Tarifacao Por Experiencia

Conceito de Credibilidade
Tarifação por Experiência e GLM
Tarifação de Seguros
Tarifação por Experiência
William Moreira Lima Neto
21 de fevereiro de 2018
William Moreira Lima Neto Tarifação de Seguros

Table of contents
1 Conceito de Credibilidade
Introdução
Formulação Mátemática do Problema de Tarifar Risco
2 Tarifação por Experiência e GLM

Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Notação
Considere uma companhia de seguros com uma carteira com

i = 1, 2, · · · , I apólices. Num perı́odo bem definido, o risco i
produz:
um número de sinistro Ni
(ν)
com severidades Yi (ν = 1, 2, · · · , Ni )
PNi (ν)
com o total agregado dado pelo montante Xi = ν=1 Yi
Temos que o prêmio de risco (ou prêmio de risco puro) é dado por
Pi = E[Xi ].

Classes de Riscos Homogêneos
Não existe classes de riscos homogêneos em seguro.

Muitas não são objetivamente quantificáveis: temperamento
de um motorista.
Dificuldade de registro e checagem: total de quilômetros
percorridos por um motorista; consumo de bebidas alcóolicas.
Politicamente delicado: nacionalidade, lingua materna.
Extensivo trabalho administrativo.
Tornaria a estrutura de tarifação bastante complexa, levando
a uma estimação imprecisa do prêmio devido à informação
estatı́stica limitada.

Carteira Seguro Saúde em Grupo (9 contratos): sinistralidade

média últimos 5 anos.
Contratos:
1 a 3: 50%
4 a 6: 75%
7 a 9: 100%.
Dados: volume de prêmio (2 (V), 20 (A), 200 (V) UM), valor
de sinistros e prêmio bruto.

Duas Alternativas a Considerar:

1 Variação da sinistralidade é aleatória: não existe risco melhor
ou pior.
A melhor previsãoo da sinistralidade de um contrato é a média
das sinistralidades de todos contratos (75%).
2 Variação da sinistralidades não é aleatória (sistemática).
Os prêmios dos 3 primeiros contratos deveriam diminuir de
1/3,
Os prêmios dos 3 últimos deveriam aumentar 1/3.
A melhor alternativa provavelmente está entre os dois extremos.


Considere o seguinte exemplo:
Figura: Sinistralidade média de uma carteira fictı́cia de nove contratos.


Em uma análise mais refinada, considere as sinistralidades anuais
pelas pelos três contratos.
Figura: Sinistralidade média anual dos contratos pequenos.
Elevada aleatoriedade.
Uso da média amostral está comprometida.
Figura: Sinistralidade média anual dos contratos médios.
Aleatoriedade ainda elevada.

Diferenças entre as médias observadas são simplesmente
futuações aleatórias?
Figura: Sinistralidade média anual dos contratos grandes.
Aleatoriedade relativamente baixa.

Parece haver uma diferença significativa entre os três
contratos.
Figura: Sinistralidade média anual dos três primeiros.
Contratos 1, 2 e 3 possuem sinistralidade média individuais

iguais (50 %).
Qual deveria ser a sinistralidadeTarifação
William Moreira Lima Neto
paradefins de revisão tarifária?
Seguros
Teoria da Credibilidade
Arcabouço estatı́stico para suprir as necessidades mencionadas
anteriormente, tais como:
Descrever coletivos heterogêneos.
Responder a questão de como combinar as experiências de
sinistros coletivo e individual.
Estimação do prêmio justo, o qual pondera a experiência
coletiva com a individual.
Fortemente relacionada com Inferência Bayesiana.
O estimador de credibilidade para o prêmio de risco individual pode
ser escrito na a seguinte forma:
P cred = αP ind + (1 − α)P col
onde: α ∈ (0, 1) é denominado fator de credibilidade.

Risco Individual
O risco individual em uma operação de seguro é tratado como um

processo aleatório que produz Xj : valor agregado de sinistros no
ano j. Exemplos de risco individual
Um motorista em um seguro de automóvel.
Um grupo de segurados num seguro de vida em grupo.
Todos os empregados de uma firma em um seguro coletivo de
acidente de trabalho.
Uma seguradora cedente num contrato de resseguro.

