Universidad de Buenos Aires

Facultad de Ciencias Económicas

Teorı́a Actuarial del Riesgo

Autor:
Juan Francisco Torres Tejerizo

2023
Índice
1. Elementos Básicos 2
1.1. Modelización de los Siniestros . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Aplicación a Reaseguro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2. Medidas de Riesgo 26
2.1. Principales Criterios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2. Coherencia de las Medidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Teorı́a de Valores Extremos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3. Simulación Estocástica 37

4. Probabilidad de Ruina 39
4.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

5. Análisis Patrimonial Dinámico 46

5.1. Ejercicio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

1
1. Elementos Básicos
Este documento esta hecho con el fin de analizar los conceptos elementales de las Ges-
tión Empresarial cpn un enfoque moderno basado en el riesgo. En otras palabras, las empresas
-especialmente las aseguradoras- tienen que hacer estimaciones para la confección de sus ba-
lances. Esto incluye la proyección de gastos, de inversiones, y más. Cada una de estas variables
estará definida según las normas contables y financieras del paı́s. Sin embargo, hay una variable
que destaca por sobre el resto. Esta es la estimación de los siniestros. La misma será analiza-
da desde diversos puntos de vista (método individual y colectivo) para poder realizar la mejor
estimación posible. En su conjunto, se tendrá el siguiente planteo contable

U(t) = A(t) − P(t)

Donde U(t) es el saldo en el periodo t, A(t) es el activo en el periodo t y P(t) es el pasivo en

dicho periodo. Entonces, en base a esto se puede plantear situaciones de ruina. Desde un punto
de vista dinámico, esto será

U(t +1) = U(t)+π(t, t +1)−S (t, t +1)−G(t, t +1)+ I(t, t +1)− Ig(t, t +1)+ Ap(t, t +1)− D(t, t +1)

Donde π son las primas cobradas, S los siniestros, G los gastos, I los resultados de las inversio-
nes, Ig los impuestos a las renta que haya, Ap los aportes de capital hechos y D los dividendos.
Todas estas variables en flujo, desde t hasta t + 1.

Habiendo definido estas variables, se plantean dos tipos de resultados. El primero es el

técnico, que se centra simplemente en el negocio de la aseguradora

RT (t, t + 1) = π(t, t + 1) − S (t, t + 1) − G(t, t + 1)

El segundo es el financiero
RF(t, t + 1) = I(t, t + 1)

2
1.1. Modelización de los Siniestros
Introduciendo mas sobre el análisis, se empezarán a plantear los perfiles de riesgos y de
siniestros como Variables Aleatorias. Esto se hará tanto en frecuencia como en intensidad. En
el modelo individual, se consideran n riesgos independientes. Esto es lógico de suponer ya que
no tiene sentido que una póliza de un asegurado afecte a otro si no se conocen. Si a cada riesgo
se lo denomina i, entonces al conjunto de riesgos se lo denominará

S = X1 + X2 + ... + Xn

A modo de referencia, en el esquema colectivo a analizar con posterioridad se tendrá una cartera
que genera un número aleatoria N de siniestros, cada uno de valor aleatorio Z. En definitiva,
se estará buscando tres parámetros esenciales de estos. Estos son la media (E(S )), la varianza
(Var(S )) y el Valor a Riesgo (VaR(S ; p)). Este último se define como un percentil dada una
probabilidad p. Es de interés ya que se puede calcular, por ejemplo, el percentil extremo al
99 % de una distribución de siniestros. Esto brinda información de suma relevancia ya que
se puede analizar el patrimonio de la empresa a distintos niveles de confianza. Existen otras
caracterizaciones esenciales a considerar, como por ejemplo el rango. Este definirá cuantos
valores se pueden tomar en la distribución. Además, será de relevancia tener la distribución de
la misma -ya sea discreta o continua- debido a la información sobre sus momentos Absolutos y
Centrados. Los mismos podrán ser calculados con la Función Generatriz de Momentos
∂k h i
M[X; t]=0 = E X k
∂t k

La última caracterı́stica a considerar es el Riesgo Relativo (RR). Esta se define como

σ(x)
RR =
E(x)
Por ejemplo, sean las siguientes 5 pólizas cada una con sus posibles montos y probabilida-
des. De cada una se calculará la esperanza, la varianza1 y el riesgo relativo.
x P(X1 = x) P(X2 = x) P(X3 = x) P(X4 = x) P(X5 = x) Total
0 0.9 0.85 0.8 0.75 0.7
1000 0.12
2000 0.2 0.08
3000 0.19 0.06
4000 0.14 0.04 0.03
5000 0.1 0.01 0.01 0.01 0.01
E(Xi ) 500 610 620 610 630 2970
Var(Xi ) 2250000 2117900 1575600 1317900 1313100 8574500
RR(Xi ) 3 2.39 2.02 1.88 1.82 0.99
Se puede observar algunas conclusiones importantes. La primera tiene que ver con la indepen-
dencia, como es el caso de esta tabla. Al tener esto, se puede demostrar que

E(S ) = E(X1 ) + E(X2 ) + ... + E(Xn )

Y que la varianza -notese que no es la dispersión-

Var(S ) = Var(X1 ) + Var(X2 ) + ... + Var(Xn )

 
1
Es práctico recordar que esta surge de Var(x) = E x2 − E 2 (x).

3
Sin embargo, serı́a erróneo argumentar que pasa lo mismo con el momento centrado de orden
dos. Es decir, este se calcula en base a la relación
 
E S 2 = Var(S ) + E 2 (S )

Es decir, el mismo no es la suma de los momentos centrados de orden dos de las variables
aleatorias. Si se tuviera la función generatriz de momentos,
n
Y
M[S ; t] = M[Xh ; t]
h=1

En cambio, si se tuviera que los riesgos son independientes e idénticamente distribuidos se

pueden simplificar los cálculos a
E(S ) = n · E(X)
Var(S ) = n · Var(X)
M[S ; t] = M[X; t]n
Y particularmente, el riesgo relativo se reduce a
1 σ(X)
RR(S ) = √ ·
n E(X)
Teniendo n riesgos independientes, puede ser de interés calcular la probabilidad de que
en su conjunto se tenga un valor determinado de la variable aleatoria. Para esto, es necesario
realizar la convolución de forma tal que se obtengan las distintas probabilidades asociadas a
cada evento. Esto es
X
P(X1 + X2 = x) = P(X1 = y) · P(X2 = x − y)
y<x

Lo que se hace es calcular la probabilidad de que la primera variable X1 tengo un valor y y se

multiplica por la probabilidad de que la segunda variable tenga el valor complementario de y
para llegar a x. De esta forma, la suma de ambas variables dará con exactitud x. Cuando se hace
referencia a las variables continuas, se tiene
Z x
F X+Y (x) = fX (t) · fY (x − t)dt
0

Se puede observar que la integral esta acotada al cero debido a que el área de interés son sinies-
tros que siempre son no negativos.

Por ejemplo, si se quiere obtener la distribución de X1 + X2 de las pólizas previamente

expuestas, se parte de
x P(X1 = x) P(X2 = x)
0 0.9 0.85
4000 0 0.14
5000 0.1 0.01
Es útil comenzar el análisis viendo cuales son los valores mı́nimos y máximos que se puede
tomar. Estos son 0 (cuando tanto X1 como X2 son cero) y 10000 (cuando tanto X1 como X2 son
cinco mil). También hay que considerar los casos intermedios. Es decir, los casos en los que
una variable toma un valor pero la otra toma otro distinto. Los posibles escenarios son

4
 x P(S = x) F(x)
0 0,9 · 0,85 = 0,765 0.765
4000 0,9 · 0,14 = 0,126 0.891
5000 0,9 · 0,01 + 0,1 · 0,85 = 0,094 0.985
9000 0,1 · 0,14 = 0,014 0.999
10000 0,1 · 0,01 = 0,001 1
Se observa que se cumple con la Ley de Cierre. Con esto, se pueden buscar caracterı́sticas de
interés como el Valor a Riesgo. Por ejemplo, si se quiere el VaR(S ; 0,95), se buscará el percentil
que acumula esta probabilidad. Se puede observar que no es el de 4000 debido a que acumula
menos que lo deseado. Por ende, este será el siguiente, que es 5000. Este dato debe ser analizado
en su conjunto con la variabilidad y con lo esperado. A medida que se introduzcan mas riesgos
al conjunto S , la distribución que se tenga será mas concentrada en el valor esperado (bajará el
riesgo relativo). Esta misma lógica sirve para la convolución de cualquier variable discreta, ya
sea tabulada o conocida por su distribución, como puede ser una Poisson2

Todos estos valores calculados sirven para fundamentar el cobro de primas. Es decir, si es-
tos riesgos son pólizas, lo que se espera tener de siniestros es la media. Esto será la prima pura.
Además, se puede tener un recargo definido de diversas formas. El mas común es un recargo fijo
(un porcentaje estipulado) o un porcentaje sobre el desvio/varianza. A medida que el recargo
sea mayor, la probabilidad de tener resultados negativos irá disminuyendo.

Se expondrán dos ejemplos adicionales sobre la convolución con variables continuas. Em-
pezando por el caso de una exponencial, sean las siguientes funciones de probabilidades

f1 (x) = e−x f2 (x) = 2e−2x

La convolución de la misma será

Z x Z x
f (x) = f1 (x − y) · f2 (y)dy = e−(x−y) · 2e−2y dy
0 0
Z x
= 2e−x e−y dy = 2e−x − 2e−2x
0
El otro ejemplo de interés es con una función uniforme. Esta esta acotada tanto por una cota
inferior como superior. Por ejemplo, sea una uniforme (a1 ; a2 ) y otra uniforme (b1 ; b2 ). El rango
de la suma de ambas irá desde a1 +b1 hasta a2 +b2 . Por la forma lineal de la uniforme, se tendrán
3 segmentos. Estos son [a1 + b1 : a2 + b1 ], [a2 + b1 : a1 + b2 ] y [a1 + b2 : a2 + b2 ]. Los rangos de
la integral irán según estos intervalos. En el primero, se observa un crecimiento, en el segundo
una constante y en el tercero un decrecimiento. En definitiva, si a cada rango se lo denomina A,
B y C respectivamente Z s−a1
A= f1 (x) · f2 (y)dy
b1
Z s−a2
B= f1 (x) · f2 (y)dy
s−a1
Z s−b2
C= f1 (x) · f2 (y)dy
s−a2

2
Lo distintivo de este caso es que el dominio de la Poisson, por ejemplo, es mayor. Entonces se tendrán valores
mas grandes.

5
 Por ejemplo, sean dos variables aleatorias

X1 ∼ U[0; 2] X2 ∼ U[0; 3]

El rango de la variable final irá desde 0 hasta 5. Cada segmento de la misma vendrá definido
por Z s
1 1 s
0 ≤ S ≤ 2 → fs = · dy =
0 2 3 6
Z s
1 1 1
2 ≤ S ≤ 3 → fs = · dy =
s−2 2 3 3
Z 3
1 1 5−s
3 ≤ S ≤ 5 → fs = · dy =
s−2 2 3 6
Esto se deduce del siguiente razonamiento. De las dos uniformes, se sabe que

Z = X+Y →Y =Z−X

Entonces, sabiendo que la variable Y sucede dentro de

b1 ≤ Y ≤ b2

Que es equivalente a
b1 ≤ Z − X ≤ b2
Si se despeja a X
Z − b2 ≤ X ≤ Z − b1
Pero se conoce que también X esta dentro del rango

a1 ≤ X ≤ a2

Por lo que planteando las distintas condiciones, se deduce que los lı́mites de la integral serán: (i)
de a1 hasta Z − b1 , (ii) desde a1 hasta a2 y (iii) Z − b2 hasta a2 . Se nota que hay una combinación
que no se muestra ya que es equivalente a a1 hasta a2 . Darı́a el mismo resultado.

Lo presentado hasta ahora se basa en el esquema directo. Es decir, se plantea una distribu-
ción de probabilidades y se realizan los cálculos correspondientes con esta. Esta es la forma mas
sencilla de modelizar los siniestros. Sin embargo, existen otros tres esquemas muy utilizados en
la práctica. A continuación se desarrollarán los mismos.

El segundo esquema a analizar es la Ponderación de Variables. Este plantea agregar va-

riabilidad a la modelización sin cambiar el promedio. Es decir, se agregan distintos contextos
con sus respectivas probabilidades. Estos serán denominados Qi , y la probabilidad de que el
siniestro tome el valor x será definido como
n
X
P(X = x) = P(X = xi |Qi ) · P(Qi )
i=1

Con n
X
P(Qi ) = 1
i=1

6
Esto es generalizable para los momentos centrados de orden k de la siguiente forma
X n
X  
E(X ) =
k
x · P(X = x) =
k
P(Qi )E X k |Qi
∀x i=1

En otras palabras, se tienen diversas situaciones posibles. Cada una, tendrá su esperanza y su
momento centrado de orden k correspondiente. El momento centrado des-contextualizado de la
variable aleatoria X será el promedio de estos utilizando las probabilidades de los contextos.
Por ejemplo, sean dos contextos
P(Q1 ) = 0,7 P(Q1 ) = 0,3
x P(X = x|Q1 ) x P(X = x|Q2 )
0 0.8 0 0.6
100 0.1 100 0.2
200 0.06 200 0.15
300 0.04 300 0.05
La esperanza del primer contexto es 34 y la del segundo 65. Entonces, si se desea la esperanza
general de la variable X, se deberá ponderar correspondientemente

E(X) = P(Q1 ) · E(X|Q1 ) + P(Q2 ) · E(X|Q2 )

= 0,7 · 34 + 0,3 · 65 = 43,3

Una cuestión fundamental con esto, es que la varianza no se calcula ponderando las varian-
zas. Esto es incorrecto ya que los momentos absolutos guardan la relación expuesta pero los
centrados no. Partiendo de
Var(X) = E(X 2 ) − E 2 (X)
X X
= Qi · E(X 2 |Qi ) − Qi E 2 (X|Qi )
∀i ∀i

Si se suma y se resta un término adicional

X X X X
= Qi · E(X 2 |Qi ) − Qi E 2 (X|Qi ) + Qi E 2 (X|Qi ) − Qi E 2 (X|Qi )
∀i ∀i ∀i ∀i

Y ordenando los términos

 2
X h i X X
= Qi E(x2 |Qi ) − E 2 (X|Qi ) +
 
Qi E 2 (X|Qi ) − 

Qi E(X|Qi )
|∀i {z } |∀i {z ∀i }
Var(X|Qi ) Var(E(X|Qi ))

Por lo que
Var(X) = E [Var(X|Qi )] + Var [E(X|Qi )]
Es decir, la varianza des-contextualizada es el promedio de las varianzas sumado a otro término
adicional que agrega variabilidad.

