Baixe o app para aproveitar ainda mais
Prévia do material em texto
Resumo para P2 1 Introdução às credibilidades parcial e total Usa-se X1, ..., Xn para representar o total de perdas/sinistros (ou qualquer outra coisa relacionada, dependendo do problema) de uma apólice - nos úl- timos n anos -, com a perda Xi ocorrendo no ano i. Os xi serão chamados de exposição (ou unidade de exposição) de Xi. E[Xi] = µ V [Xi] = σ 2 i = 1, ..., n X = 1 n n∑ i=1 Xi E[X] = µ V [X] = σ2 n Um segurador quer estimar µ, e para isso, usa uma de 3 alternativas: • Usa um prêmio de manual, M, como estimador de µ. • Usa X, como estimador de µ (Credibilidade total). • Usa uma combinação linear de X e M, como estimador de µ (Credibi- lidade parcial). 2 Credibilidade total P (|X − µ| ≤ rµ) ≥ p De acordo com o TCL, limn−>∞ √ n(X − µ) σ ∼ N(0, 1) P (|X − µ| ≤ rµ) = P (| √ n(X − µ) σ | ≤ √ nrµ σ ) ≥ p 2Φ( √ nrµ σ )− 1 ≥ p 1 √ nrµ σ ≥ z p+1 2 O que leva à fórmula do padrão para credibilidade total: n ≥ z2p+1 2 σ2 r2µ2 Pode-se dizer também que essa é a fórmula usada para calcular o número mínimo de unidades de exposição necessário para credibilidade total. Numa situação em que há uma variável específica para o número de sinistros num ano (geralmente definida como Ni) e uma para a severidade da perda (geralmente definida como Yij), pode-se pedir outras coisas, como: • Número esperado total de sinistros nE[Ni] ≥ z2p+1 2 σ2E[Ni] r2µ2 • Perda total esperada nE[Xi] ≥ z2p+1 2 σ2E[Xi] r2µ2 3 Credibilidade parcial O prêmio de credibilidade é calculado, nesse caso, usando o fator de credibi- lidade, z. Pc = zX + (1− z)M E[Pc] = zE[X] + (1− z)M = zµ+ (1− z)M V [Pc] = z 2V [X] = z2σ2 n P (|Pc − E[Pc]| ≤ rµ) ≥ p De acordo com o TCL, limn−>∞ Pc − E[Pc] V [Pc] ∼ N(0, 1) P (|Pc−E[Pc]| ≤ rµ) = P (|Pc − E[Pc] V [Pc] | ≤ rµ V [Pc] ) = P (|z √ n(X − µ) zσ | ≤ √ nrµ zσ ) = 2 = P (| √ n(X − µ) σ | ≤ √ nrµ zσ ) ≥ p 2Φ( √ nrµ zσ )− 1 ≥ p √ nrµ zσ ≥ z p+1 2 O que leva à seguinte fórmula: z ≤ √ nrµ z p+1 2 σ z = min{ √ nrµ z p+1 2 σ , 1} Pode-se também usar o padrão para credibilidade total (e chamá-lo de nT ) da seguinte forma: z = √ n nT 4 Credibilidade de maior precisão Caso se descubra que o parâmetro µ não é bem estimado por X, é preciso estimá-lo de forma diferente. O caso mais importante é o em que o parâ- metro varia, de acordo com certas características de interesse. Para usar a abordagem de credibilidade de maior precisão, é preciso presumir que: • Cada segurado é caracterizado por um nível de risco específico, θ. • O valor de θ varia entre segurados da mesma classe de risco, presunção que nos permite quantificar as diferenças entre os níveis de risco. • O nível pode ser visto como uma variável aleatória. 