CAPITULO III

3.1 Estndares de prctica actuarial

3.1.1 Estndar de Prctica Actuarial No. 3
El Estndar de Prctica Actuarial No. 3 nos proporciona los principales lineamientos y
criterios generales que el actuario debe considerar en la determinacin o clculo
actuarial de las primas de tarifa para los contratos de seguro de largo plazo. Estos
lineamientos fueron desarrollados con el fin de proporcionar una gua prctica para la
realizacin de esta tarea.
El clculo actuarial de las primas de tarifa en los seguros de largo plazo, depende de las
caractersticas del riesgo, as como del plazo de los contratos; este proceso es un factor
determinante para la solvencia y rentabilidad del negocio, bajo un esquema de
suficiencia.
En Mxico, este proceso se ha realizado con base en el conocimiento, experiencia
prctica y criterio del actuario responsable, apoyado en la informacin estadstica
disponible y en la normatividad establecida para cada ramo y tipo de seguro.
Los principios para el clculo de las primas de tarifa para seguros de largo plazo son:
I.

El valor presente esperado de las Primas de Tarifas debe ser igual al valor
presente esperado, a la tasa tcnica o de descuento, de los costos de
siniestralidad y obligaciones contractuales, costos de administracin, de
adquisicin y margen de utilidad.

II.

La prima de tarifa debe garantizar suficiencia y solvencia. Los procedimientos

para la valoracin del riesgo deben considerar un nivel razonable de confianza
en cuanto al cumplimiento de todas las obligaciones.

III.

La prima de tarifa debe reconocer las caractersticas individuales o particulares

de las unidades expuestas al riesgo y la experiencia acumulada en grupos de

65

unidades sujetas a riesgos homogneos o similares. Tambin se puede tomar en

cuenta la experiencia particular de los grupos o colectividades especficas, con
base en la informacin estadstica suficiente y confiable que sustente el
comportamiento del riesgo.
Si la prima de tarifa representa una estimacin actuarial del valor esperado todos los
costos futuros asociados a una transferencia individual de riesgos, la prima de tarifa se
presume suficiente.
El clculo actuarial de una Prima de Tarifa se har bajo la premisa de una operacin de
seguros en marcha, por toda la vida de los riesgos que se suscriban en el futuro, a no
ser que el actuario responsable cuente con informacin que le haga suponer lo
contrario. Debe realizarse mediante un anlisis prospectivo y explicito de los flujos de
ingresos y egresos.
Debe contemplar hiptesis de todas las contingencias concretas y de otros factores
inherentes a la futura cartera de riesgos del asegurador, que puedan afectar los flujos de
efectivo previstos. Deber considerar la probabilidad de ocurrencia y la severidad de
todas las obligaciones contempladas en los contratos de seguros.
Dentro del margen de utilidad se podr incorporar un margen adicional para cubrir el
costo neto del reaseguro no proporcional, cuando ste resulte significativo y razonable,
en funcin a la transferencia del riesgo ya las condiciones del mercado.
Independientemente de los costos operativos y financieros, deber considerarse el
impacto de la cancelacin prematura por falta de pago.
Debern utilizarse supuestos sobre la tasa de inversin y la tasa tcnica o de descuento
prudenciales y con un grado razonable de confiabilidad, que consideren las polticas y
portafolios de inversin de la compaa, los riesgos asociados al mismo y tomen como

66

referencia la tasa libre de riesgo del mercado, as como las expectativas

macroeconmicas de tasas de rendimiento futuras y la inflacin.
La determinacin de la prima de tarifa deber sustentarse sobre bases actuariales y
procedimientos tcnicos y estadsticos aceptados en el medio actuarial, sin embargo el
actuario responsable podr aplicar su criterio, conocimiento y experiencia para ajustar
dichos procedimientos sobre bases razonables.
La prima de tarifa se debe revisar peridicamente en funcin de las variaciones en los
elementos considerados. En caso de existir elementos suficientes para afirmar que el
comportamiento de las variables y parmetros bsicos sufren variaciones significativas
con respecto a los supuestos empleados en el clculo, se deben actualizar, para nuevos
negocios, las primas de tarifa
Se pueden incorporar otros elementos relativos a la experiencia siniestral, polticas de
suscripcin o variables del mercado o entorno, etc., que se refieren al riesgo o a los
costos asociados.
El actuario deber vigilar que haya congruencia entre lo establecido en las condiciones
contractuales de un producto de seguros de largo plazo y la nota tcnica
correspondiente; en el caso en que no pueda cumplir con esta responsabilidad, deber
revelarlo conforme a las polticas y procedimientos aplicables.
La nota tcnica y cualquier otra documentacin relacionada con la valoracin del
riesgo y procedimientos aplicados por el actuario, deben ser resguardas por la entidad
que la aplique y deben estar disponibles para consulta, seguimiento y auditora.
3.1.2 Estndar de Prctica Actuarial No. 4
Este documento nos resume los lineamientos y criterios generales que el actuario debe
considerar en la determinacin o valuacin actuarial de las reservas de riesgos en curso,
para los contratos de seguro de largo plazo.