Una alternativa para el tratamiento de estos datos puede ser calcular la distribución des-
contextualizada. Es decir, se debe ponderar las probabilidades de cada contexto, por la probabi-
lidad de que suceda el mismo. En el ejemplo anteriormente expuesto, esto serı́a

7
 x P(Q1 ) · P(X = x|Q1 ) + P(Q2 ) · P(X = x|Q2 ) = P(X = x)
0 0,7 · 0,8 + 0,3 · 0,6 = 0,74
100 0,7 · 0,1 + 0,3 · 0,2 = 0,13
200 0,7 · 0,06 + 0,3 · 0,15 = 0,087
300 0,7 · 0,04 + 0,3 · 0,05 = 0,043
De esta forma, se puede tratar esta distribución como el esquema directo.

Finalmente, la Función Generatriz de Momentos tiene la particularidad de que

X X
M(X; z) = e x·z P(X = x) = P(Qi )M(X; z|Qi )
∀x ∀i

El siguiente tratamiento a analizar es el del Esquema Condicional. Este separa la frecuencia

de la intensidad, donde la primera se define a través de una variable indicadora dicotómica
-sucede o no sucede- denominada I. Es decir
(
0 Si no sucede el siniestro
I=
1 Si sucede el siniestro

Esta tomará el valor 0 con probabilidad p y el valor 1 con probabilidad q. Por ende, la suma de
estas dará la unidad. Entonces, se deduce que

E(I) = q Var(I) = q · p

La intensidad será definida a través de una variable aleatoria Z. Se podrı́a pensar que esta siem-
pre será mayor a cero, pero no necesariamente es ası́. Esto se debe a que si bien puede ocurrir
un siniestro de cierto valor, si existiese una franquicia mayor a este valor la reaseguradora no
pagará.

Por ende, el valor final del siniestro será definido como

X = I·Z

Y su probabilidad

P(X = x) = P(I = 0) · P(Z = x|I = 0) + P(I = 1) · P(Z = x|I = 1)

Y si se condiciona a que x sea distinto a cero, se termina simplificando a

P(X = x) = P(I = 1) · P(Z = x|I = 1)

Los momentos se calcularán simplemente como los momentos de Z multiplicados por su

variable indicadora. Esto es,
  X X  
E Xk = xk P(X = x) = q xk P(Z = x) = q · E Z k
∀x ∀x

Por lo tanto,    
Var(X) = E X 2 − E 2 (X) = q · E Z 2 − q2 · E 2 (Z)
Que si se suma y se resta un término
   
= E X 2 − E 2 (X) = q · E Z 2 − q2 · E 2 (Z) + q · E 2 (Z) − q · E 2 (Z)

8
 h   i
= q E Z 2 − E 2 (Z) + E 2 (Z) · q · (1 − q)
Por lo que se concluye que

Var(X) = E(I) · Var(Z) + Var(I) · E 2 (Z)

La Función Generatriz de Momentos

X
M(X; t) = e x·t P(X = x) = p + q · M(Z; t)
∀x

Por ejemplo, sea la probabilidad de que ocurra un siniestro igual a 0,3 y la siguiente distri-
bución de Z
z P(Z = z|I = 1)
0 0.6
100 0.2
200 0.15
300 0.05
La esperanza se puede encontrar como

E(X) = E(I) · E(Z) = 0,3 · 65 = 19,5

Y la varianza
Var(X) = E(I) · Var(Z) + Var(I) · E 2 (Z)
= 0,3 · 8275 + [0,3 · 0,7] · 12500 = 3369,75
De forma similar al enfoque de contextos, se puede plantear la distribución final de X multipli-
cando las probabilidades correspondientes. Esto se resuelve de forma idéntica
x P(X = x)
0 0.88
100 0.06
200 0.045
300 0.015
El último tratamiento será el Esquema Compuesto. El mismo calcula los siniestros en
función de la frecuencia (N) y la intensidad (Z)

X = N·Z

Donde cada componente se modeliza como una variable aleatoria. En general, la frecuencia
suele ser una variable discreta y la intensidad continua. Cada una de estas variables tendrá su
esperanza, su varianza y su función generatriz de momentos. Lo distintivo será que para cada
valor t de la variable aleatoria N, se tiene la ocurrencia de los t idénticamente distribuidos e
independientes, de manera que la distribución de la cuantı́a será el resultado de convolucionar
t veces la distribución Z. Esto se analiza de forma mas sencilla pensando que cada siniestro
individual puede tomar una cuantı́a según la variable Z. Entonces, se considera que la variable
aleatoria X es una consecuencia de la actuación independiente de las dos variables N y Z.
n
X
P(X = x) = P(N = t) · P∗(t)
Z (x)
t=0

9
Es decir, la probabilidad de que se tenga t siniestros multiplicado por toda la convolución de Z
para que en el total, la suma de estos valores de como resultado x. Se demuestra que

E(X) = E(N)E(Z)

Y que
Var(X) = E(N)Var(Z) + Var(N)E 2 (Z)
Sea un momento absoluto de orden k,
  XX X  
E Xk = xk · P(N = n) · P∗(n)
z (x) = P(N = n)E Z k |N = n
∀x ∀n ∀n

De manera que X  
= P(N = n) · n · E Z k
∀n

Entonces, simplemente para el caso de que k = 1

E(X) = E(N) · E(Z)

Para la varianza se demuestra a partir de los dos primeros momentos absolutos.

X  
Var(X) = P(N = n)E Z 2 |N = n − E 2 (X)
∀n

Si se suma y se resta el mismo término

X  
= P(N = n)E Z 2 |N = n − E 2 (Z|N = n) + E 2 (Z|N = n) − E 2 (X)
∀n

Se observa que se tiene la varianza condicional de Z

X
= P(N = n)Var(Z|N = n) + E 2 (Z|N = n) − E 2 (X)
∀n

= E (Var(Z|N = n)) + Var (E(Z|N = n))

Var(X) = E (Var(Z)) + Var (E(Z))
Las distribuciones tı́picas con las que se trabaja para el número de siniestros son las di-
cotómicas (como la binomial) o también la geométrica, la binomial negativa o la poisson. Para
la cuantı́a de cada siniestro se trabajará con la uniforme, la exponencial3 , la normal, log-normal,
etc.
Existe un caso particular a estas posibles situaciones, el cual facilita los cálculos. El mismo
se trata de la distribución Poisson. Si el número de siniestros se distribuye
λn
P(N = n) = e−λ
n!
Esto implica que por propiedad de recurrencia, las sucesivas probabilidades se pueden obtener
a partir de la anterior
λ
P(N = n + 1) = P(N = n) ·
n+1
3
La suma de variables aleatorias exponenciales, da como resultado una gamma con parámetro α = n.

10
Entonces, si se tuviese un esquema compuesto se puede expresar la distribución de los siniestros
como ∞
X
P(X = x) = P(N = n) · P(Z0 + Z1 + ... + Zn = x)
n=0

Entonces, las fórmulas ya conocidas se reducen a

E(X) = E(N) · E(Z) = λ · E(Z)

 
Var(X) = E(N) · Var(Z) + Var(N) · E 2 (Z) = λ · E Z 2

M[X; k] = M [N; ln (M[Z; k])] = eλ(e )

ln(M[Z;k]) −1

Pero existen dos propiedades adicionales que son de interés. La primera es la de adición. La
suma de dos distribuciones compuestas de poisson, independientes, es igual a otra distribución
compuesta de poisson donde el parámetro será la suma de los lambdas y donde la distribución
de la cuantı́a de cada siniestro es resultante de una variable aleatoria ponderada de las cuantı́as
de de siniestro, por el peso de cada media sobre la media total. Esto es, sea r la cantidad de
variables poisson que se suman,
r
X λ1
P(Z = x) = P(Zi = x)
i=1
λ

La segunda propiedad es la de ponderación. Si la distribución del número de siniestros es

consecuencia de distribuciones poisson ponderadas con una ponderación basada en una distri-
bución Gamma de la media, entonces la distribución ponderada resulta igual a una distribución
binomial negativa.

11
1.2. Aplicación a Reaseguro
Si bien hasta ahora se mencionó como se debe proceder con la modelización de los sinies-
tros según los distintos enfoques, es central el análisis a realizar según los distintos tipos de
contratos. Es decir, si se busca analizar lo que pagará la reaseguradora o la cedente bajo un con-
trato se deberá considerar la información del mismo. En esta sección se busca analizar como es
el enfoque bajo el tipo de contratos proporcional y bajo los dos tipos de contratos no proporcio-
nales.

Comenzando con un contrato de Cuota Pate (QS), este tiene como fundamento compartir
proporcionalmente el riesgo de la cobertura. Se fija un porcentaje de retención y uno de cesión
y en base a esto se distribuye el monto a pagar. Suele existir en ocasiones un lı́mite sobre los
montos a ceder. Este, por su naturaleza de proporción, no cambia la siniestralidad. Sea la tasa
de retención α y la de cesión 1 − α4 , entonces los siniestros retenidos serán calculados como

Xret = α · X

Por ende, se deduce de forma sencilla que

E(S ret ) = α · E(S ) Var(S ret ) = α2 · Var(S ) σ(S ret ) = α · σ(S )

El análisis para lo cedido es simétrico con su respectivo porcentaje. Como se mencionó pre-
viamente, se deja constancia de que la siniestralidad no cambia. Otro concepto que permanecerá
invariante es el Riesgo Relativo. Este tampoco se modifica debido a que
σ(Xret ) α σ(X)
RR(Xret ) = = = RR(X)
E(Xret ) α E(X)
Como este contrato cede proporcionalmente los siniestros y también la prima, no existirá varia-
ción en el cálculo de las probabilidades sobre resultados. Lo que si se modificará es el Valor a
Riesgo. El mismo será calculado como la proporción correspondiente.

VaR(S ret ; ρ) = α · VaR(S ; ρ)

En el caso de la primera cobertura no proporcional, se tiene un Exceso de Pérdida (XL) que

fija una prioridad M. Se puede tener una variante adicional que agrega un lı́mite si se lo desea.
Esta cobertura indemniza los siniestros por su intensidad. La prima de este contrato surge a
través de otros cálculos y no será una proporción de la total. Se destaca que este contrato si
cambia la siniestralidad, ya que se fundamenta en

E(S ) = E(Xret ) + E(Xced )

Esta relación solo se cumple para la esperanza, no es valida ni para el momento de segundo
orden, ni para la varianza ni para los desvı́os ni para los riesgos relativos. Lo que se puede
generalizar, es que lo que la cedente pagará será el resultado de

Xret = mı́n {X; M}

En general se tiene que los riesgos relativos tienden a mejorar debido a que se cubren los si-
niestros de mayor intensidad, por lo que se disminuye la volatilidad. Teniendo la distribución
4
En este ejemplo se esta considerando que no existen lı́mites.

12
de X, se debe aplicar la prioridad -y el lı́mite si hubiera- para encontrar la distribución cedida
y retenida. De esta forma, se calculará la esperanza, la varianza, el riesgo relativo, el Valor a
Riesgo y todo lo deseado con su distribución. En otras palabras, no existe una forma directa
como en el QS de encontrar lo deseado con un calculo sencillo.

Finalmente, la última cobertura a analizar es el Stop Loss (SL). Esta cobertura protege el
resultado de una lı́nea de negocio completa. Es decir, no se debe analizar el siniestro X puntual
si no la cartera en su conjunto S . Es por esto que se debe tener la distribución de la misma. La
prioridad y el lı́mite fijado suele estar expresado en forma de porcentaje, aunque para llegar a su
valor absoluto simplemente se multiplique por la prima cedida. Sea la prioridad L, los siniestros
retenidos se calcularán como
S ret = mı́n {X; S }
Como caracterı́stica a destacar es que al ponerle un mı́nimo al resultado del contrato, esta co-
bertura suele ser mas cara. Esto genera también que se ponga un máximo al Valor a Riesgo,
desapareciendo los incentivos a la suscripción de buenos riesgos. Es por esto que se suele utili-
zar con lı́mites.

