Vous êtes sur la page 1sur 136

Universidade do Minho

Escola de Cincias

Pedro Alexandre Fernandes de Lima Ramos Princpios de clculo de prmios e de medidas de risco em modelos atuariais
Pedro Alexandre Fernandes de Lima Ramos

Princpios de clculo de prmios e de


medidas de risco em modelos atuariais

UMinho | 2014

Outubro de 2014
Universidade do Minho
Escola de Cincias

Pedro Alexandre Fernandes de Lima Ramos

Princpios de clculo de prmios e de


medidas de risco em modelos atuariais

Dissertao de Mestrado
Estatstica

Trabalho efectuado sob a orientao de


Doutora Ana Patrcia Gonalves
Doutora Irene Ribeiro Brito

Outubro de 2014
3

Agradecimentos
Agradeo Professora Doutora Ana Patrcia Gonalves e Professora Doutora Irene

Brito por tudo o que me ensinaram e pela total disponibilidade e simpatia com que me

orientaram ao longo da produo desta tese.

Agradeo igualmente aos meus pais e minha irm.


4
5

Resumo
O principal objetivo desta tese o estudo dos princpios de clculo de prmios e das

medidas de risco mais utilizadas.

Para que tal seja levado a cabo de uma forma consistente e detalhada, necessrio

explorar determinados conceitos relativos Teoria da Runa, como a noo de processo de

Poisson homogneo, o modelo de risco de Crmer-Lundberg, o coeciente de ajustamento,

a probabilidade de runa, entre outros, conceitos esses denidos e formalizados no segundo

captulo. So calculados os valores que estes ltimos podem assumir em situaes concretas,

como, por exemplo, o valor da probabilidade de runa quando as indemnizaes individuais

seguem uma distribuio exponencial.

No terceiro captulo, vrios princpios de clculo de prmios so denidos, juntamente

com as respetivas propriedades e com exemplos de clculo nos quais se aplicam tais prin-

cpios.

O quarto captulo incide sobre as denominadas medidas de risco. Ao longo deste cap-

tulo, apresentam-se as medidas de risco mais utilizadas, as suas propriedades so discutidas

e os seus valores determinados para situaes especcas.

No quinto captulo, calculam-se os valores do prmio de acordo com vrios princpios

para seis distribuies absolutamente contnuas concretas. Posteriormente, determinam-

se os valores de quatro medidas de risco para cada uma dessas distribuies. Por m,

determinam-se vrios valores para a probabilidade de runa referente a trs tipos de mo-

delos especicados. Nete captulo, todos os clculos resultam da utilizao de programas

especialmente concebidos para o efeito, presentes nos anexos. Os resultados so cuidado-

samente comparados e analisados.


6
7

Abstract
The main objective of this thesis is the study of premium calculation principles and

risk measures.

In orther to do so consistently it is necessary to explore some concepts related to

Ruin Theory set out in the second chapter, such as the homogeneous Poisson processes,

the Crmer-Lundberg risk model, the adjustment coecient, the ruin probability, among

others. Several examples are presented in which calculations are made to nd out these

quantities in specic cases, such as the ruin probability when the claims follow an expo-

nential distribution.

In the third chapter, multiple premium calculation principles are dened along with

their properties and some practical examples.

The fourth chapter is about risk measures. Throughout this chapter various risk mea-

sures are described, their properties discussed and their values calculated in specic situ-

ations.

In the fth chapter, six absolutely continuous claim distributions are specied. Then the

premium is calculated according to several premium principles for each claim distribution.

Afterwards, four risk measures are calculated for all six claim distributions. Finally, several

values for the ruin probability of three model types are presented. These calculations are

obtained by running programs especially designed to this purpose. These programs appear

in the accompanying documents. The results they supply are compared and analysed.
8
Contedo

1 Introduo 15

2 Teoria da Runa 17
2.1 Processos de Poisson homogneos . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 O modelo clssico de risco em tempo contnuo . . . . . . . . . . . . . . . . . 20

2.3 Coeciente de ajustamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4 A probabilidade de runa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.5 A perda agregada mxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.6 Teoria do Renovamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.7 Um modelo de risco a tempo discreto . . . . . . . . . . . . . . . . . . . . . . 38

3 Clculo de prmios 41
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.2 Princpios de clculo de prmios . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.2.1 O princpio do prmio lquido . . . . . . . . . . . . . . . . . . . . . . 42

3.2.2 O princpio da esperana matemtica . . . . . . . . . . . . . . . . . . 42

3.2.3 O princpio da utilidade esperada . . . . . . . . . . . . . . . . . . . . 43

3.2.4 O princpio exponencial . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.2.5 O princpio da varincia . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.2.6 O princpio do desvio padro . . . . . . . . . . . . . . . . . . . . . . 48

3.2.7 O princpio de risco ajustado . . . . . . . . . . . . . . . . . . . . . . 52

3.2.8 O princpio da utilidade nula . . . . . . . . . . . . . . . . . . . . . . 53

3.2.9 O princpio de Esscher . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.2.10 O princpio do percentil . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.2.11 O princpio da perda mxima . . . . . . . . . . . . . . . . . . . . . . 54

3.3 Exemplos de clculo de prmios . . . . . . . . . . . . . . . . . . . . . . . . . 55

9
10 CONTEDO

3.4 Propriedades dos princpios de clculo de prmios . . . . . . . . . . . . . . . 58

3.4.1 Propriedades do princpio do prmio lquido . . . . . . . . . . . . . . 59

3.4.2 Propriedades do princpio da esperana matemtica . . . . . . . . . . 60

3.4.3 Propriedades do princpio exponencial . . . . . . . . . . . . . . . . . 60

3.4.4 Propriedades do princpio da varincia . . . . . . . . . . . . . . . . . 61

3.4.5 Propriedades do princpio do desvio padro . . . . . . . . . . . . . . 62

3.4.6 Propriedades do princpio do risco ajustado . . . . . . . . . . . . . . 63

3.4.7 Propriedades do princpio da utilidade nula . . . . . . . . . . . . . . 65

3.4.8 Propriedades do princpio de Esscher . . . . . . . . . . . . . . . . . . 67

3.4.9 Propriedades do princpio do percentil . . . . . . . . . . . . . . . . . 70

3.4.10 Propriedades do princpio da perda mxima . . . . . . . . . . . . . . 72

3.5 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4 Medidas de risco 77
4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.2 Exemplos de medidas de risco e respetivas propriedades . . . . . . . . . . . 78

4.2.1 "Value-at-Risk", V aR . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.2.2 "Tail-Value-at-Risk", T V aR . . . . . . . . . . . . . . . . . . . . . . . 82

4.2.3 "Conditional tail expectation", CTE . . . . . . . . . . . . . . . . . . 87

4.2.4 VaR condicional, CVaR . . . . . . . . . . . . . . . . . . . . . . . . . 88

4.2.5 "Expected shortfall", ES . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.2.6 Medida de Risco Padro . . . . . . . . . . . . . . . . . . . . . . . . 91

4.3 Relaes entre medidas de risco . . . . . . . . . . . . . . . . . . . . . . . . . 91

5 Aplicaes 95
5.1 Clculo computacional de prmios e de medidas de risco . . . . . . . . . . . 95

5.1.1 Apresentao das distribuies . . . . . . . . . . . . . . . . . . . . . 95

5.1.2 Valores do prmio segundo os diferentes princpios de clculo . . . . 98

5.1.3 Valores das medidas de risco . . . . . . . . . . . . . . . . . . . . . . 100

5.2 Clculo computacional da probabilidade de runa . . . . . . . . . . . . . . . 101

6 Concluso 107
ANEXOS 109
Lista de Figuras

2.1 Processo de Poisson N (t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2 Indemnizaes agregadas S(t) . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3 Modelo clssico de risco U (t) . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4 Probabilidade de Runa Eventual . . . . . . . . . . . . . . . . . . . . . . . . 31

2.5 Processo da perda agregada com perda agregada mxima . . . . . . . . . . 32

2.6 Processo U(t) com perda agregada mxima . . . . . . . . . . . . . . . . . . 33

4.1 Representao grca grca de VaR[X;0.995] e TVaR[X;0.995] . . . . . . . 84

5.1 Funes densidade de probablidade de X1 , X2 , X3 , X4 , X5 , X6 . . . . . . . 96

5.2 Probabilidade de runa para U1 (t), U2 (t) e U3 (t) . . . . . . . . . . . . . . . 104

11
12
Lista de Tabelas

3.1 Aplice hipottica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.2 R e u timos mais Prmio (3.2.6.3) para S . . . . . . . . . . . . . . . . . . . 50

3.3 Diferentes prmios utilizando o valor de R da tabela anterior . . . . . . . . 51

3.4 Aplice hipottica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.5 Diferentes prmios e R e u timos. . . . . . . . . . . . . . . . . . . . . . . . 52

3.6 Variveis aleatrias independentes . . . . . . . . . . . . . . . . . . . . . . . . 71

3.7 Vrios princpios de prmios e suas propriedades . . . . . . . . . . . . . . . 74

5.1 Coeciente de assimetria das distribuies . . . . . . . . . . . . . . . . . . . 98

5.2 Valores do prmio de acordo com vrios princpios . . . . . . . . . . . . . . 99

5.3 Valores do prmio de acordo com vrios princpios . . . . . . . . . . . . . . 99

5.4 Medidas de risco para X1 , X2 , X3 , X4 , X5 , X6 . . . . . . . . . . . . . . . . 100

5.5 Probabilidade de runa associada a X1 Gamma(900, 1). . . . . . . . . . . 102

5.6 Probabilidade de runa associada a X2 P areto(870.9827, 31.016). . . . . . 102

1

5.7 Probabilidade de runa associada a X3 Exp 900 . . . . . . . . . . . . . . 102

13
14
Captulo 1

Introduo

Desde sempre que o ser humano teve de lidar com o risco e a incerteza de eventos

futuros. Nesse sentido, o conceito de seguro remonta ao tempo dos romanos, que deram o

primeiro passo para o que hoje se denomina de seguro de vida, e, no sculo XV II , Fermat

e Pascal idealizaram a Teoria das Probabilidades. No sculo XV o sistema de seguros

europeu faliu, graas a tcnicas de gesto do risco intuitivas e pouco elaboradas. De a

em diante os matemticos principiaram a debruar-se neste assunto, o que gradualmente

conduziu origem das cincias atuariais.

As cincias atuariais so, assim, as cincias das tcnicas especcas de anlise de riscos

e expetativas, principalmente na administrao de seguros e fundos de penso. Dividem-

se em dois ramos: vida e no-vida. O primeiro trata das questes de longo prazo, como

reformas, penses e seguros. O segundo est relacionado com caractersticas de curto prazo,

como os seguros de automveis e de responsabilidade civil. O presente trabalho explora

conceitos, tcnicas e resultados no mbito das cincias atuariais, desde, por exemplo, o

modelo de risco de Crmer-Lundberg aos princpios de clculo de prmios e s medidas de

risco.

No captulo 2 do presente trabalho, aborda-se essencialmente o modelo de Crmer-

Lundberg, tambem designado de modelo clssico de risco, quer em tempo contnuo, quer

em tempo discreto. So explorados conceitos fundamentais como a probabilidade de runa,

o coeciente de ajustamento, entre outros. Vrios exemplos especcos so efetivamente

calculados.

No captulo 3, estudam-se os ditos prmios que as seguradoras requerem aos clientes

como contrapartida por lhes assegurarem determinados riscos. So apresentados diferentes

15
16 CAPTULO 1. INTRODUO

princpios para o clculo do prmio. So igualmente apresentadas propriedades importantes

que um princpio pode ou no vericar, sendo que se demontra a quais dessas propriedades

cada um dos princpios obedece. Neste captulo tambm guram vrios exemplos concretos

nos quais os prmios so calculados de acordo com diversos princpios.

O captulo 4 dedicado ao estudo de algumas medidas de risco. Trata-se de um conceito

relativamente recente e que pode ser encarado como uma medida para o quo perigoso

para a seguradora suportar um risco determinado. Analisa-se o signicado de cada medida

de risco apresentada, sua denio, propriedades, vantagens e desvantagens e exemplos

prticos de clculo.

No captulo 5, calculam-se os valores do prmio de acordo com os princpios explorados


e os valores das medidas de risco associados a vrias distribuies absolutamente contnuas.

Determinam-se igualmente valores aproximados para a probabilidade de runa associada

a modelos (clssicos) de risco concretos. Todo o clculo, neste captulo, de cariz com-

putacional, isto , resulta da aplicao de programas que se desenvolveram especialmente

para o efeito, programas esses presentes nos anexos. Os resultados so cuidadosamente

analisados.
Captulo 2

Teoria da Runa

Neste captulo apresentam-se os conceitos de base relativos Teoria da Runa. Principia-

se, na seco 2.1, por caracterizar um caso particular dos processos estocsticos, os deno-

minados processos de Poisson homogneos. Tal conceito fundamental na seco 2.2 ao

nvel da descrio do modelo clssico de risco ou modelo de Crmer-Lundberg. Por seu

turno, na seco 2.3, dene-se, entre outros conceitos, o coeciente de ajustamento, que

essencial na determinao da probabilidade de runa, presente na seco 2.4. Na seco

2.5 aborda-se a noo de perda agregada mxima no mbito do modelo clssico de risco

em tempo contnuo. Na seco 2.6, explora-se sumariamente a denominada Teoria do Re-

novamento. Por m, ao nvel da seco 2.7, descreve-se sucintamente um modelo de risco

em tempo discreto.

2.1 Processos de Poisson homogneos


Denio 2.1.1. Um processo estocstico um conjunto de variveis aleatrias {Y (t) :
t T} denidas no mesmo espao amostral, indexadas por um parmetro t variando num

conjunto T, designado por conjunto de ndices do processo.

Considere-se (, A, P ) um espao de probabilidade e T 6= um conjunto normalmente

representando o tempo. A cada tT associa-se uma varivel aleatria X(t), funo de

em E, onde E o conjunto dos estados do processo. Um processo estocstico no

mais, ento, do que uma famlia de variveis aleatrias indexadas por t.


Se T = {t : t 0}, o processo diz-se de parmetro ou tempo contnuo. Se T um

conjunto nito ou numervel, o processo diz-se de parmetro ou tempo discreto.

17
18 CAPTULO 2. TEORIA DA RUNA

Quanto ao conjunto dos estados E, o processo discreto se este ltimo for nito ou

numervel; contnuo se for innito no numervel.

Se um processo estocstico de tempo contnuo for tal que X(0) 0 e, para quaisquer

instantes t0 < t1 < . . . < tn , as variveis aleatrias X(t1 ) X(t0 ), . . . , X(tn ) X(tn1 )
forem independentes, ento o processo tem incrementos independentes.

Por outro lado, quando as variveis aleatrias X(t1 + h) X(t1 ) e X(t2 + h) X(t2 )
so identicamente distribudas, para quaisquer t1 e t2 e para todo h > 0, o processo tem

incrementos estacionrios.

Um caso particular de processos estocsticos so os processos de contagem:

Denio 2.1.2. Um processo estocstico {N (t) : t 0} um processo de contagem se,

xado t > 0, N (t) representa, por exemplo, o nmero de acontecimentos no intervalo de

tempo (0, t], ou seja, N (t) toma valores em N0 .

Por seu turno, um caso particular de processos de contagem so os processos de Poisson

homogneos:

Denio 2.1.3. Um processo de contagem {N (t) : t 0} com N (0) 0 diz-se um

processo de Poisson homogneo de intensidade >0 se verica as seguintes condies:

1) {N (t) : t 0} tem incrementos estacionrios e independentes;

2) Para qualquer t > 0, N (t) segue uma distribuio de Poisson de parmetro t, ou

et (t)k
seja, t > 0, N (t) P oisson(t), isto , P (N (t) = k) = k! , k = 0, 1, 2, . . .

Um processo de Poisson homogneo verica a propriedade seguinte.

Lema 2.1.1. Num processo de Poisson homogneo, o nmero de ocorrncias (no caso desta
tese, indemnizaes) em qualquer intervalo de tempo de amplitude h tem distribuio de
Poisson de parmetro h, independentemente da localizao desse intervalo e da histria
passada do processo, ou seja, independentemente do valor tomado pelas variveis aleatrias
indexadas a tempos anteriores ao dito intervalo de tempo. Formalizando:

eh (h)k
P (N (t + h) N (t) = k | N (s), s t) = , k = 0, 1, 2, . . . , t > 0.
k!

Demonstrao
eh (h)k
P (N (t+h)N (t) = k | N (s), s t) = P (N (h)N (0) = k) = P (N (h) = k) =
k!
2.1. PROCESSOS DE POISSON HOMOGNEOS 19

A primeira igualdade consequncia do ponto 1) da Denio 2.1.3; a segunda, resulta

do facto de N (0) 0; a terceira, justica-se pelo ponto 2) da Denio 2.1.3. 


O processo de Poisson homogneo , como j se referiu, um exemplo de um processo

de contagem. Para t > 0, N (t) conta o nmero de ocorrncias associadas a um fenmeno

aleatrio no intervalo de tempo (0, t]. No caso concreto inerente a este trabalho, o fenmeno

aleatrio ser a ocorrncia de indemnizaes a serem suportadas por uma seguradora. Ou

seja, para t xo, N (t) representa o nmero de indemnizaes efetuadas por uma seguradora
no intervalo de tempo (0, t]. A totalidade do montante das indemnizaes at ao instante

t representado por S(t), onde, para t > 0,

N (t)
X
S(t) = Xi , (2.1.0.1)
i=1

N (t) P oisson(t), > 0 e {Xi }i1 uma sucesso de variveis aleatrias no negativas

(com P (Xi = 0) = 0) independentes e identicamente distribudas a uma varivel aleatria

X e independentes de N (t) para todo t 0, em que cada Xi representa o montante da

i-sima indemnizao.

Denio 2.1.4. Seja {N (t) : t 0} um processo de Poisson homogneo e {Xi }i1 uma

sucesso de variveis aleatrias independentes e identicamente distribudas e independentes

de N (t), t 0.
para cada Um processo {Y (t) : t 0} um processo de Poisson composto
PN (t)
quando Y (t) = i=1 Xi .

Logo, S(t) um processo de Poisson composto.

No decorrer deste captulo, se nada se disser em contrrio, utiliza-se a seguinte notao:


PN (t)
N (t) representa um processo de Poisson homogneo de intensidade > 0; S(t) = i=1 Xi ,
onde {Xi }i1 a sucesso das indemnizaes individuais identicamente distribudas a uma

varivel aleatria X no negativa, com 1 = E[X], independentes entre si e independentes


PN
de N (t) para todo t > 0; S = i=1 Xi , N uma varivel aleatria discreta tomando valores

em N0 e independente de X.
Posto isto, considere-se, para i 1, ti o instante da i-sima indemnizao. A sucesso

T1 = t1 , T2 = t2 t1 , . . . , Tn = tn tn1 diz-se a sucesso dos tempos entre indemniza-

es. Note-se que t1 , t2 , . . . , tn so os pontos de descontinuidade das funes t N (t) e

t S(t). Neste caso, T1 , . . . , Tn so variveis aleatrias independentes e identicamente

distribudas, seguindo todas elas uma distribuio exponencial de mdia 1 . A sucesso

t1 = T1 , t2 = T1 + T2 , . . . , tn = T1 + . . . + Tn a sucesso dos tempos de espera.


20 CAPTULO 2. TEORIA DA RUNA

2.2 O modelo clssico de risco em tempo contnuo

O modelo clssico de risco em tempo contnuo para a atividade seguradora um processo

estocstico {U (t) : t 0}, onde, para cada t 0, U (t) = u + ct S(t), sendo que:

1) U (t) a reserva de risco, ou seja, o montante da seguradora no instante t, relativa-

mente ao risco em causa;

2) u o montante inicial da seguradora, isto , u = U (0);

3) c representa o montante arrecadado pela seguradora em prmios por unidade de

tempo (no modelo clssico este valor considerado invarivel no tempo);

4) S(t) representa o montante das indemnizaes que a seguradora teve de assegurar

at ao instante t.

A funo de distribuio das indemnizaes individuais X, representa-se por FX (x),


sendo que FX (x) = P (X x).

Uma trajetria ou concretizao de um Processo de Poisson homogneo N (t) represen-


tada na Figura 2.1. Os processos S(t) e U (t) correspondentes encontram-se representados

nas Figuras 2.2 e 2.3, respetivamente.

Figura 2.1: Processo de Poisson N (t) Figura 2.2: Indemnizaes agregadas S(t)
2.3. COEFICIENTE DE AJUSTAMENTO 21

Figura 2.3: Modelo clssico de risco U (t)

2.3 Coeciente de ajustamento


No intuito de descrever adequadamente o conceito de coeciente de ajustamento con-

veniente apresentar o seguinte conjunto de resultados.

Denio 2.3.1. A funo geradora de momentos de uma varivel aleatria X denida

por MX (t) = E[etX ], desde que a esperana seja nita para t real em algum intervalo

t0 < t < t0 , com t0 > 0.

Lema 2.3.1. (Equao de Wald) E[S] = E[X]E[N ].

Demonstrao
N
" " ## " n #
X X X
E[S] = E [E[S | N ]] = E E Xi | N = P (N = n)E Xi
i=1 n=0 i=1

X
= P (N = n)nE[X] = E[X]E[N ]. 
n=0

Lema 2.3.2. MS (r) = MN (ln (MX (r))).

Demonstrao

X h PN i
rS rS
MS (r) = E[e ] = E[E[e | N ]] = E er i=1 Xi | N = n P (N = n)
n=0

X h Pn i
X
= E e r i=1 Xi
P (N = n) = (MX (r))n P (N = n)
n=0 n=0
h i
=E eN ln (MX (r)) = MN (ln (MX (r))) . 
22 CAPTULO 2. TEORIA DA RUNA

Lema 2.3.3. Seja X uma varivel aleatria seguindo uma distribuio de Poisson de pa-
rmetro > 0, isto , X P oisson(). Ento, MX (r) = e(e .
r 1)

Demonstrao
rk k
X e e X (er )k r r 1)
MX (r) = E[erX ] = = e = e ee = e(e . 
k! k!
k=0 k=0

Lema 2.3.4. Seja S = i=1 Xi , N seguindo uma distribuio de Poisson, {Xi }i1 uma
PN

sucesso de variveis aleatrias independentes e identicamente distribudas a uma varivel


aleatria X no negativa, X e N independentes. Ento,

MS (r) = e(MX (r)1) .

Demonstrao
Combinando o Lema 2.3.2 com o Lema 2.3.3 conclui-se o pretendido. 

Lema 2.3.5. V ar[S] = E[N ]V ar[X] + E[X]2 V ar[N ].

Demonstrao

V ar[S] = E S 2 E [S]2 = E E S 2 | N (E [E [S | N ]])2


    
h i
= E V ar[S | N ] + E [S | N ]2 (E [E [S | N ]])2
h i
= E [V ar[S | N ]] + E E [S | N ]2 (E [E [S | N ]])2

= E[V ar[S | N ]] + V ar[E[S | N ]]

= E[N V ar[X]] + V ar[N E[X]]

= E[N ]V ar[X] + E[X]2 V ar[N ]. 

Denio 2.3.2. O coeciente de segurana associado a um determinado modelo (clssico)


de risco o nmero >0 tal que c = (1 + )1 .

Denio 2.3.3. O coeciente de ajustamento dene-se como sendo a nica raiz positiva

r=R da equao 1 + (1 + )1 r = MX (r).

Fazendo uso da Denio 2.3.2, vem que a igualdade da Denio 2.3.3 equivalente
PN
a rc = [MX (r) 1], isto , erc = MS (r), S = i=1 Xi , N P oisson(). Ou seja, o

coeciente de ajustamento representa o equilbrio, o ajustamento entre o que a seguradora

arrecada em prmios (rc) e o que despende em indemnizaes (MS (r)). De agora em diante

R representa sempre o coeciente de segurana.


2.3. COEFICIENTE DE AJUSTAMENTO 23

Pode-se mostrar que a equao 1 + (1 + )1 r = MX (r) da Denio 2.3.3 tem apenas

uma soluo positiva. Ora, essa equao equivalente a

c
MX (r) = 1 + r. (2.3.0.1)

c
Note-se que o segundo membro da equao anterior uma reta de declive
com 1

como ordenada na origem; o primeiro tal que limr MX (r) = +. Por outro lado,

MX (0) = 1;

dMX d(E[erX ])
(r) = (r) = E[XerX ] > 0, pois X > 0;
dr dr
d2 MX d(E[XerX ])
2
(r) = = E[X 2 erX ] > 0.
dr dr
A derivada no ponto r=0 do primeiro membro de (2.3.0.1) :

dMX
(0) = E[X] = 1 > 0.
dr
c
Por seu turno, a derivada no ponto r=0 do segundo membro de (2.3.0.1)
.

Isto , a funo de {r : r 0} R que a cada r atribui MX (r) interseta o eixo das

ordenadas em 1, crescente, cncava e tende para innito. Mais frente, mostra-se que

c dMX
para evitar a runa se deve vericar a inequao c > 1 . Daqui infere-se que
> dr (0).

Ento, na vizinhana de zero, a funo de {r : r 0} R que a cada r atribui MX (r)


tem ordenadas inferiores reta que gura no segundo membro da equao (2.3.0.1) e que

tambm interseta o eixo das ordenadas em 1. Por tudo isto, (2.3.0.1), tem duas solues:

r = 0 e um nmero R estritamente positivo, a que se chama de coeciente de ajustamento.


De seguida, calcula-se o coeciente de ajustamento no caso em que as indemnizaes

individuais seguem uma distribuio exponencial. Trata-se de um dos poucos casos em que

possvel obter-se uma expresso explcita para R.

Exemplo 2.3.1. Considerem-se: U (t) = u + ct S(t), X Exp(), > 0. Pretende-se

1
calcular o coeciente de ajustamento. Ora, E[X] = e
Z

MX (r) = E erX = erX ex dx =
 
, > r. (2.3.0.2)
0 r
(1+)
Logo, 1 + (1 + )1 r = MX (r) 1 + r = r R= 1+ .

R est bem denido poque > 0.


24 CAPTULO 2. TEORIA DA RUNA

Denio 2.3.4. (Distribuio limite) Seja Xn uma sequncia de variveis aleatrias com

funes de distribuio (FXn )n . Seja X uma varivel aleatria e FX (x) a respetiva funo

de distribuio. Se (FXn )n converge para FX (x), quando n , em todos os pontos x nos


quais FX (x) contnua, diz-se que Xn converge em distribuio para X. A distribuio

de X a distribuio limite de Xn .

Lema 2.3.6. Se 1 = E[X] e E X 2 so nitos e c > 1 , ento U (t) + com t.


 

Demonstrao. Fixando t, a varivel aleatria U (t) tem valor esperado e varincia,

respetivamente,

ut = E [U (t)] = E [u + ct S(t)] = u + t,

t2 = V ar [U (t)] = 2 t,

com 2 = E[X 2 ].
Prova-se facilmente, pelo Teorema central do limite, que a distribuio assimpttica de

U (t) normal, ou seja, a distribuio hipottica que a distribuio limite da sequncia

de variveis aleatrias {U (t) : t 0} normal.

Ento, para um valor M nito, vlida a seguinte relao:

 
U (t) ut M ut
lim FU (t) (M ) = lim P (U (t) M ) = lim P
t t t t t
() = 0,

onde FU (t) (M ) representa o valor da funo de distribuio da varivel aleatria U (t) em

M e (.) a funo de distribuio normal (0, 1). Em suma, limt P (U (t) M ) = 0, o

que prova o pretendido. 

