Escolar Documentos
Profissional Documentos
Cultura Documentos
Tarifação de Seguros
Tarifação por Experiência
21 de fevereiro de 2018
Table of contents
1 Conceito de Credibilidade
Introdução
Formulação Mátemática do Problema de Tarifar Risco
Notação
Elevada aleatoriedade.
Uso da média amostral está comprometida.
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
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:
Risco Individual
Hipóteses
Prêmio de Risco
Prêmio de Risco
Prêmio de Risco
Prêmio de Risco
Prêmio de Risco
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]
Prêmio de Risco
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
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
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Exemplo
Exemplo
O prêmio coletivo pode ser facilmente encontrado:
3
X
P col = EΘ [µ(Θ)] = P ind (θi ) = 395
i=1
Exemplo
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:
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:
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
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
0
γ = γ+n
n
0
X
β = β+ yj
j=1
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Exemplo - 1
E(Θ | x ) =
n+γ
Pn x
β + j=1 log x0j
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.
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
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.
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Exemplo - 2
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
F ind = E [Nn+1 | Θ] = Θ
γ
F col = E [Find ] = E [Θ] =
β
F Bayes = E [Θ | 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
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Exemplo - 2
Exemplo - 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.
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
William Moreira Lima Neto Tarifação de Seguros
Conceito de Credibilidade Introdução
Tarifação por Experiência e GLM Formulação Mátemática do Problema de Tarifar Risco
Exemplo - 2
F Bayes
FBM =
λ0
Na prática a quantidade acima deve ser estimada e, em geral,
é expressa em porcentagem.
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
Famı́lia Exponencial
x0 θ − a(θ)
p(θ) = c(x0 , τ 2 ) exp , θ∈Θ
τ2
Famı́lia Exponencial
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
Poisson - Gamma