67

La valuacin actuarial de la reserva de riesgos en curso depende de las obligaciones

contradas por las aseguradoras, de las primas de tarifa y de los gastos inherentes, as
como del plazo de los contratos. Constituye un factor determinante para la solvencia y
rentabilidad del negocio, bajo un esquema de suficiencia.
En nuestro pas, este proceso se ha realizado con base en frmulas establecidas en la
normatividad vigente.
Los principios para la valuacin de la reserva de riesgos en cursos son:
I.

La reserva de riesgos en curso debe ser igual al valor presente esperado de los
costos de siniestralidad y obligaciones contractuales y costos de administracin,
menos el valor presente esperado de las Primas de Tarifa futuras, netas de costos
de adquisicin, menos, en su caso los costos de adquisicin diferidos.

II.

Los supuestos financieros de la valuacin deben ser consistentes con los

productos financieros que generarn los activos que respaldan a las reservas, con
objeto de garantizar suficiencia y solvencia.

III.

Deber reconocer las caractersticas de la cartera expuesta al riesgo. Tambin

debe tomar en cuenta la experiencia particular de grupos o colectividades
especficas, con base en informacin estadstica suficiente y confiable que
sustente el comportamiento de la cartera.

IV.

La reserva que se constituye deber ser la mayor de las obtenidas aplicando

diferentes escenarios de tasas de caducidad.

V.

Esta reserva de riesgos deber

ser por lo menos igual a la cantidad que

conforme a las condiciones contractuales, la institucin est obligada a devolver

al asegurado en caso de que se cancele el contrato.

68

La valuacin de la Reserva de Riesgos en curso se har bajo las premisas de una

operacin de seguros en marcha, por toda la vida de los riesgos que integran la cartera,
a menos que el actuario cuente con informacin que le haga suponer lo contrario.
Deber realizarse, al igual que el clculo de las primas de tarifas mediante un anlisis
prospectivo y explicito de los flujos de ingresos y egresos, pero considerando dentro de
los flujos las obligaciones contradas por pago de siniestros, dotales, rentas, dividendos
y rescates, as como tambin gastos de adquisicin y administracin inherentes a la
operacin de seguros durante el plazo de vigencia de la pliza.
La valuacin actuarial debe contemplar hiptesis de todas las contingencias concretas
y de otros factores inherentes a la cartera de riesgos en vigor que puedan afectar los
flujos de efectivo previstos. Deber considerar la probabilidad de ocurrencia y la
severidad de todas las obligaciones consideradas en el contrato de seguros.
Las hiptesis sobre eventos futuros debern sustentarse en la experiencia pasada real.
Los supuestos debern considerar un margen para desviaciones, que refleje el grado de
incertidumbre de las hiptesis en cuestin, excluyendo el impacto por riesgos
catastrficos y otras eventualidades atpicas de orden econmico financiero.
Se deber considerar el impacto de la cancelacin prematura por falta de pago,
independientemente de los costos operativos y financieros.
De manera similar, la valuacin de la reserva de riesgos en curso debe ser sustentada
sobre bases actuariales y en la aplicacin de procedimientos tcnicos y estadsticos
aceptados en el medio actuarial; pero, estas bases y procedimientos se pueden ajustar o
adecuar por el actuario responsable que podr aplicar su criterio, conocimiento y
experiencia.
Peridicamente se deben revisar los supuestos considerados para la valuacin de la
reserva, en funcin de las variaciones en los elementos considerados. En caso de existir