2.4 A probabilidade de runa


O tempo de runa T uma varivel aleatria assim denida: T = inf{t > 0 : U (t) < 0}.
Ou seja, o menor dos tempos nos quais a seguradora no s no tem capital disponvel

como est em dvida para com outrm. Sublinhe-se que se considera T = se t


0, U (t) 0.
A probabilidade de runa (u) para um montante inicial da seguradora u = U (0) dene-
se como sendo (u) = P (T < | U (0) = u). A probabilidade de sobrevivncia, por seu

turno, denida por (u) = 1 (u).


2.4. A PROBABILIDADE DE RUNA 25

Teorema 2.4.1. (Teorema Fundamental de Risco) Para u 0, (u) = eRu


E[eRU (T ) |T <]
.

Demonstrao.

E[eRU (t) ] = E eRu E ecRt MS(t) (R) = eRu ecRt et(MX (R)1)
   

= eRu ecRt etRc = eRu .

Na segunda igualdade utiliza-se o Lema 2.3.4.

Por outro lado,

h i h i h i
E eRU (t) = P (t > T ) E eRU (t) | t > T + P (t T ) E eRU (t) | t T .

Mas, para t > T , U (t) = U (T ) + c(t T ) (S(t) S(T )). Ento:

h i h i
E eRU (t) | t > T = E eRU (T )Rc(tT )+R(S(t)S(T )) | t > T
h i h i
= E eRU (T )R(1+)1 (tT ) | t > T E eR(S(t)S(T )) .
| {z }
MS(t)S(T ) (R)

Como S(t) e S(T ) so processos de Poisson compostos independentes (ver [11]), ento

(S(t) S(T )) um Processo de Poisson Composto com parmetro (t T ).


Ora,

h i
E eRU (T )R(1+)1 (tT ) | t > T MS(t)S(T ) (R)
h i
= E eRU (T )R(1+)1 (tT )+(tT )(MX (R)1) | t > T
h cR
i
= E eRU (T )R(1+)1 (tT )+(tT )( ) | t > T
h i
= E eRU (T ) | t > T .

Na primeira igualdade utilizam-se os Lemas 2.3.2 e 2.3.3, na segunda, (2.3.0.1).

Ento:

h i h i h i
eRu = E eRU (t) = P (t > T )E eRU (T ) | t > T + P (t T )E eRU (t) | t T .

t , E eRU (t) | t T 0,
 
Fazendo pelo Lema 2.3.6. Daqui vem:

h i eRu
eRu = (u)E eRU (T ) | T < (u) =  . 
E eRU (T ) | T <

Tendo em conta que R>0 e que T designa o tempo de runa (e, portanto, U (T ) < 0),
ento eRU (T ) 1, de onde se conclui de imediato:

Corolrio 2.4.1. (Desigualdade de Lundberg) Para u 0, (u) < eRu .


26 CAPTULO 2. TEORIA DA RUNA

Da desigualdade de Lundberg vem que limu+ (u) = 0, isto , (u) uma funo

que tende para zero quando u tende para innito.

Teorema 2.4.2. Se X tem suporte limitado, de tal forma que FX (m) = 1, para algum m
nito, ento (u) > eR(u+m) .

Demonstrao. Supondo que existe runa, a reserva no instante da runa superior

a m uma vez que a reserva era positiva antes da ltima indemnizao que a provocou,

ou seja, U (T ) > m, dado T < . Vem, ento, que

h i
eRU (T ) < eRm = E eRU (T ) | T < < eRm ,

do que resulta (u) > eRu eRm = eR(u+m) . 

Lema 2.4.1. Considere-se {U (t) : t 0} o modelo clssico de risco. Ento, se o pr-


mio arrecadado pela seguradora por unidade de tempo para suportar um determinado risco
for inferior ou igual ao valor esperado da totalidade das indemnizaes por unidade de
tempo, ou seja, se c 1 , ento a runa do processo acontece quase certamente, isto ,
P (T < | U (0) = u) = (u) = 1.

Demonstrao Pelo Lema 2.1.1, e fazendo h = 1, o nmero de indemnizaes por

unidade de tempo segue uma distribuio N P oisson(). Consequentemente, a totali-


PN
dade de indemnizaes por unidade de tempo segue uma distribuio S= i=1 Xi . Pela

Denio 2.3.1, E[S] = E[X]E[N ] = 1 . Se c < 1 , ento o declive de 1 + (1 + )1 r

dMX
inferior a
dr (0) = 1 , pelo que apenas R=0 soluo da equao da Denio 2.3.3.

Se c = 1 , ento a equao da Denio 2.3.3 equivalente a 1 + 1 r = MX (r), que tem

apenas a soluo R = 0. Por outro lado, se R = 0, ento, pelo Teorema 2.4.1, resulta que

eRu
(u) = E[eRU (T ) |T <]
= 1. 
Do resultado anterior conclui-se que, para evitar a runa, o prmio c dever ser es-

tritamente superior a E[S] = 1 , isto , c > 1 . Desta forma, faz sentido denir

c = (1 + )1 , onde um coeciente de segurana obrigatoriamente superior a 0 para

evitar uma situao de runa.

No exemplo que se segue, calcula-se explicitamente o valor da probabilidade de runa

no caso em que as indemnizaes individuais seguem uma distribuio exponencial.

Exemplo 2.4.1. Considerem-se: U (t) = u + ct S(t) e X Exp(), > 0. Pretende-se

calcular (u).
2.4. A PROBABILIDADE DE RUNA 27

Sejam T o instante de runa, = limtT U (t), Xi o valor da indemnizao que

causou a runa. Ento, se y > 0, Xi > + y U (T ) > y . Pelo que:

P (U (T ) > y | T < ) = P Xi > + y | Xi > = P (Xi > y) = ey .




Daqui resulta que a varivel aleatria U (T ) | T < tem distribuio exponencial.

Note-se que a segunda igualdade possvel pela perda de memria da varivel aleatria

exponencial. Logo,

h i
E eRU (T ) | T < = .
R
u
1
Pelo Exemplo 2.3.1, R= 1+ . Resulta que (u) = 1+ e
1+ , pelo Teorema 2.4.1.

Teorema 2.4.3. Se X absolutamente contnua, com funo densidade de probabilidade


fX (x) e funo distribuio de probabilidade FX (x), ento, para todo y > 0:


P (U (T ) (y dy, y) , T < | U (0) = 0) = [1 FX (y)] dy. (2.4.0.1)
c

Demonstrao Como j foi referido N (t) um processo de Poisson e como tal verica
as duas seguintes propriedades:

P1) t, > 0 : P (N (]t, t + h]) 1) = h + o(h). 1

P2) t, P (N (]t, t + h]) 2) = o(h).

A propriedade P1) diz simplesmente que a probabilidade de existirem indemnizaes a

pagar no intervalo de tempo entre t exclusiv e t+h inclusiv igual quantidade h+o(h),
para todo o valor de t. A propriedade P2) arma que a probabilidade de ocorrerem duas

ou mais indemnizaes no intervalo de tempo entre t exclusiv e t+h inclusiv igual

quantidade o(h), para todo o valor de t.


Do que, no intervalo ]0, dt], um intervalo de amplitude innitesimal, vem:

P (N (]0, 0 + dt]) = 0) = P (N (dt) = 0) = 1 P (N (dt) 1) = 1 dt o(dt) 1 dt,


por P 1);

P (N (]0, 0 + dt]) 2) = P (N (dt) 2) = o(dt), por P 2);

P (N (dt) = 1) = 1 P (N (dt) = 0) P (N (dt) 2) 1 1 + dt + o(dt) o(dt) = dt.


1 o(h)
Se h 0, ento limh0 h
=0
28 CAPTULO 2. TEORIA DA RUNA

Uma vez que um Processo de Poisson homogneo um processo sem memria, a pro-

babilidade de ocorrncia de uma indemnizao num intervalo de tempo de amplitude dt

igual a dt e independente de t e da histria do processo at ento. Assim, entre 0 e dt,


existem duas possiblidades. Ou, com probabilidade 1 dt, no surgem indemnizaes a

pagar e o capital da seguradora aumenta de u para u + cdt; ou, com probabilidade dt,
ocorre uma indemnizao. Nesta ltima possibilidade, a indemizao pode ser inferior ou

igual a u e o processo continua com capital u + cdt X ; ou, ento, superior a u e d-se

uma situao de runa, sendo que U (T ) (, y) X > u + y . Desta forma,

G(u, y) = P (U (T ) (, y) , T < | U (0) = u)

pode ser escrito como:

Z u Z 
G(u, y) = (1dt)G(u+cdt, y)+dt G(u x, y)fX (x)dx + fX (x)dx . (2.4.0.2)
0 u+y

Por outro lado, utilizando a denio de derivada parcial num ponto, vem

G
G(u + cdt, y) = G(u, y) + cdt (u, y).
u

Substituindo esta ltima equao em (2.4.0.2) e dividindo por cdt, obtm-se:

 Z u Z 
G
(u, y) = G(u, y) G(u x, y)fX (x)dx fX (x)dx .
u c 0 u+y

Integrando em u [0, z], vem que

G(z, y) G(0, y) =
Z z Z zZ u Z zZ 

G(u, y)du G(u x, y)fX (x)dxdu fX (x)dxdu .
c 0 0 0 0 u+y

No que diz respeito ao primeiro integral duplo, trocando a ordem de integrao, fazendo

a mudana de varivel v =ux e trocando de novo a ordem de integrao, conclui-se:

Z z Z u Z z Z zv Z z
G(u x, y)fX (x)dxdu = G(v, y)fX (x)dxdv = G(v, y)FX (z v)dv.
0 0 0 0 0

Quanto ao segundo integral duplo, a mudana de varivel v =u+y conduz a

Z z Z Z z+y
fX (x)dxdu = [1 FX (v)] dv.
0 u+y y

Assim,

Z z Z z+y 

G(z, y) G(0, y) = G(u, y) [1 FX (z u)] du [1 FX (u)] du .
c 0 y
2.4. A PROBABILIDADE DE RUNA 29

Fazendo z , vem

Z

G(0, y) = [1 FX (u)] du,
c y

o que implica


P (U (T ) (y dy, y) , T < | U (0) = 0) = [1 FX (y)] dy. 
c

Corolrio 2.4.2. A probabilidade de runa para u = 0 igual a

1
(0) = . (2.4.0.3)
1+

Demonstrao Integrando (2.4.0.1) em y (0, ) obtm-se

(0) = P (T < | U (0) = 0) = P (U (T ) (, 0) , T < | U (0) = 0)


Z
= P (U (T ) (y dy, y) , T < | U (0) = 0) dy
0
Z
1 1
= [1 FX (y)] dy = = . 
0 c c 1+

A ltima igualdade resulta da Denio 2.3.2.

Considere-se, agora, a varivel aleatria L1 : montante pelo qual as reservas, pela

primeira vez, descem abaixo do nvel inicial de onde partem, dado que tal acontece. Ou

seja, se t1 for o instante no qual, pela primeira vez, as reservas so inferiores ao montante

de partida, posto que tal acontece, ento L1 = u U (t1 ) = S(t1 ) ct1 . Obviamente,

L1 tem a mesma distribuio do montante pelo qual o processo entraria em runa (pela

primeira vez e caso acontecesse) se se vericasse que u = 0. Pelo que:

fL1 (y) = P (L1 = y) = P (U (T ) = y | T < , U (0) = 0)


P (U (T ) = y, T < | U (0) = 0)
=
P (T < | U (0) = 0)
1
= P (U (T ) = y, T < | U (0) = 0)
(0)
P (U (T ) (y dy, y) , T < | U (0) = 0) 1
=
dy (0)
1
= 1 [1 FX (y)] dy = [1 FX (y)] . (2.4.0.4)
dy 1+ (1 + )1 1
30 CAPTULO 2. TEORIA DA RUNA

Na penltima igualdade, utiliza-se (2.4.0.3) e o Teorema 2.4.3. Por outro lado,


Z
tL1 1
ML1 (t) = E[e ] = ety [1 FX (y)]dy
0 1

(1 FX (y))ety 1 ty
 Z 
1
= + e fX (y)dy
1 t 0 t 0
1 h ty i
= [e ety FX (y)]0 + M X (t)
1 t
1
= (MX (t) 1). (2.4.0.5)
1 t
Relembre-se que X absolutamente contnua, sendo fX (x) a respetiva funo densidade
de probabilidade.

Teorema 2.4.4. Para u 0,


 Z u 
0
(u) = (u) (u x)dFX (x) (1 FX (u)) . (2.4.0.6)
c 0

Demonstrao Ora,

(u) = P (T < , N (dt) = 0) + P (T < , N (dt) = 1) + P (T < , N (dt) 2) .

Pelo que,

P (T < , N (dt) = 0) = P (T < | N (dt) = 0) P (N (dt) = 0)

= P (T < | U (dt) = u + cdt) P (N (dt) = 0) = (u + cdt)(1 dt).

Por outro lado, pode ter ocorrido uma s indemnizao representada por X no intervalo

(0, dt] e esta poder, ou no, ter provocado runa:

P (T < , N (dt) = 1)

= P (T < , X > u + cdt | N (dt) = 1) dt + P (T < , X u + cdt | N (dt) = 1) dt


Z u+cdt
= dt (1 FX (u + cdt)) + dt (u + cdt x)dFX (x).
0

P (T < , N (dt) 2) = o(dt). Em suma:


Por m,
Z u+cdt
(u) = (1dt)(u+cdt)+dt (u+cdtx)dFX (x)+dt (1 FX (u + cdt))+o(dt).
0

Usando a igualdade anterior:

0 (u + cdt) (u)
(u) = limdt0
cdt
 Z u+cdt 

= limdt0 (u + cdt) (u + cdt x)dFX (x) (1 FX (u + cdt))
c 0
 Z u 
o(dt)
= (u) (u x)dFX (x) (1 FX (u)) .
cdt c 0
2.5. A PERDA AGREGADA MXIMA 31

Na segunda igualdade, usa-se o facto de ser contnua, que consequncia da denio

de . 

2.5 A perda agregada mxima


No que se segue o coeciente de segurana e 1 = E[X].

Denio 2.5.1. Dene-se perda agregada mxima como sendo a varivel aleatria

L = max{S(t) ct}.
t0

Noutras palavras, L representa o excesso mximo das indemnizaes sobre os prmios

recebidos. De outra forma, poder-se- armar que L o mximo do processo {L(t) : t 0},
a perda agregada at o instante t: L(t) = S(t) ct.

Teorema 2.5.1. Para todo u 0, (u) = 1 FL (u).

Demonstrao Para U (0) = u, verica-se que L > u se e s se acontece runa, ou

seja, t : U (t) < 0. Logo, P (L > u) = 1 FL (u) = (u). 

Teorema 2.5.2. A funo probabilidade de runa decrescente.

Demonstrao Sejam u1 e u2 , com u1 u2 . Ento (u1 ) = 1FL (u1 ) 1FL (u2 ) =


(u2 ), uma vez que FL crescente. 
J se conseguiu demonstrar que (u) uma funo contnua, decrescente tal que

1
limu+ (u) = 0 e que (0) = 1+ , como ilustra a gura seguinte.

Figura 2.4: Probabilidade de Runa Eventual

No intuito de claricar o corolrio seguinte conveniente apresentar a denio de

varivel aleatria mista.


32 CAPTULO 2. TEORIA DA RUNA

Denio 2.5.2. Sejam X uma varivel aleatria e D o conjunto numervel dos pontos

de descontinuidade de FX , a funo de distribuio de X. Se D 6= e P (X D) < 1,


ento X diz-se uma varivel aleatria mista.

Corolrio 2.5.1. A varivel aleatria L mista, tendo ponto de massa de probabilidade


em L = 0 e P [L = 0] = 1+ .

Demonstrao Uma vez que S(t)ct = 0 para t = 0 e que L o mximo de S(t)ct,



com t 0, ento resulta que L 0. Logo, P [L = 0] = P [L 0] = 1+ , pelo Teorema

2.5.1 e por (2.4.0.3).

Por outro lado, no Teorema 2.4.4, provou-se que (u) tem densidade, pelo que L

contnua para u > 0. Conclui-se que L uma varivel aleatria mista, tendo um ponto de

massa em L = 0, sendo contnua para u > 0. 


A perda agregada L(t) juntamente com a perda agregada mxima L relativa trajetria
representada nas Figuras 2.1, 2.2 e 2.3 encontra-se caracterizada na Figura 2.5:

Figura 2.5: Processo da perda agregada com perda agregada mxima

Teorema 2.5.3. A varivel aleatria L possui a seguinte funo geradora de momentos,


para r < ln (1 + ):
1 r
ML (r) = . (2.5.0.1)
1 + (1 + )1 r MX (r)

Demonstrao Considerem-se os instantes em que o processo U (t) atinge novos re-

cordes mnimos. A ttulo de exemplo, no caso concreto representado na Figura 2.6, tais

instantes so t1 , t2 , t3 e inclusivamente t = 0, o instante do recorde nmero 0. Estes


2.5. A PERDA AGREGADA MXIMA 33

instantes correspondem aos momentos em que o processo de perda agregada L(t) atinge

novos recordes mximos.

Sejam, agora, as variveis aleatrias Li , i 1, com Li representando o montante pelo

qual o i-simo recorde mnimo de U (t) excede, em valor absoluto, o (i 1)-simo. Ora,
Li , ou seja, L = K
P
L pode ser escrita como o somatrio de K variveis aleatrias i=1 Li .

Note-se que K uma varivel aleatria.

A ttulo de exemplo, na Figura 2.6 verica-se L = L1 + L2 + L3 .

Figura 2.6: Processo U(t) com perda agregada mxima

Atribua-se a designao de sucesso ao acontecimento: o recorde mnimo prvio do

processo U foi o ltimo. Considere-se p como a probabilidade deste acontecimento, isto ,

a probabilidade de sucesso. Pelo facto do processo de Poisson homogneo no ter memria,

a probabilidade de que o recorde mnimo prvio seja o ltimo a mesma em qualquer

instante. Ou seja, a probabilidade de serem necessrias k indemnizaes para se alcanar

um sucesso (1 p)k p. Logo, K segue uma distribuio geomtrica. O parmetro de K


igual a p, que igual probabilidade de sobrevivncia do processo caso este partisse de

1
u = 0, ou seja, 1 (0) = 1 1+ = 1+ . Tambm pelo facto do processo de Poisson

homogneo no ter memria, Li , i 1, so independentes e identicamente distribudas, do

1
que se conclui, atendendo a (2.4.0.4), que fLi (y) = 1 [1 FX (y)], i 1. Uma vez que
PK
L= i=1 Li , segue-se que L tem uma distribuio geomtrica composta e pode-se utilizar
a frmula de Beekman (ver [7]), isto ,

X
1 (u) = p(1 p)n H n (u), (2.5.0.2)
n=0
34 CAPTULO 2. TEORIA DA RUNA

1
R
com p= 1+ e H(x) = 1 1 x [1 FX (y)] dy .
Como K uma distribuio geomtrica, vem


X
X
X
MK (r) = rk
e p(1 p) = pk rk
e (1 p) = p k
[er (1 p)]k .
k=0 k=1 k=0

Conclui-se que MK (r) pode ser escrita custa da soma de innitos termos de uma

progresso geomtrica de razo er (1 p). Portanto,

1 (er (1 p))k p
MK (r) = p lim = ,
k 1 er (1 p) 1 er (1 p)

desde que |er (1 p)| < 1 r < ln (1 + ).


Repare-se que na primeira igualdade se utilizou a expresso para a soma de um nmero

nito de termos de uma progresso geomtrica. Continuando, e utilizando o facto de


p= 1+ , obtm-se


1+
MK (r) = 1 r = .
1 1+ e 1 + er

Ora, sendo L uma varivel aleatria composta, e utilizando o Lema 2.3.2, vem:


ML (r) = MK (ln(ML1 (r))) = = .
1+e ln (ML1 (r)) 1 + ML1 (r)
1
Por (2.4.0.5), ML1 (r) = 1 r (MX (r) 1), de onde se segue o resultado. 

Teorema 2.5.4. A varivel aleatria L possui o seguinte valor esperado e a seguinte va-
rincia:
h    2 i
X2 4E X 3 (c 1 ) + 3 E X 2
 
E
E[L] = ; V ar[L] = .
2(c 1 ) 12(c 1 )2

Demonstrao
Na demonstrao do teorema anterior cou provado que:

Z Z y
1 1
H(y) = P (Li y) = 1 [1 FX (x)] dx = [1 FX (x)] dx.
1 y 1 0

Pelo que o momento de ordem k dado por

Z Z
h i 1
E Lki = k
x P (Li = x)dx = xk [1 FX (x)] dx
0 1 0
Z Z Z Z y
1 1
= xk fX (y)dydx = fX (y) xk dxdy
1
0
Z k+1
x
1 0  0
1 y 1 E X k+1
= fX (y)dy = .
1 0 k+1 1 k + 1
2.5. A PERDA AGREGADA MXIMA 35

Do que resulta:

1 E X2
 
E [Li ] = ;
1 2
 2
4E X 3 1 3 E X 2
 
 2 2
V ar [Li ] = E Li (E [Li ]) = .
1221
Ora, tendo L uma distribuio geomtrica composta, vem que, utilizando os Lemas

2.3.1 e 2.3.5:

1 E X2 E X 2
   
(0)
E[L] = E[Li ]E[K] = = ;
1 2 1 (0) 2(c 1 )

V ar[L] = V ar[Li ]E[K] + (E[Li ])2 V ar[K]


"    2 !#   !2
E X3 E X2 (0) E X2 (0)
= 2 +
31 41 1 (0) 21 (1 (0))2
h    2 i
4E X 3 (c 1 ) + 3 E X 2
= . 
12(c 1 )2

Teorema 2.5.5. Verica-se a seguinte igualdade:



(MX (r) 1)
Z
0 1
(u)eur du = . (2.5.0.3)
0 1 + 1 + (1 + )1 r MX (r)

Demonstrao
Utilizando (2.5.0.1), vlida a seguinte decomposio da funo geradora de momentos

de L:

1 (MX (r) 1)
ML (r) = +
1 + 1 + 1 + (1 + )1 r MX (r)
1 (MX (r) 1)
= P [L = 0] + . (2.5.0.4)
1 + 1 + (1 + )1 r MX (r)

Mas:

ML (r) = P (L = 0)E erL | L = 0 + P (L > 0)E erL | L > 0


   
Z Z
ru fL (u)
= P (L = 0) + P (L > 0) e du = P (L = 0) + eru fL (u)du
0 P (L > 0) 0
0
Por outro lado, se u > 0, fL (u) = (u), pelo que

Z
0
ML (r) = P r[L = 0] + eru ( (u))du. (2.5.0.5)
0

De (2.5.0.4) e (2.5.0.5) conclui-se o pretendido. 


36 CAPTULO 2. TEORIA DA RUNA

Nos dois prximos exemplos apresenta-se outra situao em que possivel determinar

explicitamente (u), fazendo uso do Teorema anterior e, por conseguinte, do conceito de

perda agregada mxima. Relembre-se que j se calculou explicitamente a probabilidade de

runa no caso das indemnizaes individuais seguirem uma distribuio exponencial.

Exemplo 2.5.1. Considere-se que X uma mistura de exponenciais:

n
X
fX (x) = Ai i ei x , x > 0,
i=1
Pn
com Ai > 0, i > 0 i = 1, 2, . . . , n e i=1 Ai = 1.
Ora,

n
X i
MX (r) = Ai , 1 > r, i = 1, . . . , n.
i r
i=1

Substituindo esta expresso em (2.5.0.3) ca-se, no segundo membro, com um quociente

de polinmios em r, sendo n o grau do denominador:

Z n
0
X
urCi ri
(u)e du = , (2.5.0.6)
0 ri r
i=1

com Ci constantes, ri , i = 1, 2, . . . , n, as razes do polinmio do denominador do segundo

membro e ri > r.
n
X
Dada a forma da equao (2.5.0.6), considere-se (u) = Ci eri u . (2.5.0.7)
i=1

Derivando esta expresso, vem:

Z Z n n
0
X X Ci ri
(u)eur du = eur Ci ri eri u du = .
0 0 ri r
i=1 i=1
Pn ri u soluo de (2.5.0.6).
Ou seja, no caso em questo, (u) = i=1 Ci e

Exemplo 2.5.2. Concretize-se o exemplo anterior. Seja X uma mistura de duas exponen-

ciais com fX (x) = 32 e3x + 27 e7x . Claramente:

3 7
2 2 11 11 5
MX (r) = + e 1 = E[X] = + = .
3r 7r 23 27 21

Como n = 2, vem:

2
1 (MX (r) 1) X Ci ri
= .
1 + 1 + (1 + )1 r MX (r) ri r
i=1
2.6. TEORIA DO RENOVAMENTO 37

Substituindo, nesta equao, MX (r) e 1 pelas expresses anteriores e considerando

2
= 5:

1 (MX (r) 1) 6 5r C1 6C2


= = +
1 + 1 + (1 + )1 r MX (r) 7 6 7r + r2 1r 6r
24 1
= C1 = e C2 = .
35 35
24 u 1 6u
Pelo que, por (2.5.0.7), (u) = 35 e + 35 e , com u 0.

2.6 Teoria do Renovamento


Seja H(x) a funo de distribuio de uma varivel aleatria, com suporte DH = (0, ),
H(0) = 0 H() = 1. Uma equao de
e renovamento tem a forma

Z x
Z(x) = z(x) + Z(x y)dH(y),
0

com x 0, H(x) e z(x) conhecidas.

Considere-se {ti }i1 , a sucesso dos tempos das i-simas indemnizaes. Ento T1 =
t1 , T2 = t2 t1 , . . . , Tn = tn tn1 so os intervalos de tempo entre renovamentos sucessivos

e so variveis aleatrias independentes e identicamente distribudas a uma varivel T , com


funo de distribuio H.
Assim, Wn = T1 + T2 + . . . + Tn o ponto do n-simo renovamento e {Wn : n 0} o

processo de renovamento. Note-se que {Wn : n 0} coincide com o conjunto dos tempos

de espera. Se N
e (y) for o nmero de renovamentos ocorridos em [0, y] vem:

a
!
  X
e (y) > a ta [0, y] P N
N e (y) > a = P (ta [0, y]) P Ti < y = H a (y),
i=1

onde H a (y) representa a convoluo da funo de distribuio das variveis aleatrias

T1 , . . . , Ta . Desta forma, considerando V (y) o nmero esperado de renovamentos ocorridos


em [0, y], vem:

h i X   X
V (y) = E Ne (y) = aP Ne (y) = a = P (T1 + T2 + . . . + Ta < y) .
a=1 a=0

Pretende-se, agora, determinar a equao de renovamento para V. Note-se que, para

e (x) | T1 = y] = 1.
x < y , E[N De facto, se x<y e o primeiro renovamento coincide com y,
ento o nmero esperado de renovamentos no intervalo [0, x] igual a 1, concretamente a

origem, o renovamento zero. Para e (x) | T1 = y] = 1+E[N


x > y , E[N e (xy)] = 1+V (xy).

Ou seja, no caso de x y, o nmero esperado de renovamentos posto que o primeiro


38 CAPTULO 2. TEORIA DA RUNA

coincide com y iguala o nmero esperado de renovamentos ocorridos no intervalo [y, x]


mais um, isto , mais o renovamento na origem, considerado o renovamento zero. Desta

forma:

e (x) | T1 = y] = 1 + V (x y)1xy (x),


E[N onde,

sendo A um conjunto, vem que



1 se xA
1A (x) =
0 se x
/ A.
Ou seja,
Z x Z x
V (x) = 1 + V (x y)dH(y) = 1 + V (x y)P [T = y]dy. (2.6.0.1)
0 0

O valor esperado para o nmero de renovamentos no intervalo [0, x] igual soma de 1


(renovamento zero) com o somatrio do produto da probabilidade do primeiro renovamento

ser igual a yx com o nmero de renovamentos ocorridos entre y inclusiv e x inclusiv

(o nmero de renovamentos caso T1 = y menos 1), com y a variar entre 0 inclusiv e x


inclusiv, para todo o x 0.

