Métodos Estadísticos Seguros No Vida

Mtodos Estadsticos para la
Estimacin de Provisiones Tcnicas

de Seguros de No Vida
Resumen:
El sector asegurador europeo se encuentra en un proceso de
reforma con la Directiva Solvencia II. Esta Directiva persigue
lograr una armonizacin jurdica en el sector, que elimine las
desigualdades entre las empresas aseguradoras, fomente su
rentabilidad, la transparencia y una mayor proteccin de los
asegurados y beneficiarios. Para lograr estos objetivos, entre
otros aspectos, las aseguradoras deben actualizar sus mtodos
de estimacin de provisiones tcnicas de seguros de no vida. En
este documento, se realiza una revisin y comparativa de los
principales mtodos de estimacin de las provisiones tcnicas,
resultando los mtodos estocsticos como los ms ventajosos,
especialmente, la tcnica Double Chain Ladder.
Palabras claves:
Sector Asegurador, Solvencia II, Seguros de No Vida, Provisiones
Tcnicas, Mtodos de Estimacin de Provisiones Tcnicas, Chain
Ladder, Link Ratio, Grossing Up, Modelo de Mack, Bootstrap
Chain Ladder, Modelo Lineal Generalizado, Munich Chain Ladder,
Double Chain Ladder.
ndice de Contenido.
Introduccin.
Captulo 1: El Sector Asegurador.
1.1
1.2
El Sector Asegurador: caso espaol.

La Solvencia en el Sector Asegurador: caso espaol.
Captulo
Seguros.
2:
Provisiones
Tcnicas
de
2.1 Definicin y Tipologas.
Captulo 3: Mtodos de Estimacin de

Provisiones Tcnicas de Seguros de No
Vida.
3.1 Los Datos.
3.2 La Estructura de los Datos: el tringulo de siniestros.
3.3 Mtodos Estadsticos para la Estimacin de Provisiones
Tcnicas de Seguros de No Vida.
3.3.1 Mtodos Clsicos.
3.3.1.1 Chain Ladder.
3.3.1.2 Link Ratio.
3.3.1.3 Grossing Up.
3.3.2 Mtodos Estocsticos.
3.3.2.1 Modelo de Mack.
3.3.2.2 Bootstrap Chain Ladder.
3.3.2.3 Modelo Lineal Generalizado.
3.3.2.4 Munich Chain Ladder.
3.3.2.5 Double Chain Ladder.
Captulo 4: Aplicacin Prctica en la

Estimacin de Provisiones Tcnicas
de
Seguros de No Vida mediante R Project.
4.1 R Project.
4.2 Libros en R Project sobre Provisiones Tcnicas de
Seguros de No Vida.
4.2.1 El Libro ChainLadder.
4.2.2 El Libro DCL.
4.3 Ejemplos Prcticos en R Project.
4.3.1 Ejemplo 1: Chain Ladder.
4.3.2 Ejemplo 2: Link Ratio.
4.3.3 Ejemplo 3: Grossing Up.
4.3.4 Ejemplo 4: Modelo de Mack.
4.3.5 Ejemplo 5: Bootstrap Chain Ladder.
4.3.6 Ejemplo 6: Modelo Lineal Generalizado.
4.3.7 Ejemplo 7: Munich Chain Ladder.
4.3.8 Ejemplo 8: Double Chain Ladder.
4.3.9 Comparativa.
4.3.10 Ejemplos Adicionales: Double Chain Ladder.
Conclusiones.
Bibliografa.
ndice de Figuras.
Figura 1: Evolucin del Sector Asegurador Espaol I.
Figura 2: Evolucin del Sector Asegurador Espaol II.
Figura 3: Evolucin del Sector Asegurador Espaol III.
Figura 4: Evolucin del Sector Asegurador Espaol IV.
Figura 5: Evolucin del Sector Asegurador Espaol V.
Figura 6: Evolucin del Sector Asegurador Espaol VI.
Figura 7: Evolucin del Sector Asegurador Espaol VII.
Figura 8: Cronologa Directivas Solvencia Europea.
Figura 9: Ciclo de Vida Reclamaciones Siniestros.
Figura 10: Presentacin de los Datos: el tringulo de
siniestros I.
Figura 11: Presentacin de los Datos: el tringulo de
siniestros II.
Figura 12: Clasificacin Mtodos Estimacin Provisiones
Introduccin.
Histricamente, el origen del seguro moderno lo encontramos en
el seguro martimo, con el prstamo a la gruesa, que se dio en la
Europa de la Edad Media, coincidiendo con la expansin del
comercio por el Mediterrneo y la necesidad de proteger a los
transportistas.
Hoy en da, la figura del seguro ha evolucionado y tiene un
alcance mucho mayor. El seguro no solo tiene una funcin
protectora frente el riesgo; sino que la actividad aseguradora
tiene tambin importantes implicaciones para el conjunto de las
economas de mercado. As, el seguro, al reducir la
incertidumbre, va a estimular la inversin empresarial, el
empleo, el ahorro, reduccin de desigualdades sociales; etc.
El seguro es una de las principales instituciones financieras y de
previsin. El sector asegurador es un sector con un peso notable
en la economa internacional. Las primas de seguros,
actualmente, representan entre el 7-8 % del PIB mundial. En
Espaa, este porcentaje se sita, aproximadamente, en el 5%
del PIB.
El primer apartado del Captulo 1 de este trabajo est dedicado
a analizar el sector asegurador espaol, recogiendo un resumen
acerca de las caractersticas y de la evolucin reciente del
mismo.
Las empresas aseguradoras en el ejercicio de su actividad estn
sujetas a toda una serie de normas nacionales e internacionales.
En este sentido, en Europa tenemos que destacar el marco
regulador que suponen las directivas sobre solvencia.
Actualmente, nos encontramos en un proceso de reforma con la
Directiva Solvencia II. Esta Directiva persigue lograr una
armonizacin jurdica en el sector, que elimine las desigualdades
entre las empresas aseguradoras, fomente su rentabilidad, la
transparencia y una mayor proteccin de los asegurados y

beneficiarios.
En el segundo apartado del Captulo 1 de este documento se
lleva a cabo un estudio sobre la solvencia del sector asegurador
espaol y sobre las Directivas europeas de solvencia.
Las empresas aseguradoras para hacer frente a sus futuras
responsabilidades derivadas de siniestros asegurados van a
hacer uso de la reservas de seguros o provisiones tcnicas. Las
reservas de seguros obedecen al principio contable de prudencia
valorativa; ya que con estas se pretende tener una cobertura
adelantada ante la incertidumbre de desconocer el momento en
que tendrn lugar los siniestros y el importe de sus
correspondientes indemnizaciones.
El Captulo 2 est dedicado a la figura de las provisiones
tcnicas de seguros en sus distintas modalidades.
Para estimar el importe de las provisiones tcnicas se requiere
de toda una serie de tcnicas y mtodos. En el Captulo 3 se
hace un repaso de los principales mtodos estadsticos de la
literatura,
distinguindose
entre
mtodos
clsicos
y
estocsticos, en el contexto de seguros de no vida, ya que este
trabajo est centrado en esta modalidad o ramo.
La complejidad de los mtodos estadsticos empleados,
especialmente, la de los estocsticos hace necesario el emplear
aplicaciones
informticas
para
practicar
los
clculos
correspondientes. En este documento de trabajo se ha optado
por R Project y, as, en el Captulo 4 se recogen toda una serie
de ejemplos en este programa para explicar los mtodos de
estimacin de las provisiones tcnicas de seguros analizados.
En resumen, a lo largo de los cuatro captulos que conforman
este trabajo nos encontramos con una revisin de la figura de
las provisiones tcnicas de seguros de no vida. El objetivo bsico
que se ha perseguido ha sido el de desarrollar, sobre todo, la
vertiente estadstica de esta temtica. As pues, se ha
pretendido realizar un documento que pudiese servir de gua y
comparativa en el empleo de los mtodos de estimacin de
provisiones tcnicas a travs de R Project; tratando de poner de
6
manifiesto, a travs de toda una serie de ejemplos, las ventajas

y la facilidad en su manejo.
Captulo 1:
El Sector Asegurador.
1.1 El Sector Asegurador: caso espaol.
El sector asegurador se puede definir como el conjunto de
medios, entidades y organismos, as como sus prcticas, cuya
finalidad ltima consiste en trasladar los riesgos a que estn
sometidos los particulares a una organizacin empresarial con
capacidad econmica suficiente para soportarlos.
A nivel nacional, la regulacin jurdica bsica del sector est
conformada por las siguientes normas:
- Ley 50/1980, de 8 de octubre, de Contrato de Seguro.
- Real Decreto Legislativo 6/2004, de 29 de octubre, por el que

se aprueba el Texto Refundido de la Ley de Ordenacin y
Supervisin de los Seguros Privados.
- Real Decreto 2486/1998, de 20 de noviembre, por el que se
aprueba el Reglamento de Ordenacin y Supervisin de los
Seguros Privados.
- Ley 26/2006, de 17 de julio, de Mediacin de Seguros y
Reaseguros Privados.
- Real Decreto 1317/2008, de 24 de julio, por el que se aprueba
el Plan de Contabilidad de las Entidades Aseguradoras.
El sector asegurador basa su actividad en la figura del seguro. El
seguro proporciona una cobertura ante sucesos inciertos que
ponen en riesgo la vida y/o patrimonio de las personas y/o
entidades. Este se materializa a travs del contrato de seguro.
Segn artculo 1 de la Ley de Contrato de Seguro (en adelante,

LCS):
El contrato de seguro es aquel por el que el asegurador se
obliga, mediante el cobro de una prima y para el caso de que se
produzca el evento cuyo riesgo es objeto de cobertura a
indemnizar, dentro de los lmites pactados, el dao producido al
asegurado o a satisfacer un capital, una renta u otras
prestaciones convenidas.
Las organizaciones empresariales que conforman el sector
asegurador se encuadran dentro de los intermediarios
financieros no bancarios, en el sector servicios y, por tanto,
estn comprendidas como tales en el conjunto del sistema
financiero.
Las empresas aseguradoras realizan, fundamentalmente, un
servicio de seguridad o cobertura frente al riesgo soportado por
otros sectores de actividad.
El riesgo es un elemento fundamental en el seguro. As, segn el

artculo 4 LCS: El contrato de seguro ser nulo, salvo en los
casos previstos por la Ley, si en el momento de su conclusin no
exista el riesgo o haba ocurrido el siniestro.
El profesor GARRIGUES define el riesgo como: posible
ocurrencia por azar de un acontecimiento que produce una
necesidad econmica y cuya aparicin real o existencia se
previene y garantiza en la pliza y obliga al asegurador a
efectuar la prestacin, normalmente indemnizacin, que le
corresponde.
Adems de esta funcin de seguridad frente al riesgo, la
actividad del sector asegurador va a tener otras importantes
implicaciones para el conjunto de una Economa, por ejemplo, la
eliminacin de la incertidumbre econmica sobre el futuro va a
favorecer la inversin y el espritu emprendedor, estabilizacin
de la riqueza, fomento del ahorro, financiacin; etc.
Por otra parte, segn el artculo 7.1 del Texto Refundido de la
Ley de Ordenacin y Supervisin de los Seguros Privados (en
adelante, LOSSP): La actividad aseguradora nicamente podr
ser realizada por entidades privadas que adopten la forma de
sociedad annima, mutua, cooperativa y mutualidad de
previsin social. Las mutuas, las cooperativas y las
mutualidades de previsin social podrn operar a prima fija o a
prima variable.
El apartado 2 del mismo artculo aade: Tambin podrn
realizar la actividad aseguradora las entidades que adopten
cualquier forma de derecho pblico, siempre que tengan por
objeto la realizacin de operaciones de seguro en condiciones
equivalentes a las de las entidades aseguradoras privadas.
As pues, este sector se centra en el seguro privado, sin incluir,
por tanto, el seguro estatal o Seguridad Social, donde es el
Estado el que ejerce la funcin tutelar, regulando las bases y
estructura del seguro y asumiendo el riesgo en todo o en parte.
No obstante, es un organismo pblico, la Direccin General de
Seguros y Fondos de Pensiones, la que ejerce una funcin de
supervisin y control de la actividad aseguradora privada,
9
conforme a lo establecido en el Real Decreto 672/2014, de 1 de

agosto.
En cuanto a la composicin del seguro privado, del artculo 6
LOSSP se van a distinguir dos ramos fundamentales: ramo de
vida y no vida.
Segn el artculo 6.2, apartado A, LOSSP:
El ramo de vida comprender:
a) El seguro sobre la vida, tanto para caso de muerte como de
supervivencia, o ambos conjuntamente, incluido en el de
supervivencia el seguro de renta; el seguro sobre la vida con
contraseguro; el seguro de nupcialidad, y el seguro de
natalidad. Asimismo, comprende cualquiera de estos seguros
cuando estn vinculados con fondos de inversin. Igualmente,
podr comprender el seguro de dependencia.
b) Las operaciones de capitalizacin del artculo 3.1.b) de esta
ley.1
c) Las operaciones de gestin de fondos colectivos de jubilacin
y de gestin de operaciones tontinas.
Se entender por:
1. Operaciones de gestin de fondos colectivos de jubilacin
aquellas que supongan para la entidad aseguradora administrar
las inversiones y, particularmente, los activos representativos
de las reservas de las entidades que otorgan prestaciones en
caso de muerte, en caso de vida o en caso de cese o reduccin
de
actividades.
Tambin
estarn
comprendidas
tales
operaciones cuando lleven una garanta de seguro, sea sobre la
conservacin del capital, sea sobre la percepcin de un inters
mnimo. Quedan expresamente excluidas las operaciones de
gestin de fondos de pensiones, regidas por el texto refundido
de la Ley de regulacin de planes y fondos de pensiones,
aprobado por el Real Decreto Legislativo 1/2002, de 29 de
1 El artculo 3.1.b) LOSSP se refiere a las operaciones de capitalizacin
basadas en tcnica actuarial que consistan en obtener compromisos
determinados en cuanto a su duracin y a su importe a cambio de
desembolsos nicos o peridicos previamente fijados.
10
noviembre, que estarn reservadas a las entidades gestoras de

fondos de pensiones.
2. Operaciones tontinas aquellas que lleven consigo la
constitucin de asociaciones que renan partcipes para
capitalizar en comn sus aportaciones y para repartir el activo
as constituido entre los supervivientes o entre sus herederos.
En cuanto al ramo de no vida, tenindose en cuenta el artculo

6.1 LOSSP, este est integrado por seguros como:
1. Accidentes.
2. Enfermedad
dependencia).
(comprendida
la
asistencia
sanitaria
la
3. Vehculos terrestres (no ferroviarios).

4. Vehculos ferroviarios.
5. Vehculos areos.
6. Vehculos martimos, lacustres y fluviales.
7. Mercancas transportadas (comprendidos los equipajes y
dems bienes transportados).
8. Incendio y elementos naturales: incluye todo dao sufrido por
los bienes (distinto de los comprendidos en los ramos 3, 4, 5, 6 y
7) causado por incendio, explosin, tormenta, elementos
naturales distintos de la tempestad, energa nuclear y
hundimiento de terreno.
9. Otros daos a los bienes: incluye todo dao sufrido por los
bienes (distinto de los comprendidos en los ramos 3, 4, 5, 6 y 7)
causado por el granizo o la helada, as como por robo u otros
sucesos distintos de los incluidos en el ramo 8.
10. Responsabilidad civil en vehculos terrestres automviles
(comprendida la responsabilidad del transportista).
11
11. Responsabilidad civil en vehculos areos (comprendida la

responsabilidad del transportista).
12. Responsabilidad civil en vehculos martimos, lacustres y
fluviales (comprendida la responsabilidad civil del transportista).
13. Responsabilidad civil en general: comprende toda
responsabilidad distinta de las mencionadas en los ramos 10, 11
y 12.
14. Crdito: comprende insolvencia general, venta a plazos,
crdito a la exportacin, crdito hipotecario y crdito agrcola.
15. Caucin (directa e indirecta).
16. Prdidas pecuniarias diversas: incluye riesgos del empleo,
insuficiencia de ingresos (en general), mal tiempo, prdida de
beneficios, subsidio por privacin temporal del permiso de
conducir, persistencia de gastos generales, gastos comerciales
imprevistos, prdida del valor venal, prdidas de alquileres o
rentas, prdidas comerciales indirectas distintas de las
anteriormente
mencionadas,
prdidas
pecuniarias
no
comerciales y otras prdidas pecuniarias.
17. Defensa jurdica.
18. Asistencia: asistencia a las personas que se encuentren en
dificultades durante desplazamientos o ausencias de su
domicilio o de su lugar de residencia permanente. Comprender
tambin la asistencia a las personas que se encuentren en
dificultades
en
circunstancias
distintas,
determinadas
reglamentariamente, siempre que no sean objeto de cobertura
en otros ramos de seguro.
19. Decesos: incluye operaciones de seguro que garanticen
nicamente prestaciones en caso de muerte, cuando estas
prestaciones se satisfagan en especie o cuando su importe no
exceda del valor medio de los gastos funerarios por un
fallecimiento.
12
A continuacin, analizamos la evolucin reciente del sector

asegurador en Espaa. A tal efecto, se considera el Informe de
Prediccin de la Actividad Aseguradora en Espaa de la
fundacin MAPFRE y la fundacin de la Universidad Autnoma
de Madrid (UAM) [15], correspondiente a la Ctedra de
Patrocinio UAM-MAPFRE. Comentar que a falta de publicacin de
los datos del sector del ao 2015, en dicho informe se dispone
de datos del ao 2014 y anteriores; y predicciones para los aos
2015, 2016 y siguientes.
El anlisis de la evolucin del sector se divide en 3 apartados:
total, ramo vida y ramo no vida.
Total Sector.
Tras unos aos de cada, coincidentes con el inicio de la actual
crisis econmica, a partir del ao 2014, el sector experimenta
un crecimiento positivo en el total de primas devengadas,
siendo este cercano al 3%. Las previsiones para el ao 2015 y
2016, por su parte, son de continuo crecimiento dentro de la
senda de recuperacin iniciada. As pues, para el 2015 se prev
alcanzar un 4,9% de primas y 7,2% para el 2016.
Figura 1: Evolucin del Sector Asegurador Espaol I.
13
El crecimiento experimentado en el sector se debe a diversas

razones, una de las ms relevantes la encontramos en la cierta
recuperacin experimentada de la economa espaola, puesta
de manifiesto en la mejora de indicadores econmicos como el
PIB, el consumo de los hogares, las viviendas y las
matriculaciones.
Figura 2: Evolucin del Sector Asegurador Espaol II.
En este sentido, se prev una mejora progresiva de las

expectativas de crecimiento del PIB a corto plazo hasta alcanzar
unos ritmos que, aun siendo moderados, permitirn la
generacin neta de empleo.
Figura 3: Evolucin del Sector Asegurador Espaol III.
14
La recuperacin de la actividad ser ms acusada en los

componentes de inversin no residencial y exportaciones,
mantenindose muy moderados tanto el consumo privado como
el pblico y la inversin en viviendas.
La reactivacin de la actividad inducir a una progresiva
recuperacin de los establecimientos productivos y los flujos de
transporte, mientras el mercado del automvil podra
experimentar un importante repunte a corto plazo.
Tanto los tipos de inters como la inflacin se mantendrn en
valores muy moderados aunque con cierta tendencia al alza en
el caso de la inflacin.
Figura 4: Evolucin del Sector Asegurador Espaol IV.
Los escasos avances esperados en la renta de los hogares

moderarn las tasas de ahorro, mientras que los flujos de
crdito podran empezar a recuperarse muy levemente.
15
Figura 5: Evolucin del Sector Asegurador Espaol V.
Ramo Vida.
En la recuperacin experimentada en el conjunto del sector
asegurador, el ramo de vida fue el que ms influencia tuvo en la
misma. As, en el 2014 se alcanz un 3,7% de primas
devengadas. La evolucin para 2015 y 2016 se espera positiva,
siendo los seguros de Vida Riesgo los que ms importancia
tengan en el crecimiento del ramo.
Figura 6: Evolucin del Sector Asegurador Espaol VI.
Ramo No Vida.
El crecimiento del ramo de no vida se situ en el 2,3% de primas
en el 2014. Dentro del ramo, la mayora de las modalidades
mejoraron a excepcin de Responsabilidad Civil y Resto de
Ramos No Vida. En el 2015 y 2016, se espera tambin que
contine la senda creciente, sin descensos en ninguna
modalidad; siendo Automvil la que tenga una mayor
importancia.
16
Figura 7: Evolucin del Sector Asegurador Espaol VII.
17
1.2 La Solvencia en el Sector Asegurador:

caso espaol.
Con la finalidad de proteger a los asegurados y de garantizar la
estabilidad de los mercados financieros, las compaas
aseguradoras debern mantener una cantidad de activos
suficiente que sirva de respaldo ante posibles desviaciones
desfavorables de los pasivos de la compaa; dicho de otro
modo, estas deben ser solventes en el ejercicio de su actividad.
La solvencia se puede definir como la capacidad de una
empresa para hacer frente a sus obligaciones de pago.
La IAIS (International Association of Insurance Supervisor), en el
ao 2002, defini la solvencia, sealando que:
Una compaa de seguros ser solvente si es capaz de cumplir
todas sus obligaciones contractuales bajo circunstancias
razonablemente previsibles.
Posteriormente, en el ao 2003, la definicin se modific por:
La capacidad del asegurador para cumplir en cualquier
momento con sus obligaciones (pasivos) derivadas de sus
contratos.
En la prctica actuarial, suele ser habitual distinguir entre dos
tipos de solvencia: esttica y dinmica.
La solvencia esttica se trata de la capacidad tcnica y
financiera para hacer frente en un determinado momento a los
compromisos adquiridos por la empresa, es decir, la solvencia
esttica implica que se efecte un clculo, cobertura e inversin
en activos aptos en provisiones tcnicas suficientes. Se
encuentra regulada en el artculo 16 LOSSP y en los artculos 29
a 57 del Reglamento de Ordenacin y Supervisin de los
Seguros Privados (en adelante, ROSSP).
Segn el artculo 16.1 LOSSP: Las entidades aseguradoras
tendrn la obligacin de constituir y mantener en todo momento
18
provisiones tcnicas suficientes para el conjunto de sus

