Pla docent de l'assignatura

 

 

Tanca imatge de maquetació

 

Imprimeix

 

Dades generals

 

Nom de l'assignatura: Models Estadístics Aplicats

Codi de l'assignatura: 568976

Curs acadèmic: 2021-2022

Coordinació: Maria De Las Mercedes Ayuso Gutierrez

Departament: Departament d'Econometria, Estadística i Economia Aplicada

crèdits: 2,5

Programa únic: S

 

 

Hores estimades de dedicació

Hores totals 62.5

 

Activitats presencials i/o no presencials

22.5

 

-  Teoricopràctica

Presencial i no presencial

 

22.5

Treball tutelat/dirigit

20

Aprenentatge autònom

20

 

 

Competències que es desenvolupen

 

Competències bàsiques i generals

— Capacitat per tenir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament o aplicació d’idees, sovint en un context de recerca.

— Capacitat per aplicar els coneixements adquirits i per resoldre problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb l’àrea d’estudi.

— Capacitat per comunicar les conclusions (i els coneixements i raons últimes que les sustenten) a públics especialitzats i no especialitzats d’una manera clara i sense ambigüitats.

— Habilitats d’aprenentatge per continuar estudiant d’una manera que ha de ser en bona mesura autodirigida o autònoma.

— Habilitat per parlar bé en públic.

 

 

 

 

Objectius d'aprenentatge

 

Referits a coneixements

— Obtenir una formació especialitzada en les tècniques estadístiques més avançades utilitzades en la tarifació d’assegurances no de vida (control de la sinistralitat i adequació de tarifes als perfils de cada individu) i en les assegurances de vida (anàlisi i evolució de la supervivència humana). Quan sigui possible s’analitzaran els resultats fent especial èmfasi a les diferències per gènere.

— Aprofundir en l’anàlisi metodològica dels principals mètodes de segmentació utilitzats en tarifació. Arbres de decisió i algorismes no jeràrquics de divisió. Machine Learning.

— Comparar perfils de risc en entorns multivariants. Analitzar la metodologia discriminant lineal amb funcions de n variables. Calcular probabilitats de pertinença i errors de classificació.

— Modelitzar l’experiència en sinistralitat amb incorporació del cost dels sinistres. Seleccionar el nombre de nivells en sistemes de tarifació  amb inclusió de variables addicionals al nombre de sinistres.

— Saber utilitzar els models lineals generalitzats en la tarifació.

— Conèixer aplicacions financeres i actuarials relacionats amb els models analitzats en classe.

 

 

Blocs temàtics

 

1. Classificació de riscos

1.1. Disseny de grups de risc i selecció adversa

1.2. Arbres de decisió

1.3. Regressió logística

1.4. Noves eines en el context del machine learning i la intel·ligència artificial.

2. Models de tarifació a priori

2.1. Introducció als models lineals generalitzats

2.2. Models de regressió lineal

2.3. Models de dades de recompte: Poisson

2.4. Models de dades de recompte: binomial negativa

2.5. Models de dades de recompte avançats

3. Models de tarifació a posteriori (bonus-malus, valoració de l’experiència o experience rating)

3.1. Definició del sistema bonus-malus (SBM)

3.2. Construcció de l’SBM univariant

3.3. Construcció de l’SBM multivariant

4. Aplicacions financeres i actuarials de l’anàlisi de supervivència

4.1. Introducció a l’anàlisi de supervivència

4.2. Models no paramètrics, paramètrics i semiparamètrics

4.3. Retenció de clients en empreses financeres i asseguradores

4.4. Assegurances de dependència o de cures de llarga durada

4.5. Durada dels préstecs personals

 

 

Metodologia i activitats formatives

 

El curs es desenvolupa en sessions teòriques setmanals en les quals l’estudiant ha de participar havent llegit el material facilitat prèviament. En les classes pràctiques es resolen casos i exercicis en què es desenvolupen els conceptes explicats prèviament en les sessions teòriques. Es dóna molta rellevància al càlcul i la interpretació de resultats.

 

 

Avaluació acreditativa dels aprenentatges

 

L’estudiant ha de fer dues activitats:

— Una pràctica sobre la qual ha de presentar un informe de resultats que inclogui: presentació de les dades, resultats i discussió dels resultats. Correspon a un 30 % de la nota final. La pràctica completa es lliurarà per l’alumne al final de l’assignatura.

— Una prova presencial. Correspon a un 70 % de la nota final. Per superar l’assignatura és imprescindible obtenir una puntuació mínima en aquesta prova de 3,5 sobre 10, independentment de la qualificació obtinguda a la pràctica.

