mÉtodos estatÍsticos aplicados ao seguro agrÍcola copyright vitor ozaki 2006
TRANSCRIPT
MEacuteTODOS ESTATIacuteSTICOS APLICADOS AO SEGURO
AGRIacuteCOLA
Copyright Vitor Ozaki 2006
1 Problemas no mercado de seguro agriacutecola2 Complexa precificaccedilatildeo3 Tendecircncia e heteroscedasticia4 Modelagem Estatiacutestica5 Caacutelculo Atuarial6 Metodologias Atuariais
61 O modelos Gaussiano62 Mistura finita de distribuiccedilotildees63 Modelo temporal64 Modelo espacial65 Modelo espaccedilo-temporal
7 Resultados8 Conclusotildees
Outline
RISCO MORAL
bull As seguradoras satildeo incapazes de monitorar perfeitamente os segurados
bull Produtores podem mudar suas praacuteticas culturais apoacutes a contrataccedilatildeo do seguro
bull O seguro subvencionado resulta em aumento do risco
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
Erros na precificaccedilatildeo Implicaccedilotildees para a SELECcedilAtildeO ADVERSA
bull Se a seguradora precificar com base no risco meacutedio dos produtores entatildeo ocorrem duas situaccedilotildees
bull a seguradora iraacute cobrar um precircmio maior do que aquele que os produtores de baixo risco estaratildeo dispostos a pagar e
bull a seguradora estaraacute cobrando um precircmio menor do que aquele que os produtores de alto risco estaratildeo dispostos a pagar
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Consequumlentemente os produtores de baixo risco seratildeo desencorajados a comprar o seguro restando apenas aqueles com maior risco
bull As indenizaccedilotildees aumentam resultando em perdas para a seguradora
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
1 Problemas no mercado de seguro agriacutecola2 Complexa precificaccedilatildeo3 Tendecircncia e heteroscedasticia4 Modelagem Estatiacutestica5 Caacutelculo Atuarial6 Metodologias Atuariais
61 O modelos Gaussiano62 Mistura finita de distribuiccedilotildees63 Modelo temporal64 Modelo espacial65 Modelo espaccedilo-temporal
7 Resultados8 Conclusotildees
Outline
RISCO MORAL
bull As seguradoras satildeo incapazes de monitorar perfeitamente os segurados
bull Produtores podem mudar suas praacuteticas culturais apoacutes a contrataccedilatildeo do seguro
bull O seguro subvencionado resulta em aumento do risco
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
Erros na precificaccedilatildeo Implicaccedilotildees para a SELECcedilAtildeO ADVERSA
bull Se a seguradora precificar com base no risco meacutedio dos produtores entatildeo ocorrem duas situaccedilotildees
bull a seguradora iraacute cobrar um precircmio maior do que aquele que os produtores de baixo risco estaratildeo dispostos a pagar e
bull a seguradora estaraacute cobrando um precircmio menor do que aquele que os produtores de alto risco estaratildeo dispostos a pagar
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Consequumlentemente os produtores de baixo risco seratildeo desencorajados a comprar o seguro restando apenas aqueles com maior risco
bull As indenizaccedilotildees aumentam resultando em perdas para a seguradora
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
RISCO MORAL
bull As seguradoras satildeo incapazes de monitorar perfeitamente os segurados
bull Produtores podem mudar suas praacuteticas culturais apoacutes a contrataccedilatildeo do seguro
bull O seguro subvencionado resulta em aumento do risco
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
Erros na precificaccedilatildeo Implicaccedilotildees para a SELECcedilAtildeO ADVERSA
bull Se a seguradora precificar com base no risco meacutedio dos produtores entatildeo ocorrem duas situaccedilotildees
bull a seguradora iraacute cobrar um precircmio maior do que aquele que os produtores de baixo risco estaratildeo dispostos a pagar e
bull a seguradora estaraacute cobrando um precircmio menor do que aquele que os produtores de alto risco estaratildeo dispostos a pagar
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Consequumlentemente os produtores de baixo risco seratildeo desencorajados a comprar o seguro restando apenas aqueles com maior risco
