Documente Academic
Documente Profesional
Documente Cultură
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
UMinho | 2014
Outubro de 2014
Universidade do Minho
Escola de Cincias
Dissertao de Mestrado
Estatstica
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
Resumo
O principal objetivo desta tese o estudo dos princpios de clculo de prmios e das
Para que tal seja levado a cabo de uma forma consistente e detalhada, necessrio
captulo. So calculados os valores que estes ltimos podem assumir em situaes concretas,
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-
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-
Abstract
The main objective of this thesis is the study of premium calculation principles and
risk measures.
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
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
3 Clculo de prmios 41
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
9
10 CONTEDO
3.5 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4 Medidas de risco 77
4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.1 "Value-at-Risk", V aR . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.2 "Tail-Value-at-Risk", T V aR . . . . . . . . . . . . . . . . . . . . . . . 82
5 Aplicaes 95
5.1 Clculo computacional de prmios e de medidas de risco . . . . . . . . . . . 95
6 Concluso 107
ANEXOS 109
Lista de Figuras
11
12
Lista de Tabelas
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
As cincias atuariais so, assim, as cincias das tcnicas especcas de anlise de riscos
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,
conceitos, tcnicas e resultados no mbito das cincias atuariais, desde, por exemplo, o
risco.
Lundberg, tambem designado de modelo clssico de risco, quer em tempo contnuo, quer
calculados.
15
16 CAPTULO 1. INTRODUO
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
relativamente recente e que pode ser encarado como uma medida para o quo perigoso
prticos de clculo.
a modelos (clssicos) de risco concretos. Todo o clculo, neste captulo, de cariz com-
analisados.
Captulo 2
Teoria da Runa
se, na seco 2.1, por caracterizar um caso particular dos processos estocsticos, os deno-
turno, na seco 2.3, dene-se, entre outros conceitos, o coeciente de ajustamento, que
2.5 aborda-se a noo de perda agregada mxima no mbito do modelo clssico de risco
novamento. Por m, ao nvel da seco 2.7, descreve-se sucintamente um modelo de risco
em tempo discreto.
17
18 CAPTULO 2. TEORIA DA RUNA
Quanto ao conjunto dos estados E, o processo discreto se este ltimo for nito ou
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.
homogneos:
et (t)k
seja, t > 0, N (t) P oisson(t), isto , P (N (t) = k) = k! , k = 0, 1, 2, . . .
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
aleatrio no intervalo de tempo (0, t]. No caso concreto inerente a este trabalho, o fenmeno
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
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
i-sima indemnizao.
Denio 2.1.4. Seja {N (t) : t 0} um processo de Poisson homogneo e {Xi }i1 uma
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 .
em N0 e independente de X.
Posto isto, considere-se, para i 1, ti o instante da i-sima indemnizao. A sucesso
estocstico {U (t) : t 0}, onde, para cada t 0, U (t) = u + ct S(t), sendo que:
at ao instante t.
Figura 2.1: Processo de Poisson N (t) Figura 2.2: Indemnizaes agregadas S(t)
2.3. COEFICIENTE DE AJUSTAMENTO 21
por MX (t) = E[etX ], desde que a esperana seja nita para t real em algum intervalo
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
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
Demonstrao
Combinando o Lema 2.3.2 com o Lema 2.3.3 conclui-se o pretendido.
Demonstrao
Denio 2.3.3. O coeciente de ajustamento dene-se como sendo a nica raiz positiva
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
arrecada em prmios (rc) e o que despende em indemnizaes (MS (r)). De agora em diante
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)
.
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).
tambm interseta o eixo das ordenadas em 1. Por tudo isto, (2.3.0.1), tem duas solues:
individuais seguem uma distribuio exponencial. Trata-se de um dos poucos casos em que
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+ .
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 X a distribuio limite de Xn .
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) ut M ut
lim FU (t) (M ) = lim P (U (t) M ) = lim P
t t t t t
() = 0,
Demonstrao.
E[eRU (t) ] = E eRu E ecRt MS(t) (R) = eRu ecRt et(MX (R)1)
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 .
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
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 .
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:
Da desigualdade de Lundberg vem que limu+ (u) = 0, isto , (u) uma funo
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) .
a m uma vez que a reserva era positiva antes da ltima indemnizao que a provocou,
h i
eRU (T ) < eRm = E eRU (T ) | T < < eRm ,
dMX
inferior a
dr (0) = 1 , pelo que apenas R=0 soluo da equao da Denio 2.3.3.
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
calcular (u).
2.4. A PROBABILIDADE DE RUNA 27
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.
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:
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
Uma vez que um Processo de Poisson homogneo um processo sem memria, a pro-
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
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
Z u Z
G
(u, y) = G(u, y) G(u x, y)fX (x)dx fX (x)dx .
u c 0 u+y
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
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
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
1
(0) = . (2.4.0.3)
1+
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
Demonstrao Ora,
Pelo que,
Por outro lado, pode ter ocorrido uma s indemnizao representada por X no intervalo
P (T < , N (dt) = 1)
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
de .
Denio 2.5.1. Dene-se perda agregada mxima como sendo a varivel aleatria
L = max{S(t) ct}.
t0
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.
1
limu+ (u) = 0 e que (0) = 1+ , como ilustra a gura seguinte.
Denio 2.5.2. Sejam X uma varivel aleatria e D o conjunto numervel dos pontos
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
cordes mnimos. A ttulo de exemplo, no caso concreto representado na Figura 2.6, tais
instantes correspondem aos momentos em que o processo de perda agregada L(t) atinge
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 .
1
u = 0, ou seja, 1 (0) = 1 1+ = 1+ . Tambm pelo facto do processo de Poisson
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
1 (er (1 p))k p
MK (r) = p lim = ,
k 1 er (1 p) 1 er (1 p)
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
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 )
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:
Z
0
ML (r) = P r[L = 0] + eru ( (u))du. (2.5.0.5)
0
Nos dois prximos exemplos apresenta-se outra situao em que possivel determinar
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
Z n
0
X
urCi ri
(u)e du = , (2.5.0.6)
0 ri r
i=1
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
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-
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
2
= 5:
Z x
Z(x) = z(x) + Z(x y)dH(y),
0
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
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
h i X X
V (y) = E Ne (y) = aP Ne (y) = a = P (T1 + T2 + . . . + Ta < y) .
a=1 a=0
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
forma:
a probabilidade do processo no ter sido extinto antes do n-simo renovamento. Pelo que
ao m de um perodo n (aps o n-simo ano, por exemplo). Denotando a reserva inicial por
de prmios c em cada perodo (prmios anuais, por exemplo), ou seja, Pn = cn, vem
Denio 2.7.2. Dene-se instante de runa como T = min{n 0 : Un < 0}, com a
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
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
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
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
41
42 CAPTULO 3. CLCULO DE PRMIOS
PN
especco a unidade de tempo normalmente um ano, c o prmio [S], S = i=1 Xi ,
uma unidade de tempo. Note-se que, nestes casos, se opera com o prmio [S], com S
tambm uma varivel aleatria composta.
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
puro. Atesta simplesmente que o prmio P deve ser calculado da seguinte forma, com X
um risco no negativo: [X] = E[X].
pela seguradora igual ao prmio que esta cobra para cobrir o risco X. Este prmio, assim
com o facto da esperana matemtica ser uma medida de tendncia central. Para as
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
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
Considerou ainda que, medida que a riqueza aumenta, decresce a utilidade adicional
uma funo u : R+ +
0 R0 que a cada quantia monetria atribui a utilidade que o indivduo
lhe confere.
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
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
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
00
u (x)
r(x) = . (3.2.3.1)
u0 (x)
44 CAPTULO 3. CLCULO DE PRMIOS
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
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:
Exemplo 3.2.1. Uma seguradora tem uma funo de utilidade u(x) = ex , com
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
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
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
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,
mente distribudas a X Exp(1). Pretende-se saber qual o prmio mnimo anual P que
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
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
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
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 ()).
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
|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
|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
associado ao risco coletivo S igual soma dos prmios associados aos riscos individuais.
3.2. PRINCPIOS DE CLCULO DE PRMIOS 47
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
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
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 .