5 Revisão de condicionamento Para distribuições contínuas: fX|Y (x|y) = fX,Y (x, y) fY (y) fX(x) = ∫ ∞ −∞ fX,Y (x, y)dy = ∫ ∞ −∞ fX|Y (x|y)fY (y)dy 3 E[Xk|Y ] = ∫ ∞ −∞ xkfX|Y (x|y)dx Para distribuições discretas: P (X = x|Y = y) = P (X = x, Y = y) P (Y = y) P (X = x) = P (X = x, Y = y) P (Y = y|X = x) Propriedade da esperança dupla: E[X] = E[E[X|Y ]] Lei da variância total: V [X] = E[V [X|Y ]] + V [E[X|Y ]] 6 Credibilidade bayesiana O parâmetro de interesse é tratado como uma variável aleatória, com uma distribuição a priori. A partir dos dados de perdas observadas, e da distri- buição do parâmetro, queremos prever os valores de perdas futuras. Para fazê-lo usa se a densidade preditiva: fXn+1|x(xn+1|x) = ∫ ∞ −∞ fXn+1|Θ(xn+1|θ)fΘ|x(θ|x) O prêmio de Bayes nada mais é do que a esperança da preditiva: pBayes = E[Xn+1|x] = E[E[Xn+1|Θ]|x] 7 Prêmios de Bühlmann e Bühlmann-Straub O prêmio de de Bühlmann é uma aproximação linear do de Bayes. E é uma aproximação perfeita em casos em que as distribuições a priori do parâmetro e a dos dados são conjugadas. Nele, presume-se sempre que as perdas em diferentes espaços de tempo (Xi) são variáveis independentes e identicamente distribuídas (i.i.d.). Um problema com isso é que isso não nos permite lidar com problemas em que a exposição varia. O de Bühlmann-Straub, no en- tanto, nos permite, com pequenos ajustes às fórmulas. Prêmio de Bühlmann pBuhlmann = E[Xn+1|x] = zx+ (1− z)pCol 4 z = n n+ I I = E[V [X|Θ]] V [E[X|Θ]] Equação de falta de enviesamento E[E[Xn+1|Θ]] = α0 + n∑ i=1 αiE[Xi] Equações normais para Bühlmann: E[Xn+1] = α0 + n∑ i=1 αiE[Xi] Cov[Xj, Xn+1] = n∑ i=1 αiCov[Xi, Xj] No prêmio de Bühlmann-Straub, as perdas no i-ésimo ano, Xi, passam a ser uma média dentro do próprio ano, sendo mi o número de unidades de exposição dentro de cada ano. Dessarte: Xi = 1 mi mi∑ j=1 Xij Com essas mudanças, as perdas Xij não são i.i.d., dependendo, pois, do nú- mero de unidades de exposição dentro de cada ano, o que não nos permitiria aplicar a credibilidade de Bühlmann. Mas a utilização da perda média por ano, Xi, nos confere uma esperança que não depende dos mi. Prêmio de Bühlmann-Straub pBuhlmann = E[Xn+1|x] = zx+ (1− z)pCol z = m m+ I I = E[V [X|Θ]] V [E[X|Θ]] m = n∑ i=1 mi X = 1 m n∑ i=1 miXi Equação normal para Bühlmann-Straub: a = vaj mj + n∑ i=1 αia 5 8 Credibilidade exata Credibilidade exata ocorre quando os prêmios de Bayes e Bühlmann coin- cidem. Os exemplos específicos ficarão no outro arquivo, de credibilidade exata. 9 Fórmulas necessárias Prêmio Coletivo pCol = E[X] = E[E[X|Θ]] Prêmio de Bayes pBayes = E[Xn+1|x] = E[E[Xn+1|Θ]|x] Prêmio de Bühlmann pBuhlmann = E[Xn+1|x] = zx+ (1− z)pCol z = n n+ I I = E[V [X|Θ]] V [E[X|Θ]] Equação de falta de enviesamento E[E[Xn+1|Θ]] = α0 + n∑ i=1 αiE[Xi] Equações normais para Bühlmann: E[Xn+1] = α0 + n∑ i=1 αiE[Xi] Cov[Xj, Xn+1] = n∑ i=1 αiCov[Xi, Xj] Prêmio de Bühlmann-Straub pBuhlmann = E[Xn+1|x] = zx+ (1− z)pCol z = m m+ I 6 I = E[V [X|Θ]] V [E[X|Θ]] m = n∑ i=1 mi X = 1 m n∑ i=1 miXi Equação normal para Bühlmann-Straub: a = vaj mj + n∑ i=1 αia 7
Compartilhar