Cap´ıtulo 6
Introducci´ on on a la Teor´ eor´ıa de la Ruina Este cap´ cap´ıtulo contiene una introducci´ introdu cci´on on breve al modelo de ruina en tiempo discreto, al modelo cl´ asico asico de Cram´ er-Lundberg referente al tiempo continuo y a algunos aspectos elementales sobre la er-Lundberg probabilidad de ruina en tal modelo. En la l a teor teo r´ıa de d e la ruina, la variable de inter´ i nter´es es es e s el super´ super ´avit. avit. Decimos que la ruina ocurre cuando dicha cantidad se vuelve negativa. Para poder modelar el super´avit debemos considerar las variables: reclamaciones, primas, inversiones, gastos y cualquier otro factor que afecte el cash-flow. Antes de comenzar a desarrollar la teor´ teor´ıa de la ruina, describiremos y haremos algunas observaobservaciones de conceptos utilizados en el curso de procesos estoc´asticos. asticos.
6.1. 6.1.
Conc Concep eptos tos Preli Prelimi mina nares res
Definici´ on on 6.1.1. Un proceso en tiempo continuo es denotado por { X t : t ≥ 0}. Si existen elementos
aleatorios, es suficiente con especificar la distribuci´ on conjunta de (X t ,...,X tn ) para toda t1 ,...,tn y cualquier n ∈ N. 1
Ejemplo Ejemplo 6.1.2. Sea {S t : t ≥ 0} el total total de pagos agos realizad alizados os del tiemp tiempo o 0 al tiemp tiempo o t. Para Para
t1 < · · · < tn consideramos las variables W j = S tj − S tj que describen el incremento de los pagos realizados entre el tiempo tj −1 y tj . Notemos que S t = S 0 = 0, lo cual quiere decir, que no se ha hecho pago alguno al tiempo cero. 1
−
0
Definici´ on on 6.1.3. Un proceso {X t : t ≥ 0 } tiene incrementos independientes si las variables aleatorias X t − X s y X u − X v son independientes para cualesquiera s cualesquiera s < t ≤ v < u. u.
La propiedad anterior indica que el movimiento del proceso en cualquier per´ıodo ıodo es independiente indep endiente del movimiento en otro per´ıodo ıodo que no se traslapa con el primero. Definici´ on on 6.1.4. Un proceso {X t : t ≥ 0} tiene incrementos estacionarios si la distribuci´ on de
X t − X s depende s´ olo de la diferencia t diferencia t − s. La propiedad anterior implica que el movimiento no depende de la fecha. En otras palabras, no puedes decir en que momento estamos s´olo olo con mirar los incrementos del proceso. Definici´ on on 6.1.5. Un proceso en tiempo discreto es denotado por {X t : t = 0, 1, 2,...}. Si existen
elementos aleatorios, al igual que los procesos en tiempo continuo, es suficiente con especificar la distribuci´ on conjunta de (X t ,...,X tn ) para toda t1 ,...,tn y cualquier n cualquier n ∈ N. 1
Para desarrollar los modelos de ruina, consideraremos el proceso de super´avit avit {U t : t ≥ 0} en tiempo continuo o {U t : t = 0, 1,...} en tiempo discreto. Sea u = U 0 el super´avit avit inicial (que en realidad es el capital inicial), entonces el sup´ eravit eravit en el tiempo tiemp o t est´a dado por la expresi´on on 57
´ CAP ´ ITULO 6. INTRODUCCI INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
58
U t = U = U 0 + P t − S t donde {P t : t ≥ 0} es el proceso que mide las primas pagadas en el tiempo t y {S t : t proceso que mide la siniestralidad total hasta el tiempo t. t .
≥
0} es el
Observaci´ on on 6.1.6. P t depende en ocasiones de S de S u para u para u < t. t . Por ejemplo, los dividendos basados
en la experiencia favorable pueden reducir la prima pagada. Es posible, aunque no necesario, separar la frecuencia y severidad de los componentes de S t . Para ello, sea {N t : t ≥ 0} el proceso que describe el n´umero umero de reclamaciones hasta el tiempo t. N (t)
As´ı, S t =
X i donde X donde X i representa el monto de la i −´esima esi ma reclama rec lamaci´ ci´on on y no son necesariamente
i=1
independientes; sin embargo, cuando lo son, S t es una distribuci´on on compuesta. En resumen, el modelo de super´avit avit queda de la siguiente forma N (t)
U t = U 0 + P t −
X i .
i=1
6.2. 6.2.
Model Modelo o de ruina ruina en tie tiempo mpo disc discre reto to
Como mencionamos antes, consideraremos el modelo de super´avit en tiempo discreto, es decir, {U t : t : t = = 0, 1,...}. Agreguemos una nueva variable C t que representa cualquier cash-flow diferente a las primas y pagos de siniestros. Los cash-flows que m´as as se consideran son los ingresos por inversiones. As´ As´ı, al final del periodo peri odo t t se tiene que t
U t = u = u +
(P j + C j − S j ) = U t−1 + P t + C t − S t .
j =1
Observaci´ on on 6.2.1. Notar que P j , S j no representan la prima total y la siniestralidad total hasta
el final del periodo j , respectivamente, sino, la l a prima prim a percibida y la l a siniestralidad sini estralidad pagada del per´ıodo ıodo j. j . Definamos los incrementos del modelo en per´ per´ıodo t como W t = U t − U t−1 = P = P t + C t − S t para t para t = 1, 2,... entonces el proceso de super´avit avit se puede escribir como = U t−1 + W t para t para t = 1, 2... U t = U La ecuaci´on on anterior anterior,, nos permit p ermitee estudiar estudiar facilmente facilmente el modelo cuando W cuando W t es independiente de las otras W otras W t o cuando s´olo olo depende del valor de U de U t−1 . La dependencia de W de W t con U con U t−1 nos permite pagar un dividendo basado en el super´avit avit al final final del a˜ no no previo (porque W (porque W t depende de P de P t ). Observaci´ on on 6.2.2. 6.2.2. Si W t son variables variables aleatori aleatorias as independie independientes ntes e identic identicamente amente distribuida distribuidas, s, entonces { U t } es una caminata aleatoria.
En nuestro caso, supondremos que dado U t−1 , la variable W t = P t + C + C t − S t depende s´olo olo de U t−1 y no de cualquier otra experiencia previa. Esto hace que {U t : t = 0, 1,...} sea un proceso de Markov. Ahora definamos definamos las probabilidades probabilidades que ser´ an an de nuestro nuest ro inter´es. es. Definici´ on on 6.2.3. La probabilidad de supervivencia en horizonte finito est´ a dada por
φ˜(u, τ ) = P ( P (U t ≥ 0 para todo t = 0, 1,..., τ |U 0 = u = u)).
6.2. MODELO DE RUINA EN TIEMPO DISCRETO
59
La cartera de p´olizas debe sobrevivir τ per´ıodos (usualmente son a˜n os) y s´olo calculamos al final de cada per´ıdo. Si lo que queremos es asegurar la supervivencia de la cartera para siempre, consideramos la siguiente probabilidad. Definici´ on 6.2.4. La probabilidad de supervivencia en horizonte infinito est´ a dada por
˜(u) = P (U t ≥ 0 para todo t = 0, 1,...|U 0 = u). φ Observaci´ on 6.2.5. Las siguientes afirmaciones deben resultar claras:
1. φ˜(u, τ ) ≥ φ˜(u). 2. l´ım φ˜(u, τ ) = φ˜(u). τ →∞
Finalmente tenemos la definici´on que nos compete, es decir, la probabilidad de ruina. Definici´ on 6.2.6. La probabilidad de ruina en horizonte infinito en tiempo discreto es
ψ˜(u) = 1 − ˜ φ(u).
An´ alogamente podemos definir la probabilidad de ruina en horizonte finito en tiempo discreto, es decir, ψ˜(u, τ ) = 1 − φ˜(u, τ ). Notemos que la probabilidad anterior considera que la ruina ocurre en el tiempo τ o antes. Para evaluar las probabilidades de ruina, definamos un nuevo proceso como sigue: W t∗ =
U t∗ =
0, U t∗−1 < 0 W t , U t∗−1 ≥ 0 U t∗−1 + W t∗
donde el nuevo proceso comienza con U 0∗ = u. En este caso, la probabilidad de supervivencia en horizonte finito es φ˜(u, τ ) = P (U τ ∗ ≥ 0).
La raz´on por la que s´olo necesitamos verificar que U t∗ en el tiempo τ es, que una vez que la ruina ha ocurrido, este proceso no se vuelve nonegativo. Ejemplo 6.2.7. Consid´ erese un proceso con capital inicial de 2, una prima anual de 3, y p´ erdidas
de 0 o 6 con probabilidades 0.6 y 0.4, respectivamente. Si no existen otros cash-flows, determina ˜(2, 2). φ Soluci´ on: Observemos que los posibles valores para U 1 son 5 y -1 pues W 1 = P 1 − S 1 s´ olo puede
valer 3 y -3, con probabilidades 0.6 y 0.4, respectivamente. Por lo tanto, cada uno de estos dos valores para U 1 origen dos posibles valores para U 2 que describiremos en la siguiente tabla: Caso 1 2 3 4
U 1 = U 1∗ 5 5 -1 -1
W 2 3 -3 3 -3
Por lo tanto φ˜(2, 2) = 0.36 + 0.24 = 0.60.
