Você está na página 1de 216
UNIVERSIDADE FEDERAL DO CEARÁ - UFC FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE - FEAAC

UNIVERSIDADE FEDERAL DO CEARÁ - UFC FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE - FEAAC CURSO DE CIÊNCIAS ATUARIAIS

INTRODUÇÃO À TEORIA DA CREDIBILIDADE

Antonio Mário Rattes de Oliveira

Fortaleza

1999

Universidade Federal do Ceará - UFC

Faculdade de Economia, Administração, Atuária e Contabilidade - FEAAC

Curso de Ciências Atuariais

Antonio Mário Rattes de Oliveira

Introdução à Teoria da Credibilidade

Dissertação de graduação apresentada ao

Curso de Ciências Atuariais da FEAAC/UFC,

como requisito para obtenção de título de

bacharel em Ciências Atuariais

Orientador: Prof. Emílio Recamonde Capelo

Fortaleza

1999

OLIVEIRA, Antonio Mário Rattes de. Introdução à Teoria da Credibilidade. Fortaleza, 1999. 202p. (Dissertação de Graduação apresentada ao Curso de Ciências Atuariais da UFC/FEAAC).

Resumo: apresenta os conceitos preliminares de Teoria da Credibilidade, destacando-se os modelos de Bühlmann e Bühlmann-Straub e de Inferência Bayesiana. Aborda os conceitos de Credibilidade aplicados aos ramos de seguro, como forma de calcular os prêmios atuais de cada período levando-se em consideração a experiência anterior observada no portfólio.

Palavras-chave: Claims – Variável aleatória – Seguro – Credibilidade – Função de Perda – Probabilidade - Estatística

INTRODUÇÃO À TEORIA DA CREDIBILIDADE

Banca Examinadora

 

NOTA:

Prof. Dr.: Emílio Recamonde Capelo - Orientador

 

NOTA:

Prof. Dr: Luiz Ivan de Melo Castelar

 

NOTA:

Aos meus pais, pelo tempo, carinho e compreensão investidos e ao meu filho no qual deposito meu amor, carinho e esperança da continuidade de minha obra.

AGRADECIMENTOS

AGRADECIMENTOS Este trabalho, na realidade, constitui-se de uma pequena contribuição que deixamos ao Curso de Ciências
AGRADECIMENTOS Este trabalho, na realidade, constitui-se de uma pequena contribuição que deixamos ao Curso de Ciências

Este trabalho, na realidade, constitui-se de uma pequena contribuição que deixamos ao Curso de Ciências Atuariais da Universidade Federal do Ceará – UFC, a qual parece-nos um pouco pretenso chamar de monografia. Contudo, não teria sido possível a sua realização se não fosse o apoio, perseverança e paciência do Prof. Emílio Recamonde Capelo, que, além de ser o fundador do curso que ora concluímos, guiou-nos pelo caminhos aleatórios da Atuária desde que nos conhecemos a alguns anos idos.

Ao Prof. Recamonde dedico minha principal homenagem nos agradecimentos desta monografia, pois é irrelevante lembrar o seu empenho em criar e manter nosso curso e divulgar a Ciência Atuarial em nosso país e além de suas fronteiras.

Mesmo os trabalhos mais simples muitas vezes não são conduzidos por um único indivíduo, mas por um conjunto de pessoas com as mais variadas características e conhecimentos que são alinhadas para que se obtenha o melhor resultado possível. Este trabalho não foge à esta regra e, embora tenhamos sido o principal colaborador para a sua feitura, várias pessoas dele participaram e o engrandeceram com suas contribuições.

Inicio lembrando de todos os professores que nos acompanharam ao longo deste curso e com sua paciência nos transmitiram os conhecimentos que reunimos, em maior ou menor medida, neste trabalho. Preferimos não citar nomes para não cometermos o pecado de esquecer algum, pois todos foram igualmente importantes em nossa formação.

Também estão lembrados aqui os colegas de curso, que juntamente conosco transpuseram com desenvoltura e esforço todos os obstáculos que se puseram em nossos caminhos. Com certeza, muitas dessas amizades deixaram laços vitalícios que superaram as distâncias impostas pelos diferentes caminhos que nossas vidas percorrerão. A todos eles desejo sucesso nos seus projetos e que transformem o conhecimento duramente adquirido nas salas da UFC em contribuições que engrandeçam nossa profissão e melhorem a sociedade na qual vivemos.

Meus agradecimentos finais vão para os amigos de profissão, que nos brindaram com seus ensinamentos e que nos auxiliaram a tornar realidade um sonho. Em especial agradeço aos amigos da Probus, sem querer citar nomes, pelo constante auxílio na elaboração deste trabalho.

Pensávamos ter chegado ao final do caminho, mas descobrimos que apenas demos o primeiro passo.

Mário Rattes

Fortaleza-CE, 1999.

SUMÁRIO

SUMÁRIO 1. INTRODUÇÃO E HISTÓRIA 1 1.1 Introdução 1 1.2 Paradigmas Estatísticos 1 1.3 O que
SUMÁRIO 1. INTRODUÇÃO E HISTÓRIA 1 1.1 Introdução 1 1.2 Paradigmas Estatísticos 1 1.3 O que

1.

INTRODUÇÃO E HISTÓRIA

1

1.1 Introdução

1

1.2 Paradigmas Estatísticos

1

1.3 O que é Credibilidade?

2

1.4 Três Abordagens para Credibilidade

5

1.4.1 Abordagem de Flutuação Limitada

5

1.4.2 Abordagem de Bühlmann

6

1.4.3 Abordagem Bayesiana

6

1.4.4 Análise Exploratória dos Dados

7

1.5 Aplicações Recentes

8

1.6 Exercícios

10

2.

PRELIMINARES MATEMÁTICAS

12

2.1 Teorema de Bayes

13

2.2 Exemplos do Uso do Teorema de Bayes

15

2.3 Probabilidades a Priori e a Posteriori

19

2.4 Esperança Condicional

20

2.5 Esperança Incondicional

23

2.6 Exercício

27

3.

