Baixe o app para aproveitar ainda mais
Prévia do material em texto
Processos Estocásticos Mestrado em Ciências Actuariais Alexandra Bugalho de Moura �ĚŝĕĆŽ�ŶǑ͗�ϵϱ YƵĂĚƌŽƐ�ĚĞ�ĚŝǀĞƌƐĂƐ�ŽƌŐĂŶŝnjĂĕƁĞƐ�ŶĆŽͲŐŽǀĞƌŶĂŵĞŶƚĂŝƐ͕�ŵŝŶŝƐƚĠƌŝŽƐ�Ğ�ŝŶƐƟƚƵŝĕƁĞƐ�ĚĞ�ĞŶƐŝŶŽ�ƐƵƉĞƌŝŽƌ�ĞƐƟǀĞƌĂŵ�ƌĞƵŶŝĚŽƐ�Ă�ϭϬ�ĚĞ��ďƌŝů͕�Ğŵ� DĂƉƵƚŽ͕�Ğŵ�^ ĞŵŝŶĄƌŝŽ�ƐŽďƌĞ�Ă�&ŽƌŵĂĕĆŽ�Ğ��ĚƵĐĂĕĆŽ�/ŶĐůƵƐŝǀĂ͘�KƌŐĂŶŝnjĂĚŽ�ƉĞůĂ�&ĂĐƵůĚĂĚĞ�ĚĞ��ĚƵĐĂĕĆŽ�ĚĂ�h�D�;&����Ϳ͕�Ž�ĞǀĞŶƚŽ�ƟŶŚĂ�ĐŽŵŽ� ŽďũĞĐƟǀŽ�ƌĞŇĞĐƟƌ�ƐŽďƌĞ�Ă�ƋƵĞƐƚĆŽ�ĚĂ�ŝŶĐůƵƐĆŽ�ŶŽ�ƉƌŽĐĞƐƐŽ�ĚĞ�ĞŶƐŝŶŽ�Ğ�ĂƉƌĞŶĚŝnjĂŐĞŵ�ƋƵĞ�ĐŽŶƟŶƵĂ�ŵƵŝƚŽ�ĂƋƵĠŵ�ĚĂƐ�ĞdžƉĞĐƚĂƟǀĂƐ͕�ŶŽ�ƉĂşƐ͘ ��WĄŐ͘�ϴ �ďƌŝů��ͻ��ϮϬϭϱ WĄŐ͘�ϰ WĄŐ͘�ϲ WĄŐ͘�Ϯ &$,&&�GLVWLQJXLGR�QD�FDWHJRULD�GH�2XUR� SHOD�*OREDO�,QQRYDWLRQ�:HHN� �ĞĐŽƌƌĞƵ�ŶŽƐ�ĚŝĂƐ�ϴ�Ğ�ϵ�ĚĞ��ďƌŝů͕�Ğŵ�DĂƉƵƚŽ͕�Ž�^ ĞŵŝŶĄƌŝŽ�ZĞŐŝŽŶĂů�ƐŽďƌĞ�Ž��ĂƌďŽŶŽ�ĚŽƐ� DĂŶŐĂŝƐ�ĚŽ��ĞůƚĂ�ĚŽ�ĂŵďĞnjĞ͘�K�ĞǀĞŶƚŽ͕�ƋƵĞ�ƌĞƷŶĞ�ă�ŵĞƐŵĂ�ƐĂůĂ�ĐŝĞŶƟƐƚĂƐ�ƌĞŐŝŽŶĂŝƐ�Ğ� ŝŶƚĞƌŶĂĐŝŽŶĂŝƐ͕� ĐŽŶƐƟƚƵŝ� Ƶŵ� ĞƐƉĂĕŽ� ĚĞ� ĂƉƌĞƐĞŶƚĂĕĆŽ� ĚŽƐ� ƌĞƐƵůƚĂĚŽƐ� ĚŽ� WƌŽũĞĐƚŽ� ĚŽ� �ĂƌďŽŶŽ�ĚŽƐ�DĂŶŐĂŝƐ�Ğ�ƉƌĞƚĞŶĚĞ�ƚƌĞŝŶĂƌ�ŽƐ�ƉĂƌƟĐŝƉĂŶƚĞƐ�ĚĞ�ŵĞƚŽĚŽůŽŐŝĂƐ�ĚĞ�ĂǀĂůŝĂĕĆŽ� ĚŽ�ĐĂƌďŽŶŽ�Ğ�ĚĞ�ŵŽŶŝƚŽƌŝĂ͕�ŝŶǀĞŶƚĂƌŝĂĕĆŽ�ĚĂ�ǀĞŐĞƚĂĕĆŽ�Ğ�ŵĂƉĞĂŵĞŶƚŽ͘ ��hŶŝǀĞƌƐŝĚĂĚĞ��ĚƵĂƌĚŽ�DŽŶĚůĂŶĞ�;h�DͿ�Ğ�Ž��ĂŶĐŽ��ŽŵĞƌĐŝĂů�Ğ�ĚĞ�/ŶǀĞƐƟŵĞŶƚŽƐ�;��/Ϳ� ĂƐƐŝŶĂƌĂŵ�ŶĂ�ŵĂŶŚĆ�ĚĞ�ŚŽũĞ͕�ϬϮ�ĚĞ��ďƌŝů͕�ƵŵĂ��ĚĞŶĚĂ�ĚĞ��ŽŶƚƌĂƚŽ�ĚĞ�WĂƌĐĞƌŝĂ�ĞŶƚƌĞ�ĂƐ� ĚƵĂƐ�ŝŶƐƟƚƵŝĕƁĞƐ�ǀŝƐĂŶĚŽ�Ž�ĂƉŽŝŽ�ĚĂƐ�ĂƌƚĞƐ�Ğ�ĐƵůƚƵƌĂ�ŶĂ�h�D͘���ƌĞŶŽǀĂĕĆŽ�ĚŽ�ĐŽŶƚƌĂƚŽ͕� ĐŽŵ�ĚƵƌĂĕĆŽ�ĚĞ�ϯ�;ƚƌġƐͿ�ĂŶŽƐ͕�ƉĞƌŵŝƚĞ�Ă�h�D�Ƶŵ�ĞŶĐĂŝdžĞ�ĮŶĂŶĐĞŝƌŽ�ĚĞ�hŵ�DŝůŚĆŽ�ĚĞ� DĞƟĐĂŝƐ� ĚĞƐƟŶĂĚŽƐ� ă� ĂĐƟǀŝĚĂĚĞƐ� ĚĞ� ĚĞƐĞŶǀŽůǀŝŵĞŶƚŽ� ĚŽƐ� ŵƵƐĞƵƐ� Ğ� ĞƐƉĂĕŽƐ� ŵƵƐĞŽůſŐŝĐŽƐ͘� 8(0�H�%&,�UHQRYDP�SDUFHULD 0DSXWR�DFROKH�6HPLQiULR�5HJLRQDO� VREUH�R�&DUERQR�GRV�0DQJDLV 81,9(56,'$'( ( ' 8$ 5 ' 2 021'/$1( �ŽůĞƟŵ�/ŶĨŽƌŵĂƟǀŽ�ĚĂ�hŶŝǀĞƌƐŝĚĂĚĞ��ĚƵĂƌĚŽ�DŽŶĚůĂŶĞ )$&('�UHDOL]D�SULPHLUR� 6HPLQiULR�VREUH�(GXFDomR� ,QFOXVLYD�QR�SDtV Agosto 2017 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 1 / 23 Outline Outline 1 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Modelação. Estimação e simulação Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 2 / 23 Cadeias de Markov a tempo discreto Teoremas limite: distribuição estacionária Observações piP2 = (piP)P = pi; · · · ; piPn = pi; Distribuição-limite: pij = lim n→∞P (k) ij ∀j ∈ S Distribuição estacionária (independente do estado inicial): lim n→∞Pr{Xn = i} ∀i ∈ S Pode não existir o lim. ⇒ @ distr. estacionária; Pode existir o lim. mas não é d.prob. ⇒ @ distr. estacionária; Se existe distr.-limite, existe distr. estacionária e coincidem ; Pode existir distr. estacionária e não existir distr.