actividades. A estos efectos, debern estar adecuadamente
calculadas, contabilizadas e invertidas en activos aptos para su
cobertura.
Son provisiones tcnicas las de primas no consumidas, de
riesgos en curso, de seguros de vida, de participacin en los
beneficios, de prestaciones, la reserva de estabilizacin y
aquellas otras que, con arreglo al reglamento de desarrollo de
esta Ley, sean necesarias al objeto de cumplir la finalidad a que
se refiere el prrafo anterior.
En otro orden, tenemos la solvencia dinmica que tiene en
cuenta el futuro de la entidad y, con el fin de garantizarla, las
legislaciones de los distintos pases establecen determinados
mnimo fijados en funcin de los ramos de seguro en los que
opera la entidad y en relacin con el volumen de negocio.
Desde los estudios realizados por los profesores CAMPAGNE y DE
MORI, que tomaron como base la teora del riesgo colectivo, se
considera que el sistema ms apropiado para garantizar la
solvencia dinmica de las empresas aseguradoras est
constituido por los llamados margen de solvencia y fondo de
garanta.
La exigencia de un margen de solvencia mnimo es una de las
estipulaciones habituales en las normativas de control de la
actividad aseguradora. Dentro de nuestro Ordenamiento
jurdico, el margen de solvencia se encuentra regulado en el
artculo 17 LOSSP y en los artculos 58 a 62 ROSSP.
debern disponer en todo momento de un margen de solvencia
suficiente respecto al conjunto de sus actividades.
El apartado 2 del mismo artculo define el margen de solvencia,
sealando:
El margen de solvencia estar constituido por el patrimonio de
la entidad aseguradora libre de todo compromiso previsible y
con deduccin de los elementos inmateriales.
19
Por su parte, el fondo de garanta se encuentra regulado en el

artculo 18 LOSSP y en el artculo 63 ROSSP.
El artculo 18.1 LOSSP estipula que:
La tercera parte de la cuanta mnima del margen de solvencia
constituye el fondo de garanta, que no podr ser inferior a tres
millones doscientos mil euros para las entidades que operen en
algunos de los ramos de vida, caucin, crdito y cualquiera de
los que cubran el riesgo de responsabilidad civil, y a dos
millones doscientas mil euros para las restantes.
En todo caso, el fondo de garanta no podr ser inferior a tres
millones doscientos mil euros para aquellas entidades de seguro
que lleven a cabo actividades de reaseguro en las que concurra
alguna de las siguientes condiciones:
a) que las primas aceptadas en reaseguro excedan en un 10 por
ciento sus primas totales,
b) que las primas aceptadas en reaseguro superen 50 millones
de euros,
c) que las provisiones tcnicas del reaseguro aceptado superen
el 10 por ciento de sus provisiones tcnicas totales.
Segn el artculo 63 del ROSSP, El fondo de garanta deber
estar constituido por los elementos que con carcter general
tengan la consideracin de patrimonio propio no comprometido
sealados en el apartado 1.uno del artculo 59, por las
plusvalas de activos que resulten computables en el patrimonio
propio no comprometido y por las partidas previstas en el
artculo 59.2.
Adems de la normativa nacional, la integracin de Espaa en la
Unin Europea (UE) y, por ende, en su acervo comunitario, hace
necesario el estudio de la regulacin jurdica europea sobre
solvencia. La evolucin de esta normativa se puede resumir en
tres marcos jurdicos diferentes: Solvencia 0, I y II.
20
El anlisis de Solvencia 0, I y II se realiza tomando como

referencia bsica la tesis doctoral: Incidencia de los riesgos
tcnicos en la solvencia de las compaas de seguros de vida
(concrecin en el riesgo de longevidad) de ARIZA (2013) [3]; y
el artculo: El proyecto
Solvencia II: marco conceptual,
normativo e institucional de SOL (2013) [18], perteneciente a
la Ctedra PREZ-LLORCA/IE de Derecho Mercantil.
Solvencia 0.
En 1957, con la constitucin de la Comunidad Econmica
Europea (CCE), se inicia la cooperacin entre las autoridades
supervisoras del sector asegurador. As, desde del Insurance
Supervisory Authorities de la CEE se comienza a discutir acerca
de los pasos que habra que dar para alcanzar la liberalizacin
del mercado del seguro. Los principales temas de debate se
centraron en el tratamiento de las reservas tcnicas, los activos
que deberan cubrir estas reservas y las medidas de control
sobre estos activos. Las conversaciones mantenidas entre los
organismos supervisores y la industria del seguro, con la
colaboracin de la OCDE (Organizacin para la Cooperacin y
Desarrollo Econmicos), concluyeron con un plan basado en el
Modelo de Campagne.
La Comisin de Estudio de este proyecto propuso un criterio
para hallar el margen mnimo de solvencia, basndose en tres
ratios:
1. Activos disponibles sobre las primas recaudadas durante el
ltimo ejercicio.
21
2. Activos disponibles para cubrir los siniestros incurridos a lo

largo de los ltimos 3 ejercicios.
3. Activos disponibles para las reservas tcnicas.
Las primeras directivas sobre los seguros de no vida y de vida
fueron publicadas por la CEE el 24 de julio de 1973 y el 5 de
marzo de 1979, respectivamente. Estas dos directivas marcaron
los primeros pasos hacia el establecimiento de un libre mercado
del sector asegurador europeo, y en las que se documentaron
los requerimientos necesarios para que las compaas pudieran
cumplir sus requisitos de solvencia.
Los trabajos de CAMPAGNE (1961) son la base principal de estos
requisitos. As, como las provisiones tcnicas suponen la
magnitud ms importante para las compaas de seguros,
CAMPAGNE consider un margen mnimo de solvencia (MSM),
resultado de aplicar un coeficiente sobre estas provisiones
tcnicas. Adems propuso otras alternativas como la de obtener
el MSM, aplicando un porcentaje sobre el capital asegurado y
otro sobre el capital en riesgo.
La frmula bsica para el margen de solvencia requerido en las
compaas de seguros de vida, se estableci en la Primera
Directiva de Vida de la siguiente manera:
4% de las reservas de seguros de vida (brutas de reaseguro)
+
0,3% de la suma del capital en riesgo
Esta frmula bsica se complementara con las siguientes
premisas:
- Reaseguro: la asignacin mxima de las reservas de seguros
de vida ser del 15% y el 50% de la suma del capital en riesgo.
- Seguro temporal a corto plazo: es posible una reduccin del
0,3% del margen.
22
- Coberturas complementarias: se aplican los mrgenes de no

vida.
Sin embargo, el MSM definido anteriormente no sera un lmite,
pero s una seal de alarma. El fondo de garanta, por su parte,
s que sera la barrera imposible de franquear por la compaa.
En la Primera Directiva, el clculo de solvencia se trata en los
artculos 18 y 19, y el fondo de garanta en el artculo 20.
En la Segunda Directiva de Vida, del 8 de noviembre de 1990, se
hizo una distincin entre el control gestionado desde el pas de
origen y el control gestionado desde el pas de destino. Para el
seguro de vida, la naturaleza del control tiene un efecto mucho
ms importante que en el seguro de no vida a la hora de poner
los productos de una compaa en el mercado, sin embargo, no
se cambiaron las reglas de solvencia definidas en la Primera
Directiva. Esta se centrara, principalmente, en la supervisin.
Al igual que sucedera para el negocio de no vida, la Comisin
no qued del todo satisfecha con esta Directiva, por lo que se
termin adoptando en 1992 una Tercera Directiva para el
negocio de vida, donde se modificaran las normas de solvencia
definidas en la Primera. Pretenda, fundamentalmente, la
aproximacin de los mercados nacionales hacia un mercado
integrado, realizando previamente una armonizacin bsica en
los sistemas de autorizacin y supervisin de la actividad
aseguradora.
Centrndonos ahora en el ramo de no vida, el margen de
solvencia requerido bajo la Primera Directiva, debera ser el
mayor entre dos ndices: el ndice de primas y el ndice de
siniestros.
Para el ndice de primas:
- 18% de las primas brutas hasta los 10 millones de unidades
monetarias.
- 16% de las primas brutas que excedieran sobre los 10 millones
de unidades monetarias.
23
Para el ndice de siniestros:

- 26% de los siniestros brutos incurridos hasta los 7 millones de
unidades monetarias.
- 23% de los siniestros brutos incurridos que excedan sobre los 7
millones de unidades monetarias.
La Segunda Directiva de No Vida (1988), se centra en los
grandes riesgos y establece la necesidad de reciprocidad de
moneda entre la prima y la prestacin. La Tercera Directiva de
No Vida (1992), se centra, al igual que la de vida, en la
supervisin y en el control de la suficiencia de las provisiones
tcnicas constituidas.
Finalmente, sealar que el principal inconveniente de este
Modelo de Campagne y, por tanto, de Solvencia 0 es que cuanto
ms prudente era el clculo de las provisiones tcnicas, mayor
era el MSM. En otras palabras, cuanto ms prudente era una
compaa, ms tena que pagar para conseguir su solvencia.
Ramo No Vida.
Ramo
Vida.
1 Directiva
1 Directiva
(1973)
(1979)
2 Directiva
2 Directiva
(1985)
(1990)
24
3 Directiva
Solvencia I
3 Directiva
(1992)
(2002)
(1992)
Figura 8: Cronologa Directivas Solvencia Europea.
Solvencia I.
Ya durante le elaboracin de la Tercera Directiva en 1992, se
discute la posibilidad de revisar aquellas disposiciones que
afectaban al margen de solvencia, pero para no retrasar la
implantacin de un mercado nico del seguro, se decidi dejarlo
para ms adelante. Sin embargo, s se incluyeron algunos
artculos que obligaban a la Comisin a presentar un informe al
Insurance Committe (IC) con el objetivo de homogeneizar el
margen de solvencia. En el congreso celebrado por el IC, en abril
de 1994, se retoma la cuestin de la revisin de la solvencia de
las compaas de seguros, crendose un grupo de trabajo
dirigido por HELMUT MLLER, cuyas conclusiones se recogieron
en 1997 en un informe bajo el nombre de Informe Mller.
Al respecto, el Informe Mller concluy: Se demuestra que
aunque las normas de solvencia se hubieran observado y
aplicado de forma ms estricta, y aunque estas contaran con
requerimientos mucho ms exigentes, algunos de los colapsos
econmicos sufridos por algunas compaas no podan haberse
prevenido. Como regla bsica, el margen de solvencia cumple
con las funciones de alarma y seguridad, pero no remplaza por
completo a lo que pueda ser un anlisis exhaustivo de cada
empresa, y aunque en menor medida, establece el principio de
prudencia en la cobertura de las provisiones tcnicas.
A pesar de todo esto, la Comisin consider que debera
mantener los principios operacionales en vigor, lo que
significaba que determinadas cuestiones pendientes no
pudieran ajustarse o ser mejoradas. Adems, la Comisin
tambin estableci que: todos los esfuerzos deberan
encaminarse a evitar cualquier coste adicional para la industria
25
del seguro, pero sugiriendo que en un futuro sera deseable

llevar a cabo dentro de la UE una amplia revisin del sistema de
clculo del margen de solvencia, considerando la necesidad de
un anlisis ms explcito de los riesgos.
Con el propsito de mejorar la legislacin vigente, la Comisin
se centr en revisar la composicin y el clculo del margen de
solvencia, las inversiones ms adecuadas para su cobertura,
posibles medidas de las autoridades supervisoras y conseguir
cierto nivel de homogeneizacin.
Estos trabajos previos fueron el embrin para que, el 5 de marzo
de 2002, el Parlamento Europeo adoptara las nuevas Directivas
para los Seguros de Vida y de No Vida, Directivas que se haran
obligatorias el 1 de enero de 2004 (Solvencia I).
As pues, bajo la denominacin de Solvencia I se agrup el
sistema de supervisin prudencial de los seguros en el mbito
comunitario vigente hasta la entrada en vigor del marco
Solvencia II.
Los principios que configuraron Solvencia I fueron tres:
1. Un margen de solvencia, que se concibe como una reserva
adicional para hacer frente a las oscilaciones del negocio, y que
se puede cubrir con los elementos del patrimonio (contable o
extracontable) no afectos a las obligaciones derivadas de los
contratos de seguro.
2. Unas provisiones (o reservas tcnicas) calculadas de forma
prudente, entendiendo por tal caracterstica la inclusin de
mrgenes que no aparecen explcitos como parte de las mismas,
no pretendindose que el clculo de estos mrgenes obedezcan
a unas reglas armonizadas en el mbito comunitario.
3. Unos activos de calidad para cubrir el importe de las
provisiones tcnicas as calculadas, lo que implica una limitacin
en el poder de decisin inversora de la entidad.
26
Estos tres principios, por tanto, se basaban en establecer una

suerte de blindaje de las obligaciones derivadas de los contratos
(reflejadas en las provisiones tcnicas) por la va de la prudencia
valorativa e inversora, a lo que se aade una cantidad (margen
de solvencia) que pretende hacer las veces de capital
regulatorio para encarar las fluctuaciones que la marcha del
negocio puede sufrir ms all del ejercicio econmico (recogido
en las provisiones tcnicas), contribuyendo as a la solvencia
dinmica de la entidad.
Las carencias tcnicas de este marco fueron ya puestas de
manifiesto por la doctrina actuarial poco despus de su puesta
en funcionamiento.
As, autores como SOL (2013), en relacin al margen de
solvencia, denunciaron lo siguiente:
- Considerar solo los riesgos de suscripcin de la entidad a la
hora de proceder a su clculo, incluyendo solo datos sobre
primas y provisiones. Los riesgos procedentes de las inversiones
de la entidad no se consideraban a la hora de su clculo, no
considerando as una fuente de inestabilidad de la empresa
aseguradora, cuyo carcter de gestora-inversora de fondos
ajenos es innegable. Adems, tambin se han criticado las
propias bases sobre las que se calcula el margen de solvencia,
ya que el riesgo de suscripcin que se calcula no incorpora
ningn elemento que valore la calidad de la cartera
aseguradora, al incluir indiscriminadamente todas las primas.
Igualmente, se generan efectos paradjicos, al suponer una
mayor carga el caso de unas provisiones ms prudentes (por
ejemplo en Vida si se descuenta con tipos ms bajos). La
experiencia en la aplicacin de este margen de solvencia
tambin prob cmo no haba cumplido la funcin de alerta
temprana que el capital regulatorio debe cumplir, permitiendo al
supervisor la adopcin de medidas de anticipacin a las crisis.
- Sobre las provisiones tcnicas, la Directiva de Cuentas de
Entidades Aseguradoras no regul su clculo, limitndose a
definir los conceptos provisionables, o, lo que es lo mismo, las
27
provisiones mnimas a constituir por las entidades aseguradoras

comunitarias. Por lo tanto, la interpretacin del concepto de
prudencia qued a la plena determinacin de cada jurisdiccin
nacional. La falta de armonizacin era el tributo que se tena
que pagar por este sistema, generando una casi imposible
comparacin de los estados financieros de las entidades
aseguradoras europeas, donde las provisiones tcnicas
constituyen el principal elemento patrimonial de su Pasivo, al
reflejar los riesgos derivados del negocio asegurador.
Igualmente, el hecho de que el componente prudencial de la
provisin no est explcito no favorece la buena gestin ni el
exacto conocimiento de los riesgos que la cartera de seguros
contiene. As, al analizar los pagos por prestaciones no se puede
conocer el impacto de las prdidas no esperadas, dado que no
se diferencia este componente de las provisiones al calcularlas.
No se conocen tampoco los cambios atribuibles al capital, al no
discernir la prdida esperada (resultante de la siniestralidad
atribuible a la cartera) de la debida a las desviaciones sobre lo
esperado.
- Por ltimo, la obligacin de invertir en determinado tipo de
activos el importe de las provisiones tcnicas supona aadir
una prudencia arbitraria que trataba de compensar la falta de
consideracin de los riesgos de los activos en el clculo del
margen de solvencia. Cualquier sistema que fuera capaz de
captar los riesgos asociados a las inversiones y fuera capaz de
traducirlo en necesidades de capital llevara a la eliminacin de
estas restricciones en favor de una gestin integral de la entidad
aseguradora.
28
Solvencia II.
Las desventajas del marco de Solvencia I junto con otros
aspectos como la globalizacin del mercado financiero, la
aparicin de nuevos productos aseguradores o, en general, la
exposicin a un entorno continuamente cambiante pusieron de
manifiesto la necesidad de un nuevo marco regulador para el
sector asegurador europeo. As pues, surge el proyecto
Solvencia II.
El proyecto de Solvencia II se configurara en dos fases. La
primera, desarrollada entre los aos 2001 y 2003, tuvo como
principal objetivo analizar caractersticas generales a que deba
obedecer el futuro sistema de solvencia en la UE.
En este sentido, las fuentes del diseo fueron varias:
- Estudios generales como el encargado por la Comisin a la
compaa KPMG (Informe KPMG).
- Informe del grupo de trabajo de la Conferencia de la Insurance
Supervisory Authorities de los estados miembros de la UE
(Informe Sharma).
- Sistemas de control y evaluacin de otros sectores econmicos
(Basilea II).
- Estudios de otros sistemas de solvencia como los sistemas
Risk-Based Capital (RBC); los estudios previos al modelo ingls
de requisitos de capital ampliado (ECR) y estndares de
evaluacin del capital ampliado (ICA); el test de solvencia suizo
(SST); o el modelo estndar alemn de la GDV para el clculo de
las necesidades de capital.
29
- Modelos internos de riesgos de las compaas aseguradoras

europeas.
- Exposiciones de los estados miembros sobre sistemas
prudenciales (principios de supervisin,
Finlandia; anlisis
anual y early warning system, Alemania; stress testing,
Reino Unido; evaluacin del capital en tres horizontes
temporales, Holanda; el control permanente e instrumentos de
control, Francia; mtodos cualitativos y cuantitativos para el
sector financiero, Suecia).
Como conclusin a la primera fase de reflexin inicial sobre el
futuro cuadro de solvencia en la UE, se dio a conocer el inicio de
una nueva fase del proyecto de desarrollo de trabajos tcnicos.
As, la segunda fase estaba destinada a definir los detalles del
sistema.
En este sentido, el marco acogido por el Comit de Seguros de
la Comisin Europea contena los siguientes aspectos
principales:
- El nuevo sistema deba dotar a las autoridades de supervisin
de los instrumentos adecuados para valorar la solvencia global
de una empresa de seguros, lo que significa que el sistema
deba consistir no solo en un conjunto de ratios e indicadores
cuantitativos, sino igualmente indicadores de referencia
cualitativos sobre otros aspectos que influyen sobre la situacin
de las empresas en trminos de riesgo (gestin, control interno
del riesgo, situacin concurrente, etc).
- El sistema de solvencia deba ser concebido como base de una
estructura con tres pilares del tipo Basilea II, aunque adaptada a
las necesidades de supervisin aseguradora.
-Un enfoque sensible al riesgo que deba animar e incentivar a
las aseguradoras para la valoracin y gestin de los respectivos
riesgos; incluyendo el reconocimiento de modelos internos que
contribuyan a la mejora de la gestin del riesgo y a la
adaptacin ms adecuada al perfil de riesgo real de la
30
aseguradora con relacin a las frmulas normalizadas a

desarrollar.
- Un enfoque de dos niveles de los requisitos de capital: una
exigencia de capital de solvencia basada en el capital
econmico necesario con una determinada probabilidad de ruina
(SCR: Solvency Capital Requirement), y una exigencia de
capital mnimo absoluto ms baja y ms fcil de calcular (MCR:
Minimum Capital Requirement).
- El nuevo sistema de solvencia deba tener por objetivo una
supervisin ms eficiente de los grupos aseguradores y de los
conglomerados financieros, podran y deberan ser desarrolladas
ciertas formas de cooperacin y coordinacin entre autoridades
prudenciales.
- El futuro sistema deba conducir a una mayor armonizacin de
los mtodos de supervisin cuantitativos y cualitativos,
contribuyendo as a la creacin de condiciones concurrentes
equitativas dentro del sector asegurador, as como entre los
sectores financieros (coherencia en todos los sectores
financieros).
- Por ltimo, la incorporacin de desarrollos internacionales con
el objeto de promover una mayor convergencia en el
establecimiento de normas prudenciales, especialmente con la
International Association of Insurance Supervisor (IAIS), la
International Actuarial Association (IAA) y el International
Accounting Standards Board (IASB).
A partir del 1 de enero de 2016, la Directiva 2009/138/CE

(Solvencia II), modificada por la Directiva 2014/51/UE (mnibus
II), ser de aplicacin en la UE y sustituir a una serie Directivas
vigentes, comnmente conocidas como Solvencia I.
La Directiva Solvencia II se desarrolla y complementa con el
Reglamento Delegado (UE) 2015/35 de la Comisin, de 10 de
octubre de 2014.
31
Solvencia II es una iniciativa originada en la UE que busca definir

una plataforma comn para la administracin de riesgos en las
aseguradoras europeas, al igual que los modelos de actuacin
de
las
mismas.
Esta
iniciativa
ha
sido
aceptada
internacionalmente y existen acciones en muchos pases no
europeos para adoptarla tambin dentro de sus marcos
regulatorios.
La Directiva Solvencia II se configura como una norma de nivel 1
del procedimiento de Lamfalussy, a las que les seguirn
medidas de implementacin del nivel 2 y de supervisin del
nivel 3, para su traslacin e integracin en el Ordenamiento
jurdico de los estos miembros de la UE.
En el caso espaol, la Directiva se va a transponer al
Ordenamiento jurdico a travs del ALOSSEAR (Anteproyecto de
Ley de Ordenacin, Supervisin y Solvencia de las Entidades
Aseguradoras y Reaseguradoras) y PROSSEAR (Proyecto de
Reglamento de Ordenacin, Supervisin y Solvencia de las
Entidades Aseguradoras y Reaseguradoras).
En cuanto a la estructura de la Directiva Solvencia II, est
formada por un total de 312 artculos, que se reparten a lo largo
de 6 Ttulos:
- Ttulo I: Disposiciones generales sobre el acceso a la actividad
de seguro directo y de reaseguro y su ejercicio.
- Ttulo II: Disposiciones especficas para los seguros y los
reaseguros.
- Ttulo III: Supervisin de las empresas de seguros y de
reaseguros que formen parte de un grupo.
- Ttulo IV: Saneamiento y liquidacin de las empresas de
seguros.
- Ttulo V: Otras disposiciones.
- Ttulo VI: Disposiciones transitorias y finales.
32
Los Ttulos, por su parte, se van a desglosar en Captulos, y los

Captulos en Secciones.
A este desglose hay que aadirle tambin una serie de Anexos
que complementan la Directiva.
De manera general, el objetivo principal de Solvencia II es
revisar el marco europeo de control cautelar de las compaas
de seguros. Solvencia II pretende reforzar la armonizacin de las
normas y prcticas prudenciales para mejorar la integracin del
mercado nico europeo y evitar as distorsiones entre
compaas.
De una forma ms especfica, otros objetivos destacados de
Solvencia II son:
- Mejorar la proteccin de los asegurados y beneficiarios.
- Mejorar la rentabilidad de las aseguradoras.
- Mejorar la transparencia de los aseguradores en sus
comunicaciones pblicas y privadas, orientadas hacia el futuro,
para crear disciplina en el mercado y generar confianza.
Para alcanzar estos objetivos, Solvencia II est diseada sobre

tres pilares de actuacin:
- Pilar 1: Requisitos armonizados de valoracin y requisitos
armonizados de capital basados en los riesgos.
- Pilar 2: Requisitos armonizados de gobernanza y gestin de
riesgos.
- Pilar 3: Requisitos armonizados de informacin con fines de
supervisin y publicacin de datos.
El Pilar I se ocupa del mbito cuantitativo. Se proponen las
reglas para el clculo y revisin de seis indicadores: valoracin
de activos y pasivos, provisiones tcnicas, fondos propios,
requerimientos de capital de solvencia, requerimientos de
33
capital mnimo, e inversiones. Estos indicadores suponen una

base financiera slida para que las empresas aseguradoras
ofrezcan mayor confianza a sus clientes y que estn protegidas
para la ocurrencia de siniestros.
El Pilar II se caracteriza por su componente cualitativo. Tiene un
doble impacto en las aseguradoras: por un lado se busca
mejorar los sistemas de responsabilidad corporativa, de
gobierno y de gestin; y por otra parte, se pretende una
migracin del actual sistema de orden y control a un sistema de
regulacin por autosupervisin. En este nuevo esquema debern
existir organismos de gobierno como un Consejo de
Administracin, un Comit de auditora interna, un Comit de
riesgos y en algunos casos un Comit de prcticas societarias.
Estos organismos generan un contrapeso a la Direccin para la
toma de decisiones.
El Pilar III se centra en la revelacin de informacin. Se obliga a
la entidad a revelar al mercado, a travs de la informacin
financiera su situacin no solo patrimonial, sino los
componentes de su perfil de riesgo y su actitud frente al mismo.
De este modo, se cede al mercado un cierto papel supervisor, al
entender que sus decisiones con respecto a la entidad (que no
se circunscriben solamente a las propias de los mercados de
instrumentos financieros) se basarn en esa revelacin.
Captulo 2:
Provisiones Tcnicas de
Seguros.
34
2.1 Definicin y Tipologas.

