Mtodos Combinatorios en la Teora de la Ruina

Trabajo presentado para el III Premio de Investigacin sobre Seguros y Fianzas, 1996. Diego Hernndez Rangel

III

Premio de Investigacin sobre Seguros y Fianzas 1996 Segundo Lugar

NDICE
Pgina:
Resea .................................................................................................................. Presentacin ......................................................................................................... La Teora de Riesgo ............................................................................................. Teora Clsica de Riesgo ....................................................................................... Teora Colectiva de Riesgo .................................................................................... Teora Moderna de Riesgo ..................................................................................... Captulo 1 Definiciones .......................................................................................... 1 Siniestros agregados ......................................................................................... 2 Tiempo operacional ........................................................................................... 3 Modelo Colectivo de la Reserva ........................................................................... 1 2 2 3 4 5 7 7 8 9

4 Sumas negativas de riesgo................................................................................. 10 5 El evento de ruina ............................................................................................. 11 6 Probabilidad de ruina antes del momento t ........................................................... 11 7 Probabilidad de ruina eventual ............................................................................ 11 8 Cambio de unidad monetaria .............................................................................. 12 Captulo 2 Revisin de la Literatura de Ruina ......................................................... 13 1 Teora Clsica de Ruina ...................................................................................... 13 2 Teora Colectiva de Ruina ................................................................................... 14 2.1 Probabilidad de ruina en tiempo finito ............................................................. 14 2.2 Probabilidad de ruina eventual ....................................................................... 16 2.3 Aproximaciones ........................................................................................... 18 Captulo 3 Teoremas de la Urna ............................................................................. 23 1 Teorema clsico de la urna ................................................................................. 23 2 Generalizacin del teorema clsico ...................................................................... 25 2.1 Caso de parmetro discreto .......................................................................... 25 2.2 Caso de parmetro continuo.......................................................................... 31

Pgina:
Captulo 4 Fluctuaciones de Sumas de Variables Aleatorias.................................... 36 1 Variables aleatorias cclicamente intercambiables .................................................. 36 1.1 Sucesin finita de v.a. cclicamente intercambiables ......................................... 36 1.2 Ley Dbil de los Grandes Nmeros ................................................................. 37 1.3 Sucesin infinita de v.a. independientes e idnticamente Distribuidas.................. 38 2 La distribucin del mximo de {Nr-r} .................................................................. 38 3 El valor esperado del mximo de {Nr-r}............................................................... 40 4 Distribucin del supremo de {N r - r} .................................................................. 42 4.1 Una expresin explcita para su distribucin..................................................... 42 4.2 La funcin generatriz de la distribucin del supremo ......................................... 44 Captulo 5 Fluctuaciones de Realizaciones de Procesos Estocsticos y Probabilidad de Ruina Eventual .................................................................................. 47 1 Procesos con incrementos cclicamente intercambiables.......................................... 47 1.1 Procesos en tiempo finito con incrementos cclicamente intercambiables y procesos con incrementos estacionarios independientes .................................... 47 1.2 Ley Dbil de los Grandes Nmeros ................................................................. 48 1.3 Procesos en tiempo finito con incrementos estacionarios e Independientes........... 49 2 La distribucin del supremo de {R(u)-u ) y su valor esperado ................................. 50 3 Caractersticas de las Transformadas de Laplace sobre los procesos utilizados ........... 52 4 Probabilidad de Ruina Eventual ........................................................................... 57 Captulo 6 Aplicaciones al Problema de Ruina ........................................................ 61 1 Frmula de ruina para distribucin de montos discreta ........................................... 61 2 Ejemplos ......................................................................................................... 62 3 Observaciones finales ........................................................................................ 66 Apndice A Diseo del algoritmo para las probabilidades de ruina en el caso de montos discretos ............................................................................................... 67 Apndice B Clculo de convoluciones mediante la Transformada Rpida de Fourier........... 72

RESEA
En un entorno econmico de creciente competitividad, que requiere un mejor aprovechamiento de los recursos financieros, el Mercado Asegurador Mexicano depender con mayor insistencia en productos que ofrezcan sus coberturas a precios competitivos nacional e internacionalmente. Esta situacin implica una revisin integral de la forma en que se disean los productos: Por un lado la determinacin de primas de riesgo que se ajusten con precisin a la siniestralidad, por otro lado, una asignacin adecuada de los costos en que incurre la industria aseguradora. Todo ello enmarcado en un diseo que garantice minimizar los efectos adversos en las fluctuaciones de la solvencia de las empresas aseguradoras. De esta forma se puede lograr una asignacin ms eficiente de recursos financieros de nuestro pas hacia las entidades econmicas que demandan sus servicios, al garantizar un nivel de reservas ptimo para la cobertura de riesgos. El presente trabajo expone una rama de las Ciencias Actuariales cuya finalidad es precisamente analizar las fluctuaciones de las reservas por riesgos, ya sea de un riesgo en particular o de carteras de riesgos asumidos por empresas de seguros, con el objetivo de establecer mecanismos que permitan suficiencia en primas y la solvencia de las instituciones. Esta rama es conocida como Teora de la Ruina y aunque tiene sus orgenes en el siglo pasado, es en los ltimos aos que se ha logrado aplicarla exitosamente en varios pases para el diseo de productos, control financiero de las reservas, valuacin de estabilidad financiera de las aseguradoras y por supuesto, en la reglamentacin por parte de organismos controladores del sistema asegurador. El resultado de este anlisis es una frmula para la probabilidad de ruina (indicador del grado de suficiencia de primas) aplicable inmediatamente por aquellos encargados del diseo de seguros, anlisis de la evolucin de reservas y por supuesto, establecimiento de criterios de solvencia en las compaas. Esta frmula es presentada junto con su respectivo algoritmo y una revisin de su desempeo.

Presentacin
Esta tesis busca exponer el problema de Ruina a travs de la asombrosa herramienta matemtica desarrollada por Takcs(1967), de la que se obtienen los principales resultados de la llamada "Teora de Ruina" a partir de tina generalizacin del conocido "Teorema de la Urna". Durante esta exposicin se completarn demostraciones parcialmente mostradas en dicho texto, se realizar una correccin a una demostracin del mismo, as como una demostracin adicional no incluida en el libro. Al recorrer el camino entre hiptesis y conclusiones, descubriendo el razonamiento seguido por muchas de las mentes ms brillantes de la Historia Matemtica, se establecen las condiciones para un anlisis sobre su aplicabilidad y significado en los seguros, constituyndose en una base para futuras investigaciones. La obtencin de probabilidades de ruina sobre el Modelo Colectivo de Riesgo, ha sido tratada abundantemente en la literatura actuarial a partir de los aos treinta, y seriamente cuestionada en cuanto a su aplicabilidad y significado. En esta tesis se mostrar una frmula de ruina eventual para el caso de montos discretos y ser utilizada para resolver tres problemas que aparecen frecuentemente en la literatura. Aunque no es un objetivo de este trabajo realizar un estudio critico sobre la Teora Colectiva de Lundberg, se busca que el lector obtenga la herramienta intelectual para juzgarla en sus virtudes y limitaciones y utilizarla en la forma ms conveniente. Una vez definidos en el primer capitulo los conceptos bsicos de la Teora Colectiva de Riesgo, en el capitulo 2 se presentar una relacin histrica de la Literatura de Ruina, introduciendo al lector en esta importante rama de las matemticas actuariales. En el captulo 3 se exponen los teoremas fundamentales en que se basa el mtodo de Takcs, para establecer los teoremas sobre fluctuaciones de sumas de variables aleatorias del captulo 4, mismos que sern generalizados a fluctuaciones de realizaciones de procesos estocsticos en el captulo 5, Finalmente el capitulo 6 contiene una muestra de la capacidad de esta metodologa para obtener expresiones tiles ante problemas concretos de la Teora de Ruina. El Problema de Ruina cobra significado en un entorno bien definido: "La Teora de Riesgo", razn por la cual se presentar a continuacin una breve semblanza sobre esta rama de las ciencias actuariales.

La Teora de Riesgo
"Most of the insurance world seems, with some justification, to consider the theory of risk as a harmless hobby cultivated by actuaries in Continental Europe and particularly in Scandinavian countries". Borch, K.. The Mathematical Theory of Insurance. Lexington Books, London, 1974 p73.

La Ciencia Actuarial puede entenderse como el conocimiento detallado de los "sistemas de seguridad financiera"1 en cuanto a su razn de existir, sus matemticas y la forma en que funcionan y se aplican a la vida econmica de la sociedad. Estos sistemas evolucionan

Medios que reducen las consecuencias financieras de eventos desfavorables.

conceptualmente del Utilitarismo como filosofa y de la nocin de "aversin al riesgo" como una caracterstica del comportamiento humano2. Gerber (1979) define a la Teora de Riesgo como aquella rama de la Ciencia Actuarial que modela al negocio asegurador utilizando variables aleatorias para el nmero y monto de los siniestros durante los periodos contractuales. - definicin tan simple y tan extensa - Esta teora busca superar las tcnicas actuariales convencionales basadas en frecuencias y montos promedio de reclamaciones, las cuales en ocasiones simplifican excesivamente los hechos, al sustituir los riesgos nicamente por sus valores esperados3. Cramr (1930) nos da una definicin que aclara su finalidad "El objeto de la Teora de Riesgo es proporcionar un anlisis matemtico de las fluctuaciones aleatorias en los seguros y discutir los medios de proteccin contra sus efectos desfavorables". Se distinguen tres etapas en su evolucin:

