Captulo 6

Introduccion a la Teora de la
Ruina

Este captulo contiene una introduccion breve al modelo de ruina en tiempo discreto, al modelo
clasico de Cramer-Lundberg referente al tiempo continuo y a algunos aspectos elementales sobre la
probabilidad de ruina en tal modelo.
En la teora de la ruina, la variable de interes es el superavit. Decimos que la ruina ocurre cuando
dicha cantidad se vuelve negativa. Para poder modelar el superavit debemos considerar las variables:
reclamaciones, primas, inversiones, gastos y cualquier otro factor que afecte el cash-flow.
Antes de comenzar a desarrollar la teora de la ruina, describiremos y haremos algunas observa-
ciones de conceptos utilizados en el curso de procesos estocasticos.

6.1. Conceptos Preliminares

Definicion 6.1.1. Un proceso en tiempo continuo es denotado por {Xt : t 0}. Si existen elementos
aleatorios, es suficiente con especificar la distribucion conjunta de (Xt1 , ..., Xtn ) para toda t1 , ..., tn
y cualquier n N.
Ejemplo 6.1.2. Sea {St : t 0} el total de pagos realizados del tiempo 0 al tiempo t. Para
t1 < < tn consideramos las variables Wj = Stj Stj 1 que describen el incremento de los pagos
realizados entre el tiempo tj 1 y tj . Notemos que St0 = S0 = 0, lo cual quiere decir, que no se ha
hecho pago alguno al tiempo cero.
Definicion 6.1.3. Un proceso {Xt : t 0} tiene incrementos independientes si las variables alea-
torias Xt Xs y Xu Xv son independientes para cualesquiera s < t v < u.
La propiedad anterior indica que el movimiento del proceso en cualquier perodo es independiente
del movimiento en otro perodo que no se traslapa con el primero.
Definicion 6.1.4. Un proceso {Xt : t 0} tiene incrementos estacionarios si la distribucion de
Xt Xs depende solo de la diferencia t s.
La propiedad anterior implica que el movimiento no depende de la fecha. En otras palabras, no
puedes decir en que momento estamos solo con mirar los incrementos del proceso.
Definicion 6.1.5. Un proceso en tiempo discreto es denotado por {Xt : t = 0, 1, 2, ...}. Si existen
elementos aleatorios, al igual que los procesos en tiempo continuo, es suficiente con especificar la
distribucion conjunta de (Xt1 , ..., Xtn ) para toda t1 , ..., tn y cualquier n N.
Para desarrollar los modelos de ruina, consideraremos el proceso de superavit {Ut : t 0} en
tiempo continuo o {Ut : t = 0, 1, ...} en tiempo discreto. Sea u = U0 el superavit inicial (que en
realidad es el capital inicial), entonces el superavit en el tiempo t esta dado por la expresion
57
58 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

U t = U 0 + Pt St

donde {Pt : t 0} es el proceso que mide las primas pagadas en el tiempo t y {St : t 0} es el
proceso que mide la siniestralidad total hasta el tiempo t.

Observacion 6.1.6. Pt depende en ocasiones de Su para u < t. Por ejemplo, los dividendos basados
en la experiencia favorable pueden reducir la prima pagada.

Es posible, aunque no necesario, separar la frecuencia y severidad de los componentes de St .

Para ello, sea {Nt : t 0} el proceso que describe el numero de reclamaciones hasta el tiempo t.
N (t)
As, St = Xi donde Xi representa el monto de la i esima reclamacion y no son necesariamente
i=1
independientes; sin embargo, cuando lo son, St es una distribucion compuesta.
En resumen, el modelo de superavit queda de la siguiente forma
N (t)
U t = U 0 + Pt Xi .
i=1

6.2. Modelo de ruina en tiempo discreto

Como mencionamos antes, consideraremos el modelo de superavit en tiempo discreto, es decir,
{Ut : t = 0, 1, ...}. Agreguemos una nueva variable Ct que representa cualquier cash-flow diferente a
las primas y pagos de siniestros. Los cash-flows que mas se consideran son los ingresos por inversiones.
As, al final del periodo t se tiene que
t
Ut = u + (Pj + Cj Sj ) = U t 1 + Pt + C t St .
j=1

Observacion 6.2.1. Notar que Pj , Sj no representan la prima total y la siniestralidad total hasta
el final del periodo j, respectivamente, sino, la prima percibida y la siniestralidad pagada del perodo
j.

Definamos los incrementos del modelo en perodo t como

Wt = U t Ut 1 = Pt + C t St para t = 1, 2, ...

entonces el proceso de superavit se puede escribir como

Ut = Ut 1 + Wt para t = 1, 2...

La ecuacion anterior, nos permite estudiar facilmente el modelo cuando Wt es independiente de

las otras Wt o cuando solo depende del valor de Ut 1 . La dependencia de Wt con Ut 1 nos permite
pagar un dividendo basado en el superavit al final del ano previo (porque Wt depende de Pt ).

Observacion 6.2.2. Si Wt son variables aleatorias independientes e identicamente distribuidas,

entonces {Ut } es una caminata aleatoria.

En nuestro caso, supondremos que dado Ut 1 , la variable Wt = Pt + Ct St depende solo de

Ut 1 y no de cualquier otra experiencia previa. Esto hace que {Ut : t = 0, 1, ...} sea un proceso de
Markov.
Ahora definamos las probabilidades que seran de nuestro interes.

Definicion 6.2.3. La probabilidad de supervivencia en horizonte finito esta dada por

(u, ) = P (Ut 0 para todo t = 0, 1, ..., |U0 = u).
6.2. MODELO DE RUINA EN TIEMPO DISCRETO 59

La cartera de polizas debe sobrevivir perodos (usualmente son anos) y solo calculamos al
final de cada perdo. Si lo que queremos es asegurar la supervivencia de la cartera para siempre,
consideramos la siguiente probabilidad.

Definicion 6.2.4. La probabilidad de supervivencia en horizonte infinito esta dada por

(u) = P (Ut 0 para todo t = 0, 1, ...|U0 = u).

Observacion 6.2.5. Las siguientes afirmaciones deben resultar claras:

1. (u, ) (u).

2. lm (u, ) = (u).

Finalmente tenemos la definicion que nos compete, es decir, la probabilidad de ruina.

Definicion 6.2.6. La probabilidad de ruina en horizonte infinito en tiempo discreto es

(u) =1 (u).

Analogamente podemos definir la probabilidad de ruina en horizonte finito en tiempo discreto,

es decir, (u, ) = 1 (u, ). Notemos que la probabilidad anterior considera que la ruina ocurre
en el tiempo o antes.
Para evaluar las probabilidades de ruina, definamos un nuevo proceso como sigue:

0, Ut 1 < 0
Wt =
Wt , Ut 1 0
Ut = Ut 1 + Wt

donde el nuevo proceso comienza con U0 = u. En este caso, la probabilidad de supervivencia en

horizonte finito es
(u, ) = P (U 0).

La razon por la que solo necesitamos verificar que Ut en el tiempo es, que una vez que la ruina
ha ocurrido, este proceso no se vuelve nonegativo.

Ejemplo 6.2.7. Considerese un proceso con capital inicial de 2, una prima anual de 3, y perdidas
de 0 o 6 con probabilidades 0.6 y 0.4, respectivamente. Si no existen otros cash-flows, determina
(2, 2).

Solucion: Observemos que los posibles valores para U1 son 5 y -1 pues W1 = P1 S1 solo puede
valer 3 y -3, con probabilidades 0.6 y 0.4, respectivamente. Por lo tanto, cada uno de estos dos
valores para U1 origen dos posibles valores para U2 que describiremos en la siguiente tabla:

Caso U1 = U1 W2 W2 U2 Probabilidad
1 5 3 3 8 (0.6)(0.6)=0.36
2 5 -3 -3 2 (0.6)(0.4)=0.24
3 -1 3 0 -1 (0.4)(0.6)=0.24
4 -1 -3 0 -1 (0.4)(0.4)=0.16

Por lo tanto (2, 2) = 0.36 + 0.24 = 0.60.