Hipóteses
As v.a. Xj ; j = 1, 2, · · · são identicamente distribuı́das com

fdp p(xj | θ);
As v.a. Xj ; j = 1, 2, · · · são condicionalmente independentes
dado θ.
O objetivo é determinar o prêmio de risco para o sinistro agregado
para um perı́odo futuro, por exemplo Xn+1 , baseado nos dados
passados X = (X1 , X2 , · · · , Xn ).

Prêmio de Risco
Na prática, p(xj | θ), é desconhecido e varia com o risco.

O prêmio individual de um risco com o perfil θ é dado por:
P ind (θ) = E [Xn+1 | θ] = µ(θ)
Já o prêmio individual preditivo

ind
Ppred (θ) = E [Xn+1 | X ] = µ(X )
θ é desconhecido e varia de risco para risco.

X é a experiência observada (conhecida).

Prêmio de Risco
Identificar o risco individual é muito difı́cil, pois há muitas

caracterı́sticas e poucos dados associados a cada risco.
As seguradoras agrupam os riscos em classes de riscos
similares, por exemplo: seguro de automóvel(modelo
doveı́culo, idade, gênero etc).
Na teoria da credibilidade, cada risco individual está associado
a uma classe de riscos similares conhecido como coletivo.
Cada risco individual i é caracterizado pelo seu perfil de
riscoindividual θi .
Os parâmetros θi pertencem à Θ, o espaço dos possı́veis
valores dos desconhecidos perfis de risco no coletivo.

Prêmio de Risco
Embora os perfis de risco no coletivo sejam diferentes, eles

possuem algo em comum: pertencem ao mesmo coletivo e
portanto são extraı́dos do mesmo conjunto Θ.
A fdp a priori de theta é denotada por p(θ).
Interpretação Bayesiana: crença a priori do atuário sobre o
risco
Interpretação frequentista: amostra aleatória de uma
população Θ.

Prêmio de Risco
O prêmio coletivo é definido a partir da ponderação sobre todos os

prêmios individuais, conforme segue:
Z
col
P = E [Xn + 1] = µ(θ)p(θ)dθ
Θ
Observações:
Tanto θ quanto µ(θ) são quantidades desconhecidas e podem
ser inferidas com base em informações do passado.
A estimação de um prêmio individual justo, µ(θ), em uma
carteira heterogênea e num mercado segurador competitivo,
faz com que seja minimizado o risco de antiseleção do
segurado.

Prêmio de Risco
Considere que cada risco é caracterizado por seu perfil de risco

individual θ, realização de uma v.a. Θ:
Note que utilizamos antes a notação Θ para denotar o
espaço dos posssı́veis valores de θ.
1 Condicional a θ, X1 , X2 , · · · , Xn são independentes e
identicamentes distribuı́dos com fdp p(x1 , · · · , xn | θ).
2 Θ é uma variável aleatória com função de distribuição p(θ).
Observações
Sob essa abordagem, cada risco no coletivo possui o seu
próprio perfil θ.
Os parâmetros do risco individual são realizações de v.a.
quesão independentemente escolhidos com fdp p(θ).

Prêmio de Risco
Observações
Tendo em vista esta reformulação da notação, o prêmio
individual, P ind , é definido por:
Pind = E [Xn+1 | Θ] = E [Θ]
Desta forma, E[Θ] é uma esperança condicional e, portanto,

uma variável aleatória.
Por hipótese, todos os perfis de riscos possuem a mesma
distribuição e, somente após a coleta das informações, é que
será possı́vel inferrir sobre um particular risco.

Prêmio de Risco
O prêmio coletivo é uma esperança incondicional, só depende

das observações (E [Xn+1 ] = E (µ[Θ])) e, portanto, um
número fixo.
Marginalmente X1 , X2 , · · · são positivamente correlacionados.
Cov (Xk ; Xj ) = E [Cov (Xk ; Xj | Θ)] + Cov (E [Xk | Θ], E [Xj | Θ])
= Cov (µ(Θ), µ(Θ))
= Var (µ(Θ))

Prêmio de Risco
Observação
O objetivo é estimar, para cada risco, o prêmio
individual(µ(Θ)).
Esse estimador decorre das informações de sinistros e é
conhecido como prêmio de Bayes:
P Bayes = E [µ(Θ) | X ]