-limite. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 3 / 23 Cadeias de Markov a tempo discreto Teoremas limite: distribuição estacionária Exemplo P = [ 0 1 1 0 ] → P2 = [ 1 0 0 1 ] → P3 = [ 0 1 1 0 ] · · · P não tem distribuição limite: P (n) ii = { 1 i = 1, 2 n par 0 i = 1, 2 n impar ⇒ @ dist.lim. Mas P tem distribuição estacionária: Pr{Xn = 1} = Pr{Xn = 1|X0 = 1}Pr{X0 = 1}+ Pr{Xn = 1|X0 = 2}Pr{X0 = 2} = P (n) 11 × 1 2 + P (n) 21 × 1 2 = 1/2 ⇒ Pr{Xn = 2} = 1/2 [ 1/2 1/2 ]︸ ︷︷ ︸ pi [ 0 1 1 0 ] ︸ ︷︷ ︸ P = [ 1/2 1/2 ] ︸ ︷︷ ︸ pi Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 4 / 23 Cadeias de Markov a tempo discreto Teoremas limite: distribuição estacionária Teorema: distribuição limite Se P é regular, então a distribuição limite é independente do estado inicial e é dada por{ pi = piP∑ k pik = 1 Neste caso lim n→∞P n ij = pij Ou seja Pn −→n→+∞ pi1 pi2 · · · piNpi1 pi2 · · · piN... ... ... ︸ ︷︷ ︸ todas as linhas são iguais a pi Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 5 / 23 Cadeias de Markov a tempo discreto “Teorema-limite fundamental” das cadeias de Markov Relembrar Considerem-se, para um estado recorrente i : a probabilidade do 1o retorno a i em n passos f (n) ii = Pr{Ri = n|X0 = i} o tempo (n) da 1a chegada a i Ri = min{n ≥ 1;Xn = i} Relembre-se o tempo médio para retornar ao estado i : mi = E [Ri |X0 = i ] = ∞∑ n=1 nf (n) ii Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 6 / 23 Cadeias de Markov a tempo discreto “Teorema-limite fundamental” das cadeias de Markov Teorema Sejam, uma cadeia de Markov recorrente, irredutível e aperiódica, P(n)ii , f (n) ii (P (0) ii = 1, e f (0) ii = 0). Então, pii = lim n→∞P (n) ii = limn→∞P (n) ji = 1 mi ,∀i , j ∈ S . Observações pik representa a probabilidade do processo estar no estado j , depois de estar a operar há muito tempo pik representa a fracção de tempo, no longo prazo, que o processo passa no estado j Se mi <∞, pi > 0 e o estado i é recorrente positivo. Se mi =∞, pi = 0 e o estado i é recorrente nulo. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 7 / 23 Cadeias de Markov a tempo discreto Teoremas limite: distribuição estacionária Observações A velocidade de convergência depende da matriz P Teoricamente os resultados são valido para um número infinito de passos, mas a distribuição limite pode ser atingida num número finito de passos Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 8 / 23 Cadeias de Markov