UNIVERSIDAD NACIONAL DE

INGENIERÍA

FACULTAD DE INGENIERÍA ECONÓMICA,

ESTADÍSTICA Y CIENCIAS SOCIALES

ESCUELA PROFESIONAL DE INGENIERÍA

ESTADÍSTICA

SEMINARIO CAPSTONE
Integrantes:
Gustavo Monje M.
Miliana Quispe.

LIMA, PERÚ
2022
INDICE
Introducción:.................................................................................................1
1. Interés de Aplicación:..........................................................................2
Marco Teórico:..............................................................................................3
1. Tarificación de micro seguros: Una aplicación del modelo Tweedie..3
1.1. Resumen de la distribución Tweedie:...............................................3
Fundamento del Problema:............................................................................5
1. Planteamiento del problema:...............................................................5
2. Formulación del Problema:..................................................................5
Objetivos de la Investigación:.......................................................................5
1. Objetivo General:.................................................................................5
2. Objetivos Específicos:.........................................................................5
Introducción:
1. Contexto y Motivation de la Investigation:
La mayoría de las personas económicamente activas usan algún
tipo de seguro, como seguro para el auto, seguro inmobiliario o en
la mayoría de los casos, seguro de vida o de salud. El
procedimiento más común para adquirir un seguro es pagar una
cuota, llamada prima, y si tenemos un siniestro, el seguro paga.
La gran duda es que es esa prima de seguro y como esta
compuesta, pues la prima de seguros es el precio del seguro, es
decir, el precio que el asegurado paga por la cobertura que recibe
del riesgo asegurado a su compañía de seguros, de esta manera, la
compañía de seguros, al cobrar la prima, se ve obligado a cumplir
con las coberturas estipuladas en la póliza del seguro.
La prima depende del tipo de riesgo asegurado y es fijada de
antemano por la compañía de seguros. Además, el precio de la
prima deberá ser el suficiente para que la aseguradora pueda hacer
frente a los siniestros asegurados.
Entonces, A diferencia de otro sector, en las empresas de seguro
no se sabe con exactitud cuánto cobrar por producto intangible
que ofrece, dado que este está condicionado a un riesgo, por ende,
a una incertidumbre. Por lo cual al no saber cuánto se debe cobrar
de Prima, se estima sus dos principales variables que son: la
frecuencia y la severidad, donde cada una se define de la siguiente
manera:
N ° Siniestro
Frecuencia=
N ° Expuestos

N ° Monto Monetario del Siniestro

Severidad=
N ° Siniestros

1
 PPR=Frecuencia∗Severidad

ó
Monto Monetario del Siniestro
PPR=
N ° Expuestos

Este último es llamado también el costo promedio por cada

asegurado expuesto, y es la prima Mínima que se debe de cobrar
para lograr una cobertura del seguro.
Comúnmente se utiliza para cada una de las variables un GLM
(para frecuencia es usual Poisson, Binomial no negativa,
binomial, y para Severidad una Gamma, Weibull) y luego
mediante una operación obtener la PPR.

1. Interés de Aplicación:
Implementar en la empresa de Seguros “X” el Modelo Tweedie
con el fin de evaluar su desempeño en cuanto al cálculo de la PPR
con respecto a los modelos clásicos para así tener la posibilidad
de proponer un método innovador para la empresa.

Marco Teórico:

2
 1. Tarificación de micro seguros: Una aplicación del
modelo Tweedie

1.1. Resumen de la distribución Tweedie:

Esta investigación se centra en la metodología de tarificación
basada en los modelos lineales generalizados que siguen una
distribución Tweedie para aplicarla a un caso real. En primer
lugar, se analizarán las características de la base de datos para
identificar cuál será la metodología adecuada. Después, se
aplicará esta técnica a nuestro colectivo con el fin de obtener el
modelo que mejor se ajuste a la experiencia acumulada. El
modelo óptimo proporcionará una tarifa multivariante ajustada al
perfil de riesgo individual, en función de las variables edad,
antigüedad de la póliza y densidad de la población asegurada.
Para finalizar, se comprueba mediante un doble análisis que el
modelo óptimo supera al modelo real que actualmente aplica la
compañía.
El análisis predictivo confirma que la distribución Poisson
compuesta con Gamma ajusta a nuestra cartera. A partir de aquí
se deduce que el modelo óptimo estima unas primas más precisas,
aportando un doble beneficio. Por un lado, las compañías
aseguradoras disponen de un mayor conocimiento, eliminando los
recargos asociados a la incertidumbre en la valoración. Además,
se contribuye con un efectivo control de riesgos al considerar la
variable antigüedad de la póliza en la tarifa, solventando la
selección adversa existente en nuestro micro seguro. Por el lado
social, se promueve el buen uso del producto con una tarifa
acorde al perfil de riesgo, lo que ayuda en la educación financiera
del cliente y favorece también la consecución de los objetivos
globales de desarrollar productos inclusivos y sostenibles. En
definitiva, la aplicación del modelo Tweedie en la tarificación de
micro seguros debería ser considerada en la práctica actuarial para
la estimación de las primas de riesgo.
El uso de modelos Poisson o Binomial negativo, nos pueden dar
resultados erróneos debido al mal ajuste de los datos pudiendo dar
3
como resultados falsos positivos. El uso de modelos del tipo
Hurdle y cero inflados también es limitado y está condicionado a
la existencia de un exceso de ceros, cosa que en muchos casos no
se observa. Por tanto, el uso de modelos con una distribución más
generalizada, como los modelos Poisson-Tweedie (PT) aportan
una ventaja clara ya que incluyen un mayor número de posibles
distribuciones, y en general nos aportan un mejor ajuste, ya que
son modelos capaces de adaptarse tanto a datos con exceso de
ceros, presencia de sobre dispersión o con colas pesadas. En este
trabajo mostraremos que la distribución PT es más apropiada para
analizar datos de ultra secuenciación.
Hemos visto que la distribución PT es una familia de
distribuciones que es capaz de modelar datos de conteos con
distintas peculiaridades (sobre dispersión, colas pesadas, exceso
de ceros, ...) sin tener que prefijar cuál de ellas es la más adecuada
en cada caso ya que el parámetro de forma se estima con los
datos. Cabe esperar, entonces, que esta característica puede
resultar esencial para analizar los datos. Este trabajo, pues,
pretende verificar mediante simulaciones y el análisis de datos
reales, cómo se comportan los modelos PT y si realmente aportan
una mejora respecto a los modelos usados comúnmente para el
análisis de conteos como el Poisson, Binomial Negativo, o sus
versiones Hurdle y con Ceros Inflados.

