CV in R

When entering the working world or looking for new job opportunities we have all been in the task of creating or updating our resume and almost always the main tool is Word, Canva or Adobe Illustrator (for the more advanced). The last two options, although they offer a lot of customization in terms of design, do not allow much flexibility when updating information or easily adapting to a workflow. On the other hand, Word has templates with somewhat bland designs and the constant struggle with alignments, indents and styles when entering new information.

A couple of years ago I was confronted with this problem and I was lucky to find the solution in the vitae package developed by Mitchell O’Hara-Wild. This package allows you to create a cv with 6 types of formatting:

1. Awesome-CV format
2. Hydman
3. ModernCV
4. Twenty seconds
5. latexcv
6. markdown-cv

Here you can see the examples of the different formats together with their source code. Personally I like the Awesome-CV template and in fact this whole tutorial is developed focused on this style of cv.

First you must create a project in Rstudio because we will take advantage of git version control, in this link you can find the step by step of how to create a project with git version control.

The first step is to install the vitae package

install.packages("vitae")

and then create an awesome cv template with markdown

This will create the following template

To compile you must click on ‘Knit’ and you will have the following pdf

In the YAML parameters you can specify data such as name, position, address, email, etc. Here you can find more details about each available parameter.

The data for the cv is entered in a tribble and transformed to awesome format with the detailed_entries() function that has the parameters:

• data: tribble, tibble or dataframe with the data
• what: name of the activity or title
• when: date of the activity or title
• with: company or institution
• where: place of the activity or title
• why : for additional data (this can be a list of values)

There is also function brief_entries(data, what, when, with, .protect = TRUE) which is similar but with less arguments. For more information about these functions you can type in the console ?detailed_entries or ?brief_entries.

The following code

tribble(
  ~ Degree, ~ Year, ~ Institution, ~ Where,
  "Informal studies", "1889-91", "Flying University", "Warsaw, Poland",
  "Master of Physics", "1893", "Sorbonne Université", "Paris, France",
  "Master of Mathematics", "1894", "Sorbonne Université", "Paris, France"
) %>% 
  detailed_entries(Degree, Year, Institution, Where)

compiling to pdf will create

At this point you will have created a functional cv and will not need to worry about layout, indentation or text alignment. But it is still cumbersome to have the data and the code in the same place. To solve this problem I took the workflow from the datadrivencv package created by Nick Strayer as a basis.

Save your data in Google sheets

We will use the googlesheets4 package to download the cv data from a google spreadsheet. I suggest copying my sheet and replacing its data.

The document has the following:

1. entries: information about education, work experience, certifications, etc.
2. language_skills: tools or skills you have.
3. post_info: information about post.
4. text_block: additional information such as your professional description or interests.
5. contact_info: contact information (email, phone, etc).

Create custom functions

The following function allows to create an object with all the information of the spreadsheet,

1. data_location: is the link of the spreadsheet from google sheet
2. pdf_mode: if TRUE the text links are removed.
3. sheet_is_publicly_readable: TRUE if the link to the spreadsheet is public.

create_CV_object <-  function(data_location,
                              pdf_mode = FALSE,
                              sheet_is_publicly_readable = TRUE) {
  
  cv <- list(
    pdf_mode = pdf_mode,
    links = c()
  )
  
  is_google_sheets_location <- stringr::str_detect(data_location, "docs\\.google\\.com")
  
  if(is_google_sheets_location){
    if(sheet_is_publicly_readable){
      # This tells google sheets to not try and authenticate. Note that this will only
      # work if your sheet has sharing set to "anyone with link can view"
      googlesheets4::gs4_deauth()
    } else {
      # My info is in a public sheet so there's no need to do authentication but if you want
      # to use a private sheet, then this is the way you need to do it.
      # designate project-specific cache so we can render Rmd without problems
      options(gargle_oauth_cache = ".secrets")
    }
    
    read_gsheet <- function(sheet_id){
      googlesheets4::read_sheet(data_location, sheet = sheet_id, skip = 1, col_types = "c")
    }
    cv$entries_data  <- read_gsheet(sheet_id = "entries")
    cv$skills        <- read_gsheet(sheet_id = "language_skills")
    cv$text_blocks   <- read_gsheet(sheet_id = "text_blocks")
    cv$contact_info  <- read_gsheet(sheet_id = "contact_info")
    cv$post_info  <- read_gsheet(sheet_id = "post_info")
  } else {
    # Want to go old-school with csvs?
    cv$entries_data <- readr::read_csv(paste0(data_location, "entries.csv"), skip = 1)
    cv$skills       <- readr::read_csv(paste0(data_location, "language_skills.csv"), skip = 1)
    cv$text_blocks  <- readr::read_csv(paste0(data_location, "text_blocks.csv"), skip = 1)
    cv$contact_info <- readr::read_csv(paste0(data_location, "contact_info.csv"), skip = 1)
    cv$post_info <- readr::read_csv(paste0(data_location, "post_info.csv"), skip = 1)
  }
  
