摘要：El modelo de buenos-malos riesgos considera que la población o colectivo de asegurados de una cartera deseguros tiene dos tipos de riesgos. Un porcentaje de ellos tiene una baja probabilidad de siniestralidad, son losbuenos riesgos; mientras que el resto tiene una alta probabilidad de siniestralidad, son los malos riesgos. Enesta situación, una única distribución de probabilidad no resulta lo más adecuado para modelar el proceso desiniestralidad, siendo más sugerente una combinación convexa de dos o más distribuciones. Hewitt (1.966) hautilizado la combinación log-gamma+log-gamma; Hewitt y Lefkowitz (1.979), la combinación gamma+log-gamma y gamma+log-normal; Venter (1.991) la combinación Poisson+Poisson, etc. Sin embargo, no aparecenen la literatura estudios de esta naturaleza considerados desde una perspectiva bayesiana.En este trabajo se analiza el modelo de los buenos-malos riesgos desde un punto de vista bayesiano y serealiza un análisis de robustez del mismo utilizando una clase de distribuciones a priori dada por contaminacio-nes de una distribución fija.
其他摘要：Good and Bad models consider population of an insurances portfolio has two types of risks. There are goodrisks, which has low claims probabilities and bad risks with high claims probabilities. So we need a convexcombination of two or more distributions to model this situation. Hewitt (1.966) has used combination log-gamma+log-gamma; Hewitt and Lefkowitz (1.979) used combination gamma+log-gamma and gamma+log-normal; Venter (1.991) used combination Poisson+Poisson, etc. However, bayesian methodology has not studiedthis model.In this work we analyzed the model of the good-bad risks from a Bayesian point of view and we willmeasure the sensitivity of Bayesian Premium with respect to disturbances in the prior distribution from the riskparameter using a fixed contaminated class.
关键词：Theory of Credibility; Good and Bad Risks; Bayesian Robustness; Contaminated Class;Teoría de la Credibilidad; Buenos-malos riesgos; Robustez bayesiana; Clase de contamina-ción