69

elementos suficientes para afirmar el comportamiento de las variables y los parmetros

bsicos sufren variaciones con respecto a los supuestos utilizados se debern actualizar
dichas hiptesis.
La ultima valuacin, deber ser consistente con la informacin de las valuaciones
anteriores, con los estados financieros, la informacin de negocios en turno y con los
registros de movimientos de plizas. Se deber verificar que los supuestos y mtodos
sean aplicados correctamente en funcin de las obligaciones de las plizas.
Cualquier cambio realizado a mtodos o supuestos, deber ser revelado y cuantificado
por el actuario responsable.
Podr incorporar otros elementos relativos a la experiencia siniestral, polticas de
suscripcin o variables del entorno, etc, que se refieran al riesgo o a los costos
asociados.
Si los efectos de la tasa de caducidad son significativos y tienen un efecto de
incremento en la reserva obtenida sin considerar la caducidad, estos debern ser
considerados en la evaluacin de la experiencia histrica de los riegos y en el
establecimiento de los supuestos actuariales. En dicho caso se debern utilizar varios
escenarios de caducidad, tales escenarios debern tener en cuenta las caractersticas de
los contratos y la experiencia del mercado.
En la parte de la congruencia, el actuario deber vigilar que exista congruencia entre la
cartera en vigor y la valuada, en caso contrario, deber revelarlo conforme a las
polticas y procedimientos aplicables.
La nota tcnica, resultados de la valuacin y cualquier otra documentacin relacionada
con ella, los procedimientos aplicados, deben ser resguardados por la entidad que la
aplique y estar disponibles para fines de consulta, seguimiento y auditora.

70

3.2 Variables Aleatorias Continuas

En gran nmero de experimentos aleatorios es necesario, para su tratamiento
matemtico, cuantificar los resultados de modo que se asigne un nmero real a cada
uno de los resultados posibles del experimento. De este modo se establece una relacin
funcional entre elementos del espacio muestral asociado al experimento y nmeros
reales.
Una variable aleatoria es una funcin real definida en el espacio muestral asociado a
un experimento aleatorio, .
:
Se llama rango de una variable aleatoria y lo denotaremos , al conjunto de los
valores reales que sta puede tomar, segn la aplicacin Y. Dicho de otro modo, el
rango de una variable aleatoria es el recorrido de la funcin por la que sta queda
definida:
= () =
Antes de definir la variable aleatoria continua de manera formal, debemos precisar qu
es una funcin de distribucin relacionada a cualquier variable aleatoria.
Si es cualquier variable aleatoria, la funcin de distribucin de , que se
denota (), se expresa mediante () = para < < .

Propiedades de una funcin de distribucin

Si es una funcin de distribucin, entonces
1. lim = 0
71

2. lim = 1
3. es una funcin no decreciente de . Si 1 y 2 son variables cualesquiera
tales que 1 < 2 , entonces 1 2
La naturaleza de la funcin de distribucin relacionada con una variable aleatoria
determina si la variable es continua o discreta.

Una variable aleatoria es continua si su recorrido no es un conjunto numerable.

Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca
todo un intervalo de nmeros reales. Por ejemplo, la variable que asigna la estatura a
una persona extrada de una determinada poblacin es una variable continua ya que,
tericamente, todo valor entre, pongamos por caso, 0 y 2,50 m, es posible.
Sea una variable aleatoria con funcin de distribucin (). Se dice que es
continua si la funcin de distribucin () es continua para < < 2 .
En este caso, debemos tener, para cualquier nmero real , = = 0.
La derivada de () es otra funcin primordial en la teora de la probabilidad y
estadstica.
Si es la funcin de distribucin de una variable aleatoria continua , entonces
(), dada por:
=

()

= (),

siempre y cuando exista la derivada, se conoce como funcin de densidad de

probabilidad para la variable aleatoria Y.
Entonces se deduce que F (y) puede expresarse como:

72

Donde f (*) es la funcin de densidad de probabilidad, y t es la variable de integracin.

La funcin de probabilidad es un modelo terico de la distribucin de frecuencias de
una poblacin de mediciones.
La funcin de densidad tambin tiene sus propiedades correspondientes:
1. 0 para cualquier valor de
2.

= 1.