Exemplo
Suponha que um seguro de um sinistro individual é

contratado, no qual paga ao segurado 10000 u.m. numa
eventual ocorrência de sinistro.
Os riscos individuais são tomados do coletivo, no qual contem
três tipos de riscos: Baixo(65%), Médio(30%) e Alto(5%).
As probabilidades condicionais são dadas na Tabela abaixo:
Tabela: Probabilidades dos Valores dos Sinistros condicionais aos Perfis

de Riscos.
Probabilidade Condicionais
Valor do Sinistro Baixo Médio Alto
0 97% 95% 90%
10000 3% 5% 10%

Exemplo
Neste caso, Xi , o valor total do sinistro para o ano i é uma
variável aleatória que assume apenas os valores 10000 e 0.
Θ é uma variável aleatória categórica assumindo os seguintes
valores:
θ1 = Baixo
θ2 = Médio
θ3 = Alto
Logo a distribuição a priori de que um indivı́duo esteja no
perfil de risco θi , i = 1, 2, 3 é dada por:
p(θ1 ) = p(Θ = θ1 ) = 0, 65
p(θ2 ) = p(Θ = θ2 ) = 0, 30
p(θ3 ) = p(Θ = θ3 ) = 0, 05
Exemplo
As distribuições condicionais Xj | θ são dadas pela tabela 1:
Pr (Xj = 0 | Θ = θ1 ) = 0, 97; Pr (Xj = 1 | Θ = θ1 ) = 0, 03;

Pr (Xj = 0 | Θ = θ2 ) = 0, 95; Pr (Xj = 1 | Θ = θ2 ) = 0, 05;
Pr (Xj = 0 | Θ = θ3 ) = 0, 90; Pr (Xj = 0 | Θ = θ3 ) = 0, 10;
Portanto, a distribuição da variável aleatória prêmio individual

pode ser facilmente obtida:
P ind (θi ) = E (Xn+1 | Θ = θi ) = E (Xj | Θ = θi ) com
probabilidade Pr (Θ = θi ) para i = 1, 2 e 3.
P ind (θi ) = 0.Pr (Xj = 0 | Θ = θi ) + 104 .PrPr (Xj = 104 | Θ =
θi ) para i = 1, 2 e 3.
P ind (θ1 ) = 300, P ind (θ2 ) = 500 e P ind (θ3 ) = 1000.

Exemplo
O prêmio coletivo pode ser facilmente encontrado:
3
X
P col = EΘ [µ(Θ)] = P ind (θi ) = 395
i=1
Supondo que X1 = 10000 foi observado, encontre P Bayes .

P Bayes = E (µ(Θ) | X1 = 104 )
Será necessário encontrar a distribuição a posteriori de Θ após
X1 = 104 ser observado, usando o teorema de Bayes.
Pr (Θ | X1 = 104 ) ∝ Pr (X1 = 104 | Θ = θi ).Pr (Θ = θi )
Então:
Pr (Θ = θ1 | X1 = 104 ) = 0, 4937
Pr (Θ = θ2 | X1 = 104 ) = 0, 3797
Pr (Θ = θ3 | X1 = 104 ) = 0, 1266
Exemplo
P Bayes = E (µ(Θ) | X1 = 104 )

X3
= P ind (θi ).Pr (Θ = θi | X1 = 104 )
i=1
= 300 × 0, 49 + 500 × 0, 37 + 1000 × 0, 1266 = 464, 56
(a) Calcule P Bayes se X1 = 0 for observado. (R. 392,14)

(b) Calcule P Bayes se X1 = 0 e X2 = 104 forem observados. (R.
459,30)
(c) Calcule P Bayes se X1 = 104 e X2 = 104 forem observados. (R.
572,48)
(d) Interprete os resultados.
Elementos Básicos da Teoria da Decisão

Notação:
X = (X1, · · · , Xn )T : vetor de observaçõoes
θ ∈ Θ: Espaço paramétrico de θ (contém o verdadeiro valor
de θ)
Objetivo: Encontrar uma função T (X ), que dependa somente do
vetor de observações X e que estime uma função g (θ) do
verdadeiro valor do parâmetro θ, da ”melhor forma possı́vel”.
Para tornar preciso o termo ”melhor forma possı́vel”é preciso
definir uma função de perda L(θ; T (x)).
A função L(θ; T (x)) é a perda ocorrida pelo uso do estimador
T (X ) quando se observa X = x e o verdadeiro valor do
parâmetro é θ. Por exemplo, seja g (θ) = θ e considere a
seguinte função de perda (quadrática):
L(θ; T (x)) = (θ − T (x))2 .

