Reducción del sesgo en el proceso de tarificación no vida con técnicas de inteligencia artificial
Objetos digitales
| Tag | 1 | 2 | Value |
|---|---|---|---|
| LDR | 00000cam a22000004b 4500 | ||
| 001 | MAP20250004825 | ||
| 003 | MAP | ||
| 005 | 20250319171314.0 | ||
| 008 | 211217s2024 esp|||| ||| ||spa d | ||
| 040 | $aMAP$bspa$dMAP | ||
| 084 | $a6 | ||
| 100 | 1 | $0MAPA20250001046$aAmzigh ben Moussa, Sanae | |
| 245 | 1 | 0 | $aReducción del sesgo en el proceso de tarificación no vida con técnicas de inteligencia artificial$cSanae Amzigh ben Moussa |
| 260 | $aMadrid$bUniversidad Carlos III de Madrid$c2024 | ||
| 300 | $a59 p. | ||
| 500 | $aTrabajo Fin de Master del Master en Ciencias Actuariales y Financieras de la Escuela de Postgrado de la Universidad Carlos III de Madrid. Tutora: Raquel Pérez Calderón. Promoción 2022-2024 | ||
| 520 | $aEl problema del sesgo en los modelos de tarificación de seguros no vida es una de las preocupaciones más crecientes en el sector asegurador. Este trabajo pretende analizar tanto las definiciones del sesgo como las diversas técnicas para mitigarlo, incluyendo enfoques tradicionales y algoritmos avanzados de aprendizaje automático, sin comprometer la capacidad predictiva de los modelos. Para demostrar la aplicabilidad de estas técnicas, se han presentado ejemplos prácticos desarrollados en Python, utilizando datos de frecuencia de siniestros de la cobertura de Responsabilidad Civil en el seguro de automóviles. La exploración e implementación de estos enfoques innovadores ha revelado un conjunto de herramientas efectivas que no solo logran reducir el sesgo, sino que también mejoran significativamente la capacidad predictiva de los modelos. Finalmente, se han discutido las implicaciones éticas y regulatorias de utilizar métodos de inteligencia artificial, subrayando la importancia de garantizar la interpretabilidad y equidad de los modelos finales aplicados en la tarificación | ||
| 540 | $aLa copia digital se distribuye bajo licencia "Attribution 4.0 International (CC BY NC ND 4.0)"$fCC BY NC ND 4.0$uhttps://creativecommons.org/licenses/by-nc-nd/4.0$966 | ||
| 650 | 4 | $0MAPA20080564322$aTarificación | |
| 650 | 4 | $0MAPA20080573935$aSeguros no vida | |
| 650 | 4 | $0MAPA20080603779$aSeguro de automóviles | |
| 650 | 4 | $0MAPA20210021831$aSesgos | |
| 650 | 4 | $0MAPA20210003813$aMitigación de riesgos | |
| 650 | 4 | $0MAPA20080592059$aModelos predictivos | |
| 650 | 4 | $0MAPA20080611200$aInteligencia artificial | |
| 650 | 4 | $0MAPA20170005476$aMachine learning | |
| 650 | 4 | $0MAPA20160001679$aModelos lineales generalizados | |
| 650 | 4 | $0MAPA20190012829$aEquidad actuarial | |
| 650 | 4 | $0MAPA20080664510$aTrabajos de investigación | |
| 700 | 1 | $0MAPA20250001008$aPérez Calderón, Raquel | |
| 710 | 2 | $0MAPA20080455026$aUniversidad Carlos III de Madrid | |
| 830 | 0 | $0MAPA20160014013$aTrabajos Fin de Master/de Grado/Tesis doctorales | |
| 856 | $qapplication/pdf$w1127246$yAcceso al documento / Access the document |