1. La Teora Clsica de Riesgo

Esta teora, orgullo de las matemticas actuariales por mas de un siglo, tiene entre sus precursores a Edmund Halley, al desarrollar el modelo Tabla de Mortalidad en 1693 y a Daniel Bernoulli, quien en 1738 presenta en "Specimen Theoriae Novae de Mensura Sortis", una hiptesis sobre la toma de decisiones en condiciones de incertidumbre y su aplicacin a seguros, tambin tratados en su momento por Laplace4. Este documento, origen directo de la Teora de Riesgo y de la Teora de Juegos, permiti en 1834 a Barrois la construccin de una teora muy completa y moderna sobre el seguro de incendio, pero que desgraciadamente fue ignorada por muchas generaciones de actuarios hasta la segunda mitad de nuestro siglo, lo que posiblemente impidi el desarrollo oportuno de una Teora de Riesgo que considerara al seguro como una mercanca que pudiera ser comprada y vendida a un precio (prima) determinado por la oferta y demanda del Mercado.5 Es un hecho interesante que la Teora de Riesgo en gran parte fue desarrollndose ajena a los descubrimientos de la Teora de Probabilidades y la Estadstica Matemtica. Borch explica esta situacin observando que durante muchos aos las nicas aplicaciones de la Teora de Probabilidades eran los juegos de azar y los seguros. En consecuencia, los actuarios formularon sus resultados como solucin a problemas de seguros, sin tomarse la molestia de explicar el problema en forma general. As, conforme la Teora de Probabilidades fue encontrando otras aplicaciones, result ms sencillo redescubrir esos resultados que buscarlos en la literatura existente, donde permanecan encubiertos en el argot actuarial. Es hasta 1909 cuando Bohlmann realiza una recopilacin de los resultados ms importantes de la Teora de Riesgo, encaminados a determinar las desviaciones producidas por las
Trowbridge(1989) Considrese un seguro con un milln de suma asegurada pagadera en su totalidad al ocurrir un evento con probabilidad 0.000001. La prima neta es obviamente 1 peso. No resulta muy cuestionable cobrar una prima por riesgo tan insignificante para cubrir un riesgo "catastrfico"?. Una alternativa razonable su obtiene al observar que la desviacin estndar de la indemnizacin bajo este contrato es de N$1000; y cobrar una prima por riesgo igual a dos o tres desviaciones estndar. Ver Beard et. al. (1984) p.1. 4 Borch(1974) pp.202.205 265 5 lbidem.
3 2

fluctuaciones aleatorias de las plizas individuales. Hasta ese momento el comportamiento del portafolio de plizas se consideraba como la suma de los resultados de cada pliza en forma individual6. La teora as planteada asuma que la situacin financiera de una aseguradora poda describirse completamente por una distribucin de probabilidades F(x-p) donde x representa los pagos por reclamaciones y p las reservas disponibles para esos pagos. En el mundo real esta distribucin cambia da a da: las primas son pagadas, igualmente las reclamaciones, los contratos expiran y nuevos negocios se contratan. Esto implicara una revisin diaria de la situacin de la aseguradora para adaptar la distribucin F a las nuevas condiciones, lo cual en la practica no es posible - menos an deseable - surgiendo una necesidad de modelos alternativos. Este problema de adecuacin a los fines prcticos puede explicar la escasa atencin que recibi la Teora de Riesgo, agravada tambin por la insistencia de aplicar esta metodologa al Seguro de Vida, desdeando otros tipos de seguro sobre los cuales pudiera mostrar cierta aplicabilidad. Como se podra esperar, la slida estructura del Calculo Actuarial de Vida no hizo sino evidenciar los puntos dbiles de esta teora. La necesidad de una teora "dinmica" del seguro dio origen a una nueva fase:

2. La Teora Colectiva de Riesgo

Su creador fue Filip Lundberg, quien en 1903 presento en la Universidad de Uppsala los elementos de su modelo. El planteamiento completo de su teora se present en el Congreso Internacional de Actuarios de Viena en 1909 y partir de entonces fue desarrollada por un grupo relativamente pequeo de actuarios, principalmente escandinavos. Para la formulacin de su teora, Lundberg emple procesos estocsticos en tiempo continuo unos treinta aos antes de que este concepto fuera rigurosamente definido, razn por la que Borch lo compara con Bachelier7, sobre todo por el hecho de que ambos fueron prcticamente ignorados por sus contemporneos. Su terminologa, estrictamente actuarial, impidi a los matemticos no familiarizados con los seguros reconocer en su obra teoremas de validez general. Lejos de lo que se pudiera esperar, los seguidores de Lundberg no intentaron presentar un panorama claro de sus descubrimientos, con excepciones notables como H. Cramr y C.O. Segerdahl. Bajo esta nueva perspectiva, la compaa aseguradora se considera una "presa", hacia la cual "fluyen" continuamente las primas, mientras de sta se extrae una serie de pagos por reclamaciones. Se le conoce como el "Modelo Colectivo de Riesgo". El modelo de Lundberg es elegante y poderoso: bajo su propuesta no es necesario considerar cada pliza en el portafolio para determinar la distribucin de probabilidades del monto total de las reclamaciones. Por el contrario, esta distribucin se construye a partir de la distribucin del nmero de reclamaciones en un periodo determinado y de la distribucin del monto de las reclamaciones efectuadas en ese periodo, ambas estimables a partir de los registros de las compaas. Su principal virtud radica en su aspecto dinmico, al incorporar el tiempo al modelo.
6 7

Este enfoque es conocido actualmente como Modelo Individual de Riesgo. Ob.cit. p.268.

Es sobre este modelo que surge la "Probabilidad de Ruina", como una medida sobre el grado de fluctuacin de la solvencia de la aseguradora: indica la factibilidad de que las reservas que constituye la compaa sean insuficientes para afrontar las obligaciones derivadas de sus contratos. Esta prometedora teora, prcticamente olvidada por veinte aos, fue explotada intensivamente por las actuarios escandinavos entre los aos treinta y cincuenta, concentrando sus investigaciones a las distribuciones de la frecuencia y monto de las reclamaciones, as como a la obtencin de la "probabilidad de ruina eventual". Sin embargo, los impresionantes resultados obtenidos con este enfoque no han tenido la aplicabilidad que se esperaba, pese al anlisis profundo de los fundamentos del seguro a que motiv. La cantidad de clculos necesarios para obtener parmetros de riesgo como la Probabilidad de Ruina, la Prdida Mxima Probable, determinacin de contratos ptimos de reaseguro, entre otros procedimientos, se presentaron en una poca en la que no existan los medios para realizarlos. La alternativa de las aproximaciones careca en ocasiones tanto de lmites de confianza bien definidos como de supuestos que pudieran verificarse en la prctica8. Por otro lado, era evidente que el uso de un slo nmero (como la probabilidad de ruina) no podra dar una descripcin completa de la situacin real de la compaa, ms an si la estimacin de los parmetros del modelo presentaba gran sensibilidad ante el uso de informacin proveniente de los archivos de la empresa. Las Ciencias Fsicas y la Investigacin de Operaciones resultaron ms favorecidas por estos descubrimientos que la misma prctica actuarial9.

3.

La Teora Moderna de Riesgo

Ejemplos de esta etapa son los trabajos de De Finetti, Borch, Beard, Pentikinen, entre otros, dirigidos a resolver los problemas prcticos enfrentados por las compaas aseguradoras:
1) 2) 3) 4)

La determinacin de tarifas. El clculo de reservas. La evaluacin de la "solidez" financiera del asegurador. La caracterizacin del contrato de reaseguro ms adecuado.

Podemos sealar que esta fase se inicia con un artculo de De Finetti presentado en el Congreso Internacional de Actuarios en 1957, donde se evala la validez de los supuestos del modelo colectivo y se establecen las bases para una Teora de Riesgo que efectivamente logre modelar a la empresa aseguradora. Esta discusin contina hoy en da, pero bajo un entorno muy diferente al de los aos de Lundberg: Los actuarios ya no tienen exclusividad en el campo de la Teora de Probabilidad, e incluso sus modelos son considerados casos particulares de las matemticas puras y aplicadas, creadas sin referencias directas al seguro. El actuario busca ahora la formulacin adecuada a sus necesidades para aplicar las herramientas que ya se encuentran a la mano y son utilizadas en Hidrulica, Teora Electrnica y de Comunicaciones,
8 9

Cramr (1930). Para mayores referencias se puede consultar Feller. W. An Introduction to Probability Theory and its Applications, Vol. 1, Wiley, NewYork, 1968. Caps. MI XIII y XIV.

Investigacin de Operaciones, Teora Moderna de Finanzas, Teora de Juegos... Ms an, Borch(1974) observa que si los actuarios e ingenieros hubieran planteado sus problemas de estudio con la suficiente propiedad matemtica, habran unido fuerzas desde hace 50 aos. Sin embargo, mltiples aspectos de la teora se encuentran todava en la actualidad en el campo estrictamente terico. Las publicaciones muestran pocos artculos sobre casos prcticos y el nmero de estos que utilizan datos empricos disminuye10 En consecuencia, no son motivo de inters para el actuario practicante al no resolver los problemas a los que se enfrenta cotidianamente. A raz del Primer Congreso Internacional sobre Solvencia Aseguradora en 1986, se ha puesto de manifiesto que la brecha entre los enfoques financieros y actuariales del seguro se est cerrando11 Las publicaciones subsiguientes reflejan la bsqueda de alternativas a los enfoques tradicionales del seguro. Asimismo la Teora General de Control de Procesos, se revela como una herramienta ideal para su tratamiento dinmico12. Esta es la situacin actual de uno de los desarrollos matemticos ms fascinantes: una especializacin continua y a la vez una creciente afinidad con disciplinas antes lejanas. Al presentar la Teora de Ruina desde el enfoque de Lajos Takcs, se trata de manifestar precisamente esa afinidad_ resultando un tema para el investigador interesado en los problemas de su tiempo.

Referencias
Borch, K., The Mathematical Theory of Insurance. Lexington Books. London, 1974, Bhlmann. H., The Future of Astin, Astin Bulletin. vol. 13-2, 1982. Cramr, H. On the Mathematical Theory of Risk. Skandia Jubilee Volume, Stockholm. 1930. Cummins. J D. and Derrig, R.A. Classical Insurance Solvency Theory, Kluwer Academic Publishers. Boston. 1988. Cummins. J D. and Derring, R.A. Financial Models of lnsurance Solvency Theory, Kluwer Academic Publishers. Boston. 1989. Gerber. H., An Introduction to Mathematical Risk Theory. S.S. Huebner Foundation. University of Pennsylvania. Philadelphia, 1979. Goovaerts M.J. et al. (eds.). Insurance and Risk Theory. Reidel Publishing Company. Dordrecht, 1986. Takcs. L., Combinatorial Methods in the Theory of Stochastic Processes. Robert Krieger. Publishing Ca. Huntington. New York. 1977. Trowbridge. C. L., Fundamental Concepts in Actuarial Science, Actuarial Education and Research Fund. 1989.

10 11

12

Buhlmann (1982). Las finanzas econmicas convencionales insisten as que los precios de los activos (incluyendo plizas de seguro) dependan nicamente del riesgo sistemtico o no diversificadle y que la estructura de capitales es irrelevante. La ciencia actuarial asume que las probabilidades de ruina, exgenamente determinadas son relevantes y que las compaas tienen un control casi absoluto sobre los precios y las utilidades. Ver Cummins y Derrig (1989) p. XVIII. Borch ob.cit. Un ejemplo de textos que manejan esta teora aplicada a seguros es Cummins y Derrig (1989). o artculos relacionados con los nombres de Rantala y Pentikinen.

