Informe de prácticas

Pre-Profesionales

Escuela
Profesional
de Ingeniería
Estadística
Autor

Anthony
David Reyes
Salas

2017
INDICE

Objetivo................................................................................................................3
Descripción del contexto...................................................................................3
Presentación.......................................................................................................3
Descripción de la institución.............................................................................3
TARIFICACIÓN DE UN PRODUCO NO VIDA....................................................4
Una breve historia de los modelos lineales generalizados...............................4
Estimación del modelo de Frecuencia de siniestros.........................................6
Estimación del modelo de severidad................................................................7
Modelo Gamma............................................................................................7
Cálculo de la Prima pura de riesgo...................................................................7
ESTIMACIÓN DE RESERVAS DE SINIESTROS................................................8
Ciclo de vida de un Siniestro.............................................................................8
Reserva de siniestros:.......................................................................................9
Reserva IBNR (Incurred But Not Reported)..............................................9
Reserva RBNS (Reported But Not Settled)...............................................9
Metodologías para el cálculo de Reservas.......................................................9
Metodologías Determinísticas....................................................................9
Metodologías Estocásticas:......................................................................11
Anexos...............................................................................................................12
Objetivo
El presente informe de prácticas pre-profesionales ha sido elaborado con el fin
de detallar las principales tareas desarrolladas y cómo los conocimientos,
teorías, técnicas, y experiencias aprendidas y adquiridas desde el inicio de mi
etapa universitaria, han aportado en la mejora del desempeño y mejora en el
área de la compañía donde se realizaron mis prácticas.

Descripción del contexto

En conformidad a los requisitos solicitados por la Escuela Profesional de
Ingeniería Estadística (EPIES), es necesario realizar prácticas pre-
profesionales por un periodo de seis meses para obtener el grado de bachiller.
Además, lo más importante es que mediante estas prácticas podremos
demostrar que los conocimientos adquiridos durante la vida universitaria
brindan valor agregado y grandes aportes en los distintos campos laborales y
de investigación existentes en nuestra sociedad.

Presentación
Mi nombre es Anthony David reyes Salas, actualmente curso el 10mo ciclo de
la carrera de Ingeniería Estadística y he tenido la gran oportunidad de realizar
prácticas pre-profesionales en el área de ACTUARIAL SALUD en la compañía
de seguros RIMAC SEGUROS Y REASEGUROS por un periodo de 12 meses,
siendo el inicio de estas, el 28 de Septiembre del 2016 y finalizando el mes de
Septiembre del 2017.

Descripción de la institución
RIMAC SEGUROS Y REASEGUROS es la compañía líder en el mercado
peruano de seguros. Entre sus diversas áreas se encuentra el área de
actuarial, el cual tiene como función principal la evaluación del riesgo de los
diversos productos que ofrece esta compañía.
Esta área a su vez se divide en equipos, entre ellos se encuentra el equipo de
ACTUARIAL SALUD, el cual se encarga de la evaluación del riesgo en los
productos de seguros de salud ofrecidos por la compañía.
Los productos de SALUD son considerados, por muchos, pertenecientes al
grupo de ACTUARIAL NO VIDA, debido a que los riesgos, conceptos y teorías
que se manejan son muy similares.
Los actuarios no vida, tienen dos funciones principales: Tarificación actuarial de
los productos de seguros y la estimación de reservas/provisiones.
La tarificación, en pocas palabras, consiste en calcular el valor del riesgo que
una persona con características específicas tiene de utilizar el producto. Par
esto, se estiman dos principales variables, la frecuencia y la severidad. Por
otro lado, el actuario no vida también se encarga del cálculo de las reservas.
Las reservas son provisiones que la compañía de seguros debe de estimar
para poder hacer frente a pagos futuros a realizarse ante las pérdidas futuras
de los asegurados de los productos que ofrece.
Durante el tiempo de prácticas pre-profesionales, tuve la oportunidad de
participar en ambas funciones. Lo que puedo resaltar es el manejo amplio de
conceptos estadísticos aplicados en ambas tareas Por lo que a continuación
describiré conceptos, teorías y técnicas empleadas para la realización de estas
dos funciones de un actuario en productos de salud.