bull As indenizaccedilotildees aumentam resultando em perdas para a seguradora
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Erros na precificaccedilatildeo Implicaccedilotildees para a SELECcedilAtildeO ADVERSA
bull Se a seguradora precificar com base no risco meacutedio dos produtores entatildeo ocorrem duas situaccedilotildees
bull a seguradora iraacute cobrar um precircmio maior do que aquele que os produtores de baixo risco estaratildeo dispostos a pagar e
bull a seguradora estaraacute cobrando um precircmio menor do que aquele que os produtores de alto risco estaratildeo dispostos a pagar
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Consequumlentemente os produtores de baixo risco seratildeo desencorajados a comprar o seguro restando apenas aqueles com maior risco
bull As indenizaccedilotildees aumentam resultando em perdas para a seguradora
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Consequumlentemente os produtores de baixo risco seratildeo desencorajados a comprar o seguro restando apenas aqueles com maior risco
bull As indenizaccedilotildees aumentam resultando em perdas para a seguradora
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
RISCO SISTEcircMICO
bull Para o mercado segurador a ocorrecircncia de tais eventos catastroacuteficos dificulta sobremaneira a continuidade das seguradoras no ramo de atividade
bull No caso agriacutecola esses eventos apresentam elevada severidade e sua ocorrecircncia atinge natildeo apenas uma propriedade rurais mas milhares de propriedades em uma grande extensatildeo territorial
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Por esse motivo diz-se que o risco eacute altamente correlacionado
bull Esse fato viola um dos princiacutepios baacutesicos do mercado de seguros as unidades expostas devem ser homogecircneas e independentes
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bullComo lidar com isso
Resseguro (O mercado consegue assimilar)
Constituir reservas Resseguro governamental
bullPara a seguradora constituir reservas e ressegurar suas operaccedilotildees podem natildeo ser o suficiente para suportar um evento catastroacutefico
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Complexa precificaccedilatildeo bull Alta exposiccedilatildeo catastroacuteficabull Alto custo de fiscalizaccedilatildeo e peritagembull Graves problemas de fraudesbull Severa antiseletividadebull Inexperiecircncia e falta de profissionais
especializados no ramobull Ausecircncia de normatizaccedilatildeobull Falta de dados estatiacutesticos
Problemas no mercado de seguro agriacutecola
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull A metodologia deve levar em conta diversas idiossincrasias presentes nos dados de produtividade agriacutecola
bull Dificuldades de ordem amostral
Neste caso o tamanho das seacuteries histoacutericas de produtividade eacute relativamente pequeno impossibilitando a detecccedilatildeo de qualquer tipo de padratildeo e a aplicaccedilatildeo dos testes estatiacutesticos convencionais
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Problemas de correlaccedilatildeo espacial
Decorre do fato de que propriedades (municiacutepios) mais proacuteximas apresentam maior dependecircncia espacial em relaccedilatildeo a propriedades (municiacutepios) mais afastadas
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Existem versotildees alternativas do Teorema do Limite Central para processos espaciais que suportam a suposiccedilatildeo de normalidade
A suposiccedilatildeo de normalidade eacute aceitaacutevel quando a dependecircncia espacial se reduz rapidamente quando a distacircncia aumenta (Guyon 1995)
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Correlaccedilatildeo serial
Quando a produtividade em anos anteriores estaacute correlacionada com a produtividade no ano atual
bull Presenccedila de tendecircncia
A produtividade observada em 1980 por exemplo natildeo pode ser comparada com a produtividade observada em 2004
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Heteroscedasticidade