13
1.3. Ejercicios
Para esta sección, se estará utilizando diversas distribuciones. Esta modelan tanto la frecuen-
cia como la intensidad. Para su utilización, se recuerdan los parámetros, la función de densidad
de probabilidad, la esperanza y la varianza. Además, se estará exponiendo las funciones gene-
ratriz de momentos de interés

Distribución Parámetros n f (x) E(X) Var(x) F.G.M

Binomial n; p x
p (1 − p)n−x
x
n· p n · p · (1 − p) (q + pet )n
e−λ λ x
λ λ λ eλ(e −1)
t
Poisson x!
Geométrica (fracasos) p p(1 − p) x 1−p
p
1−p
p2
q + pet
 x+r−1 r·p r·p
 q t
Binomial negativa r; p x
(1 − p)r p x (1−p) (1−p)2 1−pet
1 x−µ 2
µt+ 21 t2 σ2
Normal µ; σ √1
σ 2π
e− 2 ( σ ) µ σ2 e
 
2
2µ+σ2 eσ −1
 ln(x)−µ 2 2 k 2 σ2
1
µ+ σ2
 
Log-Normal µ; σ 1√
xσ 2π
e− 2 σ e e E xk = ekµ+ 2
ασα ασ ασ2
Pareto α; σ xα+1 α−1 (α−1)2 (α−2)
-
Γ(α+β) α−1 β−1 α αβ
Beta α; β Γ(α)Γ(β)
x (1 − x) α+β (α+β)2 (α+β+1)
-
−x
xα−1 e β
Gamma α; β βα Γ(α)
αβ αβ2 1
(1−βt)α
1 − βx
Exponencial β β
e β β2 1
1−betat

Además, se recuerda las formulas a utilizar según el enfoque deseado

Enfoque E(S ) Var(S )
Individual E(I) · E(X) E(I)Var(X) + Var(I)E 2 (X)
Colectivo E(N) · E(X) E(N)Var(X) + Var(N)E 2 (X)
Condicional E(S |W) E (Var(S |W)) + Var (E(S |W))
Ejercicio 1:
MJM Seguros cuenta con dos carteras: una de robo de automotores y la otra de RC automotores.
La primera consta de 250 riesgos homogéneos e independientes, con probabilidad de ocurren-
cia del 2 %, y cuya severidad se modela a través de una Gamma con media de dos millones y
varianza de dos billones, a la que se le aplica un deducible del 15 % y cuya indemnización se
limita a cuatro millones por parte del asegurador. La segunda cartera consta de 750 asegurados,
con probabilidad de ocurrencia del 20 %, y su intensidad se modela mediante una función ex-
ponencial trasladada en 40.000 con media 150.000. Las primas de cada cartera son calculadas
como el valor esperado de indemnización con un adicional del 40 % del desvı́o.
a Calcular la prima de riesgo de cada cartera y la prima de riesgo total.
b Si la prima se calculara individualmente, teniendo cada póliza un valor de prima equiva-
lente al valor esperado con un adicional del 5del desvı́o, ¿cuál serı́a el monto de la prima
total?
c Mediante una aproximación Log-Normal, plantee el cálculo del costo de un reaseguro XL
con prioridad 30.000.000 y lı́mite de 30.000.000, siendo la prima del reaseguro el valor
esperado de los siniestros cedidos con un adicional del 25 %. ¿Cuál es el valor esperado
de los siniestros retenidos?
d Bajo un supuesto de normalidad, calcule la probabilidad de ruina antes y después de
aplicar el reaseguro considerando un capital del 10 % de las primas totales.

14
 Es de utilidad plantear, a modo de resumen, los datos principales del enunciado. Se tienen
dos carteras, donde ambas tienen una frecuencia de 0,02. Esto se piensa como una Bernoulli,
donde el evento sucede o no. La primera tiene una cantidad de riesgos por n1 = 250 y su
intensidad se distribuye como una gamma

X1 ∼ γ(α; β)

Se conoce la esperanza de esta distribución (dos millones) y la varianza (dos billones). La misma
tiene un deducible del 15 % y un lı́mite de cuatro millones. La segunda cartea tiene una cantidad
de riesgos igual a n2 = 750 con una frecuencia de q = 0,2 y un comportamiento de su intensidad
igual a X2 ∼ exp(β) Cuya esperanza es de ciento cincuenta mil y tiene un traslado de cuarenta
mil (es decir, esta corrida a la derecha por este valor). Se comenzará valuando la primera cartera.

Primero, se busca la esperanza de la frecuencia. Esta, al ser una bernoulli será igual a su
probabilidad 0,02. Si se piensa como una binomial, se puede multiplicar por la cantidad de
riesgos. Esto se hará mas adelante. A continuación, se tiene que buscar como se comporta la
intensidad según el contrato. Es decir, se tiene la distribución de los montos independientes del
contrato. Pero se necesita conocer cuanto es lo esperado según las condiciones establecidas. Es
por esto, que se despejan los parámetros del siguiente sistema
α · β = 2000000
)
→ α = 2 β = 1000000
α · β2 = 2000000000000
Quedando la solución que devuelve un α < β. A continuación, conociendo los parámetros, se
calculará la esperanza del contrato. Esta será igual a la integral de todo el dominio de la variable
aleatoria de su función de densidad multiplicada por la variable aleatoria. Sin embargo, se puede
distinguir que lo que pagará el asegurado cambia de acuerdo a la retención y al lı́mite, por el
deducible proporcional. Cuando el monto del siniestro vaya desde 0 hasta L/R (lı́mite dividido
la retención), el monto a pagar por la aseguradora es el porcentaje de retención por el monto.
Cuando se supere este monto de L/R, lo que se pagará será igual a un monto fijo L. Es decir,
Z RL Z ∞
E(X1 ) = R · X · f (x)dx + L f (x)dx
L
0 R

Donde
−x
xα−1 e β
L = 4000000 R = 0,85 f (x) = βα Γ(α)

Entonces,
E(X1 ) = 1648460,985
Por ende, lo que se espera de esta cartera es

E(S 1 ) = n1 · E(I1 ) · E(X1 ) = 8242304,925

Para conocer la varianza de esta cartera, se parte de la varianza de la frecuencia. Al ser una
bernoulli,
Var(I1 ) = q(1 − q) = 0,0196
Y para l varianza de la intensidad, se calcula el momento absoluto de orden dos y se le resta el
primero elevado al cuadrado.
Z RL Z ∞
Var(X1 ) = R · X · f (x)dx + L
2 2 2
f (x)dx − E 2 (X1 ) = 1104582339000
L
0 R

15
Por ende, la varianza de la cartera,
h i
Var(S 1 ) = n1 E(I1 )Var(X1 ) + Var(I1 )E 2 (X1 )

= 18838287430000
Y la prima de esta cartera será de
√
π1 = 8242304,925 + 0,4 · 18838287430000 = 9978428,79

Para la segunda cartera, se tiene la frecuencia (0,2) y se busca el comportamiento de la

intensidad bajo el contrato. Se sabe que en su conjunto la esperanza es de 150000, pero esto es
considerando su traslado. Es decir

40000 + β = 150000 → β = 110000

Por ende,
E(X2 ) = 110000 Var(X2 ) = 1100002 = 12100000000
La varianza de la frecuencia será de 0.16, por lo que la cartera

E(S 2 ) = n2 · E(I2 ) · E(X2 ) = 22500000

h i
Var(S 2 ) = n2 E(I2 )Var(X2 ) + Var(I2 )E 2 (X2 ) = 4515000000000
Y por ende,
π2 = 23349941,17
La prima total será entonces de

πtotal = π1 + π2 = 33328369,96

Para el siguiente inciso, se calculará cada póliza de forma individual. Se hará el valor espe-
rado adicional a un cinco porciento del desvio. En base a esto, se tendrá la prima de la póliza y
se sumará por todas. Es decir,
E(S iindiv ) = E(Ii )E(Xi )
Var(S iindiv ) = E(Ii )Var(Xi ) + Var(Ii )E 2 (Xi )
Para los distintos Rubros, se tiene que

E(S 1indiv ) = 32969,2197 E(S 1indiv ) = 30000

Var(S 1 ) = 75353149710 Var(S 2indiv ) = 6020000000
indiv

Por lo que, la prima individual será

πtotal = n1 π1 + n2 π2 = 37083195,66

Para el siguiente inciso, se supondrá una distribución Log-Normal de toda la cartera, con
un contrato XL. La prima será calculado como el valor esperado con un adicional del 25 %.
Suponiendo independencia,

E(S total ) = E(S 1 ) + E(S 2 ) = 30742304,93 = m1

Var(S total ) = Var(S 1 ) + Var(S 2 ) = 23353287430000

16
 2
E(S total ) = 968442599800000 = m2
Como esta el supuesto de log-normal, se tiene el siguiente sistema

m1 = eµ+ 2 σ
1 2 )

m2 = e2µ+2σ
2

Que despejando los parámetros de la misma

!
m1
µ = ln
e2σ
1 2

s !
m2
σ= ln
m1
Con el valor de estos parámetros, se calculará la esperanza del contrato. Para la Reaseguradora,
desde un monto igual a cero hasta la prioridad, la misma no pagará nada. Desde la prioridad,
hasta la capacidad esta pagará solo la diferencia entre el siniestro y la retención. Y desde la
capacidad en adelante, solo pagará el lı́mite. Esto, multiplicado por la función de densidad es,
Z L+P Z ∞
E(S ) =
ced
(s − P) f (s)ds + L f (s)ds
P L+P

Donde
1 ln(s)−µ 2
 
P = 30000000 L = 30000000 f (s) = sσ
1√
2π
e− 2 σ

Resultando en
E(S ced ) = 2285273,933
Además, para la esperanza se tiene la siguiente relación

E(S T otal ) = E(S Ced ) + E(S Ret )

Por lo que
E(S Ret ) = 28457031
Para el inciso final, la probabilidad de ruina se define como la probabilidad de que la prima
mas el capital de la aseguradora no sea suficiente para afrontar los siniestros. Es decir

P (π + K < S )

Si se asume normalidad, y se estandariza

π + K − E(S ) π + K − E(S )
! !
P <Z =1−P Z <
σ(S ) σ(S )
Se sabe que el capital es el 10 % de las primas, lo que implica

1 − P (Z < 1,224805531) = 11,03243 %

Esto es la probabilidad antes del Reaseguro. Para ver el impacto del mismo, se necesita calcular
la varianza retenida. Esta utiliza la misma lógica expresada previamente.
Z P Z L+P Z ∞
Var(S ) =
ret
s f (s)ds +
2
P f (s)ds +
2
(s − L)2 f (s)ds − E 2 (S ret )
0 P L+P

17
 = 5284244645000
Entonces, la misma será
πtotal − CostoXL + K − E(S Ret )
!
1−P < Z = 1,000846 %
σ(S Ret )
Ejercicio 2:
SIC Generales desea calcular la prima de riesgo del año próximo para su reducida cartera de
combinado familiar. El número de siniestros se modela con una distribución de Poisson con
parámetro λ = 15 · h, donde h = {0, 8; 1; 1, 2} y refiere a los contextos que se esperan para
el próximo año, cuyas probabilidades son 20 %, 50 % y 30 % respectivamente. La intensidad
de los siniestros se modela mediante una distribución exponencial. A la misma se le aplica
un deducible de 10.000 y se limita la indemnización a 1.000.000, lo que causa que el monto
esperado de los siniestros sea 500. 000. La prima se calcula como el valor esperado de los
siniestros con un adicional del 25 % del desvı́o de la cartera.
a Calcular la prima de riesgo.

b Calcular el capital necesario para que la probabilidad de ruina, bajo una hipótesis de
distribución normal, sea menor al 20 %.

c Si quisiera lograr el mismo objetivo que en el inciso b) pero con un reaseguro QS, si se
cuenta con un capital de 500. 000, ¿cómo lo diseñarı́a?

d Mediante una modelización de la cartera a partir de una distribución normal, calcular la

prima a cobrar por un reaseguro SL con prioridad.
Resumiendo la información, se tiene que la frecuencia se comporta según una Poisson que
toma valores dependiendo de contextos. En cambio, la intensidad será independiente de los
contextos. Esta se comporta como una exponencial con un deducible fijo de 10000 y limitada
al millón. El monto de los siniestros esperados, luego de las modificaciones, es de medio millón.

Lo primero que se debe reconocer es que los momentos absolutos se ponderan según los
contextos. Lo que no se pondera según esto son los momentos centrados (varianza). Esto quiere
decir que X
m j = E(S j ) = Pr(hi )E(S j |h = hi )
∀i

Las distintas frecuencias esperadas serán

E(N|h = hA ) = E(NA ) = Var(N|h = hA ) = Var(NA ) = 15 · 0,8 = 12

E(N|h = hB ) = E(NB ) = Var(N|h = hB ) = Var(NB ) = 15 · 1 = 15

E(N|h = hC ) = E(NC ) = Var(N|h = hC ) = Var(NC ) = 15 · 1,2 = 18
Esto se concluye ya que es un poisson, por lo que la media es igual a la varianza. Como el
intensidad es independiente del contexto, este siempre será de 500000. Por lo que

E(S |h = hA ) = E(S A ) = 12 · 500000 = 6000000

E(S |h = hB ) = E(S B ) = 15 · 500000 = 7500000

E(S |h = hC ) = E(S C ) = 18 · 500000 = 9000000

18
Entonces, la esperanza final de la cartera serán estas tres ponderadas por sus respectivas proba-
bilidades
E(S T otal ) = 7650000
Para calcular la varianza de la intensidad, se tiene la esperanza aplicada las modificaciones del
contrato. Sin embargo, no se tiene el parámetro original de la función de densidad. Es por esto
que se despeja de Z L+D Z ∞
(x − D) f (x)dx + L f (x)dx = 500000
D L+D
Con x
D = 10000 L = 1000000 f (x) = β1 e− β
Resultando en un
β = 644277,12
Entonces, la varianza será el resultado de
Z L+D Z ∞
(x − D) f (x)dx + L
2 2
f (x)dx − 5000002 = 125568466800
D L+D

Finalmente, la varianza en cada contexto se calculará como

h i
Var(S |h = hi ) = E(N|h = hi )Var(X) + Var(N|h = hi )E 2 (X)