Notação:
Considere um estimador T (X ). Define-se então a perda
esperada de uma estimativa T (x) como o valor esperado de
L(θ; T (x)) sob a distribuição a posteriori p(θ | x):
Z
E [L(Θ, T (x)] = L(θ, T (x))p(θ | x)dθ
Θ
Dado uma função de perda L, e uma amostra observada x,
seja T ∗ (x), o valor de T (x) que mimimiza a perda esperada
calculada anteriormene. Então:
T Bayes (x ) = T ∗ (x )é denominada estimativa de Bayes e

T Bayes (X ) = T ∗ (X )é denominado estimador de Bayes

Teorema 2.2: Considere a função de perda quadrática

L(θ; T (x )) = (g (θ) − T (x ))2 , então T Bayes (X ) = E (g (θ) | X ).
Corolário 2.1: Considere g (Θ) = P ind = µ(Θ) então, sob perda
quadrática, o estimador de Bayes é igual a E (µ(Θ) | X ) = P Bayes .
O Colorário 2.1 fornece uma justificativa para o uso do prêmio
de Bayes, pois é aquele que possui menor perda quadrática
esperada.
O prêmio de Bayes pode também ser justificado pelo fato de
que o valor esperado arrecadado com os sinistros é igual ao
valor esperado pago pelos segurados, onde o valores esperados
são calculados sob a distribuição conjunta de Θ e X .
Contudo, aplicando conceitos de utilidade esperada, pode não
ser vantajoso para ambas as partes utilizar valores esperados
para tarifação de seguros.

Exemplo - 1
Muitas companhias de seguros para se precaverem de grandes
perdas fazem o resseguro. Assim, se o valor a ser ressarcido for
maior do que um valor x0 fixado, outra companhia, geralmente de
maior porte, faz o ressarcimento (ou parte do mesmo). Uma
hipótese usualmente feita na prática é que os valores dos sinistros
que excedem x0 sejam independentes e com distribuição de Pareto:
Uma hipótese usualmente feita na prática é que os valores dos
sinistros que excedem x0 sejam independentes e com distribuiçãode
Pareto:
Xj ∼ Pareto(x0 , θ)
A função de densidade de Pareto é dada por:
θ x (θ+1)
f (x | θ) = x > x0 , θ > 0
x0 x0
Objetivo:Achar o Estimador de Bayes para θ, atribuindo a θ uma
priori Gamma de parâmetros γ e β:
Exemplo - 1
Para obtermos
conjugação, consideremos a seguinte transformação
Y = log xX0 , onde X é Pareto(x0 ; θ). É fácil mostrar que Y é
exponencial de parâmetro θ:
p(y | θ) = θe −θy

x
Logo, se yj = log x0j , temos:
n
p(θ | y ) ∝
Y Pn
θe −θyj
θγ−1 e −θβ = θγ+n−1 e −θ( j=1 yj +β)
i=1
Desta forma, concluı́mos que θ | y ∼ Gamma(γ , β ):

0 0
0
γ = γ+n
n
0
X
β = β+ yj
j=1
Exemplo - 1
Logo a estimativa de Bayes de θ sob perda quadrática é dada por:
E(Θ | x ) =
n+γ

Pn x
β + j=1 log x0j
O estimador de Bayes de θ sob perda quadrática é dada por:
E(Θ | X ) =
n+γ

