Semana #2 Aula #1

Fredy Castellares
Departamento de Estatística, Universidade Federal de Minas Gerais

1 Modelo de risco individual

A teoria do risco é uma parte da matemática atuarial que estuda modelos de ruína e modelos de reclama-
ções agregadas que geram pagamentos de benefícios associados a sinistros. Estes modelos são denomi-
nados modelos de perda (Loss Models). Basicamente no decorrer da disciplina estudaremos os modelos
de perda, prêmios e princípios para prêmios e a teoria da ruína.

1.1 Definições
Seja (Ω, B, Pr) um espaço de probabilidade.
Definição 1. Seja T uma variável aleatória definida sobre (Ω, B, Pr). A função T : Ω → R+ definida
sobre (Ω, B, Pr) em R+ := [0, ∞) por

T (ω) = t, ω ∈ Ω,

é chamada variável aleatória se a imagem inversa de cada intervalo

I = {t : t ≤ x, x ∈ R}

pertence à sigma álgebra B, isto é,

T −1 (I) = {ω ∈ Ω : T (ω) ≤ x} ∈ B ∀ x, ∈ R.

é satisfeito.
Definição 2. A função F (·) definida por

F (x) = Pr(ω : T (ω) ≤ x), ∀ x ∈ R.

é chamada função de distribuição da variável aleatória T .

Teorema 1. A função F (·) de uma variável é uma função de distribuição de alguma variável aleatória
se somente se satisfaz as seguintes condições
1. F é não decrescente

1
 2. F e contínua pela direita

3. F (−∞) = 0 e F (+∞) = 1

Definição 3. A variável aleatória T é dita absolutamente contínua se existir uma função não negativa
f (·) tal que para cada x ∈ R temos
Z x
F (x) = f (u) du, x ∈ R,
−∞

onde F é a função de distribuição de T . A função f (·) é chamada função densidade de probabilidade da

variável aleatória T .
Claramente cumpre-se
Z x
F (+∞) = lim f (u) du,
x→+∞ −∞
Z ∞
= f (u) du = 1.
−∞

Se f é contínua em x, então
dF (x)
= f (x), x ∈ R.
dx
R∞
Teorema 2. Se f (·) é uma função não negativa, integrável e satisfazendo −∞
f (u) du = 1. Então, f (·)
é a densidade de probabilidade de alguma variável aleatória contínua T .

Exercício 1. Seja a função densidade de probabilidade


 x se 0 < x ≤ 1
f (x) = 2 − x se 1 < x ≤ 2
0 se c.c


Encontrar a função de distribuição.

Exercício 2. Seja a função F (·)



0 se x < 0
1/2 se x = 0

F (x) = x+1
se 0 < x < 1
 2


1 se x ≥ 1

Verificar:

1. Se é uma função de distribuição

2. Que tipo de função de distribuição é?

2
 3. Encontrar a densidade se existir

Definição 4. Para modelos de perda usaremos variáveis aleatórias T tais que

Pr(T ≥ 0) = 1.

Isto é, os valores da variável aleatória são não negativos. Ou seja, trabalharemos somente no conjunto
R+ := [0, ∞).

Teorema 3. Se T é uma variável aleatória absolutamente contínua e a ∈ R+ . Então,

Pr(T = a) = 0, ∀ a ∈ R+ .

Definição 5. Para modelos atuariais usaremos a função de sobrevivência. Definimos a função de sobre-
vivência da variável aleatória T como

S(x) := Pr(T > x), x ≥ 0.

Podemos ver que cumpre-se;

S(x) = 1 − F (x), x ≥ 0.
e
dS(x)
f (x) = − , x ≥ 0. (1)
dx
Teorema 4. Seja T uma variável aleatória contínua

• O valor médio de T é dado por

Z ∞
E[T ] = S(x) dx. (2)
0

• A variância de T é dada por

Z ∞
V ar[T ] = 2 x S(x) dx − (E[T ])2 (3)
0

• O n−ésimo momento de T é dado por

Z ∞
n
E[T ] = n xn−1 S(x) dx (4)
0

Demonstração. Vamos provar a média. Usando a definição

Z ∞
E[T ] = xf (x) dx
0

3
Usando a derivada da sobrevivência
Z ∞ Z ∞
E[T ] = xf (x) dx = − x d(S(x))
0 0

Usando a integração por partes temos

u = x ⇒ du = dx, d(S(x)) = dv ⇒ v = S(x)

Z ∞ ∞ Z ∞ Z ∞

E[T ] = − x d(S(x)) = −x S(x) +
 S(x) dx = S(x) dx
0 0 0 0

O resultado segue porque S(+∞) = 0 e assumimos que limx→∞ xS(x) = 0.

Exercício 3. Provar a fórmula para a variância e os momentos de T .