W 2∗ 3 -3 0 0
U 2∗ Probabilidad 8 (0.6)(0.6)=0.36 2 (0.6)(0.4)=0.24 -1 (0.4)(0.6)=0.24 -1 (0.4)(0.4)=0.16
Observaci´ on 6.2.8. En el ejemplo 6.2.7, si en lugar de considerar la variable U 2∗ consideraramos
la variable U 2 , tendr´ıamos los valores 2 y -4 para los casos 3 y 4. Pero no es permitido regresar el proceso de la ruina, es por esto que las variables U i∗ y W i∗ son importantes.
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
60
6.2.1.
Evaluaci´ on de la probabilidad de ruina
Existen tres m´etodos para evaluar la probabilidad de ruina: 1. Simulaci´ on. 2. Convoluciones. 3. M´ etodo de Inversi´on. La simulaci´ on siempre est´a disponible. De la misma manera como las p´ erdidas agregadas son simuladas, podemos simular el proceso de super´avit. Es utilizada para modelos extremadamente complicados. Es por esto, que nos enfocaremos en estudiar los dos ´ultimos m´etodos. Convoluciones
Para utilizar este m´etodo, las distribuciones de las variables aleatorias involucradas en el modelo deben ser discretas y tener soporte finito. En caso contrario, pueden construirse aproximaciones discretas. El c´alculo de la probabilidad es realizado recursivamente utilizando la ecuaci´on U t∗ = U t∗−1 + W t∗ . Las consideraciones que debemos tener presente son las siguientes: 1. Debemos conocer la distribuci´on discreta de U t∗−1 . 2. La distribuci´on de los super´avit no negativos la denotaremos por f j = P (U t∗−1 = uj ) para j = 1,...,n donde uj ≥ 0 para toda j. Notar que f j es una parte de la distribuci´on de U t∗−1 pues pueden existir valores negativos. 3. Para cada valor no negativo de U t∗−1 , es decir, para u j ≥ 0 debemos conocer la distribuci´ on de ∗ W t . Denotemos por gj,k = P (W t = w j,k |U t−1 = u j ). Notemos que est´a abierta la posibilidad de que los valores de W t dependan de u j . Entonces la probabilidad de ruina en el tiempo t es igual a la probabilidad de ruina en el tiempo m´ as la probabilidad de que la ruina ocurra en el tiempo t, en t´erminos matem´aticos
t−1
ψ˜(u, t)
=
ψ˜(u, t − 1) + P (U t∗−1 ≥ 0, U t∗−1 + W t < 0) n
= ψ˜(u, t − 1) +
P (U t∗−1 + W t < 0 |U t∗−1 = u j )P (U t∗−1 = uj )
j=1 n
= ψ˜(u, t − 1) +
P (uj + W t < 0 |U t∗−1 = u j )f j
j=1 n
= ψ˜(u, t − 1) +
gj,k f j .
(6.1)
j=1 wj,k <−uj
Entonces P (U t∗ = x) = P (U t∗−1 ≥ 0, U t∗−1 + W t = x) n
=
P (U t∗−1
≥
0, U t∗−1 + W t = x|U t∗−1 = u j )P (U t∗−1 = uj )
j=1 n
=
P (u∗j + W t = x |U t∗−1 = uj )f j
j=1 n
=
j=1 wj,k +uj =x
gj,k f j .
(6.2)
61
6.2. MODELO DE RUINA EN TIEMPO DISCRETO
Las igualdades anteriores nos permitir´ıan encontrar la probabilidad de ruina ψ˜(u, t + 1) en el ∗ tiempo t + 1 y la distribuci´on de las variables U t+1 mediante un procedimiento an´alogo al realizado anteriormente. Aunque en primera instancia, las f´ormulas anteriores parezcan complicadas, en la pr´actica no es as´ı como veremos a continuaci´on. Ejemplo 6.2.9. Sup´ ongase que se tiene un capital inicial de 2, que las p´ erdidas anuales tienen los
valores 0, 2, 4, y 6, con probabilidades 0.4, 0.3, 0.2 y 0.1, respectivamente. Adem´ as, se percibe una prima de 2.5 al comienzo de cada a˜ no y los intereses ganados por cualquier super´ avit disponible al comienzo de cada a˜ no son del 10 %. Si se tiene un descuento de 0.5 al final de cada a˜ no en el que no hubo p´erdidas, detemina la probabilidad de supervivencia al final de cada uno de los primeros dos a˜ nos. Soluci´ on: En el tiempo t = 0 tenemos que ψ˜(2, 0) = 0 y que f 1 = P (U 0∗ = 2) = 1. Comencemos
a calcular los posibles valores para w1,k : para el caso en el que no hay p´erdidas, que ser´a cuando k = 1, tenemos que se pago una prima de 2.5, por lo que los intereses ganados al final del a˜no son 0.1(2+2.5)=0.45 y se tiene un descuento de 0.5. Por lo tanto w1,1 = 2 + 2.5 + 0.45 − 0.5 = 2.45 y g1,1 = P (W 1 = w 1,1 |U 0∗ = 2) = 0.4. De manera an´aloga se obtiene los valores para todas las w 1,k y g1,k , mismos que se resumen en la siguiente tabla: k 1 2 3 4
prima 2.5 2.5 2.5 2.5
inter´es 0.45 0.45 0.45 0.45
p´ erdida 0 2 4 6
descuento 0.5 0 0 0
w1,k 2.45 0.95 -1.05 -3.05
g1,k 0.4 0.3 0.2 0.1
1
Por la ecuaci´on 6.1 podemos concluir que ψ˜(2, 1) = ψ˜(u, 0) +
gj,k f j = 0.1. Por otro
j=1 wj,k <−2
1
lado, la ecuaci´ on 6.2 nos indica que P (U 1∗ = x) =
g1,k f 1 para los valores x = w 1,k + 2 >
j=1 w1,k +2=x
0; as´ı la distribuci´on de U 1∗ se concentra en la siguiente tabla: k 1 2 3
w1,k 2.45 0.95 -1.05
x 4.45 2.95 0.95
P (U 1∗ = x) 0.4 0.3 0.2
La probabilidad restante es P (U 1∗ = −1.05) = 0.1, pero no es tomada en cuenta porque x > 0. Mediante un procedimiento an´alogo podemos concluir que ψ˜(2, 2) = 0.19.
En el ejemplo anterior podemos notar que los valores de u as´ı como el n´umero de decimales aumente r´apidamente. En alg´ un momento del procedimiento, redondear los decimales puede ser una buena idea. Una manera simple de hacer esto, es considerar que en cada per´ıodo, los valores posibles de u son m´ ultiplos de h, distancia que probablemente necesite incrementarse de per´ıodo en per´ıodo. Las probabilidades de los valores que no son m´ultiplos de h, se distribuyen en los dos valores m´as cercanos de manera que se preserve la media. Observaci´ on 6.2.10. Si las probabilidades de los valores que no son m´ ultiplos de h se distribuyen
en m´ as de dos valores, los momentos mayores podr´ıan ser conservados. M´ etodo de Inversi´ on
Los m´etodos de inversi´on son utilizados para obtener las funciones de probabilidad a partir de una expresi´ on conocida para una transformada como lo son la funci´on generadora de probabilidades, la
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
62
funci´ on generadora de momentos o la funci´on caracter´ıstica. En nuestro caso, utilizaremos el m´etodo de la transforma r´apida de Fourier que sirve para calcular la funci´on de densidad de la variable de estudio a partir de su funci´on caracter´ıstica. Una de las fortalezas de este m´ etodo es que los c´alculos de las convoluciones se reducen a realizar pocas multiplicaciones. Esto es cierto en el supuesto de que las variables W t y U t−1 sean independientes. La idea que maneja este m´etodo y que tambi´en puede ser utilizada en el enfoque de convoluciones es la siguiente: Sea U t∗∗ la variable U t condicionada a U t ≥ 0. Al final de cada per´ıodo, toda la probabilidad asociada con ruina est´a distribuida sobre los valores que producen super´avit no negativo. El an´ alisis de cada a˜ no, se explica a continuaci´on: ∗∗
1. Determinar la funci´ on caracter´ıstica de U t∗∗ , es decir, ϕ 1,t (z) = E (eizU t ). −1 1
−
2. Determinar la funci´ on caracter´ıstica de W t , es decir, ϕ 2,t (z) = E (eizW t ). 3. Luego, ϕ 3,t (z) = ϕ 1,t (z)ϕ1,t (z) es la funci´on caracter´ıstica de U t∗∗ + W t . −1 4. Usa inversi´ on para determinar la funci´on de densidad f t (u) de la variable U t∗∗ + W t . −1 5. Define r t = P (U t∗∗ + W t < 0) la probabilidad de que dada la sobrevivencia al tiempo t − 1, se −1 tenga ruina en el tiempo t. 6. Luego f t∗∗ (u) =