  
  extract_year <- function(dates){
    date_year <- stringr::str_extract(dates, "(20|19)[0-9]{2}")
    date_year[is.na(date_year)] <- lubridate::year(lubridate::ymd(Sys.Date())) + 10
    
    date_year
  }
  
  parse_dates <- function(dates){
    
    date_month <- stringr::str_extract(dates, "(\\w+|\\d+)(?=(\\s|\\/|-)(20|19)[0-9]{2})")
    date_month[is.na(date_month)] <- "1"
    
    paste("1", date_month, extract_year(dates), sep = "-") %>%
      lubridate::dmy()
  }
  
  # Clean up entries dataframe to format we need it for printing
  cv$entries_data %<>%
    tidyr::unite(
      tidyr::starts_with('description'),
      col = "description_bullets",
      sep = "\n- ",
      na.rm = TRUE
    ) %>%
    dplyr::mutate(description_bullets = as.list(strsplit(description_bullets , "\n- ")) ) %>% 
    dplyr::mutate(
      # description_bullets = ifelse(description_bullets != "", paste0("- ", description_bullets), ""),
      start = ifelse(start == "NULL", NA, start),
      end = ifelse(end == "NULL", NA, end),
      start_year = extract_year(start),
      end_year = extract_year(end),
      no_start = is.na(start),
      has_start = !no_start,
      no_end = is.na(end),
      has_end = !no_end,
      timeline = dplyr::case_when(
        no_start  & no_end  ~ "N/A",
        no_start  & has_end ~ as.character(end),
        has_start & no_end  ~ paste("Current", "-", start),
        TRUE                ~ paste(end, "-", start)
      )
    ) %>%
    dplyr::arrange(desc(parse_dates(end))) %>%
    dplyr::mutate_all(~ ifelse(is.na(.), 'N/A', .))
  
  cv
}

This function removes links from a text

sanitize_links <- function(cv, text){
  if(cv$pdf_mode){
    link_titles <- stringr::str_extract_all(text, '(?<=\\[).+?(?=\\])')[[1]]
    link_destinations <- stringr::str_extract_all(text, '(?<=\\().+?(?=\\))')[[1]]
    
    n_links <- length(cv$links)
    n_new_links <- length(link_titles)
    
    if(n_new_links > 0){
      # add links to links array
      cv$links <- c(cv$links, link_destinations)
      
      # Build map of link destination to superscript
      link_superscript_mappings <- purrr::set_names(
        paste0("<sup>", (1:n_new_links) + n_links, "</sup>"),
        paste0("(", link_destinations, ")")
      )
      
      # Replace the link destination and remove square brackets for title
      text <- text %>%
        stringr::str_replace_all(stringr::fixed(link_superscript_mappings)) %>%
        stringr::str_replace_all('\\[(.+?)\\]', "\\1")
    }
  }
  
  list(cv = cv, text = text)
}

You also need functions to print the downloaded data.

# print text block
print_text_block <- function(cv, label){
  text_block <- dplyr::filter(cv$text_blocks, loc == label) %>%
    dplyr::pull(text)
  
  strip_res <- sanitize_links(cv, text_block)
  
  cat(strip_res$text)
  
  invisible(strip_res$cv)
}

# print table of skills
print_skill <- function(cv){
  
  glue_template <- "
\\cvskill{<<group>>}{<<skills>>}"
  
  skills_formatted <- cv$skills %>%
    mutate(skill = if_else(is.na(details)|details=="", glue::glue("{skill}"), glue::glue("{skill} ({details})"))) %>% 
    group_by(group) %>% 
    summarize(skills = glue::glue_collapse(skill, sep = ", ")) 
  
  cv_skill <- skills_formatted %>% 
    glue::glue_data(glue_template, .open = "<<", .close = ">>" ) %>% 
    paste0(., collapse = '\n')
  
  cv_skill_env <- paste0('\n\\begin{cvskills}\n', cv_skill, '\n\\end{cvskills}\n' , collapse= '\n')
  
  cat(cv_skill_env)
  
  invisible(cv)
}

# print table of posts
print_post<- function(cv, glue_template = "default"){
  
  if(glue_template == "default"){
    glue_template <- "
- [{name}]({link})
\n"
  }  
  print(glue::glue_data(cv$post_info , glue_template))
  
  invisible(cv)
}

Okay, now let’s replace

knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
library(vitae)

with this, so we can use the previous functions

knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
library(vitae)
library(dplyr)
library(magrittr)
source("Utils/data_download_funs.R")