Observacion 6.2.8. En el ejemplo 6.2.7, si en lugar de considerar la variable U2 consideraramos

la variable U2 , tendramos los valores 2 y -4 para los casos 3 y 4. Pero no es permitido regresar el
proceso de la ruina, es por esto que las variables Ui y Wi son importantes.
60 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

6.2.1. Evaluacion de la probabilidad de ruina

Existen tres metodos para evaluar la probabilidad de ruina:
1. Simulacion.
2. Convoluciones.
3. Metodo de Inversion.
La simulacion siempre esta disponible. De la misma manera como las perdidas agregadas son
simuladas, podemos simular el proceso de superavit. Es utilizada para modelos extremadamente
complicados. Es por esto, que nos enfocaremos en estudiar los dos ultimos metodos.

Convoluciones
Para utilizar este metodo, las distribuciones de las variables aleatorias involucradas en el modelo
deben ser discretas y tener soporte finito. En caso contrario, pueden construirse aproximaciones
discretas.
El calculo de la probabilidad es realizado recursivamente utilizando la ecuacion Ut = Ut 1 + Wt .
Las consideraciones que debemos tener presente son las siguientes:
1. Debemos conocer la distribucion discreta de Ut 1 .
2. La distribucion de los superavit no negativos la denotaremos por fj = P (Ut 1 = uj ) para
j = 1, ..., n donde uj 0 para toda j. Notar que fj es una parte de la distribucion de Ut 1
pues pueden existir valores negativos.
3. Para cada valor no negativo de Ut 1 , es decir, para uj 0 debemos conocer la distribucion de
Wt . Denotemos por gj,k = P (Wt = wj,k |Ut 1 = uj ). Notemos que esta abierta la posibilidad
de que los valores de Wt dependan de uj .
Entonces la probabilidad de ruina en el tiempo t es igual a la probabilidad de ruina en el tiempo
t 1 mas la probabilidad de que la ruina ocurra en el tiempo t, en terminos matematicos

t)
(u, = t
(u, 1) + P (Ut 0, Ut + Wt < 0)
1 1
n
= t
(u, 1) + P (Ut + Wt < 0|Ut = uj )P (Ut = uj )
1 1 1
j=1
n
= t
(u, 1) + P (uj + Wt < 0|Ut = uj )fj
1
j=1
n
= t
(u, 1) + gj,k fj . (6.1)
j=1 wj,k < uj

Entonces

P (Ut = x) = P (Ut 1 0, Ut 1 + Wt = x)
n
= P (Ut 1 0, Ut 1 + Wt = x|Ut 1 = uj )P (Ut 1 = uj )
j=1
n
= P (uj + Wt = x|Ut 1 = uj )fj
j=1
n
= gj,k fj . (6.2)
j=1 wj,k +uj =x
6.2. MODELO DE RUINA EN TIEMPO DISCRETO 61

t + 1) en el
Las igualdades anteriores nos permitiran encontrar la probabilidad de ruina (u,

tiempo t + 1 y la distribucion de las variables Ut+1 mediante un procedimiento analogo al realizado
anteriormente.
Aunque en primera instancia, las formulas anteriores parezcan complicadas, en la practica no es
as como veremos a continuacion.
Ejemplo 6.2.9. Supongase que se tiene un capital inicial de 2, que las perdidas anuales tienen los
valores 0, 2, 4, y 6, con probabilidades 0.4, 0.3, 0.2 y 0.1, respectivamente. Ademas, se percibe una
prima de 2.5 al comienzo de cada ano y los intereses ganados por cualquier superavit disponible al
comienzo de cada ano son del 10 %. Si se tiene un descuento de 0.5 al final de cada ano en el que
no hubo perdidas, detemina la probabilidad de supervivencia al final de cada uno de los primeros dos
anos.
Solucion: En el tiempo t = 0 tenemos que (2, 0) = 0 y que f1 = P (U = 2) = 1. Comencemos
0
a calcular los posibles valores para w1,k : para el caso en el que no hay perdidas, que sera cuando
k = 1, tenemos que se pago una prima de 2.5, por lo que los intereses ganados al final del ano son
0.1(2+2.5)=0.45 y se tiene un descuento de 0.5. Por lo tanto w1,1 = 2 + 2.5 + 0.45 0.5 = 2.45 y
g1,1 = P (W1 = w1,1 |U0 = 2) = 0.4. De manera analoga se obtiene los valores para todas las w1,k y
g1,k , mismos que se resumen en la siguiente tabla:

k prima interes perdida descuento w1,k g1,k

1 2.5 0.45 0 0.5 2.45 0.4
2 2.5 0.45 2 0 0.95 0.3
3 2.5 0.45 4 0 -1.05 0.2
4 2.5 0.45 6 0 -3.05 0.1

1
1) = (u,
Por la ecuacion 6.1 podemos concluir que (2, 0) + gj,k fj = 0.1. Por otro
j=1 wj,k < 2
1
lado, la ecuacion 6.2 nos indica que P (U1 = x) = g1,k f1 para los valores x = w1,k + 2 >
j=1 w1,k +2=x
0; as la distribucion de U1 se concentra en la siguiente tabla:

k w1,k x P (U1 = x)
1 2.45 4.45 0.4
2 0.95 2.95 0.3
3 -1.05 0.95 0.2

La probabilidad restante es P (U1 = 1.05) = 0.1, pero no es tomada en cuenta porque x > 0.
2) = 0.19.
Mediante un procedimiento analogo podemos concluir que (2,

En el ejemplo anterior podemos notar que los valores de u as como el numero de decimales
aumente rapidamente. En algun momento del procedimiento, redondear los decimales puede ser una
buena idea. Una manera simple de hacer esto, es considerar que en cada perodo, los valores posibles
de u son multiplos de h, distancia que probablemente necesite incrementarse de perodo en perodo.
Las probabilidades de los valores que no son multiplos de h, se distribuyen en los dos valores mas
cercanos de manera que se preserve la media.
Observacion 6.2.10. Si las probabilidades de los valores que no son multiplos de h se distribuyen
en mas de dos valores, los momentos mayores podran ser conservados.

Metodo de Inversion
Los metodos de inversion son utilizados para obtener las funciones de probabilidad a partir de una
expresion conocida para una transformada como lo son la funcion generadora de probabilidades, la
62 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

funcion generadora de momentos o la funcion caracterstica. En nuestro caso, utilizaremos el metodo

de la transforma rapida de Fourier que sirve para calcular la funcion de densidad de la variable de
estudio a partir de su funcion caracterstica.
Una de las fortalezas de este metodo es que los calculos de las convoluciones se reducen a realizar
pocas multiplicaciones. Esto es cierto en el supuesto de que las variables Wt y Ut 1 sean indepen-
dientes.
La idea que maneja este metodo y que tambien puede ser utilizada en el enfoque de convoluciones
es la siguiente: Sea Ut la variable Ut condicionada a Ut 0. Al final de cada perodo, toda
la probabilidad asociada con ruina esta distribuida sobre los valores que producen superavit no
negativo. El analisis de cada ano, se explica a continuacion:

1. Determinar la funcion caracterstica de Ut1 , es decir, 1,t (z) = E(eizUt 1 ).

2. Determinar la funcion caracterstica de Wt , es decir, 2,t (z) = E(eizWt ).

3. Luego, 3,t (z) = 1,t (z)1,t (z) es la funcion caracterstica de Ut1 + Wt .

4. Usa inversion para determinar la funcion de densidad ft (u) de la variable Ut1 + Wt .

5. Define rt = P (Ut1 + Wt < 0) la probabilidad de que dada la sobrevivencia al tiempo t 1, se

tenga ruina en el tiempo t.

ft (u)
6. Luego ft (u) = para u 0 es la funcion de densidad de la variable Ut1 .
1 rt
7. La probabilidad de ruina para el tiempo t es

t) = (u,
(u, t 1) + r1 [1 t
(u, 1)].