f t (u) para u 1 − rt
≥
0 es la funci´on de densidad de la variable U t∗∗ . −1
7. La probabilidad de ruina para el tiempo t es ψ˜(u, t) = ψ˜(u, t − 1) + r1 [1 − ψ˜(u, t − 1)].
Para iniciar el proceso, notemos que la funci´on de densidad de U 1 se obtiene directamente del hecho de que U 1 = u + W 1 , as´ı que todo lo que se necesita hacer es cambiar los valores de la funci´on de densidad de W 1 por u. Ejemplo 6.2.11. Las p´ erdidas agregadas por un a˜ no son 0, 2, 4 y 6 con probabilidades 0.4, 0.3, 0.2 y
0.1, respectivamente. Se cobra una prima de 2.5 al comienzo de cada a˜ no y se tiene un capital inicial de 2. Determina la probabilidad de ruina dentro de los dos primeros a˜ nos usando la transformada r´ apida de Fourier. Soluci´ on: Antes de realizar los c´alculos, es importante recordar que la transformada r´apida de
Fourier coincide con la funci´on caracter´ıstica. Observemos que las variables W t tienen la misma distribuci´on para toda t, la cual es w -3.5 -1.5 0.5 2.5
P (W t = w) 0.1 0.2 0.3 0.4
Por lo que la distribuci´on de la variable U 1 = u + W 1 es u1 -1.5 0.5 2.5 4.5
P (U 1 = u 1 ) 0.1 0.2 0.3 0.4
63
6.2. MODELO DE RUINA EN TIEMPO DISCRETO
Por lo tanto ψ˜(2, 1) = 0.1. Ahora calculemos la distribuci´on de la variable U 1∗∗ recordando que P (U 1∗∗ = u) = P (U 1 = u|U 1 ≥ 0): notemos que P (U 1 ≥ 0) = P (U 1 = 0.5) + P (U 1 = 2.5) + P (U 1 = 4.5) = 0.9, adem´as. P (U 1 = 0.5, U 1 ≥ 0) 0.2 2 P (U 1∗∗ = 0.5) = P (U 1 = 0.5|U 1 ≥ 0) = = = . An´ alogamente para P (U 1 ≥ 0) 0.9 9 U 1∗∗ = 2.5, 4.5. Por lo tanto, la distribuci´on queda de la siguiente manera u 0.5 2.5 4.5
P (U 1∗∗ = u) 2/9 3/9 4/9
Para aplicar la transformada r´apida de Fourier, es conveniente tener todas las cantidades no negativas. Para ello, agregaremos 3.5 a cada variable. Notemos que con el cambio, el rango de las variables U 1 , W 2 y U 1∗∗ + W 2 oscila entre 0 y 14 con saltos de tama˜no 2; adem´a s, el n´ umero de valores que tenemos es 8, el cual ya es una potencia de 2. La tabla que se presenta a continuaci´on est´a compuesta de la siguiente manera: 1. La columa 1 representa los posibles valores de las variables a considerar. 2. Las columnas 2 y 3 representan las funciones de densidad de las variables U 1∗∗ y W 2 (que es la misma que W 1 ), respectivamente, despu´es de agregar 3.5. 3. Las columnas 4 y 5 representan las transformadas r´apidas de Fourier de las variables U 1∗∗ y W 2 , respectivamente, evaludas en los puntos que se indican. 4. La columna 6 representa la transformada de Fourier de la variable U 1∗∗ + W 2 . 5. La u´ltima columna es la funci´on de densidad de la variable U 1∗∗ + W 2 . u 0 2 4 6 8 10 12 14
f 1∗∗ (u) 0 0 2/9 3/9 4/9 0 0 0
f W (u) 1/10 2/10 3/10 4/10 0 0 0 0
ϕ1,2 (u)/8
ϕ2,2 (u)/8
ϕ3,2 (u)/64
0.125
0.125
0.01563
−0.08502 − 0.05724i
−0.00518 − 0.09053i
−0.00474 + 0.00799i
−0.025 + 0.025i 0.02778 + 0.04167i −0.02609 − 0.00169i 0.03018 − 0.01553i −0.025 0.04167 −0.02609 + 0.00169i 0.03018 + 0.01553i −0.025 − 0.25i 0.02778 − 0.04167i −0.08502 + 0.05724i −0.00518 + 0.09053i
−0.00174 − 0.00035i
−0.00081 + 0.00035i −0.00104 −0.00081 − 0.00035i −0.00174 + 0.00035i −0.00474 − 0.00799i
f 2 (u) 0 0 2/90 7/90 16/90 25/90 24/90 16/90
De todos los c´alculos hechos anteriormente, obtenemos que la distribuci´on de del super´avit despu´es del segundo a˜no es: u -3 -1 1 3 5 7
P (U 1∗∗ + W 2 = u) 2/90 7/90 16/90 25/90 24/90 16/90
P (U 2∗∗ = 2) 0 0 16/81 25/81 24/81 16/81
Por lo tanto, la probabilidad de ruina en el segundo a˜no es 2 7 ψ˜(2, 2) = ψ˜(2, 2) + P (U 1∗∗ + W 2 = −3) + P (U 1∗∗ + W 2 = −1) = 0.1 + + = 0.19. 90
90
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
64
6.3.
Modelo de ruina en tiempo continuo
Consideraremos las propiedades b´asicas del proceso Poisson { N t : t ≥ 0} el cual representar´a el n´umero de reclamaciones en la cartera. Por lo tanto, N t es el n´ umero de reclamaciones en (0, t]. La definici´ on formal es la siguiente: Definici´ on 6.3.1. El proceso del n´ umero de reclamaciones {N t : t ≥ 0} es un proceso Poisson con tasa λ > 0 si se cumplen las siguientes condiciones:
1. N 0 = 0. 2. El proceso tiene incrementos estacionarios e independientes. 3. El n´ umero de reclamaciones en un intervalo de longitud t se distribuye Poisson con media λt, es decir, para s,t > 0 se tiene P (N t+s − N s = n) =
(λt)n e−λt , n = 0, 1,... n!
Los incrementos estacionarios significan que la distribuci´ on del n´ umero de reclamaciones en un intervalo fijo depende s´olo de la longitud del intervalo y no de en cu´al intervalo se encuentra. Los incrementos independientes significan que el n´umero de reclamaciones en un intervalo son estad´ısticamente independientes del n´ umero de reclamaciones de cualquier intervalo previo (que no se traslape con el intervalo actual). Las condiciones de incrementos independientes y estacionarios indican que el proceso puede comenzar intuitivamente en cualquier momento. Realmente, la condici´on de incrementos estacionarios en la definici´on 6.3.1 es redundante pues la condici´on 3 implica incrementos estacionarios. Proposici´ on 6.3.2. Sea {N t : t ≥ 0} un proceso Poisson de tasa λ > 0. Sea W j el tiempo entre la
j − 1−´esima y la j-´esima reclamaci´ on para j = 1, 2,... entonces: 1. Los tiempos W j son independientes. 2. La variable W j se distribuye exponencial con media 1/λ. Demostraci´ on: Notemos que P (W 1 > t) = P (N t = 0) = e −λt , por lo tanto W 1 es exponencial con media 1/λ. Tambi´en, tenemos que
P (W 2 > t|W 1 = s) = = = =
P (W 1 + W 2 > s + t|W 1 = s) P (N t+s = 1|N s = 1) P (N t+s − N s = 0|N s = 1) P (N t+s − N s = 0)
porque los incrementos son independientes. De la condici´on 3, concluimos que P (W 2 > t|W 1 = s) = e−λt . Por lo tanto, como es cierto para toda s, tenemos que P (W 2 > t) = e−λt y W 1 es independiente de W 2 . An´ alogamente concluimos que W 3 , W 4 ,... son independientes y que se distribuyen exponencial con media 1/λ. Observaci´ on 6.3.3 (Ver ejercicio 5) . Si t 0 ≥ 0 es un tiempo fijo, el tiempo que tardar´ a en presentarse la siguiente reclamaci´ on se distribuye exponencial con media 1/λ.
Ahora definiremos el monto total de las reclamaciones como un proceso estoc´astico para que a continuaci´on presentemos el modelo de ruina en tiempo continuo que estudiaremos.
65
6.3. MODELO DE RUINA EN TIEMPO CONTINUO
Definici´ on 6.3.4. El n´ umero de reclamaciones { N t : t ≥ 0} es un proceso Poisson con tasa λ > 0.