CV <- create_CV_object(
  data_location = "https://docs.google.com/spreadsheets/d/19YWFjpiCqTbrwrU1hpxDNubZKoNi-o0DvOQbcHqsc7c/edit?usp=sharing",  
  pdf_mode = FALSE
)

For the Education section we can replace

library(tibble)
tribble(
  ~ Degree, ~ Year, ~ Institution, ~ Where,
  "Informal studies", "1889-91", "Flying University", "Warsaw, Poland",
  "Master of Physics", "1893", "Sorbonne Université", "Paris, France",
  "Master of Mathematics", "1894", "Sorbonne Université", "Paris, France"
) %>% 
  detailed_entries(what = Degree, when = Year, with = Institution, where = Where)

with this

CV$entries_data %>% 
  filter(section == 'education') %>% 
  detailed_entries(
    what = institution,
    when = glue::glue("{`start`} - {`end`}"),
    with = title,
    where = loc,
    why = description_bullets
  )

To print your skills

CV %>% print_skill()

To print your posts

CV %<>% print_post()

All files are hosted here.

I want to thank Nick Strayer and Mitchell O’Hara-Wild for the wonderful work done on the vitae and datadrivencv package.

CV en R

Al ingresar al mundo laboral o en la búsqueda de nuevas oportunidades de empleo todos hemos estado en la tarea de crear o actualizar nuestro curriculum y casi siempre la principal herramienta es Word seguido de Canva o Adobe ilustrator (para los mas avanzados). Las dos ultimas opciones si bien ofrecen mucha personalización en cuanto diseño no permiten tanta flexibilidad al momento de actualizar información o que se adapten facilmente a un flujo de trabajo. Por otro lado Word tienen plantillas con diseños algo sosos y la lucha constante con las alineaciones, sangrados y estilos al momento de ingresar nueva información.

Hace un par de años me enfrente a este problema y tuve la suerte de encontrar la solución en el paquete vitae desarrollado por Mitchell O’Hara-Wild. Este paquete permite crear un cv con 6 tipos de formato:

1. Awesome-CV format
2. Hydman
3. ModernCV
4. Twenty seconds
5. latexcv
6. markdown-cv

Aquí puede ver los ejemplos de los diferentes formatos junto con su código fuente. En los personal me agrada la plantilla Awesome-CV y de hecho todo este tutorial se desarrollada enfocada a este estilo de cv.

Primero deberá crear un proyecto en Rstudio pues aprovecharemos el control de versiones git, en este enlace podrá encontrar el paso a paso de como crear un proyecto con control de versiones git.

El primer paso será instalar el paquete vitae

install.packages("vitae")

y luego crear una plantilla de awesome cv con markdown

Esto creara la siguiente plantilla

Para compilar deberá dar click en ‘Knit’ y tendrá el siguiente pdf

En los parámetros YAML puede especificar datos como nombre, posición, dirección, email, etc. Aquí podrá encontrar más detalle acerca de cada parámetro disponible.

Las datos para el cv se ingresan en un tribble y se transforman a formato awesome con la función detailed_entries() que tiene los parametros:

• data: tribble, tibble o dataframe con los datos
• what: nombre de la actividad o titulo
• when: fecha de la actividad o titulo
• with: empresa o institución
• where: lugar de la actividad o titulo
• why : para datos adicionales (estos pueden ser una lista de valores)

También existe función brief_entries(data, what, when, with, .protect = TRUE) que es similar pero con menos argumentos. Para mas informacion acerca de estas funciones puede escribir en la consola ?detailed_entries o ?brief_entries

El siguiente código

tribble(
  ~ Degree, ~ Year, ~ Institution, ~ Where,
  "Informal studies", "1889-91", "Flying University", "Warsaw, Poland",
  "Master of Physics", "1893", "Sorbonne Université", "Paris, France",
  "Master of Mathematics", "1894", "Sorbonne Université", "Paris, France"
) %>% 
  detailed_entries(Degree, Year, Institution, Where)

al compilar a pdf creará

Hasta este punto habra credo un cv funcional y no tendrá que preocuparse del diseño, sangrado o alineación del texto. Pero aun sigue siendo engorroso tener los datos y el código en el mismo lugar. Para resolver este problem tome como base el flujo de trabajo del paquete datadrivencv creado por Nick Strayer.