Para iniciar el proceso, notemos que la funcion de densidad de U1 se obtiene directamente del
hecho de que U1 = u + W1 , as que todo lo que se necesita hacer es cambiar los valores de la funcion
de densidad de W1 por u.

Ejemplo 6.2.11. Las perdidas agregadas por un ano son 0, 2, 4 y 6 con probabilidades 0.4, 0.3, 0.2 y
0.1, respectivamente. Se cobra una prima de 2.5 al comienzo de cada ano y se tiene un capital inicial
de 2. Determina la probabilidad de ruina dentro de los dos primeros anos usando la transformada
rapida de Fourier.

Solucion: Antes de realizar los calculos, es importante recordar que la transformada rapida de
Fourier coincide con la funcion caracterstica.
Observemos que las variables Wt tienen la misma distribucion para toda t, la cual es

w P (Wt = w)
-3.5 0.1
-1.5 0.2
0.5 0.3
2.5 0.4

Por lo que la distribucion de la variable U1 = u + W1 es

u1 P (U1 = u1 )
-1.5 0.1
0.5 0.2
2.5 0.3
4.5 0.4
6.2. MODELO DE RUINA EN TIEMPO DISCRETO 63

1) = 0.1.
Por lo tanto (2,
Ahora calculemos la distribucion de la variable U1 recordando que P (U1 = u) = P (U1 =
u|U1 0): notemos que P (U1 0) = P (U1 = 0.5) + P (U1 = 2.5) + P (U1 = 4.5) = 0.9, ademas.
P (U1 = 0.5, U1 0) 0.2 2
P (U1 = 0.5) = P (U1 = 0.5|U1 0) = = = . Analogamente para
P (U1 0) 0.9 9
U1 = 2.5, 4.5. Por lo tanto, la distribucion queda de la siguiente manera
u P (U1 = u)
0.5 2/9
2.5 3/9
4.5 4/9
Para aplicar la transformada rapida de Fourier, es conveniente tener todas las cantidades no
negativas. Para ello, agregaremos 3.5 a cada variable. Notemos que con el cambio, el rango de las
variables U1 , W2 y U1 + W2 oscila entre 0 y 14 con saltos de tamano 2; ademas, el numero de
valores que tenemos es 8, el cual ya es una potencia de 2.
La tabla que se presenta a continuacion esta compuesta de la siguiente manera:
1. La columa 1 representa los posibles valores de las variables a considerar.
2. Las columnas 2 y 3 representan las funciones de densidad de las variables U1 y W2 (que es la
misma que W1 ), respectivamente, despues de agregar 3.5.
3. Las columnas 4 y 5 representan las transformadas rapidas de Fourier de las variables U1 y
W2 , respectivamente, evaludas en los puntos que se indican.
4. La columna 6 representa la transformada de Fourier de la variable U1 + W2 .
5. La ultima columna es la funcion de densidad de la variable U1 + W2 .

u f1 (u) fW (u) 1,2 (u)/8 2,2 (u)/8 3,2 (u)/64 f2 (u)

0 0 1/10 0.125 0.125 0.01563 0
2 0 2/10 0.08502 0.05724i 0.00518 0.09053i 0.00474 + 0.00799i 0
4 2/9 3/10 0.02778 + 0.04167i 0.025 + 0.025i 0.00174 0.00035i 2/90
6 3/9 4/10 0.02609 0.00169i 0.03018 0.01553i 0.00081 + 0.00035i 7/90
8 4/9 0 0.04167 0.025 0.00104 16/90
10 0 0 0.02609 + 0.00169i 0.03018 + 0.01553i 0.00081 0.00035i 25/90
12 0 0 0.02778 0.04167i 0.025 0.25i 0.00174 + 0.00035i 24/90
14 0 0 0.08502 + 0.05724i 0.00518 + 0.09053i 0.00474 0.00799i 16/90

De todos los calculos hechos anteriormente, obtenemos que la distribucion de del superavit des-
pues del segundo ano es:

u P (U1 + W2 = u) P (U2 = 2)
-3 2/90 0
-1 7/90 0
1 16/90 16/81
3 25/90 25/81
5 24/90 24/81
7 16/90 16/81

Por lo tanto, la probabilidad de ruina en el segundo ano es

2) = (2,
2) + P (U + W2 = 2 7
(2, 1 3) + P (U1 + W2 = 1) = 0.1 + + = 0.19.
90 90

64 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

6.3. Modelo de ruina en tiempo continuo

Consideraremos las propiedades basicas del proceso Poisson {Nt : t 0} el cual representara el
numero de reclamaciones en la cartera. Por lo tanto, Nt es el numero de reclamaciones en (0, t]. La
definicion formal es la siguiente:

Definicion 6.3.1. El proceso del numero de reclamaciones {Nt : t 0} es un proceso Poisson con
tasa > 0 si se cumplen las siguientes condiciones:

1. N0 = 0.

2. El proceso tiene incrementos estacionarios e independientes.

3. El numero de reclamaciones en un intervalo de longitud t se distribuye Poisson con media t,

es decir, para s, t > 0 se tiene

(t)n e t
P (Nt+s Ns = n) = , n = 0, 1, ...
n!

Los incrementos estacionarios significan que la distribucion del numero de reclamaciones en un

intervalo fijo depende solo de la longitud del intervalo y no de en cual intervalo se encuentra.
Los incrementos independientes significan que el numero de reclamaciones en un intervalo son
estadsticamente independientes del numero de reclamaciones de cualquier intervalo previo (que no
se traslape con el intervalo actual).
Las condiciones de incrementos independientes y estacionarios indican que el proceso puede co-
menzar intuitivamente en cualquier momento. Realmente, la condicion de incrementos estacionarios
en la definicion 6.3.1 es redundante pues la condicion 3 implica incrementos estacionarios.

Proposicion 6.3.2. Sea {Nt : t 0} un proceso Poisson de tasa > 0. Sea Wj el tiempo entre la
j 1 esima y la j-esima reclamacion para j = 1, 2, ... entonces:

1. Los tiempos Wj son independientes.

2. La variable Wj se distribuye exponencial con media 1/.

t
Demostracion: Notemos que P (W1 > t) = P (Nt = 0) = e , por lo tanto W1 es exponencial con
media 1/. Tambien, tenemos que

P (W2 > t|W1 = s) = P (W1 + W2 > s + t|W1 = s)

= P (Nt+s = 1|Ns = 1)
= P (Nt+s Ns = 0|Ns = 1)
= P (Nt+s Ns = 0)

porque los incrementos son independientes. De la condicion 3, concluimos que P (W2 > t|W1 = s) =
e t . Por lo tanto, como es cierto para toda s, tenemos que P (W2 > t) = e t y W1 es independiente
de W2 . Analogamente concluimos que W3 , W4 , ... son independientes y que se distribuyen exponencial
con media 1/.

Observacion 6.3.3 (Ver ejercicio 5). Si t0 0 es un tiempo fijo, el tiempo que tardara en presen-
tarse la siguiente reclamacion se distribuye exponencial con media 1/.