Sean las p´erdidas individuales Y 1 , Y 2 ,... variables aleatorias no negativas independientes e identicamente distribuidas, independientes de N t , con funci´ on de distribuci´ on G(y) y media µ < ∞. Sea S t N t
el total el total de la p´ erdida en el tiempo (0, t] donde S t = 0 si N t = 0 y S t =
Y j si N t > 0.
j=1
Entonces S t tiene distribuci´ on Poisson compuesta y se dice que el proceso { S t : t Poisson compuesto.
≥
0} es un proceso
El siguiente resultado se demostr´o en el curso de procesos estoc´asticos. Proposici´ on 6.3.5. Sea S t el proceso Poisson compuesto como en la definici´ on 6.3.4. Entonces:
1. E [S t ] = λ tµ. 2. V ar[S t ] = λ tE [Y 2 ]. ∞
3. La funci´ on de distribuci´ on de S t es GS t (y) =
Gn (y)e−λt ∗
n=0 ∞
Gn (y) = ∗
−∞
G(n−1) (n − z)dG(z) y G(0) (y) = ∗
1, 0,
(λt)n donde n!
y ≥ 0 . y < 0
Para el modelo de ruina que estudiaremos, supondremos que las primas son pagadas continuamente con tasa constante c por unidad de tiempo, es decir, el total de primas percibidas en el tiempo (0, t] es ct e ignoraremos los intereses por simplicidad matem´atica. Por lo tanto el modelo de ruina a considerar es el modelo conocido como Modelo de Cram´erLundberg el cual es un proceso a tiempo continuo { U t : t ≥ 0} dado por N t
U t = u + ct − S t = u + ct −
Y j
(6.3)
j=1
en donde u es el capital inicial de la compa˜n´ıa aseguradora, ct es la entrada por primas hasta el tiempo t con c una constante positiva, Y j es el monto de la j -´esima reclamaci´on y N t es un proceso de Poisson de par´ametro λ . La variable U t representa el balance m´as sencillo de ingresos menos egresos de una compa˜n´ıa aseguradora. Al proceso U t se le llama proceso de riesgo (risk process), o proceso de super´avit (surplus process) y tiene trayectorias como se muestra en la siguiente figura
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
66
Estas trayectorias comienzan siempre en el capital inicial u. Los intervalos en donde ellas son continuas y crecientes corresponden a periodos en donde no hay reclamaciones. El crecimiento es de la forma ct. Las discontinuidades son siempre saltos hacia abajo y aparecen en el momento en que se efect´ ua una reclamaci´on, la cual se supone que se paga de manera inmediata. El tama˜no de un salto es el tama˜ no de la reclamaci´on dada por la variable Y . La trayectoria promedio de U t es la linea recta que inicia en u > 0 y tiene pendiente c − λµ, la cual es positiva por la condici´on o hip´otesis de ganancia neta. La variable aleatoria U t se puede interpretar como el capital de la compa˜n´ıa aseguradora al tiempo t y por razones naturales y legales es importante que U t permanezca por arriba de cierto nivel m´ınimo. Ajustando el capital inicial u se puede suponer, sin p´ erdida de generalidad, que este nivel m´ınimo es cero. Cuando U t < 0 se dice que hay ruina. La ruina casi nunca sucede en la pr´actica, es solamente un t´ermino t´ecnico que produce alguna toma de decisi´on. Por ejemplo si el capital de una compa˜n´ıa aseguradora asignado a una cartera decrece en forma significativa, autom´aticamente la aseguradora puede tomar ciertas medidas para subsanar esta situaci´on y no se trata de un evento insalvable. Por otro lado es natural suponer que la compa˜n´ıa aseguradora posea varios portafolios de modo que ruina en uno de ellos no significa necesariamente bancarrota que el t´ermino ruina podr´ıa sugerir. En general, la prima no necesariamente es la media de las reclamaciones, sino que necesita agregarse una cantidad como vemos en el principio de la media para el c´alculo de la prima. Definici´ on 6.3.6. Para el modelo de Cramer-Lundberg definimos la carga de seguridad o factor de carga de la prima como el valor θ > 0 tal que c = (1 + θ)λµ.
A continuaci´ on definiremos al igual que en caso discreto las probabilidades de sobrevivencia en horizonte finito e infinito, seguidas de sus repectivas probabilidades de ruina. Definici´ on 6.3.7. En tiempo continuo, la probabilidad de supervivencia en horizonte finto es
φ(u, τ ) = P (U t ≥ 0 para toda 0 ≤ t ≤ τ |U 0 = u). Definici´ on 6.3.8. En tiempo continuo, la probabilidad de supervivencia en horizonte infinto es
φ(u) = P (U t ≥ 0 para toda t ≥ 0|U 0 = u). Observaci´ on 6.3.9. Las siguientes afirmaciones deben ser claras:
1. φ(u, τ ) ≥ φ(u). 2. l´ım φ(u, τ ) = φ (u). τ →∞
De las observaciones 6.2.5 y 6.3.9 obtenemos que 1. φ˜(u, τ ) ≥ φ˜(u) ≥ φ(u). 2. φ˜(u, τ ) ≥ φ(u, τ ) ≥ φ(u). Definici´ on 6.3.10. En tiempo continuo, la probabilidad de ruina en horizonte infinito est´ a dada
por ψ (u) = 1 − φ(u)
An´ alogamente se define la probabilidad de ruina en tiempo continuo para horizonte finito.
6.4. EL COEFICIENTE DE AJUSTE Y LA DESIGUALDAD DE LUNDBERG
67
6.4.
El Coeficiente de Ajuste y la Desigualdad de Lundberg
6.4.1.
El coeficiente de ajuste
Definici´ on 6.4.1. Sean µ y M Y (t) la media y la funci´ on generadora de momentos de las reclama-
ciones Y , respectivamente. El coeficiente de ajuste k es la soluci´ on positiva m´ as peque˜ na (si existe) de la ecuaci´ on 1 + (1 + θ )µt = M Y (t). (6.4)
Para ver que efectivamente existe el coeficiente de ajuste, consideremos las gr´aficas de las curvas r1 (t) = 1+(1+ θ )µt y r 2 (t) = M Y (t) = E [etY ] en el plano (t, r). Supongamos que M Y (t) existe para toda t > 0 (este supuesto no es totalmente necesario), entonces tenemos que r 2 (t) = E (Y etY ) > 0 y que r 2 (t) = E (Y 2 etY ) > 0. Como r 1 (0) = r 2 (0) = 1, las dos curvas se intersectan en t = 0. Adem´as r2 (0) = µ < (1 + θ)µ = r1 (0), lo cual nos dice que la gr´afica de r 2 (t) inicialmente est´a por debajo de la gr´afica de r1 (t), pero como r 2 (t) > 0 y r 2 (t) > 0, eventualmente r2 (t) intersectar´a a r 1 (t) en un punto k > 0 que ser´a el coeficiente de ajuste. Es importante se˜nalar que puede darse el caso en el que no exista soluci´on a la ecuaci´on 6.4, por ejemplo, cuando la funci´on generadora de momentos del monto de reclamaciones no exista como sucede en las distribuciones Pareto y Lognormal, por mencionar algunos ejemplos. Ejemplo 6.4.2. Si Y tiene distribuci´ on exponencial con media µ, determina el coeficiente de ajuste. Soluci´ on: Sabemos que M Y (t) =
1 1 − µt
para t <
1 . Por lo tanto el coeficiente de ajuste satisface µ
1 + (1 + θ)µk =
1 1 − µk
.
Como notamos anteriormente, k = 0 es una soluci´on que siempre sucede. Sin embargo, una θ 1 soluci´ on positiva para esta ecuaci´on es k = , la cual claramente es menor que . µ(1 + θ ) µ Ejemplo 6.4.3. Supongamos que la carga de seguridad es θ = 2 y los siniestros se distribuyen Gamma con par´ ametros 2 y β . Determina el coeficiente de ajuste. Soluci´ on: Sabemos que M Y (t) =
1 (1 − β t)2
para t <
1 + 6kβ =
1
. Luego la ecuaci´on 6.4 queda
β
1 (1 − β k )2
,
la cual es equivalente a las ecuaciones 6β 3 k3 − 11β 2 k2 + 4β k = k β (2k β − 1)(3kβ − 4) = 0 Como k <
1
0
, la u ´nica soluci´ on positiva de la ecuaci´on anterior es k =
β
1 . 2β
Observaci´ on 6.4.4. No siempre es posible resolver la ecuaci´ on 6.4 de manera expl´ıcita como en
los ejemplos anteriores. En muchas ocasiones, se debe recurrir a m´etodos num´ericos que requieren una aproximaci´ on incial del valor de k. La siguiente proposici´on, acota el valor del coeficiente de ajuste k. Proposici´ on 6.4.5. Sean µ y M Y (t) la media y la funci´ on generadora de momentos de las reclamaciones Y , respectivamente. Sea θ > 0 la carga de seguridad, entonces el coeficiente de ajuste k 2θ µ
satisface k <
E [Y 2 ]
.