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
varivel aleatria da totalidade das indemnizaes igual soma dos prmios associados
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
p
u = [S] |ln ()| /2i (3.2.6.2)
minimiza (3.2.6.1).
p
[S] = E[S] + [S] 2i |ln ()|. (3.2.6.3)
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
p
u = [S] |ln ()| /2i,
para S, i e .
|ln ()|
[Xj ] = E[Xj ] + RV ar[Xj ], R= . (3.2.6.4)
u
A n1 1 1
B n2 2 1
Total n1 + n2 n 1 1 + n 2 2 n1 1 + n2 2
Prmio u R
do portfolio timo timo
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
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):
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
A 10 7 49
B 20 3 9
ximadamente, igual soma dos prmios para os riscos individuais. Pelo contrrio, se
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, 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
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.
Cumpre agora atentar nos princpios do risco ajustado. O prmio assim calculado,
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;
1 ex
g(x) = x1{0} () + 1 ();
1 e (0,+)
ln (1 + x)
g(x) = x1{0} () + 1 ().
ln (1 + ) (0,+)
Z 1
Z 1
[X] = [P (X > x)] dx = [1 F (x)] dx, (3.2.7.2)
0 0
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 ].
iguale o valor esperado da utilidade da quantia com que a seguradora ca aps a ocorrncia
verica com a funo de utilidade linear nem com a exponencial. Facto que, no caso da
h i
ew = E e(w+[X]X) u(0) = E[u([X] X)]. (3.2.8.2)
Este prmio no mais do que o prmio puro para uma varivel aleatria X , relacio-
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) .
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) .
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
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
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.
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
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
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)!
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
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
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
(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.
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
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
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
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
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
[X]:
preo excessivo);
Relembre-se que, de acordo com este princpio, [X] = E[X]. O princpio do prmio
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.
4) O princpio aditivo:
Note-se que este resultado tambm seria vlido para variveis aleatrias no inde-
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
[X] = 1 ln E eX 1
ln (E [exm ]) = 1
ln (exm ) = xm .
1 h (X+c) i 1
ln E eX + ln (ec ) = [X] + c.
[X + c] = ln E e =
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.
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] =
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 .
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 ]
6= [X].
a 6= 1.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 63
Este princpio, recorde-se, preconiza que o prmio deve ser assim calculado: [X] =
E[X] + [X], > 0. Satisfaz apenas trs das propriedades enunciadas, nomeadamente
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.
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 ].
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].
p p
[aX] = E[aX] + V ar[aX] = aE[X] + a V ar[X] = a[X].
64 CAPTULO 3. CLCULO DE PRMIOS
Z xm Z xm
1
[X] = [1 FX (x)] dx 1dx = xm .
0 0
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
P (X = 0) = P (X = 1) = 1
2 . Assim, FX (x) = 1
1
2 [0,1) (x) + 1[1,+) (x).
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
u(w) = E [u(w + [X] X)]. Satisfaz trs das propriedades enunciadas, nomeadamente a
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
o mximo de X, ento
0
Como u (x) > 0, ou seja, u estritamente crescente, w w + [X] xm , o que
denida: P ({1}) = 0.1, P ({2}) = 0.2, P ({3}) = 0.7. Por seu turno, X uma
capital inicial ser w=0 e a funo de utilidade u(x) = (1 x)2 1[0,1] (x). Ento,
= [X] = 1.8834.
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,
= [X | Y = 10] = 2,
P ([X | Y ] = 2) = P Y 1 ({10}) = 7
sendo que
10 .
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
Note-se que, quando h = 0, [X] = E[X]. Mas [X] = E[X ] (ver subseco 3.2.9).
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
= V ar[X ] > 0.
cessivo. Claramente, XehX xm ehX , pelo que E[XehX ] E[xm ehX ] = xm MX (h).
Dividindo esta ltima inequao por MX (h), vem:
independentes.
eh 8e2h
E XehX
5 + 5
[X] = = .
E [ehX ] eh
+ 4e2h
5 5
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
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.
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.
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-
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].
= min {s : P (X s) 1 } + c = [X] + c.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 71
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.
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
2
[X] = min p : FX (p) 35 = 2.
Optando por = 5 , vem que
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
4
FZ (x) = 1 (x) + 1[2,+) (x).
