Toda tarifa de seguros nace de una pregunta: ¿cuánto costará, en promedio, el siniestro de este riesgo? Los modelos lineales generalizados (GLM) son el estándar para responderla. Así se separan frecuencia y severidad, y esto es lo que el actuario debe vigilar.
Publicado el 14 de octubre de 2026 · por Act. Francisco Javier Ruiz de la Peña Olea
Toda tarifa de seguros nace de una pregunta aparentemente simple: ¿cuánto costará, en promedio, la siniestralidad de este riesgo durante la vigencia de la póliza? A ese valor esperado se le llama prima pura, y estimarlo bien es el corazón de la tarificación en seguros de daños (auto, hogar, responsabilidad civil, empresariales). Desde hace décadas, la herramienta dominante para hacerlo son los modelos lineales generalizados (GLM), una familia de modelos que la literatura de la CAS y de la SOA documenta ampliamente.
Este artículo recorre la lógica detrás de la prima pura, por qué conviene separarla en frecuencia y severidad, qué aporta el modelo Tweedie y qué cuidados exige un buen modelo. Es una explicación conceptual, pensada para estudiantes y profesionales que quieren entender el mecanismo antes de usar el software.
La prima que paga el asegurado se construye por capas. La base es la prima pura (el costo esperado de los siniestros); sobre ella se agregan gastos de adquisición y administración, margen para contingencias y utilidad, además de impuestos y derechos. Un error en la prima pura se arrastra a todas las demás capas, por eso es donde más esfuerzo estadístico se concentra.
La prima pura de una póliza puede expresarse como el producto de dos cantidades: cuántas veces se espera que ocurra un siniestro y cuánto cuesta cada uno. Esta descomposición es la idea central del enfoque clásico.
La frecuencia es el número esperado de siniestros por unidad de exposición (por ejemplo, por vehículo-año). La severidad es el costo promedio de cada siniestro. Separarlas tiene una razón práctica: responden a variables y a comportamientos diferentes.
Si un factor eleva la frecuencia pero reduce la severidad (o al revés), un modelo único puede ocultar ambos efectos. Modelarlos por separado los vuelve visibles y más fáciles de explicar.
Un GLM generaliza la regresión lineal en tres piezas: una distribución para la variable de respuesta, una función de enlace y un predictor lineal con las variables explicativas. La clave es que la respuesta no tiene que ser normal. En seguros esto es indispensable: los conteos de siniestros y los montos son siempre positivos y asimétricos.
Se usa habitualmente la distribución Poisson (o binomial negativa cuando hay sobredispersión), con enlace logarítmico y la exposición como offset. El enlace logarítmico produce un modelo multiplicativo: cada variable aporta un factor, y la frecuencia final es el producto de factores. Esa estructura coincide con cómo las tarifas se han presentado siempre: una tarifa base multiplicada por relatividades.
Suele usarse la distribución gamma (o log-normal) también con enlace logarítmico, ponderando por el número de siniestros. Como los montos grandes son raros pero influyentes, se acostumbra tratar aparte los siniestros extremos, ya sea limitándolos (capping) o modelándolos por separado, para que unos pocos casos no distorsionen toda la tarifa.
Existe una alternativa que modela directamente la pérdida por unidad de exposición: la distribución Tweedie con parámetro de potencia entre 1 y 2. Representa una suma aleatoria de montos (gamma) con número aleatorio de eventos (Poisson), y permite un valor exacto de cero cuando no hay siniestro, algo que una gamma pura no admite.
Su ventaja es la simplicidad: un solo modelo, una sola calibración. Su desventaja es que asume que las mismas variables afectan frecuencia y severidad de manera acoplada. En la práctica, muchos equipos usan Tweedie como referencia o validación cruzada del enfoque frecuencia-severidad, y no como sustituto único.
Con el modelo ajustado, cada coeficiente se convierte en una relatividad: por ejemplo, un factor de 1.15 para cierto rango de edad implica una prima pura esperada 15 % mayor que la categoría base, manteniendo todo lo demás constante. El actuario compara después las relatividades indicadas por el modelo con las que el mercado, la competencia y la regulación permiten aplicar, y decide cuánto del indicado trasladar a la tarifa.
Los árboles potenciados y las redes neuronales suelen discriminar mejor el riesgo al capturar interacciones que un GLM no ve, pero a costa de interpretabilidad. Un camino frecuente es usar el GLM como base transparente y el aprendizaje automático como herramienta de exploración (por ejemplo, para descubrir interacciones que luego se incorporan al GLM) o como modelo complementario. Dominar el GLM sigue siendo el piso: sin entenderlo, es difícil evaluar críticamente cualquier modelo más complejo.
En mercados como el mexicano, donde el seguro de auto concentra una parte muy importante de la prima de daños, la calidad de la tarificación impacta directamente en la solvencia y en la competitividad. Las aseguradoras con datos propios amplios y equipos técnicos sólidos pueden segmentar mejor; las más pequeñas dependen de estadísticas de mercado y de la credibilidad de su propia experiencia, tema que conecta con la teoría de la credibilidad. Para quien estudia actuaría, aprender GLM (en R, Python o SAS) es una de las inversiones con mayor retorno profesional.
La prima pura no es un número mágico: es el resultado de decisiones sobre datos, distribuciones y variables que un actuario debe poder explicar. Separar frecuencia y severidad, entender qué hace un GLM y saber validarlo es la base para tarifas técnicas, justas y sostenibles. Para ver cómo evoluciona este tema con nuevas técnicas, consulta también IA en la tarificación de seguros y reservas técnicas e IBNR.
Contenido educativo original; no constituye asesoría actuarial ni profesional.
¿Te sirvió? Explora más en el blog, descubre por qué estudiar actuaría o la sección para estudiantes.