Entonces, se calcula el momento segundo de cada contexto. Que si se pondera posteriormente

por sus probabilidades, se obtiene

Var(S T otal ) = 385523697500000

Finalmente,
πT otal = 12558689,35
Para el siguiente inciso, se tiene todos los datos a excepción del capital. Es por esto que se
despeja de la siguiente ecuación
π + K − E(S )
= Z80 %
σ(S )
12558689,35 + K − 7650000
√ = 0,841622123
385523697500000
K = 11616339,31
En el siguiente inciso, se parte de un QS y se quiere saber el porcentaje de retención ne-
cesaria para una cierta probabilidad de ruina. Simplemente se multiplica por el porcentaje de
retención la prima, la esperanza y el desvio. Despejando
π · R + K − E(S ) · R
= Z80 %
σ(S ) · R
R = 0,043
Finalmente, se considera un Stop Loss que en términos relativos plantea un 80 %xs120 %.
Si se asume una distribución normal, se quiere calcular la prima del mismo. Los parámetros a
utilizar son
µ = 7650000 σ2 = 385523697500000

19
Entonces, la prioridad en términos absolutos viene definida por

P = 1,2 · πtotal

Y la capacidad
C = (1,2 + 0,8) · πtotal
Por ende, la esperanza cedida será
Z C Z ∞
E(S ) =
Ced
(s − P) f (s)ds + (C − P) f (s)ds = 6166454,16
P C

Para la varianza cedida,

Z C Z ∞
(s − P) f (s)ds +
2
(C − P)2 f (s)ds − 6166454,162 = 21130463210000
P C

Con esto se puede calcular el costo del Stop Loss

πS L = 7545490,67

Ejercicio 3:
RAD9 Seguros tiene dos carteras (A) y (B): (A) 1.000 pólizas donde cada una cubre dos riesgos
independientes, con probabilidades de ocurrencia de un siniestro del 5 % y 8 % respectivamen-
te. Los daños para cada siniestro por cada riesgo se corresponden con distribuciones uniformes
comprendidas entre 0 y $1000000, y 0 y $2.500.000 respectivamente por cobertura. La indemni-
zación máxima por el conjunto de los siniestros (comprendiendo los dos riesgos) de cada póliza
asciende a $2.600.000. (B) 2.000 pólizas, cada una con una distribución de Poisson del número
de siniestros, con valor esperado en cada póliza de 0,15 que a partir de este año se limitará a
un máximo de 2 siniestros. Cada siniestro tiene como distribución del daño una función Gam-
ma, con media $300.000 y dispersión $400.000 con una indemnización máxima acumulada por
póliza de $1.000.000. El Capital inicial es del 10 % de las primas para riesgo.

i Determine las primas de riesgo de cada cartera si estas se calculan como el valor esperado
de los siniestros con un adicional del 50 % del desvı́o de la cartera.

ii A partir de una aproximación Log-Normal de las carteras en conjunto determine: proba-

bilidad de obtener un resultado negativo en el primer año, probabilidad de ruina a un año,
coeficiente de seguridad de la cartera y Valor a Riesgo al 95 %.

iii Mediante la discretización de las variables aleatorias continuas, estime el costo de una
cobertura de exceso de pérdida con prioridad de $300.000.- por siniestro, con recargos
iguales al 35 % de la dispersión del riesgo cedido total.

Para comenzar con el ejercicio, se resume la información de la primera cartera. Esta tiene
una cantidad de mil pólizas cuya frecuencia sucede según dos probabilidades de riesgos, 5 %
y 8 %. La intensidad de cada uno de estos será distribuida uniforme. La distintivo del ejercicio
tiene que ver con que el lı́mite de la indemnización sucede a la totalidad de los siniestros y no
de forma individual. Es decir, será necesario calcular lo que se espera de las mil pólizas para
después ponerle un máximo a la indemnización.

Observando la ocurrencia, se puede obtener fácilmente la total de la cartera. Esto es

20
 n P(N = n)
0 (1-0.05)(1-0.08)=0.874
1 0.05(1-0.08)=0.046
1 (1-0.05)0.08=0.076
2 (0.05)(0.08)=.004
Entonces, se deberá calcular lo esperado bajo cada escenario. Similar al enfoque de la variable
ponderada, los momentos serán
  X m  
E Sk = Pr(N = ni ) · E X k |N = ni
i=1

En caso de que haya cero siniestros, la indemnización será nula. Si solo hubiese un siniestro, se
tendrı́a que analizar de que riesgo proviene. Si fuese del primer riesgo, este tiene una distribu-
ción de densidad
  1
f x1A =
1000000
Si fuese del segundo riesgo
  1
f x2A =
2500000
En cambio, si ocurriesen dos siniestros en conjunto, su distribución será el resultado de la con-
volución de estas dos.
 x
  0 ≤ x ≤ 1000000
  1000000·2500000

f x1 · x2 = 
A A
 1
 2500000
1000000 ≤ x ≤ 2500000
 3500000−x

2500000 ≤ x ≤ 3500000
1000000·2500000

Se debe realizar esta convolución ya que el limita a aplicar es sobre la póliza y no sobre cada
siniestro individual. De esta forma, se tiene el riesgo esperado de cada póliza. Por ende, se
calculará la esperanza a pagar según la frecuencia y la intensidad, limitando esta última al pago
de 2600000. La esperanza es
Z 1000000   Z 2500000  
E(S A ) = 0,874 · 0 + 0,046 x · f x1 dx + 0,076
A
x · f x2A dx
0 0
"Z 1000000 Z 2500000
x 1
+0,004 x· dx + x· dx+
0 1000000 · 2500000 1000000 2500000
Z 2600000 Z 3500000 #
3500000 − x 3500000 − x
x· dx + 2600000 · dx
2500000 1000000 · 2500000 2600000 1000000 · 2500000
E(S A ) = 124805,6
Entonces, el momento de orden dos
Z 1000000   Z 2500000  
E(S A ) = 0,874 · 0 + 0,046
2 2
x · f x1 dx + 0,076
2 A
x2 · f x2A dx
0 0
"Z 1000000 Z 2500000
x 1
+0,004 x · 2
dx + x2 · dx+
0 1000000 · 2500000 1000000 2500000
Z 2600000 Z 3500000 #
3500000 − x 3500000 − x
2
x · dx + 2600000 ·2
dx
2500000 1000000 · 2500000 2600000 1000000 · 2500000

21
 E(S 2A ) = 187234973300
Finalmente, la varianza será entonces

Var(S A ) = 171658535500

Pero este cálculo es para cada póliza. Sabiendo que se tienen 1000 pólizas, la prima total será

πTAotal = 1000 · E(S A ) + 0,5 · 1000 · Var(S A ) = 131356526,20

p

Para la cartera B, se tienen dos mil pólizas cuya frecuencia es poisson limitada a dos. La inten-
sidad en cambio es una Gamma con parámetros desconocidos. También se tiene una indemni-
zación total limitada en un millón. Para encontrar las probabilidades de la frecuencia, utiliza la
función de densidad. Esta es
λn
Pr(N = n) = e−λ
n!
n P(N = n)
0 e−0,15
−0,15
1 e · 0,15
−0,15
2 1−e · 1,15
Entonces, se tienen los tres escenarios posibles. Si no ocurren siniestros, la densidad de la
intensidad será nula. Si ocurre uno, su densidad será
1
xα−1 e− β
  x
f x1B =
Γ(α)βα

En cambio, si ocurren dos siniestros será necesario calcular la convolución de estas dos distri-
buciones. Por propiedades de la Gamma, esto es igual a otra Gamma con dos veces el parámetro
alpha.
  1 x
f x1B · x1B = x2α−1 e− β
Γ(2α)β 2α

Además, se conoce la esperanza y el desvio de la distribución. Por lo que mediante el siguiente

sistema de ecuaciones
E(XB ) = 300000 = α · β
σ2 (XB ) = 4000002 = α · β2
Se concluye que
α = 0,5625 β = 533333,33
Recordando que Z ∞
Γ(α) = xα−1 e−x dx
0
Se puede calcular con el alpha correspondiente. Entonces, la esperanza será
"Z 1000000   Z ∞   #
E(S B ) = e−0,15
·0+e−0,15
0,15 · x · f x1 dx +
B
1000000 · f x1B dx
0 1000000

  "Z 1000000   Z ∞   #
+ 1−e −0,15
1,15 x· f x1B · x1B dx + 1000000 · f x1B · x1B dx
0 1000000

= 39977,20952

22
Calculando el momento de orden dos permite obtener la varianza

Var(S B ) = 23038295030

Lo que permite concluir que

πTBotal = 2000 · E(S B ) + 0,5 · 2000 · Var(S B ) = 83348403

p

Finalmente, entonces
πT otal = πTAotal + πTBotal = 214704932,2
Pasando al segundo inciso, se dice que el total de la cartera tiene una distribución log-
normal. Es por esto que se buscan el desvio y la media de esta distribución
s
E 2 (S T otal ) + Var(S T otal )
!
σ = ln = 0,07197082063
E 2 (S T otal )
!
E(S T otal )
µ = ln = 19,13475931
e2σ
1 2

A partir de esto, se pueden encontrar las probabilidades deseadas. Empezando por la probabili-
dad de tener resultados negativos, esta será calculada como la probabilidad de que el logaritmo
natural de las primas5 sea menor a los siniestros.

P (ln(π) < S )

ln(π) − µ
!
=P < z = P (0,69494 < S ) = 0,24354418
σ
Para la probabilidad de Ruina esto es idéntico, solo que agregando el capital. Este era un diez
porciento de las primas, por lo que

ln(1,1π) − µ
!
P < z = P (2,019236458 < S ) = 0,02173132
σ

Este número al que se le busco la probabilidad, es el coeficiente de seguridad. Finalmente, resta

buscar el Valor a Riesgo. Este es un percentil dado un nivel de confianza, por que que

ln(VaR95 % ) − µ
!
P < z = 0,05 → VaR95 % = 229896732
σ

El último inciso introduce un contrato no proporcional al problema. Este es un XL con una

prioridad de 300000 pero manteniendo el lı́mite agregado a la póliza. Es por esto que se genera
un inconveniente. Este XL será aplicado riesgo a riesgo, pero el agregado tendrá que considerar
el lı́mite. Entonces, en caso de que sucedan siniestros se debe poner un máximo según corres-
ponda. Se puede ver que el lı́mite solo se alcanza si suceden los dos riesgos. Empezando con la
cartera A, la esperanza de lo cedido es
  Z 1000000 1
E X1 =
Ced
(x − 300000) dx = 245000
300000 1000000
5
Esto se debe a que se trabaja bajo el supuesto de Log-Normal.

23
 Z 2500000
  1
E X2Ced = dx = 968000
(x − 300000)
300000 2500000
Hasta ahora no se considera el lı́mite ya que no hace falta. Sin embargo, cuando suceden los
dos siniestros si se debe considerar. Es por esto que se discretiza cada distribución uniforme.
De esta forma, se simplifica el problema. Para simplificar aún mas, se supondrá que primero
ocurre el primer riesgo y posterior a esto ocurre el segundo. Por lo tanto, en caso de tener que
ponerle un máximo a un siniestro, solo se modificará el riesgo dos. Empezando por el primero
y eligiendo arbitrariamente 4 rangos
Rango Valor Medio Probabilidad Valor Cedido
0-250000 125000 0.25 0
250000-500000 375000 0.25 75000
500000-750000 625000 0.25 325000
750000-1000000 875000 0.25 575000
Se observa que como los 4 rangos son equidistantes y se habla de una uniforme, estos serán
equiprobables. Además, el Valor Cedido será sobre el Valor Medio. Para el segundo riesgo, se
eligen 5 rangos también equidistantes, y se calcula el valor medio. La principal diferencia es
que el valor cedido será calculado junto al primer riesgo
Rango Valor Medio Probabilidad
0-500000 250000 0.2
500000-1000000 750000 0.2
1000000-1500000 1250000 0.2
1500000-2000000 1750000 0.2
2000000-2500000 2250000 0.2
Entonces, se arma la siguiente tabla con la información del siniestro 1, el siniestro 2, el siniestro
2 maxeado y los siniestros cedidos final. Se recuerda que lo cedido se trabaja individualmente.
Entonces
Siniestro 1 Siniestro 2 Siniestro 2 Maxeado Siniestro Cedido
125000 250000 250000 0
125000 750000 750000 450000
125000 1250000 1250000 950000
125000 1750000 1750000 1450000
125000 2250000 2250000 1950000
375000 250000 250000 75000
375000 750000 750000 525000
375000 1250000 1250000 1025000
375000 1750000 1750000 1525000
375000 2250000 2250000 2000000
625000 250000 250000 325000
625000 750000 750000 775000
625000 1250000 1250000 1275000
625000 1750000 1750000 1775000
625000 2250000 1975000 2000000
875000 250000 250000 575000
875000 750000 750000 1025000
875000 1250000 1250000 1525000
875000 1750000 1725000 2000000
875000 2250000 1725000 2000000

24
Entonces, teniendo en cuenta que cada intervalo tiene probabilidad 0,2 · 0,25, la esperanza y la
varianza sumado a lo previamente ya calculado
 
E S Ced
A = 89483
 
Var S Ced
A = 112323234400000
Para la siguiente cartera sucede similar. Mientras no ocurran dos riesgos no hay problema con
el lı́mite. Entonces se puede calcular sin la discretización.
  Z 1000000   Z ∞  
E x1 =Ced B
(x−300000) f x1 dx+ (1000000−300000) f x1B dx = 109356,0611
300000 1000000

Entonces, para cuando suceden 2 riesgos se discretiza. El primer riesgo será independiente del
segundo, por lo que
Rango Valor Medio Probabilidad Valor Cedido
0-400000 200000 0.74758 0
400000-800000 600000 0.15432 300000
800000-1200000 1000000 0.05739 700000
1200000-1600000 1400000 0.02328 700000
1600000- 1800000 0.01743 700000
Para el segundo riesgo se plantean los mismos rangos, por lo que se tendrá las mismas probabi-
lidades. Entonces, planteando la misma tabla que anteriormente, se puede llegar a los siniestros
cedidos finales. Con esto mismo, se obtiene
 
