F (x) = O(e
−sx
) para algum s > 0. Distribui¸c˜oes deste tipo s˜ao chamadas distribui¸c˜oes de
cauda fina. E no caso contr´ario, quando M
F
(s) = +∞, para todo s > 0, s˜ao distribui¸c˜oes
de cauda grossa.
Exemplos de distribui¸c˜oes de cauda fina s˜ao a exponencial: F (x) = 1 − e
−αx
, α > 0; a
normal truncada: com densidade f (x) =
2
π
e
−
x
2
2
; a Weibull com taxa de falhas crescente:
F (x) = 1 − e
−cx
β
, c > 0 e β > 1; e qualquer distribui¸c˜ao com suporte limitado. J´a a
distribui¸c˜ao de Weibull com taxa de falhas decrescente: F (x) = 1 − e
−cx
β
, c > 0 e
0 < β < 1; a Pareto: F (x) = 1 −
c
c+x
α
, α, c > 0; a Lognormal: com densidade
f(x) =
1
√
2πσx
e
−
(lnx−µ)
2
2σ
2
, µ ∈ R, σ > 0, s˜ao, entre outras, exemplos de distribui¸c˜ao de
cauda grossa.
Como observamos acima, a desigualdade de Lundberg s´o pode ser usada para distri-
bui¸c˜oes de cauda fina.
Apesar da grande importˆancia do resultado de Lundberg dentro da Teoria de Risco,
a maioria das distribui¸c˜oes de indeniza¸c˜oes que melhor ajustam os dados encontrados em
problemas pr´aticos, especialmente no ramo da atu´aria, s˜ao distribui¸c˜oes de cauda grossa
e para as quais, no entanto, n˜ao ´e poss´ıvel garantir a existˆencia do coeficiente de ajuste
e, conseq¨uentemente, utilizar o limitante exponencial para a probabilidade de ru´ına.
Neste sentido, existem diversos trabalhos na literatura que apresentam estimativas
para a probabilidade de ru´ına na ausˆencia do coeficiente de ajuste ( Willmot (1996) e
Willmot e Lin (1994)entre outros).
Nesta se¸c˜ao, apresentaremos os resultados de Yang (1998) que obt´em limitantes n˜ao-
exponenciais para a probabilidade de ru´ına para os modelos b´asicos apresentados nas
se¸c˜oes anteriores, usando desigualdades de martingales. Utilizando t´ecnicas similares,
Yang e Zhang (2003) estenderam os resultados que apresentaremos nesta se¸c˜ao a mode-
23