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
68
Demostraci´ on: La ecuaci´ on 6.4 implica
1 + (1 + θ)µk
= E [ekY ] 1 = E [1 + kY + (kY )2 + · · · ] 2 1 > E [1 + kY + (kY )2 ] 2 1 2 = 1 + kµ + k E [Y 2 ] 2
Sustrayendo 1 + kµ de ambos lados de la desigualdad, se tiene que k <
2θ µ . E [Y 2 ]
N t
Ejemplo 6.4.6. Las p´ erdidas agregadas S t =
Y i , donde N t es un proceso Poisson de tasa λ > 0,
i=1
tienen varianza igual a tres veces la media. Determina una cota para el coeficiente de ajuste. Soluci´ on: La proposici´ on 6.3.5 nos recuerda que E (S t ) = λµt y que V ar(S t ) = λtE [Y 2 ]. Luego 2θ µ 2θ µ 2 λtE [Y 2 ] = 3 λtµ, es decir, E [Y 2 ] = 3µ. Por la proposici´ on 6.4.5 k < = = θ. 2
E [Y ]
3µ
3
Un m´etodo num´erico para resolver la ecuaci´on 6.4 es el m´ etodo Newton-Raphson que se describe a continuaci´on y en el debemos de cuidar que la soluci´on no se aproxime a la soluci´on trivial k = 0 que siempre se tiene. Proposici´ on 6.4.7 (M´ etodo Newton-Raphson). Sea H (t) = 1+(1+ θ )µt − M Y (t). La aproximaci´ on
a la ra´ız H (k) = 0 (que es el coeficiente de ajuste) se puede obtener mediante la f´ ormula kn+1 = k n −
H (kn ) H (kn )
donde H (t) = (1 + θ )µ − M Y (t) iniciando con un valor k0 .
Ejemplo 6.4.8. Considera el modelo de ruina de Cramer-Lundberg donde λ = 4 y c = 7. Suponga
que la distribuci´ on del monto de las reclamaciones est´ a dado por P (Y = 1) = 0.6 y P (Y = 2) = 0.4. Determina el coeficiente de ajuste utilizando el m´ etodo de Newton-Raphson. Soluci´ on: Tenemos que
1. µ = E [Y ] = 1(0.6) + 2(0.4) = 1.4. 2. M Y (t) = E [etY ] = 0.6et + 0.4e2t . 3. θ =
c λµ
−1
=
7 4(1.4)
−1=
1 . 4
4. E [Y 2 ] = 12 (0.6) + 22 (0.4) = 2.2. 5. Una opci´ on para k 0 es k 0 =
2θ µ 7 = . E [Y 2 ] 22
7 7 Por lo tanto obtenemos que H (t) = 1 + t − 0.6et − 0.4e2t y H (t) = − 0.6et − 0.8e2t . 4 4 El siguiente cuadro resume los valores de las iteraciones del m´ etodo, el cu´a l se detuvo en la tercera iteraci´on pues se consider´o que es una buena aproximaci´on: iteraci´ on 0 1 2 3
ki 0.31818 0.27761 0.27050 0.27029
H (ki ) -0.02379 -0.00309 -0.00008
H (ki ) -0.58645 -0.43584 -0.41055
69
6.4. EL COEFICIENTE DE AJUSTE Y LA DESIGUALDAD DE LUNDBERG
Por lo que el coeficiente de ajuste es k = 0.27029.
Tambi´en tenemos la siguiente definici´on alternativa del coeficiente de ajuste. Definici´ on 6.4.9. Sean µ y G(y) la media y la funci´ on de distribuci´ on de la variable Y que representa el monto de cada reclamaci´ on. Sea θ > 0 la carga de seguridad. El coeficiente de ajuste k > 0
es aquel valor que satisface la ecuaci´ on ∞
1 + θ =
eky f e (y)dy
0
donde f e (y) =
1 − G(y) para y > 0. µ
La demostraci´on de la siguiente proposici´on se deja al lector en la secci´on de ejercicios. Proposici´ on 6.4.10. Las definiciones 6.4.1 y 6.4.9 son equivalentes.
6.4.2.
Desigualdad de Lundberg
El primer uso importante del coeficiente de ajuste se encuentra en el siguiente resultado: Teorema 6.4.11. Considera el modelo de Cramer-Lundberg y sea k el coeficiente de ajuste. Entonces
la probabilidad de ruina satisface ψ (u) ≤ e−ku , u ≥ 0
(6.5)
Demostraci´ on: Sea ψ n (u) la probabilidad de que la ruina ocurra antes o en la n−´ esima reclamaci´on para n =, 1,.... Haremos la demostraci´on por inducci´ on: Claramente ψ 0 (u) = 0 ≤ e−ku . Supongamos
que se cumple para n, es decir, ψn (u) ≤ e−ku y demostremos que la probabilidad de ruina despu´ es de la n + 1−´esima reclamaci´on sigue siendo menor que e −ku . Consideremos el an´alisis del primer paso a trav´ es de la primera reclamaci´ on. El tiempo hasta −λt que ocurre la primera reclamaci´on es exponencial con funci´on de densidad λe ; si la reclamaci´on ocurre en el tiempo t > 0, el super´avit disponible para pagar la reclamaci´ on es u + ct. Por lo tanto, tenemos los siguientes dos casos para tener ruina: 1. La ruina ocurre en la primera reclamaci´ on si el monto reclamado excede u+ct cuya probabilidad es 1 − G(u + ct). 2. Si el monto de lo reclamado es y con 0 ≤ y ≤ u + ct, la ruina no ocurre en la primera reclamaci´ on; sin embargo el super´avit ser´a ahora de u + ct − y. La ruina podr´ıa ocurrir en las siguientes n reclamaciones. Como el proceso de super´avit tiene incrementos independientes y estacionarios, la probabilidad de ruina ahora ser´a la misma que si hubi´ eramos comenzado el proceso en el tiempo de la primera reclamaci´on con un capital inicial de u + ct − y. Por lo tanto, utilizando la ley de probabilidad total y la hip´otesis de inducci´on tenemos que u+ct
∞
ψn+1 (u)
=
1 − G(u + ct) +
0
∞
=
0
0
0 u+ct
∞
dG(y) +
∞
k(u+ct−y)
−
e
u+ct
donde hemos usado el hecho de que
ψn (u + ct − y)dG(y) λe−λt dt
ψn (u + ct − y)dG(y) λe−λt dt
0
u+ct
∞
≤
dG(y) +
u+ct
0
−k(u + ct − y) > 0
k(u+ct−y)
−
e
dG(y) λe−λt dt
cuando y > u + ct. Luego
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
70
∞
ψn+1 (u)
≤
∞
0
k(u+ct−y)
−
e
dG(y) λe−λt dt
0
∞
∞
ku
−
= λe
kct
−
e
0
ky
e dG(y) e−λt dt
0
∞
e−(λ+kc)t M Y (k)dt
= λe−ku
0
= λM Y (k)e
∞
ku
−
e−(λ+kc)t dt
0
=
λM Y (k) −ku e . λ + kc
Por la ecuaci´on 6.4 y la definici´on 6.3.6 se cumple λM Y (k) = λ [1 + (1 + θ)kµ] = λ + k(1 + θ)λµ = λ + kc.
Por lo tanto ψ n+1
≤
e−ku ; m´ as a´ un, ψ n
≤
e−ku para toda n y l´ım ψn (u) ≤ e−ku .
.
n→∞
El resultado anterior es importante pues permite conocer la relaci´on entre el capital inicial u y la carga de seguridad θ, par´ametros que est´an bajo el control del asegurador. Corolario 6.4.12. Sean {U t : t ≥ 0 } el modelo de Cramer-Lundberg, θ > 0 la carga de seguridad,
µ la media de las reclamaciones individuales y k el coeficiente de ajuste. Sup´ ongase que se desea tolerar una probabilidad de ruina α, entonces: 1. La carga de seguridad que se debe establecer es θ = capital inicial u. 2. El capital inicial que se necesita es u =
− ln α
k
u[M Y (− lnuα ) − 1] −µ ln α
− 1 cuando
se conoce el
cuando se conoce la carga de seguridad θ .
Demostraci´ on:
ln α y como k satisface la ecuaci´on 6.4 u u[M Y (− lnuα ) − 1] M Y (k) − 1 θ θ −1= − 1. entonces 1 + (1 + )µk = M Y (k) de donde = −µ ln α µk
1. El teorema 6.4.11 implica que e−ku = α , luego k = −
ln α satisface la ecuaci´on 6.4. Por el teorema 6.4.11 el capital u = u garantiza que ψ (u) ≤ e−ku = e ln α = α .
2. Notemos que k =
−
−
− ln α
k
Corolario 6.4.13. Bajo los supuestos del modelo Cramer-Lundberg, se cumple que ψ (∞) = 0 y φ(∞) = 1. Demostraci´ on: Por el teorema 6.4.11 tenemos que
0 l´ım
≤
0
≤
u→∞
ψ (u) ≤ l´ım ψ (u) u→∞
ψ (∞)
Por lo tanto ψ (∞) = 0 y φ(∞) = 1 − ψ (∞) = 1.
