza por la
distribución más sencilla y se van enriqueciendo las distribuciones, hasta tener un
total de cuatro modelos anidados. En esta investigación nos interesaremos en la
distribución de Pareto clásica y la distribución de Pareto tipo II a veces llamada
Pareto generalizada.
Una variable aleatoria X sigue una distribución clásica de Pareto, si la función
de densidad es:
ασ α
f (x; α, σ) = α+1 , x > σ > 0, (3.1)
x

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 3.2. Modelos paramétricos 37

con α > 0, y f (x) = 0 si x < σ. Por otro lado, una variable aleatoria X sigue
una distribución de Pareto tipo II (o generalizada) si la función de densidad viene
dada por:
α/σ
f (x; α, σ) = , x>0 (3.2)
(1 + x/σ)α+1
y f (x; α, σ) = 0 si x < 0, donde α > 0 es un parámetro de forma y σ un parámetro
de escala. Para la distribución clásica de Pareto, la tabla 3.1 muestra algunos
valores aproximados del parámetros α dependiendo del tipo de suceso con que
trabajemos (Antal (2001)). Estos valores pueden resultar de utilidad a la hora de
asignar los parámetros de la distribución a priori de α en inferencia Bayesiana.

Tabla 3.1: Distribución clásica de Pareto: valores aproximados del parámetro de

forma (Antal (2001)).

Tipo de suceso Valor aproximado de α

Terremotos y tormentas ≈1.0
Incendios ≈2.0
Incendios en industrias ≈1.5
Responsabilidad general ≈1.8
Responsabilidad general automóviles ≈2.5
Daños en el trabajo ≈2.0

Las cantidades VaR y TVaR de las distribuciones de Pareto se pueden obtener

de forma explı́cita. Para el caso de la distribución clásica de Pareto con densidad
(3.1), el valor en riesgo viene dado por,

VaR[X; q] = σ(1 − q)−1/α , 0 < q < 1. (3.3)

invirtiendo la función de distribución asociada a (3.1).

Para la existencia del TVaR se necesita una media finita, en este caso α > 1.
Usando (2.26) se obtiene el valor en riesgo en la cola,
ασ
TVaR[X; q] = (1 − q)−1/α , α > 1, 0 < q < 1. (3.4)
α−1

La figura 3.1 muestra las expresiones (3.3) y (3.4) según un nivel de probabilidad
q. En el caso que 0 < α ≤ 1 (donde la media no existe, E[X] = ∞), el VaR se hace
máximo, que suele corresponder a riesgos asociados a terremotos y tormentas. El
riesgo del suceso disminuye a medida que aumenta el valor de α y por tanto van
existiendo los sucesivos momentos. El TVaR disminuye igualmente a medida que
aumenta el valor de α.

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 38 Modelización del Riesgo en Familias Paramétricas

Para la distribución de Pareto tipo II, invirtiendo la función de distribución,

obtenemos el valor en riesgo que viene dado por,

VaR[X; q] = σ[(1 − q)−1/α − 1], 0 < q < 1, (3.5)

cuya expresión siempre existe. Si promediamos la expresión (3.5) por medio de la

fórmula (2.26) obtenemos el valor en riesgo en la cola, que viene dado por,
· ¸
σ α
TVaR[X; q] = (1 − q)1−1/α − (1 − q) , α > 1, 0 < q < 1, (3.6)
1−q α−1

que require la condición α > 1 para su cálculo.

3.2.2. Distribuciones exponencial y gamma

La distribución exponencial viene definida por medio de la función de densidad,
1
f (x; σ) = exp(−x/σ), x > 0, (3.7)
σ
donde σ > 0. Se utiliza para modelizar procesos con tasa de fallo constante y
viene caracterizada por el hecho de ser la única distribución continua que verifica
la propiedad de pérdida de memoria.
Invirtiendo la función de distribución asociada a (3.7) se obtiene valor en riesgo:

VaR[X; q] = −σ log(1 − q), 0 < q < 1. (3.8)

Por otro lado, el valor en riesgo en la cola es,

TVaR[X; q] = σ[1 − log(1 − q)], 0 < q < 1, (3.9)

puesto que (fórmula (2.26)):

Z 1
1
TVaR[X; q] = [−σ log(1 − q)]dq
1−q q
= σ[1 − log(1 − q)]. (3.10)

