Bagaman ang mga istatistika ay mahalaga sa maraming uri ng negosyo, ito ay partikular na mahalaga sa industriya ng seguro. Ginagamit ang mga istatistika upang matukoy kung anong peligro ang ipinapataw ng isang nakaseguro sa isang kompanya ng seguro, kung anong porsyento ng mga patakaran ang malamang na magbayad, at kung magkano ang maaaring inaasahan ng isang kumpanya na magbayad sa mga claim.
Aktuaries
Ang isang aktibista ay isang taong sinanay sa mga estratehiya sa pamumuhunan at statistical tools. Kailangan ng mga aktuaries na malaman ang mga estratehiya sa pamumuhunan sa seguro dahil sa magkakaibang hanay ng mga produkto sa larangan ng seguro. Halimbawa, ang isang aktor ay maaaring nagtatrabaho sa mga pensiyon at pagreretiro sa ilalim ng payong sa seguro sa buhay. Kinakailangan ang mga aktuario na magpasa ng mahigpit na eksaminasyon sa halos bawat bansa upang ipakita na mayroon silang isang mahusay na kaalaman tungkol sa posibilidad at istatistika.
Paggawa ng mga Desisyon
Ang istatistika ay hindi isang eksaktong agham: ang mga actuaries tumingin sa statistical data at gumawa ng isang pinakamahusay na hulaan sa kung ano ang data ay nagsasabi sa kanila. Upang maghanda para sa paggawa ng mga desisyon, ang mga aktwal na teoriya sa desisyon sa pag-aaral, isang subset ng matematika at mga istatistika na kasama ang teorya ng laro. Tinutulungan ng teorya ng laro ang aktor upang maunawaan kung ano ang malamang na gawin ng isang tao at kung bakit. Halimbawa, kung ang isang may-hawak ng patakaran sa insurance ng kotse ay may utang, maaaring mas malamang na mag-file siya ng maling claim sa kanyang sasakyan upang kumita ng pera. Walang tiyak na bilang para sa ganitong uri ng pag-uugali ng tao; ang desisyon na singilin ang isang mas mataas na premium para sa ilang mga panganib ay ginawa ng aktibista batay sa kanyang kaalaman base.
Pagkawala ng Distribusyon
Ang pamamahagi ng pagkawala ay maaaring magbigay ng actuary isang larawan ng pag-uugali sa pag-claim sa loob ng isang tiyak na panahon o nagpapakita kung paano ang mga kategorya ng mga claim ay naka-stack up laban sa isa't isa. Halimbawa, ang isang actuary ay maaaring bumuo ng isang histogram, isang uri ng bar graph na naghahambing sa mga kategorya. Maaaring ipakita ng bar graph kung paano nauugnay ang mga claim sa mga pangkat ng edad para sa seguro sa buhay. Ang actuary ay makakatingin sa mga uso at makita kung ang mga mas mataas na premium para sa ilang mga pangkat ng edad ay nararapat.
Linear Models
Ang isang linear na modelo ay maaaring gamitin upang makita kung ang isang kategorya o item ay may kaugnayan sa isa pa. Ang isang halimbawa ng isang linear na modelo ay ang linear regression: ang mga puntos ng data ay naka-plot sa isang graph upang makita kung mayroon silang isang linear na relasyon; sa ibang salita, maaaring gamitin ang isang tuwid na linya upang kumatawan sa data. Kung ang isang tuwid na linya ay maaaring iguguhit, ito ay nagpapahiwatig na may kaugnayan sa pagitan ng dalawang kategorya. Ang isang linear na modelo ay maaaring magamit upang malaman ang impormasyon tungkol sa kung paano ang edad, kasarian, suweldo at iba pang mga katangian ay may kaugnayan sa laki ng claim.
Mga Modelong Serye ng Oras
Ang isang modelo ng serye ng panahon ay kung saan tinitingnan ng isang aktuary kung paano gumaganap ang isang partikular na item sa paglipas ng panahon. Halimbawa, maaaring tingnan nila kung paano nagbabago ang kasaysayan ng mga claim ng mga policyholder sa paglipas ng panahon upang matukoy kung magkano ang singil para sa mga partikular na katangian ng tagapamahala o maaaring pag-aralan nila ang pagganap ng mga pamumuhunan sa loob ng isang panahon upang matukoy ang mga rate upang singilin para sa buong mga patakaran sa seguro sa buhay.