≤ ≤ ≤
e−ku l´ım e−ku u→∞
0
71
6.5. ECUACIONES INTEGRODIFERENCIALES
6.5.
Ecuaciones integrodiferenciales
En esta secci´on trateremos de encontrar una f´ormula expl´ıcita para la probabilidad de ruina ψ (u) (o equivalentemente a la probabilidad de supervivencia φ(u)), para ello definamos una nueva funci´ on. Definici´ on 6.5.1. Para u ≥ 0, x ≥ 0, F (u, x) representar´ a la probabilidad de que ocurra ruina
teniendo un capital inicial u y un d´eficit inmediatamente despu´es de que ocurra la ruina de cuando mucho x. Observaci´ on 6.5.2. Para el evento descrito anteriormente tenemos que el super´ avit despu´ es de
ruina se encuentra entre 0 y −x, por lo que ψ (u) = l´ım F (u, x), u ≥ 0
(6.6)
x→∞
Teorema 6.5.3. Sea { U t : t ≥ 0} el proceso de Cramer-Lundberg. La funci´ on F (u, x) satisface:
∂ λ 1. F (u, x) = F (u, x) − ∂ u c
2. F (0, x) =
λ
c
u
F (u − y, x)dG(y) − [G(u + x) − G(u)] para u
0
≥
0.
x
[1 − G(y)]dy, para x ≥ 0 si existe el coeficiente de ajuste k.
0
Demostraci´ on: 1. Procederemos de nueva cuenta a trav´ es del an´alisis del primer paso, es decir, de la primera reclamaci´ on. Sabemos que el tiempo en el que se presenta la primera reclamaci´on es exponencial con funci´on de densidad λe−λt y que el super´avit disponible al tiempo t es u + ct. Tenemos dos casos: ) Si el monto de la primera reclamaci´o n es y con 0 ≤ y ≤ u + ct, entonces la primera reclamaci´ on no causar´a ruina pero el super´avit disponible ahora ser´a de u + ct − y. Por los incrementos estacionarios e independientes , la ruina con un d´eficit de a lo m´as x ocurrir´ıa posteriormente con probabilidad F (u + ct − y, x).
i
ii
) La otra posibilidad para que ocurra ruina con un d´eficit de a lo m´as x, es que el monto de la primera reclamaci´on y sea tal que u + ct < y ≤ u + ct + x, en cuyo caso, la probabilidad est´ a dada por G(u + ct + x) − G(u + ct).
Aplicando la ley de probabilidad total tenemos que u+ct
∞
F (u, x) =
0
F (u + ct − y, x)dG(y) + G(u + ct + x) − G(u + ct) λe−λt dt.
0
Mediante el cambio de variable z = u + ct, de donde dz = cdt, la ecuaci´on anterior queda F (u, x) =
λ
c
∞
(λ/c)u
e
(λ/c)z
−
e
z
F (z − y, x)dG(y) + G(z + x) − G(z) dz,
0
u
luego, aplicando el teorema fundamental del c´alculo al diferenciar la igualdad anterior con respecto a u por medio de la regla de Leibniz para el producto, obtenemos la igualdad ∂ λ λ F (u, x) = F (u, x) + e(λ/c)u ∂ u c c
de la cual se sigue el resultado.
(λ/c)u
−e
u
0
F (u − y, x)dG(y) + G(u + x) − G(u)
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
72 2. Notemos que 0
≤
F (u, x) ≤ ψ (u) ≤ e−ku , luego 0 ≤ F (∞, x) = l´ım F (u, x) ≤ l´ım e−ku = 0, u→∞
∞
por lo tanto F (∞, x) = 0. Tambi´en, si definimos τ (x) =
u→∞
F (u, x)du tenemos que
0
∞
0 < τ (x) =
∞
F (u, x)du ≤
0
0
Integrando la ecuaci´on del inciso a) con respecto a u desde 0 a ∞
0
∞ tenemos
u
∞
∂ λ F (u, x) du = ∂ u c
1 < ∞. k
e−ku du =
F (u, x) −
0
F (u − y, x)dG(y) − [G(u + x) − G(u)] du,
0
es decir, F (∞, x) − F (0, x) =
λ
c
u
∞
τ (x) −
∞
0
F (u − y, x)dG(y)du −
0
[G(u + x) − G(u)]du .
0
Utilizando que F (∞, x) = 0 e intercambiando el orden de integraci´on para la integral doble obtenemos F (0, x) =
−
λ
c
∞
τ (x) −
∞
0
∞
F (u − y, x)dudG(y) −
[G(u + x) − G(u)]du .
0
y
y realizando el cambio de variable v = u − y en la doble integral da como resultado F (0, x) =
=
=
=
=
=
−
−
−
−
λ
c λ
c
∞
∞
∞
λ
τ (x) −
c
F (v, x)dvdG(y) −
0
0
τ (x) −
c
∞
τ (x)dG(y) −
0
τ (x) − τ (x)
c
[G(u + x) − G(u)]du
0
∞
λ
[G(u + x) − G(u)]du
0
∞
λ
∞
dG(y) −
0
[G(u + x) − G(u)]du
0
∞
λ
τ (x) − τ (x) −
c
[G(u + x) − G(u)]du
0
∞
[G(u + x) − G(u)]du
0
∞
∞
[1 − G(u)]du −
0
[1 − G(u + x)]du
0
Realizamos los cambios de variables y = u y y = u + x en la primera y segunda integral, respectivamente, para obtener F (0, x) =
λ
c
∞
0
∞
[1 − G(y)]dy −
x
x
[1 − G(y)]dy =
λ
c
[1 − G(y)]dy.
0
Observaci´ on 6.5.4. El teorema 6.5.3 2) es v´ alido aunque no exista el coeficiente de ajuste.
73
6.5. ECUACIONES INTEGRODIFERENCIALES
Corolario 6.5.5. La probabilidad de supervivencia sin capital inicial satisface
φ(0) =
θ
1+θ
(6.7)
∞
Demostraci´ on: Recordemos que µ =
[1 − G(y)]dy y por el teorema 6.5.3 2) se cumple que
0
ψ (0) = l´ım F (0, x) = x→∞
θ
Por lo tanto φ (0) = 1 − ψ (0) =
1+θ
∞
λ
c
[1 − G(y)]dy =
0
λµ
c
=
1 . 1+θ
.
La soluci´ on general a φ (u) puede ser obtenida con la siguiente ecuaci´on integrodiferencial sujeta a la condici´on inicial 6.7. Teorema 6.5.6. La probabilidad de supervivencia satisface
φ (u) =
λ
c
u
φ(u) −
φ(u − y)dG(y) , u ≥ 0.
0
(6.8)
Demostraci´ on: Por el teorema 6.5.3 1) cuando x → ∞ y la ecuaci´ on 6.6 tenemos
ψ (u) =
u
λ
ψ (u) −
c
ψ (u − y)dG(y) − [1 − G(u)] , u ≥ 0.
0
(6.9)
Como φ (u) = 1 − ψ (u), la ecuaci´on 6.9 queda
−φ
λ
(u) =
c λ
=
c λ
=
c
u
[1 − φ(u)] −
[1 − φ(u − y)]dG(y) − [1 − G(u)]
0
u
−φ(u) −
u
dG(y) +
0
φ(u − y)dG(y) + G(u)
0
u
−φ(u) +
φ(u − y)dG(y) .
0
Observemos que las ecuaciones 6.8 y 6.9 sirven para encontrar ψ (u). Es cuesti´on de gustos si seleccionamos una o la otra; sin embargo, la ecuaci´on 6.8 es algebraicamente m´as simple. Desafortunadamente, la soluci´on para el caso general de la funci´on de p´erdida individual G(y) no siempre es sencilla. Ejemplo 6.5.7. Supongamos que las p´ erdidas individuales se distribuyen exponencial con media µ. Determina φ(u). Soluci´ on: Por el teorema 6.5.6 tenemos que
φ (u) =
λ
c
φ(u) −
1 µ
u
y/µ
−
φ(u − y)e
0
dy
luego, realizando el cambio de variable x = u − y obtenemos
φ (u) =
λ
c
φ(u) −
1 −u/µ e µ
u
0
x/µ
φ(x)e
dx .
Para eliminar la integral en la ecuaci´on anterior, derivamos con respecto a u
(6.10)
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
74
1 φ (u) = φ (u) + 2 e−u/µ c µ λ
u
x/µ
φ(x)e
dx −
0
1 φ(u) . µ
Usando la ecuaci´ on 6.10 tenemos
φ (u)
=
λ
c
φ (u) −
=
φ (u)
=
−
φ (u),
λ
c
−
1 λ φ(u) + φ(u) − φ (u) µc µ c λ
1 µ
θ
µ(1 + θ )
θ
φ (u) = 0 que se resuelve por medio del µ(1 + θ) factor integrante e θu/[µ(1+θ)] , por lo que tenemos, despu´ es de realizar la multiplicaci´ on, la ecuaci´on diferencial
es decir, tenemos la ecuaci´on diferencial φ (u) +
d θu/[µ(1+θ)] φ (u) = 0 e du que al integrar con respecto a u nos da
eθu/[µ(1+θ)] φ (u) = K 1 . De la ecuaci´on 6.10 con u = 0 y usando la ecuaci´on 6.7 tenemos K 1 = φ (0) =
λ
θ
c 1+θ
θ
=
µ(1 + θ )2
.