Els criteris de qualificació es centraran bàsicament en:
1) Capacitat resolutiva dels exercicis plantejats.
2) Capacitat analítica, de presentació, i d’interpretació de resultats.

 

 

Avaluació única

L’examen d’avaluació única es realitzarà sobre la totalitat del temari desenvolupat en l’assignatura i consta d’una única prova escrita.

No s’estableix cap condició prèvia per a que un estudiant pugui presentar-se a la reavaluació. Per tant, pot presentar-se a la reavaluació d’una assignatura qualsevol estudiant que no l’hagi superat prèviament (tant si ha suspès com si no s’ha presentat). La reavaluació té la mateixa estructura que la prova d’avaluació única i no pot comportar discriminació respecte a l’avaluació continuada ni a l’avaluació única en relació amb la qualificació màxima que es pugui obtenir.

 

 

Fonts d'informació bàsica

Consulteu la disponibilitat a CERCABIB

Llibre

DENUIT, M.; MARÉCHAL, X.; PITREBOIS, S.; WALHIN, J.-F. Actuarial Modelling of Claim Counts: Risk Classification, Credibility and Bonus-Malus Systems. Wiley, New York. 2007.

Catàleg UB  Enllaç

EVERITT, B. i HOTHORN, T. P. A Handbook of Statistical Analyses Using R. Boca Raton FL. Chapman & Hall /CRC, 2006.

Catàleg UB  Enllaç

FREES, E.W., Regression modeling with actuarial and financial applications, Cambridge University Press, 2010.

Catàleg UB  Enllaç

HERNÁNDEZ, J., RAMÍREZ, M.J. i FERRI, C., Introducción a la Minería de Datos, Editorial Pearson, 2004.

Catàleg UB  Enllaç

KLEINMAN, K. i HORTON, N.J., SAS and R: Data Management, Statistical Analysis and Graphics, Chapman & Hall /CRC, 2010.

Catàleg UB  Enllaç

LEMAIRE, J. Bonus-malus systems in automobile insurance. Norwell: Kluwer Academic Publishers, 1995.

Catàleg UB  Enllaç

DENUIT, M.; HAINAUT, D.; TRUFIN, L. (2019). Effective statistical learning methods for actuaries I. GLMs and extensions. Springer.

Versió en línia (2019)  Enllaç

DENUIT, M.; HAINAUT, D.; TRUFIN, L. (2020). Effective statistical learning methods for actuaries II. Tree-based methods and extensions. Springer.

Versió en línia (2020)  Enllaç

Article

AYUSO, M., DEL POZO, R., ESCRIBANO, F. (2010) “Factores sociodemográficos y de salud asociados a la institucionalización de personas dependientes”, Revista Española de Salud Pública, 84, 6, 789-798.

AYUSO, M., GUILLEN, M., NIELSEN, J.P. (2019). Improving automobile insurance ratemaking using telematics: incorporating mileage and driver behaviour data. Transportation, 46, 3, 735-752

AYUSO, M., SANCHEZ, R., SANTOLINO, M. (2020). Does longevity impact the severity of traffic crashes? A comparative study of young-older and old-older drivers. Journal of Safety Research, 73, 37-46.

Brockett, P. L., Golden, L., Guillén, M., Nielsen, J.P., Parner, J. and Pérez-Marín, A.M. (2008) “Survival analysis of a household portfolio of insurance policies: how much time do you have to stop total customer defection?” Journal of Risk and Insurance, 75(3), 713-737.

Ciochetti, D., Deng, Y., Gao, B., & Yao, R. (2002) The Termination of Commercial Mortgage Contracts through Prepayment and Default: A Proportional Hazards Approach with Competing Risks , Real Estate Economics, 30(4), pp. 595-633.

Czado, C. & Rudolph, F. (2002) Application of Survival Analysis Methods to Long Term Care Insurance. Insurance, Mathematics and Economics, 31, 395-413

Guo, L. (2003) Applying Data Mining Techniques in Property/Casualty Insurance, Forums of the Casualty Actuarial Society.

Stepanova, M., & Thomas, L., (2002) Survival analysis methods for personal loan data, Operations Research Quarterly, 50(2), 277-289.

Ayuso, M., Santolino, M. (2007) “Predicting automobile claims bodily injury severity with sequential Ordered Logit Models”, Insurance: Mathematics and Economics, 41, 1, 71-83.

Text electrònic

Antonio, Katrien & Valdez, Emiliano A., (2012) Statistical concepts of a priori and a posteriori risk classification in insurance, Open Access publications from Katholieke Universiteit Leuven.

GUILLÉN, M. i BOLANCÉ, C., Sistemas Bonus Malus generalizados con inclusión de los costes de los siniestros, Cuadernos de la Fundación Nº 61, Fundación Mapfre, Madrid. 2001