Exemplo 1. Seja T uma v.a com distribuição exponencial de parâmetro θ > 0. Calcular o valor médio
de T .
Solução. Seja T uma v.a exponencial, então a função densidade de probabilidade e a função de sobrevi-
vência são
S(x) = e−θx , f (x) = θ e−θx , x ≥ 0.
Usando a equação (2) temos
Z ∞ Z ∞
1
E[T ] = S(x) dx = e−θx = .
0 0 θ
Vemos que o valor médio da perda é constante e igual à inversa do parâmetro da exponencial. Se quere-
mos que o modelo tenha uma perda média de 100 podemos encontrar o valor do parâmetro para que isto
seja verdade.
1
E[T ] = = 100 ⇔ θ = 0.01.
θ
Exemplo 2. Seja T uma v.a com distribuição uniforme (distribuição de De Moivre) no intervalo [0, ω]
com ω > 0. Calcular o valor médio de T .
Solução. Seja T uma v.a uniforme, então a função densidade de probabilidade e a função de sobrevivên-
cia são  x 1
S(x) = 1 − I(0 ≤ x ≤ ω), f (x) = I(0 ≤ x ≤ ω)
ω ω
Usando a equação (2) temos Z ω
x ω
E[T ] = 1− dx =
0 ω 2
Então, se o valor médio é 100 temos
ω
E[T ] = = 100 ⇔ ω = 200.
2
A valor máximo de perda dessa variável será de ω = 200.

4
Definição 6. Uma variável aleatória X definida sobre o espaço de probabilidade (Ω, B, Pr) é dita dis-
creta se existir um conjunto enumerável E ⊆ R tal que Pr(X ∈ E) = 1. Os pontos de E que tem masa
positiva são chamados pontos de salto ou pontos de crescimento da função de distribuição de X e as
probabilidades destes pontos são o tamanho do salto da função de distribuição em cada ponto. Se X
toma os valores xi , para i ∈ N com probabilidade pi . Temos

Pr(ω : X(ω) = xi ) = pi , i = 0, 1, 2, · · · , pi ≥ 0 ∀i. (5)

Então,
∞
X ∞
X
Pr(X(ω) = xi ) = pi = 1
i=0 i=0

Definição
P∞ 7. A coleção de números {pi } satisfazendo Pr(X = xi ) = pi ≥ 0, para todo i ∈ N tal que
p
i=0 i = 1 é denominada função masa de probabilidade da variável aleatória discreta X. A função de
distribuição F de X é dada por
X
F (x) = Pr(X(ω) ≤ x) = pi . (6)
xi ≤x

Se IA denota a função indicadora do conjunto A, podemos escrever X como a soma

∞
X
X(ω) = xi I[X=xi ] (ω) (7)
i=0

Definimos a função escada I(·) para qualquer a ∈ R por


1 se x ≥ a
I(x − a) =
0 se x < a,

Então temos, para todo x ∈ R

∞
X
F (x) = pi I(x − xi ) (8)
i=0

Observção 1. Observe da definição

∞
X
X(ω) = xi I[X=xi ] (ω)
i=0

Se X(ω) = x0 temos que I[X=x0 ] (ω) = 1 e I[X6=x0 ] (ω) = 0. Por tanto,

X(ω) = x0 I[X=x0 ] (ω) + x1 I[X=x1 ] (ω) + x2 I[X=x2 ] (ω) + · · · = x0 .

5
Exemplo 3. Se X é uma v.a degenerada com valor a, isto é, Pr(X = a) = 1, Encontrar a função de
distribuição de X.
Solução. Como a v.a X tem somente o valor a, então a função de distribuição tem um salto no ponto
a e o tamanho do salto é igual à probabilidade de Pr(X = a) = 1. Logo a função de distribuição é a
função escada com o salto no ponto a, logo

1 se x ≥ a
F (x) = I(x − a) =
0 se x < a,
Exercício 4. Seja X uma variável aleatória Bernoulli com parâmetro p, 0 < p < 1, tal que
Pr(X = 1) = p = 1 − Pr(X = 0)
Encontre
1. A função de distribuição de X
2. Represente esta função de distribuição como uma soma de funções escada.
Definição 8. Para modelos de contagem usaremos variáveis aleatórias discretas X tais que
Pr(X ≥ 0) = 1.
Isto é, os valores da variável aleatória são não negativos. Ou seja, trabalharemos somente no conjunto
numerável {xi , i ∈ N}, onde xi ≥ 0 para todo i.
Definição 9. Seja X uma variável aleatória discreta. Se todas as séries convergem absolutamente, então
definimos:
• O valor médio de X é dado por
∞
X
E[X] = xi p i . (9)
i=0

• A variância de X é dada por

∞
X
V ar[X] = x2i pi − (E[X])2 (10)
i=0

• O n−ésimo momento de X é dado por

∞
X
n
E[X ] = xni pi (11)
i=0

Exercício 5. Calcular a média e variância de

1. X com distribuição geométrica
2. X com distribuição binomial negativa
3. X com distribuição de Poisson
Exercício 6. Fazer os exercícios do livro de Dickson Capítulo 1. Do número 1 até o número 8.

6
Referências
Bowers, N., Gerber, H., Hickman, J., Jones, D., Nesbitt, C. (1997). Actuarial Mathematics, 2nd ed. The
Society of Actuaries.

Dickson. Insurance Risk and Ruin, Second Edition. Cambridge University Press, 2017.

Gerber, H. An Introduction to Mathematical Risk Theory. S.S. Huebner Fundation, University of Pennsyl-
vania, Philadelphia, 1979.

R Core Team (2019). R: A Language and Environment for Statistical Computing, R Foundation for Sta-
tistical Computing, Vienna, Austria.

Rotar, V. Actuarial Models: The Mathematics of Insurance. Second Edition, Chapman and Hall, 2015.

7
Figura 1: Eventos em Ω e eventos em R.

8
Figura 2: Densidade e sobrevivência de T . Caso contínuo.

9
Figura 3: Função de distribuição X. Caso discreto.

10