Por lo tanto, θ
φ (u) =
µ(1 + θ )2
exp
−
θu
µ(1 + θ)
,
que cuando lo integramos de nuevo con respecto a u obtenemos 1 φ(u) = − exp 1+θ De nuevo, la ecuaci´on 6.7 nos dice que φ (0) = φ(u) = 1 −
−
θu
µ(1 + θ )
θ
1+θ
1 exp 1+θ
+ K 2 .
, luego K 2 = 1 y finalmente tenemos que
−
θu
µ(1 + θ)
.
6.6.
Las p´ erdidas m´ aximas agregadas
En esta secci´on encontraremos una soluci´on general a la ecuaci´on integrodiferencial 6.8 sujeto a las condiciones de frontera 6.7 y φ (∞) = 1. Comenzando con una reserva inicial de u, la probabilidad de que el super´avit est´e por debajo del nivel inicial es ψ (0) porque el proceso de super´avit tiene incrementos estacionarios e independientes. Por lo tanto, la probabilidad de caer por debajo del nivel inicial u es la misma para toda u, en particular para u = 0 la probabilidad es ψ (0). El resultado clave se enuncia a continuaci´on. Notar que la funci´on f e (y) del teorema es la misma funci´ on que se defini´o en 6.4.9.
´ ´ 6.6. LAS P ERDIDAS M AXIMAS AGREGADAS
75
Teorema 6.6.1. Dado que existe un salto por debajo del capital inicial u, la variable aleatoria Y
que representa la cantidad de ese salto inicial tiene funci´ on de densidad f e (y) =
1 − G(y) . µ
Demostraci´ on: Recordemos la funci´ on F (u, y) definida en 6.5.1. Como el proceso de super´avit tiene
incrementos estacionarios e independientes, F (0, y) representa la probabilidad de que el super´avit caiga debajo de su nivel inicial y la cantidad de este salto sea a lo m´as y. Por el teorema 6.5.3 2), el tama˜ no del salto dado que existi´o un salto, tiene funci´on de distribuci´ on P (Y ≤ y) = = =
F (0, y) ψ (0) λ cψ (0)
1 µ
y
y
[1 − G(u)]du
0
[1 − G(u)]du
0
Derivando ambos lados de la igualdad anterior obtenemos el resultado.
Si existe un salto de y, el super´avit inmediatamente despu´es del salto es u − y, y como el proceso tiene incrementos estacionarios e independientes, la ruina ocurre posteriormente con probabilidad ψ (u − y) cuando u − y es no negativo; de otro modo, la ruina habr´a ocurrido. La probabilidad de que un nuevo salto caiga por debajo del nuevo capital u − y es ψ (0), la cantidad de ese segundo salto tiene funci´on de densidad f e (y) y es independiente del primer salto. Debido a la propiedad de p´ erdida de memoria para el proceso Poisson, el proceso “comienza” en cada salto. Por lo tanto, el n´umero de saltos K se distribuye geom´etricamente, es decir, θ
k
P (K = k) = [1 − ψ (0)][ψ (0)] =
1+θ
1 1+θ
k
, k = 0, 1,...
Despu´es de un salto, el capital comienza de nuevo a incrementarse. Por lo tanto, el nivel m´as bajo de super´avit es u − L donde L se conoce como la P´erdida m´axima agregada y representa el total de todos los saltos (reclamaciones). Sea Y j el tama˜no del j −´esimo salto, debido a que el proceso tiene incrementos independientes y estacionarios, { Y 1 , Y 2 ,...} es una sucesi´on de variables aleatorias independientes e identicamente distribuidas (cada una con densidad f e (y)). Como el n´umero de saltos es K , se sigue que L = Y 1 + · · · + Y K con L = 0 si K = 0. Por lo tanto, L es una variable aleatoria geom´etrica compuesta con f e (y) como la densidad del tama˜no de la reclamaci´on. Claramente, la sobrevivencia con capital inicial u ocurre si la p´erdida m´axima agregada L no excede a u, es decir, φ(u) = P (L ≤ u), u ≥ 0.
Sea F e∗0 (y) = 0 si y < 0 y 1 si y ≥ 0; definimos F e∗k (y) = P (Y 1 + · · · + Y k ≤ y ) la distribuci´ on acumulada de la k−´esima convoluci´on de la distribuci´on Y consigo misma. Entonces tenemos la soluci´ on general ∞
φ(u) =
k=0
θ
1+θ
1 1+θ
k
F e∗k (u), u ≥ 0.
En t´erminos de la probabilidad de ruina, esta soluci´on general puede ser expresada como ∞
ψ (u) =
k=1 k
k
θ
1+θ
1 1+θ
k
S e∗k (u), u ≥ 0.
donde S e (u) = 1 − F e (u). Evidentemente, φ(u) es la funci´on de supervivencia asociada con la variable aleatoria geom´etrica compuesta L, y su soluci´ on anal´ıtica ∗
∗
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
76
6.7.
Ejercicios
1. Considera el ejemplo 6.2.9 para calcular ψ˜(2, 2) y la distribuci´ on de U 2∗ mediante los siguientes pasos: a ) Construye una tabla para que indique los valores u j y f j . b) Para cada j del inciso anterior, construye una tabla que contenga prima, inter´es, p´erdida, descuento, w j,k y g j,k . c ) Utiliza la ecuaci´on 6.1 para calcular ψ˜(2, 2). d ) Utiliza la ecuaci´ on 6.2 para calcular la distribuci´on de U 2∗ mediante una tabla que contenga wj,k , u j , x y P (U 2∗ = x). 2. Bajo las condiciones del ejemplo 6.2.9, distribuye las probabilidades para el super´ avit al final del segundo a˜ no usando una distancia h = 2. 3. Proporciona todos los detalles del ejemplo 6.2.11. 4. Realiza el ejercicio 1 utilizando la transformada r´ apida de Fourier y rediscretizando para mantener un intervalo de 5. 5. Sea W una variable aleatoria con distribuci´on exponencial de media 1/λ. Demuestra que W satisface la propiedad de p´erdida de memoria, es decir, P (W > t + s|W > s) = e−λt = P (W > t). 6. Demuestra que el proceso {S t : t ≥ 0} que describe el monto total de las reclamaciones en tiempo continuo tiene incrementos independientes y estacionarios. 7. Demuestre la proposici´ on 6.3.5. 8. Considera el proceso Poisson { N t : t ≥ 0} con tasa λ > 0 que modela el n´umero de reclamaciones hasta el tiempo t. Definamos T i como el tiempo de ocurrencia de la i −´esima reclamaci´on. Demuestra que: a ) N t ≥ i si y s´olo si T i
≤
t.
b) T i sigue una distribuci´on Gamma(i, 1/λ). N t
9. Considera el modelo S t =
Y j que describe el monto total de las reclamaciones hasta el
j=1
tiempo t donde {N t } es un proceso Poisson de tasa λ > 0. Si Y j se distribuyen exponencial con media 1/µ y en el caso de que no se paguen primas, determina el tiempo esperado que tendr´ a la aseguradora antes de tener capital negativo si su capital inicial es u. 10. Considere el proceso de Cram´ er-Lundberg para demostrar que: a ) E (U t ) = u + (c − λµ)t. b) V ar(U t ) = λ E [Y 2 ]t. c ) M Ut (r) = exp[r(u + ct) + λt(M Y (−r) − 1)]. 11. Sean {U 1 (t); t ≥ 0} y {U 2 (t); t ≥ 0} dos procesos de riesgo cl´asico independientes donde las distribuciones Poisson de cada proceso tienen tasas 5 y 10, respectivamente. Calcule la probabilidad de que la primera reclamaci´ on provenga del primer riesgo. 12. Sea { U t : t
≥
0} el proceso de Cramer-Lundberg. Sea a > 0.
a ) Demuestra que { U at : t
≥
0} es tambi´en un proceso de Cramer-Lundberg.
b) Describa las caracter´ısticas del proceso y la interpretaci´on que puede tener.