5 [1,2)
Isto ,
22 25
[5X] = 10 ln 6= 5 ln = 5[X].
125 4
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.
Obviamente, sendo [X] igual ao valor mximo que X pode tomar, ento [X]
seja, xm .
= min {s : P (X s) = 1} + c = [X] + c.
3.4. PROPRIEDADES DOS PRINCPIOS DE CLCULO DE PRMIOS 73
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
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
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]
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
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)
= min {p : P (X p) = 1} = [X].
3.5 Resumo
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
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
Poder-se-ia daqui concluir que o princpio mais aconselhvel seria o exponencial. To-
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
Curiosamente, alguns autores sustentam que o princpio de clculo de prmio deve ser
por gerar prmios muito elevados. O ltimo, no obstante o seu grande interesse terico,
da funo de utilidade.
prmio depende da importncia que o decisor atribui a cada uma das propriedades descritas
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,
para um montante inicial um nmero que se pode considerar como associado varivel
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
formando um porteflio. Ento, uma medida de risco R pode ser vista como uma funo
R : M R.
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:
tamanho);
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
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
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.
absorver p% dos possveis resultados que S possa tomar. Ou, de outro modo, existe uma
da sua natureza, isto , podem ser riscos no mbito do modelo de risco individual ou, ento,
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:
Note-se que V aR[X; p] = Qp (X), ou seja, o valor em risco associado a X, num nvel
Esta medida de risco no coerente, uma vez que falha a condio da sub-aditividade.
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} .
= 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.
Ainda no que a esta medida de risco diz respeito, conveniente apresentar o teorema
seguinte.
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
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
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
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
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
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:
Pretende-se, agora, determinar o capital inicial k que a seguradora dever possuir por
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
4.2.2 "Tail-Value-at-Risk", 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
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
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
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].
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]
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
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
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
Voltando a (4.2.1.3), pretende-se o valor do custo mnimo dividido por i, isto , o valor
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
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].
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
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
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
segundo, T V aR.
Exemplo 4.2.1. Seja X a varivel aleatria das possveis indemnizaes, seguindo uma
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
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)
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)
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
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
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
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,
Demonstrao
Nas condies denidas no lema que se pretende provar, considere-se B = X 1 ((x, +[).
88 CAPTULO 4. MEDIDAS DE RISCO
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
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]
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].
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].
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)
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
CV aR no sub-aditiva.
contnuos tais que XY e 0 < p < 1. Uma vez que V aR e T V aR satisfazem esta
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].
positiva.
90 CAPTULO 4. MEDIDAS DE RISCO
= T V aR[X; p] + c V aR[X; p] c
6= CV aR[X, p] + c, se c 6= 0.
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
Z +
ES[X; p] = E (X V aR[X; p])+ = (V aR[X; p]) = [1 FX (x)] dx.
V aR[X;p]
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
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]
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.
segue:
o que se segue, ento, X um risco absolutamente contnuo, 0 < p < 1, FX (x) a funo
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
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
de runa, tudo para situaes concretas especicadas. Note-se que as distribuies da seco
como os valores assumidos pelas principais medidas de risco, tudo para seis distribuies
nos ANEXOS 3.
1
X1 Exp( 1200 ) X4 N ormal(1200, 2400);
X2 Logistic 1200, 7200
X5 P areto(1152.9688, 25.15);
95
96 CAPTULO 5. APLICAES
probabilidade de X5 .
conclui-se que, em rigor, se deveria optar pela distribuio normal truncada. Todavia, a
elevados pode ser expressa pelo conceito de cauda pesada; quanto maior essa propenso,
cauda de uma distribuio. Nesta tese, faz-se uso de trs possveis abordagens.
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
X2 .
5.1. CLCULO COMPUTACIONAL DE PRMIOS E DE MEDIDAS DE RISCO 97
Todavia, este mtodo bastante rudimentar e falvel. Uma outra metodologia recorre
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)
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
crescente, ou, pelo menos, for crescente em [a, +), a R, ento essa distribuio tem
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.
cauda da distribuio.
Esta metodologia indica que as distribuies com cauda mais pesada so, por ordem
X2 0
X3 0.0816
X4 0
X5 2.2653
X6 0.1225
cauda pesada e que as distribuies com cauda mais pesada so, por ordem decrescente,
X5 , X6 , X3 e X2 .