Ahora definiremos el monto total de las reclamaciones como un proceso estocastico para que a
continuacion presentemos el modelo de ruina en tiempo continuo que estudiaremos.
6.3. MODELO DE RUINA EN TIEMPO CONTINUO 65

Definicion 6.3.4. El numero de reclamaciones {Nt : t 0} es un proceso Poisson con tasa > 0.
Sean las perdidas individuales Y1 , Y2 , ... variables aleatorias no negativas independientes e identica-
mente distribuidas, independientes de Nt , con funcion de distribucion G(y) y media < . Sea St
Nt
el total el total de la perdida en el tiempo (0, t] donde St = 0 si Nt = 0 y St = Yj si Nt > 0.
j=1
Entonces St tiene distribucion Poisson compuesta y se dice que el proceso {St : t 0} es un proceso
Poisson compuesto.
El siguiente resultado se demostro en el curso de procesos estocasticos.
Proposicion 6.3.5. Sea St el proceso Poisson compuesto como en la definicion 6.3.4. Entonces:
1. E[St ] = t.
2. V ar[St ] = tE[Y 2 ].

(t)n
3. La funcion de distribucion de St es GSt (y) = Gn (y)e t donde
n=0
n!

1, y 0
Gn (y) = G(n 1)
(n z)dG(z) y G(0) (y) = .
0, y < 0

Para el modelo de ruina que estudiaremos, supondremos que las primas son pagadas continua-
mente con tasa constante c por unidad de tiempo, es decir, el total de primas percibidas en el tiempo
(0, t] es ct e ignoraremos los intereses por simplicidad matematica.
Por lo tanto el modelo de ruina a considerar es el modelo conocido como Modelo de Cramer-
Lundberg el cual es un proceso a tiempo continuo {Ut : t 0} dado por
Nt
Ut = u + ct St = u + ct Yj (6.3)
j=1

en donde u es el capital inicial de la compana aseguradora, ct es la entrada por primas hasta el

tiempo t con c una constante positiva, Yj es el monto de la j-esima reclamacion y Nt es un proceso
de Poisson de parametro .
La variable Ut representa el balance mas sencillo de ingresos menos egresos de una compana
aseguradora. Al proceso Ut se le llama proceso de riesgo (risk process), o proceso de superavit
(surplus process) y tiene trayectorias como se muestra en la siguiente figura
66 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

Estas trayectorias comienzan siempre en el capital inicial u. Los intervalos en donde ellas son
continuas y crecientes corresponden a periodos en donde no hay reclamaciones. El crecimiento es de
la forma ct. Las discontinuidades son siempre saltos hacia abajo y aparecen en el momento en que
se efectua una reclamacion, la cual se supone que se paga de manera inmediata. El tamano de un
salto es el tamano de la reclamacion dada por la variable Y .

La trayectoria promedio de Ut es la linea recta que inicia en u > 0 y tiene pendiente c ,

la cual es positiva por la condicion o hipotesis de ganancia neta. La variable aleatoria Ut se puede
interpretar como el capital de la compana aseguradora al tiempo t y por razones naturales y legales
es importante que Ut permanezca por arriba de cierto nivel mnimo. Ajustando el capital inicial
u se puede suponer, sin perdida de generalidad, que este nivel mnimo es cero. Cuando Ut < 0 se
dice que hay ruina. La ruina casi nunca sucede en la practica, es solamente un termino tecnico que
produce alguna toma de decision. Por ejemplo si el capital de una compana aseguradora asignado
a una cartera decrece en forma significativa, automaticamente la aseguradora puede tomar ciertas
medidas para subsanar esta situacion y no se trata de un evento insalvable. Por otro lado es natural
suponer que la compana aseguradora posea varios portafolios de modo que ruina en uno de ellos no
significa necesariamente bancarrota que el termino ruina podra sugerir.

En general, la prima no necesariamente es la media de las reclamaciones, sino que necesita

agregarse una cantidad como vemos en el principio de la media para el calculo de la prima.

Definicion 6.3.6. Para el modelo de Cramer-Lundberg definimos la carga de seguridad o factor de

carga de la prima como el valor > 0 tal que c = (1 + ).

A continuacion definiremos al igual que en caso discreto las probabilidades de sobrevivencia en

horizonte finito e infinito, seguidas de sus repectivas probabilidades de ruina.

Definicion 6.3.7. En tiempo continuo, la probabilidad de supervivencia en horizonte finto es

(u, ) = P (Ut 0 para toda 0 t |U0 = u).

Definicion 6.3.8. En tiempo continuo, la probabilidad de supervivencia en horizonte infinto es

(u) = P (Ut 0 para toda t 0|U0 = u).

Observacion 6.3.9. Las siguientes afirmaciones deben ser claras:

1. (u, ) (u).

2. lm (u, ) = (u).

De las observaciones 6.2.5 y 6.3.9 obtenemos que

1. (u, ) (u) (u).

2. (u, ) (u, ) (u).

Definicion 6.3.10. En tiempo continuo, la probabilidad de ruina en horizonte infinito esta dada
por

(u) = 1 (u)

Analogamente se define la probabilidad de ruina en tiempo continuo para horizonte finito.

6.4. EL COEFICIENTE DE AJUSTE Y LA DESIGUALDAD DE LUNDBERG 67

6.4. El Coeficiente de Ajuste y la Desigualdad de Lundberg

6.4.1. El coeficiente de ajuste
Definicion 6.4.1. Sean y MY (t) la media y la funcion generadora de momentos de las reclama-
ciones Y , respectivamente. El coeficiente de ajuste k es la solucion positiva mas pequena (si existe)
de la ecuacion
1 + (1 + )t = MY (t). (6.4)

Para ver que efectivamente existe el coeficiente de ajuste, consideremos las graficas de las curvas
r1 (t) = 1 + (1 + )t y r2 (t) = MY (t) = E[etY ] en el plano (t, r). Supongamos que MY (t) existe para
toda t > 0 (este supuesto no es totalmente necesario), entonces tenemos que r2 (t) = E(Y etY ) > 0 y
que r2 (t) = E(Y 2 etY ) > 0. Como r1 (0) = r2 (0) = 1, las dos curvas se intersectan en t = 0. Ademas
r2 (0) = < (1 + ) = r1 (0), lo cual nos dice que la grafica de r2 (t) inicialmente esta por debajo de
la grafica de r1 (t), pero como r2 (t) > 0 y r2 (t) > 0, eventualmente r2 (t) intersectara a r1 (t) en un
punto k > 0 que sera el coeficiente de ajuste.
Es importante senalar que puede darse el caso en el que no exista solucion a la ecuacion 6.4,
por ejemplo, cuando la funcion generadora de momentos del monto de reclamaciones no exista como
sucede en las distribuciones Pareto y Lognormal, por mencionar algunos ejemplos.
Ejemplo 6.4.2. Si Y tiene distribucion exponencial con media , determina el coeficiente de ajuste.
1 1
Solucion: Sabemos que MY (t) = para t < . Por lo tanto el coeficiente de ajuste satisface
1 t
1
1 + (1 + )k = .
1 k
Como notamos anteriormente, k = 0 es una solucion que siempre sucede. Sin embargo, una
1
solucion positiva para esta ecuacion es k = , la cual claramente es menor que .
(1 + )
Ejemplo 6.4.3. Supongamos que la carga de seguridad es = 2 y los siniestros se distribuyen
Gamma con parametros 2 y . Determina el coeficiente de ajuste.
1 1
Solucion: Sabemos que MY (t) = 2
para t < . Luego la ecuacion 6.4 queda
(1 t)
1
1 + 6k = ,
(1 k)2
la cual es equivalente a las ecuaciones
6 3 k 3 11 2 k 2 + 4k = 0
k(2k 1)(3k 4) =0
1 1
Como k < , la unica solucion positiva de la ecuacion anterior es k = .
2
Observacion 6.4.4. No siempre es posible resolver la ecuacion 6.4 de manera explcita como en
los ejemplos anteriores. En muchas ocasiones, se debe recurrir a metodos numericos que requieren
una aproximacion incial del valor de k.
La siguiente proposicion, acota el valor del coeficiente de ajuste k.
Proposicion 6.4.5. Sean y MY (t) la media y la funcion generadora de momentos de las recla-
maciones Y , respectivamente. Sea > 0 la carga de seguridad, entonces el coeficiente de ajuste k
2
satisface k < .
E[Y 2 ]
68 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

