Uczenie statystyczne w naukach aktuarialnych I 2400-M1IiEUSA
Celem przedmiotu jest zapoznanie studentów z metodami uczenia statystycznego stosowanymi w ubezpieczeniach, w szczególności z uogólnionymi modelami liniowymi GLM.
Omawiane są następujące treści:
1. Idea taryfikacji i modele predykcyjne w ubezpieczeniach.
2. Model regresji log-liniowej dla zmiennych o rozkładzie lognormalnym.
3. Rodzina rozkładów wykładniczych i jej własności.
4. Uogólnione modele liniowe GLM, metoda estymacji, testy statystyczne i kryteria wyboru modelu.
5. Regresja Gamma.
6. Regresja Poissona.
7. Regresje Tweediego.
8. Metoda quasi-wiarogodności w kontekście modeli GLM.
9. Zgodne funkcje straty.
10. Zasada bilansu w ubezpieczeniach i własność kalibracji predyktora.
11. Metody graficzne oceny jakości dopasowania modelu.
Szacunkowy nakład pracy studenta: 4ECTS x 25h = 100h
(K) - godziny kontaktowe (S) - godziny pracy samodzielnej
zajęcia: 30h (K) 0h (S)
konsultacje: 2h (K) 0h (S)
przygotowanie do zajęć: 0h (K) 20h (S)
przygotowanie do zaliczenia: 0h (K) 20h (S)
przygotowanie projektu zaliczeniowego: 0h (K) 28h (S)
Razem: 32h (K) + 68h (S) = 100h
|
W cyklu 2025Z:
1. Idea taryfikacji i modele predykcyjne w ubezpieczeniach (2 godz.) Szacunkowy nakład pracy studenta: |
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Efekty uczenia się
Po ukończeniu przedmiotu, student:
W ZAKRESIE WIEDZY:
zna i rozumie rodzaje regresji GLM, obszary zastosowań, metody estymacji i wnioskowania statystycznego,
zna i rozumie metody oceny i wyboru modelu regresji GLM,
zna i rozumie korzyści z modeli regresji GLM w praktyce aktuarialnej.
W ZAKRESIE UMIEJĘTNOŚCI:
potrafi oszacować model regresji GLM i przeprowadzić analizę statystyczną dopasowania modelu,
potrafi ocenić i wybrać najlepszy model regresji GLM zgodnie z przyjętymi kryteriami ilościowymi i jakościowymi,
potrafi zastosować odpowiedni model regresji GLM do konstrukcji taryfy aktuarialnej.
W ZAKRESIE KOMPETENCJI:
wykazuje potrzebę poszerzania i pogłębiania zdobytej wiedzy w zakresie metod statystycznych w aktuariacie,
jest gotów posiadaną już wiedzę i umiejętności konsekwentnie uzupełniać i doskonalić.
Kryteria oceniania
Uzyskanie zaliczenia przedmiotu wymaga:
1.uzyskania sumarycznie co najmniej 50% z dwóch pisemnych sprawdzianów, które składają się z zadań obliczeniowych i pytań otwartych (sprawdziany mają taką samą liczbę punktów),
2.uzyskania co najmniej 50% z projektu zaliczeniowego, na który składa się budowa modelu, przeprowadzenia analiz i interpretacja wyników.
3. Skala ocen w oparciu o średnią z prac w p. 1 i 2 (identyczne wagi):
[0%-50%) – ndst
[50%-60%) – dst
[60%-70%) – dst +
[70%-80%) – db
[80%-90%) – db+
[90%-100%] – bdb.
Literatura
Wybrane rozdziały:
1. “Effective Statistical Learning Methods for Actuaries I I II” - M. Denuit, D. Hainaut, J. Trufin, Springer, 2019 i 2020.
2. “Statistical Foundations of Actuarial Learning and its Applications” - M.V. Wuthrich, M. Merz, Springer, 2023.
|
W cyklu 2025Z:
1. “Effective Statistical Learning Methods for Actuaries I I II” - M. Denuit, D. Hainaut, J. Trufin, Springer, 2019 i 2020 |