Captulo 1 Definiciones
El modelo colectivo busca representar en trminos probabilisticos el comportamiento de la reserva por riesgo de una compaa de seguros, manteniendo un equilibrio entre simplicidad y explicabilidad de los factores que interactan con este fondo. Al mismo tiempo es un punto de partida para el desarrollo de modelos ms completos y dirigidos a un mayor conocimiento del negocio asegurador, que giran en torno al concepto de solvencia, ms amplio que el de reserva en riesgo. Siguiendo los mismos supuestos simplificadores utilizados por Lundberg, para obtener un modelo accesible se considerar que el portafolio de contratos de seguro se mantiene en un grado de balance que permite modelar el flujo de primas como un monto constante por unidad de tiempo o al menos variable en forma deterministica. Adems se utilizara la misma distribucin para el monto de las reclamaciones durante todo el periodo considerado. No sern considerados tanto los gastos no directamente relacionados al pago de los siniestros como aquellos ingresos distintos al pago de prima (sin recargos por gastos)13. Para una discusin sobre la inclusin de estos factores vase Cummins y Derrig (1989). Comenzaremos exponiendo el caso de seguros "ordinarios", entendiendo por estos los que consisten en el pago de la aseguradora al beneficiario de una suma asegurada en caso de presentarse la eventualidad prevista en el contrato, mediante el pago de la prima. A este tipo de contratos se les denomina "de sumas positivas", para distinguirlos de otros seguros de diferente comportamiento y que se expondrn posteriormente.

1. Siniestros Agregados
El Modelo Colectivo de Riesgo propuesto por Lundberg supone que en el intervalo de tiempo las reclamaciones provenientes de un portafolio de plizas ocurren de acuerdo con un proceso de Poisson { N(u)} de intensidad y la sumas pagadas por la compaa son variables aleatorias mutuamente independientes e hasta el momento idnticamente distribuidas, as como independientes del tiempo en el que ocurren las reclamaciones, tal que es decir, el monto acumulado de las con una funcin de distribucin reclamaciones al tiempo u es una suma aleatoria:

La distribucin Poisson para el nmero de reclamaciones, resultado del estudio de Lundberg sobre los supuestos de estacionariedad e independencia del tiempo14 es de uso generalizado en los textos y artculos sobre Teora de Riesgo. Gerber(1979) considera como alternativas las distribuciones binomial, binomial negativa y geomtrica, y se puede encontrar en Seal(1969, cap.2) una discusin sobre la distribucin a utilizar en funcin de los datos histricos. El motivo esencial para considerar alternativas al Poisson surge de la variabilidad de la intensidad del proceso en el tiempo. Beard et. al.(1969) sugiere adems el uso de un proceso doblemente

13 14

Entre ellos, los dividendos y productos financieros. Una revisin de los argumentos originales utilizados por Lundberg se encuentra en Seal (1969).

estocstico, donde la intensidad del proceso es a su vez un proceso aleatorio. Sin embargo, el propio Lundberg propone una solucin elegante para tratar la variabilidad en el tiempo:

2. Tiempo Operacional
Al modelo formulado en (1) se le denomina un Proceso de Poisson Compuesto no Homogneo (es decir, de intensidad variable), donde el nmero de reclamaciones en un intervalo tiene una distribucin Poisson de parmetro disjuntos son variables aleatorias independientes.
De acuerdo con esto, la probabilidad de que al tiempo

y de los incrementos sobre intervalos

existan exactamente n reclamaciones es:

Este proceso puede, bajo la siguiente transformacin en la escala de tiempo t = t(u) , tomar la forma de un proceso de intensidad constante:

La expresin (2) toma la forma:

As el proceso sobre el tiempo operacional t, denotado por S'(t) ser un proceso Poisson lo que significa que el monto total de las sumas Compuesto Homogneo de intensidad pagadas por concepto de reclamaciones ser un proceso estocstico con incrementos estacionarios e independientes, y cuya funcin de distribucin se deduce de la ley de Probabilidades Totales de la siguiente forma:

Donde Fx*n(x) denota a la ensima convolucin de Fx(x). El tiempo operacional permite presentar la teora en forma ms elegante, pero esencialmente es una herramienta muy poderosa en la estimacin de la distribucin de S, pues remplaza el

conocimiento detallado de la constitucin y prospectos del portafolio de plizas, con una estimacin del nmero esperado de reclamaciones durante el periodo futuro en consideracin15. En lo sucesivo y por sencillez en la notacin, se entender que los procesos {S(t)} y {N (t)} se desarrollan en la escala de tiempo operacional

3. El Modelo Colectivo de la Reserva por Riesgo

En el caso en que16

exista, entonces el monto esperado total de siniestros pagados por la compaa en (0, t] ser:

Que es precisamente la prima por riesgo calculada con el principio del valor esperado. En el caso de aplicar un recargo de seguridad b, la prima por riesgo acumulada ser:

Si adems:

entonces la varianza del monto total de siniestros pagados por la compaa ser:

Y la reserva por riesgo al tiempo t:

Una realizacin de este proceso se puede ilustrar grficamente de la siguiente forma:

15 16

Ver Seal(1969) p.15 Recordando la notacin actuarial pi = E[X-i]

Donde la reserva se incrementa a la tasa c y disminuye por los montos de las reclamaciones. Al aplicar este modelo (como cualquier otro), se requiere asignar valores numricos a sus parmetros y determinar valores iniciales para sus variables a analizar. Su obtencin a partir de estadsticas y experiencia disponibles se realiza mediante procedimientos de estimacin que no son abordados en esta tesis y son presentados por ejemplo en Basawa y Prakasa (1980), Los problemas causados por el desconocimiento cierto de los parmetros deben ser, si no considerados en el modelo explcitamente, s tomados en cuenta como un factor subyacente de gran importancia: No ser til aplicar tcnicas muy avanzadas para lograr resultados precisos si los datos originales no son adecuados o suficientes. La eleccin de los enfoques y aproximaciones consistentes con el problema a tratar es una labor cotidiana de la profesin actuarial.

4. Sumas Negativas de Riesgo

Existen contratos de seguro con comportamientos diferentes en la reserva por riesgo. Para modelarlos basta cambiar el significado de las variables consideradas en el modelo original como en el siguiente ejemplo: Considrese un negocio de pensiones en el cual la compaa paga. al asegurado una renta vitalicia a cambio del pago de la prima. Sea un portafolio de plizas como las arriba descritas y cuyas sumas asegurarlas contratadas (valor de las anualidades) tienen una distribucin en cualquier momento igual a una muestra aleatoria de una distribucin F(). donde es el valor esperado de La institucin paga a los asegurados a una tasa F() y b es un recargo a favor de la institucin. La cuenta que rene las primas netas pagadas tambin registrar una distribucin F(.) para dichas primas y en caso de fallecer uno de los asegurados, la prima neta de su contrato ingresar a la reserva. Dentese por S(t) las primas acumuladas hasta el momento t que ingresaron mediante este mecanismo a R(t). Con estas consideraciones podemos construir la frmula de la reserva de este seguro que es el modelo original con unitaria. La consiguiente realizacin de este proceso tiene como representacin grfica: e intensidad

10

5. El evento de Ruina
Se entender por ruina el evento en el cual la reserva por riesgo toma un valor negativo.

el tiempo en que ocurre la ruina. En el caso en que R(t)>= 0, para toda t , la ruina nunca ocurre y se denota Tw = .

6. Probabilidad de ruina antes del momento t

Dentese por la probabilidad de que R() tome un valor negativo antes del tiempo t, es decir:

tambin

Sea la probabilidad del evento complementario:

llamada simplemente la probabilidad de no ruina.

7. Probabilidad de ruina eventual

A la probabilidad de que R(t) tome en alguna ocasin un valor negativo, se le llama probabilidad de ruina eventual y es una cota superior para

11

 tambin

Y el evento complementario ser:

Es importante sealar que c>p1, implica que cualquier realizacin del proceso {R(t)} tendr una tendencia que crece sin cota para t , pero la pregunta es si lo hace sin tomar jams un valor negativo.

8. Cambio de unidad monetaria

En lo que sigue de esta exposicin ser conveniente escoger una unidad monetaria tal que c = 1. Las frmulas de probabilidad de ruina resultantes sern:

Tanto la probabilidad de ruina como la probabilidad de ruina eventual son medidas sobre los efectos desfavorables de la fluctuacin de la reserva por riesgo, suponiendo al igual que el modelo sobre el que se define, una estabilidad de condiciones sobre los riesgos cubiertos en cuanto al monto de las reclamaciones y sobre todo que el negocio de seguro continuar durante el periodo de inters. Es evidente que en cualquier momento la administracin de la compaa puede tomar control de este proceso. Esta situacin debe dejar claro que se trata de una idealizacin matemtica no equivalente a la insolvencia de la aseguradora en la vida real, pero que permite al actuario una nocin del grado de riesgo al que se expone.

Referencias
Basawa L V. y Prakasa R. Statistical Inference for Stochastic Processes. Academic Press, London. 1980. Beard R.E. et. al., Risk Theory, Methuen & Co. Ltd.. London. 1969. Cummins ID. y R.A. Derrig. eds., Classical Insurance Solvency Theory. Kluwer Academic Publishers. Boston, 1989. Gerber. H.U. An Introduction to Mathematical Risk Theory, S.S. Huebner Foundation Monograph Series No. 8. Homewood, Irwin. 1979. Seal, IL Stochastic Theory of a Risk Business, John Wiley & Sons. New York. 1969.

12

Captulo 2 Revisin de la Literatura de Ruina

La Literatura de Ruina, con ms de un siglo de antigedad, se ha acumulado rpidamente, con nfasis en diferentes aspectos de la teora, dependiendo del grado de evolucin de los conceptos actuariales, la tecnologa y las teoras matemticas involucradas. En este capitulo se presentarn nicamente las contribuciones ms importantes, para una mejor apreciacin de la metodologa de Takcs.

I. La Teora Clsica de Ruina La nocin de "riesgo"

Los efectos negativos de las fluctuaciones de la reserva en riesgo deben ser enfrentados por las compaas de seguros y resulta natural que en la literatura actuarial se encuentren numerosos intentos por definirlas. medirlas y tomar previsiones adecuadas para su control. La mayor parte de los artculos y textos en lengua inglesa, entre ellos Borch (1974) p263, atribuyen a Tetens la primer definicin matemtica del riesgo inherente a estas fluctuaciones en su artculo: Einleitung zur Berechung der Leibrenten and Anwartzchafen de 1786. Tetens define este concepto de la siguiente manera: Si el contrato cubre una perdida aleatoria X con funcin de distribucin F(x), cuya prima por riesgo es motivo de este contrato por parte de la aseguradora ser Ms adelante, Hausdorff en 1897 realiza un estudio detallado de la desviacin estndar como medida alternativa17. , entonces el riesgo

La probabilidad de ruina en el modelo clsico

Con el enfoque de Hausdorff, el riesgo de un portafolio de n plizas independientes con primas p11,p12. p1n y riesgos 1, 2, , n, resulta de la suma de los riesgos de las plizas individuales: 12,22,,n2. La primera expresin de la probabilidad de ruina se obtiene de esta definicin. Sea el valor de la reserva por riesgo una vez pagadas todas las indemnizaciones del portafolio y w la reserva inicial constituida por la empresa previa al pago de primas. Por el principio de equivalencia utilizado Con n grande y las en el clculo de la prima de cada contrato, su valor esperado sea cero: hiptesis usuales, z tendr una distribucin aproximadamente normal con varianza
y la expresin18