La funcin de densidad o la distribucin de probabilidad de una variable aleatoria

contiene exhaustivamente toda la informacin sobre la variable. Sin embargo resulta
conveniente resumir sus caractersticas principales con unos cuantos valores
numricos. Estos son, fundamentalmente la esperanza y la varianza.
La esperanza matemtica o valor esperado de una variable aleatoria es la suma del
producto de la probabilidad de cada suceso por el valor de dicho suceso.
Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica.
El valor esperado de una variable aleatoria continua es

siempre y cuando exista la integral.

Esta definicin concuerda con nuestra nocin de promedio o media.
La varianza es una medida de la dispersin de una variable aleatoria respecto a su
esperanza []. Se define como la esperanza de la transformacin [] 2 : esto
es,
= []

73

Est relacionada con la desviacin estndar o desviacin tpica, que se suele denotar
por la letra griega (sigma) y que es la raz cuadrada de la varianza,
=

() o bien 2 = ()

3.3 Distribucin Normal, Uniforme Continua, Exponencial

3.3.1 Distribucin Uniforme Continua
En teora de probabilidad y estadstica, la distribucin uniforme continua es una
familia de distribuciones de probabilidad para variables aleatorias continuas, tales que
cada miembro de la familia, todos los intervalos de igual longitud en la distribucin en
su rango son igualmente probables. El dominio est definido por dos parmetros, y
, que son sus valores mnimo y mximo. La distribucin es a menudo escrita en
forma abreviada como (, ).
La funcin de densidad de probabilidad de la distribucin uniforme continua es:
=

0
< >

Las cantidades y son parmetros de la funcin de densidad uniforme y sin duda

son importantes valores numricos de la funcin de densidad terica. Tanto la amplitud
como la probabilidad de que caiga en cualquier intervalo determinado dependen de
los valores de y .
Los valores en los dos extremos y no son por lo general importantes porque no
afectan el valor de las integrales de sobre el intervalo, ni de o
expresiones similares. A veces se elige que sean cero, y a veces se los elige con el valor
1 . Este ltimo resulta apropiado en el contexto de estimacin por el mtodo de
mxima verosimilitud. En el contexto del anlisis de Fourier, se puede elegir que el
valor de () () sean 1 2 , para que entonces la transformada inversa de
74

muchas transformadas integrales de esta funcin uniforme resulten en la funcin inicial,

de otra forma la funcin que se obtiene sera igual "en casi todo punto", o sea excepto
en un conjunto de puntos con medida nula. Tambin, de esta forma resulta consistente
con la funcin signo que no posee dicha ambigedad.

Funcin de distribucin de probabilidad

La funcin de distribucin de probabilidad es:

0

<
<

Aplicaciones

La distribucin uniforme es de gran importancia por razones tericas. Los estudios de

simulacin son tcnicas valiosas para validar modelos en estadstica. Si queremos un
conjunto de observaciones respecto a una variable aleatoria Y con funcin de
distribucin

a menudo podemos obtener los resultados que deseamos

transformando un conjunto de observaciones de una variable aleatoria uniforme.

En estadstica, cuando se utiliza un valor a modo de prueba estadstica para una
hiptesis nula simple, y la distribucin de la prueba estadstica es continua, entonces la
prueba estadstica esta uniformemente distribuida entre 0 y 1 si la hiptesis nula es
verdadera.

75

Muestreo de una distribucin uniforme

Existen muchos usos en que es til realizar experimentos de simulacin. Muchos

lenguajes de programacin poseen la capacidad de generar nmeros pseudo-aleatorios
que estn distribuidos de acuerdo a una distribucin uniforme estndar.

Si u es un valor muestreado de una distribucin uniforme estndar, entonces el valor a +

(b a) u posee una distribucin uniforme parametrizada por a y b, como se describi
previamente.