TARIFICACIÓN DE UN PRODUCO NO VIDA

La tarificación en seguros de no vida consiste en estimar una tarifa o prima que

será pagada por el asegurado a la compañía aseguradora a cambio de la
transferencia de riesgo.
El rol fundamental de un seguro es de proveer protección financiera, ofreciendo
un método de transferencia de riesgo a cambio de una prima de seguro.
Sin embargo, resulta que no todos los riesgos son iguales. Por lo que es
natural pensar que cada asegurado pagará una prima de acuerdo a la
gravedad de su riesgo.
La diferencia tarifaria es enfatizada por la heterogeneidad del portafolio de
seguro que nos lleva directamente a un fenómeno de anti selección.
Este problema ocurre cuando se piensa que se debe cargar la misma tarifa
para todo el portafolio de seguros. Esto implica que los riesgos desfavorables
serán asegurados a un precio menor al cual debería corresponderse en
realidad, así como sobre cargar aquellos asegurados con riesgos menores.
Entonces, la tarificación de seguros no vida afronta el fenómeno de anti
selección creando sub portafolios basados en factores de influencia. En
consecuencia, cada clase contendrá asegurados con perfil de riesgo idéntico
que pagarán la misma prima.
La manera usual de obtener la prima de seguro es combinando la esperanza
condicional de la frecuencia de siniestros y el costo de siniestro esperado
considerando características de riesgo observable.
El proceso de evaluar el riesgo para determinar primas de seguro es
desarrollado por los actuarios que a lo largo del tiempo han propuesto y
aplicado diversos modelos estadísticos.
En este contexto, el modelo de regresión lineal el cual evalúa el impacto de
variables explicativas sobre un fenómeno de interés, ha sido reemplazado a
partir de 1980 por los modelos Lineales Generalizados. Los Modelos Lineales
Generalizados permiten modelar comportamientos no lineales y distribuciones
no gaussianas o normales de los residuos. Este aspecto es muy útil dado que
la frecuencia y costo de siniestros siguen distribuciones asimétricas claramente
no normales.
Los modelos lineales generalizados nos permitirán estimar la prima pura a los
asegurados de una manera equitativa y razonable.
Identificar factores de riesgo que permitan dividir el portafolio en subportafolios
o clases tarifarias y asignarles su correspondiente prima.

Una breve historia de los modelos lineales generalizados

La ciencia actuarial se ha visto limitada a utilizar la regresión lineal gaussiana
para poder evaluar el impacto de variables explicativas sobre el fenómeno de
estudio. El modelo gaussiano provisto por Legendre ha ido tomando aceptación
desde su aparición, sin embargo, la ciencia actuarial se enfrentaba a
situaciones en las cuales no se podía aplicar este modelo dado que supone o
parte de supuestos que no son compatibles con la realidad de la frecuencia y
costo de los daños generados por la ocurrencia de riesgo. Considerando esto,
los supuestos más importantes eran la distribución gaussiana de probabilidad,
la linealidad del predictor y la homocedasticidad.
Los actuarios necesitaban modelos que puedan explicar la ocurrencia de riesgo
tan real como se pueda. En este intento, se dio un hito alla por el año 1960, el
cual fue la implementación del procedimiento de bias minimo (minimun bias
procedure). El cual consistía en definir de manera aleatoria el enlace entre las
variables explicativas, los niveles de riesgo y la distancia entre variables
predichas y observadas. Luego, un algoritmo iterativo permitía calcular los
coeficientes asociados a cada nivel de riesgo utilizando el criterio de distancia
mínima. A pesar de que no se realizó en un marco estadístico, luego se
descubrió que este método era un caso especial de los GLM.
Los méritos de implementación de estos modelos le corresponden a actuarios
británicos de la City University, John Nelder y Robert Wedderburn. Ellos
demostraron que la generalización del modelamiento lineal permitía el desvío
de los supuestos de normalidad, y extendía el modelo gaussiano a una familia
particular de distribuciones, llamados la familia exponencial.
(Gamma,Normal,Poisson,Binomial,Gamma).
A diferencia del procedimiento de bias minimo, los GLM se desarrollan bajo un
marco estadístico que permite utilizar pruebas estadísticas para evaluar el
ajuste de los modelos.Nelder y wedderburn también plantearon que la
estimación de los coeficientes o parámetros debían darse por el método de
máxia verosimilitud, es decir un método iterativo.
El propósito de los modelos lineales generalizados es estimar una variable
dependiente (Y) dependiendo de un número de variables explicativas (x).
Estos modelos son definidos como una extensión del modelo lineal gaussiano.
Durante el análisis actuarial, considerando que las variables explicativas son
información exógena de los asegurados y de sus propiedades, entonces la
variable respuesta puede ser:
- Una variable binaria que puede tomar uno y cero, el fenómeno a estudiar
en este caso sería la probabilidad de ocurrencia, por lo que estaríamos
frente a modelos de regresión binomial.
- Una variable contable, con valores pertenecientes a los números
naturales. Como es el caso del modelo de frecuencia de siniestros, para
el cual se emplea el modelo de regresión Poisson.
- Una variable real positiva, con valores correspondientes a un conjunto
de números reales, tal es el caso del costo de siniestro. En este caso se
utilizará un modelo de regresión Gamma.
Condicionando las variables explicativas (Xi), las variables aleatorias Y1, Y2,
Y3… son consideradas independientes pero que no poseen igual distribución,
dado que tienen su distribución de probabilidad generado por la expresión:

Donde θi es el parámetro natural, Phi es el parámetro escala. El parámetro

escala en la distribución de poisson y binomial es 1, mientras que en la
distribución gamma no es conocida y tiene que estimarse.

Similar al modelo de regresión gaussiano, el objetivo del modelamiento

econométrico es obtener los valores esperados de las variables dependientes a
través de medias condicionales, dado las observaciones independientes.
Es necesario estimar los Bi, B2.. a través de una función (g) monótona y
diferenciable de la media de la variable dependiente (ui) escrita como una
combinación lineal de las variables exógenas Xi.
Esta función g es denominada función de enlace porque enlaza el predictor
lineal ni con la media ui.
Estimación del modelo de Frecuencia de siniestros
Dentro del negocio de seguros no vida, se ha demostrado que el uso de
Modelos Lineales Generalizados para estimar la frecuencia de los siniestros,
tiene una estructura Poisson. En la literatura actuarial, el modelo Poisson es
presentado como el arquetipo de modelo para “conteo de eventos”, también
conocido en seguros como la frecuencia de siniestros.
La variable aleatoria discreta Y i , que representa la frecuencia de siniestros o
el número observado de niestros, condicionado por el vector de variables
explicativas X i , que representan características del asegurado, es asumida
que se distribuye como una distribución Poisson. En consecuencia, para cada
asegurado i, la probabilidad que la variable aleatoria Y i tome el valor de
y i , está dado por:

La distribución Poisson implica una forma particular de heterocedasticidad, lo

que conlleva a una hipótesis de equidispersión o de igualdad de la media y la
varianza para la frecuencia de siniestros. En consecuencia, la el parámetro de
la distribución Poisson tiene doble significado, representando al mismo tiempo
la distribución de la media y varianza:

El principal inconveniente con el modelo Poisson es que el supuesto de

equidispersión en la práctica no se cumple, lo que conlleva a una
sobredispersión, lo que significa que la varianza condicionada es mayor a la
media de la varianza. Una de las más importantes implicancias de la
sobredispersión está relacionada a la subestimación de los parámetros de
regresión lo que significa que algunos factores de riesgo puedan aparecer
significativos cuando en realidad no tienen una influencia considerable en la
variación de la frecuencia del siniestro. En este sentido, la literatura presenta
algunas alternativas como el modelo quasi-poisson, entre otros, para corregir
datos sobredispersos.

Estimación del modelo de severidad

Los montos de siniestros, o las compensaciones a ser pagadas, resultan más
difíciles de predecir que la frecuencia de siniestros. En este caso, el análisis es
menos claro porque no hay distribuciones para valores positivos reales. La
literatura indica que los modelos econométricos clásicos para modelar los
costos de los siniestros son los modelos Gamma y Log-normal, especificando
que la distribución log-normal no pertenece a la familia exponencial.
Charpentier y Denuit, concuyen que los resultados obtenidos luego de aplicar
los modelos Gamma y Log-normal en un estudio de seguros de vehículos,
resultan ligeramente diferentes. Ademàs establecen que la diferencia de estos
modelos está resaltado por las propiedades restrictivas del modelo Gamma a
valores extremos. En consecuencia, se aprecia la ventaja del modelo log-
normal, que asume que los logaritmos de los costos reduce la importancia de
las variables de siniestros excepcionales.
Modelo Gamma
Para el modelado de los costos de los siniestros en los seguros de vehículos,
Pinquet describe una parametrización simple pero realista basad en la
distribución Gamma, que representa otra generalización de la familia
exponencial.
Estableciendo que c 1 , c 2 , c3 , … , c i son los costos de los siniestros causados
por el asegurado i y asumiendo que se distribuyen de manera independiente y
con distribución Gamma, la función de densidad está dada por:

c c
Verificando que la media es E(¿ ¿i)=ui y la varianza V (¿¿ i)=ui2 /v
¿ ¿
Cálculo de la Prima pura de riesgo
En los seguros no vida, la prima pura representa el costo esperado de todos los
siniestros declarados por los asegurados durante un periodo asegurable o de
exposición. El cálculo de la prima está basada en métodos estadísticos que
incorporan toda la información de las variables sobre el riesgo aceptado, en
consecuencia, existe un mejor manejo de tarifarios distribuidos para cada
asegurado.
La base para el cálculo de la prima pura es un modelamiento econométrico de
la frecuencia y el costo de los siniestros dependiendo de características que
definen los contratos de seguros. La prima pura es la esperanza matemática
del costo anual de siniestros declarado por los asegurados y es obtenido
multiplicando los dos componentes, la frecuencia y costos de los siniestros
estimado, de la siguiente manera:
ESTIMACIÓN DE RESERVAS DE SINIESTROS

Breve descripción
Las empresas aseguradoras no venden productos como tal, las aseguradoras
venden promesas. Las pólizas de seguro son promesas, donde la aseguradora
le promete pagar las pérdidas que el asegurado presente durante un periodo
de tiempo a cambio de que este último le pague una tarifa llamada prima.
Las aseguradoras no saben de antemano cuanto es que le costará las pérdidas
que el asegurado genere, por ello es de vital importancia el análisis histórico
para poder estimar un precio de la prima justa para ambas partes.
El pago de estas pérdidas o siniestros puede tomar años. En particular las
pérdidas generadas en la “casuality insurance” puede tomar tiempos largos en
ser pagados incluso a pesar de que los siniestros son conocidos, puede tomar
buen tiempo en establecer el costo de los siniestros, por diversos motivos. Los
siniestros pueden tomar años en materializarse.
Además, las reservas o provisiones de siniestros futuros son los aspectos más
grandes dentro de las obligaciones en la balanza general de las aseguradoras.
Las reservas pueden desdoblarse en dos, reservas que ya han sido reportadas,
y reservas incurridas pero no reportadas (IBNR).
Históricamente, el cálculo de las reservas se realizaba de manera
determinística a lápiz y papel y juicio del actuario. Dado los avances en la
tecnología el actuario actualmente puede probar diferentes escenarios y la
sensibilidad de sus pronósticos. Actualmente, en Europa se está promoviendo
el uso de técnicas estadísticas y estocásticas en la estimación de cálculo de
reservas.

Ciclo de vida de un Siniestro

Reserva de siniestros:
Son provisiones que la compañía de seguros debe de realizar para hacer frente
a pagos de siniestros ocurridos pero que aún no han sido reportados (IBNR) y
siniestros ocurridos pero aún no liquidados (RBNS).
Reserva IBNR (Incurred But Not Reported)
Son provisiones para siniestros que ya ocurrieron pero que aún no han
sido reportados a la compañía de seguros, y por ello esta desconoce su
existencia.
Reserva RBNS (Reported But Not Settled)
Son las provisiones para siniestros que ya ocurrieron y que ya han sido
reportados pero que aún no han sido liquidados o cerrados.
El cálculo de la reserva de siniestros es una de las principales funciones de los
actuarios. Las reservas representan el mayor porcentaje de los pasivos de la
compañía de seguro. Si la compañía demuestra que puede hacer frente a
pagos futuros, entonces la compañía estará demostrando solvencia. Cuando
una compañía es solvente, proyecta una imagen confiable y atractiva, a su vez,
para inversionistas.
El cálculo erróneo de las reservas pueden generar consecuencias negativas
para la compañía. Si existe una subestimación de la reserva, es decir se
reserva una cantidad de dinero menor a la que se va a pagar, entonces es un
indicador que la empresa no será capaz de poder pagar sus obligaciones
futuras, por lo que perderá solvencia. Por otro lado, si existe una sobre
estimación de las reservas, estas incrementarán los pasivos de la compañía, y
en consecuencia afectarán negativamente el balance general de la compañía.
Entonces, las reservas son parte importante para la compañía de seguros y su
estimación recae en manos de los actuarios. Existen múltiples formas de
calcular o estimar las reservas. Se presentan a lo largo del tiempo distintos
intentos o modelos, matemáticos o estadísticos, para la estimación de
reservas, uno más eficiente que otro. Se dice que existen tantos modelos para
estimación de reserva como existen actuarios.
En general, se puede clasificar estos modelos en dos grandes grupos, modelos
determinísticos y modelos estocásticos. En el siguiente apartado explicaremos
las metodologías más representativas para el cálculo de las reservas.