Situaccedilatildeo em que os dados apresentam variabilidade natildeo constante Todos estes fatores dificultam sobremaneira a anaacutelise dos dados
bull Ignoraacute-los podem levar a resultados completamente equivocados
Complexa Precificaccedilatildeo
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull O problema eacute que o processo gerador dos dados de produtividade natildeo eacute constante mas varia com o tempo
bull O niacutevel da produtividade agriacutecola muda com o passar do tempo
bull A proacutexima figura ilustra as peculiaridades supramencionadas
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
y
t
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Se os desvios da tendecircncia satildeo proporcionais ao niacutevel da produtividade agriacutecola entatildeo a suposiccedilatildeo de coeficiente de variaccedilatildeo constante eacute suportada
bull Nesse caso erros proporcionais εt seratildeo calculados dividindo o termo de erro ut pelo seu respectivo valor predito
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Os valores resultantes seratildeo homoscedaacutesticos (Goodwin e Ker 1998)
bull Para expressar a produtividade em termos da tecnologia de 2005 multiplicar (1 + erros proporcionais) pela produtividade observada em 2005 resultando em produtividades normalizadas yn
yn = (1 + εt) y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Por outro lado se os erros forem natildeo proporcionais ao niacutevel da produtividade (coeficiente de variaccedilatildeo natildeo-constante)
bull Entatildeo a produtividade normalizada seraacute calculada somando o termo de erro agrave produtividade observada em 2005
yn = ut + y2004
Tendecircncia e Heteroscedasticidade
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull A modelagem estatiacutestica de dados de produtividade agriacutecola tem sido um ponto bastante controverso
bull Diversas abordagens tecircm sido consideradas
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Meacutetodos Semiparameacutetricos (Ker and Coble 2003)
bull Modelos Natildeo-parameacutetricos (Goodwin and Ker 1998 Turvey and Zhao 1999 Ozaki 2005) and
bull Bayes Empiacuterico natildeo-parameacutetrico (Ker and Goodwin 2000)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Dentro da abordagem parameacutetrica diversos autores concluem que a produtividade agriacutecola segue uma distribuiccedilatildeo Normal (Just and Weninger 1999)
bull Entretanto outros pesquisadores encontraram evidecircncias contra a Normalidade (Day 1965 Taylor 1990 Ramirez 1997 and Ramirez et al 2003)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Outras abordagens incluem
bull A distribuiccedilatildeo Beta (Nelson and Preckel 1989)
bull Transformaccedilotildees Seno Hiperboacutelico Inverso (Moss and Shonkwiler 1993) and
bull Distribuiccedilotildees Gamma (Gallagher 1987)
Modelagem estatiacutestica dos dados de produtividade agriacutecola
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Antes de abordar a metodologia atuarial eacute interessante explorar os componentes da taxa de precircmio
bull Sabe-se que
Precircmio = (taxa de precircmio) x (responsabilidade)
Taxa de precircmio
custo esperadoda perda
custos adicionais=
responsabilidade+
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Caacutelculo Atuarial
bull Ainda
custos adicionais
=
custo da perda
indenizaccedilatildeo=
responsabilidade
reservas fundo de cataacutestrofe
custo admin retornos+ + +
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Custo esperado da perda
bull Geralmente para longas seacuteries de dados o custo histoacuterico da perda eacute usado como estimativa para o custo esperado da perda
bull Exemplo $30 milhotildees em indenizaccedilotildees para cada $100 milhotildees em responsabilidade rarr custo esperado da perda = 03
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Para riscos catast (seca) a variacircncia ao redor de 3 seria alta e provavelmente assimeacutetrica para a direita
bull Caso a seca ocorra o custo da perda eacute alto
