[col width=”two_third” last=”false” ]curso modelos de regresion

[tab name=”FUNDAMENTACIÓN”]La ciencia actuarial es una disciplina conformada por la interrelación de un conjunto de ciencias tales como la Estadística, las Finanzas y la Economía. En ella se aplican modelos estadísticos
y matemáticos para la evaluación del riesgo, sobre todo en la industria aseguradora y a nivel mundial son aplicados también a la industria financiera. Con un profundo conocimiento numérico, los actuarios pronostican probabilidades y costos futuros y desarrollan planes para gestionar los riesgos financieros.

En nuestro curso Analítica Actuarial de Vida se desarrollarán los conceptos fundamentales de la matemática financiera, los modelos de supervivencia, el desarrollo de la tabla de mortalidad, así como también se introducirá la teoría básica de modelos de pagos contingentes y su aplicación en los seguros y otros riesgos financieros. La práctica actuarial en el mercado es generalmente llevada a cabo, debido a su practicidad, en Microsoft Excel y Microsoft Access. No obstante, el programa R proporciona una poderosa plataforma open source para la aplicación del cálculo actuarial. La librería lifecontingencies permite realizar los cálculos fundamentales para la elaboración de los modelos contingentes de vida, haciendo posible tareas tales como calcular las reservas, realizar cotizaciones de nuevos productos de seguros y efectuar un adecuado Capital Management.[/tab]
[tab name=”DIRIGIDO A”]
Analistas e investigadores actuariales, estadísticos, economistas y público en general con interés en la ciencia actuarial.
[/tab][tab name=”METODOLOGÍA”]La metodología del curso se basa en una combinación de clases teóricas y análisis de casos prácticos en la computadora. Cada sección del curso está motivada por un conjunto de datos en particular, de tal forma que el participante gane experiencia trabajando con una amplia variedad de fuentes de datos similares a los que usa en la realidad. Los contenidos del curso están estructurados en 8 sesiones con un total de 32 horas académicas.
[/tab][tab name=”INSTRUCTOR”]

Leonardo Lozano Ching

Leonardo Lozano es Analista Senior Actuarial y trabaja actualmente en Rímac Seguros en la División de Finanzas y Control de Riesgo, específicamente, en la Gerencia Actuarial elaborando modelos actuariales y en la gestión del riesgo técnico. Anteriormente se desempeñó como Consultor Senior del sector financiero en KPMG Consultores elaborando modelos de riesgos y actuariales. Cuenta con 3 años de experiencia como docente en las principales universidades del país, desempeñándose actualmente como profesor en la Universidad Peruana de Ciencias Aplicadas (UPC) y como jefe de prácticas en la Universidad del Pacífico (UP).

Leonardo es Ingeniero Estadístico e Informático de la UNALM y cuenta con un diplomado en matemáticas actuariales. También, es candidato a Magister en Gestión de Riesgos de la Universidad Francisco de Vitoria (España). Su área de investigación y especialidad se centra en el ámbito del cálculo actuarial. Ha participado frecuentemente como expositor en diversos
eventos académicos nacionales.

Ver el perfil de Leonardo Lozano Ching en LinkedInVer el perfil de Leonardo Lozano Ching

[/tab][tab name=”CERTIFICACIÓN”]Al comenzar el curso, el participante elegirá la categoría de certificación:

  • Certificado de asistencia: Para obtener este certificado debe de mantener un porcentaje mínimo de 70 % de asistencia a clases.
  • Certificado de aprobación: La calificación final se basa en tres exámenes (20 % cada uno) y un proyecto colaborativo final (40 %). Para aprobar el curso los participantes deben obtener un promedio final aprobatorio (mayor a 11) y contar con el porcentaje mínimo de asistencia a clases. Los participantes que obtengan un promedio final igual a 18 o más recibirán un certificado de distinción.

La certificación que se otorga es excluyente.
[/tab][end_tabset]

Contenidos

UNIDAD 1: Modelo de Regresión Lineal Clásico

[ioa_accordion width=’200′ ][section title=’SESIONES 1 y 2: Definición y estimación del modelo’ color=’#ffffff’ background=’#a80909′ ]

  • Definición del Modelo Lineal Clásico.
  • Discusión de los supuestos del modelo.
    • Linealidad de los efectos de las covariables.
    • Homocedasticidad de las varianzas del error.
    • Errores no correlacionados.
    • Aditividad de los errores
  • Estimación de los Parametros
    • Estimación e interpretación de los coeficientes de regresión.
    • Estimación de la varianza del error.
    • Propidades de los estimadores.
    • Análisis de Varianza (ANOVA) y el coeficiente de determinación (R2)
  • Modelamiento de los efectos de las covariables
    • Covariables continuas.
    • Covariables categóricas.
    • Interacción entre covariables.