Pn X
β + j=1 log x0j

Exemplo - 2
Motivação: Sistema Bonus-Malus
No inı́cio dos anos 60 havia uma demanda por parte por parte
das seguradoras para aumentar os prêmios cobrados, sob a
justificativa de que não eram suficientes para cobrirem os
riscos.
As autoridades competentes concordariam com as
revindicações desde que fossem consideradas as experiências
individuais de sinistros: não era aceitável que indivı́duos com
perfil baixo de risco pagassem o mesmo prêmio que indivı́duos
com perfil alto de risco.
Naquele tempo, o valor do prêmio dependia da potência do
carro!!
O atuário suı́ço F. Bichsel foi encarregado de construir um
sistema de tarifação que melhor se ajustasse aos perfis de
riscos individuais.
Exemplo - 2
Hipóteses Gerais do Modelo de F. Bichsel:
Ele conjecturou que as diferenças entre perfis de riscos
individuais eram melhor explicadas pelas diferenças entre os
números individuais de sinistros do que pelos valores dos
sinistros.
Dado θi , o perfil de risco do motorista i, a seguinte relação
entre o valor agregado do sinistro, Xj , e o número de sinistros
individuais, Nj , para o ano j:
E (Xj | Θ = θi ) = CE (Nj | Θ = θi ) onde C é uma constante que
depende apenas da potência do carro e E (Nj | Θ = θi ) depende
apenas do motorista i. Observações:
A hipótese de que o número de sinistros não depende da
potência do carro é uma simplificação da realidade.
Das hipóteses acima, conclui-se que é suficiente apenas
modelar o número de sinistros.
Exemplo - 2
Hipóteses Especı́ficas do Modelo de F. Bichsel: Dado o perfil de

risco de cada motorista, θ, as distribuições dos números de
sinistros são independentes e de Poisson:
e −θ θk
p(Nj = k | Θ = θ) = , j = 1, · · · , N; k = 0, 1, · · ·
k!
O parâmetro θ tem distribuição Gamma com parâmetro de forma
γ e de escala β:
β γ γ−1 −βθ
p(θ) = θ e
Γ(γ)

Exemplo - 2
Tendo em vista as hipótese estabelecidas anteriormente,

precisamos apenas calcular as seguintes quantidades relacionadas a
frequência de sinistros, denotado por F :
F ind = E [Nn+1 | Θ] = Θ
γ
F col = E [Find ] = E [Θ] =
β
F Bayes = E [Θ | N ]
onde N = (N1 , · · · , Nn )T é o vetor de observações das frequências

de sinistros para cada motorista. Note que n pode variar com o
motorista. Para calcular F Bayes precisamos encontrar a posteriori
de Θ dado N.

Exemplo - 2
A Posteriori Θ | N pode ser facilmente obtida:
n
p(θ | N ) ∝
Y Pn
−θ Nj
e θ θγ−1 e −θβ = θγ+ i=1 Ni −1 e −θ(β+n)
i=1
N ) é gamma com0
Podemos então concluir que p(θ | P
0
parâmetros(atualizados) γ = γ + ni=1 Ni − 1 e β = β + n.
Portanto:
γ + ni=1 Ni − 1
FBayes = E[θ | N ] =
P
β+n
γ
= αN + (1 − α)
β
n
onde α = n+β é denominado de fator de credibilidade e
Pn
i=1 Ni
N= n
Exemplo - 2
As quantidades Pind , P col e P Bayes podem ser respectivamente

obtidos multiplicando F ind , F col e F Bayes pela constante C.
O prêmio de Bayes é (a menos de uma constante C) uma
média ponderada da mèdia dos Nj’s e do número esperado a
priori da frequência de sinistros ( βγ ).
n
O fator de ponderação α = n+β (fator de credibilidade)
depende do número de observações n de cada motorista e do
coeficiente β = E(Θ)[Var (θ)]−1 .

Exemplo - 2
Quanto maior for o tamanho da amostra (anos observados de

contrato do seguro do motorista), maior será a credibilidade
que se atribui a média amostral (N).
Quanto maior for β, menor será o fator de credibilidade. Isto
implica que estamos mais propensos em utilizar a experiência
coletiva de sinistros para fazer a tarifação individual.
A perda quadrática de F Bayes pode ser escrita como:
E[(F Bayes − Θ)2 ] = (1 − α)E[(F col − θ)2 ] = αE[(N − Θ)2 ]