Nas Tabelas 5.2 e 5.3 esto presentes os diversos valores que o prmio pode assumir
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-
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
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,
Esta relao no , todavia, uma relao forte. Seno repare-se, por exemplo, nos
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
que pouco diferem umas das outras no seu valor esperado e na sua varincia. Claramente,
e de Esscher, se bem que, neste ltimo, s dois riscos tm um valor atribudo; nos demais
superiores aos gerados pelos restantes princpios. De resto, o princpio da varincia o que
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
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
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-
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
que o valor do prmio num contrato stop-loss com franquia V aR[X2 ; 0.9] = 1259.346
igual a 2.8457.
Considere a seguinte situao hipottica. Em mdia, ocorre um sinistro por cada cinco
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:
Em 6152 das 10000 simulaes ocorreu a runa. Nestas simulaes, em mdia, a runa
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
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 .
1
Tabela 5.7: Probabilidade de runa associada a X3 Exp 900 .
do tipo U1 (t) e L;U1 (u) o limite mximo dessa mesma probabilidade de runa obtido pela
desigualdade de Lundberg.
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
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
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
Pelo contrrio, quando u = 200, a probabilidade de runa nos trs casos de cerca de
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
Por outro lado, medida que o capital inicial aumenta, a diferena entre a proba-
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
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 .
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
de Lundberg (L;U3 (u)). Figuram igualmente duas aproximaes para dois grcos: o da
pontos, posteriormente ligados por segmentos de reta. Em segundo lugar, esses pontos
computacionais.
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
Concluso
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
tempo, isto , o valor esperado da perda agregada mxima. um modelo que pode ser
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
para, nestas situaes, aproximar o valor da probabilidade de runa, passa pela utilizao
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
ou convenincia que este atribui a cada uma das propriedades dos princpios de clculo
deve ser aditivo, ou seja, que a combinao de riscos tem de gerar um prmio igual ao
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
Os valores do prmio e sobretudo das medidas de risco parecem ser sensveis ao peso
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
T _espera = c()
T _espera[1] = T _entre_claims[1]
S = c()
S[1] = Claims[1]
U = c()
if (length(aux1)! = 0){
Ruin_pos[i] = min(aux1)
Sol = Ruin_pos[aux2]
109
Simulation.P areto < f unction(lambda, u, xm , alpha, theta, nclaims, nsim){
T _espera = c()
T _espera[1] = T _entre_claims[1]
S = c()
S[1] = Claims[1]
U = c()
if (length(aux1)! = 0){
Ruin_pos[i] = min(aux1)
Sol = Ruin_pos[aux2]
110
Simulation.Exp < f unction(lambda, u, , theta, nclaims, nsim){
T _espera = c()
T _espera[1] = T _entre_claims[1]
S = c()
S[1] = Claims[1]
U = c()
if (length(aux1)! = 0){
Ruin_pos[i] = min(aux1)
Sol = Ruin_pos[aux2]
111
ANEXOS 2
i=0
prod = 1
j = i + 10 (6)
xlef t = i
xright = j
i=j
print(sol)
> equation(1170)
0.0005585
112
ANEXOS 3
R
# 0 xex ehx dx = (h)
1
2 , ou seja, [X] = h ; epsilon P. do percentil, com
#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
aux1 = 1
aux2 = 0
aux2 = 1
if (aux1 == 0){
P 1 = (1/beta)
113
cat(O valor do prmio pelo princpio da varincia de, P 3, \ n)
aux3 = 0
aux3 = 1
P 5 = rho/beta
aux4 = 0
aux4 = 1
aux5 = 0
cat(O valor de alpha2 tem de ser estritamente inf erior ao valor de beta., \ n)
aux5 = 1
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){
aux6 = 1
aux7 = 0
114
if (h >= beta){
aux7 = 1
P 7 = 1/(beta h)
aux8 = 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
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)
aux9 = 1
P 8 = ((1)/(beta)) log(epsilon)
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
115
V aR = qexp(p, beta)
T V aR = V aR + (1/beta)
ES = (1 p) (T V aR V aR)
#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){
aux1 = 1
if (aux1 == 0){
P 1 = mu
aux2 = 0
aux2 = 1
116
}
P 2 = P 1 + P 1 alpha1
P 4 = P 1 + alpha1 s pi/sqrt(3)
aux4 = 0
aux4 = 1
cat(N o existe prmio pelo princpio da utilidade nula com utilidade exponencial com o parmetro escolhido, \
n)
} else{
cat(O valor do prmio pelo princpio da utilidade nula com utilidade exponencial de, P 5, \ n)
aux5 = 0
aux5 = 1
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
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 (h <= 0){
aux8 = 1
} else{
P 7 = P 7num[1]$value/P 7den
V aR = qlogis(p, mu, s)
118
T V aR = int[1]$value (1 p) (1)
ES = (1 p) (T V aR V aR)
#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.