A la espera de las modificaciones que supondr la entrada en
vigor de la Directiva 2009/138/CE (Solvencia II), la actual
regulacin de provisiones tcnicas de seguros en el
Ordenamiento jurdico nacional se encuentra recogida,
principalmente, en el artculo 16 LOSSP y en los artculos 29 a
48 bis ROSSP.
tendrn la obligacin de constituir y mantener en todo momento
provisiones tcnicas suficientes para el conjunto de sus
actividades [].
Las provisiones tcnicas, sin duda alguna, constituyen la partida
ms importante del pasivo en el balance de las entidades
aseguradoras.
El artculo 29.1 ROSSP define las provisiones tcnicas de la
siguiente manera: Las provisiones tcnicas debern reflejar en
el balance de las entidades aseguradoras el importe de las
obligaciones asumidas que se derivan de los contratos de
seguros y reaseguros. Se debern constituir y mantener por un
importe suficiente para garantizar, atendiendo a criterios
prudentes y razonables, todas las obligaciones derivadas de los
referidos contratos, as como para mantener la necesaria
estabilidad de la entidad aseguradora frente a oscilaciones
aleatorias o cclicas de la siniestralidad o frente a posibles
riesgos especiales [].
Tenindose en cuenta el artculo 16.1 LOSSP y el artculo 29.2
ROSSP, se pueden distinguir los siguientes tipos de provisiones
tcnicas:
- De primas no consumidas.
- De riesgos en curso.
35
- De seguros de vida.
- De participacin en beneficios y para extornos.
- De prestaciones.
- La reserva de estabilizacin.
1. Provisin para primas no consumidas (artculo 30 ROSSP).
Tiene por objeto la periodificacin de las primas devengadas y
comprender la parte de prima destinada al cumplimiento de
obligaciones futuras no extinguidas al cierre del ejercicio
corriente. Su determinacin es individual o por pliza.
2. Provisin tcnica para riesgos en curso (artculo 31 ROSSP).
Es una provisin complementaria a la anterior y surgir cuando
las primas se hayan demostrado insuficientes para cubrir la
siniestralidad de los contratos de seguro. Pretende corregir la
insuficiencia de las primas que a su vez dara lugar a una
insuficiencia de la provisin para primas no consumidas.
3. Provisin tcnica de seguros de vida (artculo 32 ROSSP). Si la
prima cobrada siguiese la evolucin del riesgo a lo largo de los
aos, en los ltimos aos de vida del asegurado la prima
alcanzara niveles prohibitivos. Por ello, se cobra a lo largo de
todos los aos una prima constante cuya diferencia con la
prima de riesgo constituye la prima de ahorro que,
capitalizada, permite formar la provisin matemtica.
4. Provisin de participacin en beneficios y para extornos
(artculo 38 ROSSP). Obedece a razones de armonizacin
comunitaria. Recoge el importe estimado de una parte de los
posibles beneficios futuros que pueda obtener la entidad y que,
de acuerdo con los contratos, correspondan a los asegurados o
beneficiarios, y el de las primas que proceda restituir a los
tomadores o asegurados, en su caso, en virtud del
comportamiento experimentado por el riesgo asegurado, en
tanto no hayan sido asignados individualmente a cada uno de
ellos.
36
5. Provisin tcnica de prestaciones (artculo 39 ROSSP). Deber

representar el importe total de las obligaciones pendientes del
asegurador derivadas de los siniestros ocurridos con
anterioridad a la fecha del cierre del ejercicio y ser igual a la
diferencia entre su coste total estimado o cierto y el conjunto de
los importes ya pagados por tales siniestros y estar integrada:
- Provisin de prestaciones pendientes de liquidacin o pago
(artculo 40 ROSSP) que incluir el importe de todos aquellos
siniestros ocurridos y declarados antes del cierre del ejercicio.
- Provisin de siniestros pendientes de declaracin (artculo 41
ROSSP) que recoger el importe estimado de los siniestros
ocurridos antes del cierre del ejercicio y no declarados en esa
fecha.
- Provisin de gastos internos de liquidacin de siniestros
(artculo 42 ROSSP) que recoger los gastos internos de la
entidad para la total finalizacin de los siniestros que han de
incluirse en la provisin de prestaciones.
6. Reserva de estabilizacin (artculo 45 ROSSP). Tiene carcter
acumulativo y su finalidad es alcanzar la estabilidad tcnica de
cada ramo o riesgo. Se calcular y dotar en aquellos riesgos
que por su carcter especial, nivel de incertidumbre o falta de
experiencia as lo requieran, por el importe necesario para hacer
frente a las desviaciones aleatorias desfavorables de la
siniestralidad
De esta clasificacin, por su especial importancia para el sector
asegurador y, sobre todo, en el ramo de no vida, nos vamos a
centrar en el estudio de las provisiones de prestaciones.
37
Captulo 3:
Mtodos
para
la
Estimacin de Provisiones
Tcnicas de Seguros de No
Vida.
3.1 Los Datos.
En el estudio de los mtodos de estimacin de las provisiones
tcnicas de seguros de no vida, los datos objeto de anlisis se
corresponden con los siniestros.
Siniestro es la manifestacin concreta del riesgo asegurado, que
produce unos daos garantizados en la pliza hasta
determinada cuanta. Se trata, pues, de un acontecimiento que,
por causar unos daos concretos previstos en la pliza, motiva
la aparicin del principio indemnizatorio, obligando a la entidad
aseguradora a satisfacer, total o parcialmente, al asegurado o a
sus beneficiarios, el capital garantizado en el contrato.
El ciclo de vida de un siniestro se puede resumir en las
siguientes fases:
1. Ocurrencia: el siniestro tiene lugar pero se encuentra
pendiente de notificacin a la aseguradora.
38
2. Notificacin: el siniestro acontecido es comunicado a la

entidad aseguradora y esta toma constancia del mismo con la
apertura del correspondiente expediente.
3. Liquidacin: la fase de liquidacin tiene por objeto determinar
las circunstancias en que se ha producido el siniestro,
comprobar si este se encuentra amparado por la cobertura del
seguro contratado y ,en caso afirmativo, determinar el importe
de la indemnizacin a pagar por la aseguradora.
4. Pago: se abona la indemnizacin para reparar los daos
causados por el siniestro.
Ocurrenci
a
Notificaci
n
IBNR
Liquidaci
n
Pago
RBNS
Figura 9: Ciclo Vida Reclamaciones Siniestros.
Puede suceder que los siniestros no sigan linealmente estas

fases. Esto ocurre cuando el siniestro entra en una situacin o
estado pendiente. As, un siniestro puede estar pendiente de
declaracin, de liquidacin o de pago. Estos estados generan
toda una serie de retrasos en el ciclo de vida de los siniestros y,
en consecuencia, van a afectar a la constitucin de las reservas
de seguros, dando lugar a dos tipos de reservas como las IBNR
(Incurred But Not Reported -incurrida pero no declarada-) y
RBNS (Reported But Not Settled -declarada pero no
liquidada-).
39
3.2 La Estructura de
tringulo de siniestros.
los
Datos:
el
En el mbito de las reservas de seguros de no vida, los datos

suelen venir dados bajo la estructura del tringulo de siniestros
(run-off triangle). El tringulo de siniestros se trata de una
matriz de datos, donde se recoge la siniestralidad de anlisis
para la estimacin de las reservas o provisiones tcnicas de
seguros. En dicha matriz, a medida que los siniestros son ms
recientes, se reduce la informacin; por lo que va a adoptar
forma de tringulo o escalera.
Ao de origen
Figura 10: Presentacin de los datos: tringulo de siniestros I.
Ao de desarrollo
Pasado
Futuro
40
Figura 11: Presentacin de los datos: tringulo de siniestros II.
Con respecto al tringulo de siniestros, hay que tener en cuenta

tambin los siguientes aspectos:
- Se pueden distinguir dos tringulos en los datos. El tringulo
superior, que se corresponde con las observaciones del pasado,
y el tringulo inferior, que va a estar vaco y donde se recogern
las predicciones futuras.
- Los datos suelen venir expresados en aos 2, aunque tambin
se admiten otras divisiones temporales como meses, trimestres,
cuatrimestres; etc.
- Se puede tomar como momento inicial el ao 0, aunque
tambin es posible empezar desde el ao1.
- Las filas de los datos hacen referencia a los aos de origen u
ocurrencia de los siniestros. Las columnas, a los aos de
desarrollo o pago de los mismos. La columna se
introduce, en ocasiones, cuando se considera que la liquidacin
de los siniestros no finaliza al final del ltimo ao de desarrollo,
sino que puede tardar ms tiempo.
2 En este trabajo se toma como divisin temporal de referencia el ao para

explicar los distintos contenidos.
41
-Como notacin habitual, el ltimo ao de origen se suele notar

como I; mientras que el ltimo ao de desarrollo como J. No
I =J .
obstante, es habitual trabajar con el supuesto de que
- El nmero de aos de origen se corresponde con

I
I +1
o con
y el nmero de aos de desarrollo se corresponde con

J ,
segn se comience en el momento
J +1
1 ,
respectivamente.
- De manera general, el tringulo de siniestros suele recoger
datos referentes a nmero de reclamaciones de siniestros o
cantidades de pagos de siniestros; ya sea de forma incremental
o acumulada:
ni , j : nmero de reclamaciones de siniestros que han ocurrido
en un momento i y que han sido registradas en un momento

j. Se les suele denominar: count claims.
c i , j : cantidad monetaria de reclamaciones de siniestros que
han ocurrido en un momento i y que han sido pagadas en un

momento j. Se les suele denominar: paid claims.
N i , j : nmero acumulado de reclamaciones de siniestros que
han ocurrido en un momento i y que han sido registradas en

un momento j. Se verifica:
j
N i , j= n i, h ; i=0, , I
h=0
Ci , j : cantidades monetarias acumuladas de reclamaciones de
siniestros que han ocurrido en un momento i y que son

pagadas en un momento j. Se verifica:
42
Ci , j= c i ,h ; i=0, , I
h=0
3.3
Mtodos
Estadsticos
para
la
Estimacin de Provisiones Tcnicas de
Seguros de No Vida.
El artculo 16.1 LOSSP, con respecto a las provisiones tcnicas,
estipula que: [] debern estar adecuadamente calculadas,
contabilizadas e invertidas en activos aptos para su cobertura.
Por su parte, el artculo 16.2 aade: La cuanta de dichas
provisiones se determinar con arreglo a hiptesis prudentes y
razonables. Reglamentariamente se fijarn los mtodos y
procedimientos de clculo de las provisiones tcnicas, as como
el importe de stas que debe cubrir la entidad aseguradora.
La determinacin de las provisiones tcnicas resulta
fundamental para las empresas aseguradoras, ya que, su
incorrecta estimacin puede acarrear problemas como:
43
- Una subvaloracin de las provisiones tcnicas puede suponer a

largo plazo insolvencia.
- Coste de oportunidad al tener reservados recursos que se
podran dedicar a otras inversiones ms rentables.
- Alteracin de la cuenta de resultados y balance contable de la
empresa.
- Inadecuacin en el pago de impuestos; etc.
El artculo 43 ROSSP destaca las siguientes ideas sobre los
mtodos estadsticos en el clculo de las provisiones tcnicas de
prestaciones:
Las entidades aseguradoras podrn utilizar mtodos
estadsticos para el clculo de la provisin de prestaciones que
incluyan tanto los siniestros pendientes de liquidacin o pago
como los siniestros pendientes de declaracin, en cuyo caso no
ser necesario efectuar el desglose de la provisin entre ambos
componentes. Asimismo, se podrn utilizar mtodos estadsticos
nicamente para el clculo de la provisin de siniestros
pendientes de declaracin. Los mtodos estadsticos a utilizar y
las hiptesis contempladas para los mismos, as como las
modificaciones de los mtodos o hiptesis utilizados,
acompaados de una justificacin detallada de los contrastes de
su bondad y del periodo de obtencin de informacin, debern
recibir autorizacin de la Direccin General de Seguros y Fondos
de Pensiones, la cual se entender concedida si en el plazo de
tres meses desde la solicitud por parte de la entidad no se
hubiere dictado resolucin expresa. Cuando la entidad deje de
utilizar dichos mtodos estadsticos deber comunicarlo a la
Direccin General de Seguros y Fondos de Pensiones.
La estimacin del importe final de la provisin se har tomando
en consideracin los resultados de, al menos, dos mtodos
pertenecientes a grupos de mtodos estadsticos diferentes. Se
consideran pertenecientes al mismo grupo aquellos mtodos
que se basen en las mismas hiptesis o que obtengan sus
resultados a partir de las mismas magnitudes o variables.
44
La determinacin de la provisin de prestaciones utilizando

mtodos estadsticos requerir:
- Que la entidad tenga un volumen de siniestros suficiente para
permitir la inferencia estadstica y que disponga de informacin
histrica relativa a los mismos, al menos de un nmero de
ejercicios suficiente para valorar la provisin segn la vida
media de los siniestros y las caractersticas concretas de cada
ramo, y que comprenda las magnitudes relevantes para el
clculo.
- Que los datos a utilizar sean homogneos y procedan de
estadsticas fiables. Se excluirn de la base de datos utilizada
para el clculo estadstico los siniestros o grupos de siniestros
que presenten caractersticas, o en los que concurran
circunstancias, que justifiquen estadsticamente su exclusin.
Estos siniestros sern valorados y provisionados de forma
individual.
- La entidad deber realizar, al menos anualmente, un contraste
de la bondad de los clculos realizados.
El Ministro de Economa y Hacienda podr establecer que, en
determinados ramos o riesgos, la provisin de prestaciones se
calcule por mtodos estadsticos en su conjunto o en alguna de
sus partes.
En este caso, la Direccin General de Seguros y Fondos de
Pensiones dar publicidad a los mtodos estadsticos que sern
obligatorios en ausencia de otros propuestos por la entidad.
La entidad podr solicitar de la Direccin General de Seguros y
Fondos de Pensiones la no aplicacin de mtodos estadsticos
cuando pueda acreditar que el mtodo utilizado de estimacin
siniestro a siniestro ha conducido a resultados suficientes
durante los ltimos siete ejercicios.
La Direccin General de Seguros y Fondos de Pensiones podr
obligar, mediante resolucin motivada, a que el importe de la
provisin se determine por otros mtodos estadsticos si
45
considera que el importe estimado por la entidad, utilizando un

mtodo de valoracin individual o un mtodo estadstico, resulta
insuficiente y puede comprometer su solvencia.
Desde una perspectiva ms tcnica, los mtodos para la
estimacin de las provisiones tcnicas o reservas de seguros de
no vida son mltiples. Una clasificacin habitual en la literatura
es aquella que distingue entre mtodos clsicos (o
determinsticos) y mtodos estocsticos (TAYLOR, 1986).
Individuales
Clsico
s
Globales
Estocsti
cos
- Mtodo caso a
caso.
- Mtodo del coste
medio del
siniestro.
- Mtodo del
-
Grossing Up.
Link Ratio.
Chain Ladder.
Loss Ratio.
Bornhuetter-Ferguson.
Benktander-Hovinen.
Cap Cod.
- Modelo de Mack.
- Munich Chain Ladder.
- Modelo Lineal Generalizado.
- Bootstrap Chain Ladder.
- Double Chain Ladder.
- Micro-Level Stochastic Loss
Reserving
- Continuous Chain Ladder
Figura 12: Clasificacin Mtodos Estimacin Provisiones Tcnicas.
Los mtodos clsicos se caracterizan por utilizar un enfoque

determinstico en la estimacin de las provisiones o reservas de
seguros. En estos mtodos no se va a considerar explcitamente
ningn supuesto probabilstico.
Dentro de los mtodos clsicos, podemos diferenciar entre
mtodos individuales y globales.
46
Los mtodos individuales, como su nombre indica, consideran

los siniestros de forma individual para el clculo de las reservas
de seguros. En este sentido, podemos destacar: el mtodo caso
a caso, el del coste medio del siniestro y el del tiempo medio de
liquidacin.
Los mtodos globales, por su parte, consideran los siniestros en
su conjunto. Dentro de los mtodos globales, podemos
mencionar: el mtodo Grossing Up, Link Ratio, Chain Ladder,
Loss Ratio, Bornhuetter-Ferguson, Benktander-Hovinen, Cap Cod;
etc.
En otro orden, adems de los mtodos clsicos, tenemos los
mtodos estocsticos. Estos van a suponer, por su parte, que la
evolucin de la siniestralidad a lo largo del tiempo para
cualquier ao de ocurrencia es aleatoria (KASS et al., 2001).
Segn los autores ENGLAND y VERRALL (2002), los mtodos
englobados en este grupo buscan obtener estimaciones tanto
del valor como la variabilidad de las provisiones de seguros, a
travs de funciones de distribucin de probabilidad. Como
mtodos estocsticos, podemos destacar: el Modelo Lineal
Generalizado, el Modelo de Mack, Munich Chain Ladder,
Bootstrap Chain Ladder; etc.
Los ltimos avances en la formulacin de modelos estocsticos
se estn orientando hacia los denominados mtodos basados
en modelos estadsticos, que tratan de describir las
componentes estocsticas que subyacen en modelos ya
definidos para la estimacin de reservas de seguros. Se incluyen
modelos como: Double Chain Ladder, Micro-Level Stochastic
Loss Reserving, Continuous Chain Ladder; etc.
A continuacin, por su especial importancia en el mbito

actuarial, nos vamos a centrar en el estudio de algunos de estos
47
mtodos de una
analizaremos:
forma
ms
detallada.
Concretamente,
- Chain Ladder.
- Link Ratio.
- Grossing Up.
- Modelo de Mack.
- Bootstrap Chain Ladder.
- Modelo Lineal Generalizado.
- Munich Chain Ladder.
- Double Chain Ladder.
3.3.1 Mtodos Clsicos.

48
3.3.1.1 Chain Ladder.

Chain Ladder, sin duda alguna, es uno de los mtodos ms
utilizados en la literatura actuarial para la estimacin de
reservas de seguros de no vida (EEGHEN, 1981). Las razones
que explican su gran difusin las encontramos, sobre todo, en su
simplicidad y eficacia.
Para la explicacin del procedimiento del mtodo Chain Ladder,
vamos a suponer que se parte de un tringulo de siniestros con
informacin
referente
a
pagos
acumulados
{C i , j :i=0, , I ; j =0, , J }
. As, el algoritmo o los pasos para
determinar las reservas de seguros por el mtodo de Chain

Ladder se definen como:
1. Determinacin de los factores de desarrollo.
Los factores de desarrollo (
fj
) recogen una estimacin de la
variacin de la siniestralidad entre un ao de desarrollo y el

siguiente. Se calculan como:
I j1
f j=
Ci , j+ 1
i=0
I j 1
; j=0, , J 1
Ci, j
i=0
2. Determinacin de los factores de proyeccin.

Los factores de proyeccin se obtienen como la productoria de
los factores de desarrollo:
J1
F k = f j ; k =0, , J 1
j=k
3. Estimacin de las cantidades acumuladas para el ltimo ao

de desarrollo.
El ltimo ao de desarrollo (ultimate) facilita el clculo de las
reservas o provisin tcnica. As pues, sus cantidades
49
acumulada de pagos ( Ci , J ) son las que primero se estiman

para el tringulo de siniestros:
^ i , J =C i , JiF Ji ; i=1, , I
C
4. Determinacin de las reservas por ao de origen.