E S Ced
B = 190139
 
Var S Ced
B = 7967268195
Finalmente, se tiene la varianza y la esperanza cedida. Sumando cada una se calcula la prima
del contrato XL, obteniendo
  q  
Costo = E S T otal + 0,35 Var S Tcedotal = 125557319,4
ced

25
2. Medidas de Riesgo
2.1. Principales Criterios
Hasta ahora, lo que se analizó fueron los riesgos ı́ntegramente caracterizados por su rango de
valores posibles con sus correspondientes probabilidades. Principalmente, se centro el análisis
en la esperanza y la varianza. Esto ya que se baso en el Principio de Cálculo de Primas. El
mismo indica que la prima del riesgo individual como mı́nimo debe ser igual a lo que se espera
que suceda con el siniestro X. Esto es

π(X) ≥ E(X)

Lo que generalmente sucede, es que se plantea una relación del estilo

π(X) = E(X) + Recargos(X)

Se pueden dar diversas situaciones. La primera es la Equivalencia, donde la prima es igual a la

esperanza
π(X) = E(X)
La segunda plantea un recargo sobre la esperanza en cierto nivel α1 , esta se denomina Valor
Esperado
π(X) = E(X) + α1 E(X1 ) = E(X)(1 + α1 )
La tercera plantea un recargo sobre el Desvió Estándar

π(X) = E(X) + α2 σ(x)

O sobre la Varianza
π(X) = E(X) + α3 σ2 (x)
La quinta, se puede plantear que la prima sea igual a un cuantil que acumule cierta probabilidad
ρ.
π(X) = VaR(X; ρ)
Finalmente, se plantea el Principio de Utilidad Nula. Este se basa en funciones de utilidad, e
implica que la satisfacción entre algo incierto y algo cierto debe ser igual. Si se llama W al
patrimonio,
u (E − π(X)) = E [u (E − π(X))]
Esta función de utilidad debe ser creciente (derivada primera positiva) pero de forma decreciente
(derivada segunda negativa lo que implica concavidad). Entonces, el coeficiente de aversión al
riesgo será
u′′ (z)
CAR(z) = − ′
u (z)
Un caso particular de este principio, es la siguiente función de utilidad

1 − e−α·z
u(z) = α>0
α
Que se demuestra
1
π(X) = ln (E [eαx ])
α

26
Partiendo de la igualdad,

1 − e−α·(W−π(x)) 1 − e−α·(W−π(x))
" #
=E
α α
Entonces, simplificando
eα·π = E(eα·S )
Lo que es la función generatriz de momentos del lado derecho. Despejando la prima se llega a
la expresión deseada.

Sin embargo, se puede ampliar este resumen de caracterı́sticas en términos relativos y abso-
lutos. A continuación se plantearan diversas medias de riesgo. La primera es la probabilidad
de resultados negativos. Sin mas esto es

P(R < 0) = P(S > π)

Que se calculará dependiendo de la distribución de los siniestros.

La segunda medida es una que ya se mencionó, la probabilidad de ruina. Sea P(u; k) la

probabilidad de ruina para el año k según un capital inicial de u. Para el primer año

P(u; 1) = P(S > u + π) = P(R < −u)

Se deduce a partir de acá, un coeficiente de seguridad tal que

u + π − E(S )
u + π = E(S ) + t · σ(S ) → t =
σ(S )
Donde t es un valor estandarizado bajo hipótesis de distribución normal. En otras palabras, si
se asume normalizad, se puede encontrar la probabilidad de ruina correspondiente.

Otra medida que puede ser de interés es el valor esperado de resultados negativos. Es
decir, la esperanza de los resultados negativos. Esto implica que el argumento de la esperanza
será cero o el exceso de los siniestros por encima de la prima.

E [− mı́n(0; R)] = E [máx(0; S − π)] = E [(S − π)+ ]

Se destaca que la probabilidad sigue siendo la de la distribución de S , Esta no se modifica.

Se puede complementar la medida anterior con el valor esperado del incumplimiento del
asegurado6 . La misma es la esperanza de la probabilidad de ruina. Similar a antes,

E [− mı́n(0; R)] = E [máx(0; S − π − u)] = E [(S − π − u)+ ]

Esta, se puede condicionar a que se este en la probabilidad de ruina. En otras palabras, la ex-
presión de arriba probablemente de valores relativamente bajos ya que se calcula en base a las
probabilidades totales de S . Pero condicionando a que se este en una probabilidad de ruina, lo
que se puede esperar es
E [(S − π − u)+ ]
P(u; 1)
6
También conocido como Expected Shortfall.

27
 Agregando otra medida, una ya conocida es el Valor a Riesgo. Este es un percentil dado un
nivel de confianza ρ, tal que
P(S ≤ VaR(S ; ρ)) = ρ
Que se puede expresar en función de la probabilidad de ruina eligiendo el nivel de confianza
adecuado, como Z u+π
ρ= f s (x)dx = 1 − P(u; 1)
0
Sin embargo, este criterio tiene una carencia fundamental que es no brindar información
sobre los montos que pueden llegar a suceder. En otras palabras, se conoce que un valor x
acumula ρ de probabilidad. Pero el exceso por encima de este valor no es conocido. Lo que
implica que, una vez superado el Valor a Riesgo, se puede tener un monto muy superior al
mismo, aun si se tuvo un nivel de confianza muy elevado. Es por esto que se calcula el valor
esperado del exceso del valor a riesgo. Es mismo es la esperanza por encima del VaR
Z ∞
V EEVaR(S ; ρ) = [x − VaR(S ; ρ)] f s (x)dx
VaR(S ;ρ)

Que se puede expresar como

E [máx(0; S .VaR)] = E((S − VaR)+ )

Otra medida relacionada con el Valor a Riesgo, es el mismo pero condicionado a que se
supere. Es decir, se quiere conocer lo que se puede esperar una vez superado el umbral del valor
a riesgo. Esto se conoce como Tail Value at Risk
Z ∞
x f s (x)dx
VaR(S ;ρ)
T VaR(S ; ρ) =
1−ρ
O también calculable como
 E máx(0; S )|S ≥ VaR(S ; ρ)
 
T VaR(S ; ρ) = E S ; S ≥ T VaR(S ; ρ) =

1−ρ
Si se quiere obtener las relaciones entre las medidas expuestas, se observa que a partir del
T VaR(S ; ρ) se puede expresar con la esperanza de los siniestros
Z ∞ Z VaR(S ;ρ)
x f s (x)dx − x f s (x)dx
T VaR(S ; ρ) = 0 0
1−ρ
Z VaR(S ;ρ)
E(S ) − x f s (x)dx
= 0
1−ρ
Y sabiendo que la esperanza del mı́nimo entre los siniestros y el valor a riesgo
Z ∞
E mı́n(S ; VaR(S ; ρ)) = mı́n (S ; VaR(S ; ρ) f s (x)dx)
 
0
Z VaR(S ;ρ)
= x f s (x)dx + (1 − ρ)VaR(S ; ρ)
0

28
Si se despeja el término de la integral y se reemplaza en la expresión de arriba

E(S ) − E mı́n(S ; VaR(S ; ρ)) − (1 − ρ)VaR(S ; ρ)

 
T VaR(S ; ρ) =
1−ρ
Que es igual a

E(S ) − E mı́n(S ; VaR(S ; ρ))

 
T VaR(S ; ρ) = VaR(S ; ρ) +
1−ρ

29
2.2. Coherencia de las Medidas
Cuando se define una medida de riesgo, se esta hablando de una variable aleatoria X -el
riesgo- a la que se le aplica una función H(x) que la transforma, devolviendo un número real.
Es decir
H:X→R
Estas medidas suelen tener diversas propiedades que son deseadas, y son indicadores para saber
que tan bueno es el criterio de riesgo a utilizar. La primera propiedad es la Invarianza en la
Traslación
H(X + α) = H(X) + α
Esta propiedad indica que si a la variable aleatoria X se le suma una constante, la medida en
cuestión solo se debe modificar según la constante. Esto se cumple en el caso de la esperanza
pero no en el caso de la varianza.

E(X + α) = E(X) + α Var(X + α) = Var(X) + 0

La segunda propiedad es la Homogenidad Positiva para todo escalar α

H(α · X) = α · H(X)

Esto implica que el cambio en las unidades (por ejemplo, las monedas o las proporciones) no
cambia la medida de riesgo. De nuevo, la esperanza lo cumple pero la varianza no

αE(X) = αE(X) Var(Xα) = α2 Var(X)

La tercera propiedad es la Subaditividad para dos variables aleatorias X e Y

H(X + Y) ≤ H(X) + H(Y)

Sin mas, la medida de riesgo aplicada en su conjunto para las dos variables no puede ser mayor
a la medida de riesgo aplicada de forma individual. Con respecto a la esperanza y la varianza,
se observa que

E(X + Y) = E(X) + E(Y) Var(X + Y) = Var(X) + Var(Y) + 2Cov(X; Y)

Finalmente, la Monotonicidad indica que si X < Y, entonces

H(X) ≤ H(Y)

Que en el caso de la esperanza se verifica, pero la varianza no se puede comprobar ya que

depende del rango de la variable y no de los valores que toma.

30
2.3. Teorı́a de Valores Extremos
Una medida de riesgo que puede ser de interés tiene que ver con los valores mas altos de
una distribución. En estadı́stica mas básica, lo que se suele utilizar para el cálculo de probabili-
dades es el teorema central del lı́mite. Este teorema se fundamenta en que una serie de variables
aleatorias idénticamente distribuidas e independientes, {X1 ; X2 ; ...; Xn }, con una función de dis-
tribución desconocida en su forma pero conocida en esperanza y varianza finita. Entonces, la
media muestral se puede computar como

σ2
!
d
− N µ;
X̄ →
n
Es decir, en el promedio los datos tienden a comportarse como una normal. Entonces, el teo-
rema central del lı́mite se fundamenta en esto para argumentar que sea una suma de variables
aleatorias n
X
Sn = Xi
i=1
√
Cuya esperanza total será n · µ y cuyo desvio total será n · σ. Entonces
Sn − n · µ
√ ∼ N(0; 1)
n·σ
Pero esta medida es certera dentro del promedio de valores. Cuando se quiere analizar la cola
de la distribución, la misma pierde efectividad. Es por esto que se desarrolla la teorı́a de valores
extremos7 . Por ejemplo, si se desea conocer el valor máximo de una secuencia, se tendrá

Mn = máx {X1 ; X2 ; ...; Xn }

Es de interés entonces conocer el comportamiento de esta medida de riesgo. Utilizando el Teo-

rema de Fischer-Tippett-Gnedenko, sea Xn una sucesión de variables aleatorias idénticamen-
te distribuidas e independientes, y sea Mn el máximo de esa sucesión. Además, se definen dos
constantes an > 0 y bn . Se demuestra que la correcta normalización de esta variable da como
resultado una distribución H.
Mn − an d
→
− H
bn
Donde la distribución de H puede tomar 3 variaciones
 1
 exp −(1 + ξ · x)− ξ ξ , 0

Hξ (x) = 

 exp (−e−x ) ξ=0

Donde 1 + ξ · x > 0. A su vez, se observa que el parámetro ξ puede tomar 3 signos. Esto determi-
nará la forma de la cola. Si ξ < 0, se obtendrá una distribución Weibull, la cual tiene una cola
corta. Si ξ = 0, la distribución resultante será una Gumbel, la cual decae exponencialmente.
Finalmente, si ξ > 0 se tendrá una Fréchet.

En definitiva se tendrán tres parámetros, an , bn y ξ. Estos deben ser estimados de alguna

forma. Lo mas común es por la Estimación Máximo Verosı́mil. Cada parámetro tendrá su res-
pectiva interpretación. El an habla sobre la locación de la distribución, y que tan corrida esta la
7
Este tema es muy amplio y en esta sección se dará una idea general del tema. Para mayor profundización ver
otros documentos del autos.

31
misma. El bn brinda información sobre la escala de esta. Finalmente, el ξ indica la forma de la
distribución.

Otra medida de riesgo que puede ser de interés tiene que ver con la modelización de las
pérdidas que excedan determinado umbral antes que exclusivamente el máximo. Este es el caso
de un contrato XL, que define como relevante la prioridad. Para este segundo análisis, se utiliza
la variante de Peaks Over Threshold. El mismo define un cuantil u, muy elevado, y su función
de excedente
Y = [X − u|X ≥ u]
Es decir, el exceso que tiene X por encima de u, dado que es mayor o igual al mismo. Por lo
que la función de distribución condicionada para los valores que exceden este umbral,
F(y + u) − F(u)
Fu (y) =
1 − F(u)
Para la gran mayorı́a de las distribuciones conocidas, esta función de exceso condicionada con-
verge a una distribución generalizada de pareto a medida que se aumenta el umbral u. Dicha
distribución acumulada es definida como
ξ −1
  
 1 − (1 + σ · y) ξ ξ , 0

Gξ;σ (y) = 

y
1 − e− σ ξ=0



La pregunta podrá ser entonces, como seleccionar este umbral u. El mismo puede ser elegido
arbitrariamente como un cuantil, cuyo caso es habitual la selección del 95 %. O también puede
ser encontrado mediante un correlato con la distribución. Sabiendo que la pareto generalizada
es una linea recta con pendiente positivo, se puede ir aumentando el umbral hasta observar este
comportamiento. Finalmente, una alternativa poco recomendada es estimar el umbral u como si
fuese otro parámetro.

32
2.4. Ejercicios
Ejercicio 1:
Usted se encuentra analizando la cola de la distribución de una variable aleatoria mediante una
Pareto Generalizada, la cual cuenta con las siguientes caracterı́sticas: escala (σ) = 585; forma
(ξ) = 0; umbral (µ) = 600. Los datos por encima del umbral representan el 5 % del total de los
datos. Considerando un contrato de reaseguro de exceso de pérdida de 1000 xs 1000, se solicita
calcular el valor esperado de los siniestros cedidos. Calcular el Valor a Riesgo para un 98 % de
confianza.

