Aplicación de cópulas para modelar la pérdida total en una cartera de seguros vehiculares
Bibliographic record
Abstract
El objetivo del presente trabajo se centra en analizar la problemática asociada con el estudio de las dos variables que influyen en la determinación de la pérdida técnica para el negocio asegurador. En este sentido, son puestas a prueba dos metodologías para el cálculo de los siniestros totales esperados en una cartera de seguros de autos en Brasil. En primera instancia, se consideró un modelo estadístico univariado denominado tradicional, del cual se encontró que la distribución Log-Normal fue la de mejor ajuste. Como segunda metodología, fue calibrado un modelo de cópula que permite incorporar distintos tipos y grados de asociación estocástica para las variables frecuencia y severidad. Los resultados mostraron que estas presentan comportamientos extremos, con una correlación de Kendall negativa y baja (-0.24), pero que rechazan la hipótesis de independencia al 5 % de confianza. Con este marco, la cópula de Clayton rotada 270 grados, con marginales Exp-Poisson y Log-Normal para la frecuencia y severidad respectivamente, presentó las mejores estimaciones de pérdida llegando a una diferencia de 12 % con la pérdida promedio empírica de la base. Para finalizar, se detectó que asumir independencia entre severidad y frecuencia para este caso de estudio, llevaría a sobrestimaciones significativas de la pérdida esperada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".