Denio 2.6.1. Um processo diz-se extinguvel ou transiente se H() < 1, isto , se

limy P (T < y) < 1.

Neste caso, H a funo de subdistribuio de T. A quantidade 1 H() a

probabilidade de extino. Por outro lado, H n () = limy P (T1 + . . . + Tn < y)

a probabilidade do processo no ter sido extinto antes do n-simo renovamento. Pelo que

(1 H())H n () a probabilidade do n-simo renovamento ser exatamente o ltimo.

Teorema 2.6.1. Seja M a durao do processo, ou seja, o instante em que se extingue.


M tal que P (M t) = (1 H())V (t) = (1 H()) n=0 H (t).
n
P

Demonstrao Ver [7]. 

2.7 Um modelo de risco a tempo discreto


Nesta seco faz-se referncia a um modelo que a verso discreta do modelo a tempo

contnuo anterior. Considera-se a reserva ao m de n anos como funo da soma das

indemnizaes ocorridas nesse tempo, com o montante de prmios recebidos proporcio-

nal ao montante anual de prmios. Os resultados relativos ao modelo a tempo discreto

considerado so anlogos aos do modelo em tempo contnuo j descrito.


2.7. UM MODELO DE RISCO A TEMPO DISCRETO 39

Denio 2.7.1. Para n N0 , seja Un a reserva associada a um risco de uma seguradora

ao m de um perodo n (aps o n-simo ano, por exemplo). Denotando a reserva inicial por

U (0) = u e supondo o prmio global Pn ao m de n anos como proporcional ao montante

de prmios c em cada perodo (prmios anuais, por exemplo), ou seja, Pn = cn, vem

U = u + cn Sn , onde Sn corresponde soma das indemnizaes ocorridas nos primeiros


Pn
n perodos relativos ao risco considerado, isto , Sn = i=1 Xi .

Denio 2.7.2. Dene-se instante de runa como T = min{n 0 : Un < 0}, com a

conveno de que T = equivalente a Un 0 para todo o n N.

Denio 2.7.3. O coeciente de ajustamento dene-se como a nica raiz positiva r=R
da equao ecr MX (r) = 1.

Note-se que ecr MX (r) = 1 ln (ecr MX (r)) = 0 ln (MX (r)) = cr. Ora, seja

S = X1 + . . . + XN , N P oisson(). Ento MX (r) = e(MX (r)1) . Do que ln (MX (r))


cr = 0 ln e(MX (r)1) cr = 0 (MX (r) 1) = cr. Em suma, se S seguir uma


distribuio de Poisson composta, ento ecr MX (r) = 1 (MX (r) 1) = cr. Repare-

se que esta uma das equaes utilizadas para determinar o coeciente de ajustamento no

modelo contnuo abordado anteriormente.

Teorema 2.7.1. Para uma reserva inicial u 0, (u) = eRu


E[eRU (T ) |T <]
.

Demonstrao Anloga demostrao do Teorema 2.4.1. 


40 CAPTULO 2. TEORIA DA RUNA
Captulo 3

Clculo de prmios

3.1 Introduo
Um prmio o pagamento que o detentor da aplice efetua para cobrir um determinado

risco. Quando se refere a um risco X, est-se a referir varivel aleatria positiva que

representa o valor das possveis indemnizaes que a seguradora poder ter de assegurar.

Denota-se por [X] o prmio cobrado pela seguradora para comportar o risco X. Este

ltimo , assim, uma funo de X e a regra que atribui um valor numrico a [X] o que

se chama de princpio de clculo de prmio.

Neste captulo, por vezes as possveis indemnizaes a serem suportadas pela segura-
Pn
darora so o resultado do somatrio de n indemnizaes individuais, isto , Sn = i=1 Xi ,

onde {Xi }i1 a sucesso das indemnizaes individuais, independentes entre si. o

dito modelo de risco individual. Neste caso, aps o clculo do prmio global [Sn ], cum-

pre distribu-lo pelas aplices individuais. Noutras palavras, calcula-se [Xi ], para todo

[Sn ]
1 i n. Note-se que nem sempre [Xi ] = n para todo 1 i n.
Todavia, no presente captulo, apresentam-se igualmente clculos relativos a prmios
PN
no mbito do modelo de risco coletivo. Neste caso, S= i=1 Xi , onde N uma varivel

aleatria discreta positiva tomando apenas valores inteiros e {Xi }i1 a sucesso das

indemnizaes individuais identicamente distribudas a uma varivel aleatria X positiva,

independentes entre si e independentes de N. A varivel aleatria S diz-se composta

e representa os possveis valores para a totalidade das indemnizaes que a seguradora

poder ter de suportar ao nvel de um determinado risco. Em contrapartida, por assegurar

S, a seguradora requere um prmio [S].


Por m, tambm se far uso do modelo clssico de risco em tempo discreto. Neste caso

41
42 CAPTULO 3. CLCULO DE PRMIOS

PN
especco a unidade de tempo normalmente um ano, c o prmio [S], S = i=1 Xi ,

N P oisson(), > 0. A varivel aleatria S, neste caso, representa os possveis valores

para a totalidade das indemnizaes a serem suportadas pela seguradora no perodo de

uma unidade de tempo. Note-se que, nestes casos, se opera com o prmio [S], com S
tambm uma varivel aleatria composta.

3.2 Princpios de clculo de prmios

Nesta seco apresentam-se vrios princpios para o clculo de prmios. Sublinhe-se

que, como j se referiu, a varivel aleatria positiva X que gura nas denies geral,

podendo representar uma varivel aleatria que no funo de outras (Exemplo 3.2.1);

ou uma varivel aleatria que resulta da soma de n variveis aleatrias, ao nvel do modelo
de risco individual, isto , X = Sn (Exemplo 3.2.4); ou, ento, uma varivel aleatria
PN
composta, X =S = i=1 Xi , normalmente inserida no contexto de um modelo clssico

de risco (Exemplo 3.2.2).

Principia-se pelo princpio de clculo mais elementar, o princpio do prmio lquido,

evoluindo-se posteriormente para princpios mais complexos.

3.2.1 O princpio do prmio lquido

O princpio de clculo de prmios mais simples o princpio do prmio lquido ou prmio

puro. Atesta simplesmente que o prmio P deve ser calculado da seguinte forma, com X
um risco no negativo: [X] = E[X].

O valor esperado da varivel aleatria das possveis indemnizaes a serem suportadas

pela seguradora igual ao prmio que esta cobra para cobrir o risco X. Este prmio, assim

calculado, no protege a seguradora contra indemnizaes elevadas e no tem em conta o

seu natural intento de obteno de lucro.

3.2.2 O princpio da esperana matemtica

Para melhorar o princpio anterior, dene-se um parmetro de segurana e calcula-se


o prmio da seguinte forma: [X] = (1 + )E[X], > 0.
3.2. PRINCPIOS DE CLCULO DE PRMIOS 43

3.2.3 O princpio da utilidade esperada

O princpio da esperana matemtica tem bvias limitaes, sobretudo relacionadas

com o facto da esperana matemtica ser uma medida de tendncia central. Para as

atenuar Bernoulli introduziu um conceito novo, o conceito de utilidade, que constituiu o

marco inicial da teoria da utilidade esperada. Bernoulli argumentou que o valor que um

indivduo atribui sua riqueza no o prprio valor monetrio desta, mas sim o seu valor

moral ou utilidade. Nas suas palavras:

 (. . . ) a determinao do valor de um item no pode ser baseado no seu preo,

mas sim na utilidade que ele fornece. O preo de um item depende somente do

prprio item e igual para todo o mundo; a utilidade, contudo, depende das

circunstncias particulares do indivduo que faz a estimativa. (Bernoulli,1738).

Considerou ainda que, medida que a riqueza aumenta, decresce a utilidade adicional

devido ao aumento da riqueza. Mais formalmente, considera-se a utilidade como sendo

uma funo u : R+ +
0 R0 que a cada quantia monetria atribui a utilidade que o indivduo

lhe confere.

No fundo, o que o princpio da utilidade esperada arma que a utilidade que o

segurado confere ao valor monetrio do prmio que est disposto a pagar num seguro

contra um risco X ter de ser inferior ou igual ao valor esperado das utilidades que atribui

s quantias que X pode assumir. De onde que o prmio mximo P+ que o segurado est

disposto a pagar ser, pelo princpio da utilidade esperada, soluao da equao u(P + ) =
E[u(X)]. Ou, ento, tendo em conta o capital w que o segurado possui, soluo da

equao u(w P + ) = E[u(w X)]. Formalmente:

Denio 3.2.1. O prmio mximo P+ que um segurado com capital w est disposto a

pagar num contrato de seguro contra um risco X soluo da seguinte equao de equilbrio

de utilidade u(w P + ) = E[u(w X)].

0 00
Caso u (x) 0 e u (x) 0, isto , caso a funo de utilidade seja cncava, ento
0 00
P >> E[X] e o indivduo diz-se com averso ao risco. Se u (x) 0 e u (x) 0, ento a

funo de utilidade u convexa e o decisor no tem averso ao risco.

Denio 3.2.2. O coeciente de averso ao risco da funo de utilidade u denido por

00
u (x)
r(x) = . (3.2.3.1)
u0 (x)
44 CAPTULO 3. CLCULO DE PRMIOS

Rera-se ainda que existem vrias classes de funes de utilidade:

1) Utilidade linear: u(x) = x;

2) Utilidade quadrtica de parmetro : u(x) = ( x)2 , x ;

3) Utilidade logartmica de parmetro : u(x) = ln ( + x), x > ;

4) Utilidade exponencial de parmetro : u(x) = ex , > 0;

5) Utilidade de potncia de parmetro c: u(x) = xc , x > 0, 0 < c 1.

Do ponto de vista da seguradora, com funo de utilidade u e capital w, esta aceita um


seguro contra um risco X por um prmio P se E[u(w + P X)] u(w). Isto , a utilidade

que a seguradora atribui ao seu capital inicial w dever, no seu interesse, ser inferior ou

igual ao valor esperado das utilidades que atribui aos diferentes possveis montantes com

que poder car aps a ocorrncia dos eventos inerentes ao risco X, num determinado

perodo de tempo. Daqui se dene o seguinte:

Denio 3.2.3. O prmio mnimo P que uma seguradora com capital w pretende

cobrar num contrato de seguro para cobrir um risco X soluo da seguinte equao:

u(w) = E[u(w + P X)].

Exemplo 3.2.1. Uma seguradora tem uma funo de utilidade u(x) = ex , com

> 0. Pretende-se determinar, pelo princpio da utilidade esperada, o prmio mnimo

P que pedido para um risco X, com X N ormal(, 2 ). Em primeiro lugar, cumpre

determinar a funo geradora de momentos de uma distribuio normal. Ora, sendo Z


N ormal(0, 1), vem:

Z + Z +
1 1 2 1 2 1 1 2 1 2
Zt
e e 2 z dz = e 2 t
zt
e 2 (zt) dz = e 2 t .
 
MZ (t) = E e =
2 2

Utilizando a denio de funo geradora de momentos, conclui-se que MX (t) =


(x)2
R + 1 21 x
E eXt = ext


e 2 dx. Mas z = , o que implica que x = z + e
2 2
dx
dz = . Recorrendo a esta mudana de varivel, resulta que

Z + Z +
1 12 z 2 1 1 2
MX (t) = e t
e zt
e dz = e t
ezt e 2 z dz
2 2 2
2 t2
h i
1 2 2 +t
= et e 2
t
=e 2
. (3.2.3.2)
3.2. PRINCPIOS DE CLCULO DE PRMIOS 45

Por outro lado, utilizando a Denio 3.2.3, vem:

X)
u(w) = E[u(w + P X)] ew = E[e(w+P ]

eP = MX ()
1
P = ln (MX ()).

Pelo que, combinando esta ltima expresso com (3.2.3.2), vem que

2
 
1  1 2 2  1 1 2 2
P = ln e 2 + = + = + .
2 2

Ou seja, para assegurar o risco X, a seguradora solicitar ao segurado um prmio que,

2
no mnimo, ter o valor de
2 + .

Exemplo 3.2.2. Considere-se que se est a operar no mbito do modelo clssico de risco,

com 1 ano como unidade temporal e com o nmero de indemnizaes at o instante t


representado por N (t) P oisson(t), t 0, > 0 . Ento, como j se viu anteriormente,

a totalidade das indemnizaes por unidade de tempo (indemnizaes anuais) em que a


PN
seguradora incorre representada pela varivel aleatria S= i=1 Xi , N P oisson().
Tome-se = 1. A funo de utilidade da seguradora u(x) = ex , com = 0.9.
As indemnizaes individuais {Xi }i1 so independentes de N e independentes e identica-

mente distribudas a X Exp(1). Pretende-se saber qual o prmio mnimo anual P que

a seguradora dever pedir pelo princpio da utilidade esperada.

Em primeiro lugar, note-se que, pelo Lema 2.4.1, se o prmio anual c for inferior ou

igual a 1 (E[X] = 1), ento a runa ser quase certa. Pelo que o prmio anual ter que

ser estritamente superior a 1.


Ora, viu-se atrs que u(w) = E[u(w + P S)] P = 1 ln(MS ()). Ento:

   
1 1 1
P = ln (MN (ln (MX ()))) = ln MN ln
1
1 h  1
  i 1
= ln e[ 1 ] + ln e[1] = = 10.
1

Na primeira igualdade usa-se o Lema 2.3.2; na segunda, o clculo da funo geradora

de momentos de uma distribuio exponencial, presente no Exemplo 2.3.1; na terceira, o

Lema 2.3.3.
PN (t)
Ento, no caso concreto, o modelo de risco adotado : U (t) = u + 10t i=1 Xi ,
N (t) P oisson(t), com 1 ano como unidade temporal.
46 CAPTULO 3. CLCULO DE PRMIOS

Note-se, para terminar, que, quando se aplica a funo de utilidade exponencial, se

verica que P+ = P = 1
ln (MX ()). Com efeito,

+
u w P + = E[u(w X)] e(wP ) = E[e(wX) ]


+
eP = MX ()
1
P + = ln (MX ()).

No Exemplo 3.2.1 provou-se que, na situao em questo, P = 1


ln (MX ()).

3.2.4 O princpio exponencial


1
O princpio exponencial assim denido para > 0: [X] = ln (MX ()).
Constate-se que, no Exemplo 3.2.1 e no Exemplo 3.2.2, se aplicou o princpio da utili-

dade esperada com funo utilidade exponencial u(x) = ex , com > 0. Neste caso,

como se viu, P = 1
ln (MX ()). Pelo que pode-se igualmente dizer que se aplicou o dito

princpio exponencial de parmetro .


De acordo com a Desigualdade de Lundberg (Corolrio 2.4.1), a probabilidade de runa

nunca superior a eRu . Considerando  como o limite superior da probabilidade de runa


para o montante inicial u, vem que (u)  = eRu , o que implica

|ln ()|
R= . (3.2.4.1)
u

Mas eRc = E[eRS ], por uma equao equivalente da Denio 2.3.3, pelo que

1
c= ln (E[eRS ]). (3.2.4.2)
R

Estabelecendo o prmio c desta forma, incorre-se numa probabilidade de runa nunca

superior a . Claramente, este prmio pode resultar da aplicao do princpio exponencial

|ln ()| Pn
com parmetro R= u . Se S e i=1 Xi tm a mesma distribuio, n natural, atente-se
no seguinte:

n
1 1 X
c= ln (E[eRS ]) = ln (E[eRXi ]).
R R
i=1

Ou seja, e segundo este princpio, aps a determinao do prmio relativo a S, basta

dividi-lo igualmente pelos pagamentos individuais Xi , supostos independentes. O prmio

associado ao risco coletivo S igual soma dos prmios associados aos riscos individuais.
3.2. PRINCPIOS DE CLCULO DE PRMIOS 47

3.2.5 O princpio da varincia

Outro princpio de clculo do prmio o princpio da varincia, assim denido para

> 0: [X] = E[X] + V ar[X].

Note-se que, voltando ao prmio c denido em (3.2.4.2), desenvolvendo as funes

exponencial e logartmo em srie de Taylor, vem:

1 1
MS (R) = E[eRS ] = 1 + E[S]R + E[S 2 ]R2 + E[S 3 ]R3 + O(R4 ) (3.2.5.1)
2 6

1 1
e ln (1 + z) = z z 2 + z 3 + O(z 4 ). (3.2.5.2)
2 3

Ento, usando (3.2.4.2), (3.2.5.1) e (3.2.5.2), tem-se que

1
c = [S] = ln (MS (R))
R
1 1 1
= ln(1 + E[S]R + E[S 2 ]R2 + E[S 3 ]R3 + O(R4 ))
R 2 6
1 1 1
= (E[S]R + E[S 2 ]R2 + E[S 3 ]R3 + O(R4 )
R 2 6
1 1
[E[S] R + E[S]E[S ]R + O(R4 )] + [E[S 3 ]R3 + O(R4 )] + O(R4 ))
2 2 2 3
2 3
1
= (E[S] + (E[S 2 ] E[S]2 )R + O(R2 ))
2
R
E[S] + V ar[S]. (3.2.5.3)
2

Ou seja, desprezando os termos de ordem superior a R2 , pode-se calcular c pelo princpio


R
da varincia, fazendo = 2 . Atente-se, agora, na denio seguinte.

Denio 3.2.4. A funo geradora de cumulantes de uma varivel aleatria X denida

por KX (r) = ln (MX (r)), com r real.

Lema 3.2.1. Seja X uma varivel aleatria e KX (.) a respetiva funo geradora de cu-
mulantes. Determinando as derivadas de primeira, segunda e terceira ordem de KX (r) e
tomando r = 0, obtm-se os primeiros trs cumulantes de X , que se representam por Kk ,
k = 1, 2, 3 e satisfazem K1 = E[X], K2 = V ar[X], K3 = E (X E[X])3 .
 

Demonstrao Por (3.2.5.1), vem:

1 1
MX (r) = E[erX ] = 1 + E[X]r + E[X 2 ]r2 + E[X 3 ]r3 + O(r4 ).
2 6
48 CAPTULO 3. CLCULO DE PRMIOS

Usando, agora, (3.2.5.1) e (3.2.5.2), e desprezando os termos de ordem superior a r3 :

KX (r) = ln (MX (r))


1 1
= ln(1 + E[X]r + E[X 2 ]r2 + E[X 3 ]r3 + O(r4 ))
2 6
1 1
= E[X]r + E[X ]r + E[X ]r + O(r4 )
2 2 3 3
2 6
1 1
[E[X]2 r2 + E[X]E[X 2 ]r3 + O(r4 )] + [E[X 3 ]r3 + O(r4 )] + O(r4 ))
2 3
1 2
 3 1 3

E[X]r + V ar[X]r + E (X E[X]) r . (3.2.5.4)
2 6

Derivando (3.2.5.4) em ordem a r:



dKX
(r) = E[X];
dr r=0
d2 KX

(r) = V ar[X];
dr2 r=0
d3 KX

= E (X E[X])3 .
 
3
(r) 
dr r=0

Ora, em todos os prmios que so combinao linear de cumulantes (como o caso do

prmio denido por (3.2.5.3), que combinao linear de K1 e K2 ), o prmio associado

varivel aleatria da totalidade das indemnizaes igual soma dos prmios associados

aos riscos individuais.

3.2.6 O princpio do desvio padro

O princpio do desvio padro denido por: [X] = E[X] + [X], onde >0 e [X]
representa o desvio padro do risco X.
Repare-se que, de acordo com este prmio, o excesso relativamente a E[S] proporcional
ao desvio padro de S.
Agora, e considerando 1 ano como a unidade de tempo, acrescente-se ao prmio c,
calculado pelo princpio da varincia (3.2.5.3), um dividendo anual iu, 0 i 1, ou seja,

R
uma percentagem do capital inicial. Vem que, se c = [S] = E[S] + 2V ar[S] + iu e

|ln ()|
R= u , ento

| ln () |
[S] = E[S] + V ar[S] + iu. (3.2.6.1)
2u

Agora, pretende-se escolher u por forma a que o prmio seja o mais competitivo possvel,
3.2. PRINCPIOS DE CLCULO DE PRMIOS 49

ou seja, o mais baixo possvel. Ento, derivando (3.2.6.1) em ordem a u, vem

[S] 2 |ln ()|


(u) = 0 V ar[S] + i = 0
u 4u2
p
= u = [S] |ln ()| /2i, porque u 0.

Por outro lado:

2 [S] |ln ()| V ar[S] p


(u) = >0 para u = [S] |ln ()| /2i.
u2 u3

De onde vem que

p
u = [S] |ln ()| /2i (3.2.6.2)

minimiza (3.2.6.1).

Substituindo esta ltima equao em (3.2.6.1), vem:

p
[S] = E[S] + [S] 2i |ln ()|. (3.2.6.3)

Trata-se do prmio mais competitivo incorporando o dividendo em causa e originando

uma probabilidade de runa nunca superior a . Note-se que este prmio pode ser encarado
p
como resultante da aplicao do princpio do desvio padro com = 2i |ln ()|.
Neste prmio (ou seja, o prmio (3.2.6.1)), a soma dos prmios relativos aos riscos

individuais independentes no iguala o prmio da soma desses riscos. Para determinar os

prmios de n riscos independentes Bhlmann [8] sugeriu dois clculos:

1) Clculo do capital inicial timo

p
u = [S] |ln ()| /2i,

para S, i e .

2) Clculo dos prmios para Xj , 1 j n:

|ln ()|
[Xj ] = E[Xj ] + RV ar[Xj ], R= . (3.2.6.4)
u

Exemplo 3.2.3. Considere-se um porteflio consistindo em dois tipos, A e B, de riscos

exponenciais de mdias 1 e 2 , respetivamente.


50 CAPTULO 3. CLCULO DE PRMIOS

Tabela 3.1: Aplice hipottica.

Tipo Nmero de riscos Valor Esperado Varincia

A n1 1 1
B n2 2 1
Total n1 + n2 n 1 1 + n 2 2 n1 1 + n2 2

Repare-se que SA = X1 + . . . + Xn1 , Xj (1 j n1 ) independentes e identicamente


 
distribudas a X Exp 11 e SB = Y1 + . . . + Y2 , Yj (1 j 2 ) independentes e
 
1
distribudas a Y Exp
identicamente
2 . Ento se S = SA + SB vem que

E[S] = E[SA ] + E[SB ] = n1 E[X] + n2 E[Y ] = n1 1 + n2 2 ;

V ar[S] = V ar[SA ] + V ar[SB ] = n1 V ar[X] + n2 V ar[Y ] = n1 1 + n2 2 .

Nas tabelas seguintes encontram-se os valores de u (denido em (3.2.6.2)) e de R


(denido em (3.2.4.1)) timos bem como o prmio do porteflio (denido em (3.2.6.3)),

os prmios para cada tipo de risco A e B (denidos em (3.2.6.2) e (3.2.6.4)) e os prmios

da varincia para A e B (denidos em (3.2.5.3)), tudo para um valor  e para um valor

de i, isto ,  um limite superior para a probabilidade de runa e i uma determinada

percentagem do capital inicial u requerida como retorno.

Tabela 3.2: R e u timos mais Prmio (3.2.6.3) para S

Prmio u R
do portfolio timo timo

Princpio (3.2.6.3) (3.2.6.2) (3.2.4.1)


 p 1
i n 1 1 + n 2 2 n1 1 + n2 2 n1 1 + n2 2 |ln ()| /2i
p p
+ n1 1 + n2 2 2i |ln ()| |ln ()| /2i |ln ()|

Para preencher a Tabela 3.2 faz-se:

p p p
u = [S] |ln ()| /2i = n1 1 + n2 2 |ln ()| /2i;

1 p p 1
R= |ln ()| = n1 1 + n2 2 |ln ()| /2i |ln ()| ; (3.2.6.5)
u
p p p
[S] = E[S] + [S] 2i |ln ()| = n1 1 + n2 2 + n1 1 + n2 2 2i |ln ()|.
3.2. PRINCPIOS DE CLCULO DE PRMIOS 51

Tabela 3.3: Diferentes prmios utilizando o valor de R da tabela anterior

Prmio Prmio Prmio pelo P. Prmio pelo P.

para A para B da varincia para SA da varincia para SB


Princpio (3.2.6.4) (3.2.6.4) (3.2.5.3) (3.2.5.3)

R R
i 1 + R1 2 + R2 1 + 2 1 2 + 2 2

Por seu turno, para preencher a Tabela 3.3, faz-se, utilizando (3.2.6.5):

[SA ] = E[SA ] + RV ar[SA ] = 1 + R1 e [SB ] = E[SB ] + RV ar[SB ] = 2 + R2 .

R
Calculando agora [SA ] e [SB ] pelo princpio da varincia, fazendo = 2 e calculando

R por (3.2.6.5):

R R R R
[SA ] = E[SA ] + V ar[SA ] = 1 + 1 e [SB ] = E[SB ] + V ar[SB ] = 2 + 2 .
2 2 2 2

Exemplo 3.2.4. Concretize-se o exemplo anterior. Considere-se um porteflio consistindo

em dois tipos, A e B, de riscos exponenciais de mdias 7 e 3, respetivamente.

Tabela 3.4: Aplice hipottica.

Tipo Nmero de riscos Valor Esperado Varincia

A 10 7 49

B 20 3 9

Total 30 130 670

Na tabela seguinte encontram-se os valores de u (denido em (3.2.6.2)) e de R (denido


em (3.2.4.1)) timos bem como o prmio do porteflio pelo princpio denido em (3.2.6.3),

os prmios para A e B (denidos em (3.2.6.2) e (3.2.6.4)) e os prmios da varincia para

A e B (denidos em (3.2.5.3)), tudo para diferentes valores de i e considerando  = 0.01.


Consultando a Tabela 3.5, note-se que, por exemplo, para i = 0.02, se verica que

10 7.8134 + 20 3.1494 = 141.122, aproximadamente o prmio do porteflio. Ou

seja, utilizando a sugesto de Bhlmann, o prmio para S utilizando (3.2.6.3) , apro-

ximadamente, igual soma dos prmios para os riscos individuais. Pelo contrrio, se

se aplicar (3.2.6.3) a A e B obtm-se, respetivamente, 10.0044 e 4.2876, sendo que

10 10.0044 + 20 4.2876 = 185.796 6= 141.1. Isto , o prmio (3.2.6.3) associado ao


52 CAPTULO 3. CLCULO DE PRMIOS

porteflio S signicativamente distinto da soma dos prmios (3.2.6.3) para os riscos

individuais, como se previa.

Tabela 3.5: Diferentes prmios e R e u timos.