La distribución gamma es un de los modelos de distribuciones paramétricas

más utilizadas en riesgos cuando se dispone de datos positivos, unimodales y con
asimetrı́a positiva. Se dice que una variable aleatoria X sigue una distribución
gamma de parámetros α y σ (representaremos X ∼ G(α, σ)) si su función de
densidad se puede escribir como:

xα−1 exp(−x/σ)
f (x; α, σ) = , si x ≥ 0 (3.11)
σ α Γ(α)

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 3.2. Modelos paramétricos 39

10
VaR@X,qD

α = 0.5
6

α=1
4
α=2
α=5
2

0
0.0 0.2 0.4 0.6 0.8 1.0

TVaR@X,qD
8

α = 1.5
6

α=2
4
α=3
α=5
2

0
0.0 0.2 0.4 0.6 0.8 1.0

Figura 3.1: Valor en riesgo VaR (gráfico superior) y valor en riesgo en la cola
TVaR (gráfico inferior) de la distribución clásica de Pareto con σ = 1, según
diversos valores del parámetro de forma α.

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 40 Modelización del Riesgo en Familias Paramétricas

y f (x; α, σ) = 0 si x < 0, donde α, σ son números reales positivos. El parámetro

α es un parámetro de forma y σ un parámetro de escala. La distribución gamma
contiene como casos particulares las distribuciones de Erlang (α ∈ IN), exponencial
(α = 1), chi-cuadrado (σ = 2 y α = ν/2), y la normal si α → ∞. La función de
distribución de (3.11) se puede escribir como,

F (x; α, σ) = IG[x/σ; α], x > 0, (3.12)

donde IG[X; a] representa la función razón gamma incompleta definida como:

Z x
1
IG[x; a] = ta−1 exp(−t)dt, x > 0, (3.13)
Γ(a) 0
con a > 0. A partir de esta definiciones, el valor en riesgo de la distribución gamma
viene dado por,
VaR[X; q] = σ · IG−1 [q; α], 0 < q < 1, (3.14)
donde IG−1 [z; α] es la función inversa de (3.13). Notar que esta función está bien
definida puesto que (3.13) es monótona creciente. El valor del TVaR se puede
obtener como,
1 − IG[VaR[X; q]/σ; α + 1]
TVaR[X; q] = ασ · . (3.15)
1 − IG[VaR[X; q]/σ; α]
Las figuras 3.2 y 3.3 muestran las expresiones del VaR y TVaR para las distribu-
ciones exponencial y gamma, respectivamente, según un nivel de probabilidad
q ∈ (0, 1).

3.2.3. Distribución gamma invertida

La distribución gamma invertida es un modelo de distribución probabilı́stica de
uso en estadı́stica Bayesiana, como distribución a priori para el parámetro de una
exponencial (capı́tulo 6). Se trata de la transformada inversa de la distribución
gamma y tiene como función de densidad:
θα x−(α+1) exp(−θ/x)
f (x; α, θ) = , x > 0, (3.16)
Γ(α)
donde α, θ > 0. A diferencia de la distribución gamma, los momentos positivos no
siempre existen. Se verifica que:
θ
E[X] = , si α > 1 (3.17)
α−1
y
θ2
Var[X] = , si α > 2. (3.18)
(α − 1)2 (α − 2)

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 3.2. Modelos paramétricos 41

8
VaR@X,qD

σ =5
σ =2
2 σ =1
σ = 0.5

0
0.0 0.2 0.4 0.6 0.8 1.0

15 TVaR@X,qD

10
σ =5

σ =2
5

σ =1
σ = 0.5

0
0.0 0.2 0.4 0.6 0.8 1.0

Figura 3.2: Valor en riesgo VaR (gráfico superior) y valor en riesgo en la cola
TVaR (gráfico inferior) de la distribución exponencial según diversos valores del
parámetro σ.

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 42 Modelización del Riesgo en Familias Paramétricas

10

VaR@X,qD
8

α=5
4
α=2
α=1
2

α=0.5
0
0.0 0.2 0.4 0.6 0.8 1.0

14

TVaR@X,qD
12

10

8
α=5

6
α=2
4
α=1
2
α=0.5
0
0.0 0.2 0.4 0.6 0.8 1.0

Figura 3.3: Valor en riesgo VaR (gráfico superior) y valor en riesgo en la cola TVaR
(gráfico inferior) de la distribución gamma con σ = 1 según diversos valores del
parámetro de forma α.