Para comenzar, es de utilidad poder identificar que se esta analizando la cola de la distri-
bución con el método de POT8 . Entonces, lo que se debe analizar es la función de densidad de
Pareto Generaliza, teniendo en cuenta que se tiene como variable aleatoria el exceso por encima
del umbral. Esto quiere decir que la función ya esta condicionada a que se supero el umbral
establecido. Por ende, se puede plantear partiendo de

Y = x−µ

Se plantea como los ejercicios de Reaseguro. Esto quiere decir que se tendrá que integrar desde
el dominio deseado de la función de densidad multiplicado al monto a pagar. La función de
densidad será g(Y) o bien g(x − µ), ya que son equivalentes. El monto a pagar comenzará en
1000, ya que menos de esto se hará cargo la prioridad. El mismo irá creciendo hasta los 2000
que se alcanza la capacidad contractual. Posterior a este valor, se integrará hasta infinito pero
fijando el monto a pagar en el lı́mite. Este monto, expresado en términos de la variable aleatoria
Y será Y − 400, que surge de a la variable restarle la prioridad -ya que esto no se paga- pero
sumarle el umbral -ya que se condiciona a superarlo-. Como se comienza pagando desde cero
hasta mil, la integral debe acomodarse a estos valores. Es por esto que se integra desde 400 hasta
1400. Posterior a esto, el valor se fija en mil. Todo esto esta condicionado a que se supera el
umbral. Pero si lo que se desea es ver la esperanza de los siniestros cedidos, se quiere analizar la
esperanza sin condicionarse a que se supere el µ. Por lo tanto, se multiplica por la probabilidad
de estar por encima del mismo. Esto ya que el condicionamiento se piensa como Bayes, donde
se divide por la probabilidad de estar en tal zona. Esto es
h i "Z 1400 Z ∞ #
E S cedido
= (y − 400)g(y)dy + 1000g(y)dy · 0,05
400 1400

El mismo análisis puede ser hecho con la variable X

h i "Z 2000 Z ∞ #
E S cedido
= (x − 1000)g(x − 600)dx + 1000g(x − 600)dx · 0,05
1000 2000

La función de densidad ahora será reemplazada por la misma pero con una variable x − 600, y
el monto a pagar será la variable x neta de la prioridad. A su vez, se acomodan los lı́mites de la
integral. El resultado de esta integral es 12,09.

Para en contar el VaR98 % , se puede plantear su definición.

P [X ≤ x] = 0,98
8
Peaks Over Thresholds.

33
Conociendo que todos los datos por debajo del umbral acumulan el 95 %, se puede separar la
probabilidad según esto

P X ≤ µ + P X ≥ µ ·G (VaR98 % − µ) = 0,98
   
| {z } | {z }
0,95 0,05

Es decir, la probabilidad de que la variable se encuentre por debajo del umbral mas la probabi-
lidad que lo supere multiplicado a que llegue solo a acumular el 98 %. Esto es,
0,98 − 0,95
= 0,6 = G (VaR98 % − µ)
0,05
Por lo que y
G0;585 (y) = 1 − e− 585 = 0,6
Se debe despejar la variable Y para posterior a esto despejar el Valor a Riesgo.

Y = 536,03 → X = 1136,03

Ejercicio 2:
Para cotizar un Reaseguro XL se intentó modelizar la cola del riesgo a través de una distribu-
ción generalizada de Pareto. Suponga que el modelo escogido cuenta con parámetros σ = 450;
ξ = 0, 3; µ = 1500; y que hay 173455 valores que superan umbral seleccionado sobre 5781833
valores totales de la muestra tomada. La compañı́a desea saber cuál es la máxima pérdida po-
tencial del riesgo en cuestión, con una confianza del 99 %.

Lo primero que se puede conocer, es el porcentaje de datos que se encuentran por encima
del umbral. Este se calcula sin mas como
173455
= 0,03
5781833
Entonces, se puede plantear la probabilidad como

P X ≤ µ + P X ≥ µ ·G (VaR99 % − µ) = 0,99
   
| {z } | {z }
0,97 0,03

Entonces,
!− 0,31
0,99 − 0,97 2 0,3
= =1− 1+ ·y
0,03 3 450
Por lo que
Y = 585,5837 → X = 2085,5837
Ejercicio 3:
Una compañı́a de seguros tiene los siguientes dos riesgos
Riesgo 1 Riesgo 2
x P(X = x) x P(X = x)
0 0.6 0 0.5
1000 0.18 1000 0.35
2000 0.22 3000 0.15

34
Sabiendo que las primas se calculan como la esperanza adicional a un recargo del 30 % sobre
el desvio, y que el capital es el 30 % de las primas, se pide hallar la probabilidad de resultados
negativos, la probabilidad de ruina, el valor esperado de los resultados negativos, el valor espe-
rado del incumplimiento del asegurador, el valor a riesgo con una confianza del 95 % y el TVaR
para la misma confianza.

Lo primero que se debe encontrar es la distribución total de la cartera. Para esto, se comienza
haciendo la convolución
x P(X = x)
0 0.3
1000 0.3
2000 0.173
3000 0.167
4000 0.027
5000 0.033
Entonces, a partir de esta distribución se puede encontrar lo necesario. Comenzando con las
primas y el capital,
π = E(S ) + 0,3 · σ(S ) u = 0,3 · E(S )
Por lo que, si se realizan los cálculos se puede ver que

E(S ) = 1420 σ(S ) = 1317,42

Concluyendo que

π = E(S ) + 0,3 · σ(S ) = 1815,22 u = 0,3 · E(S ) = 544,567955

Entonces, comenzando con los criterios se van a desarrollar de forma individual. El primero
busca que los siniestros sean mayor a la prima. Esto serı́a

P(S > π)

Sabiendo que la prima es mayor a mil pero menor a dos mil, con que los siniestros valgan dos
mil o más, se tendrá resultados negativos. Por ende, para calcular esta probabilidad se debe
sumar todas las probabilidades de que los siniestros sean dos mil o más

P(S > π) = P(S = 2000) + P(S = 3000) + P(S = 4000) + P(S = 5000) = 0,4

El siguiente criterio es similar, ya que la única diferencia tiene que ver con que se busca la
probabilidad de que los siniestros sean superiores a la prima mas el capital. De forma similar,
se suman las probabilidades de que los siniestros sean mayores o iguales a tres mil.

P(S > π + u) = P(S = 3000) + P(S = 4000) + P(S = 5000) = 0,227

Si se desea el valor esperado de los resultados negativos, se plantea la esperanza de la variable

aleatoria Resultado Negativo”. Esta variable aleatoria es calculada como el máximo entre cero
o el resultado negativo (la diferencia entre los siniestros y la prima, con S mayor a π). Es de
ayuda plantear la tabla con esta variable aleatoria

35
 máx(0; S − π) P(X = x)
0 0.3
0 0.3
184.74 0.173
1184.74 0.167
2184.74 0.027
3184.74 0.033
Entonces, la esperanza de esta variable aleatoria es 393.909. Similar sucede con el valor espe-
rado del incumplimiento por parte del asegurador. Se plantea la variable aleatoria ”Monto de
Ruina”, que será el máximo entre cero y la diferencia de los siniestros con respecto al capital y
la prima. Esto es
máx(0; S − π − u) P(X = x)
0 0.3
0 0.3
0 0.173
640.214 0.167
1640.214 0.027
2640.214 0.033
La esperanza de esta variable aleatoria es 238.33. Finalmente, solo resta calcular el valor a riesgo
y el valor a riesgo condicional. Para el primero, es necesario plantear la función de distribución
acumulada.
x P(X = x)
0 0.3 0.3
1000 0.3 0.6
2000 0.173 0.773
3000 0.167 0.94
4000 0.027 0.967
5000 0.033 1
Entonces, si se quiere el valor a riesgo al 95 %, sin ms se tiene que ver que cuantil alcanza esta
probabilidad. Se observa que el 3000 no la alcanza ya que le falta 0.01. Por ende, es el siguiente

VaR95 % = 4000

Para el valor a riesgo condicionado, se dividirá por la probabilidad de estar en la cola (0.05) y se
calculará la esperanza de los valores que lo superan. Una cuestión fundamental es que una parte
de los 4000 supera este 95 %. Esto quiere decir que, el cuantil de 4000 agrega una probabilidad
de 0.027 al total. Pero para llegar al 0.95 solo hace falta un 0.01. Entonces, el exceso se debe
cuantificar en los valores que excedan al valor a riesgo. Por lo que, se tomará este valor con una
probabilidad de 0,967 − 0,95.
4000 · (0,967 − 0,95) + 5000 · 0,033
T VaR95 % = = 4660
0,05

36
3. Simulación Estocástica
En esta sección se analizará otro enfoque a los problemas ya analizados. Existen escenarios
donde la complejidad excede a los procedimientos analı́ticos, y estos dejan de ser prácticos.
Por ejemplo, si se desea un Valor a Riesgo de una cartera S que se conforma con la suma de
dos riesgos X1 y X2 , donde el primero se distribuye Log-Normal y el segundo Gamma. La re-
solución analı́tica requiere de la convolución de estas dos variables. Sin embargo, si se tiene
un programa computacional se puede solucionar de otra forma mas sencilla. Lógicamente, al
utilizar este método se tendrá algunas desventajas. La principal de estas es la precisión ya que
se requiere una cantidad de datos muy grande para que esta sea precisa.

El planteo base de la simulación se basa en la distribución acumulada.

P(X ≤ x) = F(x)

Esta brinda el valor de acumulado de la probabilidad hasta cierto argumento x. Entonces, si se

genera un número aleatorio en un rango de cero a uno equi-probable, se puede corresponder con
la probabilidad dada de cierto valor de x para alguna función de distribución. Que el número
aleatorio, denominado u, sea equi-probable significa que su distribución será uniforme en el
rango expuesto
u ∼ U[0; 1]
Esto deberá ser comprobado con un análisis exhaustivo de los datos. Esto quiere decir, realizar
los test de bondad de ajuste correspondiente. Esto puede ser por el Test de Kolmogorov Smirnov,
que compara una distribución presupuesta (uniforme) con la empı́rica (la simulada). Los valores
crı́ticos para n > 50son
Nivel de Significancia 0.2 0.1 0.05 0.02 0.01 0.005 0.002 0.001
1,07 1,22 1,36 1,52 1,63 1,73 1,85 1,95
Valor Crı́tico √
n
√
n
√
n
√
n
√
n
√
n
√
n
√
n

Otra análisis necesario es ver la correlación entre los números aleatorios. Como son equi-
probables, no deberı́a observarse ninguna correlación entre los u simulados. Hoy en dı́a, los
números aleatorios se generan a partir de tablas predeterminadas con secuencias de números
determinadas aleatoriamente. Lo que significa que en realidad son números pseudo-aleatorios.
Entonces si se asigna este valor generado de u a la función de distribución,

u = F(x) → x = F −1 (u)

Deduciendo este valor de x, se tiene el argumento en cuestión. Esto tendrá cierta frecuencia
dada según la función F(x) que se este utilizando. Entonces, si se repite este proceso n veces,
para un n tendiendo a infinito, se tendrá una representación certera del comportamiento de la
probabilidad. Esto se podrá observar con histograma.

Teniendo ya muchos valores de x, se puede aplicar el contrato de reaseguro o calcular lo de-

seado. Esto implica aplicar el Exceso de Pérdida a cada x, el Stop Loss al total de los siniestros,
el Cuota Parte a cada x o calcular la medida de riesgo deseada.

Otra herramienta que se utiliza en relación a la simulación es la Discretización de Variables

Continuas. Esta opción permite trabajar con una variable continua de forma discreta, a costa
de perder precisión. Esto quiere decir que se crean rangos de la variable aleatoria continua

37
para todo el dominio de esta, y se calcula la probabilidad de este rango. Por ejemplo, sea una
exponencial
x
e− β
f (x) = 0≤x<∞
β
Entonces, conformando rangos arbitrarios de 509 se conforma la siguiente tabla
Rango Probabilidad
Z 50 − βx
e
0-50
Z 0100 β− βx
e
50-100
Z50150 β− βx
e
100-150
Z100 β
100 − βx
e
150-200
Z150 β
250 − βx
e
200-250
200 β
... ...
Lógicamente, como el dominio de la función va hasta infinito se tendrá que frenar en cierto
valor k elegido. Por ende, la probabilidad de este último rango (de k hasta infinito) será la
correspondiente a que haga que se cumpla la ley de cierre
x x
∞
e− β k
e− β
Z Z
=1−
k β 0 β
En base a esto, se puede discretizar dos variables continuas y realizar su convolución de forma
sencilla.

9
A menor sea el rango, mas parecido será a una continua y por ende mas preciso será

38
4. Probabilidad de Ruina
En esta sección se profundizará en el estudio sobre la probabilidad de ruina. Hasta ahora,
solo se enfocó en el caso de que la compañı́a de seguros quiebre en el primer año. Pero puede
darse el caso en que se quiera analizar la solvencia a largo plazo. En sus aspectos tradiciona-
les, sujetos a la capacidad de cálculo, el análisis de la Probabilidad de Ruina se define como un
proceso estocástico de la evolución del patrimonio neto del asegurador (“Capital propio” o “Re-
serva”), que periódicamente se incrementa por las primas para el riesgo (primas netas de gastos
y destinada exclusivamente a siniestros) y se reduce por el monto de los siniestros ocurridos
(y gastos directos asociados a éstos). Esto quiere decir que el fondo disponible en un periodo
t, depende de lo que suceda en el periodo anterior. Genéricamente, si se define a los recursos
disponibles como U, se tendrá que

Ut = Ut−1 + πt − S t−1

Es decir, los recursos disponibles previos sumados al ingreso de primas pero netos del pago de
siniestros ocurridos previamente. En sus aspectos modernos, el planteo se halla integrado al con-
junto de la actividad aseguradora, considerado al patrimonio neto como un proceso estocástico,
incluyendo además entre otros aspectos los factores de desarrollo de pago de siniestros y sus
reservas por siniestros pendientes, las inversiones y sus resultados tanto de capital propio co-
mo del originado en reservas de primas y de siniestros, primas en general, gastos, polı́ticas de
reaseguro, aspectos tributarios, aportes de capital, pago de dividendos. En la actualidad estos
planteos se denominan en general como Análisis Patrimonial Dinámico. Esto será un tema a
desarrollar a posterior.

Comenzando con el planteo base, se define una cuestión lógica e intuitiva que es la barre-
ra absorbente. Esto quiere decir que para que haya alguna probabilidad de ruina no nula en
un año t, se tiene que haber sobrevivido los años anteriores. Esto tiene sentido ya que no se
puede considerar una probabilidad de que una compañı́a quiebre en el año t si ya quebró en el
año anterior. La segunda cuestión a definir es el resultado periódico. El del primer año será
simplemente los ingresos menos los egresos

R=π−S

En términos de esperanza
E(R) = π − E(S )
Se puede deducir entonces la función de distribución del resultado periódico como

G(x) = P(R < x) = P(S > π + x)

Esta se asume continua y diferenciable. Entonces, se puede ver que la probabilidad de que el
resultado del primer periodo sea menor que la reserva inicial con signo negativo, o sea que los
siniestros sobrepasen la suma de la reserva mas la prima

P(u; 1) = P(R < −u) = P(S > u + π) = G(−u)

Esto será dentro del primer año. Sin embargo, para los años siguientes esto cambia. Se quiere la
probabilidad de que la compañı́a quiebre en los dos primeros años. Esto será la probabilidad de
quiebra del año anterior en adición a la probabilidad de quiebra del año siguiente condicionado
a la supervivencia del uno y considerando el nivel de siniestros que se tuvieron. Es decir, si

39
el año 1 se parte de un capital u y una prima anual π, sabiendo que hubo supervivencia, los
recursos disponibles serán
u + π − S i(1)
Para todo i posible que haga que S ≤ u + π. Este segundo año también tendrá un ingreso de
prima anual pero egresos por los siniestros. Entonces, si se quiere siniestros que superen el
monto disponible,
π+u
X
P(u; 2) = P(u; 1) + P(S = y)P[u + π − y; 1]
y=0

Lo que se interpreta como la probabilidad de ruina del primer año, adicional a la suma ponde-
rada de probabilidad de ruina del siguiente año por cada escancio posible de siniestro que haga
que ocurra el evento. Genéricamente
π+u
X
P(u; n) = P(u; 1) + P(S = y)P[u + π − y; n − 1]
y=0

Analizando lo desarrollado con un ejemplo numérico, sea u = 50, π = 150 y la siguiente

distribución de siniestros
S P(S = s)
0 0.4
100 0.3
200 0.2
300 0.1
Sabiendo que los recursos disponibles del momento uno son 200 (primas mas capital), la única
forma de quebrar es si los siniestros son mayores a este monto. El único escenario posible es que
haya siniestros por 300, con probabilidad del 10 %. Esta será la probabilidad de ruina del año
1. Para la del siguiente año, se debe considerar todos los caminos posibles de supervivencia.
Esto es que hayan habido cero siniestros, por monto de 100 o por monto de 200. Entonces,
dependiendo de esto se tendrán distintos niveles de recursos disponibles. En el primer escenario
mencionado se tendrá
U1 = |{z}
u + π +π − S
U0

= 50 + 150 + 150 − 0 = 350

Este escenario no ‘puede generar ruina ya que los máximos siniestros posibles son por 300. Es
por esto que esta situación no tiene ruina. La siguiente variante es el escenario en el que hayan
ocurrido siniestros pos 100 en el momento uno. Esto genera

U1 50 + 150 + 150 − 100 = 250

Entonces, solo se puede generar ruina bajo la probabilidad de que sucedan siniestros por 300
(0,1) sabiendo que la probabilidad de haber tenido siniestros por 100 antes fue de 0,3. En defini-
tiva, la probabilidad de este evento es de 0,03. Finalmente, en el caso de que hubiesen siniestros
por 200,
U1 50 + 150 + 150 − 200 = 150
En este escenario, solo se genera la ruina si hay siniestros por 200 (0,2) y por 300 (0,1). Devol-
viendo una probabilidad de 0,04 y 0,02 total. En definitiva, la probabilidad de ruina se dará por

40
la suma de todos estos eventos.

Lo que se puede demostrar es que esta probabilidad de ruina es creciente pero de forma
desacelerada. Esto implica que se puede encontrar una Cota de la Probabilidad, en base a la
desigualdad de Lundberg-Cramer. Esta es

P(u) ≤ e−r·u

Donde r es la solución no trivial (no nula) de la ecuación

−r · π + ln [M(S ; r)] =

Esta Cota quiere decir que como máximo, la probabilidad de ruina a largo plazo puede tomar
este valor. No implica que lo vaya a ser ya que no es un valor tendencial. Pero es lı́mite que se
puede verificar. Si se realiza una simplificación con el tiempo discreto, se puede ver que
π − E(S )
r =2·
Var(S )

41
4.1. Ejercicios
Ejercicio 1:
SIC Generales posee una cartera de combinado familiar con 5 asegurados y estima que la proba-
bilidad de ocurrencia de un siniestro es del 10 %. A su vez, para el caso en que ocurra el sinies-
tro, dadas las condiciones de póliza y las sumas aseguradas, enfrentará un escenario dicotómico
para la intensidad: 10.000;25.000,30 %;70 % siendo los primeros los montos de indemnización
y los segundos las probabilidades de los mismos. La prima se calcula como el valor esperado
de los siniestros con un adicional del 15 % del desvı́o de la cartera. La aseguradora cuenta con
un capital de 50.000.

a. Calcular el coeficiente de ajuste en tiempo continuo y discreto, y una cota de probabili-

dad de ruina. Utilice Newton-Raphson como método de aproximación con 3 iteraciones,
siendo la primera r0 = 2 · 10−5

b. Si se aplicara un deducible del 25 %, siendo el mı́nimo de 5.000, ¿cómo se modificarı́a la

cota de tiempo continuo? La prima se modifica.

c. Si se aplicara un QS 90/10, calcular la cota de probabilidad de ruina en el largo plazo.

Para comenzar se puede identificar que la cantidad de asegurados es 5 (n), la probabilidad de

ocurrencia es 0,1 (q), la intensidad se distribuye según una distribución discreta, que el capital
es de 50000 (u) y que la prima se calcula en base al resultado de

π = E(S ) + 0,15 · σ(S )

Por ende, para comenzar con el ejercicio se buscará calcular la prima. Calculando la esperanza
y varianza de la frecuencia
E(N) = 5 · 0,1 = 0,5
Var(N) = 5 · 0,1 · 0,9 = 0,45
Y por el lado de la intensidad

E(X) = 0,3 · 10000 + 0,7 · 25000 = 20500

Var(X) = 0,3 · 100002 + 0,7 · 250002 − 205002 = 47250000

Por lo que, utilizando las formulas ya conocidas

E(S ) = 10250

Var(S ) = 212737500
Concluyendo entonces que
π = 12437,82
Conociendo esto, se puede calcular el coeficiente de ajuste discreto como
12437,83 − 10250
rd = 2 · = 2,056835 · 10−5
212737500
Por lo que la cota será de
−5 ·50000
P(u) = e−2,056835·10 = 0,3575723174

42
En el caso de querer analizar el tiempo continuo se debe despejar r de

−r · π + ln [M(S ; r)] =

Para esto, utilizamos la propiedad de que

ln [MS (r)] = ln [MN (MX (r))]

Si la frecuencia se distribuye como binomial, se tendrá que

n
MN (t) = q + p · et

Pero sabiendo que en vez de t tendrá como argumento la función generatriz de momentos de la
intensidad. Esta, al ser una tabulada será calculada por definición
X
MX (r) = Pr(X = x)er·x
∀X

= 0,3 · e10000·r + 0,7 · e25000·r

Entonces,  
0,3·e10000·r +0,7·e25000·r 5
ln [MN (MX (r))] = ln 0,9 + 0,1 · e
h  i
= 5 · ln 0,9 + 0,1 0,3 · e10000r + 0,7 · e25000r
Entonces, la función base sobre la cual despejar r queda como
h  i
H(r) = −12437,83 · r + 5 · ln 0,9 + 0,1 0,3 · e10000r + 0,7 · e25000r = 0

Y como pide calcular por el método de Newton Raphson, se necesita su derivada. Esta será
 
0,1 0,3 · 10000 · e10000 r + 0,7 · 25000 · e25000r
Hr′ = −12437,83 + 5
0,9 + 0,1 0,3 · 10000 · e10000 r + 0,7 · 25000 · e25000r

Entonces, sabiendo que

H(rt−1 )
rt = rt−1 −
H ′ (rt−1 )
Por lo que
r1 = 0, 00001835591532
Y
r2 = 1,8339225881 · 10−5
Que a una cota de
P(u) ≤ e−u·r2 = 0,3997312069
Mas adelante se pide volver a calcular la cota bajo un contrato QS con 90 % de retención.
Entonces, se demuestra que si se utiliza primas y siniestros retenidos

−πret · rret + ln MS ret (rret ) =

 

−π · α · rret + ln [MS ·α (rret )] =

Que por propiedad de FGM
−π(α · rret ) + ln [MS (α · rret )]

43
Que es el mismo despeje que ya se realizó solo que la incógnita será α · rret en vez de r. Por
ende
r
r = α · rret → rret =
α
Lo que permite concluir que la cota nueva será calculada como
−1
cotaQS = cota−α = 0,361010689

Para el caso en el que exista un deducible, la nueva esperanza de la intensidad retenida será de

E(Xret ) = 5000 · 0,3 + 18750 · 0,7 = 14625

Var(Xret ) = 50002 · 0,3 + 187502 · 0,7 − 146252 = 39703125

Entonces,
E(S ret ) = 7312,5 Var(S ret ) = 116102343,8 πret = 8928,76
Por lo que, calculando el r de forma continua
h  i
−8928,76r + 5ln 0,9 + 0,1 0,3e5000r + 0,7e18750r =

r = 2,44911846 · 10−5
Dando una cota de 0,2938872084.

Ejercicio 2:
MJM Seguros cuenta con una cartera de RC de terceros completo que, dada las condiciones
de póliza, se puede modelar de forma tabular. La probabilidad de ocurrencia de un siniestro es
del 30 %, y en caso de ocurrir, podrá tomar los valores {1,000; 3,000; 5,000} con probabilidades
{50 %; 33, 3 %; 16, 6 %}. Por su parte, Las primas se calculan como el valor esperado de los si-
niestros con un adicional del 50 % del desvı́o y el capital de la aseguradora es del 20 % de la
prima. ¿Qué valor tomarán la probabilidad de ruina teniendo en cuenta tres periodos?

Al tener una distribución tabulada de cuantı́a, es mas sencillo el plantear la distribución de

la cartera S para encontrar la prima y el capital. Para esto
S Pr(S = s)
0 0.7
1000 0.15
3000 0.1
5000 0.05
Entonces, la esperanza de esta cartera será

E(S ) = 700

Y también
Var(S ) = 1810000
Por lo que, la prima, el capital y la totalidad de recursos disponibles serán

π = 1372, 68 K0 = 274, 54 u0 = 1647, 22

Entonces, la probabilidad de ruina será el resultado de un gran camino de de posibilidades. La

primera de estas es analizar que la compañı́a quiebre en el primer año, lo cual solo se dará si los

44
siniestros son mayores a u0 . Al tener una distribución discreta, esto solo ocurre cuando S toma
valores por 300 (con probabilidad 0,1) o por 5000 (con probabilidad 0,05). Por ende,

P(1; u0 ) = 0,1 + 0,05 = 0,15

Para el segundo año, se puede partir de dos escenarios. Como base se sabe que no hubo ruina
en el año anterior, por lo que o se tuvo siniestros por 0 o por 1000. Se comenzará analizando el
primero de estos, el cual parte de una probabilidad de 0,7. En este caso, se debe restar el pago
de las indemnizaciones (0) y sumar las primas cobradas (1372,67). Esto resulta en

u1 = u0 + 1372,67 − 0 = 3019, 90

Con estos recursos disponibles, solo se tiene ruina si los siniestros toman el valor de 5000
(probabilidad de 0,05). Esto termina siendo una probabilidad final de

0,05 · 0,1 = 0,005

El otro escenario es que en el primer año ocurrieron siniestros por 1000, con una probabilidad
implı́cita de 0,15. Entonces, restando los siniestros a pagar y sumando las primas

u1 = u0 + 1372,67 − 1000 = 2019, 90

En este caso, la ruina sucederá en casos de que haya siniestros por 3000 o por 5000. Cada uno
tiene probabilidades de 0,1 y 0,05 respectivamente. Por lo que, las probabilidades finales de este
escenario terminan siendo
0,15 · 0,1 + 0,15 · 0,05 = 0,0225
Para conocer la probabilidad de ruina del tercer año, se analizan todas las posibilidades que hay
para llegar al mismo sin ruina. Estas son que en el primer año (i) haya 0 siniestros y 0 en el
segundo, (ii) 0 en el primero y 1000 en el segundo,(iii) que haya 0 en el primero y 3000 en
el segundo, (iv) 1000 en el primero y 0 en el segundo y (v) 1000 en el primero y 1000 en el
segundo. En cada uno se calcula los recursos disponibles

Escenario Recursos Probabilidad

(i) u2 = u0 − 0 + 1372, 68 − 0 + 1372, 68 = 4392, 58 0,7 · 0,7 = 0,49
(ii) u2 = u0 − 0 + 1372, 68 − 1000 + 1372, 68 = 3392, 58 0,7 · 0,15 = 0,105
(iii) u2 = u0 − 0 + 1372, 68 − 3000 + 1372, 68 = 1392, 58 0,7 · 0,1 = 0,07
(iv) u2 = u0 − 1000 + 1372, 68 − 0 + 1372, 68 = 3392, 58 0,15 · 0,7 = 0,105
(v) u2 = u0 − 1000 + 1372, 68 − 1000 + 1372, 68 = 2392, 58 0,15 · 0,15 = 0,0225

Por ende, en (i), (ii) y en (iv) se quiebra con siniestros de 5000 (probabilidad de 0,05) y en (iii) y
en (v) se quiebra con siniestros por 3000 o por 5000 (probabilidad de 0,1 + 0,05). Multiplicando
cada probabilidad por estas, se tiene la probabilidad de que la ruina suceda en este año. En
definitiva, la probabilidad de ruina final

P(u0 ; 3) = 0,15 + 0,0575 + 0,048875 = 0,256375

45
5. Análisis Patrimonial Dinámico
Para finalizar el presente documento, se realizará un análisis transversal a la empresa recom-
pilando todo lo desarrollado hasta el momento. Este tiene como objetivo presentar al patrimonio
neto como una variable aleatoria, al ser incierto. En base a esto, se podrá analizar cada com-
ponente y la interacción con los demás. Para la presentación del tema se utilizarán hipótesis
meramente ilustrativas que simplifican el análisis. Se partirá de la base que el Activo en el
periodo t (At ) representará las inversiones de la empresa, mientras que el Pasivo en el mismo
periodo (Pt ) representará los siniestros pendientes de pagos. Es decir, se piensa como la Reserva
Riesgo en Curso. La diferencia dará como resultado el Patrimonio Neto

PNt = At − Pt

Esta es una formula de cálculo por Stock. Existe otra forma que puede ser considerada como un
Flujo.

U(t +1) = U(t)+π(t, t +1)−S (t, t +1)−G(t, t +1)+ I(t, t +1)− Ig(t, t +1)+ Ap(t, t +1)− D(t, t +1)

Donde π son las primas cobradas, S los siniestros, G los gastos, I los resultados de las inversio-
nes, Ig los impuestos a las renta que haya, Ap los aportes de capital hechos y D los dividendos.
Todas estas variables en flujo, desde t hasta t + 1. Si bien hasta ahora solo se modelizó la in-
tensidad y la frecuencia de los siniestros, se podrá agregar a los otros conceptos como variables
aleatorias. Esto requiere que haya hipótesis de comportamiento. Las mismas pueden ser tratadas
con su respectivo valor esperado o sumando algún recargo de seguridad. Aunque lo mas común
suele ser que se hagan diversas simulaciones de estas cuentas.

A su vez, se puede ver que la variación del patrimonio neto brinda resultados. El primer
a analizar es el Técnico, que tiene que ver con el ingreso por primar y el egreso por parte de
siniestros10 y gastos.

RT (t, t + 1) = π(t, t + 1) − S (t, t + 1) − G(t, t + 1)

El otro resultado es el financiero. Este tiene que ver con la rentabilidad generada en el periodo
debido a rentas financieras. En un esquema base, se plantea la capitalización del activo durante
todo el periodo, se restan los egresos capitalizados desde el momento que suceden hasta el final
del periodo y se suman los ingresos capitalizados desde el momento que suceden hasta el final
del periodo.
RF(t, t + 1) = I(t, t + 1)
Estos resultados serán analizados a través del tiempo, suponiendo la continuidad de los
riesgos y de la empresa. Es decir, se analiza un esquema de Run Off. Sin embargo, se abre la
posibilidad de hacer el análisis en Cut Off. Pero que se haga a través del tiempo permite observar
que riesgo es el que mas perjudicará a la empresa. Esto es la herramienta de Control Dinámico,
que permite realizar procesos de optimización sobre la toma de decisiones conociendo no solo
el valor esperado de cada variables, si no también su posible fluctuación.

Es importante aclarar que el mismo se basa en la retroalimentación. En un diagrama esto

implica
10
Esto tiene que ver con los totales, no solo los pagados en el periodo

46
 Control
Hipótesis Análisis Resultados Ex-Post

Es decir, se parte de un comportamiento presupuesto como cierto. Al realizar el análisis

(ya sea en forma analı́tica o con simulaciones), se obtendrán los resultados. Los mismos deben
ser controlados empı́ricamente a ver si el comportamiento observado se corresponde al pre-
supuesto. De no ser ası́, se deben modificar las hipótesis.

Antes de pasar a analizar un ejemplo, se mostrará como debe simularse este proceso de for-
ma correcta. Lo primero que se deberı́a plantear son los contextos si hubiese. Esto definirá el
escenario a desarrollar. Una vez que se tenga esto, se simulará la frecuencia de los los sinies-
tros para cada carteta/póliza. Si se tiene una cuantı́a no nula, deberá simularse para cada uno
de estos la intensidad de los mismos. A partir de esta indemnización bruta calculada, se pasará
a aplicar el contrato de Reaseguro. Es decir, los lı́mites y franquicias. Todo esto teniendo en
cuenta las relaciones de dependencia que puede haber11 . Además, se deberá considerar cuanto
de los siniestros será pagado en este año y cuanto se prorratea. Es decir, un porcentaje de estos
siniestros será el pasivo del siguiente periodo. Una vez hechas estas simulaciones, se plantean
las demás variables aleatorias como los gastos.

La simulación puede brindar un resultado de Ruina, de liquidación12 o de resultado positivo.

Sin embargo, una sola simulación no brinda información suficiente para concluir un resultado.
Se debe realizar k simulaciones, y si se quisiera calcular alguna probabilidad, una esperanza o
una medida de riesgo se hará con el total observado sobre el total de simulaciones. Es decir,
para analizar la probabilidad de ruina se analiza cuantas simulaciones dieron ruina y se dividen
por el total, al ser equi-probables.

11
Por ejemplo, si la ocurrencia de un siniestro condiciona el suceso de otro.
12
Este es el escenario en el que no se alcanza el capital mı́nimo requerido.

47
5.1. Ejercicio
Ejercicio 1:
Considere los siguientes datos de una compañı́a de seguros: Capital Inicial= $500. Pasivo Ini-
cial = $0. Todo lo siguiente aplica para un único perı́odo de análisis: Las primas se cobran al
inicio del año, los siniestros retenidos a la mitad y la prima de reaseguro se abona a fin de año.
La tasa de interés compuesto que representa el resultado de las inversiones es del 50 %. Las
primas emitidas en el año son iguales a 250. Los gastos sobre prima emitida siguen una distri-
bución Log-Normal entre 10 % y 60 %, con valor medio 0,35 y varianza 0,05. La cantidad de
siniestros puede ser 0 (70 %), 1 (25 %) o 2 (5 %). La cuantı́a de cada uno sigue una distribución
gamma con valor medio $500 y varianza $100.000. Existe un exceso de pérdida por siniestro
con prioridad $1.500 con costo de $50. El 60 % de los siniestros se paga el primer año y el 40 %
el segundo año de run-off. No hay impuesto a las ganancias y la compañı́a mantiene una polı́ti-
ca de distribución de dividendos en la que reparte los mismos únicamente si el patrimonio neto
excede S1.250, por el mencionado exceso. Determinar numéricamente mediante un proceso de
simulación estocástica13

a La probabilidad de ruina

b El valor esperado del PN

c Monto esperado de distribución de dividendos

d Valor a Riesgo al 95 %.

Lo que primero se puede hacer, es un resumen de las variables presentadas. Primero están
las primas al principio del año por un monto de 250. Los gastos, que están al inicio del año, se
distribuyen según una Log-Normal pero no se conocen los parámetros. Para esto, se despeja de
σ2

eµ+ 2 = 0,35

 σ = 0,58505231
→

σ µ = −1,2209652
 
e − 1 = 0,05
2µ+σ 2 2 
e 


La cuantı́a de los siniestros se ve como

n f(x) F(x)
0 0.7 0.7
1 0.25 0.95
2 0.05 1
Donde la cuantı́a se distribuye como una gamma con parámetros desconocidos. En base a sus
momentos, se deducen el α y el β

α · β = 500 α = 2,5
)
→
α · β2 = 100000 β = 200

Los mismos serán pagados en dos años. El año del suceso se pagará el 60 % y en el siguiente año
lo restante. La cobertura de Reaseguro es un XL de prioridad de 1500 con un costo de 50 (pago a
fin de año). A su vez, la tasa será del 50 % y habrá dividendos en caso de que el PN exceda 1250.

13
Este ejercicio fue resuelto en Excel y los números son representativos.

48
 Teniendo todos los datos, se empieza a simular. Pero antes, se debe tener los recursos dispo-
nibles iniciales (Activo). Este será igual al PN al no tener pasivo (500). Para simular las cuantı́as,
se genera un número aleatorio
u1 = 0,7754247
Con este valor, se analiza la cantidad de siniestros. Como es mayor a la acumulada hasta 0 pero
menor de la acumulada hasta 2, se produjo un solo siniestro. Pasando con su cuantı́a, se debe
generar otro valor aleatorio
u2 = 0,83774662
Entonces, el monto surge de
y
x
yα−1 e− β
Z
0,83774662 = dy → x = 789,26
0 βα Γ(α)
Aca se deberı́a aplicar el contrato de Reaseguro, sin embargo como no alcanza la priora el monto
queda intacto. Solo resta simular los gastos, por lo que se genera otro número aleatorio
u3 = 0,3122337
Que siguiendo la Log-Normal pero teniendo en cuenta las limitaciones
Z x1
1 1 ln(x)−µ 2
 
0,1 Dentro De √ e− 2 σ dx
Z0 x2 xσ 2π 
1 − 12 ln(x)−µ
2
x Dentro De √ e σ dx
Zx1∞ xσ 2π 
1 − 12 ln(x)−µ
2
0,6 Dentro De √ e σ dx
x2 xσ 2π

Donde el rango 0 a x1 es el que hace que se acumule hasta 0,1 de probabilidad, el segundo rango
hace que se acumule hasta 0,6 sin considerar el inicial y el último es el que acumula lo restante.
En base a esto, el numero simulado devuelve un gasto del 22 %. Por ende, teniendo toda la
información se puede calcular el patrimonio del siguiente periodo. Se parte de un activo que
se capitaliza todo el periodo, pero se van a ir sumando y yendo distintos conceptos del mismo.
Por eso, se capitalizarán los mismos de acuerdo al tiempo que no permanezcan en el activo.
Junto al activo al inicio del año, están los gastos y las primas. Entonces, estos también serán
capitalizados durante todo el año. El siniestro se paga a la mitad del año, entonces multiplicando
el monto total por el 60 % (ya que es lo único que se paga en este año), se capitalizará por medio
periodo. Finalmente, el costo de la cobertura de reaseguro se paga a fin de año. Por lo que no
será capitalizado por nada. Todo esto es
A1 = (A0 + π − Gastos)(1 + i) − S iniestro Pagado(1 + i)0,5 − Costo XL
A1 = (500 + 250 − 0,22 · 250) · (1,5) − 789,26 · 0,6 · (1,5)0,5 − 50
A1 = 412,51
Y sabiendo que lo que falta pagar es el 40 % del siniestro (Pasivo), se puede obtener el patrimo-
nio neto como
PN1 = 412,51 − 789,26 · 0,4 = 96,81
En este caso, el patrimonio fue positivo por lo que no se considera como quiebra. Sin embargo,
el inicial era de 500 y este bajo a 96,81. Esto implica una pérdida14 (Resultado Total Negativo)
14
En caso de que hubiesen impuestos, estos se calculan sobre el resultado total si y solo si este fuese positivo.
De otra forma serı́a nulo.

49
de 403,19. A su vez, tampoco se observa dividendos.

Esto hecho una vez, se debe repetir k veces. Al hacerlo 1000 veces, el autor obtuvo la suma
total de los patrimonios netos positivos es de 798955,59. Y como estos son equiprobables, el
valor esperado del patrimonio neto condicional a los resultados positivos es de
798955,59
= 798,96
1000
De la misma forma, condicional a los resultados negativos se obtuvo
−8966,1
= −8,966
1000
Se observaron 36 escenarios de Ruina, por lo que
36
P(u; 1)) = 0,036
1000
Entonces, se puede condicionar la esperanza del patrimonio neto negativo a la probabilidad de
ruina
−8,966
= 249,05555
0,036
Nunca en las 1000 simulaciones se observó pago de dividendos, por lo que estos se pagan con
probabilidad 0. Finalmente, el Valor a Riesgo requiere que se ordenen de menor a mayor todos
los resultado del PN y que se tome el número 950 (el 95 % acumulado). Este es

VaR95 % = 640,5

Como adicional, se podrı́a probar si el costo de Reaseguro es justo con las hipótesis expuestas.
Se observa que la esperanza de los siniestros cedidos es

E(Xcedido ) = 0,78

Es decir, se le esta cobrando mucho de más.

50
Referencias
[1] Alfredo Boietti. “Análisis Patrimonial Dinámico”. En: (2011).
[2] NL Bowers et al. “Actuarial mathematics-actuarial mathematics”. En: Transactions of the
Faculty of Actuaries 41 (1987).
[3] DR Cox et al. Monographs on statistics and applied probability. Springer, 1984.
[4] Griselda Deelstra, Guillaume Plantin et al. Risk theory and reinsurance. Springer, 2014.
[5] Roger J Gray y Susan M Pitts. Risk modelling in general insurance: From principles to
practice. Cambridge University Press, 2012.
[6] Rob Kaas et al. Modern actuarial risk theory: using R. Vol. 128. Springer Science &
Business Media, 2008.
[7] George E Rejda. “Risk management and insurance”. En: Person Education Inc 13 (2005).

51