^
Las reservas por ao de origen ( Ri ) se calculan, para cada ao
de origen, como la diferencia entre la estimacin de la cantidad

acumulada del ltimo ao de desarrollo y el ltimo valor
observado de la misma:
^ i ,J C i, Ji ; i=1, , I
^
R i=C
5. Determinacin de la reserva total.

^
La reserva total ( R ) se calcula como la sumatoria de las
^
reservas de origen ( Ri ):
I
^
î
R= R
i =1
50
3.3.1.2 Link Ratio.

El mtodo Link Ratio para la estimacin de reservas de seguros
de no vida se caracteriza por el clculo de los ratios de enlace
individuales (link ratios), los cuales van a expresar la tasa de
variacin de la siniestralidad, para un ejercicio de ocurrencia,
entre un ejercicio de desarrollo y el siguiente.
Considerndose un tringulo de siniestros con informacin
referente a pagos acumulados
{C i , j :i=0, , I ; j =0, , J }
, los pasos
de este mtodo son exactamente los mismos que en Chain

Ladder, tan solo, con el paso previo de calcular los ratios de
enlace individuales:
1. Determinacin de los ratios de enlace.
Los ratios de enlace o link ratios (
Ri , j=
Ri , j
) se calculan como:
Ci , j+1
; i=0, , I j1 ; j=0, , J 1
Ci, j
2. Determinacin de los factores de desarrollo.

En el clculo de los factores de desarrollo (
fj
), se distinguen
diferentes enfoques en este mtodo, podemos destacar los

siguientes:
51
2.1 Enfoque pesimista:
f j=Max { Ri , j } ; i=0, , I j1 ; j=0, , J 1
2.2 Enfoque optimista:
f j=Min { Ri , j } ;i =0, , I j1 ; j=0, , J1
I j1
2.3 Enfoque de medias simples:
i=0
f j=
Ri , j
I j
; j=0, , J 1
I j1
2.4 Enfoque Chain-Ladder:
f j=
C R i , j
i, j
i=0
I j1
; j=0, , J 1
Ci, j
i =0
El enfoque 2.4 pone de manifiesto que el mtodo Chain Ladder

puede considerarse como un caso particular del mtodo Link
Ratio:
I j1
f j=
I j1
C R i , j
i, j
i=0
I j1
i =0
i=0
C i , jC i , j+1
Ci, j
I j1
Ci, j
i=0
Ci, j
I j1
Ci , j +1
i=0
I j1
i=0
; j=0, , J1
Ci, j
3. Determinacin de los factores de proyeccin.

Los factores de proyeccin ( F k ) se calculan como:
J1
F k = f j ; k =0, , J 1
j=k

de desarrollo.
52
Las
cantidades acumulada de pagos para el ltimo ao de
desarrollo ( Ci , J ) se calculan como:

^ i , J =C i , JiF Ji ; i=1, , I
C

^
Las reservas por ao de origen ( Ri ) se calculan como:
^ i ,J C i, Ji ; i=1, , I
^
R i=C

^
La reserva total ( R ) se calcula como:
I
^
î
R= R
i =1
3.3.1.3 Grossing Up.

El mtodo Grossing Up para la estimacin de las reservas o
provisiones tcnicas de seguros de no vida se caracteriza por
calcular el porcentaje del total de siniestros pagados en cada
ao de desarrollo.
Tambin en este caso, se va a considerar un tringulo de
siniestros con informacin referente a pagos acumulados
{C i , j :i=0, , I ; j =0, , J }
. As pues, los pasos que describen a este
mtodo se definen como:

1. Determinar los porcentajes del total de siniestros pagados por
ao de desarrollo.
53
Los porcentajes ( p j ) se pueden calcular bajo diferentes

criterios, entre estos, podemos destacar los siguientes:
1.1 Criterio segn primer ao de origen:
pj =
C0, j
; j=0, , J1
C 0,J
1.2 Criterio segn informacin previa de n aos anteriores:

n
1
pj =
p ; j=0, , J 1
n+ 1 t=0 t
1.3 Criterio conservador con informacin previa de n aos

anteriores:
p j =min { pt ; t=0, , n } ; j=0, , J 1

de desarrollo.
Las
cantidades acumulada de pagos para el ltimo ao de
desarrollo (
Ci , J
) se calculan como:
^ i , J = C i ,J i ; i=1, , I
C
p Ji

54
^
Las reservas por ao de origen ( Ri ) se calculan como:
^ i ,J C i, Ji ; i=1, , I
^
R i=C

^
I
^
î
R= R
i =1
3.3.2 Mtodos Estocsticos.

3.3.2.1 Modelo de Mack.
Este modelo fue propuesto en el ao 1993 por THOMAS MACK
en el artculo: Distribution-free calculation of the standard error
of Chain Ladder reserve estimates [13].
55
El modelo de Mack se trata de una generalizacin estocstica

del mtodo Chain Ladder clsico. Este, adems de proporcionar
la misma estimacin de las reservas de seguros de no vida que
la versin determinista de Chain Ladder, define una medida de
dispersin o variabilidad de la estimacin de reservas,
concretamente, calcula su error cuadrtico medio; suponiendo
para todo ello que los datos observados no van a seguir una
distribucin de probabilidad concreta (distribution-free).
As pues, si partimos de un tringulo de siniestros de cuantas
acumuladas de pagos
{C i , j :i , j=1, , I }
, las 3 hiptesis bsicas
-adems del supuesto de distribution-free- que se plantean en

el modelo de Mack se corresponden con:
- Hiptesis 1: existen factores de desarrollo
f 1 , , f I1 >0
que
verifican:
E [ Ci , j+1 /C i 1 , , Ci , k ] =C i ,k f k ; 1 i I ; 1 k I 1
- Hiptesis 2: cada ao de ocurrencia de siniestros es

independiente de los dems; es decir:
{ C i ,1 , C i ,2 , ,C i , I } , {C j , 1 , C j ,2 , , C j , I } ; i j , son independientes.
- Hiptesis 3: la varianza de las cantidades acumuladas de pago

Ci , k+1
, condicionadas a la informacin disponible, se puede
expresar como:
2
Var [ C i ,k +1 /C i ,1 , , Ci , k ] =Ci , k k ; 1 i I ; 1 k I 1
Estimacin de las reservas de seguros.

56
Para estimar las reservas de seguros, resulta necesario antes

f^ k
^ k 2 , derivados de las hiptesis
El primero de los estimadores,
f^ k , coincide con el del mtodo
definir los estimadores

planteadas en el modelo.
Chain Ladder clsico, es decir:

I j
Ci , j+1
f^ k = i=1
I j
; 1 k I 1
Ci, j
i=1
El segundo estimador, por su parte, se define como:

2
Ik
C
1
^ k =
C i ,k i ,k+ 1 f^ k ; 1 k I 2
I k 1 i=1
Ci , k
Esta expresin no resulta vlida para
j=I 1 ; en este caso, se
proponen las siguientes posibilidades:

1. Si
f^ I1=1
finalice tras
y se espera que el desarrollo de los siniestros

I 1
^2
periodos; entonces, se sugiera que I1=0 .
2. Extrapolar el siguiente valor de la secuencia
{^ 1 , , ^ I3 , ^ I2 }
que suele ser una sucesin de valores exponencialmente

decrecientes. Para ello, se sugieren, a su vez, dos posibilidades:
- Usar una regresin log-lineal del tipo:
ln ^j2=^ + ^ k
; que implica:
^ 2 I1=exp { ^ + ^ (I 1)}
57
- Imponer la siguiente condicin:

^ I 3 ^ I2
=
; si ^ I3 > ^ I2
^ I 2 ^ I1
; es decir, que el ritmo de cada de la varianza se mantenga en

las ltimas observaciones. Expresado de otra forma, se tendra
que:
^ 2 I1=min
^ 4I 2
; min {^ 2 I3 ; ^ 2I2 }
2
^ I3
As pues, definidos tales estimadores; se estimaran las reservas

^
por ao de origen ( Ri ) de la misma forma que en Chain Ladder
clsico; es decir:
^ i , I C i ,I i ; 1 i I
^
Ri =C
; donde:
^ i , I =Ci , IiF I i ; 2 i I
C
I1
F k = f j ; 1 j I 1
j=k
La reserva total se obtendra tambin de la misma manera que

en el mtodo determinista:
I
^
î
R= R
i =2
Variabilidad de las reservas de seguros.
58
En cuanto a la medida de variabilidad de las reservas, se va a

hacer uso del MSE (Mean Square Error).
De forma analtica, en primer lugar, se determina el MSE de las
reservas de origen, a travs del siguiente estimador:
^
^ i ) =C
^ iI2
MSE ( R
I 1
k=I +1i
2
^ k
1
1
+
; i=1, , I
^f k 2 C
^ i , k Ik
C^ j , k
j=1
El estimador del MSE para la reserva total se definira, por su

parte, como:
2
^
î,I
MSE ( ^
R ) = ( s . e . ( ^
Ri ) ) + C
i=2
I1
( )
j=i+1
^ j,I
C
k= I+1i
2
^ k
2 2
f^ k
I k
C n ,k
n=1
; donde:
s . e .( ^
Ri )= ^
MSE ( ^
Ri )
59
3.3.2.2 Bootstrap Chain Ladder.

El mtodo bootstrap fue propuesto por BRADLEY EFRON en
1979. El trmino bootstrap hace referencia a la idea de
autosuficiencia y procede de la expresin inglesa to pull
oneself up by ones bootstrap -levantarse tirando hacia arriba
de las propias correas de las botas-, la cual est tomada de una
de las Aventuras del Barn Munchausen, personaje ficticio del
siglo XVIII, creado por el escritor RUDOLPH ERICH RASPE.
Sea
X 1 , X 2 , , X n
) el vector de datos y
X=
T n(x )
el estadstico de
inters calculado a partir de ellos. El bootstrap es una tcnica

consistente en extraer de la poblacin
un nmero B grande
(generalmente, entre 50 y 200) de muestras aleatorias con

reemplazamiento de tamao n.
Cada una de las muestras extradas se denominan muestras
bootstrap,
X 1 , X 2 , , X n
). Por tanto, si se representa por

X =
X
( 1 , X 2 , , X B )
las B muestras bootstrap de tamao n, los
60
valores del estadstico en estudio,
Tn
, en cada una de ellas,
T n ( X 1 ) ,T n ( X 2 ) , , T n( X B) , se denominan replicaciones bootstrap.
Estos B valores forman una distribucin de frecuencias a partir

de la cual se obtienen caractersticas de la muestra como la
media, la desviacin tpica, etc; definidos como los estimadores
bootstrap de las correspondientes caractersticas de la
Tn
distribucin en el muestreo del estimador

Tn
, error de muestreo de
Tn
: esperanza de
, etc. Inclusive, la propia
distribucin de frecuencias construida a partir de las

replicaciones bootstrap se denomina estimador bootstrap de la
distribucin en el muestreo de T n .
El mtodo bootstrap se basa en el principio plug-in, que puede
interpretarse como la sustitucin de la distribucin subyacente
F
^
F
por un estimador
de esta. La seleccin ms frecuente

n
ha sido la funcin de distribucin emprica

donde
I{ X x }
i
= 1, si
Xi x
1
^
F ( x )= I { X x}
n i=1
; y 0, en otro caso. En este caso,
hablamos de bootstrap no paramtrico. Si
es estimada por
un modelo concreto; entonces, se tiene bootstrap paramtrico.
Si representamos
por
T n(.)
la
media arimtica
de las
replicaciones bootstrap, se tiene:

B
T n ( . )=
1
b
T n (x )
B b=1
; y el estimador bootstrap del error de muestreo se define como:
61
T
B
2
1
( n ( x b )T n ( . ) )
B b=1
sê boot =
La aplicacin de la metodologa bootstrap para dar una solucin

al problema de la estimacin de reservas de seguros de no vida
fue definida por ENGLAND y VERRALL (1999).
Cuando el error de prediccin tiene una expresin sumamente
compleja, se recomienda la utilizacin del bootstrap, que como
se ha visto anteriormente lo que hace es generar muestras a
partir de los datos originales. Sin embargo, dado que las
reservas suelen estimarse a partir de modelos de regresin, el
remuestreo se realizar con los residuos de dicho modelo, tal y
como sugieren EFRON y TIBSHIRANI (1993).
Adems, un aspecto de suma importancia consiste en
determinar cul ser la expresin de los residuos; siendo los
ms habituales los obtenidos a partir de la medida de
dispersin, los de Pearson y los de Anscombe. Dado que se
desconoce la distribucin de las reclamaciones de siniestros, se
remuestrearn los residuos. Para ello, se utilizar el residuo de
Pearson, que tiene la propiedad de distribuirse asintticamente
como una Normal con media 0 y desviacin 1. As pues, se
remuestrea una variable que tiene una distribucin asinttica
conocida.
Para estimar las reservas, se ejecutar el siguiente algoritmo
consistente en un total de 9 pasos:
1. Se calculan los factores de proyeccin segn el mtodo Chain
Ladder clsico.
2. Se obtienen los valores acumulados estimados. Partiendo de
la ltima diagonal, se calculan los valores de los aos anteriores
62
de forma recurrente, dividiendo el valor del ao t entre el factor

de proyeccin del ao t-1.
3. Se calculan los incrementos anuales a partir de los valores
estimados en el paso 2. La variacin en las cantidades
estimadas se calcula por filas:
mi , j =
^ i , j ; j=1
C
^ C
^
C
i, j
i , j 1 ; 1< j ; j=N i
; donde
mi , j
son los incrementos estimados.
4. Obtencin de los residuos adimensionales de Pearson
r^ i , j
).
Para su clculo ser de aplicacin la siguiente expresin:
r^ i , j=
Ci , jmi , j
mi , j
5. Se remuestrean los residuos obtenidos en el apartado

anterior. Se utilizar la tcnica bootstrap, imponiendo la
condicin de que todos los residuos tengan la misma
probabilidad de ser remuestreados.
6. Se calculan los incrementos a partir de la muestra obtenida
por el mtodo bootstrap. Se tendrn que deshacer los pasos 3 y
4, partiendo de la expresin de los residuos de Pearson, es decir:
^ i , j= r^ i , j mi , j +m i , j
C
7. Con los incrementos obtenidos en el paso 6, los datos

acumulados se regeneran mediante adicin.
63
8. Se vuelven a calcular los factores de proyeccin segn el

mtodo Chain Ladder clsico de las muestras generadas. A
partir de los datos acumulados, se obtienen los factores de la
muestra bootstrap.
9. Para finalizar, se obtienen las reservas a partir de la muestra
bootstrap y sus factores de proyeccin.
El proceso de nueve pasos descrito se repite un nmero elevado
de veces, procediendo a guardar el resultado de las reservas de
cada anualidad y la reserva total.
ENGLAND, en el ao 2002, modific el mtodo Bootstrap Chain
Ladder (1999), dando lugar a una combinacin de bootstrap no
paramtrico y paramtrico para la estimacin de reservas de
seguros. El procedimiento se define como:
1. Usar la tcnica bootstrap definida por ENGLAND y VERRALL
(1999) y estimar los parmetros de la distribucin.
2. Simular la distribucin de las predicciones, suponiendo que
estas siguen una distribucin concreta. Normalmente, se suele
considerar la distribucin Gamma o la Poisson Sobredispersa.
64
3.3.2.3 Modelo Lineal Generalizado.

El Modelo Lineal Generalizado (MLG) fue propuesto en el ao
1972 por los autores NELDER y WEDDERBURN, en el artculo:
Generalized Linear Models.
La estructura bsica del MLG se define de la siguiente manera:
1.
Xi, j
: variables aleatorias, independientes, con funcin de

f (.) , perteneciente a la familia
densidad de probabilidad
exponencial; tal que:
X i , j f ( x ; i , j , )
; donde
se trata de un parmetro de dispersin.
2. La esperanza y varianza de
Xi, j
se definen como:
E [ X i , j ]=i , j
Var [ X i , j ]=Var [i , j ]
; con >1 .
3. Funcin de enlace
g(.) , montona y diferenciable; que
relaciona la respuesta promedio ,

i , j
i , j
, con un predictor lineal ,
, a travs de la relacin:
i , j=g( i , j )
Estimacin de la reservas de seguros.
65
El MLG se trata de una tcnica de modelizacin estadstica

aplicable al clculo de provisiones tcnicas o reservas de
seguros de no vida (ENGLAND Y VERRALL, 1999).
Este modelo generaliza el mtodo Chain Ladder desde el punto
de vista estocstico. As pues, si utilizamos MLG para modelar
los datos del tringulo de siniestros en el clculo de provisiones
tcnicas e imponemos que la distribucin del error sea Poisson
Sobredispersa, junto con una funcin de enlace cannica
logartmica; entonces, se obtendran las mismas estimaciones
que en Chain Ladder clsico, pero con las particularidades de los
modelos estocsticos.
La distribucin Poisson Sobredispersa aplicada a las cuantas de
pagos incrementales
{c i , j :i=0, , k ; j=0, , k }
siniestros, supuestas
siguientes valores:
estas
E [ c i , j ] =ij
Var [ ci , j ] =
del tringulo de
independientes,
Var [ ij ] ij
=
wij
wij
>1
considera
los
w ij=1
Por su parte, la funcin de enlace logartmica se define como:

log i , j=i , j
En cuanto al predictor lineal, este es de la forma:

i , j=c 0 + i + j
; donde:
c 0 : es el trmino que se corresponde al ao de ocurrencia y
desarrollo 0.
i : factor correspondiente a los aos de ocurrencia
i=1, , k .
66
j : factor correspondiente a los aos de desarrollo
Las estimaciones de las cuantas incrementales
c ij
j=1, , k .
se obtienen
como:
c^ i , j=exp { c 0+ i + j }
^
En cuanto a las reservas, las reservas por ao de origen ( Ri )
se calculan como:
k
^
R i=
j=ki+1
c^ i , j ; i=1, , k
^
k
^
R=
i =1 j=ki+1
c^ i , j

En lo que respecta a la variabilidad o dispersin de las reservas,
se va a hacer uso de la metodologa bootstrap.
La idea o procedimiento de la tcnica bootstrap aplicado a este
modelo es la siguiente:
- Se aplica el modelo Chain Ladder clsico al tringulo de datos
originales y se calculan los residuos de Pearson de la siguiente
forma:
r i , j=
c i , j ^c i , j
c^ i , j
- Dichos residuos se remuestrean B veces y con ellos se

construyen B nuevas muestras de tringulos de cuantas no
acumuladas. A tal efecto, de la frmula de los residuos se
despeja:
67
c i , j=r i , j c^ i , j+ c^ i , j
- Se estima el MLG Poisson Sobredisperso en cada una de las B

muestras y con l las reservas por aos de origen y total.
- El resultado es que disponemos de B valores de las reservas
por ao de origen y total, lo que se traduce en la distribucin
predictiva de dichas reservas.
La variabilidad de las reservas se va a mediar mediante el error
de prediccin estimado mediante la metodologa bootstrap (
PE boot
^
^
). Este para las reservas de origen ( Ri ) y total ( R ) se
calcula como:
n
2
PEboot ( Ri ) ^ P Ri +
SE boot ( Ri ) ) ; i=1, , k
(
n p
n
2
PE boot ( R ) ^ P R+
( SEboot ( R ) )
n p
;donde, el parmetro
^ P
se puede obtener con el estimador de
momentos basado en los residuos generalizados de Pearson y

SE boot
se corresponde con el error estndar de la distribucin
bootstrap.
Para la estimacin del error estndar se utiliza una estimacin
corregida por sesgo, siendo
libertad, con
p=2 k +1
np
el nmero de grados de
el nmero de parmetros del modelo
(ENGLAND Y VERRALL, 1999).
68
3.3.2.4 Munich Chain Ladder.