bull Caso a seca natildeo ocorra o custo da perda eacute baixo
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Reservas
bull As reservas financeiras satildeo necessaacuterias caso as indenizaccedilotildees superem os precircmios recolhidos em dado ano
bull Quanto maior a variacircncia ao redor do custo esperado da perda maior a necessidade de se constituir reservas
bull Consequentemente para cobrir riscos considerados catast essas reservas seratildeo maiores do que riscos natildeo-catastroacuteficos
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Fundo de cataacutestrofe
bull Essa reserva deve ser adicionada agrave taxa quando os eventos satildeo considerados correlacionados
bull Nesse contexto o custo da perda pode natildeo representar precisamente as perdas futuras
bull Eventos de baixa-frequecircncia alta-severidade podem ser subestimados ou superestimados
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Retorno ao investimento
bull Quanto mais variaacutevel o retorno ao investimento maior deveraacute ser a taxa meacutedia de retorno demandado pelo investidor (seguradora)
bull Consequentemente as seguradoras requerem uma taxa de retorno maior para os ramos de seguro de alta variabilidade tais como o seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Correlaccedilotildees positivas entre unidades seguradas reduzem consideravelmente as propriedades de agregaccedilatildeo vitais para o seguro
bull As seguradoras satildeo forccediladas a aumentar suas reservas e constituir um fundo catastroacutefico
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Os custos administrativos satildeo relativamente maiores e haacute a exigecircncia de elevado retorno do investimento
bull Todos esses fatores aumentam a taxa de precircmio no seguro agriacutecola
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
A taxa de precircmio pura do seguro agriacutecola seraacute dado por
e
eeY
eY
y
yyYyEyF
)]|([)(
Em queE eacute o operador de esperanccedila e F a distribuiccedilatildeo cumulativa da produtividade
O precircmio do seguro eacute obtido multiplicando-se a taxa de precircmio pelo valor segurado
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Alguns paracircmetros de interesse
Produtividade esperada Variacircncia (risco) da produtividade e Distribuiccedilatildeo de probabilidade da produtividade
bull E (perda) = Pr (perda) x E (perda|perda ocorreu)
bull Taxa de precircmio = E (perda) produtividade garantida
Caacutelculo Atuarial
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
2 Anaacutelise parameacutetrica claacutessicabull Distribuiccedilatildeo Gaussiana e Beta
4 Modelos Bayesianos
3 Abordagem Natildeo-parameacutetricabull Kernel Estimator
1 Meacutetodo empiacuterico
Metodologias Atuariais
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Usualmente utiliza-se o meacutetodo empiacuterico para precificar contratos de seguro
bull Esse meacutetodo consiste em dividir a perda meacutedia sobre a responsabilidade resultando em taxas empiacutericas
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Desvantagens
ndash Para refletir precisamente o custo da perda eacute necessaacuterio seacuteries histoacutericas longas
ndash Mesmo se existissem tais seacuteries para o seguro agriacutecola seria difiacutecil captar perdas catastroacuteficas com grande precisatildeo
ndash Este meacutetodo natildeo leva em consideraccedilatildeo nenhuma anaacutelise estatiacutestica
1 Meacutetodo Empiacuterico
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Ajuste atraveacutes das Distribuiccedilotildeesbull Gaussiana
bull Beta
)1(
)1()( yyyf
22 2)(exp2
1)(
yyf
Com paracircmetros estimados pelo meacutetodo da maacutexima verossimilhanccedila
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
produtividade
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
produtividade
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
2 Anaacutelise Parameacutetrica Claacutessica
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