Metodologías para el cálculo de Reservas

Metodologías Determinísticas

1. Chain Ladder o triángulo de desarrollo:

Los datos históricos de seguro están usualmente presentados en una
estructura de triángulo, mostrando el desarrollo de los siniestros a lo
largo del tiempo en cada periodo de exposición.
Un periodo de origen puede ser el inicio de la póliza o el periodo de
ocurrencia del siniestro.
El periodo de exposición es en general conocido como periodo de
desarrollo o edad. Notar que los datos en la diagonal del triángulo
representan pagos en el mismo periodo calendario.
Los datos de siniestros usualmente encontrados en las bases de datos
se componen de tres columnas. En la primer, se almacenará el periodo
de origen, en la segunda columna el periodo de desarrollo y en la tercera
el pago incremental o transacción.
Luego, se transforma la presentación de los datos a una estructura
triangular. Este triángulo es un resumen agregado de todos los siniestros
ocurridos en un periodo de ocurrencia dado y desarrollados a lo largo de
los periodos de desarrollo. Para una mejor visualización, observar el
gráfico adjunto.
El método Chain-Ladder está basado en la utilización de la información
histórica disponible respecto de los pagos por siniestros. En este
método, el patrón de pagos (Tabla 1) se dispone en forma de triángulo
(también conocido como run-off triangle) para estimar la evolución de los
pagos futuros.
En la Tabla 1, Ci,j representa el monto total de los siniestros ocurridos o
notificados en el año i que se han pagado hasta el año j.

donde Xi,h es el monto pagado en el año h correspondiente a los

siniestros ocurridos en el año i.
Para estimar la proporción de cambio de un ejercicio a otro (Ri,j) se
calcula una media ponderada de los factores de desarrollo (link ratios),
en donde cada valor se pondera con la siniestralidad que le precede. Se
definen los Ri,j de la siguiente forma:

Para el ejercicio j de desarrollo, la tasa de cambio de la liquidación de

siniestros (Rj) vendrá dada por la siguiente expresión:

A partir de las proporciones anteriores se calculan los factores de

desarrollo acumulado (Fk) de la siguiente forma:

Con estos factores se estimarán los valores

 que faltan en el triángulo (Tabla 1) hasta completar el rectángulo. La
provisión total vendrá dada por la diferencia entre la suma de estas
estimaciones y los importes ya dotados.
El principal supuesto de esta metodología es que se tiene un factor de
desarrollo constante para todos los periodos de ocurrencia del siniestro.
Esto no siempre se cumplirá. Además, esta metodología presenta
algunos problemas. Por ejemplo, es susceptible a valores atípicos, es
decir, valores grandes de siniestros pueden inflar las estimaciones que
realizamos.
Además otro de los inconvenientes es que con este método calculamos
la reserva global, es decir IBNR + RBNS, pero no podemos hacer una
distinción de cuanto es la reserva para cada uno de ellos. Finalmente
otro de los problemas que le cuesta afrontar a esta metodología es la
posible presencia de valores negativos o cero en las celdas de los
triángulos.
Metodologías Estocásticas:

Las reservas también pueden ser estimadas a través de metodologías basadas

en distribuciones de probabilidad tales como:
 Modelo lognormal para datos acumulados
 Modelo poisson para datos incrementales
 Modelo poisson con sobredispersión
 Modelo basado en la distribución Gamma
 Modelo lognormal para datos incrementales
Estas metodologías son correcciones que se realizan al modelo de Chain
Ladder para evitar los problemas mencionados. Sin embargo, no es posible
ejecutar todas las correcciones juntas, es decir aplicando una corrección u otra,
se tendrá eventualmente una desventaja de utilizar el modelo. Esto dado a que
se sigue trabajando bajo una estructura de macro-nivel, es decir, utilizando
datos agregados en celdas.
Anexos

Selección de variables: