[pt] As operações das empresas de óleo e gás são naturalmente perigosas e suscetíveis a ocorrência de acidentes. As perdas financeiras associadas a acidentes podem ser elevadas. Para evitar esse risco, é comum que as empresas adquiram seguros. No entanto, determinar seus parâmetros adequados requer estimativas de exposição ao risco, o que ainda é uma tarefa difícil. Para lidar com essa questão, alguns autores sugerem uma caracterização de incerteza baseada em barreiras de segurança. Essa abordagem facilita a definição das consequências e também atua de forma mais preditiva quando comparada aos modelos baseados apenas em dados históricos. Um modelo de otimização é sugerido, utilizando os resultados obtidos com o método de caracterização de incerteza mencionado. Como as funções de perdas não são completamente conhecidas, de forma a resolver o problema estocástico, uma abordagem de Sample Average Approximation (SAA) é usada. Os resultados obtidos foram comparados à situação sem seguro e a outras duas opções de contrato de seguros. O modelo de otimização proposto foi o que conferiu maior previsibilidade dos valores de perdas, apresentando o menor desvio-padrão. Ressalta-se que a segunda melhor opção obteve um desvio-padrão 102 por cento a mais do que o obtido com o seguro otimizado. Além disso, o modelo também proporcionou maior proteção contra os eventos extremos, característica representada pelos menores valores de VaR e CVaR, com a segunda melhor opção apresentando um CVaR 41 por cento maior do que o obtido com o seguro otimizado. / [en] Operations in oil and gas companies are naturally dangerous and susceptible to the occurrence of accidents. The financial losses due to accident damages can be elevated. To avoid the risk of high expenses, it is usual for firms to acquire insurance. However, setting the right parameters for an insurance contract requires estimating the firm s risk exposure, which is still a hard task. To handle this issue, some authors suggest uncertainty characterization models based on safety barriers and precursor information. This approach facilitates the definition of consequences and also acts in a more predictive way when compared to usual models based only on historical data. Then, an optimization model is suggested, using the results obtained with the uncertainty characterization method mentioned as one of its inputs. As loss functions are not fully known, in order to solve the stochastic problem, a Sample Average Approximation (SAA) approach is used. The results obtained were compared to the situation where the company does not acquire insurance and to other two insurance contract options. The optimization model proposed was the one that granted greater predictability to the loss values, presenting the smallest standard deviation. The second best option presented a standard deviation 102 percent greater than the one obtained with the optimized insurance. Also, the model provided greater protection against extreme events, characteristic shown by smaller VaR and CVaR values, with the second best option presenting a CVaR 41 percent greater than the optimized model s CVaR.