FUNÇÕES DE PERDA

35

3.1 Funções de Perda Erro Quadrado

35

3.2 Funções de Perda Erro Absoluto

38

3.3 Funções de Perda Quase Constantes

41

3.5

Observações Adicionais

45

3.6

Exercícios

47

4. MODELO DISCRETO DE SEGURO DE FREQÜÊNCIA-SEVERIDADE SOB PRESSUPOSIÇÃO DE INDEPENDÊNCIA

50

4.1 Estimativas do Prêmio Puro Inicial

51

4.2 Estimativas do Prêmio Puro Revisado e Distribuições Preditivas

54

4.3 Observações Adicionais

61

4.4 Exercícios

63

5. A ABORDAGEM DE CREDIBILIDADE DE FLUTUAÇÃO LIMITADA

66

5.1 Introdução

66

5.2 Pré-Requesitos Matemáticos

67

5.3 A Abordagem de Credibilidade Plena

71

 

5.3.1 A Lógica para a Credibilidade Plena

71

5.3.2 A Fórmula de Credibilidade Plena

71

5.3.3 Exemplos Numéricos

74

5.3.4 Número Mínimo de Sinistros Esperados Requeridos para Credibilidade Plena

77

5.3.5 Resumo da Abordagem de Credibilidade Plena

78

5.4 A Abordagem de Credibilidade Parcial

78

 

5.4.1 A Lógica da Credibilidade Parcial

78

5.4.2 A Fórmula da Credibilidade Parcial

79

5.4.3 Exemplo de Credibilidade Parcial

80

5.4.4 Resumo da Abordagem de Credibilidade Parcial

81

5.6

Exercícios

84

6. A ABORDAGEM DE BÜHLMANN

89

6.1 Introdução

89

6.2 Elementos Básicos da Abordagem de Bühlmann

89

6.2.1 A Fórmula de Credibilidade de Bühlmann

89

6.2.2 Médias Hipotéticas

91

6.2.3 Variância das Médias Hipotéticas

93

6.2.4 Variância de Processo

97

6.2.5 Valor Esperado da Variância de Processo

98

6.2.6 Estimativas de Credibilidade

102

6.2.7 Resumo da Abordagem de Bühlmann

105

6.3 Características do Fator de Credibilidade

106

6.4 Exemplos Adicionais de Estimativas de Bühlmann

106

6.5 Componentes da Variância Total

111

6.6 Aplicações Práticas do Modelo de Bühlmann

112

6.6.1 Abordagem Geral

114

6.6.2 Métodos Ad Hoc

119

6.7 Dois Métodos Equivalentes Para Calcular Z

122

6.8 Comentários Adicionais

126

6.9 Exercícios

128

7. MODELO DE BÜHLMANN-STRAUB

141

7.1 Introdução

141

7.2 Modelo Para Um Segurado com Distribuição de Probabilidade Subjacente Conhecida

141

7.2.1

Elementos Básicos

141

7.3

Modelo Para Dois ou Mais Segurados

148

 

7.3.1 Elementos Básicos

 

148

7.3.2 Exemplos

151

7.3.3 Resumo

161

7.3.4 Desvantagens desta Abordagem

162

 

7.4

Exercícios

 

163

8.

CREDIBILIDADE E INFERÊNCIA BAYESIANA

166

8.1 Introdução

 

166

8.2 Distribuições a Priori Conjugadas

166

 

8.2.1 O Exemplo de Bernoulli

168

8.2.2 O Exemplo de Poisson

170

8.2.3 O Exemplo Normal

 

172

 

8.3 Credibilidade e Distribuições Conjugadas

174

 

8.3.1 O Exemplo de

Bernoulli Revisitado

175

8.3.2 O Exemplo de Poisson Revisitado

178

8.3.3 O Exemplo Normal Revisitado

180

 

8.4 Credibilidade e Famílias Exponenciais

181

 

8.4.1 Famílias Exponenciais

181

8.4.2 Condições Para Igualdade dos Estimadores de Bühlmann e Bayesiano

183

8.4.3 Um Procedimento Alternativo para Obter-se Estimativas de Bühlmann e Bayesianas

184

 

8.5 Resumo dos Resultados Principais do Paradigma Bayesiano

184

 

8.5.1

Parâmetros

184

8.5.3

Estimativas do Prêmio Puro (Valores Esperados)

185

8.5.4 O Exemplo 6.1 Revisitado

186

8.6 Exercícios

188

REFERÊNCIAS

196

LISTA DE TABELAS

LISTA DE TABELAS TABELA 4.1 52 TABELA 4.2 54 TABELA 4.3 56 TABELA 4.4 57 TABELA
LISTA DE TABELAS TABELA 4.1 52 TABELA 4.2 54 TABELA 4.3 56 TABELA 4.4 57 TABELA

TABELA 4.1

52

TABELA 4.2

54

TABELA 4.3

56

TABELA 4.4

57

TABELA 4.5

58

TABELA 4.6

59

TABELA 4.7

60

TABELA 5.1

77

TABELA 6.1

101

TABELA 6.2

103

TABELA 6.3

109

TABELA 7.1

152

TABELA 7.2

157

LISTA DE FIGURAS

LISTA DE FIGURAS FIGURA 1.1 2 FIGURA 1.2 3 FIGURA 2.1 15 FIGURA 2.2a 16 FIGURA
LISTA DE FIGURAS FIGURA 1.1 2 FIGURA 1.2 3 FIGURA 2.1 15 FIGURA 2.2a 16 FIGURA

FIGURA 1.1

2

FIGURA 1.2

3

FIGURA 2.1

15

FIGURA 2.2a

16

FIGURA 2.2b

16

FIGURA 6.1

92

FIGURA 6.2

92

FIGURA 6.3

94

FIGURA 6.4

94

FIGURA 6.5

99

FIGURA 6.6

103

Capítulo 1 – Introdução e História

1

CAPÍTULO 1 INTRODUÇÃO E HISTÓRIA

e História 1 CAPÍTULO 1 INTRODUÇÃO E HISTÓRIA 1.1 INTRODUÇÃO Conforme Rodermund [1989], “o conceito de
e História 1 CAPÍTULO 1 INTRODUÇÃO E HISTÓRIA 1.1 INTRODUÇÃO Conforme Rodermund [1989], “o conceito de

1.1 INTRODUÇÃO

Conforme Rodermund [1989], “o conceito de credibilidade tem sido a mais importante e penosa contribuição dos atuários de eventos “não vida” para a ciência atuarial dos sinistros 1 .

Buscando apresentar um breve histórico da teoria da credibilidade, seria útil começarmos descrevendo os dois principais paradigmas estatísticos e as três maiores abordagens de estudo da credibilidade. Isto facilitará nossa descrição do desenvolvimento histórico.

1.2 PARADIGMAS ESTATÍSTICOS

Credibilidade é um exemplo de estimativa estatística. Estimativas estatísticas são obtidas mediante o uso de fórmulas ou modelos estatísticos que, por sua vez, são baseados em abordagens ou paradigmas estatísticos. Há dois principais paradigmas estatísticos de interesse atual, que são a) o paradigma freqüentista ou clássico, e b) o paradigma Bayesiano.

No paradigma freqüentista, a probabilidade de um evento está baseada na sua freqüência relativa. Toda informação anterior ou colateral é ignorada. Defensores do paradigma freqüentista vêem isto como sendo objetivo, porque toda

Capítulo 1 – Introdução e História

2

atenção é voltada para as observações (dados). Algumas dos constructos principais do paradigma freqüentista são o lema de Neyman-Pearson, os testes de hipóteses estatísticos, os intervalos de confiança, e as estimativas não viesadas.

No paradigma Bayesiano, a probabilidade é tratada como uma medida racional da crença. Assim, o paradigma Bayesiano é baseado em probabilidades subjetivas ou pessoais e envolve o uso do Teorema de Bayes.

Informações a priori e/ou colaterais são incorporadas explicitamente ao modelo através da distribuição a priori e da verossimilhança. Algumas dos fundamentos principais do paradigma de Bayes, adicionalmente ao Teorema de Bayes, são probabilidades condicionais, distribuições a priori, distribuições preditivas e as probabilidades a posteriori.

1.3 O QUE É CREDIBILIDADE?

Suponha que temos duas coleções de dados, como ilustrado na seguinte

figura.

Observações

Observações

 

a priori

   

Atuais

 
 

# #

 

# #

#

#

#

#

 

# #

 

# #

#

#

#

#

 

# #

 

# #

#

#

#

#

 

# #

 

# #

#

#

#

#

Figura 1.1

Capítulo 1 – Introdução e História

3

Uma coleção consiste de observações atuais, obtidas a partir do período de observações mais recente. A segunda coleção contém informações para um ou mais períodos passados. As várias abordagens de credibilidade nos dão diferentes “receitas” para combinar as duas coleções de observações para obter uma estimativa global.

Em

algumas

abordagens

sobre

credibilidade,

o

estimador

de

compromisso, C, é calculado pelo seguinte relacionamento

C = ZR + (1 - Z) H ,

(1.1)

onde R é a média das observações atuais (por exemplo, os dados mais recentes), H é a média a priori (por exemplo, uma estimativa baseada nos dados ou na opinião prévia do atuário), e Z é o fator de credibilidade, que satisfaz à condição 0 £ Z £ 1 . Nessas abordagens, a estimativa de credibilidade do verdadeiro valor é derivada como um compromisso linear entre as observações atuais e a opinião prévia do atuário. Graficamente vemos que o estimador de compromisso, C, está em algum ponto do segmento de reta entre R e H, como mostrado na Figura 1.2 abaixo.

R C H
R
C
H

Figura 1.2

Capítulo 1 – Introdução e História

4

O símbolo Z denota o peso associado ao dado (atual) e (1 – Z) o peso atribuído ao dado anterior. A fórmulação da equação (1.1), que inclui os conceitos de dado a priori, é inerente ao espírito do paradigma Bayesiano. Como num exemplo de seguro, a nova taxa de seguro, C, é obtida de uma média ponderada de uma taxa de seguro antiga, H, e uma taxa de seguro, R, calculada com base somente em observações de um período recente. Uma interpretação alternativa da equação (1.1) é deixar C ser a taxa de seguro para uma particular classe de contratos, deixar R ser a taxa de seguro calculada somente com base na recente experiência daquela classe, e deixar H ser a taxa de seguro em cujo cálculo leva-se em consideração a experiência combinada de todas as classes.

Para ilustrar os tipos de problemas práticos onde se aplica a teoria da credibilidade, apresentamos aqui o enunciado de um problema típico daqueles resolvidos neste texto. Por ainda não havermos desenvolvido o ferramental necessário à resolução do problema, deixaremos sua solução para a Seção 6.6.1 (ver Exemplo 6.5).

Exemplo Ilustrativo

Uma companhia de seguro possui dois grupos de apólices de indenização de acidente de trabalho. O montante agregado de indenizações (em milhões de unidades monetárias) para os primeiros três anos da apólice está sumariado na tabela abaixo. Estime o montante agregado de indenização durante o quarto ano da apólice para cada um dos grupos de apólices.

Capítulo 1 – Introdução e História

5

Quantidades Agregadas de Sinistros

Grupo

de

Apólice

Ano da Apólice

1

2

3

1

5

8

11

2

11

13

12

1.4 TRÊS ABORDAGENS PARA CREDIBILIDADE

Ao longo dos anos tem havido três principais abordagens para a credibilidade: flutuação limitada, máxima precisão, e Bayesiana. As duas primeiras abordagens caem sob o paradigma freqüentista, na medida que nenhuma delas incorpora o uso do teorema de Bayes. Além disso, nenhuma dessas abordagens requer explicitamente informações a priori (uma distribuição de probabilidades formal ) para calcular ou o fator de credibilidade, Z, ou a estimativa, C. A mais bem desenvolvida abordagem para a credibilidade de máxima precisão é a credibilidade de mínimos quadrados. Como esta abordagem foi popularizada por Hans Bühlmann, ela é referida neste texto como a abordagem de Bühlmann.

1.4.1 Abordagem de Flutuação Limitada

Mowbray [1914] descreveu uma abordagem de flutuação limitada derivando o número de exposições requeridas para uma completa credibilidade, o caso em que Z = 1. Perrymen [1932] propôs uma abordagem de flutuação limitada para problemas de credibilidade parcial, aqueles em que Z < 1. Tratamentos mais modernos da abordagem de flutuação limitada para ambas as situações de

Capítulo 1 – Introdução e História

6

credibilidade completa e parcial são encontrados em Longley-Cook [1962] e em Hossack, Pollard e Zehnwirth [1983] 2 . Fora da América do Norte, esta abordagem é algumas vezes denominada “credibilidade americana”.