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 3.2. Modelos paramétricos 43

3.2.4. Distribuciones normal y lognormal

La distribución normal juega un papel central en la modelización estadı́stica,
y se utiliza frecuentemente en credibilidad. Si disponemos de un gran número de
datos de pérdidas, la aproximación normal resulta plausible en los diversos modelos
clásicos de riesgo, tanto individual como colectivo (sección 6.5). La función de
densidad de una normal N (µ, σ 2 ) viene dada por,
( µ ¶2 )
1 1 x−µ
f (x; µ, σ) = √ exp − , −∞ < x < ∞, (3.19)
σ 2π 2 σ

donde µ ∈ IR y σ > 0. La función de distribución es,

µ ¶
x−µ
F (x; µ, σ) = Φ , (3.20)
σ

donde Φ(z) es la función de distribución de una normal estándar N (0, 1). Usando
(3.20) obtenemos el valor en riesgo, que viene dado por:

VaR[X; q] = µ + σΦ−1 (q), 0 < q < 1, (3.21)

donde Φ−1 (z) es la función de distribución inversa o función de percentiles. Por

medio de la expresión (2.26) del capı́tulo anterior se obtiene el TVaR, que viene
dado por:
φ[Φ−1 (q)]
TVaR[X; q] = µ + σ , 0 < q < 1, (3.22)
1−q
donde φ(z) representa la función de densidad de una variable normal estandariza-
da.
La distribución lognormal es uno de los modelos paramétricos más utilizados
en riesgos. Se dice que la variable aleatoria X sigue una distribución lognormal si,

log(X) ∼ N (µ, σ 2 ). (3.23)

Se suele representar X ∼ LN (µ, σ 2 ). Las funciones de distribución y de densidad

de una distribución lognormal se obtienen mediante cambio de variable, y vienen
dadas por,
µ ¶
log x − µ
FLN (x; µ, σ) = Φ , x > 0, (3.24)
σ
( µ ¶2 )
1 1 log x − µ
fLN (x; µ, σ) = √ exp − , x > 0, (3.25)
xσ 2π 2 σ

respectivamente.

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE
 44 Modelización del Riesgo en Familias Paramétricas

El valor en riesgo de la distribución lognormal se obtiene a través de (3.24) y

viene dado por,

VaR[X; q] = exp[µ + σΦ−1 (q)], 0 < q < 1, (3.26)

donde Φ−1 (z) representa nuevamente la función de cuantiles de la distribución

normal estándar. El valor en riesgo en la cola viene dado por,

Φ(σ − Φ−1 (q))

TVaR[X; q] = exp(µ + σ 2 /2) , 0 < q < 1, (3.27)
1−q

que siempre existe, y donde no es necesaria ninguna condición adicional sobre los
parámetros. En las figuras 3.4 y 3.5 aparecen representadas el VaR y TVaR de las
distribuciones normal y lognormal, respectivamente, según un nivel de probabili-
dad q.

3.2.5. Distribución de Weibull

La distribución de Weibull generaliza a la distribución exponencial, de modo
que admite tasas de fallo constantes, crecientes y decreciente. Esta distribución
también se utiliza en problemas de datos extremos mı́nimos. Concretamente, se
obtiene como lı́mite del mı́nimo de muestras independientes procedentes de dis-
tribuciones limitadas en la cola izquierda. La podemos definir en términos de la
función de distribución como,
· µ ¶α ¸
x−µ
F (x; α, σ, µ) = 1 − exp − , x ≥ µ > 0, (3.28)
σ

donde σ > 0 es un parámetro de escala, µ un parámetro de localización y α > 0

el parámetro de forma. Si α = 1 se obtiene la distribución exponencial y si α = 2
y µ = 0 se obtiene la distribución de Rayleigh.
Invirtiendo la función (3.28) se obtiene el valor en riesgo, que viene dado por,

VaR[X; q] = µ + σ[− log(1 − q)]1/α , 0 < q < 1. (3.29)

El valor en riesgo en la cola se obtiene mediante el siguiente resultado.

Teorema 3.1 El valor en riesgo en la cola de distribución de Weibull definida en

(3.28) viene dado por,

σΓ(1 + 1/α)
TVaR[X; q] = µ + {1 − IG[− log(1 − q); 1 + 1/α]} , (3.30)
1−q

donde IG[x; a] representa la función razón gamma incompleta definida en (3.13).

© FUNDACIÓN MAPFRE
Prohibida la reproducción total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIÓN MAPFRE