Prmio u R Prmio Prmio pelo P.

do portfolio timo timo para A/B da varincia

para SA /SB
Princpio (3.2.6.3) (3.2.6.2) (3.2.4.1) (3.2.6.4) (3.2.5.3)

i = 0.02 141.1 277.74 0.0166 7.8134/3.1494 7.4067/3.0747

i = 0.05 147.57 175.66 0.0262 8.2838/3.2358 7.6419/3.1179

i = 0.25 169.2778 78.5555 0.0586 9.8714/3.5274 8.4357/3.2637

Analisando a tabela so vrias as concluses. Logicamente, quanto maior for o valor de

i, maior o prmio que resulta da aplicao de (3.2.6.3), como, alis, se pode constatar na
p
Tabela 3.5. Por outro lado, o capital inicial timo obedece relao u = [S] |ln ()| /2i,
pelo que, quanto mais elevado o valor de i, menor o valor de u. Noutras palavras, quanto

maior o retorno do capital inicial desejado pela seguradora, menor o valor do capital inicial

u que torna o prmio (3.2.6.1) mnimo. Uma vez que R e u (timos) so inversamente

proporcionais, ento, medida que o valor de i aumenta, tambm o valor de R se torna

mais elevado, o que implica que os demais prmios presentes na Tabela 3.5 aumentam

igualmente de valor. Note-se que todos os prmios aumentam com o aumento de i, o que

compreensvel, pois, quanto maior for o retorno do capital inicial desejado pela seguradora,

logicamente, mais elevados so os valores dos prmios que tm de solicitar aos clientes.

3.2.7 O princpio de risco ajustado

Cumpre agora atentar nos princpios do risco ajustado. O prmio assim calculado,

para uma funo g cncava e crescente com g(0) = 0 e g(1) = 1:


Z
P = g(1 FX (x))dx, (3.2.7.1)
0

onde FX (x) a funo de distribuio de X. Note-se que X pode representar qualquer

tipo de risco, um risco no mbito do modelo de risco coletivo, ou no mbito do modelo de

risco individual, ou um risco X que no funo de outras variveis aleatrias.

Conforme a funo g utilizada, assim o nome do princpio:


3.2. PRINCPIOS DE CLCULO DE PRMIOS 53

- Princpio da funo potncia dual: g(x) = 1 (1 x) , 1;

- Princpio do desvio absoluto de Denneberg:

g(x) = (1 + )x1[0,0.5) (x) + [ + (1 x)] 1[0.5,1] (x), 0 1;

- Princpio de Gini: g(x) = (1 + )x x2 , 0 1;

- Princpio da funo raiz quadrada:

1
(1 + x) 2 1
g(x) = x1{0} () + 1 1(0,+) ();
(1 + ) 2 1
1
- Princpio da transformada PH (Proportional Hazard): g(x) = x , 1;

- Princpio da funo exponencial:

1 ex
g(x) = x1{0} () + 1 ();
1 e (0,+)

- Princpio da funo logartmica:

ln (1 + x)
g(x) = x1{0} () + 1 ().
ln (1 + ) (0,+)

O Princpio da transformada PH (Proportional Hazard) o mais utilizado. De agora

em diante, sempre que se mencionar o princpio do risco ajustado, est-se, concretamente,

a referir ao princpio da transformada PH. Fica-se, ento, com

Z 1
Z 1
[X] = [P (X > x)] dx = [1 F (x)] dx, (3.2.7.2)
0 0

com 1, o ndice de risco e F a funao de distribuio do risco X. Ou, ento, supondo

a existncia de uma varivel aleatria X no negativa tal que a sua funo de distribuio
1
H tal que 1 H(x) = [1 F (x)] , vem que [X] = E[X ].

3.2.8 O princpio da utilidade nula

No sentido de atribuir pesos superiores a indemnizaes superiores, a seguradora adota


0
uma funo de utilidade u estritamente crescente e estritamente cncava (u (x) > 0 e
00
u (x) < 0). Pretende-se que a utilidade do capital w que a seguradora possui inicialmente

iguale o valor esperado da utilidade da quantia com que a seguradora ca aps a ocorrncia

do risco X, ou seja, [X] soluo da equao:

u(w) = E[u(w + [X] X)]. (3.2.8.1)


54 CAPTULO 3. CLCULO DE PRMIOS

Assim, o prmio, aqui, depende da quantia inicial w da seguradora. O que se no

verica com a funo de utilidade linear nem com a exponencial. Facto que, no caso da

funo de utilidade exponencial, conduz a:

h i
ew = E e(w+[X]X) u(0) = E[u([X] X)]. (3.2.8.2)

3.2.9 O princpio de Esscher


E[XehX ]
O princpio de Esscher assim denido para h > 0: [X] = MX (h) .

Este prmio no mais do que o prmio puro para uma varivel aleatria X , relacio-

nada com X da seguinte forma. Supondo X absolutamente contnua em (0, ) e f a sua

funo densidade, X tal que a sua funo densidade g dada por:

ehx f (x)
g(x) = . (3.2.9.1)
MX (h)
R hx E[XehX ]
Ento, para h > 0, [X] = E[X ] = 0 x R eehxff(x)
(x)dx
dx = MX (h) .
0
Rx
ehy f (y)dy
Obs.1 A funo de distribuio de X dada, para x 0, por G(x) = 0
MX (h) .

Obs.2 A funo G igualmente denominada de transformada de Esscher de FX com par-

metro h, sendo que FX a funo de distribuio de X.

Obs.3 A funo geradora de momentos de X satisfaz:

MX (t + h)
MX (t) = . (3.2.9.2)
MX (h)
R
etx ehx f (x)dx MX (t+h)
Com efeito, MX (t) = E[etX ] = 0
MX (h) = MX (h) .

3.2.10 O princpio do percentil

Este princpio estipula que [X] = min{p : FX (p) 1 }, 0  1.


Neste princpio a probabilidade de uma perda, no risco X, no mximo . Com efeito,

para um risco X, 0  1 e p 0, note-se que FX (p) 1  P (X > p) .

3.2.11 O princpio da perda mxima

O princpio da perda mxima determina que [X] = min{p : FX (p) = 1}.


Este princpio d origem a um prmio que, preferencialmente, dever ser o prmio

mximo para o risco X. No fundo, este princpio preconiza que o valor do prmio deve

igualar o valor mximo que o risco pode assumir, isto , o prmio deve igualar a perda

mxima possvel.
3.3. EXEMPLOS DE CLCULO DE PRMIOS 55

3.3 Exemplos de clculo de prmios


Pretende-se calcular os diversos valores do prmio de acordo com todos os princpios

de prmio explorados, e pretende-se que tal seja feito em condies semelhantes. Opera-se

segundo o modelo clssico de risco, com 1 ano como unidade temporal, isto , U (t) = u +
PN (t)
ct i=1 Xi , u = U (0), N (t) um processo de Poisson homogneo, com N (t) P oisson(t),
t 0. Ento, como j foi visto anteriormente, S a varivel aleatria da totalidade das
S = N
P
indemnizaes anuais possveis, sendo que i=1 Xi , N P oisson(1). Neste caso,

considere-se que os termos da sucesso das indemnizaes individuais {Xi }i1 so variveis

aleatrias independentes e identicamente distribudas a X Exp(1). Pretendem-se obter

os diversos valores de c = [S] obtidos pela utilizao dos diferentes princpios de clculo

de prmios abordados.

Principie-se por notar que, de acordo com o Lema 2.4.1, o prmio tem de ser estri-

tamente superior a 1 (1 = 1) para evitar uma runa quase certa. No que se segue

= 0.1.

Princpio do prmio lquido


Atendendo a (2.3.1), vem que [S] = E[S] = E[N ]E[X] = 1.

Princpio da esperana matemtica


[S] = (1 + 0.1)E[S] = 1.1

Princpio da utilidade esperada; princpio exponencial; princpio da utili-


dade nula
Pretende-se, agora, aplicar o princpio da utilidade esperada com u(x) = 0.1e0.1x ,
que equivalente ao princpio exponencial fazendo = 0.1 e equivalente ao princpio da

utilidade nula com u(x) = 0.1e0.1x . Ora, no Exemplo 2.3.1, mostrou-se que, neste caso,

P = 1
ln (MS ()) = 1
1 . Pelo que P = 1
10.1 1.111.

Princpio da varincia
Por (2.3.5), V ar[S] = E[N ]V ar[X] + E[X]2 V ar[N ] = 2. Pelo que [S] = E[S] +
0.1V ar[S] = 1.2

Princpio do desvio padro


p
[S] = E[S] + 0.1 V ar[S] = 1.1.

Princpio do risco ajustado


necessrio determinar uma expresso para a funo de distribuio de S.
56 CAPTULO 3. CLCULO DE PRMIOS

Lema 3.3.1. Seja {Xi }i1 uma sucesso de variveis aleatrias independentes e identica-
mente distribudas a X Exp(1). Ento fX1 +...+Xn (s) = sn1 s
(n1)! e , s > 0, n N.

Demonstrao
A prova decorre por induo. Em primeiro lugar, note-se que a igualdade se verica

trivialmente para n = 1. Por outro lado, X1 + . . . + Xn+1 = X1 + . . . + Xn +Xn+1 . Ad-


| {z }
Y
xn1 x
mitindo que nN verica a condio do Lema 3.3.1, vem que fY (x) = (n1)! e , pelo

que

s s
x(n1) x
Z Z
fY +Xn+1 (s) = fY (s) fX (s) = fX (s x)fY (x)dx = e(xs) e dx
0 0 (n 1)!
sn s(n+1)1
= es = es .
n! ((n + 1) 1)!

Logo, pelo princpio da induo matemtica, conclui-se o pretendido. 

Lema 3.3.2. Sejam {Xi }i1 uma sucesso de variveis aleatrias independentes e iden-
ticamente distribudas a X Exp(1) e independentes de N , N P oisson(1), S =
X1 + . . . + XN . Ento

e(s+1) X sn
fS (s) = , s > 0. (3.3.0.1)
s n!(n 1)!
n=0

Demonstrao
Opera-se agora, para s > 0, no modelo coletivo de risco S = X1 + . . . + XN , N
P oisson(1), X Exp(1), isto , X somado um nmero aleatrio de vezes. Utilizando o

Lema 3.3.1, vem


X X sn1 s
fS (s) = P (N = n)fX1 +...+Xn (s) = P (N = n) e
(n 1)!
n=0 n=0

X e1 sn1 e (s+1) X sn
= es = .
n! (n 1)! s n!(n 1)!
n=0 n=0


Ora,

Z s (x+1)
e(x+1) X
s
xn xn
Z X e
FS (s) = dx = dx
0 x n!(n 1)! x n!(n 1)!
n=0 n=0 0

e1
X Z s
= ex xn1 dx.
n!(n 1)! 0
n=0
3.3. EXEMPLOS DE CLCULO DE PRMIOS 57

P xn
Note-se que a segunda igualdade possvel porque n=0 n!(n1)! uniformemente

convergente. Mas, integrando por partes:

b
Z b n1
X k1
Y n1
Y
ex xn1 dx = ex xn1 (n j) ex xnk (n j) ex .
a k=2 j=1 j=1
a

Deste modo, voltando ao clculo de FS (s):



e1
X Z s
FS (s) = ex xn1 dx
n!(n 1)! 0
n=0
s
1 n1 k1 n1
X e ex xn1
X Y Y
(n j) ex xnk (n j) ex
=
n!(n 1)!
n=0 k=2 j=1 j=1
0

1 n1 k1 n1 n1
X e es sn1
X Y Y
(n j) es snk (n j) es +
Y
= (n j).
n!(n 1)!
n=0 k=2 j=1 j=1 j=1

(3.3.0.2)

R 1
Para calcular [S], para 1, substitui-se (3.3.0.2) em [S] = 0 [1 FS (s)] ds.
Tal clculo complexo e no ser efetuado nesta tese.

Princpio de Esscher
Calcula-se de seguida o prmio pelo princpio de Esscher, com h > 0.

(s+1) X
sn
Z Z
hS hs hs e
E[Se ]= se fS (s)ds = se ds
0 0 s n!(n 1)!
n=0
Z Z
(h1)s1
X sn X e1
= e ds = e(h1)s sn ds.
0 n!(n 1)! n!(n 1)! 0
n=0 n=0
P sn
A quarta igualdade possvel porque n=0 n!(n1)! uniformemente convergente.

Por outro lado:


e(s+1) X sn
Z Z
hS hs
E[e ]= e fS (s)ds = ehs ds
0 0 s n!(n 1)!
n=0
Z s 1 Z
X
hs e e sn X e1
= e ds = e(h1)s sn1 ds.
0 s n!(n 1)! n!(n 1)! 0
n=0 n=0

Desta forma:
P e1
R (h1)s n
n=0 n!(n1)! 0 e s ds
[S] = P e1
R .
(h1)s sn1 ds
n=0 n!(n1)! 0 e

Como bvio, o clculo do prmio pela ltima expresso seria complexo. Apresenta-

se, de seguida, outra abordagem possvel ao problema. Relembre-se que o prmio pelo

princpio de Esscher pode igualmente ser calculado como sendo o valor esperado de uma
58 CAPTULO 3. CLCULO DE PRMIOS

outra varivel aleatria, denominada anteriormente de X e, no caso concreto, de S . Esta

dKS
nova abordagem consiste, simplesmente, em notar que E[S ] = dt (0), pelo Lema 3.2.1.

Ora, e fazendo os clculos considerando, agora, para generalizar, que cada um dos termos

da sucesso {Xi }i1 so variveis aleatrias independentes e identicamente distribudas a

X Exp(), > 0, e que N P oisson(), > 0, com S = X1 + . . . + XN , vem,

utilizando (3.2.9.2), que para h>0


X(t+h)
MS (t + h) MN (ln (MX (t + h))) e(MX (t+h)1) eE [e ]
MS (t) = = = (M (h)1) = .
eE [e ]
Xh
MS (h) MN (ln (MX (t))) e X

Pelo que:

X(t+h)
!
eE [e ] h i h i
KS (t) = ln = E eX(t+h) E eXh .
eE [e ]
Xh

dKS
[S] = E[S ] = (0) = E XehX .
 
Logo,
dt

Considerando, agora, 0 < h < 1:


Z Z
h
hX
i
hx x
[S] = E Xe = xe e dx = xe(h)x dx = .
0 0 (h 1)2

Demonstrou-se, desta forma:

Lema 3.3.3. Seja {Xi }i1 uma sucesso de variveis aleatrias independentes e identica-
mente distribuidas a X Exp(), > 0, e independentes de N , N P oisson(), > 0,
e S = X1 + . . . + XN . Ento, pelo princpio de Esscher, [S] =
(h1)2
, 0 < h < 1.

1
No caso concreto, = 1 e = 1. Considerando, por exemplo, h = 2 , vem que
1
[S] = ( 21 1)2
= 4. Nos anexos, gura um programa que implementa este Lema.

Princpio do percentil
O prmio pelo princpio do percentil calcula-se resolvendo em ordem a s a seguinte

equao, para 0  1: FS (s) = 1 .


O que, por (3.3.0.2), equivalente a:


n1 k1 n1 n1
X e1 es sn1
X Y Y
(n j) es snk (n j) es +
Y
(n j) = 1.
n!(n 1)!
n=0 k=2 j=1 j=1 j=1

Est-se, uma vez mais, perante um clculo muito complexo, que no ser efetuado na

presente tese.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 59

3.4 Propriedades dos princpios de clculo de prmios


De seguida, apresentam-se algumas propriedades possveis dos princpios de prmios

[X]:

1) [X] E[X] (carga no negativa);

2) Se existir xm nito tal que xm mximo de X, ento [X] xm (no existncia de

preo excessivo);

3) c > 0, [X + c] = [X] + c (consistncia);

4) Se X e Y so independentes, ento [X + Y ] = [X] + [Y ](aditividade);

5) X, Y , [X] = [[X | Y ]] (iteratividade);

6) Se a > 0, [aX] = a[X] (invarincia da escala ou homogeneidade).

No que se segue, sejam X um risco positivo, xm (nito) mximo de X , , c, a > 0; em

4) X e Y so variveis aleatrias independentes; em 5) variveis aleatrias quaisquer.

3.4.1 Propriedades do princpio do prmio lquido

Relembre-se que, de acordo com este princpio, [X] = E[X]. O princpio do prmio

lquido satisfaz as seis propriedades enunciadas.

1) Claramente este princpio verica a condio de carga no negativa.

2) O princpio do prmio lquido obedece igualmente a propriedade de preo no exces-


R R
sivo. Com efeito, [X] = E[X] = XdP = {Xxm } XdP xm .

3) O princpio do prmio lquido consistente. Com efeito, [X + c] = E[X + c] =


E[X] + c = [X] + c.

4) Este princpio aditivo, pois [X + Y ] = E[X + Y ] = E[X] + E[Y ] = [X] + [Y ].


Note-se que aqui no necessrio invocar a independncia entre X e Y uma vez que

o resultado segue da linearidade do integral.

5) Esta propriedade vericada, pois [[X | Y ]] = E[E[X | Y ]] = E[X]. A primeira

igualdade resulta da aplicao da denio do prmio lquido. A segunda do facto

de, para quaisquer variveis aleatrias Z e W, se vericar que E[Z] = E[E[Z | W ]].
60 CAPTULO 3. CLCULO DE PRMIOS

6) Por m, o princpio em causa tambm invariante escala, pois [aX] = E[aX] =
aE[X] = a[X]. Note-se que o resultado decorre da linearidade da esperana mate-

mtica.

3.4.2 Propriedades do princpio da esperana matemtica

O princpio da esperana matemtica estipula que [X] = (1 + )E[X] e apenas verica


as condies da carga no negativa e da aditividade.

1) O princpio da esperana matemtica satisfaz a condio da carga no negativa. Com

efeito, [X] = (1 + )E[X] E[X], pois > 0.

2) Esta propriedade no vericada. Por exemplo, se o risco X for tal que P (X = a) =


1, ento E[X] = a e [X] = (1 + )E[X] = (1 + )a > a, uma vez que > 0.

3) Este princpio no consistente. De facto,

[X + c] = (1 + )E[X + c] = [X] + (1 + )c > [X] + c, pois > 0.

4) O princpio aditivo:

[X + Y ] = (1 + )E[X + Y ] = (1 + )E[X] + (1 + )E[Y ] = [X] + [Y ].

Note-se que este resultado tambm seria vlido para variveis aleatrias no inde-

pendentes uma vez que somente se utiliza a linearidade da esperana matemtica.

5) O princpio em causa no satisfaz esta propriedade. Seno repare-se:

[[X | Y ]] = [(1 + )E[X | Y ]] = (1 + )E[(1 + )E[X | Y ]]

= (1 + )2 E[E[X | Y ]] = (1 + )2 E[X] 6= (1 + )E[X] = [X].

6) O princpio da esperana matemtica obedece propriedade da invarincia da escala:

[aX] = (1 + )E[aX] = a(1 + )E[X] = a[X].

O resultado, mais uma vez, decorre da linearidade da esperana matemtica.

3.4.3 Propriedades do princpio exponencial


1
O princpio exponencial determina que [X] = ln(MX ()). Este princpio apenas

no obedece condio da homogeneidade.


3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 61

1) O princpio exponencial satisfaz a condio da carga negativa. Calculando [X]


usando o desenvolvimento em srie de Taylor da funo exponencial e da funo

logartmo vem:
 
1  X  1 1  2 2 3
[X] = ln E e = E[X] + E X + O( )
2
1
= E[X] + E[X 2 ] + . . . E[X], porque > 0.
2

2) Este princpio satisfaz obviamente a condio do preo no excessivo. De facto,

[X] = 1 ln E eX 1
ln (E [exm ]) = 1
ln (exm ) = xm .



3) A condio da consistncia satisfeita:

1  h (X+c) i 1
ln E eX + ln (ec ) = [X] + c.
  
[X + c] = ln E e =

4) O princpio exponencial obedece propriedade da aditividade. De facto,

1  h (X+Y ) i 1  h i h i
[X + Y ] = ln E e = ln E e(X) E e(Y )

1  X  1
+ ln E eY = [X] + [Y ].
 
= ln E e

A segunda igualdade advm do facto de X e Y serem independentes.

5) O princpio exponencial verica a propriedade da iteratividade:


 
1  X 1  h i
= ln E e[X|Y ]

[[X | Y ]] = ln E e |Y

1  h ( 1 ln (E [eX |Y ])) i 1
= ln E E eX | Y
  
= ln E e

1  X  1
= ln E e = ln (MX ()) = [X].

conveniente precisar que a quinta igualdade , uma vez mais, consequncia do facto

de, para quaisquer variveis aleatrias Z e W, se vericar que E[Z] = E[E[Z | W ]].
Neste caso, tal relao aplica-se varivel aleatria composta Z = eX e varivel

aleatria Y.

1 a
ln E eaX 6= a[X] = ln E eX .
   
6) No um princpio homogneo, pois [aX] =

3.4.4 Propriedades do princpio da varincia

O prmio [X] segundo o princpio da varincia assim calculado: [X] = E[X] +


V ar[X], > 0. Satisfaz trs das propriedades enunciadas, concretamente a carga no

negativa, a consistncia e a aditividade.


62 CAPTULO 3. CLCULO DE PRMIOS

1) O princpio da varincia claramente verica o princpio da carga no negativa. Como

bvio, [X] = E[X] + V ar[X] E[X], uma vez que > 0.

2) A condio do preo no excessivo no vericada. Considere-se o seguinte exemplo.

1 a+b
O risco X tal que P (X = a) = P (X = b) = 2 , a, b > 0, a < b. Ento E[X] = 2
a+b 2
a2 b2
2
V ar[X] = E X 2 E [X]2 = = ab
  
e
2 + 2 2 2 .

a+b ab 2 2

Logo, [X] = 2 + 2 >b se > ba .

3) O princpio consistente. Com efeito, [X + c] = E[X + c] + V ar[X + c] =


E[X] + V ar[X] + c = [X] + c.

4) Este princpio aditivo, pois [X + Y ] = E[X + Y ] + V ar[X + Y ] = E[X] +


E[Y ] + V ar[X] + V ar[Y ] = [X] + [Y ]. Note-se que a segunda igualdade apenas

possvel pelo facto de X e Y serem independentes.

5) A condio da iteratividade no satisfeita. De facto,

h i
[[X | Y ]] = E[X | Y ] + V ar[X | Y ]
h i h i
= E E[X | Y ] + V ar[X | Y ] + V ar E[X | Y ] + V ar[X | Y ]

= E[E[X | Y ]] + E[V ar[X | Y ]] + V ar[E[X | Y ]] + 2 V ar[V ar[X | Y ]]

+ 22 Cov (E[X | Y ], V ar[X | Y ])

= E[X] + (E[V ar[X | Y ]] + V ar[E[X | Y ]]) + 2 V ar[V ar[X | Y ]]

+ 22 Cov (E[X | Y ], V ar[X | Y ])

= E[X] + V ar[X] + 2 (V ar[V ar[X | Y ]] + 2Cov (E[X | Y ], V ar[X | Y ]))

= [X] + 2 (V ar[V ar[X | Y ]] + 2Cov (E[X | Y ], V ar[X | Y ]))

6= [X].

A quinta igualdade justica-se pela frmula da decomposio da varincia: V ar[Z] =


V ar[E[Z | W ]] + E[V ar[Z | W ]], Z e W variveis aleatrias (ver Lema 2.3.5).

6) O princpio da varincia no invariante escala. De facto, [aX] = E[aX] +


V ar[aX] = aE[X] + a2 V ar[X], pelo que pode-se vericar que [aX] 6= a[X] se

a 6= 1.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 63

3.4.5 Propriedades do princpio do desvio padro

Este princpio, recorde-se, preconiza que o prmio deve ser assim calculado: [X] =
E[X] + [X], > 0. Satisfaz apenas trs das propriedades enunciadas, nomeadamente

a carga no negativa, a consistncia e a invarincia da escala.

1) O princpio do desvio padro satisfaz a condio da carga no negativa. Claramente,

[X] = E[X] + [X] E[X], pois > 0.

2) A condio do preo no excessivo no vericada. Considere-se o exemplo j abor-

1
dado anteriormente. O risco X tal que P (X = a) = P (X = b) = 2, a, b > 0, a < b.
   1
[X] = E X 2 E [X]2
a+b 2
Ento E[X] = 2 e = ba
2 .

a+b
Logo, [X] = 2 + ba
2 >b se > 1.

3) O princpio consistente, uma vez que [X + c] = E[X + c] + [X + c] = E[X] +


c + [X] = [X] + c.

4) Este princpio no obedece condio da aditividade:

p p
[X + Y ] = E[X + Y ]+ V ar[X + Y ] = E[X]+E[Y ]+ V ar[X] + V ar[Y ]
p p
6= E[X] + V ar[X] + E[Y ] + V ar[Y ] = [X] + [Y ].

A segunda igualdade advm do facto de X e Y serem variveis aleatrias inde-

pendentes. A no igualdade consequncia da falsidade da igualdade seguinte:



a, b 0, a+b= a+ b.

5) O princpio no iterativo. De facto,

h p i
[[X | Y ]] = E[X | Y ] + V ar[X | Y ]
h i r h i
p p
= E E[X | Y ] + V ar[X | Y ] + V ar E[X | Y ] + V ar[X | Y ]
hp i
= E[X] + E V ar[X | Y ]
 hp i   1
2
p
+ V ar[E[X | Y ]]+2 V ar V ar[X | Y ] +2Cov E[X | Y ], V ar[X | Y ] .

p
Todavia, [X] = E[X] + V ar[X].

6) O princpio do desvio padro obedece condio da invarincia na escala:

p p
[aX] = E[aX] + V ar[aX] = aE[X] + a V ar[X] = a[X].
64 CAPTULO 3. CLCULO DE PRMIOS

3.4.6 Propriedades do princpio do risco ajustado


R 1
Este princpio pode ser assim calculado: [X] = 0 [1 FX (x)] dx, 1. No

obedece s condies da aditividade e da iteratividade, obedecendo a todas as demais.

1) O princpio do risco ajustado satisfaz a propriedade da carga no negativa. Com


1
efeito, para todo o x positivo verica-se que 1 FX (x) [1 FX (x)] , de onde
R R 1
resulta que E[X] = 0 (1 FX (x))dx 0 [1 FX (x)] dx.

2) A condio da no existncia de preo excessivo tambm satisfeita. Note-se xm

tal que P (X xm ) = 1 e y > xm , FX (y) = 1 1 FX (y) = 0. Por outro lado,


1
se 0 < y xm , [1 FX (x)] 1. Ento,

Z xm Z xm
1
[X] = [1 FX (x)] dx 1dx = xm .
0 0

3) O princpio em causa consistente. Repare-se que:


Z 1
Z 1
[X + c] = [1 FX+c (x)] dx = [1 FX (x c)] dx

0 0
Z Z 0 Z
1 1 1
= [1 FX (y)] dy =
[1 FX (y)] dy +
[1 FX (y)] dy
c c 0
Z 0
= 1dy + [X] = c + [X].
c

Na ltima igualdade usa-se o facto de X ser uma varivel aleatria positiva e a

denio do princpio do risco ajustado.

4) A condio da aditividade no se verica. Seno, considere-se o seguinte exemplo.

Os riscos X e Y so independentes e identicamente distribudos de tal forma que

P (X = 0) = P (X = 1) = 1
2 . Assim, FX (x) = 1
1
2 [0,1) (x) + 1[1,+) (x).

Pelo que, para = 2:


Z Z 1
r
1 1 2
[X] = [1 FX (x)] dx =2 1 dx = .
0 0 2 2

2
Como Y identicamente distribudo a X , [Y ] = [X] = 2 . Por outro lado, usando

a convoluo, FX+Y (x) = 1


1
4 [0,1) (x) + 3
1
4 [1,2) (x) + 1[2,+) (x).

Vem, ento, que:


Z Z 1
r Z 2
r
1 1 3
[X + Y ] = [1 FX+Y (x)] dx = 2 1 dx + 1 dx
0 0 4 1 4

3+1 2 2
= 6= + = [X] + [Y ].
2 2 2
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 65

5) O princpio em causa no verica sempre a condio da iteratividade. Ver [5].