El modelo Munich Chain Ladder (MCL) fue introducido por los
autores GERHARD QUARG y THOMAS MACK en el ao 2004, en
su artculo: Munich Chain Ladder: a reserving method that
reduces the gap between IBNR projections based on paid losses
and IBNR projections based on incurred losses [16].
El modelo MCL se caracteriza por tener en cuenta la relacin de
dependencia entre los datos referentes a siniestros pagados
(paid claims) y siniestros incurridos (incurred claims), al
estimar las reservas de seguros de no vida.
En este modelo, por tanto, se va a disponer de dos tringulos:
69
1.
Tringulo
P={C
P
i,j
paid
claims:
que
se
puede
notar
como
:1 i n ; 1 j ni+1 } , y que contiene para cada celdilla
(i, j) , las cantidades acumuladas de los pagos que se hicieron
de reclamaciones ocurridas en el ao
periodo
y resueltas en el
j .
2. Tringulo "incurred claims": que se puede notar como

I ={C I i , j : 1 i n ; 1 j ni+1 } , y que se obtiene a partir de los
datos acumulados de "paid claims", "counts claims"

informacin subjetiva del experto actuario.
En cuanto a las hiptesis del modelo MCL, previamente,

definimos algunos conceptos a tener en cuenta:
Tanto para los siniestros pagados como incurridos, los ratios de
enlace individuales se definen como:
C Pi , j +1
R i,j= P
C i, j
P
C I i , j+1
R i, j = I
C i, j
I
La proporcin entre siniestros pagados e incurridos; as como, su

inversa se definen como:
P
Qi , j=
C i,j
I
C i,j
C Ii , j
Q i,j= P
C i, j
1
hasta un periodo
se van a definir como:
Pi ( k )={C pi , j : j k } ,
Las observaciones de un periodo de origen

de desarrollo
I i ( k ) ={C I i , j : j k }
B i ( k )={C pi , j , C I i , j : j k } , para los tringulos de
70
siniestros
pagados,
respectivamente.
siniestros
incurridos
ambos;
As pues, teniendo en cuenta estos conceptos, definimos las

siguientes hiptesis:
Bloque A: valores esperados.
- Hiptesis A1: para
1 i , j n , existe una constante
f P j ; tal
que:
E[ R
P
i,j
/ Pi ( j)]=f
P
j
- Hiptesis A2: para
; tal
que:
E[ R
I
i,j
/ I i ( j)]=f
I
j
- Hiptesis A3: para 1 i , j n , existe una constante
tal
qj;
tal
que:
E[Q1i , j /Pi ( j)]=q1 j
- Hiptesis A4: para
que:
E[Qi , j /I i ( j)]=q j
71
Bloque B: varianzas.
- Hiptesis B1: para
P j ; tal
I j ; tal
P j ; tal
I j ; tal
que:
Var [R Pi , j / Pi ( j)]=
( P j )2
C pi , j
- Hiptesis B2: para

que:
I
Var [R I i , j / I i ( j)]=
( j)
I
C i, j
- Hiptesis B3: para

que:
Var [Q1i , j / Pi ( j)]=
( P j )2
C pi , j
- Hiptesis B4: para

que:
I
( )
Var [Qi , j /I i ( j)]= I j
C i, j
72
Bloque C: independencia.
- Hiptesis C1:
Las variables aleatorias correspondientes a los diferentes aos
de ocurrencia para los siniestros pagados:
{C P1, j : j=1,2, n } , , {C Pn , j : j=1,2, n }

son estocsticamente independientes.
- Hiptesis C2:
de ocurrencia para los siniestros incurridos:
{C I 1, j : j=1,2, n } , , {C I n , j : j=1,2, n }
- Hiptesis C1:
73

de ocurrencia para los siniestros pagados y los siniestros
incurridos:
{C P1, j ,C I 1, j : j=1,2, n } , , {C P n , j , C I n , j : j=1,2, n }

As pues, teniendo en cuenta los bloques de hiptesis A, B y C,

se definen los residuos de Pearson de la siguiente manera:
P
i,j
rI i , j =
i, j
R Pi , jE [R Pi , j /Pi ( j)]
Var [ R
i, j
i, j
E[ R
Var [R
r Qi , j =
/ Pi ( j)]
I
i, j
I
i, j
/I i ( j)]
/ I i ( j)]
Q1i , j E[Q1i , j /Pi ( j)]
Var [Q
1
i, j
/P i( j )]
Qi , jE[Q i , j / I i ( j)]
Var [Qi , j / I i ( j)]
Bloque D: correlaciones.
74
- Hiptesis D1: para
I ; tal
; tal
que:
E[r Pi , j /Bi ( j)]=P r Q
i, j
- Hiptesis D2: para

que:
E[r
i,j
/ Bi ( j)]= r
Q
i, j

Para estimar las reservas de seguros, resulta necesario antes
f^ P j
definir los estimadores

( ^ I j )2
( ^ P j )2
( ^ I j )2
^P
f^ I j
Î , derivados de las hiptesis
q^ j
1
q^ j
( ^ j )
planteadas en el modelo:
n j
C Pi , j +1
f^ P j= i=1
n j
C Pi , j
i=1
n j
C Ii , j +1
f^ I j = i=1
n j
C Ii , j
i=1
75
n j +1
C Pi , j
C Ii , j
q^ j= ni=1j +1
i=1
n j+1
C Ii, j
C Pi , j
q^ 1 j= ni=1
j+1
i=1
n j
1
P
P
P 2
( ^ j ) =
C i , j ( R i , j ^f j )
n j1 i =1
P
n j
1
P
I
I 2
( ^ j ) =
C i , j ( R i , j ^f j )
n j1 i=1
I
1
(^ j ) =
n j
n j +1
1
(^ j ) =
n j
n j +1
^P =
rQ
i,j
^ I =
i =1
i =1
i, j
(r Q
i, j
i, j
I
i, j
( Q1i , j q^ 1 j )
( Qi , j q^ j )
r Pi , j
i, j
)2
r Qi , j r I i , j
i,j
(r Qi , j)2
i, j
76
Teniendo en cuenta estos estimadores, las cantidades

C Ii , j
P
i, j
para el tringulo de siniestros pagados y el tringulo de
siniestros incurridos; respectivamente, se pueden obtener como:
C Pi , j+1=C Pi , j ^ Pi , j ; 1 i n ; ni +1 j n1
C I i , j+1=C I i , j ^ I i , j
; 1 i n ; ni+1 j n1
; donde:
^P
^ Pi , j= ^f P j+ ^P j (Q1i , j q^ 1 j )
^ P j
Î
^ I i , j=f^ I j+ Î j (Q i , j ^q j)
^ I j
Para calcular las reservas de seguros, en primer lugar, se

calcular las reservas por ao de origen:
^
^ Pi ,n C Pi ,ni+1
RP i= C
^
^ I i ,n C I i ,ni+1
RI i= C
La reserva total se obtiene como la sumatoria de las reservas de

origen:
n
P
P
^
R = ^
R i
i=2
^
RI = ^
R Ii
i=2
77

Para estudiar la variabilidad de las reservas de seguros se va a
hacer uso de la metodologa bootstrap. A tal efecto, el esquema
seguido es el siguiente:
- Se aplica MCL sobre los datos de siniestros pagados y
siniestros incurridos; y se obtienen los siguientes residuos de
Pearson:
rP i , j =
rI i , j =
R Pi , j ^f P j
C Pi , j
^ P j
I
i, j
^f
I
i,j
Q1i , j q^ 1 j
r i , j=
C Ii , j
P
^ j
Q
r Qi , j =
Qi , j^q j
^
I
i, j
- Se ajustan los residuos de Pearson estimados, multiplicando

por
( n j ) (n j1) para corregir el sesgo bootstrap.

78
- Reagrupamiento de los residuos obtenidos como:
U i , j= ( r
) , ( r Q i , j ) , ( r I i , j ) , ( r Qi , j ) }
1
P
i, j
- Se repiten de manera iterativa, B veces (B 1000), los

siguientes pasos:
1. Se lleva a cabo un muestreo aleatorio con reemplazamiento
sobre el grupo de residuos
Ui, j
; obtenindose muestras
U i , jB :
bootstrap de los residuos agrupados,
U i , jB = ( r P i , j ) , ( r Q
i, j
) , ( r I i , j) , ( r Q i , j )
2. A partir del conjunto de residuos obtenidos por el muestreo

anterior, se calculan los ratios de enlace para el tringulo de
siniestros
pagados
B
(
P
i, j) )
(
siniestros
incurridos
B
( I i , j) ); as como, sobre la proporcin bootstrap entre
Q
B
siniestros pagados e incurridos ( ( i , j) ) y su inversa (
(1 i , j) B ):
79
B P
( P i, j ) ^ j ^ P
+f j
C Pi , j
( P i , j) B=
( I i , j) B ^ I j ^ I
+f j
C I i , j
B
( I i, j) =
( i , j)B =
Q
Q
B I
(r i , j ) ^ j
+ q^ j
i, j
(r Q
(1 i , j) =
)B ^ P j
i, j
I
+ q^1 j
i, j
3. Se calculan los estimadores bootstrap de los factores

f^ I j
q^ j
f^ P j
q^ 1 j :
80
( P i , j)B
C Pi , j
n j
P
C i,j
i=1
n j
( f^ P j)B =
i=1
( I i , j )B
C Ii , j
n j
I
C i,j
i=1
n j
( f^ I j)B =
i=1
q^
Q
C Ii , j
( i, j)B
n j+1
CIi , j
i=1
n j+1
( j) B=
i=1
q^
(1i , j)B
C Pi , j
n j +1
P
C i, j
i =1
(1 j) =
n j+1
i=1
4. Se calculan los coeficientes de correlacin a partir de los

residuos obtenidos en el paso 1:
81
^
r
B
1
( Q i , j)
2
i, j
( Q1 i , j)
( P i, j)B
i, j
( P)B =
^
r
( Qi ,)B
2
i,j
( Q i, j)B (r I i , j )B
i,j
( I )B =
5. Se calculan los estimadores de las varianzas bootstrap como:
82
( ^ j)
R
f^
( P j)B
B
2
( P i , j)
C Pi , j
n j
1
B
( 2) =
n j1 i=1
( ^ I j)
R
^f I
( j)B
( I i , j) B
2
P
C i, j
n j
1
B
( 2) =
n j1
i=1
( ^ j )
Q
q^
B
(1 j)
(1 i , j)B 2
C Pi , j
( 2)B=
1
n j
n j+1
i=1
83
( ^ j )
Q
q^
( j)B
( i , j) B
I
C i,j
n j+1
1
B
( 2) =
n j i=1
6. Se calculan los factores de desarrollo ajustados bootstrap

como:
^
f^ P
^
^
q^
(1 j)B
(1 i , j) B
( P j)B
( P j) B
( P) B
( j)B +
( P i , j)B =
84
f^
^
^
Q
q^
( j )B
( i, j)B
( I j) B
B
( ^ I j )
( I )B
( I j)B +
B
( I i , j) =
7. Se simulan los cantidades futuras de la parte inferior de los

tringulos de siniestros pagados y siniestros incurridos. A tal
efecto, se distinguen los siguientes pasos:
- Para las previsiones de la diagonal siguiente a la ltima
conocida, se asume una distribucin Normal:
^
( P ni +1)
( 2)B X P i ,ni+1
; 2 i n
B
( ^ Pi , ni+1 ) X Pi , ni+1 ,
X Pi , ni+2 Normal
para el tringulo de pagos y
85
( I ni +1)
( 2)B X I i, ni+1
; 2 i n
B
( ^ I i , ni+1 ) X I i , ni +1 ,
X I i , ni+2 Normal
para el tringulo de incurridos.
- Para las previsiones de las diagonales siguientes a las

obtenidas en el paso anterior, tambin se asumen una
distribucin Normal:
^
( P l1)
( 2)B X Pk ,l1
B
P
( ^ i , l1) X Pk ,l1 ,
X Pk , l Normal
3 k n ; nk +3 j n
para el tringulo de siniestros pagados y
( I l1)
( 2)B X I k ,l1
B
I
^
( i , l1 ) X I k ,l1 ,
X I k ,l Normal
3 k n ; nk +3 j n
para el tringulo de siniestros incurridos.

86
8. Se suman los pagos simulados de la parte inferior del

tringulo por ao de origen y total, obtenindose as las reservas
por ao de origen y total.
9. Se guardan los resultados y se vuelve al paso 1.
3.3.2.5 Double Chain Ladder.

Double Chain Ladder (DCL) se trata de una versin estocstica
del clsico Chain Ladder para la estimacin de las provisiones
87
tcnicas de seguros de no vida. Este modelo fue propuesto por

MARTNEZ-MIRANDA, NIELSEN y VERRALL en el ao 2012 en el
artculo: Double Chain Ladder [12]. Los autores definen un
mtodo de estimacin de los parmetros involucrados en el
modelo, basado en el clsico algoritmo Chain Ladder. En
concreto, el algoritmo del mtodo se aplica dos veces, una al
tringulo de frecuencias y otra al tringulo de pagos (de ah el
nombre del mtodo Double Chain Ladder). Con los parmetros
estimados, los autores adems describen un sencillo mtodo
bootstrap paramtrico que permite aproximar la distribucin de
las reservas.
En DCL se trabaja con datos provenientes de dos tringulos de
siniestros:
1. Tringulo de frecuencias de siniestros:
donde
Ni, j
representa el nmero de reclamaciones de
siniestros ocurridos en un ao
un ao
i ;
m ={N i , j :(i , j) T } ;
i+ j ; es decir, con
y que han sido notificadas en
periodos de retardo desde el ao
y donde el conjunto de datos se corresponde con
T ={ ( i , j ) : i=1, , m; j=0, . ,m1; i+ j m} .
2. Tringulo de pagos de siniestros:

Xi, j
m={ X i , j :( i, j) T } ; donde
representa las cantidades monetarias de reclamaciones de
siniestros ocurridos en un ao
y pagados con
periodos
de retraso desde el ao i .
Los tringulos (
) contienen datos observables que
habitualmente estn disponibles en la mayora de las lneas de

negocio de las aseguradoras. DCL es un modelo estocstico para
estos dos tringulos.
88
Adems de estos datos observables, el retardo en la liquidacin

de siniestros, o retardo RBNS, es una componente estocstica
N paidi , j , que
que se modeliza mediante una variable latente,
representa el nmero total de reclamaciones de siniestros

ocurridos en un ao
asumiendo que
i+ j . As pues,
y pagados en el ao
es el mximo de periodos de retardo, con
d m1 , entonces:
min{ j ,d }
paid
i, j
N paidi , jl ,l
l=0
; donde
N paidi , j , l
es el nmero de pagos de los
ocurridos en el ao
i , notificados en el ao
resueltos y pagados en el ao
i+ j
Ni. j
siniestros
y finalmente
i+ j+l .
De forma similar, se definen otras variables latentes que

representan los pagos realizados por cada reclamacin
(k)
Y i, j
individual. En concreto, se define
como la variable que
representa cada uno los pagos individuales de las

reclamaciones ocurridas en el ao
y pagados en el ao
paid
i, j
i+ j
, de tal forma que:

N
paid
i ,j
X i , j= Y i , j(k)
k =1
Hiptesis.
Con las definiciones anteriores, se asumen las siguientes
hiptesis:
89
Hiptesis 1: independencia.
- Las variables con diferente ao de origen son independientes.
- La variable
Y i , j(k) es independiente de la variable
Ni, j
(que
representa el retardo IBNR); as como, tambin de los retardos

RBNS .
en las reservas
- Las reclamaciones son liquidadas mediante pagos individuales

o son resueltas sin ningn pago (zero-claims).
Hiptesis 2: retardo
RBNS .
( paid i, j , 0 , , N paid i , j ,d ) Multinomial ( N i, j ; p0 , , pd ) ;(i , j) I
; donde
p=( p 0 , , pd )
se corresponden con las probabilidades de

d
retardo; tal que,
0< pl <1
pl =1
l=0
(k)
Hiptesis 3: sobre la distribucin de Y i , j .
Los pagos individuales

con media
Y i , j(k)
2
y varianzas i
son mutuamente independientes

; tal que:
90
E [ Y i , j(k ) ]= i=i
Var [ Y i , j( k ) ] = 2 2i= 2i
; donde
son los factores media y varianza comunes a
todos los aos de origen i, y
es un parmetro de inflacin
asociado a los aos de origen u ocurrencia.
Hiptesis 4: retardo
Las variables
Ni, j
IBNR .
son independientes con distribucin de
Poisson cuya media presenta la siguiente parametrizacin

multiplicativa:
E [ N i , j ]= i j
Se asume adems la identificacin de Mack (1991):

m1
j=1
j=0

De las hiptesis definidas sobre el modelo, se tienen que
estimar los siguientes parmetros para estimar las reservas de
seguros:
- Probabilidades de retardo en el pago desde la notificacin.
p0 , , pd .
91
- Parmetros de la distribucin de los pagos individuales de

siniestros:
,
, { i :i=1, ,m } .
- Parmetros que describen la media de la distribucin de las

frecuencias de siniestros notificados:
{ i , j :i=1, , m; j=0, , m1}
Como comentbamos anteriormente, la estimacin de todos

estos parmetros puede hacerse sin ms que aplicar el
algoritmo Chain Ladder dos veces. En concreto, se procedera
como sigue:
- Para estimar las probabilidades de retardo.
1. Se aplica el algoritmo Chain Ladder sobre el tringulo
se obtienen los estimadores
desarrollo
a partir de los factores de
^l
:
^ = 1
0
m1
^ l
l=1
ni
m 1
j=0
j=mi+l
^ i= N i , j
{^ i , ^ j }
^
^ j= j 1 ; j=1, , m1
m 1
^l
l=1
^ j ; i=1, , m
2. Se aplica de nuevo Chain Ladder, ahora sobre el tringulo de

pagos
y se obtienen de forma similar al paso 1 los

~
^
~
^
estimadores { i , j } .
92
Imponiendo la condicin de que la media incondicional de los

pagos bajo el modelo DCL es la misma que bajo el ChainLadder
clsico, obtenemos las ecuaciones que permiten estimar el resto
de parmetros. En concreto, bajo el modelo DCL se deduce que
la media incondicional de los pagos es:
j
E [ X i , j ]= i i jl l
l =0
Y bajo el modelo Chain Ladder clsico, la misma media es:

~
E [ X ij ] =~
i j
De este modo, se deducen las siguientes ecuaciones que ligan

los parmetros Chain Ladder que hemos estimado en los pasos
1 y 2 anteriores con el resto de parmetros en el modelo DCL:
i =~
i
j
j l l=~ j
l=0
~
jl l , obtenemos el
3. Usando la primera ecuacin, j =
l=0
siguiente sistema:
~
^
^ 0
0
~
^
^
1
= 1
~
^
^
m 1
m1
( )(
0
^ 0
^m 2
0
0
)( )
0
1

^0 m1
; cuya solucin nos da el estimador de los parmetros de retardo

en el pago
^ ={ ^ l :l=0, , m1 }
.
93
4. Dado que la solucin del sistema anterior no tiene por qu dar

un vector de probabilidades, tal y como se ha definido en la
^
Hiptesis 2, se ajusta el estimador
obtenido en el paso 3
para obtener las probabilidades deseadas:

^p=(p 0 , , pd )
- Para la estimacin de los parmetros de pagos individuales.

1. Se hace uso de la segunda ecuacin
i
como:
^ i=
~
î
; i=1, , m
^ i ^
i i=~
i
y se estima
2. Se asume que el factor de inflacin en el primer ao de origen

es 1,
^=
^ 1=1
, y se obtiene:
~
^1
^ 1
3. Finalmente, se estima el parmetro varianza de la distribucin

de los pagos individuales. Asumiendo que los pagos agregados
Xi, j
siguen
aproximadamente
un
modelo
de
Poisson
Sobredisperso, se tiene que:

Var [ X i , j / m ] i E[ X i , j / m ]
; donde
i= i
+
=
94
Entonces, usando un modelo Poisson Sobredisperso se tiene:

^ 2= ^ ^ ^2
De modo que la varianza de los pagos individuales originados en

2
el ao i, i , se estimara como:
î2= ^ 2 ^ i2
- Para la estimacin de las reservas RBNS e IBNR.

Una vez que se han estimado todos los parmetros del modelo,
RBNS
las reservas
IBNR
se estiman usando la expresin de
la media condicional de los pagos bajo el modelo, sustituyendo

los parmetros desconocidos por las estimaciones que se han
calculado. En concreto, la media condicional de los pagos
Xi, j
viene dada por:

j
l=0
l=0
E [ X ij /m ]= N i , jl ~
l ~
l i= N i , jl l i
m 1
; donde
= ~
l ~
l
l=0
~~
y l= l l / .
Y usando dicha expresin, un estimador de las reservas RBNS

viene dado por:
min ( j ,d )
^
X i , jRBNS =
l=im+ j
N i , jl ^pl ^ ^ i ; (i, j) I 1 I 2
De forma similar, se estiman las reservas IBNR como:
95
min (im+ j1, d)
^
X i , jIBNR =
l =0
N i , j l ^pl ^ ^ i ;(i , j) I 1 I 2 I 3
; donde:
J 1={i=2, , m ; j=0, , m1 ; i+ j=m+1, , 2m1}

J 2={i =1, , m ; j=m, .,2m1 ; i+ j=m+1, , 2 m1}
J 3={i=2, ,m ; j=m, , 2 m1; i+ j=3 m, , 3 m2 }

La variabilidad de las reservas de seguros o provisiones tcnicas
se determina mediante la metodologa bootstrap.
El algoritmo para la provisin RBNS se corresponde con:
1. Se parte del tringulo de nmero de siniestros y se toma una
muestra bootstrap del tringulo de pagos de siniestros.
2. A partir de estos datos, se estiman los parmetros bootstrap
de inflacin, probabilidad de retardo, media y varianza comn.
3. Con los parmetros bootstrap se estima la provisin RBNS.
4. El proceso descrito en los puntos 1, 2 y 3 se repite B veces;
obtenindose la distribucin de la provisin RBNS, a partir de la
cual, se puede calcular la desviacin tpica como estimador de la
variabilidad de la provisin RBNS.
El algoritmo para la provisin IBNR se corresponde con:
1. Se parte del tringulo de nmero de siniestros y se toma una
muestra bootstrap de dicho tringulo y del tringulo de pagos
de siniestros.
96
2. A partir de estos datos, se estiman los parmetros bootstrap

de inflacin, probabilidad de retardo, media y varianza comn; w
3. Con los parmetros bootstrap se estima la provisin IBNR.
4. El proceso descrito en los puntos 1, 2 y 3 se repite B veces;
obtenindose la distribucin de la provisin RBNS, a partir de la
cual, se puede calcular la desviacin tpica como estimador de la
variabilidad de la provisin RBNS.
Captulo 4:
Aplicacin Prctica en la
Estimacin de Provisiones
Tcnicas de Seguros de No
Vida mediante R Project.
4.1 R Project.
R Project se trata de una aplicacin informtica para la
realizacin de anlisis estadsticos y grficos, creado por ROSS
IHAKA y ROBERT GENTLEMAN en el ao 1993. R tiene una doble
naturaleza
de
programa
informtico
y
lenguaje
de
97
programacin. Como lenguaje, es considerado como un dialecto

de S, creado por los Laboratorios AT&T Bell.
Entre sus principales
siguientes:
caracterstica
destacan
tambin
las
- Licencia libre: R se distribuye gratuitamente bajo los trminos

GNU (General Public License).
- Idioma: ingls.
- Funciona en los sistemas operativos ms habituales: el cdigo
fuente est escrito principalmente en C (y algunas rutinas en
Fortran), esencialmente para maquinas Unix y Linux, o como
archivos binarios precompilados para Windows, Linux (Debian,
Mandrake, RedHat, SuSe), Macintosh y Alpha Unix.
- Fcil instalacin: los archivos necesarios para instalar R, ya sea
desde las fuentes o binarios precompilados, se distribuyen
desde el sitio de Internet Comprehensive R Archive Network
(CRAN), junto con las instrucciones de instalacin.
- Continuo desarrollo del programa: su desarrollo y distribucin
son llevados a cabo por estadsticos, conocidos como el Grupo
Nuclear de Desarrollo de R.
- Dispone de numerosos complementos o paquetes para
aplicaciones estadsticas concretas.
- Manejo basado en rdenes: los anlisis estadsticos se llevan a
cabo a travs de rdenes o cdigo de programacin.
- Adecuada visualizacin y manejo de resultados: los resultados
de anlisis estadsticos se muestran por pantalla, y algunos
resultados intermedios (como p-valor, coeficientes de regresin,
residuales; etc) se pueden guardar en objetos; o bien, exportar a
un archivo para ser utilizados en anlisis posteriores.
98
- Flexibilidad: al tratarse tambin de un lenguaje de

programacin, permite la definicin de funciones por parte del
usuario.
- Dispone de diversas interfaces grficas para facilitar su
manejo: RCommander, Rkward, RExcel, RStudio; etc.
- Buena documentacin y multitud de foros de ayuda.
4.2 Libros en R Project sobre Provisiones

Las dos libreras ms importantes que podemos encontrar en R
para la estimacin de las provisiones tcnicas de seguros de no
vida son ChainLadder y DCL.
4.2.1 El libro ChainLadder.