O estimador kernel da densidade f(y) pode ser representada como uma convoluccedilatildeo da distribuiccedilatildeo amostral utilizando-se uma funccedilatildeo kernel K representada por
Em que K h (v) = 1hK(vh) and Fn(v) eacute a funccedilatildeo de distribuiccedilatildeo amostral
)()()(ˆ vdFvyKyf nh
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull O estimador kernel eacute a soma de ldquosaltosrdquo (bumps) localizados em cada observaccedilatildeo A funccedilatildeo kernel determina a forma destes saltos e a janela sua largura
bull Quanto maior o valor da janela maior o alisamento da seacuterie (os detalhes tendem a desaparecer)
bull O inverso tambeacutem eacute vaacutelido quanto menor o valor da janela os saltos teratildeo uma forma de pico tornando mais pronunciado os detalhes na densidade
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Seja A B e C vizinhos ao municiacutepios D O seguinte esquema aumenta o nuacutemero de observaccedilotildees em cada seacuterie
DADBDCD
bull Em outras palavras D teraacute peso 47 e o resto (ABC) 17
A
B
C
D
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull De modo geral os pesos seratildeo iguais a
Municiacutepio central = (N +1) (2N + 1) Municiacutepios vizinhos = 1 (2N + 1)
Em que N eacute o nuacutemero de municiacutepios vizinhos
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
0
05
1
15
2
25
3
35
3 Abordagem Natildeo-parameacutetrica
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull A abordagem Bayesiana assume inicialmente que as observaccedilotildees satildeo condicionalmente independentes dado os paracircmetros do modelo e
bull Em em segundo estaacutegio a dependecircncia eacute incorporada atraveacutes da atribuiccedilatildeo de distribuiccedilotildees agrave priori aos paracircmetros
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull A estrutura hieraacuterquica do modelo permite incorporar de maneira relativamente simples e intuitiva o efeito espacial o efeito temporal e permite a interaccedilatildeo destes dois efeitos resultando em modelos espaccedilo-temporais
bull Pode-se por aninhar o efeito espacial dentro do efeito temporal (permitindo assim examinar os padrotildees do efeito espacial no tempo)
4 Modelos Bayesianos
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull Considerando a meacutedia como sendo idecircntica a E(yit) onde i representa o indexador da variaacutevel espacial e t a variaacutevel temporal tal que i = 1 2 S t = 1 2 T e yit seraacute a produtividade no municiacutepio i no tempo t
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
4 Modelos Bayesianos
bull O objetivo entatildeo seraacute modelar o paracircmetro de meacutedia tal que capte as covariaacuteveiso efeito temporal a variaccedilatildeo espacial da produtividade agriacutecola e o efeito espaccedilo-temporal
bull Diversos modelos podem ser explorados
bull Trataremos apenas de alguns
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull A meacutedia μit foi suposta ser proveniente de duas subpopulaccedilotildees ou grupos um grupo catastroacutefico e outro natildeo-catastroacutefico
bull Entende-se por catastroacutefico o evento climaacutetico que venha a ocorrer em determinado ano tal como seca excesso de chuva granizo etc
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Desta forma caso venha a ocorrer um evento climaacutetico adverso a produtividade agriacutecola seraacute considerada proveniente do grupo catastroacutefico
bull Caso contraacuterio considera-se a produtividade como do grupo natildeo-catastroacutefico
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Caso ocorra um evento climaacutetico adverso a produtividade seraacute proveniente do grupo catastroacutefico
bull Caso contraacuterio a produtividade seraacute designada ao grupo natildeo-catastroacutefico
bull Assim pode-se pensar na produtidade como proveniente de uma mistura finita de duas distribuiccedilotildees
41 Mistura de distribuiccedilotildees41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Isso porque eventos catastroacuteficos podem ser considerados muito menos frequentes e a produtividade observada nestes anos ser muito inferior a de anos regulares (normais)