6) Este princpio obedece condio da homogeneidade. Claramente FaX (x) = FX ( xa ).


Ento:
Z 1
Z h  x i 1

[aX] = [1 FaX (x)] dx =
1 FX dx
0 0 a
Z 1
=a [1 FX (w)] dw = a[X].
0

3.4.7 Propriedades do princpio da utilidade nula

O princpio da utilidade nula determina que o prmio [X] soluo da equao

u(w) = E [u(w + [X] X)]. Satisfaz trs das propriedades enunciadas, nomeadamente a

propriedade da carga no negativa, da no existncia de preo excessivo e da consistncia.

1) O princpio em causa verica a propriedade da carga no negativa. Para estudar a

propriedade da carga no negativa no princpio da utilidade nula necessrio recorrer

ao seguinte teorema:

Teorema 3.4.1. (Desigualdade de Jensen) Seja u(x) uma funco estritamente cres-
cente e cncava, isto , u (x) > 0 e u (x) < 0. Ento, para toda a varivel aleatria
0 00

X , desde que os valores mdios envolvidos existam, tem-se: E[u(X)] u(E[X]).

Demonstrao Seja u(x) tal que


0
u (x) > 0 e
00
u (x) < 0. Se E[X] = existe,

considere-se a reta tangente a u(x) no ponto (, u()). Ou seja, a reta de equao:


0 0
u(x) = u() + u ()(x ). Ento, x, u(x) u() + u ()(x ).

Substituindo x pela varivel aleatria X e aplicando a esperana matemtica vem

que E[u(X)] u() = u (E[X]). 

Ora, o princpio de utilidade nula satisfaz o princpio da carga no negativa pois,

utilizando a desigualdade de Jensen (e recordando que neste princpio u estritamente


cncava),

u(w) = E[u(w + [X] X)] u(w + [X] E[X]).

De onde se conclui que u(w) u(w +[X]E[X]). Como u estritamente crescente,


resulta que w w + [X] E[X], ou seja, [X] E[X].

2) Este princpio obedece condio da no existncia de preo excessivo. Como xm

o mximo de X, ento

u(w) = E[u(w + [X] X)] E[u(w + [X] xm )] = u(w + [X] xm ).


66 CAPTULO 3. CLCULO DE PRMIOS

0
Como u (x) > 0, ou seja, u estritamente crescente, w w + [X] xm , o que

implica que [X] xm .

3) A propriedade da consistncia vericada. Note-se que [X +c] soluo da equao:


u(w) = E[u(w + [X + c] (X + c))]. Mas como [X] soluo da equao u(w) =
E[u(w + [X] X)], resulta que [X + c] = [X] + c.

4) Em geral, este princpio no aditivo, a menos de quando a funo de utilidade

exponencial ou linear. Ver [5].

5) O princpio da utilidade nula no satisfaz sempre a condio da iteratividade. Para

o provar, considerem-se duas variveis aleatrias X e Y denidas num espao de

probabilidade (, F, P ), com = {1, 2, 3}, F = P(), onde P() representa o

conjunto das partes de , e P uma medida de probabilidade de F em [0, 1] assim

denida: P ({1}) = 0.1, P ({2}) = 0.2, P ({3}) = 0.7. Por seu turno, X uma

funo de em R tal que X(w) = 2 se w mpar e X(w) = 1 se w par, w . A

varivel aleatria Y uma funo de em R com Y (1) = Y (2) = 2 e Y (3) = 10. O

capital inicial ser w=0 e a funo de utilidade u(x) = (1 x)2 1[0,1] (x). Ento,

u(0) = E [u ([X] X)] , [X] X 1

1 = (1 ([X] 1))2 P ({2}) (1 ([X] 2))2 P ({1, 3})

1 = 0.2 (2 [X])2 0.8 (3 [X])2

= [X] = 1.8834.

De seguida, cumpre denir a varivel aleatria Z(Y ) = [X | Y ]. Para tal necessrio

calcular as seguintes probabilidades:

P (X = 1, Y = 2) P ({2} {1, 2}) 2


P (X = 1 | Y = 2) = = = ;
P (Y = 2) P ({1, 2}) 3
P ({1, 3} {1, 2}) 1
P (X = 2 | Y = 2) = = .
P ({1, 2}) 3
Logo,

u(0) = E [u ([X | Y = 2] X)] , [X | Y = 2] X 1


2
1 = 4 4[X | Y = 2] + [X | Y = 2]2

3
1
9 6[X | Y = 2] + [X | Y = 2]2


3
= [X | Y = 2] = 1.4514,
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 67

P ([X | Y ] = 1.4514) = P Y 1 ({2}) = 3



com
10 .

Por outro lado,

P ({2} {3})
P (X = 1 | Y = 10) = = 0;
P ({3})

P ({1, 3} {3})
P (X = 2 | Y = 10) = = 1.
P ({3})

Pelo que,

u(0) = E [u ([X | Y = 10] X)] , [X | Y = 10] X 1

1 = 9 6[X | Y = 10] + [X | Y = 10]2


 

= [X | Y = 10] = 2,

P ([X | Y ] = 2) = P Y 1 ({10}) = 7

sendo que
10 .

Com Z(Y ) = [X | Y ] denida, calcula-se [Z]:

u(0) = E [u ([Z] Z)] , [Z] Z 1


3 7
1 = (1 ([Z] 1.4514))2 (1 ([Z] 2))2
10 10
= [Z] = [[X | Y ]] = 1.8675 6= [X].

6) No invariante escala. Sejam u(x) = ex , X N (, 2 ), > 0, , 0. Por

se tratar de uma funo de utilidade exponencial vlido o seguinte:

u(w) = E[u(w + [X] X)] 1 = e[X] E[eX ]


  1
[X] = 1 ln E[eX ] = + 2 .
2

Por seu turno, [aX] = a + 21 2 a2 6= a[X], se a 6= 1.

3.4.8 Propriedades do princpio de Esscher

O princpio de Esscher, como j se referiu, preconiza que o prmio dever ser calcu-

E[XehX ]
lado pela equao [X] = MX (h) , h > 0. Somente no verica duas das propriedades

enunciadas, a saber, a iteratividade e a homogeneidade.

1) O princpio de Esscher satisfaz a propriedade da carga no negativa. conveniente

referir um resultado de que se far uso posteriormente. Com X um risco admitindo

uma funo geradora de momentos, o momento de ordem r de X dado por E[X r ] =


68 CAPTULO 3. CLCULO DE PRMIOS

dr tX em srie de Taylor para concluir que


dtr MX (0). Com efeito, basta desenvolver e
E[X i ti ]
MX (t) =
P
i=0 . Derivando esta srie r vezes em ordem a t e igualando depois
i!

t a 0, conclui-se o resultado em causa.

Note-se que, quando h = 0, [X] = E[X]. Mas [X] = E[X ] (ver subseco 3.2.9).

Logo, [X] = E[X] = E[X ]. Ento, utilizando (3.2.9.2) na segunda igualdade:

dr MX dr MX (t + h) dr

r 1
E[(X ) ] = r
(t) = r = r
MX (t + h)
dt t=0 dt MX (h) t=0 MX (h) dt

t=0
1 dr h i 1 h i
= E e(t+h)X = E X r ehX etX
MX (h) dtr t=0 M X (h) t=0
1 h
r hX
i 1 dr
= E X e = MX (h), (3.4.8.1)
MX (h) MX (h) dhr

pelo que, fazendo r = 1,


 
d d d 1 d
[X] = E[X ] = MX (h)
dh dh dh MX (h) dh
   2 !
1 d d d
= MX (h) MX (h) MX (h)
(MX (h))2 dh dh dh
2
d2

1 1 d
= MX (h) MX (h)
MX (h) dh2 (MX (h))2 dh
= E (X )2 E[X ]2
 

= V ar[X ] > 0.

Note-se que na quinta igualdade se utilizou (3.4.8.1).

Ou seja, [X] uma funo crescente de h e [X] = E[X] quando h = 0. De onde

resulta que [X] E[X].

2) O princpio em causa obedece igualmente condio da no existncia de preo ex-

cessivo. Claramente, XehX xm ehX , pelo que E[XehX ] E[xm ehX ] = xm MX (h).
Dividindo esta ltima inequao por MX (h), vem:

E[XehX ] E[xm ehX ]


[X] = = xm .
MX (h) MX (h)

3) O princpio de Esscher consistente. De facto,

E[(X + c)eh(X+c) ] E[XehX ]ehc + cE[ehX ]ehc


[X + c] = =
E[eh(X+c) ] MX (h)ehc
E[XehX ]
= + c = [X] + c.
MX (h)
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 69

4) Este princpio tambm aditivo:

E[(X + Y )eh(X+Y ) ] E[XehX ]MY (h) + MX (h)E[Y ehY ]


[X + Y ] = =
E[eh(X+Y ) ] MX (h)MY (h)
hX
E[Xe ] E[Y e ] hY
= + = [X] + [Y ].
MX (h) MY (h)

Note-se que na segunda igualdade se usa o facto de X e Y serem variveis aleatrias

independentes.

5) O princpio de Esscher no verica sempre a propriedade da iteratividade. Recor-

rendo ao exemplo do item 5) da subseco 3.4.7, para h > 0, vem

eh 8e2h
E XehX
 
5 + 5
[X] = = .
E [ehX ] eh
+ 4e2h
5 5

Pretende-se agora denir a varivel aleatria Z(Y ) = [X | Y ]. Ento:

E XehX | Y = y
 
[X | Y = y] = , sendo que:
E [ehX | Y = y]

E[ehX | Y = 2] = eh P (X = 1 | Y = 2) + e2h P (X = 2 | Y = 2)
1 ({1})Y 1 ({2}) 1 ({2})Y 1 ({2})
 
hP X 2h P X
=e +e
P (Y 1 ({2})) P (Y 1 ({2}))
P ({2} {1, 2}) P ({1, 3} {1, 2})
= eh + e2h
P ({1, 2}) P ({1, 2})
2 1
= eh + e2h ;
3 3
2 2
E[XehX | Y = 2] = eh + e2h .
3 3

Ou seja,

2 h
3e + 23 e2h
[X | Y = 2] = 2 h e
3e + 13 e2h
!
2 h
3e + 23 e2h 3
= P Y 1 ({2}) = P ({1, 2}) = .

P [X | Y ] = 2 h
3e + 13 e2h 10

Por outro lado,

E[ehX | Y = 10] = e1h P (X = 1 | Y = 10) + e2h P (X = 2 | Y = 10)


P ({2} {3}) P ({1, 3} {3})
= e1h + e2h = e2h .
P ({3}) P ({3})
2e2h
Logo,E[XehX | Y = 10] = 2e2h e [X | Y = 10] = e2h
= 2, com P ([X | Y ] = 2) =
P Y 1 ({10}) = P ({3}) = 10
7

.
70 CAPTULO 3. CLCULO DE PRMIOS

E[ZehZ ]
A varivel aleatria Z = [X | Y ] j est denida e [[X | Y ]] = [Z] = E[ehZ ]
,

com:
" #
3 23 eh + 23 e2h
hZ
2 h
3e + 3e
2 2h
7
E[Ze ] = exp 2 h 1 2h + 2e2h ,
10 23 eh + 13 e2h 3 e + 3 e 10
" #
2 h
3 e + 2 e2h 7
E[ehZ ] = exp 32 h 31 2h + e2h .
10 3e + 3e
10

eh 2h
+ 8e5
Como bvio, o quociente destas duas ltimas expresses no iguala [X] = e
5
h 2h
5
+ 4e5
1
para todo o valor de h > 0. Com efeito, basta tomar h= 2 e resulta que [X]
1.8683 e [[X | Y ]] 0.5723.

6) No se verica a condio da invarincia escala. Com efeito,

E[aXehaX ] aE[XeahX ]
aX (h) = = = aX (ah) 6= aX (h),
E[ehaX ] E[eahX ]
pelo que aX (h) 6= aX (h), a menos do caso em que a toma o valor 1.

3.4.9 Propriedades do princpio do percentil

O princpio do percentil, que refere que o prmio se calcula pela equao [X] = min{p :
FX (p) 1 }, 0  1, apenas satisfaz duas das propriedades enunciadas, nomeada-

mente a propriedade da no existncia de preo excessivo e a consistncia.

1) O princpio do percentil no satisfaz a propriedade da carga no negativa. Seno,

atente-se no exemplo seguinte. Sejam X Exp( 12 ) (pelo que E[X] = 2) e tome-se

2
= 5 . Ento, [X] a soluo positiva da seguinte equao resolvida em ordem a p:
Z p Z p
1 1x
fX (x)dx = 1  e 2 dx = 1 .
0 0 2
2 25
 
Conclui-se que [X] = p = 2 ln (), isto , [X] = 2 ln 5 = ln 4 < 2 = E[X].

2) O princpio do percentil obedece condio da no existncia de preo excessivo.

De facto, seja xm tal que P (X xm ) = 1 e 0  1. Ora, se [X] = s, ento

FX (s) 1 , pela denio do princpio do percentil. Pelo que 1  P (X s)


P (X xm ) = 1, o que implica que s xm .

3) O princpio do percentil consistente. De facto,

[X + c] = min {p : FX+c (p) 1 } = min {p : P (X p c) 1 }

= min {s : P (X s) 1 } + c = [X] + c.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 71

4) Este princpio no aditivo. Considere-se o exemplo presente na Tabela 3.6.

Tabela 3.6: Variveis aleatrias independentes

PX,Y (xk , yj ) x1 = 0 x2 = 1 x3 = 2 PY (yj )


1 1 1 1
y1 = 0 12 6 4 2
1 1 1 1
y2 = 1 18 9 6 3
1 1 1 1
y3 = 2 36 18 12 6
1 1 1
PX (xk ) 6 3 2 1

Como facilmente constatvel, X e Y so variveis aleatrias independentes uma

vez que PX,Y (xk , yj ) = PX (xk )PY (yj ), k, j .

Claramente, FX (x) = 1
1
6 [0,1) (x) + 1
1
2 [1,2) (x) + 1[2,+) (x).

1
[X] = min p : FX (p) 12 = 1.

Considerando = 2 , vem que

Analogamente, FY (y) = 1
1
2 [0,1) (y) + 5
1
6 [1,2) (y) + 1[2,+) (y), de onde se conclui que

1

[Y ] = min p : FY (p) 2 = 0.

Por m, recorrendo convoluo,

1 11 25 11
FX+Y (s) = 1 (s) + 1[1,2) (s) + 1[2,3) (s) + 1[3,4) (s) + 1[4,+) (s).
12 [0,1) 36 36 12

[X + Y ] = min p : FX+Y (p) 12 = 2 6= 1 = [X] + [Y ].



Consequentemente,

5) Este princpio no obede condio da iteratividade. Atente-se no exemplo seguinte.

Considerem-se duas variveis aleatrias X e Y denidas num espao de probabilidade

(, F, P ), com = {1, 2, 3}, F = P() e P medida de probabilidade de F em [0, 1]


assim denida: P ({1}) = 0.3, P ({2}) = 0.5, P ({3}) = 0.2. Por outro lado, X

uma funo de em R tal que X(w) = 2 se w mpar e X(w) = 1 se w par, w .


A varivel aleatria Y uma funo de em R com Y (1) = Y (2) = 2 e Y (3) = 10.
Ento, FX (x) = 1
1
2 [1,2) (x) + 1[2,+) (x).

2
[X] = min p : FX (p) 35 = 2.

Optando por = 5 , vem que

Pretende-se, agora, denir a varivel aleatria Z(Y ) = [X | Y ]. Ora,

5
FX|Y (x | Y = 2) = P (X x | Y = 2) = 1 (x) + 1[2,+) (x).
8 [1,2)
72 CAPTULO 3. CLCULO DE PRMIOS

[X | Y = 2] = min p : FX|Y (p | Y = 2) 35 = 1. Por



Pelo que outro lado,

P ([X | Y ] = 1) = P Y 1 ({2}) = P ({1, 2}) = 10


8

. Adicionalmente,

FX|Y (x | Y = 10) = P (X x | Y = 10) = 1[2,+) (x).

[X | Y = 10] = min p : FX|Y (p | Y = 10) 35 = 2



Pode-se, ento, concluir que

P ([X | Y ] = 2) = P Y 1 ({10}) = P ({3}) = 10


2

e que . Vem, ento,

4
FZ (x) = 1 (x) + 1[2,+) (x).
5 [1,2)

[Z] = [[X | Y ]] = min p : FZ (p) 53 = 1 6= 2 = [X].



Isto ,

6) O princpio do percentil no homogneo. Retomando o exemplo explorado em 1),


[5X] a soluo da equao seguinte, resovida em ordem a p:
Z p  
1 1(x) 2 22
e 2 5 dx = 1 p = 10 ln .
0 2 5 125

Isto ,

   
22 25
[5X] = 10 ln 6= 5 ln = 5[X].
125 4

3.4.10 Propriedades do princpio da perda mxima

O princpio da perda mxima, ou seja, o princpio que determina que o prmio deve ser

calculado mediante a equao [X] = min{p : FX (p) = 1}, verica todas as propriedades

enunciadas.

1) O princpio da perda mxima obedece ao princpio da carga no negativa. Com


0 R 0 0
efeito, seja [X] = p . Ento, E[X] = XdP p, uma vez que P (X p ) = 1.

2) imediato concluir que este princpio verica a propriedade do preo no excessivo.

Obviamente, sendo [X] igual ao valor mximo que X pode tomar, ento [X]

inferior ou igual (concretamente, igual) ao valor mximo que X pode assumir, ou

seja, xm .

3) Este princpio consistente:

[X + c] = min {p : FX+c (p) = 1} = min {p : P (X p c) = 1}

= min {s : P (X s) = 1} + c = [X] + c.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 73

4) O princpio em causa obedece condio da aditividade. No seguinte, assume-se que

X e Y so variveis aleatrias absolutamente contnuas no negativas. Todavia, a

validade do que se segue estende-se ao caso discreto, sendo a demonstrao anloga.

Ora, [X + Y ] o menor dos nmeros p vericando FX+Y (p) = 1. Pretende-se

provar que tal nmero igual a [X] + [Y ]. Em primeiro lugar, prova-se que

FX+Y ([X] + [Y ]) = 1; depois, que o menor dos nmeros vericando tal condio.
Ora, utilizando a operao da convoluo,

Z [X]+[Y ]
FX+Y ([X] + [Y ]) = FY ([X] + [Y ] x) fX (x)dx.
0

Sejag a funo de [0, [X] + [Y ]] em R denida por g(x) = FY ([X] + [Y ] x) fX (x).


g(x)dx. Mas, g(x) = fX (x)1[0,[X]] (x).
R [X]+[Y ]
Deste modo, FX+Y ([X]+[Y ]) =
0

De facto, note-se que, se 0 x [X], ento [X] + [Y ] x [Y ], ou seja,

FY ([X] + [Y ] x) = 1. Por outro lado, se [X] < x [X] + [Y ], ento

fX (x) = 0.
R [X]
Pelo que, FX+Y ([X] + [Y ]) = 0 fX (x)dx = FX ([X]) = 1. Posto isto, existe

>0 tal que [X], [Y ] > . Suponha-se que existe s1 = [X] + [Y ]  < [X] +
R s1
[Y ] vericando FX+Y (s1 ) = 1, ou seja, 0 FY [([X] x ) + [Y ]] fX (x)dx = 1.
Sendo h a funo de [0, s1 ] em R denida por h(x) = FY [([X] x ) + [Y ]] fX (x),
R s1
que FX+Y (s1 ) = 1
vem
0 h(x)dx = 1, com

h(x) = fX (x)1[0,[X]] (x) + FY [([X] x ) + [Y ]] fX (x)1([X],s1 ) (x).

Conclui-se que

Z [X] Z s1
fX (x)dx + FY [([X] x ) + [Y ]] fX (x)dx = 1
0 [X]
Z s1
FY [([X] x ) + [Y ]] fX (x)dx = 1 FX ([X] ) .
[X]

Todavia, utilizando a integrao por partes,

Z s1 Z s1
FY [([X] x )+[Y ]] fX (x)dx = FX ([X] )+ FX (x)fY (s1 x) dx,
[X] [X]

R s1
o que implica que
[X] FX (x)fY (s1 x) dx = 1, isto , FX+Y (s1 ) > 1, o que

absurdo. Logo, [X + Y ] = [X] + [Y ].


74 CAPTULO 3. CLCULO DE PRMIOS

5) vericada a condio da iteratividade. Seno, repare-se:

Z = [X | Y = y] = min {p : P (X p | Y = y) = 1}
 
P (X p , Y = y)
= min p : = 1 = min{p : P (X p , Y = y) = P (Y = y)}
P (Y = y)

Mas: P (X p , Y = y) = P (Y = y) P (X p) = 1. Pelo que:

[Z] = min {p : P (X p , Y = y) = P (Y = y)}

= min {p : P (X p) = 1} = [X].

6) Este princpio invarivel escala:

[aX] = min {p : FaX (p) = 1} = min {p : P (aX p) = 1}


n  p o np  p o
= min p : P X = 1 = a min :P X = 1 = a[X].
a a a

3.5 Resumo

Na tabela seguinte, sumaria-se a informao da seco anterior.

Tabela 3.7: Vrios princpios de prmios e suas propriedades

Princpio 3.2.1 3.2.2 3.2.4 3.2.5 3.2.6 3.2.7 3.2.8 3.2.9 3.2.10 3.2.11

Prop. + exp 2 g(.) u(.) Ess % max


1 + + + + + + + + +
2 + + + + + + +
3 + + + + + + + + +
4 + + + + + +
5 + + +
6 + + + + +

O sinal  + signica que a proposio vericada; o sinal   que a proposio no

satisfeita.

Pode-se concluir que os princpios do prmio puro e da perda mxima so os nicos que

vericam todas as seis propriedades descritas; contudo, estes dois principios so inviveis

do ponto de vista prtico. O princpio exponencial apenas falha a condio da invarincia


3.5. RESUMO 75

da escala. O princpio de Esscher no verica duas condies, a da iteratividade e a da

invarincia da escala. O princpio que menos propriedades satisfaz o do percentil.

Poder-se-ia daqui concluir que o princpio mais aconselhvel seria o exponencial. To-

davia, tal parece no se vericar na prtica.

O princpio do valor esperado quase sempre usado em seguros de vida. Pelo contrrio,

pouco utilizado em seguros de propriedades. Tal deve-se ao facto de, nestes ltimos, ser

normal a ocorrncia de situaes muito diversas e heterogneas, o que desaconselha a

utilizao de uma medida central como a mdia.

O princpio do desvio-padro, por sua vez, provavelmente o mais frequente em seguros

de propriedade, seguros automvel, seguros de responsabilidade civil, seguros de roubo.

Curiosamente, alguns autores sustentam que o princpio de clculo de prmio deve ser

obrigatoriamente aditivo, o que no se verica com o princpio do desvio-padro.

O princpio da varincia e o princpio da utilidade nula so pouco utilizados. O primeiro

por gerar prmios muito elevados. O ltimo, no obstante o seu grande interesse terico,

acarreta signicativas diculdades prticas, que se prendem essencialmente com a escolha

da funo de utilidade.

Em jeito de concluso, pode-se armar que a escolha de um principio de clculo de

prmio depende da importncia que o decisor atribui a cada uma das propriedades descritas

e que, consequentemente, no existe um princpio universal e objetivamente superior a

todos os demais.
76 CAPTULO 3. CLCULO DE PRMIOS
Captulo 4

Medidas de risco

4.1 Introduo
De uma forma informal pode-se considerar que uma medida de risco para uma varivel

aleatria X to somente um nmero real que a ela se encontra associado. Por exemplo,

um prmio para um risco X uma medida de risco para X. A probabilidade de runa

para um montante inicial um nmero que se pode considerar como associado varivel

aleatria S da totalidade das indemnizaes. Neste sentido, a probabilidade de runa ser

uma medida de risco para S. Uma medida de risco para um risco X pretende, to somente,

quanticar a exposio ao risco que recai sobre a seguradora por suportar este risco. Pode

ser pensada como a quantidade de ativos necessrios seguradora para suportar o risco X.
No fundo, uma medida de risco de um risco X mede o quo perigoso este . Quanto maior

o valor da medida de risco associada a X , mais arriscado se torna assegurar esse risco. Mais

globalmente, uma medida de risco pode ser uma funo cujo domnio um conjunto de

riscos (num determinado horizonte temporal) que formam um porteflio. Formalmente:

Denio 4.1.1. Seja L0 (, F, P ) o conjunto de todas as variveis aleatrias sobre (, F, P ).


Considere-se M L0 (, F, P ) um conjunto de riscos num horizonte temporal especco,

formando um porteflio. Ento, uma medida de risco R pode ser vista como uma funo

R : M R.

As seguradoras podem ter vrios departamentos, cada um deles responsvel por um

tipo de seguro: seguro de vida, seguro automvel, . . . No que se segue conveniente

pensar em X e Y como os riscos associados a dois departamentos. Neste sentido X +Y

a varivel aleatria das possveis perdas associadas combinao dos dois riscos. Dever

77
78 CAPTULO 4. MEDIDAS DE RISCO

existir algum tipo de coerncia entre os valores resultantes da aplicao de uma medida

de risco aos vrios departamentos e o valor dessa mesma medida de risco para toda a

seguradora. Para formalizar em que moldes se deve basear essa coerncia, vem a seguinte

denio.

Denio 4.1.2. Uma medida de risco coerente uma medida de risco R que verica as

seguintes propriedades:

1) X, Y M, R(X + Y ) R(X) + R(Y ) (Sub-aditividade);

2) X, Y M, X Y (ou seja, X() Y (), ) = R(X) R(Y ) (Monotoni-

cidade ou mais arriscado = maior perda);

3) X M e c > 0, R(cX) = cR(X) (Homogeneidade positiva ou Proporcional ao

tamanho);

4) X M e c R, R(X + c) = R(X) + c (Invarincia por translaes).

A Sub-aditividade signica que a medida de risco (e, portanto, o capital necessrio para

fazer face ao risco) para dois riscos combinados no ser maior do que a medida de risco

tratando os riscos separadamente. Esta propriedade impe que a combinao de riscos

dever acarretar vantagens.

A monotonicidade arma que, se um risco tem sempre perdas associadas superiores s

de um outro risco, ento a medida de risco do primeiro dever ser superior do segundo.

A homogeneidade positiva, por seu turno, signica que, por exemplo, se as possveis

indemnizaes do suporte de um risco so sempre o dobro das associadas a um outro risco,

ento o valor da medida de risco do primeiro o dobro da medida de risco do segundo.

Por m, a invarincia por translaes indica que, quando perante dois riscos X e X + c,
com c 0, o capital adequado para lhes fazer face dever ser o mesmo.

4.2 Exemplos de medidas de risco e respetivas propriedades


4.2.1 "Value-at-Risk", V aR

O valor em risco V aR a medida de risco mais utilizada. Note-se que V aR[X; p]


representa o capital requerido para garantir, com um nvel de conana p, que a seguradora
no se tornar tecnicamente insolvente pelo facto de assegurar o risco X. A ttulo de

exemplo considere-se o risco S, no mbito, por exemplo, do modelo de risco coletivo.


4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 79

Neste sentido, FS (x) a funo de distribuio de S, ou seja, a funo de distribuio de

possiveis indemnizaes (suponha-se, ao longo do ano) que possam surgir em detrimento

da seguradora se ter exposto ao risco em causa. Ora, V aR[S; p] o quantil de ordem p


de S. De onde que, quando a seguradora tem um capital disponvel de V aR[S; p], pode

absorver p% dos possveis resultados que S possa tomar. Ou, de outro modo, existe uma

probabilidade 1p da seguradora entrar em insolvncia no prximo ano em consequncia

de um valor adverso que S possa vir a assumir.