Descripcin.
ChainLadder (versin 0.2.0) se trata de un paquete o librera
creada en R Project por MARKUS GESMANN, DANIEL MURPHY,
WAYNE ZHANG, ALESSANDRO CARRATO, GIUSEPPE CRUPI y
MARIO WTHRICH en el ao 2015.
99
El libro Chainladder recoge toda una serie de mtodos y

modelos estadsticos para el clculo de provisiones tcnicas o
reservas en el mbito de los seguros de no vida y bajo el marco
normativo de la directiva europea Solvencia II. Concretamente,
se incluyen mtodos y tcnicas estadsticas como:
* Chain Ladder.
* Mack Chain Ladder.
* Munich Chain Ladder.
* Chain Ladder Multivariante.
* Bootstrap Chain Ladder.
* Clark Cap-Code.
* Clark LDF.
* Modelo Lineal Generalizado.
Instalacin.
Para la utilizacin del paquete ChainLadder se debe comenzar
instalando el mismo con la orden:
install.packages('ChainLadder')
Posteriormente, se deber activar con la orden:
library(ChainLadder)
Ayuda.
Para acceder a la ayuda de ChainLadder se pueden utilizar las
rdenes:
help(ChainLadder)
?ChainLadder
Para un mayor detalle se puede hacer uso tambin de la vieta
o gua de ChainLadder, disponible en:
100
http://cran.rproject.org/web/packages/ChainLadder/ChainLadder.pdf
Ejemplos y demostraciones.
El paquete ChainLadder incluye toda una serie de ejemplos a los
que se puede acceder mediante la orden:
example(ChainLadder)
Tambin est dotado de una serie de demostraciones
interactivas para facilitar el aprendizaje sobre el paquete. Se
accede a las demostraciones mediante rdenes como:
demo(ChainLadder)
demo(MackChainLadder)
demo(DatabaseExamples)
demo(MSOffice)
Cita bibliogrfica.
Para citar el paquete ChainLadder en publicaciones se procede
de la forma:
citation(ChainLadder)
Markus Gesmann, Daniel Murphy, Wayne Zhang, Alessandro
Carrato, Giuseppe Crupi and Mario Wthrich (2015).
ChainLadder: Statistical methods and models for the calculation
of outstanding claims reserves in general insurance. R package
version 0.2.0.
Licencia.
ChainLadder funciona con licencia GPL. La documentacin de
ChainLadder, por su parte, opera con licencia Creative Commons
Attribution-ShareAlike 4.0 International License.
101
4.2.2 El libro DCL.

Descripcin.
DCL (versin 0.1.0) se trata de un paquete o librera creada en R
Project por MARA DOLORES MARTNEZ-MIRANDA, JENS PERCH
NIELSEN y RICHARD VERRALL en el ao 2013.
El libro DCL recoge una modelizacin estadstica para la
prediccin de provisiones tcnicas o reservas de seguros de no
vida, a travs de la tcnica Double Chain Ladder y bajo el
marco normativo establecido por Solvencia II.
Instalacin.
102
Para la utilizacin del paquete DCL se debe comenzar instalando

el mismo con la orden:
install.packages('DCL')
Posteriormente, se deber activar con la orden:
library(DCL)
Ayuda.
Para acceder a la ayuda de DCL se pueden utilizar las rdenes:
help(DCL)
?DCL
Para un mayor detalle se puede hacer uso tambin de la vieta
o gua de DCL, disponible en:
http://cran.r-project.org/web/packages/DCL/DCL.pdf
Ejemplos.
El paquete DCL incluye toda una serie de ejemplos a los que se
puede acceder mediante la orden:
example(DCL)
Cita bibliogrfica.
Para citar el paquete en publicaciones se procede de la forma:
citation(DCL)
Maria Dolores Martinez-Miranda, Jens Perch Nielsen and Richard
Verrall (2013). DCL: Claims Reserving under the Double Chain
Ladder Model. R package version 0.1.0.
http://CRAN.R-project.org/package=DCL
Licencia.
DCL funciona con licencia GPL-2.
103
4.3 Ejemplos prcticos en R Project.

Libreras.
Los paquetes o libreras de R que se van a emplear son
ChainLadder y DCL. En algunos mtodos se emplearn
tambin funciones propias programadas a tal efecto.
library(ChainLadder)
library(DCL)
Datos.
Los datos han sido obtenidos del artculo: Individual loss
reserving using paid-incurred de PIGEON et al. (2014) [13]. Se
tratan de datos sobre pagos de siniestros (acumulados),
104
siniestros incurridos (acumulados) y nmero de siniestros

(incremental) de seguros de no vida.
#Paid claims (aggregated)
paid<-as.matrix(read.table("C:/Users/xpc/Desktop /paid_data.txt"))
paid<-as.triangle(paid)
colnames(paid)<-1997:2005
rownames(paid)<-1997:2005
paid
plot(paid)
# Incurred claims (aggregated)

incurred<-as.matrix(read.table("C:/Users/xpc/Desktop /incurred_data.txt"))
incurred<-as.triangle(incurred)
colnames(incurred)<-1997:2005
rownames(incurred)<-1997:2005
incurred
105
plot(incurred)
#Number of claims (incremental)

num<-as.matrix(read.table("C:/Users/xpc/Desktop /num_data2.txt"))
num<-as.triangle(num)
colnames(num)<-1997:2005
rownames(num)<-1997:2005
num
106
plot(num)
4.3.1 Ejemplo 1: Chain Ladder.

Procedimiento.
107
Para la estimacin de las provisin tcnica de seguros por el

mtodo Chain Ladder, en primer lugar, se aplica la funcin
chainladder{ChainLadder}.
chainladder(Triangle, weights = 1, delta = 1)
La funcin chainladder nos permite calcular los diferentes

modelos de regresin lineal asociados a cada ao de desarrollo.
En cuanto a los argumentos a utilizar para su funcionamiento, se
requiere, principalmente, la especificacin de los datos de
anlisis (Triangle). Tambin se pueden indicar otros argumentos
opcionales como los pesos o ponderaciones (weights) y una ratio
utilizada para la estimacin del importe de los siniestros del
ltimo ao de desarrollo (delta).
A
continuacin,
se
hace
uso
predict.TriangleModel{ChainLadder}.
de
la
funcin
predict(object,)
Esta funcin se emplea para estimar el tringulo inferior de los

datos. Como argumento se utiliza la salida obtenida de aplicar la
funcin chainladder.
Finalmente, para estimar el importe de las provisin tcnica se

emplea la funcin propia reserves.
reserves(prediction)
Esta funcin utiliza como argumento el tringulo estimado

mediante la funcin predict.
Cdigo R Project.
108
#Linear Models
chldr<-chainladder(paid)
#Estimation of triangle
triangle_chldr<-predict(chldr)
#Reserves
reserves<-function(prediction=NA){
row=nrow(prediction)
col=ncol(prediction)
reserves<-numeric(row)
j=0
for(i in 1:row){
reserves[i]=prediction[i,col]-prediction[i,col-j]
j=j+1
}
total_reserve=sum(reserves)
return(total_reserve)
}
reserves(triangle_chldr)
Resultados.
La estimacin puntual de la provisin tcnica por el mtodo
Chain Ladder ofrece una cifra de 15.261.478 unidades
monetarias (u.m.).
109
4.3.2 Ejemplo 2: Link Ratio.

Procedimiento.
Por el mtodo Link Ratio, la estimacin de la provisin tcnica se
realiza mediante la funcin propia link_ratio.
link_ratio(triangle, criterium)
Como argumentos de dicha funcin, se utilizan los datos del

tringulo de anlisis (triangle) y la especificacin del criterio
(criterium) a aplicar en el clculo de los factores de desarrollo (1
= Pesimista, 2 = Optimista, 3 = Medias simples).
Cdigo R Project.
link_ratio<-function(triangle=NA,criterium=NA){
row=nrow(triangle)
col=ncol(triangle)
#Link ratios
individual_links<-matrix(NA,row,col)
for(j in 1:col-1){
individual_links[,j]=paid[,j+1]/paid[,j]
}
#Development factors
development_factors=numeric(col-1)
if(criterium==1){
for(j in 1:col-1){
development_factors[j]=suppressWarnings(max(individual_links[,j],na.rm=T))
}
}
110
else if(criterium==2){
for(j in 1:col-1){
development_factors[j]=suppressWarnings(min(individual_links[,j],na.rm=T))
}
}
else if(criterium==3){
for(j in 1:col-1){
development_factors[j]=mean(individual_links[,j],na.rm=T)
}
}
else{
print("Error: Select criterium: 1=Pessimistic , 2=Optimist , 3=Average")
break()
}
#Proyection factors
development_factors2=rev(development_factors)
proyection_factors=rev(cumprod(development_factors2))
#Ultimates
prediction_ultimate=numeric(col)
prediction_ultimate[1]=paid[1,col]
k=1
for(i in 2:row){
prediction_ultimate[i]=paid[i,col-k]*proyection_factors[col-k]
k=k+1
111
}
#Reserves
reserves=numeric(row)
k=0
for(i in 1:row){
reserves[i]=prediction_ultimate[i]-paid[i,col-k]
k=k+1
}
}
link_ratio(paid,1)
link_ratio(paid,2)
link_ratio(paid,3)
Resultados.
La estimacin puntual de la provisin tcnica de seguros por el
mtodo de Link Ratio ofrece un resultado de 24.919.975 u.m.,
8.670.711 u.m. y 15.140.056 u.m. segn el criterio pesimista,
optimista y medias simples; respectivamente.
112
4.3.3 Ejemplo 3: Grossing Up.

Procedimiento.
En cuanto al mtodo Grossing Up, la estimacin de la provisin
tcnica de seguros se realiza mediante la funcin propia
grossing_up.
grossing_up(triangle)
Como argumentos de la funcin se utilizan los datos del

tringulo de anlisis (triangle).
Cdigo R Project.
grossing_up<-function(triangle=NA){
row=nrow(triangle)
col=ncol(triangle)
#Percentages
pj=numeric(col-1)
for(j in 1:col-1){
pj[j]=paid[1,j]/paid[1,col]
}
#Ultimates
prediction_ultimate=numeric(col)
prediction_ultimate[1]=paid[1,col]
k=1
for(i in 2:row){
prediction_ultimate[i]=paid[i,col-k]/pj[col-k]
k=k+1
}
#Reserves
113
reserves=numeric(row)
k=0
for(i in 1:row){
reserves[i]=prediction_ultimate[i]-paid[i,col-k]
k=k+1
}
}
grossing_up(paid)
Resultados.
mtodo de Grossing Up ofrece un resultado de 16.069.110 u.m.
114
4.3.4 Ejemplo 6: Mack Chain Ladder.

Procedimiento.
En el mtodo Mack Chain Ladder, la estimacin de la provisin
tcnica de seguros se realiza mediante la funcin
MackChainLadder{ChainLadder}.
MackChainLadder(Triangle, weights = 1, alpha = 1, est.sigma = "log-linear", tail = FALSE, tail.se
= NULL, tail.sigma = NULL, mse.method = "Mack")
La funcin MackChainLadder proporciona un resumen donde se

recoge para cada ao de origen y el total: el importe de los
ltimos siniestros observados (Latest), una ratio del importe de
los ltimos siniestros observados -Latest- sobre la prediccin del
importe de los siniestros del ltimo ao de desarrollo
-Ultimate- (Dev, To. Date), la estimacin del importe de los
siniestros para el ltimo ao de desarrollo (Ultimate), el importe
estimado de la provisin tcnica (IBNR), su error tpico
(Mack.S.E.) y su coeficiente de variacin (CV(IBNR)).
En cuanto a los argumentos de la funcin, se emplean los datos
del tringulo de anlisis (Triangle), las ponderaciones (weights),
una ratio utilizada para la estimacin
del importe de los
siniestros del ltimo ao de desarrollo (alpha), el mtodo para la
estimacin del error tpico de la provisin tcnica (est.sigma),
factor de cola (tail), el error tpico del factor de cola (tail.se), la
varianza del factor de cola (tail.sigma) y el mtodo de
estimacin del error cuadrtico medio (mse.method).
Se pueden practicar tambin algunos grficos interesantes
sobre valores observados y predicciones, y de los residuos en el
modelo de Mack mediante la funcin plot{graphics}.
plot(x,y,)
En la funcin plot se utiliza como argumento x la salida de

MackChainLadder.
115
Cdigo R Project.
mack<-MackChainLadder(paid,est.sigma="Mack")
mack
plot(mack)
116
Resultados.
mtodo de Mack Chain Ladder ofrece un resultado de
15.261.478,48 u.m., con un error tpico de 2.285.810,23 u.m.
117
4.3.5 Ejemplo 4: Bootstrap Chain Ladder.

Procedimiento.
El mtodo Bootstrap Chain Ladder estima el importe de la
provisin
tcnica
de
seguros
mediante
la
funcin
BootChainLadder{ChainLadder}.
BootChainLadder(Triangle, R = 999, process.distr = c("gamma", "od.pois"))
La funcin BootChainLadder nos proporciona un resumen donde

se recoge para cada ao de origen y el total: el importe del
ltimo pago de siniestros observado (Latest), la estimacin
bootstrap del importe medio del pago de siniestros para el
ltimo ao de desarrollo (Mean Ultimate), la media bootstrap de
la provisin tcnica (Mean IBNR), su error tpico (IBNR.S.E.), el
percentil 75 (IBNR 75%) y el percentil 95 (IBNR 95%).
Los argumentos de la funcin son los datos del tringulo de
anlisis (Triangle), el nmero de rplicas bootstrap (R) y la
distribucin que se asumen en el proceso (process.distr), a
elegir entre Gamma y Poisson Sobredispersa.
Para obtener la estimacin por intervalo de confianza de la
provisin tcnica se hace uso de la funcin quantile{stats}.
quantile(x,)
Los argumentos de esta funcin son los datos de anlisis (x), en

nuestro caso, la salida obtenida de la funcin BootChainLadder;
y como argumentos adicionales () se emplea un vector con las
probabilidades correspondientes a los intervalos de confianza a
calcular.
118
Finalmente, se pueden practicar tambin algunos grficos

interesantes sobre la provisin tcnica y sobre los valores
latest y ultimate. Tan solo hay que hacer uso de la funcin
plot{graphics}.
plot(x,y,)
En la funcin plot se utilizara como argumento x la salida de

BootChainLadder.
Cdigo R Project.
bootstrap_chldr<-BootChainLadder(paid,process.distr=c("od.pois"))
bootstrap_chldr
quantile(bootstrap_chldr,c(0.05,0.95,0.025,0.975,0.005,0.995))
119
plot(bootstrap_chldr)
120
Resultados.
mtodo de Bootstrap Chain Ladder ofrece un resultado de
15.395.776 u.m., con un error tpico de 2.029.690 u.m.
Por intervalo de confianza al 90%, la estimacin se corresponde
con [12.190.007 - 18.952.967] u.m., al 95% con [11.626.213
19.735.570] u.m. y al 99% con [10.703.338- 21.219.403] u.m.
Por su parte,
4.3.6
Ejemplo
Generalizado.
5:
Modelo
Lineal
Procedimiento.
Para la estimacin de la provisin tcnica mediante el Modelo
Lineal
Generalizado
se
emplea
la
funcin
glmReserve{ChainLadder}.
glmReserve(triangle, var.power = 1, link.power = 0, cum = TRUE, mse.method = c("formula",
"bootstrap"), nsim = 1000, ...)
La funcin glmReserve proporciona un resumen donde se recoge

para cada ao de origen y el total: el importe de los ltimos
siniestros observados (Latest), una ratio del importe de los
ltimos siniestros observados -Latest- sobre la prediccin del
importe de los siniestros del ltimo ao de desarrollo -Ultimate(Dev, To. Date), la estimacin del importe de los siniestros para
el ltimo ao de desarrollo (Ultimate), el importe estimado de la
provisin tcnica (IBNR), su error tpico (S.E.) y su coeficiente de
variacin (CV).
121
Como argumentos de la funcin glmReserve se emplean los

datos del tringulo de anlisis (triangle), el valor del exponente
de la potencia de la funcin varianza del modelo (var.power), el
valor del exponente de la potencia de la funcin de enlace
(link.power), especificacin de si los datos son acumulados o
incrementales (cum), el mtodo de estimacin del error
cuadrtico medio (mse.method), el nmero de simulaciones
bootstrap (nsim) y otros argumentos adicionales ().
Modificando el argumento var.power se puede ajustar el Modelo
Lineal Generalizado para la estimacin de las provisiones
tcnicas con diferentes distribuciones de probabilidad. As, por
ejemplo, si var.power = 1, se ajusta el modelo con distribucin
Poisson Sobredispersa; si var.power = 2, se ajusta con
distribucin Gamma y si var.power = NULL; entonces, con
distribucin Poisson Compuesta.
Por su parte, tambin cabe la posibilidad de calcular el error
tpico de la estimacin de las provisiones mediante la
metodologa bootstrap. A tal efecto, habra que especificar en el
argumento mse.method = boot. Mediante esta alternativa,
tambin es posible obtener la estimacin de las provisiones
tcnicas en intervalo de confianza, a travs de la funcin
quantile{stats}. La aplicacin de esta funcin resulta
recomendable consultarla directamente en el Cdigo de R
Project empleado, ya que no se utiliza de una forma directa
como anteriormente se ha descrito en Bootstrap Chain Ladder.
Cdigo R Project.
#Over Dispersed Poisson
mlg<-glmReserve(paid,var.power=1)
mlg
122
#Gamma
mlg2<-glmReserve(paid,var.power=2)
mlg2
#Bootstrap
mlg3<-glmReserve(paid,mse.method="boot")
mlg3
ic1_glm<t(apply(reserves_glm_bootstrap$sims.reserve.pred,2,quantile,c(0.05,0.95,0.025,0.975,0.005,0.9
95)))
total<-apply(ic1_glm,2,sum)
ic_glm<-rbind(ic1_glm,total)
ic_glm
Resultados.
La estimacin puntual de la provisin tcnica de seguros
mediante el Modelo Lineal Generalizado y distribucin Poisson
123
Sobredispersa ofrece un resultado de 15.261.478 u.m., con un

error tpico de 1.987.609,7 u.m.
Si se considera una distribucin Gamma para el modelo, la
estimacin puntual es de 14.607.113 u.m., con un error tpico de
2.554.128,709 u.m.
Si se aplica la metodologa bootstrap para la estimacin del
error tpico, la estimacin puntual es de 15.261.478 u.m., con un
error tpico de 1.998.883,74 u.m. Por intervalo de confianza al
90%, la estimacin se corresponde con [10.094.991,6 21.319.429,45] u.m., al 95% en [9.273.465,15 - 22.649.661,01]
u.m. y al 99% en [7.937.450,07 - 24.949.658] u.m.
4.3.7 Ejemplo 7: Munich Chain Ladder.