Demostracion: La ecuacion 6.4 implica

1 + (1 + )k = E[ekY ]
1
= E[1 + kY + (kY )2 + ]
2
1
> E[1 + kY + (kY )2 ]
2
1 2
= 1 + k + k E[Y 2 ]
2
2
Sustrayendo 1 + k de ambos lados de la desigualdad, se tiene que k < .
E[Y 2 ]
Nt
Ejemplo 6.4.6. Las perdidas agregadas St = Yi , donde Nt es un proceso Poisson de tasa > 0,
i=1
tienen varianza igual a tres veces la media. Determina una cota para el coeficiente de ajuste.
Solucion: La proposicion 6.3.5 nos recuerda que E(St ) = t y que V ar(St ) = tE[Y 2 ]. Luego
2 2 2
tE[Y 2 ] = 3t, es decir, E[Y 2 ] = 3. Por la proposicion 6.4.5 k < 2
= = .
E[Y ] 3 3
Un metodo numerico para resolver la ecuacion 6.4 es el metodo Newton-Raphson que se describe
a continuacion y en el debemos de cuidar que la solucion no se aproxime a la solucion trivial k = 0
que siempre se tiene.
Proposicion 6.4.7 (Metodo Newton-Raphson). Sea H(t) = 1+(1+)t MY (t). La aproximacion
a la raz H(k) = 0 (que es el coeficiente de ajuste) se puede obtener mediante la formula
H(kn )
kn+1 = kn
H (kn )
donde H (t) = (1 + ) MY (t) iniciando con un valor k0 .
Ejemplo 6.4.8. Considera el modelo de ruina de Cramer-Lundberg donde = 4 y c = 7. Suponga
que la distribucion del monto de las reclamaciones esta dado por P (Y = 1) = 0.6 y P (Y = 2) = 0.4.
Determina el coeficiente de ajuste utilizando el metodo de Newton-Raphson.
Solucion: Tenemos que
1. = E[Y ] = 1(0.6) + 2(0.4) = 1.4.
2. MY (t) = E[etY ] = 0.6et + 0.4e2t .
c 7 1
3. = 1= 1= .
4(1.4) 4
4. E[Y 2 ] = 12 (0.6) + 22 (0.4) = 2.2.
2 7
5. Una opcion para k0 es k0 = = .
E[Y 2 ] 22
7 7
Por lo tanto obtenemos que H(t) = 1 + t 0.6et 0.4e2t y H (t) = 0.6et 0.8e2t .
4 4
El siguiente cuadro resume los valores de las iteraciones del metodo, el cual se detuvo en la
tercera iteracion pues se considero que es una buena aproximacion:

iteracion ki H(ki ) H (ki )

0 0.31818 -0.02379 -0.58645
1 0.27761 -0.00309 -0.43584
2 0.27050 -0.00008 -0.41055
3 0.27029
6.4. EL COEFICIENTE DE AJUSTE Y LA DESIGUALDAD DE LUNDBERG 69

Por lo que el coeficiente de ajuste es k = 0.27029.

Tambien tenemos la siguiente definicion alternativa del coeficiente de ajuste.

Definicion 6.4.9. Sean y G(y) la media y la funcion de distribucion de la variable Y que repre-
senta el monto de cada reclamacion. Sea > 0 la carga de seguridad. El coeficiente de ajuste k > 0
es aquel valor que satisface la ecuacion

1+ = eky fe (y)dy
0

1 G(y)
donde fe (y) = para y > 0.

La demostracion de la siguiente proposicion se deja al lector en la seccion de ejercicios.

Proposicion 6.4.10. Las definiciones 6.4.1 y 6.4.9 son equivalentes.

6.4.2. Desigualdad de Lundberg

El primer uso importante del coeficiente de ajuste se encuentra en el siguiente resultado:

Teorema 6.4.11. Considera el modelo de Cramer-Lundberg y sea k el coeficiente de ajuste. Entonces

la probabilidad de ruina satisface
(u) e ku , u 0 (6.5)

Demostracion: Sea n (u) la probabilidad de que la ruina ocurra antes o en la n esima reclamacion
para n =, 1, .... Haremos la demostracion por induccion: Claramente 0 (u) = 0 e ku . Supongamos
que se cumple para n, es decir, n (u) e ku y demostremos que la probabilidad de ruina despues
de la n + 1 esima reclamacion sigue siendo menor que e ku .
Consideremos el analisis del primer paso a traves de la primera reclamacion. El tiempo hasta
que ocurre la primera reclamacion es exponencial con funcion de densidad e t ; si la reclamacion
ocurre en el tiempo t > 0, el superavit disponible para pagar la reclamacion es u + ct. Por lo tanto,
tenemos los siguientes dos casos para tener ruina:

1. La ruina ocurre en la primera reclamacion si el monto reclamado excede u+ct cuya probabilidad
es 1 G(u + ct).

2. Si el monto de lo reclamado es y con 0 y u + ct, la ruina no ocurre en la primera

reclamacion; sin embargo el superavit sera ahora de u + ct y. La ruina podra ocurrir en las
siguientes n reclamaciones. Como el proceso de superavit tiene incrementos independientes y
estacionarios, la probabilidad de ruina ahora sera la misma que si hubieramos comenzado el
proceso en el tiempo de la primera reclamacion con un capital inicial de u + ct y.

Por lo tanto, utilizando la ley de probabilidad total y la hipotesis de induccion tenemos que
u+ct
n+1 (u) = 1 G(u + ct) + n (u + ct y)dG(y) e t dt
0 0
u+ct
= dG(y) + n (u + ct y)dG(y) e t dt
0 u+ct 0
u+ct
k(u+ct y) k(u+ct y) t
e dG(y) + e dG(y) e dt
0 u+ct 0

donde hemos usado el hecho de que k(u + ct y) > 0 cuando y > u + ct. Luego
70 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

k(u+ct y)
n+1 (u) e dG(y) e t dt
0 0

ku kct
= e e eky dG(y) e t dt
0 0

ku (+kc)t
= e e MY (k)dt
0

ku (+kc)t
= MY (k)e e dt
0
MY (k) ku
= e .
+ kc

Por la ecuacion 6.4 y la definicion 6.3.6 se cumple

MY (k) = [1 + (1 + )k] = + k(1 + ) = + kc.

Por lo tanto n+1 e ku

; mas aun, n e ku
para toda n y lm n (u) e ku
. .
n

El resultado anterior es importante pues permite conocer la relacion entre el capital inicial u y
la carga de seguridad , parametros que estan bajo el control del asegurador.

Corolario 6.4.12. Sean {Ut : t 0} el modelo de Cramer-Lundberg, > 0 la carga de seguridad,

la media de las reclamaciones individuales y k el coeficiente de ajuste. Supongase que se desea
tolerar una probabilidad de ruina , entonces:
ln
u[MY ( u ) 1]
1. La carga de seguridad que se debe establecer es = 1 cuando se conoce el
ln
capital inicial u.

ln
2. El capital inicial que se necesita es u = cuando se conoce la carga de seguridad .
k
Demostracion:

ku ln
1. El teorema 6.4.11 implica que e = , luego k = y como k satisface la ecuacion 6.4
u
ln
MY (k) 1 u[MY ( u ) 1]
entonces 1 + (1 + )k = MY (k) de donde = 1= 1.
k ln

ln ln
2. Notemos que k = satisface la ecuacion 6.4. Por el teorema 6.4.11 el capital u =
u k
ku
garantiza que (u) e = eln = .

