Aplicaciones del muestreo poblacional a la tarificación y la reserva en seguros generales:

¿Cómo pueden las aseguradoras estimar con precisión cuánto dinero necesitan reservar para siniestros aún no reportados? ¿Y cómo pueden calcular tarifas justas, eficientes y personalizadas para sus clientes?

En esta tesis doctoral en estadística de la Universidad de Toronto, abordo dos desafíos clave en seguros generales desde una perspectiva estadística moderna:

1. Reservas con muestreo poblacional:
   Propongo una metodología innovadora basada en técnicas de muestreo estadístico para estimar las reservas necesarias frente a siniestros no reportados. En lugar de usar únicamente modelos actuariales clásicos, trato los siniestros observados como una muestra sesgada y uso modelos de supervivencia para ajustar probabilidades de reporte. Esto permite estimaciones más robustas y eficientes.

2. Tarificación con estadística bayesiana y modelos surrogate:
   En el contexto de seguros de autos, desarrollo un enfoque bayesiano para calcular tarifas personalizadas que incorporan no solo atributos individuales del asegurado, sino también su experiencia pasada. Para reducir el alto costo computacional de los métodos bayesianos, utilizo modelos surrogate de machine learning que permiten acelerar el cálculo sin sacrificar precisión.