Note-se que, no que se segue, X e Y representam riscos quaiquer, independentemente

da sua natureza, isto , podem ser riscos no mbito do modelo de risco individual ou, ento,

do modelo de risco coletivo ou nenhum dos dois.

Denio 4.2.1. Para um risco X, com funo de distribuio FX , o valor em risco num

nvel de conana p, p (0, 1), uma funo (de p) V aR[X, p] : {p : 0 < p < 1} R
denida por:

V aR[X; p] = inf {c R : P (X > c) 1 p} = {c R : P (X c) p} = FX1 (p).

Note-se que V aR[X; p] = Qp (X), ou seja, o valor em risco associado a X, num nvel

de conana p, iguala o quantil de ordem p de X. Da que esta medida de risco tambm

se denomine de medida de risco do quantil.

Esta medida de risco no coerente, uma vez que falha a condio da sub-aditividade.

De seguida verica-se a adequao, ou a no adequao da presente medida de risco s

quatro propriedades enunciadas na Denio 4.1.2.

1) Esta propriedade no satisfeita. Seno, considere-se o risco Z tal que FZ (1) = 0.91,
FZ (90) = 0.95 e FZ (100) = 0.96.

Claramente, V aR[Z; 0.95] = Q0.95 (Z) = 90. Sejam X e Y dois riscos dados, respeti-

vamente, por

X = Z 1{Z100} ; Y = Z 1{Z>100} .

Obviamente, Z = X +Y. Ora, FX (1) = P (X 1) = P (Z 1) + P (Z > 100) =


0.91 + 0.04 = 0.95, pelo que V aR[X; 0.95] = 1. Por outro lado, FY (0) = P (Y
0) = P (Y = 0) = P (Z 100) = 0.96, do que Q0.95 (Y ) = V aR[Y ; 0.95] 0.
Consequentemente, V aR[Z; 0.95] V aR[X; 0.95] + V aR[Y ; 0.95].
80 CAPTULO 4. MEDIDAS DE RISCO

2) Esta condio vericada. Sejam 0<p<1 e X e Y duas variveis aleatrias tais

que X Y, isto , X() Y (), , o domnio de ambas. Logo:

V aR[X; p] = inf {x : P (X x) p} inf {x : P (Y x) p} = V aR[Y ; p].

3) A presente medida de risco obedece a esta propriedade. Sejam X um risco, 0<p<1


e c > 0.

V aR[cX; p] = inf {x : P (cX x) p} = c inf {x/c : P (X x/c) p} = c V aR[X; p].

4) Esta condio satisfeita. Sejam X um risco, 0<p<1 e c um nmero real.

V aR[X + c; p] = inf {x : P (X + c x) p} = inf {x : P (X x c) p}

= inf {s : P (X s) p} + c = V aR[X; p] + c.

Convm, agora, fora do mbito do conceito da coerncia de uma medida de risco, referir

a seguinte propriedade.

Denio 4.2.2. (Convexidade) Sejam X, Y M riscos no negativos e 0 < p < 1. Uma

medida de risco R diz-se convexa se e s se para todo o [0, 1]:

R[X + (1 )Y ; p] < R[X; p] + (1 )R[Y ; p]. (4.2.1.1)

Claramente V aR no convexa pelo facto de no vericar a sub-aditividade.

Ainda no que a esta medida de risco diz respeito, conveniente apresentar o teorema

seguinte.

Teorema 4.2.1. Sejam X um risco e 0 < p < 1. Ento, V aR de X uma funo


crescente e contnua esquerda.

Dem. A funo V aR[X, p] crescente. Com efeito, se p1 < p2 , ento P (X p1 ) <


P (X p2 ) e, portanto, QX (p1 ) < QX (p2 ), isto , V aR[X, p1 ] < V aR[X, p2 ]. Quanto

sua continuidade esquerda, esta pode ser demonstrada considerando uma sequncia

arbitrria de nmeros positivos {pi }i1 convergindo para p quando i , com pi <
p e pi < pi+1 , i 1. Ento {V aR[X; pi ]} uma sequncia crescente. Caso o seu

limite seja V aR[X; p], a continuidade esquerda ca provada. Vamos admitir que tal

no se verica. Consequentemente, ter que existir um nmero z tal que V aR[X; pi ]


limi V aR[X; pi ] < z < V aR[X; p]. Logo, P (X z) pi , para todo i 1. Ora,
4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 81

se i , ento P (X z) p. Logo, z V aR[X; p], uma contradio, que prova o

desejado. 
Para entender conceitos e notaes posteriormente utilizadas conveniente apresentar a

denio de contrato de resseguro stop-loss bem como um teorema relativo ao dito prmio

stop-loss. O intento destes contratos passa por cobrir a parte superior dos riscos.

Denio 4.2.3. Seja X 0 o valor associado a uma perda. Ento, num contrato de

resseguro stop-loss, o pagamento de uma indemnizao, para uma franquia d, dado por

(X d)+ = (X d) 1X>d (x).

Teorema 4.2.2. O prmio stop-loss, quer para o caso discreto quer para o absolutamente
contnuo, dado um risco X 0, e uma franquia d, dado por:
Z
X (d) = E[(X d)+ ] = [1 FX (x)]dx, (4.2.1.2)
d

onde FX a funo de distribuio de X .

Demonstrao
a) Caso absolutamente contnuo:
R
Pela denio de esperana matemtica, claro que X (d) = d (x d)fX (x)dx,
onde fX (x) a funo densidade de probabilidade de X.
Rx
Mas xd= d 1dz . Pelo que:
Z Z Z x
X (d) = (x d)fX (x)dx = dzfX (x)dx
d d d
Z Z Z
= fX (x)dxdz = [FX (x)]
z dz
d z d
Z
= [1 FX (z)]dz.
d

Note-se que na terceira igualdade se utilizou o Teorema de Fubini para alterar a

ordem de integrao.

b) Caso discreto:

X XZ x
X (d) = (x d)pX (x) = dzpX (x)
x>d x>d d
Z X Z
= pX (x)dz = [1 FX (z)]dz,
d x>z d

onde pX (x) funo massa de probabilidade de X.

Sublinhe-se que a terceira igualdade possvel porque a srie absolutamente con-

vergente, pois pX (x) funo massa de probabilidade. 


82 CAPTULO 4. MEDIDAS DE RISCO

Assuma-se, agora, que uma seguradora tem um capital k disponvel para fazer face

aos possveis valores de S, ou seja, a possveis indemnizaes, no caso anuais. Tem ainda

de pagar uma compensao anual ik . E, para completar a frmula dos custos totais,

necessrio considerar o valor esperado para a diferena entre a totalidade das indemnizaes

que iro ocorrer e a quantia inicial k com que a seguradora enfrenta o risco em causa.

Somando estes dois termos, obtm-se uma frmula para os custos totais dada por:

C(k) = ik + E[(S k)+ ]. (4.2.1.3)

Pretende-se, agora, determinar o capital inicial k que a seguradora dever possuir por

forma a minimizar os custos totais. Ento:

R 
0 d k (1 FS (s)) ds
C (k) = 0 i + = 0 i + FS (k) 1 = 0
dk
FS (k) = 1 i k = V aR[S; 1 i] = FS1 (1 i).

00
Por outro lado, C (V aR[S; 1 i]) = fS (V aR[S; 1 i]) > 0.
Isto , a quantia mnima inicial com que a seguradora dever enfrentar o risco S o

valor em risco de S num nvel de conana 1 i, ou seja, k = V aR[S; 1 i].

4.2.2 "Tail-Value-at-Risk", T V aR

No sentido de contornar o problema que constitui o facto de V aR no ser sub-aditiva,

dene-se outra medida de risco, que se designa por T V aR.

Denio 4.2.4. Para um risco X, o valor em risco de cauda com um nvel de conana

p, p (0, 1), uma funo (de p) T V aR[X; p] : {p : 0 < p < 1} R denida por:

Z 1
1
T V aR[X; p] = V aR[X; u]du.
1p p

Noutras palavras, T V aR a mdia dos valores de V aR de X para valores superiores a

p. Se X for absolutamente contnua, esta medida de risco pode igualmente ser vista como

a perda esperada, posto que essa perda ser superior a QX (p) = V aR[X; p]. Seno note-se:

Z
h i 1
E X | X > V aR[X; p] = xfX (x)dx
P (X > V aR[X; p]) V aR[X;p]
Z
1
= xfX (x)dx
1 FX (V aR[X; p]) V aR[X;p]
Z
1
= xfX (x)dx.
1 p V aR[X;p]
4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 83

Considere-se a seguinte mudana de varivel. Seja y = FX (x). Ento, x = Qy (X). Por

dy dFX (x) dy
outro lado,
dx = dx = fX (x). Ou seja, dx = fX (x) .

Assim, se x = V aR[X; p], ento y = FX (V aR[X; p]) = FX (Qp (X)) = p. Se, por seu

turno, x +, y FX (+) = 1. Voltando, assim, ao clculo anterior,


ento vem:

Z
h i 1
E X | X > V aR[X; p] = xfX (x)dx
1 p V aR[X;p]
Z 1
1 dy
= Qy (X)fX (x)
1p p fX (x)
Z 1 Z 1
1 1
= Qy (X)dy = V aR[X; y]dy
1p p 1p p

= T V aR[X; p].

Logo, se X absolutamente contnua, T V aR[X; p] pode ser igualmente escrita como

h i
T V aR[X; p] = E X | X > V aR[X; p]
Z
1
= V aR[X; p] + (x V aR[X; p]) fX (x)dx
1 p V aR[X;p]

= V aR[X; p] + e (V aR[X; p]) , (4.2.2.1)

com e uma funo de V aR[X; p], denida por


Z
1
e (V aR[X; p]) = (x V aR[X; p]) fX (x)dx.
1 p V aR[X;p]

Consequentemente, T V aR estritamente superior correspondente V aR, sendo que a

excede pelo valor esperado de todos os excessos possveis das perdas relativamente a V aR.
Conclui-se que, dados 0<p<1 e X um risco absolutamente contnuo, T V aR[X; p]
o valor da indemnizao ou da totalidade de indemnizaes que se espera no caso desta

ser superior a V aR[X; p].


uma medida aconselhvel se se pretende lidar ecazmente com situaes extremas,

situaes de algum modo catastrcas. Todavia, pouco sensvel a perdas em circuns-

tncias normais, perdas mais baixas ou intermdias. Com efeito, a ttulo de exemplo,

T V aR[X; 0.995], para um risco X qualquer, foca-se no que acontece nos 50 piores cenrios
de 10 000 simulaes, ou seja, concentra-se em riscos elevados e eventos extremos. Pelo

contrrio V aR no se focaliza em eventos extremos.

A ttulo de exemplo, dado um risco X, V aR[X; 0.995] focaliza-se nas piores 9950 perdas
de 10 000 simulaes. o pior cenrio sob circunstncias normais. A Figura 4.1 ilustra

este ltimo exemplo.


84 CAPTULO 4. MEDIDAS DE RISCO

Figura 4.1: Representao grca grca de VaR[X;0.995] e TVaR[X;0.995]

Voltando a (4.2.1.3), pretende-se o valor do custo mnimo dividido por i, isto , o valor

da diviso entre C quando k = V aR[S; 1 i] e i.

Z
1 1h i
C (V aR[S; 1 i]) = i V aR[S; 1 i] + (1 FS (s)) ds
i i V aR[S;1i]
Z
1
= V aR[S; 1 i] + (1 FS (s)) ds
1 (1 i) V aR[S;1i]

= T V aR[S; 1 i].

A ltima igualdade ser vista mais frente e justica-se pela equao 2) da seco

4.3 - Relaes entre medidas de risco. Pode-se concluir que o custo mnimo dividido pelo

dividendo i igual ao valor em risco de cauda de S num nvel de conana 1 i.


Em consequncia, vem:
 
1
T V aR[S; p] = inf k+ S (k) .
k0 1p
De seguida, mostra-se que T V aR coerente.

1) T V aR sub-aditiva. Sejam X e Y riscos quaisquer, 0 < p < 1, d1 = V aR[X, p],


d2 = V aR[Y ; p] e d = d1 + d2 . Ento:

1
T V aR[X + Y ; p] d + X+Y (d)
1p
1  
= d1 + d2 + E (X + Y d1 d2 )+
1p
1
d1 + d2 + E [(X d1 )+ + (Y d2 )+ ]
1p
4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 85

1 1
= d1 + E [(X d1 )+ ] + d2 + E [(Y d2 )+ ]
1p 1p
= T V aR[X; p] + T V aR[Y ; p].

Nesta demonstrao, usou-se o facto de, para toda a funo f e g, se vericar (f +


g)+ f+ + g+ .

2) Esta condio vericada. Sejam 0<p<1 e X, Y M duas variveis aleatrias

tais que X Y:
Z 1 Z 1
1 1
T V aR[X; p] = V aR[X; z]dz < V aR[Y ; z]dz = T V aR[Y ; p].
1p p 1p p

Sublinhe-se que a inequao vlida porque V aR obedece monotonicidade, isto ,

verica-se que V aR[X; z] V aR[Y ; z], sempre que X Y.

3) Esta medida de risco obedece a esta propriedade. Sejam X um risco, 0<p<1 e

c > 0. Diretamente da homogeneidade positiva de V aR vem:


Z 1 Z 1
1 c
T V aR[cX; p] = V aR[cX; y]dy = V aR[X; y]dy = cT V aR[X; p].
1p p 1p p

4) Esta condio satisfeita. Sejam X c R:


um risco, 0<p<1 e

1 Z Z 1
1 1
T V aR[X + c; p] = V aR[X + c; y]dy = (V aR[X; y] + c) dy
1p p 1p p
Z 1
1 1
= V aR[X; y]dy + c(1 p) = T V aR[X; p] + c.
1p p 1p

Repare-se que a segunda igualdade advm do facto de V aR satisfazer a condio da

invarincia por translaes.

Rera-se que, contrariamente a V aR, T V aR convexa , e tal decorre, obviamente, da

sua homogeneidade positiva e da sua sub-aditividade.

Teorema 4.2.3. Sejam X um risco e 0 < p < 1. Ento, T V aR de X num nvel de


conana p uma funo (de p) T V aR[X; p] : {p : 0 < p < 1} R crescente e contnua
esquerda.

Demonstrao J se provou que V aR uma funo de p crescente e contnua

esquerda, logo T V aR est bem denida e contnua esquerda. Por outro lado, uma vez

que
Z 1 
dT V aR[X; p] 1
= V aR[X; p]dy (1 p)V aR[X; p] > 0,
dp (1 p)2 p
86 CAPTULO 4. MEDIDAS DE RISCO

vem que T V aR uma funo crescente de p. 


De seguida apresentam-se dois exemplos. No primeiro, calcula-se V aR e T V aR; no

segundo, T V aR.

Exemplo 4.2.1. Seja X a varivel aleatria das possveis indemnizaes, seguindo uma

distribuio exponencial de mdia e, consequentemente, com funo densidade de pro-

1 x
1x>0 (x).

babilidade fX (x) = exp Pretende-se calcular V aR[X; p] e T V aR[X; p].
Ento, se y > 0:
Z y
1  x  y
FX (y) = exp dx = 1 exp ,
0

caso contrrio, FX (y) = 0.


Para calcular V aR[X; p], resolve-se a seguinte equao em ordem a y:
 y
FX (y) = p 1 exp = p y = ln (1 p)

= V aR[X; p] = ln (1 p).

Por outro lado:

Z 1 Z 1
1 1
T V aR[X; p] = V aR[X; u]du = ln (1 u)du
1p p 1p p
1
= [(u 1) ln (1 u) u]1p
p1
 
(A1) + (p 1) ln (1 p) p
= ln lim (1 A) + .
p1 A1 (1 p)

Este ltimo limite uma indeterminao do tipo 00 . Seja limA1 (1 A)(A1) = y .


Ento, aplicando o logartmo a ambos os membros desta ltima igualdade, obtm-se:

1
ln (y) = lim (A 1) ln (1 A) = lim 1 ln (1 A).
A1 A1
(A1)


Agora, est-se perante uma indeterminao do tipo
. Pode-se, assim, aplicar a regra
(A1)2
de l'Hpital: ln (y) = limA1 (1A) = limA1 (2 2A) = 0.
Pelo que ln (y) = 0, ou seja, y = 1. Finalmente:

+ (p 1) ln (1 p) p
T V aR[X; p] = ln (1) +
p1 (1 p)
= V aR[X; p] + . (4.2.2.2)

Daqui se conclui que V aR[X; p] = ln (1 p) e T V aR[X; p] = V aR[X; p] + .


4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 87

Exemplo 4.2.2. Seja X N ormal(, 2 ). Pretende-se calcular T V aR[X; p], 0 < p < 1.
Ora,

Z
h i 1 y 1 y 2
T V aR[X; p] = E X | X > V aR[X; p] = e 2 ( ) dy.
1p V aR[X;p] 2

Denotando por a funo densidade de probabilidade de Z N ormal(0, 1), isto ,

1 e 21 z 2 y
(z) = 2
, e fazendo z= , vem que

Z
1 z + 1 z 2
T V aR[X; p] = e 2 dz
1p V aR[X;p] 2

"Z #
Z
1 z 1 2
= e 2 z dz + (z)dz .
1p V aR[X;p] 2 V aR[X;p]

z2
Fazendo u =
2 para o primeiro integral e, sendo a funo de distribuio de Z,
  
V aR[X;p]
notando que o segundo igual a 1 , vem que

 
V aR[X; p]
T V aR[X; p] = + . (4.2.2.3)
1p

4.2.3 "Conditional tail expectation", CTE

Esta medida de risco representa a perda mdia nos 100(1 p)% piores casos possveis,

0 < p < 1.

Denio 4.2.5. Considerem-se X um risco e 0 < p < 1. A medida CTE dene-se como

sendo a funo (de p) CT E[X; p] : {p : 0 < p < 1} R denida por:

CT E[X; p] = E[X | X > V aR[X; p]].

Repare-se que, caso FX (x) seja absolutamente contnua, verica-se que CT E[X; p] =
T V aR[X; p], 0 < p < 1, gerando-se, assim, uma medida de risco coerente. Todavia,

possvel demonstrar diretamente a sub-aditividade de CT E recorrendo ao lema seguinte:

Lema 4.2.1. Sejam X uma varivel aleatria no espao de probabilidades (, P, F) e


x X tais que P (X > x) > 0. Ento, para todo o evento A tal que P (A) = P (X > x),

E[X | A] E[X | X > x]. (4.2.3.1)

Demonstrao
Nas condies denidas no lema que se pretende provar, considere-se B = X 1 ((x, +[).
88 CAPTULO 4. MEDIDAS DE RISCO

Note-se que P (B) = P (X > x) = P (A). Ento,

h i
E [X | X > x] = x + E X x | X > x, A P (A | B)
h i
+ E X x | X > x, A P (A | B)
h i
x + E X x | X > x, A P (A | B)
h i P (A B)
= x + E X x | X > x, A
P (B)
h i
= x + E X x | X > x, A P (B | A)
h i
x + E X x | X > x, A P (B | A)
h i
+ E X x | X x, A P (B | A)

= E [X | A] .

Sublinhe-se que A = Ac = A.

A primeira igualdade resulta do facto de B = (A B) A B . A terceira igualdade

consequncia de P (A) = P (X > x) = P (B). A segunda inequao possvel porque


h i
obviamente E X x | X x, A uma quantidade negativa. 
Ora, sejam X, Y M duas variveis aleatrias absolutamente contnuas no espao de

probabilidades (, P, F). Usando (4.2.3.1) e tendo em conta que P (X > V aR[X; p]) =
1 p, vem:

h i h i
CT E[X + Y ; p] = E X | X + Y > V aR[X + Y ; p] +E Y | X + Y > V aR[X + Y ; p]
h i h i
E X | X > V aR[X; p] + E Y | Y > V aR[Y ; p]

= CT E[X; p] + CT E[Y ; p].

4.2.4 VaR condicional, CVaR

Dados um risco X e 0 < p < 1, ento, posto que o valor da indemnizao se superioriza

a V aR[X; p], o valor esperado para esse acrscimo a medida de risco CV aR[X; p].

Denio 4.2.6. Considerem-se X um risco e 0 < p < 1. A medida VaR condicional

uma funo (de p) CV aR[X, p] : {p : 0 < p < 1} R denida deste modo:

h i
CV aR[X; p] = E X V aR[X; p] | X > V aR[X; p] = CT E[X; p] V aR[X; p].

De seguida, estuda-se a coerncia de CV aR para riscos absolutamente contnuos.


4.2. EXEMPLOS DE MEDIDAS DE RISCO E RESPETIVAS PROPRIEDADES 89

1) A medida de risco CV aR no obedece propriedade em causa. Uma vez que T V aR


sub-aditiva, dadas duas variveis aleatrias X e Y absolutamente contnuas quais-

quer, vem

h i h i h i
E X +Y | X +Y > V aR[X +Y ; p] E X | X > V aR[X; p] +E Y | Y > V aR[Y ; p] ,

que equivalente a

Z Z Z
1 1 1
sfX+Y (s)ds xfX (x)dx+ yfY (y)dy.
1p V aR[X+Y ;p] 1p V aR[X;p] 1p V aR[Y ;p]
(4.2.4.1)

Por outro lado, a sub-aditividade de CV aR equivale a

Z Z
1 1
sfX+Y (s)ds V aR[X + Y ; p] xfX (x)dx
1 p V aR[X+Y ;p] 1 p V aR[X;p]
Z
1
+ yfY (y)dy (V aR[X; p] + V aR[Y ; p]) . (4.2.4.2)
1 p V aR[Y ;p]

Se V aR[X + Y ; p] V aR[X; p] + V aR[Y ; p], uma vez que (4.2.4.1) se verica, ento

(4.2.4.2) tambm se verica. Caso contrrio, (4.2.4.2) pode ou no ser satisfeita.

Ora, V aR no uma medida sub-aditiva, pelo que ou V aR[X + Y ; p] V aR[X; p] +


V aR[Y ; p] verdade ou V aR[X + Y ; p] < V aR[X; p] + V aR[Y ; p] verdade, ou seja,

CV aR no sub-aditiva.

2) Esta medida no satisfaz a monotonicidade. Sejam X e Y riscos absolutamente

contnuos tais que XY e 0 < p < 1. Uma vez que V aR e T V aR satisfazem esta

propriedade, ento V aR[X; p] V aR[Y ; p] e T V aR[X; p] T V aR[Y ; p]. Nestas

condies T V aR[X; p] V aR[X; p] T V aR[Y ; p] V aR[Y ; p] pode-se vericar ou

no, no obrigatoriamente verdade para quaisquer riscos X e Y, pelo que CVaR

no obedece condio da monotonicidade.

3) Esta condio vericada. Sejam X um risco absolutamente contnuo, 0<p<1 e

c > 0.

CV aR[cX; p] = T V aR[cX; p]V aR[cX; p] = cT V aR[X; p]cV aR[X; p] = cCV aR[X; p].

A segunda igualdade advm do facto de T V aR e V aR vericarem a homogeneidade

positiva.
90 CAPTULO 4. MEDIDAS DE RISCO

4) Esta condio no satisfeita. Sejam X um risco absolutamente contnuo, 0<p<1


e c R:

CV aR[X + c, p] = T V aR[X + c; p] V aR[X + c; p]

= T V aR[X; p] + c V aR[X; p] c

= T V aR[X; p] + V aR[X; p] = CV aR[X, p]

6= CV aR[X, p] + c, se c 6= 0.

A segunda igualdade consequncia de T V aR e V aR vericarem a propriedade da

invarincia por translaes.

4.2.5 "Expected shortfall", ES

Esta medida de risco, para um nvel p, 0 < p < 1, no mais do que o valor do prmio

num contrato stop-loss (ver (4.2.1.2)) com reteno igual a V aR[X; p].

Denio 4.2.7. Para um risco X, a um nvel p, 0 < p < 1, ES[X; p] uma funo (de

p) ES[X, p] : {p : 0 < p < 1} R assim denida:

 
Z +
ES[X; p] = E (X V aR[X; p])+ = (V aR[X; p]) = [1 FX (x)] dx.
V aR[X;p]

A medida de risco ES no coerente.

Esta medida de risco satisfaz a condio da homogeneidade positiva. Sejam c > 0,


0<p<1 e X M:
Z Z
ES[cX; p] = (1 FcX (s)) ds = (1 P (cX s)) ds
V aR[cX;p] V aR[cX;p]
Z   s 
= 1P X ds.
V aR[cX;p] c
s
Recorre-se, agora, a uma mudana de varivel. Seja y = c. Se s = V aR[cX; p],
1
ento y = cV aR[cX; p]. Isto , uma vez que V aR satisfaz a homogeneidade positiva,

y = 1c V aR[cX; p] = 1c cV aR[X; p] = V aR[X; p]. Por outro lado, se s , ento y .


dy 1
Ora,
ds = c , do que, ds = cdy . Logo:

Z Z
 hs i
ES[cX; p] = 1P X ds = c (1 P [X y]) dy
V aR[cX;p] c V aR[X;p]
Z
= (1 FX (y)) dy = cES[X; p].
V aR[X;p]
4.3. RELAES ENTRE MEDIDAS DE RISCO 91

A medida de risco ES no obedece propriedade da invarincia por translaes. Sejam

c R, 0 < p < 1 eX M:
Z Z
ES[X + c; p] = (1 FX+c (s)) ds = (1 P (X + c s)) ds
V aR[X+c;p] V aR[X+c;p]
Z
= (1 P (X s c)) ds.
V aR[X+c;p]

Considere-se uma nova varivel y = s c. Se s = V aR[X + c; p], ento y = V aR[X +


c; p] c. Como V aR obedece presente propriedade, y = V aR[X; p] + c c = V aR[X; p].
Se s , vem quey . Por outro lado, dy
ds = 1, isto , dy = ds. Pelo que:

Z Z
ES[X + c; p] = (1 P (X s c)) ds = (1 P (X y)) dy
V aR[X+c;p] V aR[X;p]

= ES[X; p] 6= ES[X; p] + c, se c 6= 0.

4.2.6 Medida de Risco Padro

Outra medida de risco R a denominada Medida de Risco Padro e denida como se

segue:

Denio 4.2.8. Sejam X um risco e u uma funo de utilidade. A Medida de Risco

padro R assim denida: R(X) = E[u(X E[X])].

Exemplo 4.2.3. Considerem-se X um risco e u(x) = ax bx2 a funo de utilidade, com

a e b nmeros reais no nulos simultneamente. Pretende-se calcular R(X):

R(X) = E[a(X E[X]) b(X E[X])2 ]

= E[aX aE[X] bX 2 + 2bXE[X] bE[X]2 ]

= aE[X] + aE[X] + bE[X 2 ] 2bE[X]2 + bE[X]2

= bE[X 2 ] bE[X]2 = bV ar[X].

4.3 Relaes entre medidas de risco


Apresentam-se de seguida as relaes existentes entre as vrias medidas de risco. Para

o que se segue, ento, X um risco absolutamente contnuo, 0 < p < 1, FX (x) a funo

de distribuio de X e F X (x) = P r[X > x] = 1 FX (x).

Lema 4.3.1. Vericam-se as seguintes igualdades:


1) T V ar[X; p] = V ar[X; p] + 1p
1
ES[X; p];
92 CAPTULO 4. MEDIDAS DE RISCO

2) CT E[X; p] = V ar[X; p] + F 1
ES[X; p];
X (V aR[X;p])

3) CV aR[X; p] = ES[X;p]
F X (V aR[X;p])
.