[/section][section title=’SESIONES 2 y 3: Inferencia y predicción’ color=’#ffffff’ background=’#444d4c’ ]

  • Pruebas de hipótesis e intervalos de confianza.
  • Prueba exacta F.
  • Regiones de confianza e intervalos de predicción.

[/section]
[section title=’SESIÓN 4: Selección de variables’ color=’#ffffff’ background=’#222′ ]

  • Efectos de la especificación del modelo.
  • Criterios para la selección del modelo.
    • Coeficiente de determinación corregido.
    • Parámetro de complejidad (Cp) de Mallow.
    • Criterio de Información de Akaike (AIC).
    • Criterio de Información Bayesiano (BIC).
    • Validación cruzada.
  • Aplicación de los criterios de selección de modelos.
    • Selección completa de modelos (mejores sub-conjuntos)
    • Selección Forward.
    • Selección Backward.
    • Selección Stepwise.

[/section][section title=’SESIONES 5 y 6: Técnicas de diagnóstico’ color=’#ffffff’ background=’#444d4c’ ]

  • Propiedades de los residuos.
    • Residuos comunes.
    • Residuos estandarizados.
    • Residuos estudentizados.
    • Residuos parciales.
  • Evaluación de supuestos
    • Homocedasticidad.
    • Errores no correlacionados.
    • Errores con distribución normal.
    • Linealidad de los predictores.
  • Detección de outliers y valores influenciales.
    • Outliers
    • Leverage.
    • Influencia en la localización.
    • Influencia en la escala.
  • Análisis de colinealidad.

[/section][/ioa_accordion]

UNIDAD 2: Extensiones del Modelo de Regresión Lineal Clásico

[ioa_accordion width=’200′ ][section title=’SESIONES 7 y 8: Técnicas de Regularización’ color=’#ffffff’ background=’#a80909′ ]

  • Criterio de Mínimos Cuadrados Penalizados.
  • Regresión Ridge.
  • LASSO.
  • Selección del parámetro de suavización.

[/section][/ioa_accordion]

[/col][col width=”one_third” last=”true”][word_drop color=”#ffffff” background=”#bd1515″ effect=”none”]DESEO MÁS INFORMACIÓN[/word_drop]

[contact-form-7 404 "No encontrado"]

[word_drop color=”#ffffff” background=”#333″]INICIO[/word_drop]
Por definir

[word_drop color=”#ffffff” background=”#333″] NIVEL[/word_drop]
Intermedio

[word_drop color=”#ffffff” background=”#333″] CONOCIMIENTOS REQUERIDOS[/word_drop]

  • Por definir

[word_drop color=”#ffffff” background=”#333″]DURACIÓN[/word_drop]
32 Horas Académicas en 8 sesiones.

[word_drop color=”#ffffff” background=”#333″ effect=”none”]HORARIO[/word_drop]
Por definir

[word_drop color=”#ffffff” background=”#333″ effect=”none”]LUGAR[/word_drop]
Centro de Capacitación La Moneda,
Av. Arequipa 4545 – Miraflores
[Al lado de la Alianza Francesa]
www.cclamoneda.com

[word_drop color=”#ffffff” background=”#247EA6″ effect=”none”]INVERSIÓN[/word_drop]
Por definir

La inversión incluye material didáctico, coffee break y certificado de participación emitido por PeruStat Analytics.

Todos los precios incluyen IGV.

Los pagos se podrán hacerse a través de nuestra cuenta corriente en soles indicada debajo o con tarjeta de crédito a través de PayPal.

BANCO DE CRÉDITO DEL PERÚ
Titular: PeruStat Analytics S.A.C.
Cta. Cte. N° 194-2107756-0-63
CCI N° 00219400210775606395

[word_drop color=”#ffffff” background=”#bd1515″ effect=”none”]NOTA IMPORTANTE[/word_drop]

Todos los alumnos deberán llevar Laptop que pueda conectarse por WiFi.

[/col]

Nuestros alumnos provienen de los principales sectores de la economía y empresas del país:

[logo-slider]