17 18

Borah(1974) N(x) denota la distribucin normal estndar en x

13

Denotar la probabilidad de que la reserva sea insuficiente para hacer frente a las obligaciones contradas. Es decir, la probabilidad de ruina. Con este nivel de la teora (previa a Lundberg) ya es posible dar un tratamiento ms riguroso a operaciones cotidianas en la prctica actuarial: La primer consideracin usualmente es suponer que la probabilidad de ruina debe mantenerse debajo de cierto nivel, que representa el mximo aceptable. Si el valor de w es tan pequeo que la probabilidad de ruina excede este nivel, la compaa debe obtener capital adicional o establecer un contrato de reaseguro que garantice la viabilidad del negocio, es decir, que reduzca el riesgo y por ende la probabilidad de ruina. Otra opcin resulta de recargar la prima por riesgo, por ejemplo, por un monto proporcional a la prima neta, as la prima por riesgo para el contrato i ser y el valor esperado de la reserva por riesgo donde con la siguiente expresin para la probabilidad de ruina (con n grande):

El nivel mximo aceptable para la probabilidad de ruina es considerado una variable exgena: Una condicin de solvencia que la compaa debe satisfacer para continuar con las operaciones de seguro. Un ejemplo de esta situacin lo proporciona el sistema de mrgenes de solvencia de la Comunidad Econmica Europea19. Al asumir el valor de como dado, y con w constante (al menos durante un periodo corto) el

problema se puede concretar a determinar el valor ptimo de . Para ello es necesario formular los objetivos de la compaa y las condiciones del contrato de reaseguro que podra obtenerse. constante (determinado posiblemente en un mercado De manera similar, se puede suponer competitivo o por la regulacin Estatal) ms adecuado para la empresa. Ejemplos de esas aplicaciones pueden encontrarse en Bowers et al. (1986) y Borch (1974).

2. Teora Colectiva de Ruina

El comportamiento de la probabilidad de ruina tanto en tiempo finito como infinito ha sido ampliamente investigado no solamente por su inters prctico, sino tambin por la dificultad que involucra el clculo explcito de las expresiones desarrolladas.

2.1 Probabilidad de ruina en tiempo finito.

Taylor y Buchanan (1989) presentan una expresin atribuida a Arfwedson en 1950 para como la solucin a la ecuacin diferencial.
19

Filosofa de Garanta Real y un Nuevo Sistema de Seguridad paro la apertura del Seguro Mexicano, Asociacin Mexicana de Instituciones de Seguros A.C. 1959. pp.80-82.

14

La solucin fue dada por el mismo Arfwedson en 1954, en trminos de transformadas de Laplace suponiendo que de la siguiente forma:

Sea la transformada de Laplace- Stieltjes:

y la doble transformada de Laplace:

La solucin para v(r,s) es:

donde

es la nica raz real positiva de la ecuacin: (7) s+1cr M(r)= 0, s> 0

As la obtencin de las probabilidades de no ruina requieren la inversin de la doble transformada de Laplace (5), que implica problemas de cmputo discutidos por Seal(1969). Seal (1969) presenta una frmula alternativa para U(w, t) que evita las transformadas de Laplace y son atribuidas a Benes (1960) en la literatura de teora de Colas. La probabilidad de no ruina en el caso de reserva inicial cero es:

Este resultado es utilizado para evaluar la probabilidad de no ruina en el caso de reserva inicial positiva:

donde fs (x, t) es la densidad de los siniestros agregados al momento t.

15

El uso de las formulas (8) y (9) esta limitado por su complejidad y su dependencia en una forma funcional especifica para Fx(x).

2.2 Probabilidad de ruina eventual

La probabilidad de ruina en tiempo infinito es ms tratable matemticamente y la literatura es especialmente abundante sobre este tema. Cuando t ---> , la ecuacin (3) toma la forma:

donde Y puede tomar la forma alternativa Seal (1969):

denota diferenciacin.

Y la transformada de Laplace anloga a (5):

Una frmula ms accesible es la siguiente, atribuida a Beekman y cuya deduccin se puede encontrar por ejemplo en Bowers et al. (1986). el cual mide el exceso de reclamaciones agregadas Sea el proceso de prdida sobre las primas cobradas. Como hemos visto en el capitulo anterior, la funcin de no ruina es la distribucin de este proceso es decir, , donde

Considerando los tiempos en que L registra prdidas acumuladas mayores a las anteriores (prdidas rcord), podemos descomponer L como: L = L1+L2+...+LN , donde N es el numero de veces que se registra una prdida record y Li, es la diferencia en trminos de perdida agregada entre los records (i 1) e i . Basado en que N tiene una distribucin geomtrica y las L, son variables aleatorias independientes, idnticamente distribuidas e independientes de N, se obtiene la Formula de Convolucin de Beelunan:

16

Aunque la ecuacin (14) parece ofrecer un calculo directo de v(w) , en la practica su evaluacin es extremadamente difcil salvo los casos en que la distribucin del monto de las reclamaciones es exponencial o una mezcla de exponenciales (vase Bowers et al. 1986). Cuando (x) esta completamente determinada, (w) puede obtenerse mediante integracin numrica mltiple para obtener H*n(w) Shiu (1988) provee un estudio cuando los montos de las reclamaciones son enteros no negativos. Sin embargo es importante recalcar que en la prctica no se tiene perfecto conocimiento de la distribucin de montos, dejando en varias ocasiones fuera del campo de aplicaciones a esta frmula. Mediante la teora de Martingalas, Gerber(1979) presenta la siguiente frmula para la probabilidad de ruina eventual:

Donde R es el Coeficiente de Ajuste (ver expresin 20). En general no es posible realizar la evaluacin del denominador de esta frmula. Este autor obtiene la probabilidad de ruina en los casos en que la distribucin de montos es exponencial y en el caso w=0, En Bowers et al. (1986) p.363, se presenta una expresin implcita:

Se requiere entonces de una inversin para obtener la probabilidad de ruina, lo cual nicamente funciona para ciertas familias de distribuciones del monto de las reclamaciones como la mezcla de exponenciales. Basado en los trabajos de Takcs, Shiu(1988) presenta dos frmulas para en que las toman valores en los enteros positivos: para el caso

17

donde:

Se puede encontrar en Seah (1990) un anlisis sobre la aplicacin de estas frmulas mediante programas ejecutables en una computadora personal, resultando una gua til para considerar los problemas de redondeo, desbordamientos de memoria y velocidad de convergencia de series infinitas.

2.3 Aproximaciones
En vista de las dificultades para evaluar en forma exacta las probabilidades de ruina, gran parte de las investigaciones se han dedicado a la obtencin de aproximaciones prcticas. La ms sencilla y conocida de las aproximaciones para la probabilidad eventual de ruina es:

Donde R es llamado el Coeficiente de Ajuste (o Coeficiente de Lundberg) y es la nica raz positiva de la ecuacin:

Obsrvese que la reserva en el momento de ruina, R(T) es obviamente negativa y en consecuencia

.

Utilizando la frmula (15) concluimos que aunque esta

.

aproximacin es en general poco precisa, sirve como cota superior de

Bajo un argumento similar Bowers et al. (1986) muestra una cota inferior para la probabilidad , donde m es la suma asegurada mxima a pagar. de ruina: La frmula (19) puede mejorarse, obtenindose la aproximacin Cramr Lundberg:20

20

Ver Ramsay (1992

18

Utilizando una distribucin gamma para aproximar la distribucin del monto de reclamaciones se obtiene la aproximacin Beekman-Bowers de 1969:

Donde

es la distribucin Gamma con parmetros:

Recordando que: Basado en los estudios de Grandell, Segerdahl y Seal, Ramsay(1992) indica que la aproximacin (22) parece dar resultados precisos nicamente en el caso de reclamaciones exponenciales y que no es tan precisa como la Cramr-Lundberg. El mismo Ramsay presenta otra aproximacin prctica atribuida a De Vylder. Esta consiste en aproximar todo el proceso de la reserva por riesgo tal que mediante un proceso ms simple

Donde

es el nuevo parmetro Poisson

es el proceso de siniestros agregados generados y el nuevo recargo de

por montos de reclamaciones exponenciales i.i.d. con media seguridad es

Estos nuevos parmetros se obtienen igualando los tres primeros momentos:

19

Obtenindose:

Y la aproximacin resultante es, como cabe esperar, la probabilidad de ruina en el caso exponencial:

Para la probabilidad de ruina en tiempo finito, se puede utilizar la aproximacin de Cramr que se puede encontrar en Taylor y Buchanan (1989): cuando y y donde son constantes definidas en forma implcita en trminos de la distribucin del monto de las reclamaciones. Ninguna de estas frmulas es fcil de evaluar: incluso la aproximacin (19) requiere de resolver la ecuacin (20): adems es evidente a partir de esa ecuacin que la aproximacin (19) es existe. Embrechts y Veraverbeke (1982) presentan un desarrollo valida solamente si alternativo cuando esta transformada de Laplace-Stieltjes no converge. En cualquiera de estas circunstancias se requiere el completo conocimiento de la distribucin de montos. Un enfoque relativamente reciente y que ofrece mayores posibilidades es el presentado en Goovaerts et al. (1990), donde se establecen cotas para esta probabilidad mediante el Ordenamiento de Riesgos. Informacin importante sobre la relacin entre la probabilidad de ruina y la distribucin del monto de la reclamacin puede apreciarse reexpresando al coeficiente de ajuste:21

21

Taylor y Buchanan(1989)

20

Donde

y se aplica un cambio de escala tal que

De esta expresin Taylor afirma en forma no rigurosa resultados interesantes relativos a la aproximacin (19): a) Debido a que R depende de los momentos alrededor del origen despus del cambio de escala entonces cada puede reemplazarse por antes de dicho cambio de escala. tal que Esto implica que la aproximacin (19) depende de la forma de la distribucin de la reclamacin y no de su localizacin. b) Un incremento en rl causa un incremento en R y la probabilidad de ruina decrece exponencialmente. c) El parmetro de la distribucin de la reclamacin que ms influye en la probabilidad de ruina es el coeficiente de variacin (p2-1)1/2. Esto establece cierto orden de las distribuciones de reclamacin: una cola ms pesada de la distribucin implica una probabilidad eventual de ruina mayor. d) Si =0 entonces R=0 y ocurre ruina con probabilidad 1. Otro tipo de aproximaciones surge del use de tcnicas no paramtricas como el remuestreo para aproximar la probabilidad de ruina eventual. El lector interesado puede consultar Frees(1986). Una tcnica prometedora pero sorprendentemente poco utilizada es la de Monte Carlo. Sobre este tema una exposicin muy completa se encuentra en Beard et al. (1984) e importantes recomendaciones para su aplicacin se exponen en Dufresne y Gerber (1989).

Referencias
Beard R.E. Pentikdinen. T. y Ptonen E.. Risk Theory, 3a. Ed., Chapman & Hall, London, 1984. Borth, K., The Mathematical Theory of Insurance, D.C. Heath and Company, Lexington. 1974. Bowers. N., Gerber, H.. Hickman. J, et. al. Actuarial Mathematics. Society of Actuaries. Itasca, 1986. Dufresne, F. y Gerber. H.. Three Methods To Calculate the Probability of Ruin, ASTIN Bulletin 19 (1989): 71-91. Embrechts, P. y Veraverbeke, N., Estimates for the Probability of Ruin with Special Emphasis on the Possibility of Large Claims, Insurance: Mathematics and Economics 1(1): 5572 Frees, E. W Nonparametric Estimation of the Probability of Ruin, ASTIN Bulletin 16 (1986): 8190.

21

Gerber, H.U. An Introduction to Mathematical Risk Theory, S.S. Hubner Foundation Monograph Series No. 8, Homewood, Irwin, 1979. Goovaerts, M.J.. et. al. Effective Actuarial Methods, Elsevier Science Publishers B. V., Amsterdam, 1990. Ramsay C. M., A Practical Algorithm for Approximating the Probability of Ruin, Transactions of the Society of Actuaries, Vol. XLIV, 1992. Seah E. S. Computing the Probability of Eventual Ruin. Transactions of the Society of Actuaries. Vol. XLII. 1990. Seal. H. Stochastic Theory of a Risk Business, John Wiley & Sons. New York. 1969. Shia, E. S. W. Calculation of the Probability of Eventual Ruin by Beekman's Convolution Series, Insurance: Mathematics and Economics 7 (1988): 41-47. Taylor G. y Buchanan R. The Management of solvency, En Classical Insurance Solvency Theory, Cummins J.D. y R. Derrig, eds.. Kluwer Academic Publishers, Hostal. 1989.

22

Captulo 3 Teoremas de la Urna

Las definiciones (16) y (17) del primer captulo, indican que obtener la distribucin del supremo del proceso estocstico {S(t) t} conduce directamente a la probabilidad de ruina. Takcs(1966) resuelve el problema de obtencin de la distribucin del supremo en una amplia gama de procesos estocsticos mediante una generalizacin del Teorema Clsico de la Urna. La influencia de este autor se extiende a numerosos textos y artculos sobre la Teora de Ruina, siendo la exposicin ms completa del problema y su solucin. En esta seccin se presenta el teorema clsico de la urna, as como su generalizacin e implicaciones a las variables aleatorias intercambiables; material indispensable para presentar formalmente la solucin al problema de ruina.

1. Teorema clsico de la urna.

Teorema 1. Si en una urna existen a votos para el candidato A y b votos para el candidato B, siendo a >= b y un entero no negativo, entonces la probabilidad de que durante el proceso de conteo el nmero de votos registrados para A sea siempre mayor a veces el nmero de votos registrados para B es:

siempre que todas las formas en que se puede dar el registro sean igualmente probables.

Este resultado, para =1 se atribuye a J. Bertrand y data de 1887, tambin en ese ao E. Barbier encuentra la expresin para >=1. En el mismo ao D. Andre demuestra el caso =1 y hasta 1924 A. Aeppli lo hace para >= 1. La demostracin de este teorema para =1 es como sigue: Sean dos jugadores, A y B, que participan en una serie de juegos de azar. En cada juego, independiente de los dems sucede solo uno de los siguientes eventos: A gana una moneda de B con probabilidad p B gana una moneda de A con probabilidad (1-p). Supongamos que A tiene un capital inicial de (a-b) monedas y B tiene un capital infinito. Cul es la probabilidad de que A se arruine en el (a+b) simo juego? Para resolver esto, observemos que la probabilidad de que en el (a-b) simo juego A haya perdido a juegos y B haya perdido b juegos es:

23

Adems la probabilidad condicional de que A se arruine en el (a-b) simo juego, dado que en el (a+b) simo juego A pierda a juegos y B pierda b juegos es

Por tanto, la probabilidad buscada es:

Este resultado fue obtenido en 1775 por Lagrange y Laplace, aunque ya en 1708 De Moivre haba planteado el problema y su solucin pero sin proveer una demostracin. Veamos una posible realizacin de este juego en donde (a-b)=5 y (a+ b)=15:

Consideremos ahora los juegos en el orden contrario, es decir, tomando el juego (a+b), luego el (a+b+1), el (a+b-2),.......................... E interpretemos una prdida para A en el juego original como un voto a su favor y lo mismo para B. La grfica invertida horizontalmente muestra entonces los votos que el candidato A lleva de ventaja con respecto a B.

24

es la probabilidad de que durante todo este Entonces podemos observer que tambin proceso de conteo, el candidato A tenga siempre ms votos que B. La herramienta matemtica de Takcs se basa en las siguientes generalizaciones del teorema de la urna:

2. Generalizacin del Teorema clsico de la urna 2.1 Caso discreto:

Teorema 2. Sean k1,k2,...,kn enteros no negativos tales que k1+k2+...+kn = k<= n. Entre las n permutaciones cclicas* de (k1+k2+...+kn) existen exactamente n k para las cuales la suma de los primeros r elementos es menor que r, para toda r=1,2,...,n.

Demostracin: Esta demostracin se basa en Farah (1994)1. Es importante sealar que el texto original de Takacs presenta una incorreccin, por lo que aqu se muestra la versin corregida y completa de dicha demostracin, fundamental para entender la metodologa de Takacs. * Las permutaciones cclicas de (k1,k2,...,kn ) son: (k1,k2,...,kn, k1), , (k1,k2,...,kn, k1, k2), , (k1,k2,...,kn, k1, k2, kn-1 ) 1 Farah J.L., Una Nota de Correccin de una Demostracin de L. Taktics, comunicacin personal, 1994. Sea kr+n =kr para r= 1,2,. y r= k1+k2++kr, r=1,2, con, r = 1,2,... con 0 = 0 Defnase las siguientes funciones:

25

son no decrecientes. Obsrvese que las funciones La primera parte de la demostracin consistir en dos afirmaciones respecto de las funciones : Por la monotona de se sigue que para toda j> i.

Obsrvese que en el caso particular j = i +1, la afirmacin j > r +1 es equivalente a i > r . Bajo esta eleccin la desigualdad (1) toma la forma:

Con esta desigualdad se puede afirmar:

Es decir:

Si el lado derecho de (2) es verdadero para toda I>r en particular lo ser para r: Por (3) la monotona de obtenemos la primera de las afirmaciones: La segunda afirmacin es la siguiente:

Como Caso I:

solamente se tienen que probar los siguientes casos:

Si r =1 entonces, por definicin Adems Si suponemos ahora

y en particular , por lo que entonces obviamente lo cual sucede s y solo s

26

Lo cual significa que Caso II: Si Implica entonces existe una S > r tal que que ocurriendo y viceversa. Quedando as demostrada la (5) Para terminar con la demostracin, distinguimos dos casos respecto de Caso 1: Para cualquier r = 0,1,2,... se tiene que una contradiccin. Esto afirma lo cual pues que de lo contrario que

implica

la cual implica que para todo r existe s tal que Caso 2:

y por tanto

Por lo que la funcin es una indicadora del evento en que las sumas parciales de la permutacin cclica de las sumandos de dicha suma parcial. Por ejemplo r=1 indica el evento: se encuentren por debajo del nmero de

27

El caso r=n indica el evento correspondiente a la permutacin cclica que comienza con

De esta forma la suma denota el nmero de veces que las sumas parciales de esas permutaciones estn por debajo del nmero de sus sumandos. Obsrvese ahora que

Es decir Por lo que la sumatoria se traduce en:

Con lo que queda demostrado el teorema. La frmula general para los dos casos es:

Donde (x)+ = x si x <=0 y cero de otra forma. Un ejemplo ilustrativo de esta situacin es la siguiente:

28

La representacin grfica de estas funciones se muestra en la siguiente pgina.

29

30

2.2 Caso de Parmetro Continuo:

Teorema 3. Sea Defnase Y la funcin como: una funcin escalonada no decreciente tal que mendiante la expresin . .

Entonces

Debido a que esta demostracin se ve notablemente simplificada suponiendo que existe un nmero finito de saltos en (0, t) , se presentar primero este caso y a continuacin la situacin ms general. Cabe sealar que la siguiente demostracin no aparece en la Literatura, ya que es un ejercicio para el lector, sin embargo nos permite reconocer los argumentos de Tacks en una forma muy accesible.

Demostracin cuando existe un nmero finito de saltos en (0, t):

El caso El caso Sabemos que Como trivialmente se cumple. se apreciar la simplificacin: es una funcin continua y no decreciente, y adems tiene un nmero finito de saltos, se puede separar el

tome los valores 1 y 0 en intervalo (0, t) en subintervalos ajenos en los cuales la funcin forma alternada como se muestra en el esquema, que presenta los intervalos de un ejemplo numerados del 1 al 7.

31

Si todo

en uno de esos subintervalos, digamos en por lo que:

entonces

para

Como ese

no presenta brincos en intervalo, entonces:

esta funcin es constante en

Si deseada:

en

entonces

Ahora podemos calcular la integral

Y todo se reduce a encontrar la longitud de los intervalos en los cuales pero (8) nos indica que dicha longitud es igual a la diferencia y por ello:

Con lo que termina la demostracin.

32

Demostracin del caso general:

Si (t) >t, entonces Si (t) t, definimos: y entonces el teorema es verdadero.

Como

Se tiene que

Y entonces

La primer afirmacin anloga a (4) es: Esto porque es creciente y para vu:

Y en particular

Esto indica que (u) es montona no decreciente y absolutamente continua por lo que (u) existe en todo su dominio, salvo en un conjunto a lo ms numerable. Adems 0(u) 1 y

El siguiente paso ser demostrar que

para toda u salvo por un conjunto a lo ms

33

numerable: Ntese que:

I) Comenzamos demostrando que para casi toda u: Ia) Si (u) existe, y si (u)=0, entonces 0(u) y queda demostrado Ib) Si (u) existe, , entonces:

Si

entonces

para v>u y por tanto:

Entonces

y en particular

Como

entonces y por definicin se tiene que

es y queda demostrado

decir

II) Ahora demostraremos que

para casi toda u

IIa) Si IIb) Si

existe, entonces existe

y queda demostrado. y u es punto de acumulacin del conjunto

entonces demostraremos que

34

Supongamos

tal que

Por definicin del conjunto D:

Si

existe y

entonces

Y como {un} es un conjunto numerable, queda demostrada la desigualdad. Las dos desigualdades presentadas en I) y II) implican que un conjunto a lo ms numerable. Esto termina la demostracin del teorema. para toda u salvo por

Referencias
Takacs, L., Combinatorial Methods in the Theory of Stochastic Processes. Robert Krieger, Publishing Co., Htmtingtcn, New York. 1977. pp. 2-7.