Demonstrao
h i R
1
1) Referiu-se que T V aR[X; p] = E X | X > V aR[X; p] = 1p V aR[X;p] xfX (x)dx, na

seco 4.2.2, com fX (x) a funo densidade de probabilidade de X. Ento,

1
V aR[X; p] + ES[X; p] =
1p
Z
1
= V aR[X; p] + (x V aR[X; p]) fX (x)dx
1 p V aR[X;p]
"Z #
Z
1
= V aR[X; p] + xfX (x)dx V aR[X; p] fX (x)dx
1 p V aR[X;p] V aR[X;p]
"Z #

1
= V aR[X; p] + xfX (x)dx V aR[X; p] (1 FX (V aR[X; p]))
1 p V aR[X;p]
"Z #

1
= V aR[X; p] + xfX (x)dx V aR[X; p] + V aR[X; p]p
1 p V aR[X;p]
1 1
= V aR[X; p] V aR[X; p] + V aR[X; p]p
(1 p) (1 p)
Z
1
+ xfX (x)dx = T V aR[X; p].
(1 p) V aR[X;p]

2) Desenvolvendo a denio de ES ,
Z
 
ES[X; p] = E (X V aR[X; p])+ = (x V aR[X; p]) fX (x)dx
V aR[X;p]
Z
= xfX (x)dx V aR[X; p] + V aR[X; p]p
V aR[X;p]
Z
= xfX (x)dx (1 p)V aR[X; p].
V aR[X;p]

1
V aR[X; p] + ES[X; p]
F X (V aR[X; p])
"Z #

1
= V aR[X; p] + xfX (x)dx (1 p)V aR[X; p]
1 FX (V aR[X; p]) V aR[X;p]
"Z #

1
= V aR[X; p] + xfX (x)dx (1 p)V aR[X; p]
1 p V aR[X;p]
Z
1
= xfX (x)dx = E [X | X > V aR[X; p]] = CT E[X; p].
1 p V ar[X;p]
4.3. RELAES ENTRE MEDIDAS DE RISCO 93

3) sabido que CV aR[X; p] = CT E[X; p] V aR[X; p]. Utilizando a relao 2), vem,

1
CV aR[X; p] = V aR[X; p] + ES[X; p] V aR[X; p]
F X (V aR[X; p])
ES[X; p]
= . 
F X (V aR[X; p])
94 CAPTULO 4. MEDIDAS DE RISCO
Captulo 5

Aplicaes

No presente captulo, todos os valores apresentados resultam da aplicao de programas

escritos em linguagem R, programas esses que se encontram nos anexos. So calculados

prmios, de acordo com mltiplos princpios, as principais medidas de risco e probabilidades

de runa, tudo para situaes concretas especicadas. Note-se que as distribuies da seco

5.1 no tm qualquer relao com as distribuies da seco 5.2.

5.1 Clculo computacional de prmios e de medidas de risco


Nesta seco, calculam-se os prmios pelos princpios abordados anteriormente, bem

como os valores assumidos pelas principais medidas de risco, tudo para seis distribuies

absolutamente contnuas. Para tal, foram concebidos programas em linguagem R, presentes

nos ANEXOS 3.

5.1.1 Apresentao das distribuies

Todas as distribuies possuem um valor esperado igual ou aproximado a 1200 e uma

varincia igual ou aproximada a 2400, exceo de X1 , em que a mdia iguala 1200 e a

varincia 12002 . As distribuies so as seguintes:

1
X1 Exp( 1200 ) X4 N ormal(1200, 2400);
 
X2 Logistic 1200, 7200
X5 P areto(1152.9688, 25.15);

X3 Gamma(600, 12 ) X6 lnN (7.0892, 0.0408).

Observando, na Figura 5.1, as respetivas funes de densidade de probabilidade, constata-

se que algumas so relativamente semelhantes.

95
96 CAPTULO 5. APLICAES

A distribuio de Pareto s assume valores superiores ou iguais a 1152.9688. Na Figura

5.1, a semirreta vertical apresentada no parte do grco da funo de densidade de

probabilidade de X5 .

Somente se consideram os valores positivos da distribuio normal. Deste ltimo facto,

conclui-se que, em rigor, se deveria optar pela distribuio normal truncada. Todavia, a

diferena entre X4 e a respetiva distribuio truncada claramente desprezvel.

Figura 5.1: Funes densidade de probablidade de X1 , X2 , X3 , X4 , X5 , X6

Claramente, X1 mais propensa a assumir valores muito elevados. Sublinhe-se, uma

vez mais, que a varincia de X1 consideravelmente superior s varincias das restantes

distribuies. Esta maior ou menor propenso de uma distribuio em assumir valores

elevados pode ser expressa pelo conceito de cauda pesada; quanto maior essa propenso,

mais pesada a cauda da distribuio. Existem vrias formas de averiguar o peso da

cauda de uma distribuio. Nesta tese, faz-se uso de trs possveis abordagens.

A mais intuitiva e pouco elaborada de todas passa, simplesmente, pela constatao de

que, no caso concreto, e por exemplo, P (X5 > 1700) = 5.7401 105 , P (X2 > 1700) =
2.9113 105 e P (Xi > 1700) = 0, i {3, 4, 6}.

Este processo parece indicar que, colocando X1 de parte, por possuir uma varincia

muito superior das demais distribuies, a cauda mais pesada a de X5 , seguida da de

X2 .
5.1. CLCULO COMPUTACIONAL DE PRMIOS E DE MEDIDAS DE RISCO 97

Todavia, este mtodo bastante rudimentar e falvel. Uma outra metodologia recorre

noo de funo de excesso mdio.

Denio 5.1.1. Dada uma varivel aleatria X no negativa com valor esperado nito

e funo de distribuio FX (.), a funo de excesso mdio de X uma funo denida por

R +
x (1 FX (u)) du
e(x) = E [X x | X > x] = , para xm < x < x M ,
1 FX (x)

onde xm = inf {x R : FX (x) > 0} e xM = sup {x R : FX (x) < 1}.

Note-se que, pela perda de memria da distribuio exponencial, se conclui que, neste

1
caso, e(x) = para todo o valor de x, sendo o parmetro da distribuio (ver [13]).
Uma denio possvel e mais elaborada do que a anterior para o conceito de cauda

pesada a seguinte: se o grco da funo de excesso mdio de uma distribuio for

crescente, ou, pelo menos, for crescente em [a, +), a R, ento essa distribuio tem

a cauda mais pesada do que a distribuio exponencial, a distribuio de referncia, e a

distribuio diz-se de cauda pesada; se for decrescente, pelo menos em [a, +), tem cauda
menos pesada do que a distribuio exponencial e diz-se de cauda leve.

Recorrendo a ([13]) constata-se que, segundo esta abordagem, X5 e X6 so distribuies


com cauda pesada, sendo X3 de cauda no pesada ou leve.

Por m, tambm se averigua o peso da cauda de uma distribuio recorrendo ao

respetivo coeciente de assimetria (ver [7]).

Denio 5.1.2. O coeciente de assimetria de uma distribuio X dene-se como


h i
E (X )3
X = ,
3

com = E[X] e 2 = V ar[X].

Ora, se X > 0, os valores extremos de X possuem uma probablidade signicativa

de ocorrrncia e X diz-se de cauda pesada. Quanto maior o valor de X , mais pesada a

cauda da distribuio.

Esta metodologia indica que as distribuies com cauda mais pesada so, por ordem

decrescente, X5 , X6 , e X3 . Seno, atente-se, ento, na Tabela 5.1:


98 CAPTULO 5. APLICAES

Tabela 5.1: Coeciente de assimetria das distribuies

Distribuio Coeciente de assimetria

X2 0
X3 0.0816
X4 0
X5 2.2653
X6 0.1225

Combinando os trs mtodos descritos, conclui-se que X5 e X6 so distribuies com

cauda pesada e que as distribuies com cauda mais pesada so, por ordem decrescente,

X5 , X6 , X3 e X2 .

5.1.2 Valores do prmio segundo os diferentes princpios de clculo

Nas Tabelas 5.2 e 5.3 esto presentes os diversos valores que o prmio pode assumir

para cada risco, tendo em conta o princpio adotado.

Uma vez que todos os riscos podem assumir um conjunto ilimitado de valores, no

existe, para nenhuma distribuio, um prmio pelo princpio da perda mxima. Utilizam-

se os seguintes valores para parmetros j explorados: 1 = 0.1 (princpios da esperana

matemtica, da varincia e do desvio padro), 2 = 7 104 (princpio exponencial e

princpio da utilidade nula com utilidade exponencial), h = 7104 (princpio de Esscher),

= 2 (princpio do risco ajustado),  = 0.25 (princpio do percentil), p = 0.9 (nvel de

conana nas medidas de risco).

Note-se que  n.e signica que no existe um prmio atribudo.

Pode-se concluir que existe uma concordncia signicativa entre a hierarquia preco-

nizada para as distribuies quanto ao peso da cauda e os valores dos prmios. Com

efeito, colocando X1 de parte, a distribuio de Pareto a que apresenta o prmio mais

elevado qualquer que seja o princpio utilizado, excetuando quando se aplica o princpio

do percentil. Quanto mais pesada a cauda da varivel aleatria que representa as possveis

indemnizaes a serem atribudas pela seguradora, maior parece ser o valor do prmio,

independentemente do princpio de clculo do prmio utilizado.

Esta relao no , todavia, uma relao forte. Seno repare-se, por exemplo, nos

prmios relativos distribuio X6 .


5.1. CLCULO COMPUTACIONAL DE PRMIOS E DE MEDIDAS DE RISCO 99

Tabela 5.2: Valores do prmio de acordo com vrios princpios

Princ. + exp 2
Dist.
X1 1200 1320 2617.974 145200 1320
X2 1200 1320 1200.84 1440 1204.899
X3 1200 1320 1200.841 1440 1204.899
X4 1200 1320 1200.84 1440 1204.899
X5 1200.711 1320.782 n.e. 1448.332 1205.687
X6 1199.947 1319.941 n.e. 1439.833 1204.844

Tabela 5.3: Valores do prmio de acordo com vrios princpios

Princ. g(.) u(.) Ess %


Dist.
X1 2400 2617.974 7500 1663.553
X2 1237.443 1200.84 n.e. 1229.673
X3 1235.204 1200.841 n.e. 1232.67
X4 1234.504 1200.84 1201.68 1233.043
X5 1252.577 n.e. n.e. 1218.306
X6 1235.505 n.e. n.e. 1232.401

Os princpios em questo atribuem valores relativamente semelhantes a distribuies

que pouco diferem umas das outras no seu valor esperado e na sua varincia. Claramente,

os valores do prmio para a distribuio exponencial diferem substancialmente dos demais.

Os princpios que geram valores mais heterogneos so os do risco ajustado, do percentil

e de Esscher, se bem que, neste ltimo, s dois riscos tm um valor atribudo; nos demais

pelo menos um dos integrais envolvidos no clculo diverge.

Para o risco X1 , os princpios da varincia e de Esscher produzem prmios muito

superiores aos gerados pelos restantes princpios. De resto, o princpio da varincia o que

gera os prmios mais elevados em todas as distribuies.


100 CAPTULO 5. APLICAES

5.1.3 Valores das medidas de risco

Na Tabela 5.4 encontram-se os valores de quatro medidas de risco para as distribuies

em causa, com o nvel de conana p = 0.9.

Tabela 5.4: Medidas de risco para X1 , X2 , X3 , X4 , X5 , X6

M.Risco V aR T V aR ES CV aR
Dist.
X1 2763.102 3963.102 120 1200
X2 1259.346 1287.803 2.8457 28.4573
X3 1263.196 1287.462 2.4267 24.2665
X4 1208.97 1227.459 1.8489 18.489
X5 1263.511 1315.83 5.2319 52.3193
X6 1263.306 1288.128 2.4821 24.821

Uma vez mais, X1 apresenta valores consideravelmente superiores aos relativos aos

restantes riscos. De facto, como a probabilidade de este ltimo risco assumir valores muito

elevados (valores catastrcos, portanto) relevante, a seguradora para lhe fazer face ter

de estar munida de um montante mais elevado do que aquele que necessita para suportar

os demais riscos, riscos que muito dicilmente se revelam calamitosos. De resto, existe uma

concordncia muito forte entre a hierarquia das distribuies quanto ao peso da cauda e

os valores das medidas de risco. Relembre-se que se concluiu que a ordem decrescente das

distribuies quanto ao peso da cauda a seguinte: X5 , X6 , X3 e X2 . Ora, esta ordem

verica-se exatamente para V aR e T V aR e quase vericada extamente para CV aR e

ES . Por outro lado, X5 apresenta os valores mais elevados em todas as medidas de risco.

Esta sintonia era expectvel uma vez que, quanto maior for a probabilidade de um risco

em assumir valores extremos, isto , quanto mais pesada for a sua cauda, maior deve ser a

quantia com que a seguradora o enfrenta.

Anteriormente mostrou-se que a medida T V aR mais adequada a riscos potencialmente


catastrcos, enquanto que V aR mais indicada para riscos que representam perdas em

circunstncias normais. Como tal T V aR = 3963.102 a medida de risco ideal para enfren-
tar X1 com um nvel de conana de 90%. Isto , o valor esperado para a indemnizao

posto que ser superior a V aR[X1 ; 0.9] = 2763.102 de 3963.102. Para enfrentar os outros

riscos V aR talvez mais adequada do que T V aR. Se assim for, a seguradora, estando
5.2. CLCULO COMPUTACIONAL DA PROBABILIDADE DE RUNA 101

inicialmente provida de um montante igual ao valor de V aR[Xi ; 0.9], em 90% das realiza-

es de Xi , i {2, 3, 4, 5, 6}, no incorrer numa situao de prejuzo. Relembre-se que,

X1 de parte, a distribuio de Pareto apresenta valores signicativamente superiores do

que os restantes riscos. O segundo valor mais elevado de CV aR verica-se na distribuio

logstica; aqui, CV aR = 28.4573, o que signica que o valor esperado para o que o valor

da indemnizao acresce a V aR[X2 , 0.9] = 1259.346, posto que esse acrscimo ocorre, de

28.4573. O valor de ES mais elevado em X2 . O facto de ES[X2 ; 0.9] = 2.8457 signica

que o valor do prmio num contrato stop-loss com franquia V aR[X2 ; 0.9] = 1259.346

igual a 2.8457.

5.2 Clculo computacional da probabilidade de runa


Pretende-se determinar aproximaes para a probabilidade de runa utilizando recursos

computacionais. Especicamente, fazendo uso de programas concebidos para o efeito,

escritos em linguagem de Programao R, presentes nos ANEXOS 1.

Considere a seguinte situao hipottica. Em mdia, ocorre um sinistro por cada cinco

dias decorridos. A unidade temporal considerada de um dia, X Gamma(900, 1),


u = 600, = 0.3 e = 1/5. Note-se que se pretende determinar uma aproximao para a

probabilidade de runa do processo de Poisson homogneo:

N (t)  
900 X t
U (t) = 600 + (1 + 0.3) t Xi , Xi Gamma(900, 1), N (t) P oisson .
5 5
i=1

Fazem-se 10000 simulaes, sendo que em cada uma delas existem 400 indemnizaes.

Obtm-se:

R > Simulation.Gamma(0.2, 600, 900, 1, 0.3, 400, 10000)


6152 4.559655 8.004714 168 0.6152

Em 6152 das 10000 simulaes ocorreu a runa. Nestas simulaes, em mdia, a runa

surgiu (pela primeira vez) na 5 indemnizao e no mximo ocorreu na 168 indemnizao.

ento pouco provvel que a runa surja aps a indemnizao n 400. Pelo que, (600)
0.6152.
1
Por seu turno, a soluo positiva da equao 1 + 1170r = (1r)900
o coeciente de

ajustamento (ver seco 2.3). Resolvendo esta equao recorrendo a um programa para
102 CAPTULO 5. APLICAES

tal concebido presente nos ANEXOS 2, vem que R 5.5887 104 . Pelo que, pela

desigualdade de Lundberg, (600) ser no mximo e 6005.5885104 = 0.7153.


Considerem-se trs tipos de modelos, com u 0:
PN (t)
U1 (t) = u + (1 + 0.3) 900 t

1)
5 t i=1 X1;i , X1;i Gamma(900, 1), N (t) P oisson 5 ;
PN (t)
2) U2 (t) = u + (1 + 0.3) 900
5 t i=1 X2;i , X2;i P areto(870.9827, 31.016), N (t)
P oisson 5t ;


PN (t)
U3 (t) = u + (1 + 0.3) 900 1 t

3)
5 t i=1 X3;i , X3;i Exp( 900 ), N (t) P oisson 5 .

Atente-se nas tabelas seguintes:

Tabela 5.5: Probabilidade de runa associada a X1 Gamma(900, 1).

u 200 600 1250 5000


400;U1 (u) 0.7233 0.6152 0.4296 0.051
L;U1 (u) 0.8943 0.7153 0.4975 0.0613

Tabela 5.6: Probabilidade de runa associada a X2 P areto(870.9827, 31.016).

u 200 600 1250 5000


400;U2 (u) 0.7349 0.6185 0.4319 0.0535

1

Tabela 5.7: Probabilidade de runa associada a X3 Exp 900 .

u 200 600 1250 5000


400;U3 (u) 0.7348 0.6574 0.5681 0.2127
U3 (u) 0.7308 0.6595 0.558 0.2134
L;U3 (u) 0.95 0.8574 0.7258 0.2775

Note-se que todas as distribuies das indemnizaes particulares tm valor esperado

igual a 900; a varincia da distribuio de Pareto e a varincia da distribuio gama igualam


900; a varincia da distribuio exponencial de 9002 .
Fazendo uso do programa referido, preenche-se a Tabela 5.5. Note-se que 400;U1 (u)
representa a aproximao pela simulao para a probabilidade de runa relativa a modelos
5.2. CLCULO COMPUTACIONAL DA PROBABILIDADE DE RUNA 103

do tipo U1 (t) e L;U1 (u) o limite mximo dessa mesma probabilidade de runa obtido pela

desigualdade de Lundberg.

A Tabela 5.6 apresenta a probabilidade de runa de quatro modelos do tipo U2 (t),


mais concretamente os modelos do tipo referido para u = 200, u = 600, u = 1250 e

u = 5000. Tais valores so obtidos mediante a utilizao de um outro programa que

gura nos ANEXOS 1, sendo representados por 400;U2 (u). Note-se que, neste caso, no se

calculam valores pela desigualdade de Lundberg. De facto, tais so inexistentes, uma vez

que a funo geradora de momentos de uma varivel aleatria seguindo uma distribuio

de Pareto somente se encontra denida para valores negativos.

Quanto aos valores da Tabela 5.7, por um lado, advm de mais um programa presente

nos ANEXOS 1, dando origem aos valores representados por 400;U3 (u). Por outro lado,

determinam-se pelas expresses dos exemplos 2.3.1 e 2.4.1, uma vez que dizem respeito

a modelos do tipo U3 (t), isto , modelos em tudo iguais aos anteriores mas com as in-

1

demnizaes individuais a seguirem, agora, uma distribuio X3 Exp 900 . Trata-se

da probabilidade de runa exata, representada por U3 (u). Por m, L;U3 (u) o limite

mximo da probabilidade de runa pela desigualdade de Lundberg.

Como bvio a probabilidade de runa tanto menor quanto maior for o capital inicial.

Repare-se que, quando o desfazamento entre o capital inicial e a mdia das indemnizaes

particulares no grande, a probabilidade de runa no se aproxima de valores extremos.

Pelo contrrio, quando u = 200, a probabilidade de runa nos trs casos de cerca de

70%. Inclusivamente, na simulao para a distribuio gama, quando a runa ocorre, em

mdia, logo na 3.0099 indemnizao, o que compreensvel uma vez que em mdia essa

primeira indemnizao ser de 900, com o processo a iniciar-se em U (0) = 200. Basta que

a 1 indemnizao ocorra antes dos primeiros 2.991 dias para, na maior parte dos casos, ser
suciente para causar a runa. Quando u = 5000 a runa pouco provvel, vericando-se

apenas, no caso da distribuio gama, em 501 das 10000 simulaes.

Por outro lado, medida que o capital inicial aumenta, a diferena entre a proba-

bilidade de runa para a distribuio exponencial e a probabilidade de runa das outras

duas distribuies tambm aumenta, com a distribuio exponencial a gerar probabilida-

des de runa cada vez mais distantes das geradas pela distribuio gama e pela distribuio

de Pareto. Constate-se que U3 (5000) = 0.2134 ao passo que 400;U1 (5000) = 0.051 e

400;U2 (5000) = 0.0535. Tal pode ser explicado pelo facto da distribuio exponencial

ser mais propensa a assumir valores mais elevados. Uma forma possvel de isto justi-
104 CAPTULO 5. APLICAES

car passa por notar que todas as distribuies possuem o mesmo valor esparado, mas

a varincia da distribuio exponencial de 9002 ao passo que a da distribuio gama

e a da distribuio de Pareto de 900. Ou, ento, tomando um valor signicativa-

mente superior a 1 = 900, por exemplo 2000, notar que P (X3 > 2000) = 0.1083 e

P (X1 > 2000) = 0 e P (X2 > 2000) = 0. Pelo que mais facilmente o processo U (t) incorre
numa situao de runa quando as indemnizaes individuais so identicamente distribu-

1

das a X3 Exp 900 .

Figura 5.2: Probabilidade de runa para U1 (t), U2 (t) e U3 (t)

Na Figura 5.2 encontram-se representados de forma exata: o grco da probabilidade

de runa terica para diferentes valores do capital inicial quando as indemnizaes indi-

viduais seguem uma distribuio exponencial (U3 (u)); o grco com o valor mximo da

probabilidade de runa para a mesma situao, resultante da aplicao da desigualdade

de Lundberg (L;U3 (u)). Figuram igualmente duas aproximaes para dois grcos: o da

probabilidade de runa para diferentes valores do capital inicial quando as indemnizaes

particulares seguem uma distribuio de Pareto (400;U2 (u)); e o da probabilidade de runa

quando as indemnizaes individuais seguem uma distribuio gama (400;U1 (u)). So

aproximaes por dois motivos. Em primeiro lugar, resultam do clculo de vinte e um

pontos, posteriormente ligados por segmentos de reta. Em segundo lugar, esses pontos

so calculados pelos programas dos ANEXOS 1, ou seja, so consequncia de simulaes


5.2. CLCULO COMPUTACIONAL DA PROBABILIDADE DE RUNA 105

computacionais.

De salientar ainda trs aspetos. Em primeiro lugar, a distribuio de Pareto, no geral,

parece exibir valores ligeiramente superiores para a probabilidade de runa aos apresenta-

dos pela distribuio gama, o que provavelmente consequncia do facto de esta ltima

ter a cauda menos pesada do que a primeira. Em segundo lugar, sublinhe-se a relativa

proximidade entre os valores de U3 (u) e L;U3 (u), patente na Tabela 5.7 e na Figura 5.2,

proximidade que tanto maior quanto maior for o valor de u. Por m, saliente-se a proxi-

midade entre os valores tericos U3 (u) e os valores 400;U3 (u), provenientes da simulao

computacional, o que conrma a eccia deste mtodo.


106 CAPTULO 5. APLICAES
Captulo 6

Concluso

A utilizao do modelo de risco de Crmer-Lundberg para modelar um processo no

tempo em que o capital da seguradora varia como consequncia do equilibrio entre indem-

nizaes pagas e prmios arrecadados, permite a obteno de pelo menos uma aproximao

para a probabilidade de runa. Possibilita igualmente que se estime qual o valor mximo

esperado para os prejuzos em que a seguradora, neste processo, incorrer ao longo do

tempo, isto , o valor esperado da perda agregada mxima. um modelo que pode ser

simulado computacionalmente com facilidade. Tem, todavia, algumas desvantagens, no-

meadamente o facto de poder ser um pouco irrrealista quando, por exemplo, se considera

que o valor para os prmios arrecadados por unidade de tempo invarivel. O facto das

indemnizaes serem independentes e identicamente distribudas tambm desaconselha a

utilizao deste modelo nalgumas situaes.

Existem alguns casos em que possvel determinar exata e explicitamente o valor da

probabilidade de runa, como, por exemplo, quando as indemnizaes individuais seguem

uma distribuio exponencial, ou quando so identicamente distribudas a uma mistura de

exponenciais. Contudo, na maioria dos casos, tal no possvel. Um mtodo dedigno

para, nestas situaes, aproximar o valor da probabilidade de runa, passa pela utilizao

de simulaes computacionais. De qualquer das formas, facilmente se conclui que a pro-

babilidade de runa, dependendo do capital inicial, do parmetro do processo de Poissson

homogneo associado, do coeciente de segurana, do valor esperado para as indemniza-

es individuais e do coeciente de ajustamento, parece igualmente ser sensvel ao peso da

cauda da distribuio das indemnizaes particulares.

O clculo de prmios pode ser complexo e intrincado; mas pode igualmente ser elemen-

107
108 CAPTULO 6. CONCLUSO

tar. Existem mltiplos princpios luz dos quais efetuado. O princpio do prmio puro e

o princpio da perda mxima so irrealistas; o primeiro por conduzir runa, o segundo por

impor um prmio cujo valor iguala a indemnizao mxima possvel que pode recair sobre

a seguradora. O princpio da varincia d azo a prmios muito elevados e, por isso, pouco

competitivos, sendo desta forma pouco aconselhvel. De resto, no existe um princpio

objetiva e universalmente superior a todos os demais. A opo por um e no outro de-

pender sobretudo da subjetividade de quem decide, mais concretamente da importncia

ou convenincia que este atribui a cada uma das propriedades dos princpios de clculo

de prmios. Por exemplo, se se considerar, num determinado contexto, que o princpio

deve ser aditivo, ou seja, que a combinao de riscos tem de gerar um prmio igual ao

somatrio dos prmios quando se encaram os riscos individualmente, ento, o princpio do

desvio-padro no ser o adotado. Mas os princpios da esperana matemtica, de Esscher

e o princpio exponencial j sero elegveis.

As medidas de risco quanticam o perigo que representa para a seguradora um risco

determinado. As mais utilizadas so V aR e T V aR. A primeira apropriada para mensurar

o perigo associado a riscos insuscetveis de se revelarem calamitosos. Todavia, no sub-

aditivia, uma particularidade que debelita seriamente esta medida. Com efeito, se uma

seguradora decide combinar dois riscos porque tal lhe proporciona vantagens. Ou seja, o

perigo para a seguradora ao suportar os riscos combinados inferior ao perigo que sobre

ela recai quando faz face a todos os riscos considerados individualmente. Nesse sentido,

adotar uma medida que quantica o perigo de uma forma em que este maior na situao

em que se somam os riscos que se decidiram combinar, e no quando os riscos so tratados

individualmente, pouco conveniente. Desta forma, V aR no uma medida coerente.

Pelo contrrio, T V aR sub-aditiva. Contudo, mais adequada a riscos signicativamente

propensos a assumir valores extremos.

Os valores do prmio e sobretudo das medidas de risco parecem ser sensveis ao peso

da cauda da distribuio representando as possveis indemnizaes a assegurar. Tal

explicvel por ser compreensvel que, quanto maior for a probabilidade de um risco assumir

valores considerados elevados, maior deve ser o prmio solicitado pela seguradora por o

suportar e maior o perigo que este para ela representa.