a tempo discreto Teoremas limite: distribuição estacionária Notas Se C for uma classe recorrente, P(n)ij = 0, i ∈ C , j /∈ C , a submatriz associada ||Pij || ∀i , j ∈ C é matriz de prob.s de transição e a cadeia associada é irredutível e recorrente. O teorema-limite aplica-se a toda a classe recorrente aperiódica. Teorema Se uma classe for recorrente positiva aperiódica, então o seguinte sistema de equações determina univocamente a distribuição pi (pi0, pi1, . . . ): pij = lim n→∞P (n) jj = ∞∑ k=0 pikPkj ∀j = 0, 1, · · · ⇔ pi = piP ∞∑ k=0 pik = 1 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 9 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo Bonus-malus Regras: 4 níveis de desconto, transições semelhantes ao anterior, mas com 2 ou 1 níveis se no ano anterior teve ou não sinistros. 0: 0% desconto; 1: 25% desconto; 2: 40% desconto; 3: 60% desconto. O processo é semi-Markov. O ‘Estado 2’ precisa de ser dividido: 2+: 25% desconto; 2−: 40% desconto. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 10 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo Bonus-malus P = 1/4 3/4 0 0 0 1/4 0 3/4 0 0 0 1/4 0 0 3/4 1/4 0 0 0 3/4 0 0 0 1/4 3/4 . A probabilidade de obter desconto de 60% no ano n + 3, dado que detém 25% em n é: P (3) 1,3 = ( P3 ) 2,5 = 27/64 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 11 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003] Seguro automóvel obrigatório, contra terceiros: 30% desconto, sem sinistros em 2 anos seguidos. 15% agravamento, 1 indemnização 30% agravamento, 2 indemnizações 45% agravamento, 3 indemnizações 100% agravamento, 4 indemnizações > 4 sinistros, caso a caso... Diretamente, o sistema não é Markoviano, há que dividir classes... Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 12 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003]C1 Apólices com 30% bonus C2 Apólices sem bonus nem malus no 2o ano consecutivo C3 Apólices sem bonus nem malus no 1o ano C4 Apólices com 15% mais e sem sinistros no ano C5 Apólices com 15% mais e sinistro no ano C6 Apólices com 30% mais e sem sinistro no ano C7 Apólices com 30% mais e sinistros no ano C8 Apólices com 45% mais e sem sinistros no ano C9 Apólices com 45% mais e sinistros no ano C10 Apólices com 100% mais e sem sinistros no ano C11 Apólices com 100% mais e sinistros no ano. Agora é de Markov. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 13 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003] Vector de prémios (índices, %) b = (70, 100, 100, 115, 115, 130, 130, 145, 145, 200, 200) Matriz das regras de transição T : 1 2 3 4 5 6 7 8 9 10 11 1 {0} {1} {2} {3} {4, ...} 2 {0} {1} {2} {3} {4, ...} 3 {0} {1} {2} {3} {4, ...} 4 {0} {1} {2} {3, ...} 5 {0} {1} {2} {3, ...} 6 {0} {1} {2, ...} 7 {0} {1} {2, ...} 8 {0} {1, ...} 9 {0} {1, ...} 10 {0} {1, ...} 11 {0} {1, ...} Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 14 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003] Se o número de indemnizações for de Poisson(λ), P∆,λ Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 15 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Cadeias não irredutíveis A cadeia não é irredutível. Classe de Estados {C2,C3} transitórios. Classe {C1,C4,C5,C6,C7,C8,C9,C10,C11} é classe de estados recorrente positivos e aperiódicos. Re- ordernar estados P∆,λ = [ P1,(∆,λ) P3,(∆,λ) 0 P2,∆,λ ] P1,∆,λ: Matriz de transição dentro de {C2,C3} P3,∆,λ: Matriz de transição entre {C2,C3} e {C1,C4,C5,C6,C7,C8,C9,C10,C11} P2,∆,λ: Matriz de transição entre {C1,C4,C5,C6,C7,C8,C9,C10,C11}. P2∆,λ = [ 0 P1,(∆,λ)P3,(∆,λ) + P3,(∆,λ)P2,(∆,λ) 0 P22,(∆,λ) ] ; Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 16 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Cadeias não irredutíveis P21,∆,λ = [ 0 0 0 0 ] = [ 0 0 a 0 ]2 Pn∆,λ = [ 0 ( P1,(∆,λ)P3,(∆,λ) + P3,(∆,λ)P2,(∆,λ) ) Pn−22,(∆,λ) 0 Pn2,(∆,λ) ] Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 17 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003] No nosso exemplo Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 18 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Cadeias não irredutíveis Retomar Pn∆,λ = [ 0 ( P1,(∆,λ)P3,(∆,λ) + P3,(∆,λ)P2,(∆,λ) ) Pn−22,(∆,λ) 0 Pn2,(∆,λ) ] Calculando o limite lim n→∞P n ∆,λ = [ 0 ( P1,(∆,λ)P3,(∆,λ) + P3,(∆,λ)P2,(∆,λ) ) limPn−22,(∆,λ) 0 limn→∞ Pn2,(∆,λ) ] P∞2,(∆,λ) = limn→∞P n−2 2,(∆,λ) and P ∞ 2,(∆,λ) = P ∞ 2,(∆,λ)P2,(∆,λ) or 0 = P∞2 (I− P2) Pn∆,λ tende para uma matriz com todas as linhas iguais, da forma Pn∆,λ → [ 0 | P∞2,(∆,λ) ] Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 19 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exemplo: Modelo 3, Bonus-malus, Centeno [2003] Com λ = 0.1, temos P∞2,(∆,λ) =( 0.81873 0.067032 0.074082 0.014905 0.016473 0.0032584 0.0036011 91126× 10−4 10071× 10−3 ) Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 20 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exercício Considere um sistema de Bonus-Malus