1.4.2 Abordagem de Bühlmann

A abordagem de Bühlmann, como descrita neste texto, é baseada no trabalho de Bühlmann [1967], que tem sua origem em um texto de Bailey [1942 e 1943]. Bühlmann e Straub [1972] descrevem uma importante generalização do trabalho de Bühlmann de 1967.

1.4.3 A Abordagem Bayesiana

Whitney [1918] declarou que o fator de credibilidade, Z, precisa ser da

forma

Z =

P

P

+

K

,

(1.2)

onde P representa “prêmios ganhos” e K é uma constante a ser determinada. O problema então foi como determinar K. Whitney observou que, “Na prática K deve ser determinado por julgamento.”. Whitney também observou que, “A solução detalhada deste problema depende do uso de probabilidades inversas” através do teorema de Bayes. Talvez, em parte, porque o paradigma frequentista dominou a comunidade estatística durante a primeira metade do século vinte, restou para Bailey [1950] redescobrir e aprimorar as idéias de Whitney. Durante a segunda metade do século vinte, os métodos Bayesianos ganharam crescentes adeptos. Dois dos mais recentes e influentes livros sobre estatística Bayesiana foram de Savage [1954] e Raiffa e Schlaifer [1961]. Mayerson [1964] juntou os desenvolvimentos de estatística Bayesiana e o problema da credibilidade dos atuários não vida,

Capítulo 1 – Introdução e História

7

reexaminando os resultados de Bailey, usando o conceito de uma “distribuição a priori conjugada” e outras notações e terminologias mais modernas. Ericson [1970] e Jewell [1974] generalizaram os resultados de Mayerson. Considerando que Whitney e Bailey tinham considerado somente a distribuição do número de sinistros, Mayerson, Jones e Bowers [1968] e Hewitt [1970] consideraram ambas as distribuições do número de sinistros e dos montantes desses sinistros. Hewitt usou alguns exemplos artificiais e inteligentes para ilustrar o uso de uma abordagem Bayesiana completa para tarifação de seguros. Coube à Klugman [1987 e 1992], que teve a vantagem dos modernos equipamentos computacionais, estender as idéias de Hewitt e aplicá-las verdadeiramente nos principais problemas práticos de tarifação de seguros.

1.4.4 Análise Exploratória dos Dados

Alguns dos seguidores de Tukey [1977] consideram “análise exploratória de dados” como sendo uma outra abordagem distinta para análise de dados. Enquanto não é a intenção aqui entrar nesta discussão filosófica, é freqüentemente importante fazer uma substancial análise exploratória de dados no seu banco de dados antes de construir modelos formais, realizando inferência estatística, ou implementando outros tipos de procedimentos estatísticos mais pertinentes. Há duas razões para proceder desta forma. Primeiro, esta abordagem freqüentemente oferece uma útil visão do processo gerador dos dados. A seleção de um bom modelo depende de um completo conhecimento deste processo. Segundo, a abordagem algumas vezes revela erros importantes no banco de dados sob estudo. Algumas vezes vários erros podem ser corrigidos com um mínimo de esforço, mas outras vezes pode ser caro corrigir os erros. Em casos extremos, o analista pode decidir que o banco de dados está tão corrompido que análises adicionais são infrutíferas. Hansen e Wang [1991] discutem as principais deficiências em uma

Capítulo 1 – Introdução e História

8

ampla variedade de importantes bancos de dados comerciais. Assim, infelizmente, a existência de erros graves é uma ocorrência usual. Adicionalmente ao trabalho pioneiro de Tukey, citado acima, outras, talvez mais refinadas, referências sobre análise exploratória de dados incluem Mosteller e Tukey [1977] e Valleman e Hoaglin [1981].

1.5 APLICAÇÕES RECENTES

Concluiremos este capítulo citando algumas aplicações recentes da teoria da credibilidade a problemas atuariais. Fuhrer [1989] aplicou recentemente alguns modelos do tipo Bühlmann a problemas de seguro de saúde. Jewell [1989 e 1990] mostra como usar procedimentos Bayesianos para calcular requerimentos de reservas incorridas mas ainda não informadas. Russo [1995] amplia o trabalho de Jewell, buscando estimar reservas de seguros, Russo desenvolve modelos de tempo contínuo de processos de registro e de pagamento de indenizações. Fazendo assim, ele emprega tanto o paradigma Bayesiano como um modelo multiestado do processo de sinistros ocorridos.

Klugman [1987] usa uma abordagem Bayesiana completa para analisar dados reais de seguro de acidente de trabalho. Klugman investiga dois problemas. Primeiro, ele calcula a distribuição conjunta a posteriori da freqüência relativa de sinistros em cada um dos 133 grupos de tarifação. Ele emprega três distintas distribuições a priori e mostra que os resultados são virtualmente idênticos em todos os três exemplos. Em segundo lugar, Klugman analisa a proporção de perdas para três anos de experiência em 319 classes de tarifas em Michigan. Ele usa esses dados para construir intervalos de previsão para futuras observações (i.e., para o quarto ano). Então compara suas previsões com os resultados reais.

Capítulo 1 – Introdução e História

9

O paradigma Bayesiano tem sido usado para graduar vários tipos de dados de mortalidade. London [1985], prosseguindo o trabalho pioneiro de Kimeldorf e Jones [1967], oferece uma descrição geral desse método. 3 London também fornece uma lógica Bayesiana para o historicamente popular método de graduação de Whittaker. 4 Uma aplicação específica da graduação Bayesiana é encontrada em Herzog [1983].

3 Ver Capítulo 5.

4 Ver Seção 4.5.

Capítulo 1 – Introdução e História

10

1.6.

EXERCÍCIOS

1.1

Introdução

1-1

De acordo com Rodermund, qual tem sido a mais importante e duradoura contribuição dos atuários não vida para a ciência atuarial?

Resposta: O conceito de Credibilidade.

1.2

Paradigmas Estatísticos

1-2

Cite os dois principais paradigmas estatísticos de interesse na atualidade.

Resposta: Freqüentista (ou Clássico); Bayesiano.

1.3

O que é Credibilidade?