Exemplo - 2
Na prática os parâmetros γ e β são desconhecidos. O exemplo a
seguir ajudará a esclarecer como é feita a estimação sob o ponto
de vista clássico.
Tabela: Frequência do número de sinistros dos motoristas suı́ços.
k 0 1 2 3 4 5 6 Total
Freq. 103704 14075 1766 255 45 6 2 119853
de Apólices
Estimação pelo método dos momentos Seja I = 119853 o
número total de observações de todos os motoristas e Ni o número
de sinistros para cada uma observação, i = 1, · · · , 119853.
PI
Ni PI
i=1 (Ni −N)
2
µ̂N = N = i=1 = 0, 155 σ̂N 2 =
I −1 = 0, 179
I
Exemplo - 2
Calculando os momentos de N, temos:

γ
µN = E[N] = E[E[N | Θ]] = E[Θ] =
β
2
σN = V[N] = V[E[N | Θ]] + E[V[N | Θ]]
γ 1
= V[Θ] + E[Θ] = 1+
β β
Igualando os respectivos momentos amostrais com os
momentos de N : µN = µ̂N e σN 2 = σ̂ 2 e resolvendo os
N
sistemas temos: γ̂ = 1, 001 e β̂ = 6, 458.
O Estimador de Bayes Empı́rico é dado por:
γ̂
F Bayes = α̂N + (1 − α̂)
β̂

Exemplo - 3 Fator de Bonus-Malus
O objetivo é ajustar o prêmio individual de acordo com a

frequência esperada de sinistro do motorista.
Se um motorista recorresse ao seguro duas vezes mais do que
a média, então ele deveria pagar o dobro. Da mesma forma,
se, outro motorista utilizasse o seguro menos do que a média,
ele deveria pagar proporcionalmente menos.
Seja λ0 a média do número de sinistros então define-se o fator
de bonus-malus por:
F Bayes
FBM =
λ0
Na prática a quantidade acima deve ser estimada e, em geral,
é expressa em porcentagem.

Exemplo - 3 Fator de Bonus-Malus
Vimos que λ0 = 0, 155. Vamos então estimar o fator de

bonus-malus para um motorista que tenha três anos de seguro
(n
P= 3) e que tenha ocorrido um sinistro neste perı́odo
( 3i=1 Ni = 1).
Então:
γ̂
F Bayes = α̂N + (1 − α̂)
β̂
3 1 3 1, 001
= + 1− = 0, 211
3 + 6, 458 3 3 + 6, 458 6, 458
0,211
Logo FBM = 0,155 = 1, 36

Famı́lia Exponencial

y θ − a(θ)
f (x) = c(x, φ) exp
φ
θ parâmetro canônico
φ parâmetro de dispersão
Esta parametrização foi dada na primeira parte do curso.
Para fins de tarifação por experiência, será utilizada uma nova
2
parametrização tal que φ = σωj .
σ2

y θ − a(θ)
f (x) = c(x, ) exp
ωj σ 2 /ωj

Teorema: Assuma que para um dado θ, os componentes do

vetor X = (X1 , · · · , Xn ) são independentes com distribuição
na famı́lia exponencial, com parâmetro de dispersão φ e com
00
pesos a (θ). Considere ainda que a distribuição a priori de θ
(p(θ)) também é da famı́lia exponencial, tal que

x0 θ − a(θ)
p(θ) = c(x0 , τ 2 ) exp , θ∈Θ
τ2
Então p(θ) é conjugada de f (x).

x0 , τ 2 são hiperparâmetros.

Teorema: Para a famı́lia conjugada definida anteriormente, temos:

2 x0 θ − a(θ)
p(θ) = c(x0 , τ ) exp , θ∈Θ
τ2
0 00
i P ind (θ) = a (θ) e Var [Xj | Θ = θ, ωj ] = a (θ)σ 2 /ωj
ii ωj geralmente está associado a uma medida de exposição.
iii P col = x0
iv P Bayes = αX + (1 − α)P col
onde
X ωj
X = Xj
ω.
j
ω.
α= σ2
ω. + τ2

Poisson - Gamma
Será modelada a frequência de sinistro Nj ∼ Poi(Ej λ) que é
equivalente a modelar Xj = Nj /Ej
(Ej λ)Ej x
f (Xj = x | λ) = exp(−Ej λ)
(Ej x)!
(Ej )Ej x
f (Xj = x | λ) = exp(xEj log(λ) − Ej λ)
(Ej x)!