bull Sendo assim espera-se que o primeiro grupo tenha massa menor comparado ao segundo grupo e tal concentraccedilatildeo se situe na calda inferior da primeira
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull O modelo misto geral pode ser descrito como
Em que θj eacute o vetor de paracircmetros j eacute o nuacutemero de componentes tal que j = 1 2 J e γj o paracircmetro representando a proporccedilatildeo da populaccedilatildeo atribuiacuteda ao componente j
1 1 1( | ) ( | )
J
j j j jjf y f y
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull No caso em que f (y | ) representa uma distribuiccedilatildeo gaussiana a eq (1) pode ser escrita como
41 Mistura de distribuiccedilotildees
j
jjjjjj yNyf )()( 22
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Alternativamente pode ser introduzido uma variaacutevel indicadora natildeo observada que identifica qual componente cada observaccedilatildeo eacute designada
bull Esta variaacutevel indicadora I recebe valores iguais a i quando y eacute sorteada do j-eacutesimo componente
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Deste modo equivalentemente o modelo misto em pode ser representado como
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
y | I ~ f(y | I)
I | ~ DCat ( )
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull Uma distribuiccedilatildeo agrave priori categoacuterica foi atribuiacuteda agrave I
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
1
)(
)()(
j
jjjj
j jqf
41 Mistura de distribuiccedilotildees
Copyright Vitor Ozaki 2006
bull A priori conjugada seraacute a distribuiccedilatildeo Dirichlet com hiper-paracircmetro α
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
t
p
l
llt ut
1
t = ut-1 + ut
t = yt-1 + 0 + 1t + 2t2 + ut
42 Os Modelos Temporais
Copyright Vitor Ozaki 2006
bull Modelos de tendecircncia determiniacutestica
bull Modelos de tendecircncia estocaacutestica
bull Modelos determiniacutesticos e estocaacutesticos
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel espacial Φi pode ser designada como Φi = ξi + vi em que
vi eacute denominada variaacutevel latente natildeo-estruturada espacialmente (heterogeneidade) e
ξi a variaacutevel latente estruturada ou correlacionada espacialmente (clustering)
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
A variaacutevel natildeo-estruturada segue uma distribuiccedilatildeo Normal de modo que
e a variaacutevel estrutura espacialmente ξi
condicional a ξj onde j ne i eacute modelada de modo que
onde eacute a meacutedia dos ξirsquos e i pertence as aacutereas adjancentes
vi ~ N( 2 )
i ~ N( i 2 ni)
i
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
ij
jijiiji )(21exp~| 22
where φi ge 0 is a ldquosample sizerdquo associated with region i and ij ge 0 is
the weight reflecting the influence of j on the conditional mean of i
We let ωij = 1 if j is neighbor of i and 0 otherwise and set φi equal the number of neighbors of i Thus the conditional distribution ξi | ξj simplifies to i ~ N( i 2
ni) where i is the average of the j rsquos in
which j indexes the neighboring sites of i
Copyright Vitor Ozaki 2006
43 Os Modelos Espaciais
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais Devido agrave permutabilidade condicional dado o tempo a
distribuiccedilatildeo agrave priori resultante pode ser representada por
)(ti
iid
~ N( )(2)( tt )
Considerou-se para o efeito espacial )(ti na i-eacutesima regiatildeo no
ano t a priori CAR dado o tempo t
Assim )(ti ~ N( )(t
i )(2 t ni) onde )(t
i eacute a meacutedia das j-eacutesimas
aacutereas adjancentes a i
Distribuiccedilotildees Inversa Gama foram consideradas como hiper-
prioris para )(2 t e )(2 t
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
A little different spatio-temporal model was fitted to the data set We
also allow the spatial effects to be nested within the temporal
process such that the parameters of the deterministic trend ( rsquos) are
modeled using the CAR prior
Intuitively one can think of the trend parameters as being correlated