1-3

Usando a Equação 1.1, calcule o estimador de compromisso C, dado que i) a média das observações atuais é 10, ii) a média a priori é 6, e iii) o fator de credibilidade é .25.

Resposta: 7.

1-4

Usando a Equação 1.1, calcule a taxa de seguro, C, para uma particular classe de apólices dado que i) a taxa de seguro calculada estritamente a partir da experiência dos dados daquela classe de apólice é $100, ii) a taxa de seguro para todas as classes combinadas é $200, e iii) o fator de credibilidade para a classe é .40.

Resposta: 160.

1.4

Três Abordagens para Credibilidade

Capítulo 1 – Introdução e História

11

Resposta:

Flutuação

Limitada;

Máxima

Precisão

(ou

de

Bühlmann);

Bayesiana.

Capítulo 2 – Preliminares Matemáticas

12

CAPÍTULO 2

PRELIMINARES MATEMÁTICAS

Matemáticas 12 CAPÍTULO 2 PRELIMINARES MATEMÁTICAS Neste capítulo revisamos alguns conceitos básicos de
Matemáticas 12 CAPÍTULO 2 PRELIMINARES MATEMÁTICAS Neste capítulo revisamos alguns conceitos básicos de

Neste capítulo revisamos alguns conceitos básicos de probabilidade e de Estatística. Na Seção 2.1, primeiro definimos o termo "probabilidade condicional" que forma a base do Teorema de Bayes. O Teorema de Bayes, por sua vez, é o fundamento do paradigma Bayesiano, uma útil ferramenta para resolver uma grande variedade de problemas práticos. Depois do enunciado e da demonstração do teorema de Bayes, apresentamos o Teorema de Probabilidade Total que é freqüentemente útil em aplicações do Teorema de Bayes. Na Seção 2.2 consideramos alguns exemplos do uso de Teorema de Bayes. O primeiro exemplo está baseado no exemplo de tiro-ao-alvo de Philbrick [1981]; o segundo é obtido de Hewitt [1970]. As probabilidades a priori e a posteriori são definidas na Seção 2.3, e os conceitos de expectativa condicional e incondicional são revisados nas Seções 2.4 e 2.5, respectivamente. O exemplo de Hewitt é usado para ilustrar os resultados das Seções 2.4 e 2.5.

Os Exercícios 2-8, 2-9, 2-14, e 2-15 tratam da estimação do número de reivindicações futuras de seguro, um componente chave das obrigações com perdas futuras de um segurador. (A provisão para tal obrigação é chamada a reserva de perda, e o processo de estimar a obrigação é chamado provisionamento de perda ou desvendamento de perda.) Estes quatro exercícios estão baseado em material discutido por Brosius [1993].

Capítulo 2 – Preliminares Matemáticas

13

2.1 TEOREMA DE BAYES

Definição 2.1

B

probabilidade condicional de A dado B é definida como sendo

Suponha que

A

e

representam eventos e que P[B]>0.

[

P A

B

]

=

P

[

A

e

B

]

P

[

B

]

.

Então

a

(2.1)

O resultado seguinte recebe o nome do Reverendo Thomas Bayes, que viveu durante o século dezoito.

Teorema 2.1 (Teorema de Bayes)

Sejam A e B eventos e que P[B]>0. Então

P

[

A B

]

Demonstração

=

P B [ A ] P [ A ] . P B [ ]
P B
[
A
]
P
[
A
]
.
P B
[
]

(2.2)

Por aplicação repetida da definição de probabilidade condicional, temos

de forma que

P

[

A

e

P

B

]

P

[

[

P

[

A

e

B

]

B

=

A

A

[

]

=

P

[

A

]

,

]

[

P A

]

P B A

. Então

B

]

=

P [ A e B ] P B [ A ] P [ A ]
P
[
A
e B
]
P B
[
A
]
P
[
A
]
=
.
P
[ B
]
P B
[
]

Capítulo 2 – Preliminares Matemáticas

14

Dado que o valor de P[B] não depende de A, podemos considerar P[A|B] como sendo o produto de uma constante, c, pelas duas funções de A,

P

[

A

B

]

=

c

P B

[

A

]

P

[

A

]

.

(2.2a)

Alternativamente podemos considerar P[A|B] como sendo proporcional ao produto das duas funções de A, escrevendo

P

[

A

B

]

µ

P B

[

A

]

P

[

A

]

,

(2.2b)

uma construção freqüentemente empregada nas aplicações que aparecem adiante neste texto.

O próximo teorema é freqüentemente útil na aplicação do Teorema de

Bayes.

Teorema 2.2 (Teorema de Probabilidade Total)

Se A l , A 2 ,

representam uma coleção enumerável de eventos mutuamente

exclusivos e exaustivos, de forma que

A

i

I

A

j

= 0 para

i

j

e

U

i = 1

A i

= W

,

onde W representa o inteiro espaço amostral. Então

P B

[

]

=

Â

i = 1

[

P B A

i

]

P

[

A

i

]

.

(2.3)

Capítulo 2 – Preliminares Matemáticas

15

Demonstração

Temos

[

P B

]

=

[

P B e W

]

= P

= P

È

Í

Î

È

Í

Î

B

U

i = 1

e

(

U

i = 1

B

e

A

i

A

i

˘

˙

˚

)

˘

˙

˚

=

=

Â

i

1

=

Â

i = 1

[

P B

e

[

P B A

i

A

]

i

]

P

[

A

i

]

.

O Teorema de Probabilidade Total é extensamente usado neste texto. Sua primeira aplicação é encontrada no Exemplo 2.2.

2.2 EXEMPLOS DO USO DE TEOREMA DE BAYES

Consoante a notação do Capítulo 1, a abordagem Bayesiana não produz necessariamente uma estimativa linear do verdadeiro valor. De fato, a estimativa Bayesiana, B, nem mesmo tem que estar no segmento de linha que une R e H, como mostrado na figura seguinte.

R B H
R
B
H

Figura 2.1

Isto é ilustrado no exemplo seguinte.

Capítulo 2 – Preliminares Matemáticas

16

Exemplo 2.1

Considere

uma

forma

abreviada

do

exemplo

de

“tiro-ao-alvo"

de

Philbrick [1981], onde um de dois atiradores, X ou Y, é escolhido ao acaso (i. e.,

com probabilidade

uniformemente distribuídos

2 1 ). Os tiros de cada atirador são

sobre dois alvos circulares não sobrepostos, ilustrados na Figura 2.2a.