Corolario 6.4.13. Bajo los supuestos del modelo Cramer-Lundberg, se cumple que () = 0 y
() = 1.

Demostracion: Por el teorema 6.4.11 tenemos que

0 (u) e ku
lm lm (u) lm e ku
u u u
0 () 0

Por lo tanto () = 0 y () = 1 () = 1.
6.5. ECUACIONES INTEGRODIFERENCIALES 71

6.5. Ecuaciones integrodiferenciales

En esta seccion trateremos de encontrar una formula explcita para la probabilidad de ruina
(u) (o equivalentemente a la probabilidad de supervivencia (u)), para ello definamos una nueva
funcion.

Definicion 6.5.1. Para u 0, x 0, F (u, x) representara la probabilidad de que ocurra ruina

teniendo un capital inicial u y un deficit inmediatamente despues de que ocurra la ruina de cuando
mucho x.

Observacion 6.5.2. Para el evento descrito anteriormente tenemos que el superavit despues de
ruina se encuentra entre 0 y x, por lo que

(u) = lm F (u, x), u 0 (6.6)

x

Teorema 6.5.3. Sea {Ut : t 0} el proceso de Cramer-Lundberg. La funcion F (u, x) satisface:

u

1. F (u, x) = F (u, x) F (u y, x)dG(y) [G(u + x) G(u)] para u 0.
u c 0
x

2. F (0, x) = [1 G(y)]dy, para x 0 si existe el coeficiente de ajuste k.
c 0

Demostracion:

1. Procederemos de nueva cuenta a traves del analisis del primer paso, es decir, de la primera
reclamacion. Sabemos que el tiempo en el que se presenta la primera reclamacion es exponencial
con funcion de densidad e t y que el superavit disponible al tiempo t es u + ct. Tenemos
dos casos:

i) Si el monto de la primera reclamacion es y con 0 y u + ct, entonces la primera

reclamacion no causara ruina pero el superavit disponible ahora sera de u + ct y. Por los
incrementos estacionarios e independientes , la ruina con un deficit de a lo mas x ocurrira
posteriormente con probabilidad F (u + ct y, x).
ii) La otra posibilidad para que ocurra ruina con un deficit de a lo mas x, es que el monto de
la primera reclamacion y sea tal que u + ct < y u + ct + x, en cuyo caso, la probabilidad
esta dada por G(u + ct + x) G(u + ct).

Aplicando la ley de probabilidad total tenemos que

u+ct
t
F (u, x) = F (u + ct y, x)dG(y) + G(u + ct + x) G(u + ct) e dt.
0 0

Mediante el cambio de variable z = u + ct, de donde dz = cdt, la ecuacion anterior queda

z
(/c)u (/c)z
F (u, x) = e e F (z y, x)dG(y) + G(z + x) G(z) dz,
c u 0

luego, aplicando el teorema fundamental del calculo al diferenciar la igualdad anterior con
respecto a u por medio de la regla de Leibniz para el producto, obtenemos la igualdad
u

F (u, x) = F (u, x) + e(/c)u e(/c)u F (u y, x)dG(y) + G(u + x) G(u)
u c c 0

de la cual se sigue el resultado.

72 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

ku ku
2. Notemos que 0 F (u, x) (u) e , luego 0 F (, x) = lm F (u, x) lm e = 0,
u u

por lo tanto F (, x) = 0. Tambien, si definimos (x) = F (u, x)du tenemos que
0

ku 1
0 < (x) = F (u, x)du e du = < .
0 0 k

Integrando la ecuacion del inciso a) con respecto a u desde 0 a tenemos

u

F (u, x) du = F (u, x) F (u y, x)dG(y) [G(u + x) G(u)] du,
0 u c 0 0

es decir,
u

F (, x) F (0, x) = (x) F (u y, x)dG(y)du [G(u + x) G(u)]du .
c 0 0 0

Utilizando que F (, x) = 0 e intercambiando el orden de integracion para la integral doble

obtenemos


F (0, x) = (x) F (u y, x)dudG(y) [G(u + x) G(u)]du .
c 0 y 0

y realizando el cambio de variable v = u y en la doble integral da como resultado

F (0, x) = (x) F (v, x)dvdG(y) [G(u + x) G(u)]du
c 0 0 0


= (x) (x)dG(y) [G(u + x) G(u)]du
c 0 0


= (x) (x) dG(y) [G(u + x) G(u)]du
c 0 0


= (x) (x) [G(u + x) G(u)]du
c 0

= [G(u + x) G(u)]du
c 0


= [1 G(u)]du [1 G(u + x)]du
c 0 0

Realizamos los cambios de variables y = u y y = u + x en la primera y segunda integral,

respectivamente, para obtener
x

F (0, x) = [1 G(y)]dy [1 G(y)]dy = [1 G(y)]dy.
c 0 x c 0

Observacion 6.5.4. El teorema 6.5.3 2) es valido aunque no exista el coeficiente de ajuste.

6.5. ECUACIONES INTEGRODIFERENCIALES 73

Corolario 6.5.5. La probabilidad de supervivencia sin capital inicial satisface

(0) = (6.7)
1+

Demostracion: Recordemos que = [1 G(y)]dy y por el teorema 6.5.3 2) se cumple que
0

1
(0) = lm F (0, x) = [1 G(y)]dy = = .
x c 0 c 1+

Por lo tanto (0) = 1 (0) = .
1+
La solucion general a (u) puede ser obtenida con la siguiente ecuacion integrodiferencial sujeta
a la condicion inicial 6.7.

Teorema 6.5.6. La probabilidad de supervivencia satisface

u

(u) = (u) (u y)dG(y) , u 0. (6.8)
c 0

Demostracion: Por el teorema 6.5.3 1) cuando x y la ecuacion 6.6 tenemos

u

(u) = (u) (u y)dG(y) [1 G(u)] , u 0. (6.9)
c 0

Como (u) = 1 (u), la ecuacion 6.9 queda

u

(u) = [1 (u)] [1 (u y)]dG(y) [1 G(u)]
c 0
u u

= (u) dG(y) + (u y)dG(y) + G(u)
c 0 0
u

= (u) + (u y)dG(y) .
c 0

Observemos que las ecuaciones 6.8 y 6.9 sirven para encontrar (u). Es cuestion de gustos si
seleccionamos una o la otra; sin embargo, la ecuacion 6.8 es algebraicamente mas simple. Desafor-
tunadamente, la solucion para el caso general de la funcion de perdida individual G(y) no siempre
es sencilla.

Ejemplo 6.5.7. Supongamos que las perdidas individuales se distribuyen exponencial con media .
Determina (u).

Solucion: Por el teorema 6.5.6 tenemos que

u
1 y/
(u) = (u) (u y)e dy
c 0

luego, realizando el cambio de variable x = u y obtenemos

1 u/ u
(u) = (u) e (x)ex/ dx . (6.10)
c 0

Para eliminar la integral en la ecuacion anterior, derivamos con respecto a u

74 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

1 u/ u x/ 1
(u) = (u) + 2 e (x)e dx (u) .
c 0
Usando la ecuacion 6.10 tenemos

1
(u) = (u) (u) + (u) (u)
c c c

1
= (u)
c

= (u),
(1 + )

es decir, tenemos la ecuacion diferencial (u) +
(u) = 0 que se resuelve por medio del
(1 + )
factor integrante eu/[(1+)] , por lo que tenemos, despues de realizar la multiplicacion, la ecuacion
diferencial
d u/[(1+)]
e (u) = 0
du
que al integrar con respecto a u nos da

eu/[(1+)] (u) = K1 .