ANEXOS
ANEXOS 1
Simulation.Gamma < f unction(lambda, u, alpha, beta, theta, nclaims, nsim){

# X Gamma(alpha, beta); coef iciente de segurana.

c = (1 + theta) lambda (alpha/beta)

Ruin_pos = rep(Inf, nsim)

f or(i in c(1 : nsim)){

T _entre_claims = rexp(nclaims, lambda)

T _espera = c()

T _espera[1] = T _entre_claims[1]

f or(j in c(2 : nclaims)){

T _espera[j] = T _espera[j 1] + T _entre_claims[j]

Claims = rgamma(nclaims, shape = alpha, rate = beta)

S = c()

S[1] = Claims[1]

f or(j in c(2 : nclaims)){

S[j] = S[j 1] + Claims[j]

U = c()

f or(j in c(1 : nclaims)){

U [j] = u + c T _espera[j] S[j]

aux1 = which(U < 0)

if (length(aux1)! = 0){

Ruin_pos[i] = min(aux1)

aux2 = which(Ruin_pos < Inf )

Sol = Ruin_pos[aux2]

cat(length(Sol), mean(Sol), sd(Sol), max(Sol), (length(Sol)/nsim))

109
Simulation.P areto < f unction(lambda, u, xm , alpha, theta, nclaims, nsim){

# X P areto(xm , alpha); coef iciente de segurana.

c = (1 + theta) lambda ( xm) /( 1)

Ruin_pos = rep(Inf, nsim)

f or(i in c(1 : nsim)){

T _entre_claims = rexp(nclaims, lambda)

T _espera = c()

T _espera[1] = T _entre_claims[1]

f or(j in c(2 : nclaims)){

T _espera[j] = T _espera[j 1] + T _entre_claims[j]

Claims = rpareto(nclaims, xm, )

S = c()

S[1] = Claims[1]

f or(j in c(2 : nclaims)){

S[j] = S[j 1] + Claims[j]

U = c()

f or(j in c(1 : nclaims)){

U [j] = u + c T _espera[j] S[j]

aux1 = which(U < 0)

if (length(aux1)! = 0){

Ruin_pos[i] = min(aux1)

aux2 = which(Ruin_pos < Inf )

Sol = Ruin_pos[aux2]

cat(length(Sol), mean(Sol), sd(Sol), max(Sol), (length(Sol)/nsim))

110
Simulation.Exp < f unction(lambda, u, , theta, nclaims, nsim){

# X Exp(); coef iciente de segurana.

c = (1 + theta) lambda (1/beta)

Ruin_pos = rep(Inf, nsim)

f or(i in c(1 : nsim)){

T _entre_claims = rexp(nclaims, lambda)

T _espera = c()

T _espera[1] = T _entre_claims[1]

f or(j in c(2 : nclaims)){

T _espera[j] = T _espera[j 1] + T _entre_claims[j]

Claims = rexp(nclaims, beta)

S = c()

S[1] = Claims[1]

f or(j in c(2 : nclaims)){

S[j] = S[j 1] + Claims[j]

U = c()

f or(j in c(1 : nclaims)){

U [j] = u + c T _espera[j] S[j]

aux1 = which(U < 0)

if (length(aux1)! = 0){

Ruin_pos[i] = min(aux1)

aux2 = which(Ruin_pos < Inf )

Sol = Ruin_pos[aux2]

cat(length(Sol), mean(Sol), sd(Sol), max(Sol), (length(Sol)/nsim))

111
ANEXOS 2

equation < f unction(a){

i=0

prod = 1

while(prod >= 0){

j = i + 10 (6)

xlef t = i

xright = j

ylef t = 1 + a xlef t (1 xlef t) (900)

yright = 1 + a xright (1 xright) (900)

prod = ylef t yright

i=j

sol = (xlef t + xright)/2

print(sol)

> equation(1170)

0.0005585

112
ANEXOS 3

Risco com distribuio Exponencial

Exponential.Claims < f unction(beta, alpha1, rho, alpha2, h, epsilon, p){

#Claims Exp(beta); alpha1 P. Esperana M atemtica, P. da varincia e P. Desvio padro;


R 1 R  1
#rho P. do risco ajustado, com [X] = 0 [1 FX (x)] dx = 0 1 1 ex dx = ;

#alpha2 P. utilidade nula com f uno de utilidade exponencial de parmetro alpha2;


 R
#h P.Esscher. Se h < , ento E ehX = 0 ex ehx dx = h
e E XehX =
  

R
# 0 xex ehx dx = (h)
1
2 , ou seja, [X] = h ; epsilon P. do percentil, com

#FX (x) = 1  1 ex = 1  x = [X] = ln  .




#p M edidas de risco; T V aR calculada por (4.2.2.2); as demais pelas f rmulas da seco 4.3.

aux1 = 0

if (beta <= 0){

cat(O valor de beta tem de ser estritamente superior a 0., \ n)

aux1 = 1

aux2 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux2 = 1

if (aux1 == 0){

P 1 = (1/beta)

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

if ((aux1 == 0)&(aux2 == 0)){

P 2 = (1/beta) + (1/beta) alpha1

P 3 = (1/beta) + (1/((beta) 2)) alpha1

P 4 = (1/beta) + (1/beta) alpha1

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

113
cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux3 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1., \ n)

aux3 = 1

if ((aux1 == 0)&(aux3 == 0)){

P 5 = rho/beta

cat(O valor do prmio pelo princpio de risco ajustado de, P 5, \ n)

aux4 = 0

if (alpha2 <= 0){

cat(O valor de alpha2 tem de ser estritamente superior a 0., \ n)

aux4 = 1

aux5 = 0

if (beta <= alpha2){

cat(O valor de alpha2 tem de ser estritamente inf erior ao valor de beta., \ n)

aux5 = 1

if ((aux1 == 0)&(aux4 == 0)&(aux5 == 0)){

P 6 = (1/alpha2) log(beta/(beta alpha2))

cat(O valor do prmio pelo princpio da utilidade nula com f uno de utilidade

exponencial de, P 6, \ n)

aux6 = 0

if (h <= 0){

cat(O valor de h tem de ser estritamente superior a 0., \ n)

aux6 = 1

aux7 = 0

114
if (h >= beta){

cat(O valor de h tem de ser estritamente inf erior ao valor de beta, \ n)

aux7 = 1

if ((aux1 == 0)&(aux6 == 0)&(aux7 == 0)){

P 7 = 1/(beta h)

cat(O valor do prmio pelo princpio de Esscher de, P 7, \ n)

aux8 = 0

if (epsilon < 0){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux8 = 1

aux9 = 0

if (epsilon > 1){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux9 = 1

if ((aux1 == 0)&(aux8 == 0)&(aux9 == 0)){

P 8 = ((1)/(beta)) log(epsilon)

cat(O valor do prmio pelo princpio do percentil de, P 8, \ n)

aux10 = 0

if (p < 0){

cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux10 = 1

aux11 = 0

if (p > 1){

cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux11 = 1

if ((aux1 == 0)&(aux10 == 0)&(aux11 == 0)){

115
V aR = qexp(p, beta)

cat(O valor de V aR[X, p] de, V aR, \ n)

T V aR = V aR + (1/beta)

cat(O valor de T V aR[X, p] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X, p] de, ES, \ n)

CV aR = ES/(1 pexp(V aR, beta))

cat(O valor de CV aR[X, p] de, CV aR, \ n)

Risco com distribuio Logstica

Logistic.Claims < f unction(mu, s, alpha1, alpha2, rho, h, epsilon, p){

#Claims Logistic(mu, s); alpha1 P.Esperana M atemtica, P. da varincia e P. Desvio padro;

#alpha2P.utilidade nula com f uno de utilidade exponencial de parmetro alpha2; rhoP.risco ajustado;

#h P.Esscher; epsilon P.do percentil; p V aR[X, p], T V aR[X, p], CV aR[X, p], ES[X, p].

aux1 = 0

if (s <= 0){

cat(O valor de s tem de ser estritamente superior a 0., \ n)

aux1 = 1

if (aux1 == 0){

P 1 = mu

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

aux2 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux2 = 1

116
}

if ((aux1 == 0)&(aux2 == 0)){

P 2 = P 1 + P 1 alpha1

P 3 = P 1 + alpha1 (s 2) (pi 2)/3

P 4 = P 1 + alpha1 s pi/sqrt(3)

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux4 = 0

if (alpha2 <= 0){

cat(O valor de alpha2 tem de ser estritamente superior a 0, \ n)

aux4 = 1

if ((aux1 == 0)&(aux4 == 0)){

if ((alpha2 s >= 1) | (alpha2 s <= 1)){

cat(N o existe prmio pelo princpio da utilidade nula com utilidade exponencial com o parmetro escolhido, \

n)

} else{

P 5 = (1/alpha2) log(exp(mu alpha2) beta(1 alpha2 s, 1 + alpha2 s))

cat(O valor do prmio pelo princpio da utilidade nula com utilidade exponencial de, P 5, \ n)

aux5 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1., \ n)

aux5 = 1

if ((aux1 == 0)&(aux5 == 0)){

integrand1 = f unction(x){(1 (1/(1 + exp((x + mu)/s)))) (1/rho)}

P 6 = integrate(integrand1, 0, Inf )[1]$value

cat(O valor do prmio pelo princpio do risco ajustado de, P 6, \ n)

117
aux6 = 0

if (epsilon < 0){ cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \

n)

aux6 = 1

aux7 = 0

if (epsilon > 1){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux7 = 1

if ((aux1 == 0)&(aux6 == 0)&(aux7 == 0)){

P 8 = qlogis(1 epsilon, mu, s)

cat(O valor do prmio pelo princpio do percentil de, P 8, \ n)

aux8 = 0

if (h <= 0){

cat(O valor de h tem de ser estritamente superior a 0., \ n)

aux8 = 1

if ((aux1 == 0)&(aux8 == 0)){

if ((h s >= 1) | (h s <= 1)){

cat(N o existe prmio pelo princpio de Essher com o parmetro escolhido, \ n)

} else{

P 7den = (1/h) log(exp(mu h) beta(1 h s, 1 + h s))

integrand2 = f unction(x){x exp(h x) (exp((x + mu)/s))/(s (1 + exp((x + mu)/s)) 2)}

P 7num = integrate(integrand2, 0, Inf )

P 7 = P 7num[1]$value/P 7den

cat(O valor do prmio pelo princpio de Esscher de, P 7, \ n)

V aR = qlogis(p, mu, s)

integrand3 = f unction(x){x dlogis(x, mu, s)}

int = integrate(integrand3, V aR, Inf )

118
T V aR = int[1]$value (1 p) (1)

cat(O valor de V aR[X, p] de, V aR, \ n)

cat(O valor de T V aR[X, p] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X, p] de, ES, \ n)

CV aR = ES/(1 plogis(V aR, mu, s))

cat(O valor de CV aR[X, p] de, CV aR, \ n)

Risco com distribuio de Gamma

Gamma.Claims < f unction(lambda, r, alpha1, alpha2, rho, h, epsilon, p){

#Claims Gamma(lambda, r); alpha1 P.Esperana M atemtica, P. da varincia e P.Desvio

#padro; alpha2 P. utilidade nula com f uno de utilidade exponencial de parmetro alpha2 :
r2
R + lambda1 (alpha2r)x
#para valores r > alpha2, E[eXalpha2 ] = (lambda) 0
x e dx
dy
#M udana de varivel : y = (r aux2)x, dx = ralpha2
 lambda
r lambda (lambda)
#E eXalpha2 = (lambda)(ralpha2) r
 
lambda = ralpha2
 lambda 
1 r
#[X] = alpha2 ln ralpha2 ;
 lambda
#h P.Esscher : para valores r > h, E[ehX ] = rh r

r2
R + lambda (hr)x r lambda (lambda+1)
#E[XehX ] = (lambda) 0
x e dx = (lambda)(rh) lambda+1

lambda lambda
r (lambda+1) rh
 (lambda+1)
#[X] = (lambda)(rh) lambda+1 r
= (lambda)(rh) ;

#epsilon P. do percentil.

#p V aR[X, p], T V aR[X, p], CV aR[X, p], ES[X, p].

aux1 = 0

if (lambda <= 0){

cat(O valor de ; lambda tem de ser estritamente superior a 0., \ n)

aux1 = 1

aux2 = 0

if (r <= 0){

cat(O valor de k tem de ser estritamente superior a 0., \ n)

119
aux2 = 1

aux3 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux3 = 1

if ((aux1 == 0)&(aux2 == 0)){

P 1 = lambda/r

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

if ((aux1 == 0)&(aux2 == 0)&(aux3 == 0)){

P 2 = P 1 + P 1 alpha1

P 3 = P 1 + alpha1 (lambda/(r 2))

P 4 = P 1 + alpha1 sqrt(lambda)/r

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux4 = 0

if (alpha2 <= 0){

cat(O valor de alpha2 tem de ser estritamente superior a 0, \ n)

aux4 = 1

aux4.2 = 0

if (alpha2 >= r){

cat(O prmio pelo princpio da utilidade nula com utilidade exponencial no est def inido para

estes valores., \ n)

aux4.2 = 1

aux4.3 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1., \ n)

120
aux4.3 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux4.3 == 0)){

integrand1 = f unction(x){(1 pgamma(x, lambda, r)) (1/rho)}

P 6 = integrate(integrand1, 0, Inf )[1]$value

cat(O valor do prmio pelo princpio do risco ajustado de, P 6, \ n)

if ((aux1 == 0)&(aux2 == 0)&(aux4 == 0)&(aux4.2 == 0)){

P 5 = (lambda/alpha2) log(r/(r alpha2))

cat(O valor do prmio pelo princpio da utilidade nula com utilidade exponencial de, P 5, \ n)

aux5 = 0

if (h <= 0){

cat(O valor de h tem de ser estritamente superior a 0., \ n)

aux5 = 1

aux6 = 0

if (h >= r){

cat(O prmio pelo princpio de Esscher no est def inido para estes valores., \ n)

aux6 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux5 == 0)&(aux6 == 0)){

P 6 = ((2 (lambda + 1)) (10 lambda) exp(20)/dgamma(10, lambda + 1, 2))/

(((2 lambda) (10 (lambda 1)) exp(20)/dgamma(10, lambda, 2)) (r h))

cat(O valor do prmio pelo princpio de Esscher de, P 6, \ n)

aux7 = 0

if (epsilon < 0){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux7 = 1

aux8 = 0

if (epsilon > 1){

121
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux8 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux7 == 0)&(aux8 == 0)){

P 7 = qgamma(1 epsilon, lambda, r)

cat(O valor do prmio pelo princpio do percentil de, P 7, \ n)

aux9 = 0

if (p < 0){

cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux9 = 1

aux10 = 0

if (p > 1){

cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux10 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux9 == 0)&(aux10 == 0)){

V aR = qgamma(p, lambda, r)

cat(O valor de V aR[X, , p, ] de, V aR, \ n)

integrand2 = f unction(x){x dgamma(x, lambda, r)}

int = integrate(integrand2, V aR, Inf )

T V aR = int[1]$value (1 p) (1)

cat(O valor de T V aR[X, , p, ] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X, , p, ] de, ES, \ n)

CV aR = ES/(1 pgamma(V aR, lambda, r))

cat(O valor de CV aR[X, , p, ] de, CV aR, \ n)

122
Risco com distribuio Normal

N ormal.Claims < f unction(mu, sigma2, alpha1, rho, alpha2, h, epsilon, p){

#Claims N ormal(mu, sigma2); alpha1 P. Esperana M atemtica, P. da varincia e P. Desvio


 
# padro; rhoP. do risco ajustado : utilizase a equao FX (x) = xmu
sigma2
, com a f. de distribuio de

#Z N ormal(0, 1);

#alpha2 P. utilidade nula com f uno de utilidade exponencial de parmetro alpha2, com
1 1
mu aplpha2 + 21 sigma2 alpha22 = mu + sigma22alpha2 ;

#[X] = alpha2 ln (MX (alpha2)) = alpha2

d
d

#h P. Esscher, com [X] = E[X ] = dt kX (t) = dt (ln (MX (t + h)) ln (MX (h)))
t=0 t=0
# = mu + sigma2 h; epsilon P. do percentil.

#p M edidas de risco; T V aR calculada por (4.2.2.3); as demais pelas f rmulas da seco 4.3.

aux1 = 0

if (sigma2 < 0){

cat(O valor de sigma2 tem de ser superior ou igual a 0., \ n)

aux1 = 1

if (aux1 == 0){

P 1 = mu

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

aux2 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux2 = 1

if ((aux1 == 0)&(aux2 == 0)){

P 2 = P 1 + P 1 alpha1

P 3 = P 1 + alpha1 sigma2

P 4 = P 1 + alpha1 sqrt(sigma2)

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

123
cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux3 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1., \ n)

aux3 = 1

if ((aux1 == 0)&(aux3 == 0)){

integrand = f unction(x){(1 pnorm(x, mu, sigma2)) (1/rho)}

P 5 = integrate(integrand, 0, Inf )[1]$value

cat(O valor do prmio pelo princpio de risco ajustado de, P 5, \ n)

aux4 = 0

if (alpha2 <= 0){

cat(O prmio pelo princpio da utilidade nula com utilidade exponencial no est def inido

para estes valores., \ n)

aux4 = 1

if ((aux1 == 0)&(aux4 == 0)){

P 6 = mu + (sigma2 alpha2/2)

cat(O valor do prmio pelo princpio da utilidade nula com utilidade exponencial de, P 6, \ n)

aux5 = 0

if (h <= 0){

cat(O valor de h tem de ser estritamente superior a 0., \ n)

aux5 = 1

if ((aux1 == 0)&(aux5 == 0)){

P 7 = mu + h sigma2

cat(O valor do prmio pelo princpio de Esscher de, P 7, \ n)

aux6 = 0

if (epsilon < 0){

124
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux6 = 1

aux7 = 0

if (epsilon > 1){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux7 = 1

if ((aux1 == 0)&(aux6 == 0)&(aux7 == 0)){

P 8 = qnorm(1 epsilon, mu, sigma2)

cat(O valor do prmio pelo princpio do percentil de, P 8, \ n)

aux8 = 0

if (p < 0){ cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux8 = 1

aux9 = 0

if (p > 1){

cat(O valor de p tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux9 = 1

library(truncnorm)

if ((aux1 == 0) & (aux8 == 0) & (aux9 == 0)){

V aR = qtruncnorm(p, 0, Inf, mu, sqrt(sigma2))

cat(O valor de V aR[X p] de, V aR, \ n)

T V aR = mu + ((sqrt(sigma2))/(1 p)) dnorm((aux10 mu)/sigma2, 0, 1)

cat(O valor de T V aR[X p] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X p] de, ES, \ n)

CV aR = ES/(1 ptruncnorm(V aR, 0, Inf, mu, sqrt(sigma2)))

cat(O valor de CV aR[X p] de, CV aR, \ n)

125
Risco com distribuio de Pareto

P areto.Claims < f unction(xm, alpha, alpha1, rho, epsilon, p){

#Claims P areto(xm, alpha); alpha1 P. E. M atemtica, P. da varincia e P. Desvio padro;


1
R h  alpha i rho
#rho P. do risco ajustado, com [X] = xm + xm 1 1 xxm xm
dx = alpha , se alpha
rho
>
rho
1

1; epsilon P. do percentil, com [X] soluo da equao : FX (x) = 1 epsilon


alpha
#1 xm x
= 1 epsilon x = [X] = epsilonxm
1/alpha ; p M edidas de risco.

aux1 = 0

if (xm <= 0){

cat(O valor de xm tem de ser estritamente superior a 0., \ n)

aux1 = 1

aux2 = 0

if (alpha <= 0){

cat(O valor de alpha tem de ser estritamente superior a 0., \ n)

aux2 = 1

if ((aux1 == 0)&(alpha > 0)&(alpha <= 1)){

cat(O valor do prmio pelo princpio do prmio liquido no se encontra def inido., \ n)

aux3 = 1

} else{

aux3 = 0

P 1 = (alpha xm)/(alpha 1)

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

aux4 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux4 = 1

126
}

if ((aux1 == 0)&(aux2 == 0)&(aux3 == 0)&(aux4 == 0)){

P 2 = (alpha xm)/(alpha 1) + alpha1 (alpha xm)/(alpha 1)

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

aux5 = 0

if ((alpha > 0)&(alpha <= 2)){

cat(Os valores dos prmios pelos princpios da varincia e do desvio padro no se encontram

def inidos., \ n)

aux5 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux5 == 0)){

V ar = (xm2 ) alpha/((alpha 2) (alpha 1)2 )

P 3 = (alpha xm)/(alpha 1) + alpha1 V ar

P 4 = (alpha xm)/(alpha 1) + alpha1 sqrt(V ar)

cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux6 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1., \ n)

aux6 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux6 == 0)){

if ((alpha/rho) > 1){

P 5 = (xm/((alpha/rho) 1)) + xm

cat(O valor do prmio pelo princpio do risco ajustado de, P 5, \ n)

if ((alpha/rho) <= 1){

cat(N o existe prmio pelo princpio do risco ajustado, \ n)

aux7 = 0

127
if (epsilon < 0){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux7 = 1

aux8 = 0

if (epsilon > 1){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux8 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux7 == 0)&(aux8 == 0)){

P 6 = xm/(epsilon (1/alpha))

cat(O valor do prmio pelo princpio do percentil de, P 6, \ n)

library(V GAM )

V aR = qpareto(p, xm, alpha)

integrand = f unction(x){x dpareto(x, xm, alpha)}

int = integrate(integrand, V aR, Inf )

T V aR = int[1]$value (1 p) (1)

cat(O valor de V aR[X, p] de, V aR, \ n)

cat(O valor de T V aR[X, p] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X, p] de, ES, \ n)

CV aR = ES/(1 ppareto(V aR, xm, alpha))

cat(O valor de CV aR[X, p] de, CV aR, \ n)

Risco com distribuio Log-normal

LogN ormal.Claims < f unction(mu, sigma, alpha1, rho, epsilon, p){

#Claims lnN (mu, sigma); alpha1 P. Esperana M atemtica, P. da varincia e P. Desvio padro;

#rho P.utilidade nula; epsilon P. do percentil; p M edidas de risco.

128
aux0 = 0

if (mu < 0){

cat(Os valores das possveis indemnizaes no so negativos., \ n)

aux0 = 1

aux1 = 0

if (sigma < 0){

cat(O valor de sigma tem de ser superior ou igual a 0., \ n)

aux1 = 1

if ((aux0 == 0)&(aux1 == 0)){

P 1 = exp(mu + ((sigma2 )/2))

cat(O valor do prmio pelo princpio do prmio liquido de, P 1, \ n)

aux2 = 0

if (alpha1 <= 0){

cat(O valor de alpha1 tem de ser estritamente superior a 0., \ n)

aux2 = 1

if ((aux0 == 0)&(aux1 == 0)&(aux2 == 0)){

P 2 = P 1 + P 1 alpha1

P 3 = P 1 + alpha1 exp(2 mu + sigma 2) (exp(sigma 2) 1)

P 4 = P 1 + alpha1 sqrt(exp(2 mu + sigma 2) (exp(sigma 2) 1))

cat(O valor do prmio pelo princpio da esperana matemtica de, P 2, \ n)

cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)

cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)

aux3 = 0

if (rho < 1){

cat(O valor de rho tem de ser superior ou igual a 1, \ n)

aux3 = 1

129
if ((aux0 == 0)&(aux1 == 0)&(aux3 == 0)){

integrand1 = f unction(x){(1 plnorm(x, mu, sigma)) (1/rho)}

aux4 = integrate(integrand1, 0, Inf )

P 5 = aux4[1]$value

cat(O valor do prmio pelo princpio da utilidade nula de, P 5, \ n)

aux5 = 0

if (epsilon < 0){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux5 = 1

aux6 = 0

if (epsilon > 1){

cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)

aux6 = 1

if ((aux0 == 0)&(aux1 == 0)&(aux5 == 0)&(aux6 == 0)){

P 6 = qlnorm(1 epsilon, mu, sigma)

cat(O valor do prmio pelo princpio do percentil de, P 6, \ n)

V aR = qlnorm(p, mu, sigma)

integrand2 = f unction(x){dlnorm(x, mu, sigma) x}

aux6 = integrate(integrand2, V aR, Inf )

T V aR = aux6[1]$value (1 p) (1)

cat(O valor de V aR[X, p] de, V aR, \ n)

cat(O valor de T V aR[X, p] de, T V aR, \ n)

ES = (1 p) (T V aR V aR)

cat(O valor de ES[X, p] de, ES, \ n)

CV aR = ES/(1 plnorm(V aR, mu, sigma))

cat(O valor de CV aR[X, p] de, CV aR, \ n)

130
ANEXOS 4

Programa Lema3.3.3.
Lema2.3.3. < f unction(lambda, beta, h){

#S = X1 + . . . + XN , N P oisson(), {Xi }i1 i.i.d. e independentes de N, com Xi Exp().

#P retende-se calcular o valor do prmio pelo princpio de Esscher.

aux1 = 0

if (lambda <= 0){

print(O valor de lambda tem de ser estritamente superior a 0.)

aux1 = 1

aux2 = 0

if (beta <= 0){

print(O valor de beta tem de ser estritamente superior a 0.)

aux2 = 1

aux3 = 0

if (h <= 0){

print(O valor de h tem de verif icar : 0 < h < 1.)

aux3 = 1

aux4 = 0

if (h >= 1){

print(O valor de h tem de verif icar : 0 < h < 1.)

aux4 = 1

if ((aux1 == 0)&(aux2 == 0)&(aux3 == 0)&(aux4 == 0)){

P = (beta lambda)/((h 1) 2)

cat(O valor do prmio de, P )

131
132
Bibliograa

[1] KARLIN, S. and Taylor, H. : A rst course in stochastic processes. Academic Press,

1975.

[2] CHUNG, K.: A Course in Probability Theory, 2nd ed., New York, Academic Press,

1974.

[3] SHIRYAYEV, A. N.: Probability, New York, Springer, Verlag, 1984.

[4] DICKSON, D.: Insurance Risk and Ruin, Cambridge, Cambridge University Press ,

2005.

[5] KAAS, R., Goovaerts, M., Dhaene, J. and Denuit, R.: Modern Actuarial Risk Theory,

2nd ed., Springer, 2009.

[6] REIS, A.: Teuria da Runa , ISEG, Dezembro de 2001.

[7] CENTENO, M.: Teoria do Risco na Atividade Seguradora, Oeiras, Celta editora,

2003.

[8] KLUGMAN, S., Panjer, H. and Willmot, G.: Loss Models, 4th ed., Society of Actua-

ries.

[9] DENUIT, M., Goovaerts, M., Dhaene, J., Dahene, J and Kaas, R.: Actuarial Theory

for Dependent Risks, Wiley, 2005.

[10] BUHLMANN, H.: Mathematical Methods in Risk Theory, 2nd ed., New York, Sprin-

ger, 1996.

[11] SHIRIYAEV, A.: Graduate texts in Mathematics, 2nd ed., Moscovo, Springer.

[12] BOWERS, N., Gerber, H., Hickman, J., Jones, D and Nesbitt, C.: Actuarial Mathe-

matics,2nd ed., Schaumburg, The Society of Actuaries, 1997.

133
[13] BURNECKi, A., Misiorek, R. and Weron: Loss Distributions, Munich Personal RePEc

Archive, 2010.

[14] RUDIN, W.: Principles of Mathematichal Analysis, 3nd ed., MGH, 1976.

[15] OLIVEIRA, E.: Medidas Coerentes de Risco, IMPA, 2009.

[16] TRUFIN, J., Hansjoerg, A. and Denuit, M: Properties of a Risk Measure Derived

from Ruin Theory, The Geneva Risk and Insurance Review, 2011, vol.36, issue 2,

pages 174-188.

134