X l
X
l

G

l

Y l
Y l

Figura 2.2a

A média das ocorrências sobre os dois alvos é G, o ponto médio entre os centros dos dois círculos. (Na terminologia da Física, G é conhecido como o centro de gravidade.) Um único tiro é disparado e resulta atingir o ponto S no alvo X, como mostrado na Figura 2.2b. Qual é a estimativa Bayesiana do próximo tiro?

X l S l
X
l
S l

G

l

Y l
Y l

Figura 2.2b

Capítulo 2 – Preliminares Matemáticas

17

Solução

A resposta é o centro do alvo X. O motivo 1 é que o atirador selecionado

deve ser o atirador X. Desde que a estimativa a priori é o ponto G, ponto médio entre os centros dos dois alvos, a estimativa Bayesiana pontual da localização do segundo tiro não está sobre o segmento de reta que vai de G até S, do primeiro tiro.

O exemplo seguinte do uso de Teorema de

importante trabalho de Hewitt [1970].

Bayes foi reproduzido do

Exemplo 2.2

Um dado é selecionado ao acaso (i.e., com probabilidade

2 1 ) a partir de

um par de "dados honestos". Sabe-se que um dos dados, a 1 , tem uma face marcada e cinco faces não marcadas e que o outro dado, a 2 , tem três faces marcadas e três faces não marcadas. Seja A a variável aleatória que representa a seleção do dado. Seja u a saída se um lance do dado selecionado produz uma face não marcada, e seja m a saída se o resultado é uma face marcada. Então

A 1 denota o evento A = a 1 , a seleção do dado com uma face marcada e cinco faces não marcadas, e

A 2 denota o evento A = a 2 , a seleção do dado com três faces marcadas e três faces não marcadas.

1 Ainda que a "razão" seja provavelmente intuitiva e portanto confortável, não está completa. Para fazer o raciocínio completo, devemos empregar uma "função de perda” (veja Capítulo 3). Em particular, se uma função de perda de erro quadrado é escolhida, então o centro é a "melhor" estimativa porque minimiza a soma dos quadrados dos desvios. O leitor pode desejar voltar a este exemplo após a leitura do Capítulo 3.

Capítulo 2 – Preliminares Matemáticas

18

Seja T i

a variável aleatória que representa o resultado do i-ésimo lance

do dado selecionado, para i = 1, 2,

Então

U i denota o evento T i = u, o resultado de ter uma face não marcada

mostrada no i-ésimo lance, para i = 1, 2,

, e

M i denota o evento T i = m, o resultado de ter uma face marcada mostrada no i-ésimo lance para i = 1, 2,

Note que A e T i representam variáveis aleatórias, onde A 1 , A 2 , U i , e M i são eventos. Ao chamarmos cada dado de "honesto", queremos dizer simplesmente

que

e

P

P

[

[

U

U

i

i

A

A

1

2

]

]

=

=

5

6

3

6

(2.4a)

(2.5b)

Calcule o valor de P[A 1 |U 1 ], a probabilidade de que o dado com uma só face marcada foi tirado, posto que um dado foi selecionado ao acaso, lançado uma vez, e o resultado foi uma face não marcada.

Solução

Pelo Teorema de Bayes, temos

P

[

A U

1

1

]

=

P

[

]

A

1

e U 1

[

P U

1

]

=

[

P U

1

A

1

]

P

[

A

1

]

1

[

]

P U

.

Capítulo 2 – Preliminares Matemáticas

19

Da Equação (2.4a), temos que P[U 1 |A l ] =

6 5 . Porque cada dado

escolhido com probabilidade

1

2 ,

temos que

P[A 1 ]

1

= 2

.

O valor de

P[U 1 ]

é

é

computado usando o Teorema de Probabilidade Total como

[

P U

1

]

[

]

[

]

]

A

=

P

A

[

5 ˆ

= P U

= Á Ê

Ë

1

˜ Á Ê

6 ¯

1

U

e

A

1

1 ˆ Ë 2 ¯

+

P

1

]

P

[

A

3

1

˜ + Á Ê

A

2

e

+

1 ˆ Ë 2 ¯ ˜ =

[

U

1

P U

1

2

3

.

ˆ

Ë 6 ˜ ¯ Á Ê

2

]

P

[

A

2

]

Substituindo na equação do Teorema de Bayes, obtemos o resultado

[

P A U

1

1

]

=

Á Ê Ë

5

6

ˆ

˜ Á Ê

Ë

¯

1

ˆ

˜

¯

2 5

=

2

8

3

2.3 PROBABILIDADES A PRIORI

E

.

A POSTERIORI

¯ 2 5 = 2 8 3 2.3 PROBABILIDADES A PRIORI E . A POSTERIORI 1

1 era nossa probabilidade inicial ou a
2

priori (estimativa) do evento A l . A palavra "a priori" se relaciona ao fato de que

esta probabilidade foi avaliada antes da experiência de lançar o dado ter sido executada. Depois de observar o resultado de o primeiro lance ser uma face não

marcada, revisamos nossa estimativa da probabilidade de A l para

No exemplo 2.2, supusemos que

5

8 .

Simbolicamente, temos

[

P A U

1

1

]

=

5

8

.

Assim, nossa probabilidade

final

ou

a

posteriori (estimativa) de A l dado U l é 5 . Esta modificação de nossa estimativa de

8

probabilidade a priori baseada em dados recentemente observados é a essência da

Capítulo 2 – Preliminares Matemáticas

20

estatística Bayesiana 2 . Tais modificações são frequentemente requeridas para resolver problemas atuariais práticos como o cálculo de taxas de prêmios de seguro.

Em termos da distribuição de probabilidade do parâmetro A, nosso

cálculo inicial era

[

P A = a

1

]

=

1

2 e

P

[

A = a

2

]

=

1

2 . Depois de observar o resultado de o

primeiro lance ser uma face sem marca, revisamos nossa avaliação da distribuição

de probabilidade do parâmetro A para

[

P A

=

a

1

T

1

=

u

] =

5

8 e

P

[ A

=

a

2

T

1

=

u

] =

3

8

. Em

geral, a distribuição inteira das probabilidades anteriores de um parâmetro é chamada sua distribuição de probabilidade a priori, e a distribuição inteira de probabilidades a posteriori é chamada sua distribuição de probabilidade a posteriori. As funções de probabilidade a priori e a posteriori são definidas de forma semelhante.