77
6.7. EJERCICIOS
13. Suponga que las reclamaciones en el modelo de Cram´er-Lundberg siguen una distribuci´ on gamma de par´ametro 2 y β . Calcule el coeficiente de ajuste. 14. Suponga que las reclamaciones en el modelo de Cram´er-Lundberg tienen la siguiente funci´on densidad 3 f (y) = e −2y + e−3y , y > 0. 2 Si c = 3, λ = 4, determina el coeficiente de ajuste. 15. Suponga que las reclamaciones en el modelo de Cram´er-Lundberg tienen la siguiente funci´on densidad f (y) =
β −β y e , y > 0, β > 0. πy
Determina el coeficiente de ajuste. 16. Considera las condiciones del ejemplo 6.4.3 con θ = 0.32 para determinar el coeficiente de ajuste. 17. Si c = 2.99, λ = 1 y la distribuci´on de las p´erdidas individuales es P (Y = 1) = 0.2, P (Y = 2) = 0.3 y P (Y = 3) = 0.5, utiliza el m´ etodo de Newton-Raphson para calcular el coeficiente de ajuste. 18. Resuelve el ejercicio 14 utilizando el m´ etodo num´erico de Newton-Raphson con k0 igual a la cota dada en la proposici´on 6.4.5. 19. Demuestra que la funci´on f e (y) definida en 6.4.9 es una funci´on de densidad. 20. Este ejercicio demuestra que las definiciones 6.4.1 y 6.4.9 son equivalentes. Demuestra que: a ) l´ım eky [1 − G(y)] = 0. y→∞
∞
b) M Y (k) = 1 + k
eky (1 − G(y))dy.
0
c ) k satisface la ecuaci´on 6.4. 21. Sea Y una variable que representa la p´ erdida individual tal que E [Y 3 ] es conocido. Sea µ = E [Y ] y θ > 0 el factor de carga. Demuestra que a ) k < b)
−3E [Y 2 ] +
−3E [Y 2 ] +
6.4.5).
9(E [Y 2 ])2 + 24θ µE [Y 3 ] . 2E [Y 3 ]
9(E [Y 2 ])2 + 24θµE [Y 3 ] 2θ µ < (la cota encontrada en la proposici´on 3 2E [Y ] E [Y 2 ]
22. Sean f e (y) como en la definici´on 6.4.9, µ = E [Y ] y θ > 0 la carga de seguridad. Demuestra que: ∞
a )
yf e (y)dy =
0
E [Y 2 ] . 2µ
2µ ln(1 + θ ) . (Hint: Utilice la desigualdad de Jensen). E [Y 2 ] c ) La cota del inciso (b) es menor que la cota de la proposici´on 6.4.5.
b) k
≤
m
d )
0
eky f e (y)dy
≤
ekm cuando el valor m´aximo valor de una reclamaci´on individual es m.
´ CAP ´ ITULO 6. INTRODUCCI ON A LA TEOR ´ IA DE LA RUINA
78 e ) k
≥
1 ln(1 + θ ) cuando el valor m´aximo valor de una reclamaci´on individual es m. m
23. Investigue un m´ etodo num´ erico diferente al de Newton-Raphson para encontrar ra´ıces de f (x) = 0. Explique en qu´ e consiste y c´omo se utilizar´ıa para resolver la ecuaci´on 1 + (1 + θ )µt − M Y (t) = 0. 24. Definimos la funci´on de tasa Hazard para una variable aleatoria continua Y con funci´on de g(y) g(y) densidad g(y) y distribuci´on G(y) como h(y) = = . Supongamos que f e (z), 1 − G(y) S (y) definida en 6.4.9, es la funci´on de densidad de la variabel Z para z ≥ 0; µ = E [Y ] y θ > 0 es la carga de seguridad. Demuestra que: ∞
a ) Si G(y) tiene una tasa Hazard decreciente entonces
f e (z)dz
≥
1 − G(x) para x
≥
0.
x
b) P (Z > z ) ≥ P (Y > z) para z ≥ 0. c ) P (ekZ > t) ≥ P (ekY > t) para t d )
E [ekZ ] ≥
e ) k
≤
kY
E [e
θ
µ(1 + θ)
≥
1.
].
.
25. Sean k > 0 el coeficiente de a juste y G la funci´on de distribuci´on de la variable Y . Supongamos ∞
ky
−
que S (y) ≤ ρe
ekx dG(x) para 0 < ρ
≤
1, donde S (y) = 1 − G(y). Demuestra que:
y
a ) ψ (u) ≤ ρe−ku para u
≥
0.
∞
b)
∞
ky
kx
e dG(y) = e S (x) + k
x
eky S (y)dy para x
≥
0.
x
26. Sup´ongase que G(y) tiene una tasa Hazard decreciente y µ = E [Y ]. Demuestra que: a ) S (y) ≥ S (x)S (y − x) para x
≥
0 y y ≥ x. ∞
b) Usa el ejercicio 25 para demostrar que se cumple S (y)
≤ ρe
ky
−
ekx dG(x) cuando
y
ρ−1 = E [ekY ].
c ) Usa la ecuaci´on 6.4 para concluir que ψ (y) ≤ [1 + (1 + θ)kµ]−1 e−ky , para y
≥
0.
d ln S (y) que satisface h(y) ≤ m < dy y ≥ 0. Use el ejercicio 25b) para demostrar que si ρ = 1 − k/m:
27. Supongamos que G(y) tiene una tasa Hazard h(y) =
−
∞,
∞
a ) S (y) ≤ ρe
ky
−
ekx dG(x).
y
b) ψ (y) ≤ (1 − k/m)e−ky para y ≥ 0. (Hint: Utiliza que para x > y , S (x) ≥ S (y)e−(x−y)m .) 28. Suponga que las reclamaciones en el modelo de Cram´er-Lundberg siguen una distribuci´ on exponencial de par´ametro α = 1. Suponga adem´as que λ = 1/2 y c = 2. Observe que se cumple la condici´on de ganancia neta c > λ µ. ¿Cu´ al debe ser el capital inicial u para que la probabilidad de ruina sea menor o igual a 0.01? 29. Supongamos que una aseguradora tiene un capital inicial de $1,000,000. La aseguradora usa el proceso de ruina de Cramer-Lundberg para modelar su capital a trav´es del tiempo. Se sabe que el n´ umero de reclamaciones promedio por mes son dos y cada una de ellas tiene una distribuci´ on exponencial de media $10,000. Determina:
79
6.7. EJERCICIOS
a ) La prima que debe cobrarse el primer mes para que la probabilidad de ruina sea a lo m´as α = 0.001, 0.01, 0.1, 0.5. b) ¿Cu´al de las cuatro primas anteriores se prefiere y por qu´ e? 30. Considera la probabilidad de ruina ψ (u) cuando se tiene un capital inicial de u, para demostrar que: a ) ψ es una funci´on no creciente. b) l´ım ψ (u) = 0 cuando existe el coeficiente de ajuste. Interprete el resultado. u→∞
31. Sup´ ongase que las reclamaciones Y en un proceso de ruina tienen la siguiente din´amica: primero se selecciona un valor X de entre 3 y 7, cada uno con probabilidad 1 /2. Luego, condicional a X = x, la reclamaci´on Y se selecciona de una distribuci´ on exponencial de media 1/x. Determina: a ) El coeficiente de ajuste k si θ = 2/5. b) La carga de seguridad θ si k = 2. 32. Sup´ ongase que la carga de seguridad es θ = 0.32, el capital inicial es u = 1,000,000 y las reclamaciones son Y = m´ın{X, 100,000} donde X es una variable aleatoria con distribuci´on exponencial de media 10,000. Encuentra la cota m´as fina posible para la probabilidad de ruina. ¿Sugiere alg´ un cambio en la prima? Explique la respuesta. 33. Sup´ ongase que el monto de las reclamaciones tiene distribuci´on F (y) = 1 − ey/µ . Demuestra que: a ) F (u, x) = ψ (u)G(y) usando el teorema 6.5.3 1). b) La distribuci´ on del d´eficit inmediatamente despu´es de que ocurre ruina, dado que la ruina ocurre, tiene distribuci´on exponencial con media µ. 34. Este ejercicio envuelve la derivaci´on de las ecuaciones integrales llamadas ecuaciones de renovaci´ on defectuosa para F (u, x) y ψ (u). Lo siguiente puede ser urilizado para obtener propiedades de estas funciones: a ) Integra la igualdad del teorema 6.5.3 1) con respecto a u de 0 a t y utiliza la igualdad del inciso 2) del mismo teorema para demostrar que F (t, x) es igual a λ
c
t
Λ(t, x) −
donde
x
Λ(t − y, x)dG(y) +
0
t
[1 − G(y)]dy −
0
y
Λ(y, x) =
t
[1 − G(u)]du +
0
[1 − G(u + x)]du ,
0
F (v, x)dv.
0
t
b) Use integraci´on por partes sobre la integral
Λ(t −
y, x)dG(y) para demostrar que
0
F (t, x) =
λ
c
t
Λ(t, x) −
F (t − y, x)G(y)dy +
0
x+t
t
[1 − G(y)]dy −
0
[1 − G(u)]du .
0
c ) Demuestra que F (u, x) =
λ
c
u
x+u
F (u − y, x)[1 − G(y)]dy +
0
[1 − G(y)]dy .
u
d ) Demuestra que ψ (u) =
λ
c
u
0
∞
ψ (u − y)[1 − G(y)]dy +
u
[1 − G(y)]dy .