com os níveis de desconto de 0%, 25%, 40% e 50% do prémio inicial total e as seguintes regras: Todos os segurados começam no nível 0% Se não houver indemnizações durante o ano corrente, então o segurado sobe um nível, ou permanece no nível de desconto máximo Se houver uma indemnização o segurado desce um nível ou permanece no nível de desconto mínimo Se houverem duas ou mais indemenizações no ano, o segurado desce dois níveis ou permanece no nível de desconto mínimo Assuma que a probabilidade de não ter indemnizações é 0.9 e a probabilidade de ter uma indem- nização é 0.05. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 21 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Aplicação a sistemas de bonus-malus no seguro automóvel Exercício 1 Descreva o modelo como uma cadeia de Markov 2 Determine a probabilidade de um segurado ter o desconto máximo no ano n + 3, sabendo que tem o desconto máximo no ano 3 3 Determine o prémio esperado no terceiro ano de um segurado cujo o prémio a priori é 500 4 Determine, no longo prazo, a percentagem de apólices em cada nível de desconto. 5 Qual é a duração média entre visitas ao nível de desconto 0? 6 Determine, para um segurado escolhido ao acaso, o prémio médio no longo prazo, com percentagem do prémio a priori 7 Usando a análise baseada no primeiro passo, escreva o sistema de equações que permite calcular o número médio de anos que um segurado que entrou agora na companhia leva a chegar, pela primeira vez, ao nível de desconto máximo. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 22 / 23 Cadeias de Markov a tempo discreto Modelação. Estimação e simulação Modelação. Estimação e simulação Estimação Depois de determinado o espaço de estados, o modelo de Markov precisa de estimar as probabilidade de transição. Sejam (x1, x2, ..., xn) as observações, definir ni : No de vezes tal que xt = i , 1 ≤ t ≤ n − 1; nij : No de vezes tal que xt = i e xt+1 = j , 1 ≤ t ≤ n − 1. Então, Pˆij = nij ni . Nij |Ni _ Binomial(Ni ;Pij ). Simulação A Simulação de cadeias de Markov homogéneas é bastante simples, já que do histórico apenas precisamos da última realização. Ou seja, conhecemos a distribuição condicionada de Xt+1 dado Xt (f.p. condicionada), apenas geramos números aleatórios com essa distribuição. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 23 / 23 Cadeias de Markov a tempo discreto Aplicação a sistemas de bonus-malus no seguro automóvel Modelação. Estimação e simulação
Compartilhar