2.4 ESPERANÇA CONDICIONAL

Passamos agora para um conceito que é muito útil no cálculo de taxas de prêmios de seguro.

Definição 2.2

uma variável aleatória discreta tal que x l ,x 2

valores que X assume e com probabilidades positivas. Então, a esperança de X, denotada por E[X], é dada por

Seja X

são os únicos

E

[

X

]

=

 x

i = 1

i

P[X

=

x

i

]

.

(2.5)

2 Edwards, Lindman e Savage (1963) resumem a visão Bayesiana de Estatística como segue: “Probabilidade é opinião ordenada, e a inferência a partir dos dados nada mais é que a revisão de tal opinião sob a luz de uma nova informação relevante.”

Capítulo 2 – Preliminares Matemáticas

21

Definição 2.3

Usando a anotação da definição 2.2, definimos a esperança condicional de X dado que o evento A l aconteceu, representada por E[X | A l ], como

Exemplo 2.3

[

E X

A

1

]

=

Â

i = 1

x

i

P

[

X

=

x

i

A

1

]

.

Para ilustrar o conceito de esperança condicional, exemplo seguinte, também baseado em Hewitt [1970].

Uma roleta é selecionada ao acaso (com probabilidade

(2.6)

consideramos o

2 1 ) a partir de um

par de roletas. Sabe-se que (a) uma roleta, b 1 , tem seis setores igualmente

prováveis, cinco deles marcados com "dois" e um deles marcado com "quatorze" e (b) uma outra roleta, b 2 , tem seis setores igualmente prováveis, três deles marcados com "dois" e três deles marcados com "quatorze". Seja B uma variável aleatória que representa a seleção de uma roleta. Façamos também

B 1 representar o evento B = b l , a seleção da roleta com cinco "dois” e um

“quatorze", e

B 2 representar o evento B=b 2 , a seleção da roleta com três "dois" e três “quatorze”.

Seja S i a variável aleatória que representa o resultado do

i-ésimo

lançamento de uma roleta, para i = 1, 2,

esperança condicional do valor de um único lançamento, dado que a roleta com apenas um "quatorze" foi selecionada, e (b) o valor de E[S 1 |B 2 ] .

Calcule (a) o valor de E[S 1 |B l ], a

Capítulo 2 – Preliminares Matemáticas

22

Solução

(a)

(b)

Pela definição de esperança condicional (definição 2.3) temos

E

[

S

1

B

1

]

= 2

=

2

[

P S

Á Ê

Ë

5

6

ˆ

˜

¯

1

+

=

2

14

]

1

B 1

+

14

Á Ê

Ë

ˆ

˜ =

¯

6

4

.

[

P S

1

=

14

B

1

]

De uma forma semelhante podemos encontrar

E

[

S

1

B

2

]

=

2

Ê

Ë Á

3

6

ˆ ˜ Á Ê

Ë

¯ +

14

3

ˆ

˜ =

¯

6

8

.

2 Ê Ë Á 3 6 ˆ ˜ Á Ê Ë ¯ + 14 3 ˆ

O exemplo seguinte ilustra agora o uso do Teorema de Bayes.

Exemplo 2.4

Calcule o valor de P[B 1 |S 1 =2].

Solução

Como no exemplo 2.2, a partir do Teorema de Bayes, temos

onde

[

P S

1

=

2

B

1

]

=

5

6

P

[

B

1

e

P

P S

[

1

[

S

[

P S

1

]

[

]

]

=

[

2 B

1

P B

]

1

= 2

=

1 P S

1

= 2

,

B 1

]

=

2

]

=

2 1 , e, a partir do Teorema 2.2, encontramos

=

= Á Ê

Ë

[

P S

1

5

6

ˆ

˜ Á Ê

Ë

¯

=

1

2

]

2

[

ˆ

˜ Á Ê

¯

Ë

]

[

P S

2

1

ˆ

˜ .

¯

3

2

ˆ

˜ + Á Ê

Ë

¯

B P B

1

1

1

1

2

+

ˆ

˜ = Á Ê

Ë

¯

=

2

]

[

B P B

2

2

]

Capítulo 2 – Preliminares Matemáticas

23

Então podemos calcular

P

[ B

1

S

1

=

2

]

=

Ê

Á

Ë

5

6

ˆ

˜ Á Ê

Ë

¯

1

2

ˆ

˜

¯

5

=

2

8

3

.

Ê Á Ë 5 6 ˆ ˜ Á Ê Ë ¯ 1 2 ˆ ˜ ¯

(O leitor é estimulado a calcular as demais probabilidades.)

2.5 EXPECTATIVA INCONDICIONAL

O teorema seguinte é útil no cálculo da estimativa de prêmios puros, como será mostrado no Capítulo 4.

Teorema 2.3

Seja A l ,A 2 ,

uma coleção enumerável de eventos mutuamente

exclusivos e coletivamente exaustivos, e seja X uma variável aleatória discreta para qual existe E[X]. Então

Demonstração

E

[

X

]

= Â

i = 1

E

[

X

A

i

]

P

[

A

i

]

.

(2.7)

Porque X é uma variável aleatória discreta, temos que, com base na Definição 2.2

E

[

X

]

=

Â

j = 1

x

j

P

[

X

=

x

j

]

.

(2.5)

Pelo Teorema de Probabilidade Total temos

P [

X

=

x

j

]

=

 P

i = 1

[ X

=

x

j

A i

]

P

[

A

i

]

.

Capítulo 2 – Preliminares Matemáticas

24

Podemos então reescrever a Equação (2.5) como

E

[

X

]

=

Â

j

x

j

Â

= 1

i

1

=

P

[ X

=

x

j

A i

]

P

[

A

i

]

.

Permutando a ordem dos somatórios, obtemos

E

[ X

]

• •

= ÂÂ

i = 1

1

j =

x

j

Â

[

P A

]

=

i

i

= 1

P

Â

[ X

x

j

=

x

j

P

[

A i

X

]

P

=

x

j

[

A

A

i

i

]

]

.