De la ecuacion 6.10 con u = 0 y usando la ecuacion 6.7 tenemos

K1 = (0) = = .
c 1+ (1 + )2
Por lo tanto,

u
(u) = exp ,
(1 + )2 (1 + )
que cuando lo integramos de nuevo con respecto a u obtenemos

1 u
(u) = exp + K2 .
1+ (1 + )

De nuevo, la ecuacion 6.7 nos dice que (0) = , luego K2 = 1 y finalmente tenemos que
1+

1 u
(u) = 1 exp .
1+ (1 + )

6.6. Las perdidas maximas agregadas

En esta seccion encontraremos una solucion general a la ecuacion integrodiferencial 6.8 sujeto a
las condiciones de frontera 6.7 y () = 1.
Comenzando con una reserva inicial de u, la probabilidad de que el superavit este por debajo del
nivel inicial es (0) porque el proceso de superavit tiene incrementos estacionarios e independientes.
Por lo tanto, la probabilidad de caer por debajo del nivel inicial u es la misma para toda u, en
particular para u = 0 la probabilidad es (0).
El resultado clave se enuncia a continuacion. Notar que la funcion fe (y) del teorema es la misma
funcion que se definio en 6.4.9.
6.6. LAS PERDIDAS MAXIMAS AGREGADAS 75

Teorema 6.6.1. Dado que existe un salto por debajo del capital inicial u, la variable aleatoria Y
1 G(y)
que representa la cantidad de ese salto inicial tiene funcion de densidad fe (y) = .

Demostracion: Recordemos la funcion F (u, y) definida en 6.5.1. Como el proceso de superavit tiene
incrementos estacionarios e independientes, F (0, y) representa la probabilidad de que el superavit
caiga debajo de su nivel inicial y la cantidad de este salto sea a lo mas y. Por el teorema 6.5.3 2), el
tamano del salto dado que existio un salto, tiene funcion de distribucion
F (0, y)
P (Y y) =
(0)
y

= [1 G(u)]du
c(0) 0
1 y
= [1 G(u)]du
0

Derivando ambos lados de la igualdad anterior obtenemos el resultado.

Si existe un salto de y, el superavit inmediatamente despues del salto es u y, y como el proceso
tiene incrementos estacionarios e independientes, la ruina ocurre posteriormente con probabilidad
(u y) cuando u y es no negativo; de otro modo, la ruina habra ocurrido. La probabilidad de
que un nuevo salto caiga por debajo del nuevo capital u y es (0), la cantidad de ese segundo
salto tiene funcion de densidad fe (y) y es independiente del primer salto. Debido a la propiedad de
perdida de memoria para el proceso Poisson, el proceso comienza en cada salto. Por lo tanto, el
numero de saltos K se distribuye geometricamente, es decir,
k
1
P (K = k) = [1 (0)][(0)]k = , k = 0, 1, ...
1+ 1+
Despues de un salto, el capital comienza de nuevo a incrementarse. Por lo tanto, el nivel mas
bajo de superavit es u L donde L se conoce como la Perdida maxima agregada y representa el total
de todos los saltos (reclamaciones). Sea Yj el tamano del j esimo salto, debido a que el proceso
tiene incrementos independientes y estacionarios, {Y1 , Y2 , ...} es una sucesion de variables aleatorias
independientes e identicamente distribuidas (cada una con densidad fe (y)). Como el numero de
saltos es K, se sigue que
L = Y1 + + YK
con L = 0 si K = 0. Por lo tanto, L es una variable aleatoria geometrica compuesta con fe (y) como
la densidad del tamano de la reclamacion.
Claramente, la sobrevivencia con capital inicial u ocurre si la perdida maxima agregada L no
excede a u, es decir,
(u) = P (L u), u 0.
Sea Fe0 (y) = 0 si y < 0 y 1 si y 0; definimos Fek (y) = P (Y1 + + Yk y) la distribucion
acumulada de la k esima convolucion de la distribucion Y consigo misma. Entonces tenemos la
solucion general
k
1
(u) = Fek (u), u 0.
1+ 1+
k=0

En terminos de la probabilidad de ruina, esta solucion general puede ser expresada como
k
1
(u) = Sek (u), u 0.
1+ 1+
k=1

donde Sek (u)= 1 Fek (u).Evidentemente, (u) es la funcion de supervivencia asociada con la
variable aleatoria geometrica compuesta L, y su solucion analtica
76 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

6.7. Ejercicios
2) y la distribucion de U mediante los siguientes
1. Considera el ejemplo 6.2.9 para calcular (2, 2
pasos:
a) Construye una tabla para que indique los valores uj y fj .
b) Para cada j del inciso anterior, construye una tabla que contenga prima, interes, perdida,
descuento, wj,k y gj,k .
2).
c) Utiliza la ecuacion 6.1 para calcular (2,
d ) Utiliza la ecuacion 6.2 para calcular la distribucion de U2 mediante una tabla que contenga
wj,k , uj , x y P (U2 = x).

2. Bajo las condiciones del ejemplo 6.2.9, distribuye las probabilidades para el superavit al final
del segundo ano usando una distancia h = 2.
3. Proporciona todos los detalles del ejemplo 6.2.11.
4. Realiza el ejercicio 1 utilizando la transformada rapida de Fourier y rediscretizando para man-
tener un intervalo de 5.
5. Sea W una variable aleatoria con distribucion exponencial de media 1/. Demuestra que W
satisface la propiedad de perdida de memoria, es decir, P (W > t + s|W > s) = e t = P (W >
t).
6. Demuestra que el proceso {St : t 0} que describe el monto total de las reclamaciones en
tiempo continuo tiene incrementos independientes y estacionarios.
7. Demuestre la proposicion 6.3.5.
8. Considera el proceso Poisson {Nt : t 0} con tasa > 0 que modela el numero de reclamacio-
nes hasta el tiempo t. Definamos Ti como el tiempo de ocurrencia de la i esima reclamacion.
Demuestra que:
a) Nt i si y solo si Ti t.
b) Ti sigue una distribucion Gamma(i, 1/).
Nt
9. Considera el modelo St = Yj que describe el monto total de las reclamaciones hasta el
j=1
tiempo t donde {Nt } es un proceso Poisson de tasa > 0. Si Yj se distribuyen exponencial
con media 1/ y en el caso de que no se paguen primas, determina el tiempo esperado que
tendra la aseguradora antes de tener capital negativo si su capital inicial es u.
10. Considere el proceso de Cramer-Lundberg para demostrar que:

a) E(Ut ) = u + (c )t.
2
b) V ar(Ut ) = E[Y ]t.
c) MUt (r) = exp[r(u + ct) + t(MY ( r) 1)].

11. Sean {U 1 (t); t 0} y {U 2 (t); t 0} dos procesos de riesgo clasico independientes donde
las distribuciones Poisson de cada proceso tienen tasas 5 y 10, respectivamente. Calcule la
probabilidad de que la primera reclamacion provenga del primer riesgo.
12. Sea {Ut : t 0} el proceso de Cramer-Lundberg. Sea a > 0.
a) Demuestra que {Uat : t 0} es tambien un proceso de Cramer-Lundberg.
b) Describa las caractersticas del proceso y la interpretacion que puede tener.
6.7. EJERCICIOS 77

13. Suponga que las reclamaciones en el modelo de Cramer-Lundberg siguen una distribucion
gamma de parametro 2 y . Calcule el coeficiente de ajuste.
14. Suponga que las reclamaciones en el modelo de Cramer-Lundberg tienen la siguiente funcion
densidad

2y 3 3y
f (y) = e + e , y > 0.
2
Si c = 3, = 4, determina el coeficiente de ajuste.
15. Suponga que las reclamaciones en el modelo de Cramer-Lundberg tienen la siguiente funcion
densidad

y
f (y) = e , y > 0, > 0.
y

Determina el coeficiente de ajuste.

