Los Cimientos de la Probabilidad Actuarial: Lo que el Examen P Revela sobre Pensar en Riesgo

El temario del SOA-P se ve familiar. Los temas llegan a la mente y los entiendes abstractamente (axiomas, probabilidad condicional, Bayes, todo eso ya lo vi en la carrera). Pero al resolver ejercicios la sensación cambia por completo. Se siente más como teoría de conjuntos que como teoría de probabilidad. La mayoría de esta sección usa propiedades de sigma-álgebras de manera implícita. Alguien puede resolver todo correctamente sin saber que es una “medida”, pero la perspectiva cambia cuando lo ves desde ahí.

Y la dificultad no está en entender los conceptos. Está en resolver de manera eficiente y limpia. El balance entre velocidad y claridad es parte del aprendizaje, no solo la matemática.

Este post es una guía de estudio. Cubre las tres ideas fundamentales de esta sección, por qué la SOA las pone primero, y cómo se conectan con el trabajo actuarial real.

El lenguaje de la incertidumbre

Los axiomas de Kolmogorov no parecen, a primera vista, algo que debería importarle a alguien que quiere tarificar pólizas. Son tres reglas que se ven abstractas: la probabilidad de cualquier evento es no negativa, la probabilidad del espacio muestral completo es uno, y si tienes eventos mutuamente excluyentes puedes sumar sus probabilidades.

Pero desde la perspectiva de seguros, estos axiomas son la razón por la cual el negocio asegurador tiene fundamento matemático. La no-negatividad se traduce directamente a que no existen primas negativas. La normalización a uno significa que el espacio muestral es exhaustivo: si estás tarificando un seguro de autos, el universo de posibilidades, desde cero siniestros hasta pérdida total, tiene que sumar uno. Si no suma uno, tu modelo tiene un hueco por donde se escapa dinero. Y la aditividad contable para eventos excluyentes es lo que permite descomponer un portafolio de riesgos en partes y trabajar con cada una por separado.

Lo que no es obvio hasta que empiezas a resolver problemas es que estos tres axiomas implican toda una maquinaria de teoría de conjuntos. La regla del complemento, P(A) = 1 - P(no A), sale directa del segundo axioma. Inclusión-exclusión, P(A o B) = P(A) + P(B) - P(A y B), es una consecuencia de la aditividad. En la práctica, un actuario evaluando coberturas múltiples en una póliza de daños usa inclusión-exclusión para no contar doble los escenarios donde ocurren dos tipos de siniestro. No necesita saber que está usando propiedades de sigma-álgebras, pero eso es exactamente lo que está haciendo.

Probabilidad condicional: casi nada en seguros es incondicional

P(A|B) = P(A y B) / P(B). Condicionar es reducir el universo. Cuando un actuario pregunta “¿cuál es la probabilidad de un siniestro dado que el asegurado tiene 22 años y vive en zona urbana?”, está eliminando de su análisis a todos los que no cumplen esa condición.

Casi nada en seguros es incondicional. La probabilidad de un reclamo depende de la edad, la ubicación, el historial, el tipo de propiedad, la ocupación. El proceso de clasificación de riesgo que usan las aseguradoras, y que la CNSF regula a través de la LISF y la CUSF, es fundamentalmente un ejercicio de probabilidad condicional. Cada variable de tarificación (edad, sexo, zona, tipo de vehículo) particiona el espacio muestral en subgrupos con diferentes perfiles de riesgo. Cuando un actuario construye una tabla de tarifa, está estimando P(siniestro | perfil del asegurado) para cada combinación posible.

El Examen P pone problemas con tablas de frecuencia conjunta que obligan a distinguir entre P(A y B), P(A|B) y P(B|A). Confundir la dirección del condicionamiento es uno de los errores más comunes y más costosos en la práctica. Si confundes P(joven | accidente) con P(accidente | joven), puedes asignar una prima incorrecta a todo un segmento demográfico. Los distractores del examen están diseñados para cazar exactamente este error: una respuesta que parece correcta pero corresponde a la probabilidad conjunta, otra al condicional invertido. Es un diseño que mide comprensión, no cálculo.