Pela definição de esperança condicional (Definição 2.3), o segundo somatório é E[X | A i ]; assim, a última expressão pode ser escrita como

Exemplo 2.5

E

[

X

]

=

 P

i = 1

[

A

i

]

E

[

X

A

i

]

.

Calcule o valor esperado da variável aleatória S 1 , definida no exemplo

2.3.

Solução

Usando o Teorema 2.3 e os resultados do Exemplo 2.3, obtemos

E [

S

1

]

=

2 [

= 1

 P B

i

i ]

[

E S

1

B

i

]

=

Á Ê Ê

Ë

Ë

Á

ˆ

1

˜

(

4

)

+

2

¯

1

2

ˆ

˜

¯

(

8

)

=

6.

Ê Ê Ë Ë Á ˆ 1 ˜ ( 4 ) + 2 ¯ 1 2

Algumas aplicações mais sofisticadas e úteis do Teorema 2.3 serão discutidas no Capítulo 4.

Capítulo 2 – Preliminares Matemáticas

25

Teorema 2.4

Sejam X e Y variáveis aleatórias discretas e g(Y) uma função de Y para a qual E[g(Y)] existe. Então, podemos escrever

E [

(

g Y

)]

=

E

Y

[

(

g Y

)]

=

E

X

[ E

Y

[

(

g Y

)

X ] ],

(2.8)

onde E X representa a esperança do espaço amostral de X.

Demonstração

Por definição de E y , temos

E[g(Y)] E [g(Y)].

=

Y

Desde que Y é uma variável aleatória discreta, então

[

(

E g Y

)]

=

=

Â

i = 1

g (

= Â

j = 1

P

=

 P

j = 1

[

[

y

i )

X

X

Â

i = 1

g

(

y

i

)

Â

1

j =

=

x

j

=

x

j

[

P Y

]

]

Â

1

i =

E

Y

[

P Y

=

y

i

g

(

y

i

[

(

g Y

=

y

i

]

X

=

x

)

[

P Y

j

]

=

)

X

=

x

j

[

P X

y

]

.

i

X

=

x

j

=

x

j

]

]

A expressão final acima é a esperança, com respeito a X, da esperança condicional, com respeito a Y, da variável aleatória g(Y), dado que X = X j . Assim pode ser reescrita como

[

(

E g Y

)]

=

E

X

[

E

Y

[

(

g Y

)

X

]

].

Capítulo 2 – Preliminares Matemáticas

26

Exemplo 2.6

Use o resultado do Teorema 2.4 para calcular E[S 1 2 ], a esperança dos resultados ao quadrado, obtidos com um lançamento.

Solução

Relembremos que B é a variável aleatória que representa o resultado de selecionar ou a roleta b l ou a roleta b 2 com igual probabilidade. Então, temos

E S

[

2

1

]

E

1

[

E

=

B

S

E

=

2

1

S

1

(

È

Í

Î

2

36

2

1

=

2

(

=

1

[

S

2

1

[

S

2

1

B

B

]

]

=

b

2

)

Ê Á 5 ˆ ˜ + Ë 6 ¯

1

(

]

+

1

2

E

S

1

14

2

)

1

Ê

Á

Ë 6 ¯

˙

˚

ˆ ˘

˜

)

+

1

2

(100)

=

68.

[

S

+

2

1

B

1

2

È

Í

Î

=

b

(

2

2

2

)

]

Ê Á 1 ˆ ˜ + Ë 2 ¯

(

14

2

)

Ê 1 ˆ ˘

Á

Ë 2 ¯

˚

˜

˙

) = 68. [ S + 2 1 B 1 2 È Í Î = b

Capítulo 2 – Preliminares Matemáticas

27

2.6

EXERCÍCIOS

2.1

Teorema de Bayes

2.2. Exemplos do Uso do Teorema de Bayes

2-l

Qual é

P

[

A

2

Resposta:

U

3

1

8 .

]

?

2-2 Sejam as condições descritas no Exemplo 2.2. Como antes, selecionamos um dado ao acaso, mas agora lançamo-lo duas vezes em lugar de apenas uma vez. Qual é a probabilidade de que o dado com uma só face marcada ter sido selecionado, se ambos os lances resultam em faces sem marca? (Em termos

2-3

2-4

simbólicos, isto é dado por

Resposta: 25 .

34

P

[

A U

1

1

and

Admita-se

P

[

A

1

]

=

5

8

and

as

P

[

A

2

mesmas

condições

]

=

3

8

. Qual é

P

[

A U

1

2

]

Resposta: 25 .

34

U

2

]

. )

do

Exemplo

neste caso?

2.2,

exceto

que

Uma caixa contém 4 bolas vermelhas e 6 bolas brancas. Uma amostra de tamanho 3 é tirada, sem reposição, da caixa. Qual é a probabilidade de obter- se 1 bola vermelha e 2 bolas brancas, dado que pelo menos 2 das bolas na amostra são brancas?

Capítulo 2 – Preliminares Matemáticas

28

2-5

2-6

Os

independentemente com probabilidade 0,05. Uma amostra aleatória de 100

itens é tomada. Qual é a probabilidade de que o primeiro item retirado não é

defeituoso, dado que pelo menos 99 dos itens selecionados não estão

defeituosos?

itens

defeituosos em uma linha de montagem acontecem

Resposta: 5 90 .

,

5 95

,

A caixa I contém 3 mármores vermelhos e 2 mármores azuis. A caixa II

contém 3 mármores vermelhos e 7 mármores azuis. A probabilidade de se

selecionar a caixa I é de 2

e a caixa II é selecionada com probabilidade

1

3 .

3

Uma caixa é selecionada ao acaso e um mármore vermelho retirado da caixa

selecionada. Qual é a probabilidade de que a caixa I ter sido selecionada?

2-7

Resposta: 0,80.

Uma população segurada de motoristas consiste em 1.500 motoristas jovens e

8.500 motoristas adultos. A distribuição de probabilidade do número de

sinistros relativos aos indivíduos segurados durante um único ano da apólice é

a seguinte:

Número de

Probabilidade para

Sinistros

Jovens

Adultos

0

0,50

0,80

1

0,30

0,15

2

0,15

0,05