4
Fundamento del Problema:
1. Planteamiento del problema:
Desde muchos años atrás se conocen los modelos generalizados,
Modelos de dispersión Exponencial y otros modelos de mayor
complejidad respecto al modelo de regresión Lineal, sin embargo,
Estos modelos matemáticamente implica un cálculo muy tedioso
o por lo menos implicaban para algunos modelos, con el avance la
computación en las últimas décadas ha permitido poner a prueba
y en práctica las teorías en cuanto al arte del modelamiento
estadístico. Por consecuencia, en estos últimos años, estos
modelos complejos están tomando bastante relevancia
principalmente porque otorgan una mayor precisión a diferencia
de otros modelos GLM, también una mayor explicación y por
ende una mejor interpretación del fenómeno respecto a los
modelos de machine learning.
Por ende, en las empresas de Seguros a nivel internacional se está
comenzando a frecuentar la importancia del GLM - Tweedie
siendo expuesta como una novedad para la predicción de la Prima
Pura de Riesgo en Seguros en el año 2015 en una exposición del
Instituto de Actuarios Españoles. Dado que a diferencia de la
metodología clásica que es calcular dos GLM’s uno para la
Frecuencia (Frecuencia de reclamaciones) y otro para la
Severidad (Costo por cada reclamación) y para luego unirlo
mediante un producto de ambos y así obtener la Prima Pura de
Riesgo, el GLM – Tweedie lo que hace es modelar directamente
esa Prima.
Parte del Arte del Modelamiento Estadístico es observar cómo
está comportándose el fenómeno que se desea explicar o modelar,
y en base a eso y al background Estadístico que una persona
tenga, definirá una serie de distribuciones para aproximar y
posteriormente modelar tal fenómeno.
El comportamiento que nos interesa en esta oportunidad es
interpretar y modelar cuánta prima pura de riesgo deberíamos de
5
cobrar respecto a sus características de los clientes y respecto al
historial de frecuencias y de severidades del siniestro, ya que esta
Prima Pura de Riesgo es la prima mínima el cual debería de
cobrar una aseguradora para cubrir sus obligaciones futuras, sin
embargo al ser una empresa y tener gastos operativos, esta Prima
Pura de Riesgo servirá para calcular la Prima comercial que es la
que ya se le incluyen los porcentajes correspondientes a
utilidades, costos y servicios para operar la empresa. Por ende la
Prima Pura de Riesgo cumple con unas características especiales
que hace que reduzca los modelos candidatos a aplicar, entre su
características podemos ver que tiene diferentes agrupaciones
respecto a su frecuencia y severidad del siniestro, donde
podremos ver que esta distribución tendrá muchos ceros
(Frecuencia alta, costo cero de reclamación), pocos valores con
montos bajos (frecuencia baja, costos de reclamación bajo) , una
densidad entre rangos de Prima Pura de Riesgo medianamente
considerada (Frecuencia media, costos de reclamación
medianamente) y con una pequeña pero considerable frecuencia
con severidad muy altos (Frecuencia baja, costo de reclamación
muy alto), visualmente tendría la siguiente forma.

2. Formulación del Problema:

¿Mejorará la precisión del cálculo de la Prima pura de Riesgo
implementando un GLM – Tweedie, respecto a la metodología
clásica actual para la empresa de Seguros Nacional “LIMA”?
6
Objetivos de la Investigación:
1. Objetivo General:
Implementar un GLM – Tweedie para mejorar la precisión del
cálculo de la Prima Pura de Riesgo en la empresa de Seguros “X”
2. Objetivos Específicos:
- Implementar el mejor Modelo Lineal Generalizado –
Tweedie.
- Implementar el mejor modelo clásico para la PPR.
- Comparar la capacidad predictiva para la PPR entre el
modelos método clásico y el GLM-Tweedie.

7
8
9
10