35

Captulo 4 Fluctuaciones de Sumas de Variables Aleatorias

En este captulo se obtienen nuevos resultados a partir de los teoremas 2 y 3 del capitulo anterior, con la finalidad de encontrar expresiones para la distribucin del mximo de variables aleatorias, descubriendo la capacidad del mtodo de Takcs para su obtencin y preparando el camino para la generalizacin de estos resultados a las fluctuaciones de realizaciones de los procesos estocsticos que nos interesan. Ntese que tanto los teoremas como las demostraciones no son sino analogas de los resultados bsicos ya presentados: tal es la elegancia del mtodo de Takcs.

1 Variables aleatorias cclicamente intercambiables 1.1 Sucesin finita de v.a. cclicamente intercambiables
Se dice que las variables aleatorias son cclicamente intercambiables si todas sus

permutaciones cclicas tienen la misma distribucin conjunta. Obsrvese que si son variables aleatorias independientes e idnticamente distribuidas son tambin cclicamente intercambiables. Supngase que pueden Sean las funciones tomar valores en los enteros no negativos, y

Al ser

cclicamente intercambiables,

ser una variable aleatoria con la misma

distribucin para toda entonces , para , por lo que tenemos una variable indicadora de este evento y podemos calcular su probabilidad:

Por el resultado (6) del capitulo 3 podemos simplificar esta ltima expresin como:

36

Resumiremos este anlisis en el siguiente teorema:

Teorema 4.

Sean

variables aleatorias cclicamente intercambiables que toman valores en los para r = 1,2,...,n. Entonces

enteros negativos. Sea

Para generalizar esta expresin a una sucesin infinita de variables aleatorias recurriremos al concepto de distribucin lmite y a la Ley Dbil de los Grandes Nmeros.

1.2 Ley Dbil de los Grandes Nmeros:

Si es una sucesin infinita de variables aleatorias intercambiables, existe una funcin de distribucin G(x) tal que

son variables aleatorias independientes e idnticamente distribuidas Si con media , entonces la distribucin lmite toma la forma:

donde

22

22

Esto es

37

1.3 Sucesin infinita de v.a. independientes idnticamente distribuidas

Ahora bien, gracias al teorema de continuidad para probabilidades23:

Por definicin, para toda n finita, son variables intercambiables, as que por el teorema 4 de este capitulo:

aleatorias

cclicamente

Por (1):

en probabilidad y al estar acotado

se afirma que

Podemos resumir este resultado de la siguiente manera: Teorema 5.

Sean

variables aleatorias independientes, idnticamente distribuidas con para r=1, 2,

media y que toman valores en los enteros no negativos. Sea Entonces:

2. La Distribucin del Mximo {Nr-r}

Teorema 6. Sean variables aleatorias intercambiables que toman valores en los enteros no negativos. Entonces:

23

Ver Feller Cap.XI, pp. 280,281.

38

Para Si en particular

entonces ambos lados son cero. son independientes e idnticamente distribuidas:

Demostracin El lado izquierdo de (2) es: Demostracin El lado izquierdo de (2) es:

Para obtener el sustrayendo de (4) definimos:

Entonces

para

Es decir

39

Por el teorema 4 sabemos que:

Y mediante la Ley de Probabilidades Totales se obtiene el sustrayendo de (4) obsrvese que por tanto, los posibles valores (j,l) son

Esto termina la demostracin de (2). Cuando son variables aleatorias independientes e idnticamente distribuidas

Pero

tiene la misma distribucin que

pues las

son

intercambiables, entonces

y el sustrayendo del lado derecho de (2) es:

y (3) queda demostrado. Una vez especificada la distribucin del mximo del proceso {Nr-r} encontraremos su valor esperado para el caso de variables aleatorias independientes e idnticamente distribuidas.

3. El valor Esperado del mximo de {Nr-r}

Teorema 7. Sean variables aleatorias independientes e idnticamente distribuidas con media g, que toman valores en los enteros no negativos. Entonces

40

Demostracin24 Como

El lado derecho de (6) es. por el teorema 6

Por el teorema 6, sabemos que para k<0 los dos lados de la ecuacin (2) son cero, as que "sumamos cero" a (7) para obtener:

Y trmino a trmino se obtiene:

Ntese que

Aplicando (9) a (8) y juntando el segundo y cuarto trminos:

24

Agradezco al Dr. Alberto Tubilla su ayuda en !a realizacin de esta demostracin

41

Que es el lado derecho de (5), con lo que queda demostrado.

4. Distribucin del Supremo de {Nr r} 4.1 Una expresin explicita para la distribucin
En esta seccin se busca generalizar el teorema 6 a una sucesin infinita de variables aleatorias independientes e idnticamente distribuidas. Esto se logra mediante el siguiente teorema: Teorema 8. Sean V1, V2 , Vr,... variables aleatorias independientes, con media y que toman valores en los enteros no negativos. idnticamente distribuidas

Demostracin: Nuevamente por el teorema de continuidad para probabilidades:

42

Y por (4)

Y queda por determinar este limite, para lo cual se distinguen tres casos:

Caso I:
Cuando probabilidad. sabemos por la Ley dbil de los Grandes Nmeros que en

y por lo visto en 1.3

por lo que (12) es igual a

Siempre que este valor est bien definido, lo cual se verifica en seguida:

por lo que

y (13) est bien definido.

Caso II:
Cuando >1 se tiene que Adems por el teorema 6 la desigualdad para toda

43

es siempre verdadera y cuando

Caso III:

Por el teorema 5 sabemos que Ciando k>0 y , entonces

y (15) se mantiene para y la desigualdad:

Indica que (15) es verdadero. Si entonces para todo R=1,2, y obviamente

Con esto termina la demostracin.

4.2 La funcin generatriz de la distribucin del supremo

Teorema 9. Sean los mismos supuestos que en el teorema 8. con y < 1, entonces:

44

Demostracin Evidenternente para k < 0 se tiene Qk = 0 Condicionando sobre el valor de vn+1, y aplicando la Ley de Probabilidades Totales:

Cuando

Es decir, obtenemos una frmula recursiva para las probabilidades teorema 5 Multiplicando (16) por

donde por el

sumando sobre todos los valores de k:

y reescribiendo la doble sumatoria:

se obtiene:

y despejando:

con lo que termina la demostracin.

45

Debe recalcarse la importancia de este teorema Permite obtener la funcin generadora de las a partir de la funcin generadora de probabilidades de las variables aleatorias Estas

probabilidades son precisamente las probabilidades de no ruina para el modelo de la reserva en tiempo discreto. En el siguiente captulo se presentar la versin de este teorema para el Modelo de Lundberg definido en el captulo 2.

Referencias
Takcs, L.. Combinatorial Methods in the Theory of Stochastic Processes, Roben Krieger, Publishing Ca, Huntington, New York. 1977. pp. 10-18, 24 y 25.

46

Captulo 5 Fluctuaciones de Realizaciones de Procesos Estocsticos y Probabilidad de Ruina Eventual

En este capitulo se obtienen resultados anlogos al capitulo anterior para encontrar la distribucin del supremo de procesos estocsticos y por consiguiente, de la probabilidad de ruina eventual.

1. Procesos con incrementos cclicamente intercambiables.

1.1 Procesos en tiempo finito con incrementos cclicamente intercambiables y procesos con incrementos estacionarios independientes.

tiene incrementos cclicamente intercambiables si para toda n= Un proceso 2,3,... las variables aleatorias

son cclicamente intercambiables. Ntese que si las variables aleatorias (1) son mutuamente independientes e idnticamente distribuidas, son tambin cclicamente intercambiables. Teorema 10. un proceso estocstico separable que toma valores reales con incrementos Sea cclicamente intercambiables y cuyas realizaciones son funciones escalonadas no decrecientes con R(0), 0 entonces:

y en consecuencia:

Demostracin Defnase R(u) para y sea mediante

47

Entonces

es una variable aleatoria con la misma distribucin para toda

es una funcin indicadora del evento por lo que nuevamente podemos calcular su probabilidad de manera totalmente anloga a la presentada en el teorema 4:

Y por el teorema 3

Y queda demostrado.

Se dice que un proceso estocstico

tiene incrementos intercambiables si para

toda finita las variables aleatorias (1) son mutuamente independientes e idnticamente distribuidas, se dice que el proceso estocstico tiene incrementos estacionarios independientes. Obsrvese que cualquier proceso intercambiables o incrementos estacionarios independientes tal que tendr incrementos cclicamente intercambiables para toda estos dos tipos de procesos y cuando , caso que excluiremos de aqu en adelante. Para generalizar el teorema 10 a un proceso en tiempo infinito, presentaremos la versin correspondiente de la Ley Dbil de los Grandes Nmeros: finita. Adems para se tiene que con incrementos

1.2 Ley Dbil de los Grandes Nmeros

Sea el proceso estocstico en tiempo infinito Entonces existe una funcin de distribucin G(x) tal que con incrementos intercambiables.

48

Si

en

particular toma la forma:

tiene

incrementos

estacionarios

independientes

donde

1.3 Procesos en tiempo infinito con incrementos estacionarios e independientes

La generalizacin del teorema 10 es la siguiente: Teorema 11. un proceso estocstico separable que toma valores reales con incrementos Sea estacionarios independientes y cuyas realizaciones son funciones escalonadas no decrecientes con R(0) = 0 entonces:

Demostracin Nuevamente por el teorema de continuidad para probabilidades:

Por definicin, para toda t finita, el teorema 10:

tiene incrementos intercambiables, as que por

Por (2):

en probabilidad y al estar acotado

se

49

afirma que Con lo que termina la demostracin.

2. La distribucin del supremo de {R(u) u} y su valor esperado

En esta seccin presentaremos los resultados anlogos a los teoremas de la seccin 1, por lo que solamente se muestra la demostracin del teorema 12, remitindose al lector a dicha seccin para la prueba del teorema 13. Teorema 12. Sea un proceso estocstico separable que toma valores reales con incrementos intercambiables y cuyas realizaciones son funciones escalonadas no decrecientes con R(0) = 0 entonces:

para toda

finita.

Demostracin El sustraendo del lado derecho de (3) es la probabilidad de que algn . para

Sea

, entonces por lo que

Ahora bajo la condicin de que para el proceso

podemos aplicar el teorema 10 y obtenemos la probabilidad de (4) es:

50

Como

Podemos integrar (5) con respecto a (6) en derecho de (3). Para el caso x = 0 se tiene, mediante el teorema

y obtener el sustraendo del lado

con lo que termina la demostracin.

Teorema 13. Sea un proceso estocstico separable que toma valores reales con incrementos intercambiables y cuyas realizaciones son funciones escalonadas no decrecientes con R(0) = 0 entonces:

para

tiene incrementos estacionarios independientes, Si en particular el proceso entonces podemos aplicar (3) la siguiente sustitucin:

Resultando la siguiente expresin

51

3. Caractersticas de las Transformadas de Laplace sobre los procesos utilizados.

Una vez presentados los teoremas anteriores, ser necesario conocer ciertas propiedades de los procesos con los que hemos trabajado, de los cuales el proceso Poisson Compuesto es un caso muy importante: , un proceso estocstico separable que toma valores reales Si suponemos que con incrementos intercambiables y cuyas realizaciones son funciones escalonadas no decrecientes con R(0) = 0 , podemos afirmar25:

donde

con

una funcin no decreciente, continua a la derecha, tal que

Con la siguiente interpretacin: El nmero esperado de saltos de magnitud mayor que x que ocurren en el intervalo (0,t) es

Defnase

no necesariamente finito, para afirmar:

y cuando Por tanto, el

se tiene el caso trivial nmero de ocurrencias en el intervalo cero a t es y

25

Ver Feller II. Section XIII.7, teoremas 1 v 2.

52

Adems

Cuando

finito, nos referimos a un proceso Poisson Compuesto y la funcin

es la funcin de distribucin de una variable aleatoria no negativa, con transformada de Laplace-Stieltjes

Despejando de (12) obtenemos que

Y por definicin de

(expresin 10):

es decir, la expresin (13) resulta ser:

y para este tipo de procesos tenemos por (5) del capitulo I

53

Sea

Si Re(s) 0 entonces sabemos que

existe y por propiedades de las transformadas de Laplace26

Y se tiene

Adems si

entonces

y si esta cantidad es positiva y finita la funcin

26

Ob. Cit. Cap. XIII.2

54

es la funcin de distribucin de una variable aleatoria no negativa cuya transformada de Laplace-Stieltjes es:

o tambin

Lo cual se verifica enseguida: Aplicando a cada lado de (20) la transformada de Laplace-Stieltjes correspondiente obtenemos para el lado izquierdo:

y para el lado derecho:

es decir

que es precisamente (22); o bien aplicando (14)

que es precisamente (21). Ahora bien, para obtener conclusiones tiles que conduzcan a la distribucin del supremo de estos procesos, requerimos mostrar las siguientes propiedades de la funcin

55

Propiedades de

Propiedad 1: Si Re(s)> O entonces

Esto se debe a que Entonces por (10):

cuando x >= 0.

para toda

siempre que

. Y por tanto

para toda Cuando Propiedad se obtiene la propiedad 1,pues esta ltima integral tiende a cero. 2: Si la mayor raz real no negativa de , entonces

Adems no existe otra raz en

Esto resulta de observar que

es montona creciente y

montona decreciente

Adems

, por lo que

, es decir, no existe otra raz en Propiedad 3: es la nica raz no negativa de

56

Esto

se

debe

la

propiedad

al

hecho

de

que

es

no

decreciente

Con estas propiedades es posible encontrar una expresin para la distribucin del supremo y por consiguiente para la probabilidad de ruina eventual:

4 Probabilidad de Ruina Eventual

Esta seccin utiliza la siguiente generalizacin del teorema 9 al caso continuo. Obsrvese que se refiere precisamente a la probabilidad eventual de no ruina U(x):

Teorema 14

Sea un proceso estocstico separable con incrementos estacionarios independientes y cuyas realizaciones son funciones escalonadas no decrecientes con R(0) = O y p < 1, entonces:

donde U(x) = O para x < 0 , U(0) = 1 p y

Demostracin Por el teorema 11 se obtiene U(x) para x < 0 . Si y > 0 y x + y >0 se tiene:

El primer trmino del lado derecho es la probabilidad de que R(y) =

El Segundo termino es la probabilidad de que

no se cumpla para alguna

en el

57

intervalo entonces evento trmino. Cuando y el evento

para tiene la misma probabilidad que el es decir, W(0). Con esto se obtiene el segundo este termino es cero al ser el evento imposible.

Defnase

para

Ahora bien, tomando la transformada de Laplace-Stieltjes de U(x) obtenemos para Re(s) > 0 :

Pero

para

obtenindose

para

con lo que queda demostrado.

Ntese nuevamente que el razonamiento es similar al de los teoremas anteriores. Esto indica que el mtodo de Takacs es efectivo no solo por sus resultados, sino por proveer una forma de razonamiento adecuada para analizar el comportamiento de mltiples procesos estocsticos. Aplicando la propiedad 2 de en el caso es: y por expansin de Lagrange27 se

obtiene que la mayor raz no negativa de

Por lo que expresiones para U(x).

existe para

. Y por inversin se obtienen diferentes

Al ser

un nmero positivo finito se tiene por (14) y (22) que

Adems

27

Ibidem p. 209.

58

por lo que podemos escribir:

Y por inversin Takcs obtiene una primer expresin28:

Si

se puede obtener una segunda expresin29

Finalmente, una tercer expresin se obtiene de manera muy simple: Mediante integracin por partes se verifica30 que

entonces podemos aplicar (14) y (25):

factorizando:

Se obtiene la siguiente suma infinita:

28 29 30

Takcs(1977) p.60 Ob, Cit. Teorema 2. seccin 16. Feller II. XIII.2. propiedad iii)

59

Con Re(s) suficientemente grande: Finalmente por inversin se obtiene la probabilidad eventual de no ruina para el Modelo de Lunderberg:

Referencias
Takcs, I.., Combinatorial Methods in the Theory of Stochastic Processes. Robert Krieger. Publishing Co Huntington. New York. 1977, pp. 37-61. Feller. W. An Introduction to Probability Theory and Its Applications, Vol. H. Wiley, New York, 1971..

60

Captulo 6 Aplicaciones al Problema de Ruina

En este capitulo se utilizan los resultados de Takcs con el fin de obtener una expresin til para la probabilidad de ruina eventual en el caso en que la distribucin de montos de las reclamaciones tome valores nicamente en los enteros positivos. Este problema, motivo de numerosos artculos de investigacin (ver capitulo 2), representa la posibilidad de aplicar la Teora de Riesgo en un problema frecuente al que se enfrentan los actuarios en el disea y monitoreo del comportamiento de los productos. De esta situacin resulta muy importante contar con un algoritmo que permita obtener las probabilidades de ruina en forma rpida y sin requerir equipos de cmputo costosos. Para mostrar la capacidad de este algoritmo, se utilizar en algunos ejemplos bien conocidos en la literatura. En el apndice del captulo, el algoritmo es plasmado en un programa que puede ser ejecutado en una PC y se incluyen las consideraciones utilizadas en su construccin.

1.

Frmula de ruina para distribucin de montos discreta.

Dado31 que anterior se traduce en:

y en el caso en que

sea discreta, la frmula 32 del captulo

Donde

para j= 1, 2, 3, y [W] es el mayor entero menor o igual a w

Ntese que la unidad monetaria es la original del problema, esto es para facilidad de uso de la frmula y evitar confusiones al aplicarla. Shiu(1988) obtiene esta frmula a partir de la frmula de convolucin de Beekman de 1968. Pero sta a su vez proviene (como lo reconocen Beekman y Shiu) de resultados ms generales publicados por Takcs en 1965. Tambin en el articulo de Shiu(1988) se incluye una demostracin desarrollada por Willmot. Sin embargo, una demostracin sin referencias directas a los teoremas de Takacs se encuentra en Seah(1990), sin embargo esta carece de argumentos que permitan mostrar los conceptos
31

Bowers et. al. p. 359.

61

realmente involucrados y puede ser una referencia para evaluar la importancia del mtodo de Takacs as Como su rigor y contundencia de argumentos. Cabe sealar que para valores grandes de la reserva inicial w , un mtodo eficiente para es el uso de la formula asinttica de Cramer-Lundberg32 presentada en el capitulo evaluar 2. Sin embargo, estos casos son de menor inters, porque implican valores en general muy . En la prctica las aseguradoras se encuentran limitadas en dicho capital pequeos para inicial y por ello el uso de valores pequeos de w es ms relevante. La importancia de la formula (1) se hace entonces evidente.

2. Ejemplos
Una vez establecido el algoritmo, se proceder a utilizarlo en la obtencin de probabilidades de ruina para ciertos ejemplos bien conocidos en la literatura de ruina. El primer ejemplo considera que todas las reclamaciones son de monto unitario. Este caso es presentado prcticamente en todos los textos de Teora de Riesgo obtenindose expresiones explicitas para la probabilidad de ruina. Vase por ejemplo Seal (1969) pagina 92. El segundo ejemplo es tornado de Mereu(1972) tabla 3. En este artculo se muestra un mtodo para calcular la perdida esperada en un grupo de plizas de seguro de vida utilizando el supuesto de fuerza de mortalidad constante, lo que permite el empleo de la Teora Colectiva de Riesgo Clsica tal y como se expuso en el primer capitulo. La distribucin de montos resultante esta denominada en unidades de 1,000 dolares y es utilizada posteriormente en diferentes artculos de la Sociedad de Actuarios. Por este motivo, obtener las probabilidades de ruina para esta distribucin resulta interesante y de consideracin en futuros artculos que retomen este ejemplo ilustrativo. El tercer ejemplo proviene de un estudio comparativo basado en la Teora Colectiva de Riesgo de Beekman y Fuelling (1987). Es en este ejemplo donde ocurren las mayores dificultades de calculo mostradas en el apndice de este capitulo, especialmente los errores de redondeo y perdida de dgitos significativos al evaluar la funcin ew para valores grandes de la reserva inicial. El tiempo de procesamiento y la cantidad de archivos necesarios para almacenar las convoluciones se incrementa notablemente por lo que es recomendable realizar este almacenamiento directamente en la memoria del ordenador mediante el siguiente comando en el archivo "config.sys": DEVICEHIGH=C: \DOS \RAMDRIVE.SYS 2048. 512 512/E Esta instruccin permite simular un disco duro de 2 Megabytes en la memoria extendida del sistema, incrementando notablemente la velocidad de proceso. El programa en Turbo Pascal 6.0 mostrado en el apndice A ya considera la existencia del disco RAM, como puede apreciarse en las instrucciones de creacin y lectura de archivos, las cuales hacen referencia a la unidad de disco "e:" que es precisamente la unidad RAM creada en el ordenador donde se realizaron las operaciones.

32

Shui (1988)

62

A continuacin se presenta para cada ejemplo su distribucin de montos y las probabilidades de ruina para ciertos valores tanto de la reserva inicial w como del recargo de seguridad . Cabe sealar que estas operaciones fueron realizadas en una computadora personal con procesador 386SX a 33 Mhz con coprocesador matemtico y una memoria extendida suficiente para la creacin del disco RAM. Al utilizar este programa en ordenadores con procesadores de mayor velocidad y con menores tiempos de acceso a la memoria extendida, pudo reducirse el tiempo de proceso hasta en un factor de 20 (Procesador 586 a 90 Mhz).

DISTRIBUCIN DE MONTOS DEL EJEMPLO

PROBABILIDADES DE RUINA

PROBABILIDADES DE RUINA

63

DISTRIBUCIN DE MONTOS DEL EJEMPLO 2

PROBABILIDADES DE RUINA

64

DISTRIBUCIN DE MONTOS DEL EJEMPLO 3

PROBABILIDADES DE RUINA

PROBABILIDADES DE RUINA

65

3. Observaciones Finales
El algoritmo desarrollado y los ejemplos anteriores muestran que la frmula (1) puede ser utilizada en la prctica con xito. Esta frmula exacta implica la evaluacin de una suma finita, lo cual tiene ventaja sobre frmulas infinitas tambin exactas, que son por su naturaleza aproximaciones y cuya convergencia puede ser lenta33. Las distribuciones de montos discretas son un caso particular en la Teora de Riesgo, sin embargo en la prctica se observan este tipo de distribuciones con notable frecuencia e incluso existen procedimientos bien conocidos en la prctica actuarial para la discretizacin de distribuciones continuas, como los propuestos por De Vylder y Goovaerts (1988). La frmula (1) permite entonces una manera eficiente para obtener probabilidades de ruina34 en muy diversas situaciones prcticas o estrictamente tericas de acuerdo con el inters del investigador. Esta aplicacin es un ejemplo de cmo el enfoque de Takcs provee expresiones tiles, pero debe considerarse que tos teoremas de los capitules 3 y 4 comprenden a una amplia gama de procesos estocsticos, por lo que siguiendo un procedimiento similar al del caso de Poisson, se pueden obtener probabilidades de ruina de otros procesos, incluyendo aqullos propios de modelos ms completos, necesarios en la Teora de Riesgo Contempornea.

Referencias
Beekman. J.A., Fuelling, C.P. A Collective Risk Comparative Study, Insurance: Mathematics and Economics 6 (1987):57-62. Mereu, J.A. An Algorithm for Computing Expected Stop-Loss Claims under a Group Life Contract, TSA 24 (1972): 311-20. Seah E. S. Computing the Probability of Eventual Ruin. Transactions of the Socidy of Actuaries, Vol. XLIE, 1990. Seal, H. Stochastic Theory of a Risk Business. John Wiley & Sons.. New York, 1969. De Vvlder, F., Goovaerts. MJ. Recursive Calculation of Finite-Time Ruin Probabilities. Insurance: Mathematics and Economics 7, 1-7.

33 34

Ver Seach(1990) formula 2.4 y su discusin en la pgina 426. O aproximaciones en el caso de discretizacin

66

Apndice A: Diseo del algoritmo para las probabilidades de ruina en el caso de montos discretos

Para el desarrollo del algoritmo, se consider indispensable su uso en una computadora personal, pues de lo contrario su utilidad estara restringida a la disponibilidad de equipos ms poderosos, que aunque pueden encontrarse en las compaas aseguradoras, su uso intensivo durante el proceso de diseo de productos o anlisis de suficiencia de primas en cartera (aplicaciones directas de esta frmula) resultar en costos elevados e innecesarios, sobre todo si existe la posibilidad de llevarlos a cabo en PC. La expresin (1) del captulo 5 involucra la suma de series alternantes finitas, razn que motiva su uso al menos para valores relativamente pequeos de w. Sin embargo, conforme esta reserva inicial se incrementa, se presentan cuatro problemas:

a) Errores de redondeo en la frmula de ruina:

Causados por la presencia de la funcin la cual se incrementa rpidamente, implicando la prdida de un nmero creciente de dgitos en el ordenador. Este problema puede ser al menos retrasado mediante el uso de ms dgitos en el formato numrico, pero debe reconocerse su inevitabilidad. Aunque existen lenguajes de programacin (p. ej. Mathematica) que permiten manejar un nmero arbitrario de dgitos de precisin, esto se realiza a costa de tiempo de procesador y capacidad de almacenamiento/transmisin de la informacin, obstculos que al menos con los ordenadores actuales disponibles no permiten eliminar definitivamente este problema.

b) Errores de redondeo en el clculo de b convolucin:

Los coeficientes implica un total de

pueden ser evaluados mediante la frmula

que

operaciones de convolucin para obtener la j-sima convolucin

Esto puede causar errores de redondeo notables, sobre todo en el caso de valores grandes de la reserva inicial. Seah (1990) propone un mtodo heurstico para reducir estos errores, basado en el clculo de las convoluciones mediante la frmula ms general:

Donde g+h=j

67

Sin embargo este enfoque requiere de obtener los valores de g y h que minimicen el nmero de operaciones de convolucin y nos remite al problema nada trivial de la "cadena de adicin", estudiado ampliamente en la literatura de sistemas digitales. Para evaluar este mtodo se programa el algoritmo aplicndolo a los ejemplos del captulo 6, sin encontrar diferencias numricas con el mtodo finalmente utilizada. Otro mtodo que tambin busca minimizar los errores de redondeo se encuentra en Shiti(1988) frmula 4.8), y se basa en los mtodos utilizados en sistemas digitales para minimizar el nmero de operaciones en el clculo de la "transformacin Z", conocida en la Teora de Probabilidad como la funcin generadora de probabilidades.

c) Desbordamientos de memoria:
Debidos al hecho de que cada escalar es almacenado utilizando una cantidad determinada de memoria del ordenador, implicando un lmite para el nmero de valores que pueden manipularse35. Ante esta situacin se presentan dos opciones: La primera consiste en realizar las operaciones de convolucin en el momento en que son requeridas por la funcin de ruina, eliminando los valores de la convolucin en cada iteracin. Esta opcin es viable cuando se dispone de procesadores de alta velocidad en cuanto a la realizacin de las operaciones y tiempo de acceso a la memoria fsica del sistema, lo cual no es siempre posible en computadoras personales. La segunda opcin, utilizada en el algoritmo finalmente propuesto, consiste en el uso de los dispositivos de almacenamiento externos (disco duro) para almacenar como archivos los valores de cada convolucin.

d) Tiempo de Procesamiento
Adicional a los incrementos en el tiempo de procesamiento ocasionados por los problemas arriba mencionados, el clculo de las operaciones de convolucin es en si mismo un proceso intensivo en cuanto al nmero de operaciones aritmticas necesarias. Debido a su frecuente uso en numerosas disciplinas, principalmente la Fsica y la Electrnica, se han estudiado algoritmos eficientes para su obtencin. La rama de la ingeniera que requiere en mayor medida de estos algoritmos es el Procesamiento de Sistemas Digitales y es precisamente la que aporta los mejores resultados. En el Apndice B se describe la tcnica que puede utilizarse para reducir el nmero de operaciones, especialmente el de multiplicaciones. Finalmente, se presenta el programa en Turbo Pascal 6.0 resultado de estas consideraciones:

35

Este limite, adems de presentarse en lumia definitiva por la capacidad tsica de la memoria de los ordenadores. se presenta en muchos lenguajes de programacin al manejar estructuras de informacin estticas (arreglas) y aunque el manejo de estructuras dinmicas (apuntadores) puede ser una solucin, sta se encuentra nuevamente limitada en cuanto a la velocidad de los procesos de bsqueda de la informacin

68

69

70

71

Apndice B: Clculo de convoluciones mediante la Transformada Rpida de Fourier

Esta breve exposicin se basa en Oppenheim(1975) y Myers(1990). En trminos de la Teora de Sistemas Digitales, la "salida" de un procesador digital est dada por la expresin:

la cual considera como caso particular la convolucin cclica de dos secuencias infinitas x y h peridicas con periodo Y donde :

describe un periodo de la seal digital infinita. Un periodo de esta seal describe precisamente una convolucin lineal, que es precisamente el tipo de convolucin que necesitamos calcular eficientemente en nuestro problema. Estas convoluciones cclicas tienen una propiedad interesante: Sea una serial digital x(n) peridica con periodo N, defnase la Transformada Discreta de Fourier como:

donde y cuya transformacin inversa es:

Entonces la convolucin cclica de dos seales peridicas x y h tiene una Transformada Discreta de Fourier Y (k) tal que

donde H(k) y X(k) son las Transformadas Discretas de Fourier de h(n) y x(n) respectivamente. Bajo este resultado es posible obtener una convolucin cclica (y por ende una lineal) siguiendo este procedimiento:

72

1.
2. 3.

Aplicar la transformacin arriba descrita a las secuencias h(n) y x(n) . Multiplicar trmino a trmino las dos secuencias H(k) y X(k) , obteniendo Y(k) . Aplicar la transformacin inversa a Y(k) .

Obviamente el nmero de operaciones involucradas es mucho mayor bajo este procedimiento: 2 Para el clculo de una convolucin cclica (lineal) son necesarias N multiplicaciones de nmeros reales y N(N-1) sumas de nmeros reales. Por el contrario, cada Transformacin 2 requiere (N - 2N + 1) multiplicaciones de nmeros complejos y N(N-1) sumas de 2 nmeros complejos lo que aproximadamente36 resulta en (4N - 8N + 4) multiplicaciones 2 de reales y (4N - 6N + 2) sumas de reales. Esto implica que el nmero de operaciones 2 requeridos para la convolucin mediante la Transformada es de (16N -20N + 16) 2 2 multiplicaciones y (16N -24N + 8) 37 sumas. Sin embargo, en 1965 Cooley y Tukey38 publican un algoritmo para la Transformada Discreta de Fourier aplicable cuando N es el producto de dos o ms enteros, el cual reduce drsticamente el nmero de operaciones, explotando tanto la simetra como la periodicidad de la secuencia originando una revolucin en el campo de aplicacin de la teora de sistemas digitales basada en el empleo de algoritmos que sern denominados Transformada rpida de Fourier y cuya idea bsica es la siguiente: Para obtener la Transformada Discreta de Fourier

Salvo el caso en que N sea primo, siempre podr factorizarse como: N=ML Ahora hgase un mapeo de x(n) en un arreglo x(u,v) de renglones y L columnas de la siguiente manera:

Es decir, el trapeo se logra transformando el indice n tal que

36 37

38

Dependiendo del algoritmo utilizado Por supuesto el nmero de operaciones se reduce cuando las secuencias son de nmeros reales, como es el caso de la convolucin que nos interesa. Oppenheim(1975) p.286

73

Por otro lado se puede realizar un mapeo similar de X(k) en un arreglo X(s,r) mediante: k = rM+s Donde Entonces la Transformada Discreta de Fourier toma la forma

Como WN, es peridica en N se tiene:

Y por tanto:

que se puede reexpresar como:

Implicando (M+ L)N-3N + 1 multiplicaciones complejas y N(M+L-2) adiciones complejas, que es claramente un nmero menor de operaciones. De hecho, conforme N se incrementa este algoritmo requiere tanto para las multiplicaciones como para las adiciones que es aproximadamente Un caso particular de este tipo de algoritmos considera potencias de 2 como longitud de la secuencia. A continuacin se muestra el cdigo de un programa que permite realizar la Transformada Rpida de Fourier (FFT) y su inversa (IFFT), que aunque todava es factible de optimar, puede incluirse fcilmente en el programa del apndice A: del nmero original de operaciones,

74

Referencias
Myers D.G.. Digital Signal Processing: Efficient Convolution and Fourier Transform Techniques. Prentice Hall, Australia. 1990. Oppenheim. A. V. y Schafer R, W., Digital Signal Processing, Prentice Hall, New Jersey. 1975.

75