Procedimiento.
En
primer
lugar,
se
MunichChainLadder{ChainLadder}.
MunichChainLadder(Paid, Incurred,
tailP=FALSE, tailI=FALSE)
emplea
la
funcin
est.sigmaP = "log-linear", est.sigmaI = "log-linear",
La funcin MunichChainLadder nos ofrece un resumen donde se

recoge para cada ao de origen y el total: los importes de los
ltimos pagos de siniestros observados (Latest Paid) y de
siniestros incurridos observados (Latest Incurred), una ratio de
los ltimos pagos observados sobre los ltimos siniestros
incurridos observados (Latest P/I Ratio), los pagos de siniestros
del ltimo ao de desarrollo (Paid Ult.), los siniestros incurridos
124
del ltimo ao de desarrollo (Incurred Ult.) y la ratio de los pagos

del ltimo ao de desarrollo sobre los siniestros incurridos del
ltimo ao de desarrollo (Ult. P/I Ratio).
Los argumentos de la funcin son los datos del tringulo de
pagos (Paid), los datos del tringulo de siniestros incurridos
(Incurred), el mtodo de estimacin del parmetro de
variabilidad sigma para los pagos (est.sigmaP), el mtodo de
estimacin del parmetro de variabilidad sigma de los siniestros
incurridos (est.sigmaI), especificacin de colas en los pagos
(tailP) y especificacin de colas en los siniestros incurridos (tailI).
Se pueden practicar algunos grficos en el modelo de Munich
Chain Ladder mediante la funcin plot{graphics}. En dichos
grficos se compara los valores paid y los incurred y sus
correspondientes ratios.
plot(x,y,)
En la funcin plot se utiliza como argumento x la salida de

MunichChainLadder.
Para estimar el importe de las provisiones tcnicas de los pagos
y los siniestros incurridos se emplea la funcin propia reserves.
reserves(prediction)
Esta funcin utiliza como argumento el tringulo estimado

mediante la funcin
MunichChainLadder.
Finalmente, la estimacin del error tpico de la provisin tcnica
se hace mediante la metodologa bootstrap, a travs de la
funcin bootMunich, basada en el cdigo en R Project de la
autora RAMOS (2013) [17].
bootMunich (PAID=NA,INC=NA,MCL=NA,Mack=NA,MackInc=NA)
Los argumentos de esta funcin son los datos referentes al

tringulo de pagos de siniestros (PAID), los datos del tringulo
de siniestros incurridos (INC), la salida de aplicar la funcin
MunichChainLadder (MCL), la salida obtenida de aplicar la
funcin MackChainLadder al tringulo de pagos de siniestros
(Mack) y la salida de aplicar la funcin MackChainLadder al
tringulo de siniestros incurridos (MackInc).
125
Cdigo R Project.
mcl<-MunichChainLadder(paid,incurred,est.sigmaP=0.1,est.sigmaI=0.1)
mcl
plot(mcl)
reserves<-function(prediction){
row=nrow(prediction)
col=ncol(prediction)
reserves<-numeric(row)
j=0
for(i in 1:row){
reserves[i]=prediction[i,col]-prediction[i,col-j]
j=j+1
126
}
}
paid_triangle<-mcl$MCLPaid
incurred_triangle<-mcl$MCLIncurred
reserves(paid_triangle)
reserves(incurred_triangle)
bootMunich<-function(PAID=NA,INC=NA,MCL=NA,Mack=NA,MackInc=NA){
nr=nrow(PAID);nc=ncol(PAID)
#1-period factors, Q and Qinverse
FP<-matrix(NA,nrow=nr,ncol=nc)
for(j in 1:nc) FP[,(j-1)]=PAID[,j]/PAID[,(j-1)]
FI<-matrix(NA,nrow=nr,ncol=nc)
for(j in 1:nc) FI[,(j-1)]=INC[,j]/INC[,(j-1)]
Q<-PAID/INC
QInv<-1/Q
############## Bootstrap ####################
##### 0. Obtaining the 4 residuals #####
PRes<-t(matrix(MCL$PaidResiduals,ncol=ncol(PAID),byrow=TRUE))
IRes<-t(matrix(MCL$IncurredResiduals,ncol=ncol(PAID),byrow=TRUE))
QRes<-t(matrix(MCL$QResiduals,ncol=ncol(PAID),byrow=TRUE))
QInvRes<-t(matrix(MCL$QinverseResiduals,ncol=ncol(PAID),byrow=TRUE))
##### 1. Adjust the Pearson Residuals #####
#Calculating the adjustmet factors
Adjust <- matrix(0,ncol=nr, nrow=nc)
for( j in 1:(nr-2) ) Adjust[,j] <- sqrt((nc-j)/(nc-j-1))
#Obtaining the adjusted residuals
AdjPRes <- PRes*Adjust
AdjIRes <- IRes*Adjust
AdjQRes <- QRes*Adjust
AdjQInvRes <- QInvRes*Adjust
for (i in 1:nr){AdjQRes[i,(nr-i+1)]<-NA ;AdjQInvRes[i,(nr-i+1)]<-NA}
127
##### 2. Grouping the residuals #####

auxP <-matrix(AdjPRes[(AdjPRes!=0 & !is.na(AdjPRes)) ],ncol=1,byrow=TRUE)
auxI <-matrix(AdjIRes[(AdjIRes!=0 & !is.na(AdjIRes))],ncol=1,byrow=TRUE)
auxQ <-matrix(AdjQRes[(AdjQRes!=0 & !is.na(AdjQRes))],ncol=1,byrow=TRUE)
auxQInv <-matrix(AdjQInvRes[(AdjQInvRes!=0 & !is.na(AdjQInvRes))],ncol=1,byrow=TRUE)
AllRes<-cbind(auxP,auxI,auxQInv,auxQ)
##### 3. LOOP #####
Nboot<-10000
originP<-matrix(NA,nrow=Nboot,ncol=nc)
originI<-matrix(NA,nrow=Nboot,ncol=nc)
totalP<-matrix(NA,nrow=Nboot,ncol=1)
totalI<-matrix(NA,nrow=Nboot,ncol=1)
for (N in 1:Nboot){
#Obtaining bootstrap residuals
nres <- nrow(AllRes)
nsam <- (nc-1)*nc/2
auxiliar <- sample(1:nres,nsam,replace=T)
ItRes<-matrix(0, nrow=nsam, ncol=4)
for(i in 1:nsam){
ItRes[i,]<-AllRes[auxiliar[i],]
}
#transforming bootstrap residuals vectors in matrixs
MatResP<-matrix(NA, nrow=nr, ncol=nc)
MatResI<-matrix(NA, nrow=nr, ncol=nc)
MatResQ<-matrix(NA, nrow=nr, ncol=nc)
MatResQInv<-matrix(NA, nrow=nr, ncol=nc)
for(j in 1:nc){
i<-1
while(i<=nc-j){
MatResP[i,j]<-ItRes[nsam-((nc+1-j)*(nc-j)/2)+i,1]
MatResI[i,j]<-ItRes[nsam-((nc+1-j)*(nc-j)/2)+i,2]
MatResQInv[i,j]<-ItRes[nsam-((nc+1-j)*(nc-j)/2)+i,3]
MatResQ[i,j]<-ItRes[nsam-((nc+1-j)*(nc-j)/2)+i,4]
i<-i+1
}
}
#obtaining boostrap increment ratios
MatRatiosP<-matrix(NA, nrow=nr, ncol=nc)
MatRatiosI<-matrix(NA, nrow=nr, ncol=nc)
MatRatiosQ<-matrix(NA, nrow=nr, ncol=nc)
MatRatiosQInv<-matrix(NA, nrow=nr, ncol=nc)
for(j in 1:(nc-1)){
i<-1
while(i<=nc-j){
MatRatiosP[i,j]<-(MatResP[i,j]*Mack$sigma[j])/sqrt(PAID[i,j])+Mack$f[j]
MatRatiosI[i,j]<-(MatResI[i,j]*MackInc$sigma[j])/sqrt(INC[i,j])+MackInc$f[j]
MatRatiosQ[i,j]<-(MatResQ[i,j]*MCL$rhoI.sigma[j])/sqrt(INC[i,j])+MCL$q.f[j]
MatRatiosQInv[i,j]<- (MatResQInv[i,j]*MCL$rhoP.sigma[j])/sqrt(PAID[i,j])+MCL$qinverse.f[j]
128
i<-i+1
}
}
#obtaining bootstrap development factors
BootfP<-rep(0,nc);BootfI<-rep(0,nc);BootfQ<-rep(0,nc); BootfQInv<-rep(0,nc)
sumP<-rep(NA,nc);sumI<-rep(NA,nc)
for(j in 1:(nc-1)){
sumP[j]<-colSums(PAID,na.rm=TRUE)[j]-PAID[nc-j+1,j]
sumI[j]<-colSums(INC,na.rm=TRUE)[j]-INC[nc-j+1,j]
i<-1
while(i<=nc-j){
BootfP[j]<- BootfP[j]+(PAID[i,j]/sumP[j])*MatRatiosP[i,j]
BootfI[j]<- BootfI[j]+(INC[i,j]/sumI[j])*MatRatiosI[i,j]
BootfQ[j]<- BootfQ[j]+(INC[i,j]/sumI[j])*MatRatiosQ[i,j]
BootfQInv[j]<- BootfQInv[j] + (PAID[i,j]/sumP[j])*MatRatiosQInv[i,j]
i<-i+1
}
}
#obtaining the bootstrap CORRELATION COEFFICIENTS
LambdaP<- sum(MatResQInv*MatResP,na.rm=TRUE)/sum(MatResQInv^2,na.rm=TRUE)
LambdaI<-sum(MatResQ*MatResI,na.rm=TRUE)/sum(MatResQ^2,na.rm=TRUE)
#Obtaining the VARIANCES
VarP<-rep(0,nc); VarI<-rep(0,nc);
for(j in 1:(nc-2)){
i<-1
while(i<=nc-j){
VarP[j]<-VarP[j]+(PAID[i,j]*(MatRatiosP[i,j]-BootfP[j])^2)/(nc-j-1)
VarI[j]<-VarI[j]+(INC[i,j]*(MatRatiosI[i,j]-BootfI[j])^2)/(nc-j-1)
i<-i+1
}
}
VarQ<-rep(0,nc); VarQInv<-rep(0,nc)
for(j in 1:(nc-1)){
i<-1
while(i<=nc-j){
VarQ[j]<-VarQ[j]+(INC[i,j]*(MatRatiosQ[i,j]-BootfQ[j])^2)/(nc-j)
VarQInv[j]<-VarQInv[j]+(PAID[i,j]*(MatRatiosQInv[i,j]-BootfQInv[j])^2)/(nc-j)
i<-i+1
}
}
sigmaP<-sqrt(VarP)
sigmaI<-sqrt(VarI)
tauI<-sqrt(VarQ)
tauP<-sqrt(VarQInv)
#estimating the last ratio sigma/tau
sigtauP<-sigmaP/tauP
sigtauI<-sigmaI/tauI
period<-c(1:nc)
129
fitP<-lm(log(sigtauP) ~ period,na.action=na.exclude)
fitI<-lm(log(sigtauI) ~ period,na.action=na.exclude)
sigtauP[nc-1]<-exp((nc-1)*fitP$coefficients[2]+fitP$coefficients[1])
sigtauI[nc-1]<-exp((nc-1)*fitI$coefficients[2]+fitI$coefficients[1])
alphaP<-pmax(0,pmin(LambdaP*(sigtauP),0.99))
alphaI<-pmax(0,pmin(LambdaI*(sigtauI),0.99))
#Obtaining the bootstrap ADJUSTED DEVELOPMENT FACTORS
BlambdaP<-matrix(NA, nrow=nr, ncol=nc)
BlambdaI<-matrix(NA, nrow=nr, ncol=nc)
BPAID<-PAID; BINC<-INC; BRatiosQ<-MatRatiosQ; BRatiosQInv<-MatRatiosQInv
for(k in 1:(nc-1)){
j<-k
while(j<=(nc-1)){
BlambdaP[nr-j+k,j]<-BootfP[j]+alphaP[j]*(BINC[nr-j+k,j]/BPAID[nr-j+k,j]-BootfQInv[j])
BlambdaI[nr-j+k,j]<-BootfI[j]+alphaI[j]*(BPAID[nr-j+k,j]/BINC[nr-j+k,j]-BootfQ[j])
BPAID[nr-j+k,j+1]<-BlambdaP[nr-j+k,j]*BPAID[nr-j+k,j]
BINC[nr-j+k,j+1]<-BlambdaI[nr-j+k,j]*BINC[nr-j+k,j]
j<-j+1
}
}
#Obtaining normal distributed observations
BPAIDfinal<-PAID; BINCfinal<-INC
for(k in 1:(nc-1)){
j<-k
while(j<=(nc-1)){
meanP<-BlambdaP[nr-j+k,j]*BPAIDfinal[nr-j+k,j]
sdP<-sqrt(VarP[j]*BPAIDfinal[nr-j+k,j])
meanI<-BlambdaI[nr-j+k,j]*BINCfinal[nr-j+k,j]
sdI<-sqrt(VarI[j]*BINCfinal[nr-j+k,j])
BPAIDfinal[nr-j+k,j+1]<-rnorm(1,mean=meanP,sd=sdP)
BINCfinal[nr-j+k,j+1]<-rnorm(1,mean=meanI,sd=sdI)
j<-j+1
}
}
#Obtaining the origin year and the total amounts
originP[N,]<-BPAIDfinal[,nc]
originI[N,]<-BINCfinal[,nc]
totalP[N] <- colSums(BPAIDfinal)[nc]
totalI[N] <- colSums(BINCfinal)[nc]
}
#averages
averP<-colMeans(originP)
averI<-colMeans(originI)
taverP<-mean(totalP)
taverI<-mean(totalI)
#diagonal
130
diagonalP=numeric(nc)
k=nr
for(j in 1:nc){
diagonalP[j]=PAID[k,j]
k=k-1
}
revdiagonalP<-rev(diagonalP)
diagonalI=numeric(nc)
k=nr
for(j in 1:nc){
diagonalI[j]=INC[k,j]
k=k-1
}
revdiagonalI<-rev(diagonalI)
#reserves
reservesP<-averP-revdiagonalP
reservesI<-averI-revdiagonalI
totreserveP<-sum(reservesP)
totreserveI<-sum(reservesI)
#standard deviations
stdP<-rep(NA,nrow=1,ncol=(nc-1))
for(j in 1:nc-1)stdP[j]=sd(originP[,j+1])
stdI<-rep(NA,nrow=1,ncol=(nc-1))
for(j in 1:nc-1)stdI[j]=sd(originI[,j+1])
totstdP<-sd(totalP)
totstdI<-sd(totalI)
list(IBNR_paid=totreserveP,se_IBNR_paid=totstdP,IBNR_incurred=totreserveI,se_IBNR_incurr
ed=totstdI)
}
bootstrap_MunichChainLadder<-bootMunich(paid,incurred,mcl,mack,mack_inc)
131
Resultados.
El importe de la estimacin puntual de la provisin tcnica de
los pagos de siniestros es de 15.201.962 u.m. Por su parte, el
importe de la estimacin puntual de la provisin tcnica de los
siniestros incurridos es de 2.966.146 u.m.
Mediante bootstrap, la estimacin puntual de la provisin
tcnica de los pagos de siniestros es de 14.814.451 u.m., con un
error tpico de 2.121.466 u.m. La estimacin puntual de la
provisin tcnica de los siniestros incurridos es de 3.673.243
u.m., con un error tpico de 2.888.999 u.m.
4.3.8 Ejemplo 8: Double Chain Ladder.

Procedimiento.
132
En primer lugar, para estimar la provisin tcnica de seguros

mediante el mtodo Double Chain Ladder se utiliza la funcin
dcl.estimation{DCL}.
dcl.estimation(Xtriangle , Ntriangle , adj = 1 , Tables = TRUE , num.dec = 4 , n.cal = NA ,
Fj.X=NA , Fj.N=NA)
La funcin dcl.estimation estima los parmetros del modelo

segn el mtodo Double Chain Ladder.
Los argumentos de esta funcin son los datos incrementales del
tringulo de pagos de siniestros (Xtriangle), los datos
incrementales del tringulo del nmero de siniestros (Ntriangle),
el mtodo de ajuste para las probabilidades de retardo (adj),
presentacin de los parmetros estimados del modelo en forma
de tabla (Tables), nmero de decimales en los resultados
(num.dec), ao de calendario ms actual que se considerar
para el clculo de los factores de desarrollo (n.cal), factores de
desarrollo especficos para los datos de pagos de siniestros (Fj.X)
y los factores de desarrollo especficos para los datos de nmero
de siniestros (Fj.N).
En segundo lugar, se aplica la funcin dcl.boot{DCL}.
dcl.boot(dcl.par , sigma2 , Ntriangle , boot.type = 2 , B = 999 , Tail = TRUE , summ.by = "diag" ,
Tables = TRUE , num.dec = 2 , n.cal = NA)
La function dcl.boot proporciona mediante la metodologa

bootstrap la estimacin de la provisin tcnica IBNR, RBNS y
total3 (IBNR+RBNS); el error tpico de tales estimaciones; y los
percentiles 1, 5, 50, 95 y 99.
Tambin se podra haber hecho uso de la funcin
dcl.predict{DCL}, pero esta nicamente proporciona una
estimacin puntual de las provisiones tcnicas pero sin calcular
3 Tngase en cuenta que en otros mtodos, las funciones en R daban una
estimacin de la provisin tcnica total denominando a esta IBNR. En DCL
se distinguen dos provisiones, IBNR (Incurred But Not Reported) y RBNS
(Reported But Not Settled), donde el total es la suma de ambas.
133
el error tpico de la misma. Esta funcin se comenta en el

apartado 4.3.10 Ejemplos adicionales: Double Chain Ladder.
Los argumentos de dcl.boot son los parmetros del modelo
(dcl.par), la varianza comn (sigma2), los datos del tringulo del
nmero de siniestros (Ntriangle), el tipo de remuestreo
bootstrap a utilizar, segn se tome o no la varianza como un
parmetro desconocido a estimar (boot.type), nmero de
replicaciones bootstrap (B), si hay colas en los datos (Tail), un
resumen por diagonal, fila o celdas (summ.by), presentacin de
los resultados en forma de tabla (Tables), el nmero de
decimales en los resultados (num.dec) y el ao de calendario
ms actual que se considerar para el clculo de los factores de
desarrollo (n.cal).
Finalmente, tambin se puede hacer uso de la funcin
Plot.cashflow{DCL} para representar grficamente los flujos de
caja (dotaciones a la provisiones tcnicas); as como,
las
provisiones tcnicas IBNR, RBNS y total.
Plot.cashflow( cashflow )
Como argumento de esta funcin se emplea la salida obtenida

de aplicar la funcin dcl.boot.
134
Cdigo R Project.
paid<-get.incremental(paid)
dcl<-dcl.estimation(paid,num)
bootstrap_dcl<-dcl.boot(dcl, Ntriangle=num, boot.type=1,B=200)
#IBNR
ibnr_dcl<-bootstrap_dcl$summ.ibnr
ibnr_dcl
135
#RBNS
rbns_dcl<-bootstrap_dcl$summ.rbns
rbns_dcl
136
#Total
total_dcl<-bootstrap_dcl$summ.total
total_dcl
137
Plot.cashflow(bootstrap_dcl)
Resultados.
La estimacin puntual de la provisin tcnica IBNR por el
mtodo de Double Chain Ladder ofrece un resultado de
836.431,54.u.m., con un error tpico de 160.291,48 u.m. La
estimacin puntual de la provisin tcnica RBNS es de
14.422.836,9 u.m., con un error tpico de 626.807 u.m. La
estimacin puntual de la provisin tcnica total (IBNR+RBNS) es
de 15.259.268,44 u.m., con un error tpico de 653.032,48 u.m.
138
4.3.9 Comparativa.
En este apartado se realiza una comparativa entre los mtodos
de estimacin de provisiones tcnicas de seguros que se han
empleado en la seccin 4.3 Ejemplos prcticos en R Project.
Mtodos Clsicos.
Cdigo R Project.
chldr<-chainladder(paid)
triangle_chldr<-predict(chldr)
reserves_chainladder<-reserves(triangle_chldr)
reserves_linkratio1<-link_ratio(paid,1)
reserves_grossing_up<-grossing_up(paid)
clasicos<c(reserves_chainladder,reserves_linkratio1,reserves_linkratio2,reserves_linkratio3,reserves_gro
ssing_up)
names(clasicos)<-c("ChainLadder","LinkRatio1", "LinkRatio2", "LinkRatio3", "GrossingUp")
clasicos
barplot(clasicos,ylim=c(0,25000000),main="Mtodos Clsicos")
139
Resultados.
Entre los mtodos clsicos analizados y para los datos que se
han utilizado, la estimacin ms elevada de provisin tcnica de
seguros se alcanza en LinkRatio1 (criterio pesimista), con una
cifra de 24.919.975 u.m. Este mayor importe viene justificado en
este mtodo por el hecho de considerar tambin una mayor
aversin al riesgo y, por tanto, actuar con mayor prudencia en
su estimacin; es decir, se prefiere dar una cantidad ms
elevada como provisin que quedarse corto y no poder hacer
frente a siniestros previstos. Este criterio est en consonancia
con el principio exigido en Contabilidad de prudencia valorativa.
Por su parte, la estimacin ms baja del importe de provisin
tcnica de seguros se alcanza en LinkRatio2 (criterio optimista),
con una cifra de 8.670.711 u.m. En este mtodo se presenta una
menor aversin al riesgo y, por tanto, se estima una cifra menor
de provisin. Quizs, este criterio resulte el ms desaconsejable;
ya que, es preferible realizar una estimacin por exceso que por
defecto para evitar no poder hacer frente a las obligaciones
derivadas de los siniestros. No obstante, tampoco es
recomendable una sobrestimacin muy excesiva de la provisin,
por la posible prdida de rentabilidad derivada del coste de
oportunidad, como parece que ocurre en LinkRatio1.
En cuanto a los otros mtodos, estos ofrecen las siguientes
estimaciones: 15.261.478 u.m. en Chain Ladder, 15.140.056
u.m. en LinkRatio3 (criterio medias simples) y 16.069.110 u.m.
en Grossing Up.
Al tratarse de mtodos clsicos, en estos no se va a poder
determinar el error tpico como criterio estadstico en la eleccin
del mtodo de estimacin. As pues, se tendra que hacer uso de
otros criterios como, por ejemplo, la experiencia del empresario
asegurador para decidir que cifra resulta la ms adecuada como
provisin tcnica de seguros. No obstante, todo parece indicar
140
que el importe de la provisin debera ser ligeramente superior a

los 15.000.000 u.m.
Mtodos estocsticos.
Cdigo R Project.
bootstrap_chldr<-BootChainLadder(paid,process.distr=c("od.pois"))
reserves1<-summary(bootstrap_chldr)$Totals[3,]
reserves_se1<-summary(bootstrap_chldr)$Totals[4,]
reserves2<- glmReserve(paid)$summary$IBNR[9]
reserves_se2<- glmReserve(paid)$summary$S.E[9]
reserves3<- glmReserve(paid,var.power=2)$summary$IBNR[9]
reserves_se3<- glmReserve(paid,var.power=2)$summary$S.E[9]
reserves4<- glmReserve(paid,mse.method="boot")$summary$IBNR[9]
reserves_se4<- glmReserve(paid,mse.method="boot")$summary$S.E[9]
mack<-MackChainLadder(paid,est.sigma="Mack")
reserves5<-summary(mack)$Totals[4,]
reserves_se5<-summary(reserves_Mack)$Totals[5,]
mcl<-MunichChainLadder(paid,incurred,est.sigmaP=0.1,est.sigmaI=0.1)
paid_triangle<-mcl$MCLPaid
reserves6<-reserves(paid_triangle)
reserves_se6<- bootMunich(paid,incurred,mcl,mack,mack_inc) $se_IBNR_paid
paid<-get.incremental(paid)
dcl<-dcl.estimation(paid,num)
bootstrap_dcl<-dcl.boot(dcl, Ntriangle=num, boot.type=1,B=200)
total_dcl<-bootstrap_dcl$summ.total
reserves7<- total_dcl$mean.total[17]
reserves_se7<-total_dcl$sd.total[17]
stochastic<-c(reserves1,reserves2,reserves3,reserves4,reserves5,reserves6,reserves7)
names(stochastic)<-c("boots_chl", "glm_odp","glm_g","glm_boots","mack","munich","dcl")
stochastic
141
barplot(stochastic,ylim=c(0,20000000),main="Stochastic Methods")
stochastic_se<c(reserves_se1,reserves_se2,reserves_se3,reserves_se4,reserves_se5,reserves_se6,
reserves_se7)
names(stochastic_se)<-c("boots_clm",
"glm_odp","glm_g","glm_boots","mack","boots_munich",dcl)
stochastic_se
142
barplot(stochastic_se,ylim=c(0,3000000),main="Stochastic S.E.")
Resultados.
La estimacin que presenta un menor error tpico es la
correspondiente al mtodo DCL, con un error de 653.032,5 u.m.
y un importe de provisin tcnica de seguros de 15.259.268
u.m. As pues, desde el punto de vista de la eficiencia
estadstica, la estimacin proporcionada por este modelo sera la
ms adecuada.
143
4.3.10
Ejemplos
Chain Ladder.
Adicionales:
Double
En este apartado se pretende ampliar, mediante ejemplos

adicionales en R Project, la explicacin de las posibilidades que
ofrece Double Chain Ladder como mtodo estocstico en la
estimacin de las provisiones tcnicas de seguros.
Ejemplo 1.
Datos.
Se hace uso de datos de ejemplo recogidos en la librera DCL.
Concretamente, se emplean los datos BDCL, correspondientes
a pagos de siniestros (XtriangleBDCL) y nmero de siniestros
(NtriangleBDCL) de seguros de no vida.
library(DCL)
# Paid claims
data(XtriangleBDCL)
Xtriangle<-XtriangleBDCL
Xtriangle
144
Plot.triangle(Xtriangle,Histogram=TRUE,tit=expression(paste('Paid: ',X[ij])))
#Number of claims
145
data(NtriangleBDCL)
Ntriangle<-NtriangleBDCL
Ntriangle
Plot.triangle(Ntriangle,Histogram=TRUE,tit=expression(paste('Counts: ',N[ij])))
146
Estimacin de los parmetros del modelo.