aux1 = 0
aux1 = 1
aux2 = 0
if (r <= 0){
119
aux2 = 1
aux3 = 0
aux3 = 1
P 1 = lambda/r
P 2 = P 1 + P 1 alpha1
P 4 = P 1 + alpha1 sqrt(lambda)/r
aux4 = 0
aux4 = 1
aux4.2 = 0
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
120
aux4.3 = 1
cat(O valor do prmio pelo princpio da utilidade nula com utilidade exponencial de, P 5, \ n)
aux5 = 0
if (h <= 0){
aux5 = 1
aux6 = 0
if (h >= r){
cat(O prmio pelo princpio de Esscher no est def inido para estes valores., \ n)
aux6 = 1
aux7 = 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
121
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 (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
V aR = qgamma(p, lambda, r)
T V aR = int[1]$value (1 p) (1)
ES = (1 p) (T V aR V aR)
122
Risco com distribuio Normal
#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
aux1 = 1
if (aux1 == 0){
P 1 = mu
aux2 = 0
aux2 = 1
P 2 = P 1 + P 1 alpha1
P 3 = P 1 + alpha1 sigma2
P 4 = P 1 + alpha1 sqrt(sigma2)
123
cat(O valor do prmio pelo princpio do desvio padro de, P 4, \ n)
aux3 = 0
aux3 = 1
aux4 = 0
cat(O prmio pelo princpio da utilidade nula com utilidade exponencial no est def inido
aux4 = 1
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){
aux5 = 1
P 7 = mu + h sigma2
aux6 = 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
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 (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)
ES = (1 p) (T V aR V aR)
125
Risco com distribuio de Pareto
aux1 = 0
aux1 = 1
aux2 = 0
aux2 = 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)
aux4 = 0
aux4 = 1
126
}
aux5 = 0
cat(Os valores dos prmios pelos princpios da varincia e do desvio padro no se encontram
def inidos., \ n)
aux5 = 1
aux6 = 0
aux6 = 1
P 5 = (xm/((alpha/rho) 1)) + xm
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
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)
aux8 = 1
P 6 = xm/(epsilon (1/alpha))
library(V GAM )
T V aR = int[1]$value (1 p) (1)
ES = (1 p) (T V aR V aR)
#Claims lnN (mu, sigma); alpha1 P. Esperana M atemtica, P. da varincia e P. Desvio padro;
128
aux0 = 0
aux0 = 1
aux1 = 0
aux1 = 1
aux2 = 0
aux2 = 1
P 2 = P 1 + P 1 alpha1
aux3 = 0
aux3 = 1
129
if ((aux0 == 0)&(aux1 == 0)&(aux3 == 0)){
P 5 = aux4[1]$value
aux5 = 0
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)
aux5 = 1
aux6 = 0
cat(O valor de epsilon tem de ser superior ou igual a 0 e inf erior ou igual a 1., \ n)
aux6 = 1
T V aR = aux6[1]$value (1 p) (1)
ES = (1 p) (T V aR V aR)
130
ANEXOS 4
Programa Lema3.3.3.
Lema2.3.3. < f unction(lambda, beta, h){
aux1 = 0
aux1 = 1
aux2 = 0
aux2 = 1
aux3 = 0
if (h <= 0){
aux3 = 1
aux4 = 0
if (h >= 1){
aux4 = 1
P = (beta lambda)/((h 1) 2)
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.
[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,
[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
[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-
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.
[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