ACT-11302: Cálculo Actuarial III –Notas de Clase– Juan Carlos Martı́nez-Ovando ITAM 1 de septiembre de 2016 Agenda Frecuencia de severidades Distribuciones univariadas Frecuencia de severidades Distribuciones univariadas Binomial Quizás, el modelo más intuitivo para N consiste en: I Suponer que I(Yj > 0) ∼ Be(θ), donde θ ∈ (0, 1) es la probabilidad de siniestro I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, tiene una distribución (N = n) ∼ Bin(n|J, θ) ∝ θn (1 − θ)J−n I{0,1,...,J} (n), (1) donde J es la suscripción del portafolio de seguros. Se sigue, I E(N |J, θ) = Jθ I Var(N |J, θ) = Jθ(1 − θ) Ejercicio Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Se puede estimar J, si fuese desconocido? Distribuciones univariadas Binomial Quizás, el modelo más intuitivo para N consiste en: I Suponer que I(Yj > 0) ∼ Be(θ), donde θ ∈ (0, 1) es la probabilidad de siniestro I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, tiene una distribución (N = n) ∼ Bin(n|J, θ) ∝ θn (1 − θ)J−n I{0,1,...,J} (n), (1) donde J es la suscripción del portafolio de seguros. Se sigue, I E(N |J, θ) = Jθ I Var(N |J, θ) = Jθ(1 − θ) Ejercicio Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Se puede estimar J, si fuese desconocido? Distribuciones univariadas Poisson Un modelo bastante útil consiste en I Suponer que N tiene soporte numerable I Suponer que I(Yj > 0) ∼ Bernoulli I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, (N = n) ∼ Po(n|θ) ∝ exp{−θ}θn I{0,1,2,...} (n), (2) donde θ > 0 es la intensidad de siniestros correspondiente al perido dado. Se sigue que, I E(N |θ) = θ I Var(N |θ) = θ Ejercicio Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Distribuciones univariadas Poisson Un modelo bastante útil consiste en I Suponer que N tiene soporte numerable I Suponer que I(Yj > 0) ∼ Bernoulli I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, (N = n) ∼ Po(n|θ) ∝ exp{−θ}θn I{0,1,2,...} (n), (2) donde θ > 0 es la intensidad de siniestros correspondiente al perido dado. Se sigue que, I E(N |θ) = θ I Var(N |θ) = θ Ejercicio Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Distribuciones univariadas Poisson - Agregación Supongamos que N1 , . . . , Nq son variables aleatorias independientes con distribución Poisson, Po(Nj = nj |λj ), respectivamente, con λj s posiblemente diferentes. Se sigue, P I N = qj=1 Nj se distribuye Poisson P I N tiene tasa de intensidad λ = qj=1 λj Poisson - Desagregación Supongamos que N ∼ Po(n|λ), con λ > 0, y consideremos que los eventos pueden clasificarse en m tipos distintos independientes, con probabilidades p1 , . . . , pm . Se sigue, I Nj s, que son los números de eventos en cada clase, son mutuamente independientes I Cada Nj tiene distribución Po(n|λj ), con λj = pj λ Distribuciones univariadas Poisson - Agregación Supongamos que N1 , . . . , Nq son variables aleatorias independientes con distribución Poisson, Po(Nj = nj |λj ), respectivamente, con λj s posiblemente diferentes. Se sigue, P I N = qj=1 Nj se distribuye Poisson P I N tiene tasa de intensidad λ = qj=1 λj Poisson - Desagregación Supongamos que N ∼ Po(n|λ), con λ > 0, y consideremos que los eventos pueden clasificarse en m tipos distintos independientes, con probabilidades p1 , . . . , pm . Se sigue, I Nj s, que son los números de eventos en cada clase, son mutuamente independientes I Cada Nj tiene distribución Po(n|λj ), con λj = pj λ Distribuciones univariadas Binomial negativa Un modelo bastante útil consiste en I Suponer que N tiene soporte numerable I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, (N = n) ∼ BinN(n|r, θ) r n 1 θ ∝ I{0,1,2,...} (n), 1+θ 1+θ (3) donde r, θ > 0 son dos parámetros. Se sigue que, I E(N |r, θ) = rθ I Var(N |r, θ) = rθ(1 + θ) Noten que la distribución geométrica, Geo(·|θ) es un caso particular, con r = 1. Observación Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Distribuciones univariadas Binomial negativa Un modelo bastante útil consiste en I Suponer que N tiene soporte numerable I La ocurrencia de siniestros entre integrantes del portafolio es mutuamente independiente I Ası́, (N = n) ∼ BinN(n|r, θ) r n 1 θ ∝ I{0,1,2,...} (n), 1+θ 1+θ (3) donde r, θ > 0 son dos parámetros. Se sigue que, I E(N |r, θ) = rθ I Var(N |r, θ) = rθ(1 + θ) Noten que la distribución geométrica, Geo(·|θ) es un caso particular, con r = 1. Observación Encuentra el EMV para θ. Encuentra la distribución inicial conjugada para θ, ası́ como la distribución actualizada con un conjunto de datos. Distribuciones univariadas Binomial negativa - Mezcla Es bastante útil en la prUn modelo bastante útil consiste en la práctica representar la distribución binomial-negativa como una mezcla de una distribución Poisson y una distribución gamma, i.e. N |λ ∼ Po(n|λ) λ ∼ Ga(λ|a, b). (4) De esta forma, ∞ Z P(N = n) Po(n|λ) Ga(λ|a, b)dλ. = 0 Al representar la distribución binomial negativa como una mezcla puede hacerse inferencia (bayesiana o frecuentista) de manera más simple. Para esto, invocamos la noción de verosimilitud extendida. Ejercicio Verifica la identidad de la distribución binomial negativa como la mezcla dada. Distribuciones univariadas Binomial negativa - Mezcla Es bastante útil en la prUn modelo bastante útil consiste en la práctica representar la distribución binomial-negativa como una mezcla de una distribución Poisson y una distribución gamma, i.e. N |λ ∼ Po(n|λ) λ ∼ Ga(λ|a, b). (4) De esta forma, ∞ Z P(N = n) Po(n|λ) Ga(λ|a, b)dλ. = 0 Al representar la distribución binomial negativa como una mezcla puede hacerse inferencia (bayesiana o frecuentista) de manera más simple. Para esto, invocamos la noción de verosimilitud extendida. Ejercicio Verifica la identidad de la distribución binomial negativa como la mezcla dada. Distribuciones univariadas Clase (a, b, 0) Las distribuciones anteriores pueden expresarse como una clase de distribuciones más general, con decrementos exponenciales, conocida como la clase (a, b, 0). Esta clase define las probabilidades de P(N = n) = pn de manera recursiva, tales que pn pn−1 = a+ b , n para n = 1, 2 . . .. El valor p0 := P(N = 0) es un parámetro adicional dado. Ejercicio Encuentra las identidades de a, b y p0 para las distribuciones Poisson, binomial y binomial negativa. (5) Distribuciones univariadas Clase (a, b, 0) Las distribuciones anteriores pueden expresarse como una clase de distribuciones más general, con decrementos exponenciales, conocida como la clase (a, b, 0). Esta clase define las probabilidades de P(N = n) = pn de manera recursiva, tales que pn pn−1 = a+ b , n para n = 1, 2 . . .. El valor p0 := P(N = 0) es un parámetro adicional dado. Ejercicio Encuentra las identidades de a, b y p0 para las distribuciones Poisson, binomial y binomial negativa. (5) Gracias por su atención... [email protected]