16. Considera las condiciones del ejemplo 6.4.3 con = 0.32 para determinar el coeficiente de
ajuste.
17. Si c = 2.99, = 1 y la distribucion de las perdidas individuales es P (Y = 1) = 0.2, P (Y =
2) = 0.3 y P (Y = 3) = 0.5, utiliza el metodo de Newton-Raphson para calcular el coeficiente
de ajuste.
18. Resuelve el ejercicio 14 utilizando el metodo numerico de Newton-Raphson con k0 igual a la
cota dada en la proposicion 6.4.5.
19. Demuestra que la funcion fe (y) definida en 6.4.9 es una funcion de densidad.
20. Este ejercicio demuestra que las definiciones 6.4.1 y 6.4.9 son equivalentes. Demuestra que:
a) lm eky [1 G(y)] = 0.
y

b) MY (k) = 1 + k eky (1 G(y))dy.
0
c) k satisface la ecuacion 6.4.
21. Sea Y una variable que representa la perdida individual tal que E[Y 3 ] es conocido. Sea =
E[Y ] y > 0 el factor de carga. Demuestra que

3E[Y 2 ] + 9(E[Y 2 ])2 + 24E[Y 3 ]

a) k < .
2E[Y 3 ]
3E[Y 2 ] + 9(E[Y 2 ])2 + 24E[Y 3 ] 2
b) < (la cota encontrada en la proposicion
2E[Y 3 ] E[Y 2 ]
6.4.5).
22. Sean fe (y) como en la definicion 6.4.9, = E[Y ] y > 0 la carga de seguridad. Demuestra
que:

E[Y 2 ]
a) yfe (y)dy = .
0 2
2 ln(1 + )
b) k . (Hint: Utilice la desigualdad de Jensen).
E[Y 2 ]
c) La cota del inciso (b) es menor que la cota de la proposicion 6.4.5.
m
d) eky fe (y)dy ekm cuando el valor maximo valor de una reclamacion individual es m.
0
78 CAPITULO 6. INTRODUCCION A LA TEORIA DE LA RUINA

1
e) k ln(1 + ) cuando el valor maximo valor de una reclamacion individual es m.
m
23. Investigue un metodo numerico diferente al de Newton-Raphson para encontrar races de
f (x) = 0. Explique en que consiste y como se utilizara para resolver la ecuacion

1 + (1 + )t MY (t) = 0.

24. Definimos la funcion de tasa Hazard para una variable aleatoria continua Y con funcion de
g(y) g(y)
densidad g(y) y distribucion G(y) como h(y) = = . Supongamos que fe (z),
1 G(y) S(y)
definida en 6.4.9, es la funcion de densidad de la variabel Z para z 0; = E[Y ] y > 0 es
la carga de seguridad. Demuestra que:

a) Si G(y) tiene una tasa Hazard decreciente entonces fe (z)dz 1 G(x) para x 0.
x
b) P (Z > z) P (Y > z) para z 0.
c) P (ekZ > t) P (ekY > t) para t 1.
d ) E[ekZ ] E[ekY ].

e) k .
(1 + )
25. Sean k > 0 el coeficiente de ajuste y G la funcion de distribucion de la variable Y . Supongamos

que S(y) e ky
ekx dG(x) para 0 < 1, donde S(y) = 1 G(y). Demuestra que:
y

ku
a) (u) e para u 0.

b) eky dG(y) = ekx S(x) + k eky S(y)dy para x 0.
x x

26. Supongase que G(y) tiene una tasa Hazard decreciente y = E[Y ]. Demuestra que:
a) S(y) S(x)S(y x) para x 0 y y x.

b) Usa el ejercicio 25 para demostrar que se cumple S(y) e ky
ekx dG(x) cuando
y
1
= E[ekY ].
1 ky
c) Usa la ecuacion 6.4 para concluir que (y) [1 + (1 + )k] e , para y 0.
d
27. Supongamos que G(y) tiene una tasa Hazard h(y) = ln S(y) que satisface h(y) m < ,
dy
y 0. Use el ejercicio 25b) para demostrar que si = 1 k/m:

a) S(y) e ky
ekx dG(x).
y
ky
b) (y) (1 k/m)e para y 0.
(x y)m
(Hint: Utiliza que para x > y, S(x) S(y)e .)
28. Suponga que las reclamaciones en el modelo de Cramer-Lundberg siguen una distribucion
exponencial de parametro = 1. Suponga ademas que = 1/2 y c = 2. Observe que se
cumple la condicion de ganancia neta c > . Cual debe ser el capital inicial u para que la
probabilidad de ruina sea menor o igual a 0.01?
29. Supongamos que una aseguradora tiene un capital inicial de $1,000,000. La aseguradora usa
el proceso de ruina de Cramer-Lundberg para modelar su capital a traves del tiempo. Se sabe
que el numero de reclamaciones promedio por mes son dos y cada una de ellas tiene una
distribucion exponencial de media $10,000. Determina:
6.7. EJERCICIOS 79

a) La prima que debe cobrarse el primer mes para que la probabilidad de ruina sea a lo mas
= 0.001, 0.01, 0.1, 0.5.
b) Cual de las cuatro primas anteriores se prefiere y por que?

30. Considera la probabilidad de ruina (u) cuando se tiene un capital inicial de u, para demostrar
que:

a) es una funcion no creciente.

b) lm (u) = 0 cuando existe el coeficiente de ajuste. Interprete el resultado.
u

31. Supongase que las reclamaciones Y en un proceso de ruina tienen la siguiente dinamica: primero
se selecciona un valor X de entre 3 y 7, cada uno con probabilidad 1/2. Luego, condicional
a X = x, la reclamacion Y se selecciona de una distribucion exponencial de media 1/x.
Determina:

a) El coeficiente de ajuste k si = 2/5.

b) La carga de seguridad si k = 2.

32. Supongase que la carga de seguridad es = 0.32, el capital inicial es u = 1,000,000 y las
reclamaciones son Y = mn{X, 100,000} donde X es una variable aleatoria con distribucion
exponencial de media 10,000. Encuentra la cota mas fina posible para la probabilidad de ruina.
Sugiere algun cambio en la prima? Explique la respuesta.

33. Supongase que el monto de las reclamaciones tiene distribucion F (y) = 1 ey/ . Demuestra
que:

a) F (u, x) = (u)G(y) usando el teorema 6.5.3 1).

b) La distribucion del deficit inmediatamente despues de que ocurre ruina, dado que la ruina
ocurre, tiene distribucion exponencial con media .

34. Este ejercicio envuelve la derivacion de las ecuaciones integrales llamadas ecuaciones de renova-
cion defectuosa para F (u, x) y (u). Lo siguiente puede ser urilizado para obtener propiedades
de estas funciones:

a) Integra la igualdad del teorema 6.5.3 1) con respecto a u de 0 a t y utiliza la igualdad del
inciso 2) del mismo teorema para demostrar que F (t, x) es igual a

t x t t

(t, x) (t y, x)dG(y) + [1 G(y)]dy [1 G(u)]du + [1 G(u + x)]du ,
c 0 0 0 0
y
donde (y, x) = F (v, x)dv.
0
t
b) Use integracion por partes sobre la integral (t y, x)dG(y) para demostrar que
0
t x+t t

F (t, x) = (t, x) F (t y, x)G(y)dy + [1 G(y)]dy [1 G(u)]du .
c 0 0 0

c) Demuestra que
u x+u

F (u, x) = F (u y, x)[1 G(y)]dy + [1 G(y)]dy .
c 0 u

d ) Demuestra que
u

(u) = (u y)[1 G(y)]dy + [1 G(y)]dy .
c 0 u