Procedimiento.
Para la estimacin de los parmetros del modelo Double Chain
Ladder, se hace uso de la funcin dcl.estimation{DCL}.
dcl.estimation( Xtriangle , Ntriangle , adj = 1 , Tables = TRUE ,num.dec = 4 , n.cal = NA ,
Fj.X=NA , Fj.N=NA )
Se emplea como argumentos bsicos: los tringulos

incrementales de pagos de siniestros (Xtriangle) y el de nmero
de siniestros (Ntriangle). Tambin se pueden hacer uso de otros
argumentos opcionales, anteriormente comentados (ver
apartado: 3.3.8: Ejemplo 8: Double Chain Ladder).
Se obtiene como salida: el parmetro de retardo en la
liquidacin de siniestros (pi.delay), la media comn (mu), la
inflacin (inflat), las probabilidades de retardo (pj), la media
comn ajustada (mu.adj), la varianza comn (sigma2), el
parmetro de sobredispersin (phi), la media de los pagos
147
individuales (Ey), la varianza de los pagos individuales (Vy), el

ajuste de las probabilidades de retardo (adj), el parmetro del
nmero total de siniestros por ao de origen (alpha.N), el
retardo en la notificacin (beta.N), el tringulo completo con las
predicciones del nmero de siniestros (Nhat), el parmetro de
las cantidades totales de pagos de siniestros (alpha.X), el
retardo en el pago (beta.X) y el tringulo completo con las
predicciones de pagos de siniestros (Xhat).
Cdigo R Project.
parameters<-dcl.estimation(Xtriangle,Ntriangle)
parameters
148
149
150
151
Tambin, se pueden practicar representaciones grficas de los

parmetros obtenidos (alpha.N, alpha.X, inflat y pi.delay)
mediante la funcin Plot.dcl.par{DCL}.
Plot.dcl.par( dcl.par , type.inflat = 'DCL' )
Los argumentos de esta funcin son los parmetros estimados

del modelo (dcl.par) y el mtodo de estimacin de la inflacin
(type.inflat).
Cdigo R Project.
Plot.dcl.par(parameters)
152
Estimacin de la provisin tcnica de seguros.

Procedimiento.
Para estimar las provisiones tcnicas de seguros mediante
Double Chain Ladder, se pueden utilizar dos funciones:
dcl.predict{DCL} y dcl.boot{DCL}.
La funcin dcl.boot va a calcular las predicciones futuras de las
dotaciones a la provisin tcnica (cash-flow), distinguiendo entre
provisiones IBNR, RBNS y total (IBNR+RBNS). La suma de las
dotaciones en cada tipo da el importe de cada una de las
provisiones tcnicas de seguros. Por su parte, tambin se hace
una comparativa con el mtodo Chain Ladder.
dcl.predict( dcl.par , Ntriangle , Model = 2 , Tail = TRUE , Tables = TRUE , summ.by="diag",
num.dec = 2 )
Los argumentos de esta funcin se corresponden con los

parmetros del modelo (dcl.par), el tringulo del nmero de
siniestros, el tipo de modelo para calcular las predicciones
(Model), si existe factor de cola (Tail), tabla resumen (Tables),
resumen por diagonal, fila o celda (summ.by) y el nmero de
decimales a mostrar en la tabla resumen (num.dec).
Por otra parte, tambin se puede emplear la funcin
dcl.boot{DCL}, basada en la metodologa bootstrap, para
estimar las provisiones tcnicas de seguros.
dcl.boot( dcl.par , sigma2 , Ntriangle , boot.type = 2 , B = 999 , Tail = TRUE , summ.by = "diag" ,
Tables = TRUE , num.dec = 2 , n.cal = NA)
La funcin dcl.boot calcula las predicciones de las dotaciones

futuras a las provisiones tcnicas de seguros (IBNR, RBNS y
total) mediante bootstrap (mean.ibnr, mean.rbns y mean.total).
Tambin recoge las predicciones calculadas mediante Double
Chain Ladder sin utilizar bootstrap (ibnr, rbns y total). Por su
parte, dcl.boot permite tambin calcular el error tpico de tales
estimaciones (sd.ibnr, sd.rbns y sd.total) y los percentiles 1, 5,
50, 95, y 99 para cada tipo de provisin; lo cual, justifica por su
153
mayor volumen informativo, el que resulte preferible emplear

esta funcin.
En cuanto a los argumentos de dcl.boot, estos se explicaron en
el apartado 3.3.8: Ejemplo 8: Double Chain Ladder.
Finalmente, con la metodologa bootstrap se pueden representar
grficamente los flujos de caja y las reservas mediante la
funcin Plot.cashflow{DCL}; anteriormente comentada (ver
apartado: 3.3.8 Ejemplo 8: Double Chain Ladder).
Cdigo R Project.
predictions<-dcl.predict(parameters,Ntriangle)
154
boots_dcl<-dcl.boot(parameters,Ntriangle=Ntriangle)
ibnr_dcl<-boots_dcl$summ.ibnr
ibnr_dcl
155
rbns_dcl<-boots_dcl$summ.rbns
rbns_dcl
156
total_dcl<-boots_dcl$summ.total
total_dcl
157
Plot.cashflow(boots_dcl)
Resultados.
La estimacin puntual de las provisiones tcnicas IBNR ofrece un
resultado de 27.804.645,13 u.m., con un error tpico de
12.597.958,04 u.m. La estimacin puntual de la provisin
tcnica RBNS es de 163.615.846,85 u.m., con un error tpico de
36.616.127,91 u.m. La estimacin puntual de la provisin
tcnica total (IBNR+RBNS) es de 191.420.491,98 u.m., con un
error tpico de 46.416.165,63 u.m.
158
Ejemplo 2.
Datos.
En este caso, se emplean los datos de ejemplo Prior, incluidos
en la librera DCL. Se trata de datos correspondientes al nmero
de siniestros (NtrianglePrior), nmero de pagos de siniestros
(NpaidPrior) y cantidades monetarias de pagos de siniestros
(XtrianglePrior) de seguros de no vida. Esto datos tienen la
particularidad de que contienen informacin a priori, basada en
la experiencia y el conocimiento especializado del empresario
asegurador acerca de aspectos como los niveles esperados de
inflacin y la proporcin de zero-claims (reclamaciones de
siniestros que son recurridas y que finalmente no son pagadas
por el asegurador); informacin til para realizar estimaciones
ms adecuadas del importe de las provisiones tcnicas de
seguros.
library(DCL)
data(NtrianglePrior)
data(NpaidPrior)
data(XtrianglePrior)
Ntriangle_prior<-NtrianglePrior
Ntriangle_prior
159
Plot.triangle(Ntriangle_prior)
Npaid_prior<-NpaidPrior
Npaid_prior
160
Plot.triangle(Npaid_prior)
Xtriangle_prior<-XtrianglePrior
Xtriangle_prior
161
Plot.triangle(Xtriangle_prior)
162
Obtencin de la informacin a priori.

Procedimiento.
En primer lugar, se tiene que extraer la informacin a priori de
los datos disponibles, para ello se hace uso de la funcin
extract.prior{DCL}.
extract.prior(Xtriangle, Npaid, Ntriangle, Plots = TRUE , n.cal = NA ,Fj.X = NA , Fj.N = NA ,
Fj.Npaid = NA)
La funcin extract.prior proporciona

inflacin y los zero-claims.
informacin
sobre
la
Los argumentos bsicos de esta funcin son los tringulos de

cantidades monetarias de pagos de siniestros (Xtriangle), de
nmero de pagos de siniestros (Npaid) y de nmero de
siniestros notificados (Ntriangle). Tambin se pueden emplear
otros argumentos opcionales como la realizacin de
representaciones grficas (Plot), el ao de calendario ms
reciente para el clculo de los factores de desarrollo y los
factores de desarrollo especficos para los pagos de siniestros
(Fj.X), nmero de siniestros (Fj.N) y nmero de pagos de
siniestros (Fj.Npaid).
163
Cdigo en R Project.
priors<-extract.prior(XtrianglePrior,NpaidPrior,NtrianglePrior)
priors
Estimacin de la provisin tcnica de seguros.

Procedimiento.
Para estimar las provisiones tcnicas de seguros con informacin
a priori se puede emplear la funcin dcl.predict.prior{DCL}
dcl.predict.prior( Ntriangle , Xtriangle , inflat.i , inflat.j , Qi , Model = 2, adj = 2, Tail = FALSE,
Tables = TRUE, summ.by = "diag", num.dec = 2 )
y la funcin dcl.boot.prior{DCL}.
dcl.boot.prior( Xtriangle , Ntriangle , sigma2 , mu , inflat.i , inflat.j , Qi , Model = 2 , adj = 1 ,
boot.type = 2, B = 999 , Tail = TRUE , summ.by = "diag", Tables = TRUE, num.dec = 2 , n.cal =
NA ,Fj.X = NA , Fj.N = NA )
Las funciones dcl.predict.prior y dcl.boot.prior tienen un

funcionamiento similar a las funciones dcl.predict y dcl.boot (ver
ejemplo 1), con la diferencia de que emplean informacin a
priori para estimar los flujos de caja y las provisiones tcnicas
164
IBNR, RBNS y total. Entre ellas se distinguen, por su parte, por la

utilizacin de la metodologa bootstrap en sus estimaciones.
Los argumentos de estas funciones son similares a los de
predict.dcl y dcl.boot, con la inclusin de la informacin a priori
de inflacin (inflat.i ; inflat.j) y zero-claims (Qi).
Por dar una mayor informacin (error tpico, percentiles; etc), se
aplica dcl.boot.prior para estimar las provisiones tcnicas. Esta
estimacin se compara con la que se obtiene sin utilizar
informacin a priori.
Cdigo R Project.
inflat<-priors$inflat.j
Q<-priors$Qi
prior_boots<dcl.boot.prior(Ntriangle_prior,Xtriangle_prior,inflat.j=inflat,Qi=Q,adj=2,Tail=FALSE,boot.type=1,B
=200)
165
Plot.cashflow(prior_boots)
166
boots<-dcl.boot.prior(Ntriangle_prior,Xtriangle_prior,adj=2,Tail=FALSE,boot.type=1)
167
Plot.cashflow(boots)
168
Resultados.
La estimacin puntual de las provisiones tcnicas IBNR con
informacin a priori ofrece un resultado de 254.503,70 u.m., con
un error tpico de 140.905,30 u.m.; mientras que sin informacin
a priori, el importe de IBNR es de 13.841,56 u.m., con un error
tpico de 4.713,07 u.m.
La estimacin puntual de la provisin tcnica RBNS con
informacin a priori es de 56.224,70 u.m., con un error tpico de
42.650,09 u.m.; mientras que sin informacin a priori, el importe
de RBNS es de 5.470,58 u.m., con un error tpico de 2.876,13
u.m.
La estimacin puntual de la provisin tcnica total (IBNR+RBNS)
con informacin a priori es de 310.728,40 u.m., con un error
tpico de 147.801,51 u.m.; mientras que sin informacin a priori,
el importe total es de 19.312,14 u.m., con un error tpico de
5.417,27 u.m.
Las estimaciones con informacin a priori proporcionan importes
ms elevados de provisiones tcnicas que sin informacin a
priori. El contar con informacin adicional hace que las
estimaciones a priori sean ms fidedignas con la realidad y
169
cubran con mayor garanta las obligaciones de siniestros de la

empresa aseguradora.
Conclusiones.
Como se sealaba en la Introduccin, con este trabajo se ha
pretendido elaborar un documento que sirviese de gua de los
principales mtodos de estimacin de las provisiones tcnicas o
reservas de seguros de no vida, segn el marco jurdico europeo
de Solvencia II.
Los mtodos analizados se han clasificado bsicamente en
mtodos clsicos y estocsticos.
Los mtodos clsicos han ofrecido, en los ejemplos practicados,
resultados similares en el caso de Chain Ladder y Grossing Up; y
dispares en el mtodo Link Ratio, segn el criterio dentro del
mismo que se considerase. No obstante, el principal
inconveniente de estas tcnicas lo encontramos en que las
estimaciones no van acompaadas de sus correspondientes
errores tpicos, lo cual, dificulta la comparativa y eleccin
estadstica del mtodo ms adecuado para estimar las reservas
de seguros.
170
En cuanto a los mtodos estocsticos, los resultados en los

ejemplos han sido similares. Sin embargo, la estimacin del
mtodo Double Chain Ladder ha resultado ser la ms precisa,
con un menor error tpico.
Habra sido interesante el haber podido contar con un mayor
volumen de datos reales para poder hacer simulaciones con las
que comprobar estos resultados y ver, por ejemplo, si Double
Chain Ladder proporciona siempre la estimacin ms precisa. No
obstante, esto no ha sido posible ya que el acceso a la
informacin de siniestros de las empresas aseguradoras est
muy limitado, al ser estas muy poco reacias a compartir esta
informacin por la competencia y espionaje empresarial.
En cualquier caso, parece claro que las empresas deben optar
por los mtodos estocsticos en lugar de los clsicos y que
Double Chain Ladder pude resultar una muy buena opcin para
estimar las reservas de seguros. Las ventajas a destacar de
Double Chain Ladder son: su mayor precisin estadstica, el
desglose de sus estimaciones en dos tipos de reservas (RBNS e
IBNR), que va a permitir considerar los retardos en la
notificacin y liquidacin de siniestros; y la posibilidad de utilizar
cierta informacin a priori, como es la referente a la inflacin de
los mercados y la proporcin de reclamaciones de siniestros
resueltas sin pago (zero-claims), lo cual que hace que este
mtodo se ajuste ms a la realidad empresarial.
En definitiva, los mtodos de estimacin de reservas de seguros
deben de ir acercndose a las necesidades de las compaas
aseguradoras y estas tratar de trabajar conjuntamente por un
futuro armonizado y objetivo.
171
Bibliografa.
[1] ALBARN, I. y ALONSO P. (2010). Mtodos estocsticos de
estimacin de las provisiones tcnicas en el marco de Solvencia
II. Fundacin MAPFRE.
[2] LVAREZ, J.A. y COLL, V. (2012). Estimacin de reservas en
una compaa aseguradora. Una aplicacin en Excel del mtodo
Chain-Ladder y Bootstrap. Revista de Mtodos Cuantitativos
para la Economa y la Empresa, 14, 124-136.
[3] ARIZA, F. (2013). Incidencia de los riesgos tcnicos en la
solvencia de las compaas de seguros de vida (concrecin en el
172
riesgo de longevidad). Tesis Doctoral. Universidad Complutense

de Madrid.
[4] BOJ, E., COSTA, T. y ESPEJO, J. (2014). Provisiones Tcnicas
por aos de calendario mediante el Modelo Lineal Generalizado.
Una aplicacin con RExcel. Anales del Instituto de Actuarios
Espaoles, 3 poca, 20, 83-116.
[5] CTO (2015). Sistema Financiero Espaol. Material Oposicin
Inspeccin de Hacienda.
[6] DE ANDRS, J. (2006). Clculo de las provisiones para
siniestros pendientes de declaracin con regresin borrosa.
Cuadernos del CIMBAGE, 8, 1-36.
[7] ENGLAND, P. y VERALL, R. (1999). Analytic and bootstrap
estimates of prediction errors in claims reserving. Insurance:
Mathematics and Economics, 25, 281-293.
[8] ENGLAND, P. (2002). Addendum to analytic and bootstrap
estimates of prediction error in claim reserving. Insurance:
Mathematics and Economics, 31, 461-466.
[9] GUARDIOLA, A. (1990). Manual de introduccin al seguro.
Fundacin MAPFRE.
[10] LIU, H. y VERALL, R. (2010). Bootstrap estimation of the
predictive distributions of reserves using paid and incurred
claims. Variance 4:2, 121-135.
[11] MACK, T. (1993). Distribution-free calculation of the
standard error of Chain Ladder reserve estimates. Astin Bulletin,
23, 2.
[12] MARTNEZ-MIRANDA, M.D., NIELSEN, J. y VERALL, R. (2012).
Double Chain Ladder. Astin Bulletin, 42(1), 59-76.
[13] PIGEON, M., ANTONIO, K. y DENUIT, M. (2014). Individual
loss reserving using paid-incurred data. Insurance: Mathematics
and Economics, 58, 121-131.
[14] PILN, O. (2005). Reforma del control de la solvencia de la
empresa de seguros en la U.E.: Solvencia II. Material Programa
de Doctorado en Economa Financiera, Actuarial y Matemtica.
Universidad Complutense de Madrid.
173
[15] PULIDO, A., PREZ, J., DONES, M., MORAL, J et al. (2014).
Informe de prediccin de la actividad aseguradora en Espaa.
Fundacin MAPFRE.
[16] QUARG, G. y MACK, T. (2004). Munich Chain Ladder: a
reserving method that reduces the gap between IBNR
projections based on paid losses and IBNR projections bases on
incurred losses. Bltter der Deutschen Gesellschaft fr
Versicherungs-und Finanz-mathematik, 26, 4, 597-630.
[17] RAMOS, V. (2013). Reserve risk- An application to ORSA.
Final work of Master of Science in Actuarial Science.
[18] SOL, F. (2013). El proyecto Solvencia II: marco
conceptual, normativo e institucional. IE Law School. AJ8-198.
174

Métodos Estadísticos Seguros No Vida

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Métodos Estadísticos Seguros No Vida

Uploaded by

Copyright:

Available Formats

Mtodos Estadsticos para la

Estimacin de Provisiones Tcnicas

El Sector Asegurador: caso espaol.

2.1 Definicin y Tipologas.

Captulo 3: Mtodos de Estimacin de

Captulo 4: Aplicacin Prctica en la

transparencia y una mayor proteccin de los asegurados y

manifiesto, a travs de toda una serie de ejemplos, las ventajas

- Real Decreto Legislativo 6/2004, de 29 de octubre, por el que

Segn artculo 1 de la Ley de Contrato de Seguro (en adelante,

El riesgo es un elemento fundamental en el seguro. As, segn el

conforme a lo establecido en el Real Decreto 672/2014, de 1 de

noviembre, que estarn reservadas a las entidades gestoras de

En cuanto al ramo de no vida, tenindose en cuenta el artculo

3. Vehculos terrestres (no ferroviarios).

11. Responsabilidad civil en vehculos areos (comprendida la

A continuacin, analizamos la evolucin reciente del sector

Figura 1: Evolucin del Sector Asegurador Espaol I.

El crecimiento experimentado en el sector se debe a diversas

Figura 2: Evolucin del Sector Asegurador Espaol II.

En este sentido, se prev una mejora progresiva de las

Figura 3: Evolucin del Sector Asegurador Espaol III.

La recuperacin de la actividad ser ms acusada en los

Figura 4: Evolucin del Sector Asegurador Espaol IV.

Los escasos avances esperados en la renta de los hogares

Figura 5: Evolucin del Sector Asegurador Espaol V.

Figura 6: Evolucin del Sector Asegurador Espaol VI.

Figura 7: Evolucin del Sector Asegurador Espaol VII.

1.2 La Solvencia en el Sector Asegurador:

provisiones tcnicas suficientes para el conjunto de sus

Por su parte, el fondo de garanta se encuentra regulado en el

El anlisis de Solvencia 0, I y II se realiza tomando como

2. Activos disponibles para cubrir los siniestros incurridos a lo

- Coberturas complementarias: se aplican los mrgenes de no

Para el ndice de siniestros:

Figura 8: Cronologa Directivas Solvencia Europea.

del seguro, pero sugiriendo que en un futuro sera deseable

Estos tres principios, por tanto, se basaban en establecer una

provisiones mnimas a constituir por las entidades aseguradoras

- Modelos internos de riesgos de las compaas aseguradoras

aseguradora con relacin a las frmulas normalizadas a

A partir del 1 de enero de 2016, la Directiva 2009/138/CE

Solvencia II es una iniciativa originada en la UE que busca definir

Los Ttulos, por su parte, se van a desglosar en Captulos, y los

Para alcanzar estos objetivos, Solvencia II est diseada sobre

capital mnimo, e inversiones. Estos indicadores suponen una

2.1 Definicin y Tipologas.

5. Provisin tcnica de prestaciones (artculo 39 ROSSP). Deber

2. Notificacin: el siniestro acontecido es comunicado a la

Figura 9: Ciclo Vida Reclamaciones Siniestros.

Puede suceder que los siniestros no sigan linealmente estas

En el mbito de las reservas de seguros de no vida, los datos

Figura 10: Presentacin de los datos: tringulo de siniestros I.

Figura 11: Presentacin de los datos: tringulo de siniestros II.

Con respecto al tringulo de siniestros, hay que tener en cuenta

2 En este trabajo se toma como divisin temporal de referencia el ao para

-Como notacin habitual, el ltimo ao de origen se suele notar

obstante, es habitual trabajar con el supuesto de que

- El nmero de aos de origen se corresponde con

y el nmero de aos de desarrollo se corresponde con

segn se comience en el momento

en un momento i y que han sido registradas en un momento