3.3.2 Distribucin Normal

Una de las distribuciones tericas mejor estudiadas en los textos de bioestadstica y
ms utilizada en la prctica es la distribucin normal, tambin llamada distribucin
gaussiana. Su importancia se debe fundamentalmente a la frecuencia con la que
distintas

variables

asociadas

fenmenos

naturales

cotidianos

siguen,

aproximadamente, esta distribucin. Caracteres morfolgicos; como la talla o el peso,

o psicolgicos; como el cociente intelectual, son ejemplos de variables de las que
frecuentemente se asume que siguen una distribucin normal. No obstante, y aunque
algunos autores han sealado que el comportamiento de muchos parmetros en el
campo de la salud puede ser descrito mediante una distribucin normal, puede resultar
incluso poco frecuente encontrar variables que se ajusten a este tipo de
comportamiento.
El uso extendido de la distribucin normal en las aplicaciones estadsticas puede
explicarse, adems, por otras razones. Muchos de los procedimientos estadsticos
habitualmente utilizados asumen la normalidad de los datos observados. Aunque
muchas de estas tcnicas no son demasiado sensibles a desviaciones de la normal y, en
general, esta hiptesis puede obviarse cuando se dispone de un nmero suficiente de
76

datos, resulta recomendable contrastar siempre si se puede asumir o no una

distribucin normal. La simple exploracin visual de los datos puede sugerir la forma
de su distribucin. No obstante, existen otras medidas, grficos de normalidad y
contrastes de hiptesis que pueden ayudarnos a decidir, de un modo ms riguroso, si la
muestra de la que se dispone procede o no de una distribucin normal. Cuando los
datos no sean normales, podremos o bien transformarlos o emplear otros mtodos
estadsticos que no exijan este tipo de restricciones, como los llamados mtodos no
paramtricos.
A continuacin se describir la distribucin normal, su ecuacin matemtica y sus
propiedades ms relevantes, proporcionando algn ejemplo sobre sus aplicaciones a la
inferencia estadstica. .
La distribucin normal fue reconocida por primera vez por el francs Abraham de
Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor
desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se la
conozca, ms comnmente, como la "campana de Gauss". La distribucin de una
variable normal est completamente determinada por dos parmetros, su media y su
desviacin estndar, denotadas generalmente por y . Con esta notacin, la densidad
de la normal viene dada por la ecuacin:
=

1 2
2

; < <

que determina la curva en forma de campana que tan bien conocemos. As, se dice que
una caracterstica sigue una distribucin normal de media y varianza 2 , y se
denota como , , si su funcin de densidad viene dada por la ecuacin
anterior.
Propiedades de la distribucin normal:

77

La distribucin normal posee ciertas propiedades importantes que conviene destacar:

1. Tiene una nica moda, que coincide con su media y su mediana.

2. La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
y + es tericamente posible. El rea total bajo la curva es, por tanto, igual a
1.
3. Es simtrica con respecto a su media . Segn esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un
50% de observar un dato menor.
4. La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es
igual a una desviacin tpica (). Cuanto mayor sea , ms aplanada ser la curva
de la densidad.
5. El rea bajo la curva comprendida entre los valores situados aproximadamente a
dos desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95%
de posibilidades de observar un valor comprendido en el intervalo 1.96; +
1.96
6. La forma de la campana de Gauss depende de los parmetros y . La media
indica la posicin de la campana, de modo que para diferentes valores de la
grfica es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin
estndar determina el grado de apuntamiento de la curva. Cuanto mayor sea el
valor de , ms se dispersarn los datos en torno a la media y la curva ser ms
plana. Un valor pequeo de este parmetro indica, por tanto, una gran
probabilidad de obtener datos cercanos al valor medio de la distribucin.

Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino
una familia de distribuciones con una forma comn, diferenciadas por los valores de su

78

media y su varianza. De entre todas ellas, la ms utilizada es la distribucin normal

estndar, que corresponde a una distribucin de media 0 y varianza 1. As, la expresin
que define su densidad se puede obtener de la ecuacin descrita anteriormente,
resultando:

1
2

2
; < <
2

Es importante conocer que, a partir de cualquier variable que siga una

distribucin , , se puede obtener otra caracterstica con una distribucin normal
estndar, sin ms que efectuar la transformacin:

Esta propiedad resulta especialmente interesante en la prctica, ya que para una

distribucin 0,1 existen tablas a partir de las que se puede obtener de modo sencillo
la probabilidad de observar un dato menor o igual a un cierto valor , y que permitirn
resolver preguntas de probabilidad acerca del comportamiento de variables de las que se
sabe o se asume que siguen una distribucin aproximadamente normal.