x log λ − λ
f (Xj = x) = c(x, Ej ) exp
1/Ej
Deste modo, temos:
θ = log(λ) a(θ) = exp(θ) σ 2 = 1

Poisson - Gamma
Utilizando o teorema, temos como priori para λ:

x0 theta − exp(θ)
u(θ) ∝ exp
τ2

x0 theta − exp(θ)
u(λ) ∝ exp
τ2
Deste modo, temos:
θ = log(λ) a(θ) = exp(θ) σ 2 = 1

Tarifacao Por Experiencia

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tarifacao Por Experiencia

Enviado por

Direitos autorais:

Formatos disponíveis

Conceito de Credibilidade

Tarifação por Experiência e GLM

William Moreira Lima Neto

William Moreira Lima Neto Tarifação de Seguros

2 Tarifação por Experiência e GLM

William Moreira Lima Neto Tarifação de Seguros

Considere uma companhia de seguros com uma carteira com

William Moreira Lima Neto Tarifação de Seguros

Classes de Riscos Homogêneos

Não existe classes de riscos homogêneos em seguro.

William Moreira Lima Neto Tarifação de Seguros

Classes de Riscos Homogêneos

Carteira Seguro Saúde em Grupo (9 contratos): sinistralidade

William Moreira Lima Neto Tarifação de Seguros

Classes de Riscos Homogêneos

Duas Alternativas a Considerar:

William Moreira Lima Neto Tarifação de Seguros

Classes de Riscos Homogêneos

Figura: Sinistralidade média de uma carteira fictı́cia de nove contratos.

William Moreira Lima Neto Tarifação de Seguros

Classes de Riscos Homogêneos

Figura: Sinistralidade média anual dos contratos pequenos.

Classes de Riscos Homogêneos

Figura: Sinistralidade média anual dos contratos médios.

Aleatoriedade ainda elevada.

Classes de Riscos Homogêneos

Figura: Sinistralidade média anual dos contratos grandes.

Aleatoriedade relativamente baixa.

Classes de Riscos Homogêneos

Figura: Sinistralidade média anual dos três primeiros.

Contratos 1, 2 e 3 possuem sinistralidade média individuais

P cred = αP ind + (1 − α)P col

onde: α ∈ (0, 1) é denominado fator de credibilidade.

O risco individual em uma operação de seguro é tratado como um

William Moreira Lima Neto Tarifação de Seguros

As v.a. Xj ; j = 1, 2, · · · são identicamente distribuı́das com

William Moreira Lima Neto Tarifação de Seguros

Na prática, p(xj | θ), é desconhecido e varia com o risco.

P ind (θ) = E [Xn+1 | θ] = µ(θ)

Já o prêmio individual preditivo

θ é desconhecido e varia de risco para risco.

William Moreira Lima Neto Tarifação de Seguros

Identificar o risco individual é muito difı́cil, pois há muitas

William Moreira Lima Neto Tarifação de Seguros

Embora os perfis de risco no coletivo sejam diferentes, eles

William Moreira Lima Neto Tarifação de Seguros

O prêmio coletivo é definido a partir da ponderação sobre todos os

William Moreira Lima Neto Tarifação de Seguros

Considere que cada risco é caracterizado por seu perfil de risco

William Moreira Lima Neto Tarifação de Seguros

Desta forma, E[Θ] é uma esperança condicional e, portanto,

William Moreira Lima Neto Tarifação de Seguros

O prêmio coletivo é uma esperança incondicional, só depende

William Moreira Lima Neto Tarifação de Seguros

William Moreira Lima Neto Tarifação de Seguros

Suponha que um seguro de um sinistro individual é

Tabela: Probabilidades dos Valores dos Sinistros condicionais aos Perfis

William Moreira Lima Neto Tarifação de Seguros

As distribuições condicionais Xj | θ são dadas pela tabela 1:

Pr (Xj = 0 | Θ = θ1 ) = 0, 97; Pr (Xj = 1 | Θ = θ1 ) = 0, 03;

Portanto, a distribuição da variável aleatória prêmio individual

William Moreira Lima Neto Tarifação de Seguros