across space given time Thus we have the following general
expression for the mean component itiii
it utt 2)(2
)(1
)(0 As
was described in the previous subsection we can incorporate the
stochastic term in the general expression
Copyright Vitor Ozaki 2006
44 Os Modelos Espaccedilo-Temporais
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull No modelo a variaacutevel espacial estaacute aninhada ao efeito temporal (permitindo checar a variaccedilatildeo espacial no tempo)
bull Geralmente utiliza-se o algoritmo MCMC para estimar os paracircmetros do modelo
bull Apoacutes a estimaccedilatildeo deve-se checar a convergecircncia e mistura de todos os paracircmetros
44 Os Modelos Espaccedilo-Temporais
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Trabalhando no espaccedilo de preditivas a penalidade surge sem a necessidade de definiccedilotildees assintoacuteticas
bull Intuitivamente pode-se dizer que bons modelos devem realizar prediccedilotildees proacuteximas ao que foi observado em experimentos idecircnticos
5 Seleccedilatildeo de Modelos
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull O objetivo eacute minimizar a perda preditiva a posteriori denominada erro predito quadraacutetico
bull A distribuiccedilatildeo preditiva agrave posteriori eacute mostrado abaixo
dMyMpMyfyyf obsnewobsnew )|()|()|(
5 Seleccedilatildeo de Modelos
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Em que M representa o conjunto de todos os paracircmetros em certo modelo e ynew eacute a reacuteplica do vetor de dados observados yobs
bull O objetivo eacute escolher aquele que minimiza a esperanccedila da funccedilatildeo de discrepacircncia condicional a yobs e Mi onde o subscrito i representa todos os paracircmetros em determinado modelo i
5 Seleccedilatildeo de Modelos
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Para modelos gaussianos a funccedilatildeo de discrepacircncia e Dm respectivamente eacute dada por
5 Seleccedilatildeo de Modelos
d(xnew xobs) = (xnew - xobs)T(xnew - xobs)
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Copyright Vitor Ozaki 2006
5 Seleccedilatildeo de Modelos
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Modelo BayesianoMODEL for (i in 1M) for (t in p+1N) y[i t] ~ dnorm(mu[i t] tau) mu[i t] lt- rho[i] y[i t - 1] + beta0[i] + beta1[i] (t - 7) Exchangeable prior for the rhos rho[i] ~ dnorm(rho0 taur) beta0[i] ~ dnorm(0010E-6) beta1[i] lt- zeta1[i] + b1 Compute the predictive error prederror[i] lt- y[iN-1]-y[iN-2] Premium rates by counties for(j in 15) PR1[ij] lt- max(1-(y[iN-1](lmda[j]y[iN-2]))0) CAR priors for the zetas zeta1[1 M] ~ carnormal(neigh[ ] weig[ ] num[ ] tauS) Weights for the CAR prior for (k in 1Sum) weig[k] lt- 1 Priors for fixed effects rho0 ~ dnorm(0 01) taur ~ dgamma(01 01) b1 ~ dnorm(00 10E-3) tau ~ dgamma(01 0001) sigma lt- 1sqrt(tau) tauS ~ dgamma(aS bS) sigmaS lt- 1sqrt(tauS) Mean squared predictive error MSPE lt- inprod(prederror[] prederror[])M
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Premium Rate (PR) = e
eee
y
yyyyEyF
)]|([)(
If y = yαye
PR = P(y lt 1)[1 ndash E(y| y lt 1)]
If U = 1 - y
PR = P(U gt 0)[(1 ndash E(1 ndash U|1 ndash U lt 1)]
PR = P(U gt 0)[(1 ndash E(1 ndash U|U gt 0)]
PR = P(U gt 0) E(U|U gt 0)
0
0
f(u)du
f(u)duu
0) U|E(U
PR = P(U gt 0)
0
0
f(u)du
f(u)duu
But P(U gt 0) =
0
f(u)du
PR =
0
f(u)duu
PR = 0)f(u)duu(u I
PR = E[U I(U gt 0)]
Derivaccedilatildeo da Taxa de Precircmio
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
for(t IN 2 T) for(i IN 1 S)
sigma
tau
kappasigma
kappatau
c
rhotau
rhomu
kappa[i]
zeta2[i] zeta1[i]
rho[i]
mu[i t] y[it-1]
y[i t]
neigh
wei
num
Modelo Graacutefico
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Resultados dos modelos
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 2 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00689 01400 07198 08979 03501 11364
75 01807 02819 11814 14252 06965 18961
80 04244 05561 17041 20766 12288 29264
85 08518 10213 24641 30094 19712 44149
90 15062 17025 34764 42388 31059 63614
Taxas de precircmio ndash soja