El Teorema del lmite central establece que bajo ciertas condiciones (como pueden ser
independientes e idnticamente distribuidas con varianza finita), la suma de un gran
nmero de variables aleatorias se distribuye aproximadamente como una normal.

La importancia prctica del Teorema del lmite central es que la funcin de distribucin
de la normal puede usarse como aproximacin de algunas otras funciones de
distribucin. Por ejemplo:

79

Una distribucin binomial de parmetros n y p es aproximadamente normal para

grandes valores de n, y p no demasiado cercano a 1 0 (algunos libros
recomiendan usar esta aproximacin slo si np y n(1 p) son ambos, al menos,
5; en este caso se debera aplicar una correccin de continuidad).
La normal aproximada tiene parmetros = np, 2 = np(1 p).

Una distribucin de Poisson con parmetro es aproximadamente normal para

grandes valores de .

La distribucin normal aproximada tiene parmetros = 2 = .

La exactitud de estas aproximaciones depende del propsito para el que se necesiten y

de la tasa de convergencia a la distribucin normal. Se da el caso tpico de que tales
aproximaciones son menos precisas en las colas de la distribucin. El Teorema de
Berry-Essen proporciona un lmite superior general del error de aproximacin de la
funcin de distribucin.

Los grficos de probabilidad normal constituyen otra importante herramienta grfica

para comprobar si un conjunto de datos puede considerarse o no procedente de una
distribucin normal. La idea bsica consiste en enfrentar, en un mismo grfico, los
datos que han sido observados frente a los datos tericos que se obtendran de una
distribucin gaussiana. Si la distribucin de la variable coincide con la normal, los
puntos se concentrarn en torno a una lnea recta, aunque conviene tener en cuenta que
siempre tender a observarse mayor variabilidad en los extremos. Una curva en forma
de "U" o con alguna curvatura, significa que la distribucin es asimtrica con respecto a
la gaussiana, mientras que un grfico en forma de "S" significar que la distribucin
tiene colas mayores o menores que la normal, esto es, que existen pocas o demasiadas
observaciones en las colas de la distribucin.

80

Parece lgico que cada uno de estos mtodos se complemente con procedimientos de
anlisis que cuantifiquen de un modo ms exacto las desviaciones de la distribucin
normal. Existen distintos test estadsticos que podemos utilizar para este propsito. El
test de Kolmogorov-Smirnov es el ms extendido en la prctica. Se basa en la idea de
comparar la funcin de distribucin acumulada de los datos observados con la de una
distribucin normal, midiendo la mxima distancia entre ambas curvas. Como en
cualquier test de hiptesis, la hiptesis nula se rechaza cuando el valor del estadstico
supera un cierto valor crtico que se obtiene de una tabla de probabilidad. Dado que en
la mayora de los paquetes estadsticos, como el SPSS, aparece programado dicho
procedimiento, y proporciona tanto el valor del test como el p-valor correspondiente, no
nos detendremos ms en explicar su clculo. Existen modificaciones de este test, como
el de Anderson-Darling que tambin pueden ser utilizados. Otro procedimiento muy
extendido es tambin el test chi-cuadrado de bondad de ajuste. No obstante, este tipo de
procedimientos deben ser utilizados con precaucin. Cuando se dispone de un nmero
suficiente de datos, cualquier test ser capaz de detectar diferencias pequeas an
cuando estas no sean relevantes para la mayor parte de los propsitos. El test de
Kolmogorov-Smirnov, en este sentido, otorga un peso menor a las observaciones
extremas y por la tanto es menos sensible a las desviaciones que normalmente se
producen en estos tramos.

Otros test utilizados son:

Test de Lilliefors

Test de AndersonDarling

Test de RyanJoiner

Test de ShapiroWilk

81

Normal probability plot (rankit plot)

Test de JarqueBera

Test omnibs de Spiegelhalter

3.3.3 Distribucin Exponencial

En estadstica la distribucin exponencial es una distribucin de probabilidad continua

con un parmetro > 0 cuya funcin de densidad es:
0
=
0

Su funcin de distribucin es:

= =

< 0
0

1
0

Donde e representa el nmero e.

El valor esperado y la varianza de una variable aleatoria con distribucin exponencial
son:
=

1
2

La distribucin exponencial es el equivalente continuo de la distribucin geomtrica

discreta. Esta ley de distribucin describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el
tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un
instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado
nada.