La regla de multiplicación, P(A y B) = P(A) * P(B|A), es la herramienta que permite modelar secuencias. Un árbol de probabilidad para un siniestro de daños por agua: P(tubería revienta) * P(daño excede $20,000 | tubería revienta). Esta descomposición en etapas condicionales es exactamente como opera un modelo actuarial de frecuencia-severidad.

Bayes: de la fórmula al pensamiento actuarial

Un suscriptor de autos recibe una solicitud de un conductor con tres accidentes en dos años. El instinto dice rechazar. Pero el instinto no es herramienta actuarial. Bayes sí.

Necesita tres ingredientes. La tasa base: en el portafolio general, ¿qué proporción de conductores son de alto riesgo? Supongamos 20%; ese es el prior. La verosimilitud: si un conductor es de alto riesgo, ¿cuál es la probabilidad de tres accidentes en dos años? Supongamos 15%. ¿Y si es de bajo riesgo? Quizá 2%.

P(alto riesgo | 3 accidentes) = P(3 accidentes | alto riesgo) * P(alto riesgo) / P(3 accidentes)

El denominador con la ley de probabilidad total: P(3 accidentes) = 0.15 * 0.20 + 0.02 * 0.80 = 0.030 + 0.016 = 0.046. Entonces P(alto riesgo | 3 accidentes) = 0.030 / 0.046 = 0.652. El prior de 20% se convirtió en un posterior de 65%. La evidencia actualizó la creencia, y el suscriptor ahora tiene base cuantitativa para su decisión.

Esto es el ancestro conceptual de la teoría de credibilidad, una de las herramientas más importantes en la práctica actuarial. La credibilidad hace lo mismo que Bayes pero a escala: toma la experiencia individual y la mezcla con la del portafolio completo para producir una estimación mejor que cualquiera de las dos por separado. La CNSF, a través de sus circulares de clasificación de riesgo, exige implícitamente razonamiento bayesiano: las notas técnicas deben justificar cómo se incorpora la experiencia del portafolio para calibrar probabilidades de siniestro. No usan la palabra “Bayes”, pero la lógica es idéntica.

El resultado contraintuitivo más famoso, y favorito de la SOA, es el de pruebas diagnósticas. Una prueba con 95% de sensibilidad y 90% de especificidad parece muy precisa. Pero si la enfermedad tiene prevalencia de 1%, la probabilidad de estar realmente enfermo dado un positivo es apenas 8.8%. La mayoría de los positivos son falsos. Directamente aplicable a detección de fraude en seguros: una regla que parece buena en tasa de acierto puede generar un número abrumador de falsos positivos si la tasa base de fraude es baja.

La meta: que sea automático

La SOA pone probabilidad general como Tema 1, entre 25% y 30% del peso del examen, porque es el cimiento de todo lo que sigue. Las variables aleatorias del Tema 2 son funciones sobre el espacio muestral que los axiomas formalizan. Las distribuciones multivariadas del Tema 3 son extensiones de la probabilidad condicional. Todo se construye encima de estos tres pilares.

Esta sección es interesante y al final bastante compacta. Mi meta es hacer 300 ejercicios este mes, suficientes para que nunca más tenga que pensar en cómo resolver estos problemas. Que mi pensamiento automático sea suficiente, que la resolución fluya sin esfuerzo consciente. No porque los problemas sean triviales, sino porque con suficiente práctica deliberada la mecánica se vuelve instintiva y puedo reservar la energía mental para los problemas que realmente la necesitan.

Estas ideas aparecen en problemas concretos. La inferencia bayesiana decide si una variante es mejor que otra en pruebas A/B: misma lógica de prior, verosimilitud y posterior. Un modelo de riesgo crediticio con GLM estima probabilidades condicionales de incumplimiento dado un perfil financiero.

Material de estudio

El material técnico que respalda este artículo (definiciones formales, demostraciones, problemas resueltos con análisis de distractores y tarjetas de referencia rápida) está en mi referencia de estudio para el Examen P:

• SOA Exam P: Referencia completa de estudio (v2): Referencia extensa que cubre los tres temas del examen con cientos de problemas resueltos, explicaciones técnicas e intuiciones.