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 3 Taxas empiacutericas de precircmio () para milho no municiacutepio de Guarapuava
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 3224 2260 27038 54815 2083 3635
75 4355 3470 35492 68271 2791 4739
80 5797 4960 42889 80417 3778 6217
85 7643 6280 50048 91484 4901 7963
90 9403 7450 63087 101873 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 4 Taxas de precircmio () para milho no municiacutepio de Guarapuava calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 4518 3270 27993 64311 2083 3635
75 5706 4280 36722 75549 2791 4739
80 7021 5400 45412 86799 3778 6217
85 8431 6540 55478 99206 4901 7963
90 9906 7790 67250 112357 6330 9815
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 5 Taxas empiacutericas de precircmio () para o trigo no municiacutepio de Tibagi
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 29897 23477 27410 21906 11889 24382
75 37435 30671 36470 30301 17825 34711
80 46911 39635 47255 41162 25453 47907
85 57267 49860 60738 54861 35976 64816
90 71103 64530 75325 69222 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 6 Taxas de precircmio () para o trigo no municiacutepio de Tibagi calculadas pelo
meacutetodo natildeo-parameacutetrico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 34987 28571 37526 31213 11889 24382
75 43912 37330 47152 40751 17825 34711
80 54253 46800 58450 51020 25453 47907
85 65087 58878 70129 64051 35976 64816
90 78486 72912 84467 78854 49642 84299
Taxas de precircmio ndash trigo
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 7 Taxas de precircmio atuarialmente justas () calculadas para os municiacutepios de
Castro Ponta Grossa Marilacircndia do Sul Tibagi Catanduvas e Rolacircndia
atraveacutes do modelo Bayesiano
α () Municiacutepio
70 75 80 85 90
Castro 001389 008361 031770 089650 204100
Catanduvas 001684 009556 034150 090490 192000
Marilacircndia do Sul 001284 007567 031400 089860 200700
Ponta Grossa 000564 003877 017770 055270 132600
Rolacircndia 000104 001288 006320 022030 059290
Tibagi 001630 009599 035610 098040 212000
Taxas de precircmio ndash milho
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
2Taxas de Precircmiomuniciacutepios natildeo incluiacutedos1291 - 34793479 - 56665666 - 78547854 - 1004110041 - 12229
100 0 100 200 Miles
N
EW
S
Milho Proc1 40 NP 90
Taxas de precircmio ndash Meacutetodo NP
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Taxas de precircmio ndash Meacutetodo Bayesiano
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Under the Bayesian approach spatial and temporal dependence can be modeled as part of the model
bull Premium rates can be determined directly through the MCMC simulation
bull Thus uncertainty is taking into account when calculating rates
bull Insurance companies must consider all the special features of the agriculture when pricing a crop insurance contract
6 Abordagem Bayesiana
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Tabela 1 Taxas de precircmio () para soja no municiacutepio de Cascavel calculadas pelo
meacutetodo empiacuterico
Seacuterie Ajustada Seacuterie Natildeo-ajustada NC
d = 30 d = 40 d = 30 d = 40 Normal Beta
70 00513 01169 06120 06759 03501 11364
75 00830 02118 10840 11121 06965 18961
80 03813 05099 14970 16848 12288 29264
85 07263 09049 20600 25404 19712 44149
90 13001 15077 29120 35944 31059 63614
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
bull Implicaccedilotildees na praacutetica
ndash 90 da produtividade esperada assegurada
ndash Responsabilidade meacutedia segurada em uma carteira composta por 1 mil produtores R$ 1 mi
ndash Taxa de precircmio (meacutetodo empiacuterico) 130
ndash O precircmio meacutedio seraacute igual a R$ 13000
ndash Taxa de precircmio (meacutetodo parameacutetrico)311
ndash O precircmio meacutedio seraacute igual a R$ 31100
ndash Perda meacutedia no precircmio R$ 18100
PERDAS TOTAIS R$ 181 milhotildees
Implicaccedilotildees para as seguradoras
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006
Obrigado
Copyright Vitor Ozaki 2006