82

Se dice que sigue una distribucin exponencial de parmetro , se distribuye

~().
3.4 Reserva de Riesgos en Curso para Accidentes y Enfermedades y Daos
Suficiencia
Segn la Disposicin Novena de la Circular S-10.1.2 del 11 de septiembre de 2003,
sometemos a registro de manera transitoria ante esa Comisin la nota tcnica para la
valuacin de la reserva de riesgos en curso, con fundamento en la Disposicin Dcima
Primera de la citada circular, mediante el siguiente procedimiento:
Para la operacin de Daos y Accidentes y Enfermedades

Se determinar para cada pliza en vigor, la prima de riesgo, la cual

corresponder a la prima de tarifa neta de los gastos de administracin, costos de
adquisicin y margen de utilidad de acuerdo con los registrados en la nota
tcnica del producto.

PR x PTx 1 %GAdm x %CAdq x %Ut x

donde:

PR x : Prima de riesgo de la pliza x .

PT x : Prima de tarifa de la pliza x .
%GAdm x : Porcentaje de los gastos administracin de la pliza x segn nota tcnica del
producto.

%CAdq x : Porcentaje de los costos de adquisicin de la pliza x segn nota tcnica del
producto.

%Ut x : Porcentaje de la utilidad de la pliza x segn nota tcnica del producto.

Ya que se determin el resultado anterior, se calcular la prima de riesgo no

devengada para pliza en vigor como la prima neta multiplicada por el factor de
83

proporcin de tiempo no transcurrido, basndose en el tiempo de vigencia de la

pliza.

facptnt x

f fvig x f VALx
f fvig x f ivig x

donde:
fac ptnt x : Factor de proporcin de tiempo no transcurrido de la pliza x .
f fvig x :

Fecha final de vigencia de la pliza x .

f VALx :

Fecha de valuacin de la pliza x .

f ivig x :

Fecha inicial de vigencia de pliza x .

As que:
PRND x PR x * fac ptnt x

donde:

PRND x : Prima de riesgo no vengada de la pliza x .

Se determinar la porcin no devengada de gastos de administracin de cada una

de las plizas en vigor, como la porcin correspondiente a los gastos de
administracin y margen de utilidad de acuerdo a la nota tcnica del producto, a
la prima de tarifa de la pliza multiplicada por el factor de porcin de tiempo no
transcurrido, tomando como base el tiempo de vigencia de la pliza.
GAdm nd x PT x %GAdm x %Ut x * fac ptnt x

donde:
GAdm nd x : Gastos de administracin no devengados de la pliza x .

84

Se determinar el factor de suficiencia como el cociente entre los siniestros del

seguro directo ocurridos correspondientes a los ltimos 12 trimestres, entre la
prima bruta de riesgo devengada de las plizas en vigor correspondiente a los
referidos 12 trimestres. Aqu, hacemos la reiteracin que nuestra compaa
cuenta con periodos menores de operacin, por lo que este factor se determinar
considerando los meses que ha estado en operacin la empresa.
n

f SUF

S
i 1

SDi

PBRD
i 1

donde:

f SUF : Factor de suficiencia propio.

n : nmero mximo de periodos en operacin de la compaa.
S SDi : Siniestros del seguro directo del trimestre i .

PBRD i : Prima bruta de riesgo devengada del trimestre i .

Adems:

PBRD x PR x 1 fac ptnt

PBRDi PBRDx

Se determinar la reserva de riesgos en curso de cada pliza en vigor, como la

prima de riesgo no devengada, multiplicada por el factor de suficiencia de la
compaa de acuerdo al punto anterior ms los gastos de administracin no
devengados.
RRC SUFx PRND x * f SUF GAdm nd x

RRC SUFx : Reserva de riesgos en curso suficiente de la pliza x .

85

El importe que resulte del punto anterior no ser inferior en cada una de las
plizas, a la parte de la prima de tarifa no devengada, previamente disminuida de
la porcin del costo de adquisicin correspondiente, que conforme a las
condiciones contractuales, la empresa est obligada en devolver al asegurado, en
caso de cancelacin de la pliza.

RRC x max RRC SUFX , PNND x

donde:

PNND x : Prima neta no devengada de la pliza x basndose en el mtodo tradicional de

prima neta no devengada.

86