Guardar sus datos en Google sheets

Utilizaremos el paquete googlesheets4 para descargar los datos de nuestro cv desde una hoja de calculo de Google. Sugiero copiar mi hoja y reemplazar sus datos. El documento tiene las siguientes:

1. entries: información acerca de educación, experiencia laboral, certificaciones, etc.
2. lenguaje_skills: herramientas o habilidades que maneja.
3. post_info: informacion acerca de post.
4. text_block: informacion adicional como su descripción profesional o intereses.
5. contact_info: información de contacto (email, teléfono, etc)

Crear funciones personalizadas

La siguiente función permite crear un objeto con toda la información de la hoja de calculo,

1. data_location: es el link de la hoja de calculo de google sheet
2. pdf_mode: si es TRUE se eliminan los link de los textos.
3. sheet_is_publicly_readable: TRUE si el link de la hoja de calculo es público

create_CV_object <-  function(data_location,
                              pdf_mode = FALSE,
                              sheet_is_publicly_readable = TRUE) {
  
  cv <- list(
    pdf_mode = pdf_mode,
    links = c()
  )
  
  is_google_sheets_location <- stringr::str_detect(data_location, "docs\\.google\\.com")
  
  if(is_google_sheets_location){
    if(sheet_is_publicly_readable){
      # This tells google sheets to not try and authenticate. Note that this will only
      # work if your sheet has sharing set to "anyone with link can view"
      googlesheets4::gs4_deauth()
    } else {
      # My info is in a public sheet so there's no need to do authentication but if you want
      # to use a private sheet, then this is the way you need to do it.
      # designate project-specific cache so we can render Rmd without problems
      options(gargle_oauth_cache = ".secrets")
    }
    
    read_gsheet <- function(sheet_id){
      googlesheets4::read_sheet(data_location, sheet = sheet_id, skip = 1, col_types = "c")
    }
    cv$entries_data  <- read_gsheet(sheet_id = "entries")
    cv$skills        <- read_gsheet(sheet_id = "language_skills")
    cv$text_blocks   <- read_gsheet(sheet_id = "text_blocks")
    cv$contact_info  <- read_gsheet(sheet_id = "contact_info")
    cv$post_info  <- read_gsheet(sheet_id = "post_info")
  } else {
    # Want to go old-school with csvs?
    cv$entries_data <- readr::read_csv(paste0(data_location, "entries.csv"), skip = 1)
    cv$skills       <- readr::read_csv(paste0(data_location, "language_skills.csv"), skip = 1)
    cv$text_blocks  <- readr::read_csv(paste0(data_location, "text_blocks.csv"), skip = 1)
    cv$contact_info <- readr::read_csv(paste0(data_location, "contact_info.csv"), skip = 1)
    cv$post_info <- readr::read_csv(paste0(data_location, "post_info.csv"), skip = 1)
  }
  
  
  extract_year <- function(dates){
    date_year <- stringr::str_extract(dates, "(20|19)[0-9]{2}")
    date_year[is.na(date_year)] <- lubridate::year(lubridate::ymd(Sys.Date())) + 10
    
    date_year
  }
  
  parse_dates <- function(dates){
    
    date_month <- stringr::str_extract(dates, "(\\w+|\\d+)(?=(\\s|\\/|-)(20|19)[0-9]{2})")
    date_month[is.na(date_month)] <- "1"
    
    paste("1", date_month, extract_year(dates), sep = "-") %>%
      lubridate::dmy()
  }
  
  # Clean up entries dataframe to format we need it for printing
  cv$entries_data %<>%
    tidyr::unite(
      tidyr::starts_with('description'),
      col = "description_bullets",
      sep = "\n- ",
      na.rm = TRUE
    ) %>%
    dplyr::mutate(description_bullets = as.list(strsplit(description_bullets , "\n- ")) ) %>% 
    dplyr::mutate(
      # description_bullets = ifelse(description_bullets != "", paste0("- ", description_bullets), ""),
      start = ifelse(start == "NULL", NA, start),
      end = ifelse(end == "NULL", NA, end),
      start_year = extract_year(start),
      end_year = extract_year(end),
      no_start = is.na(start),
      has_start = !no_start,
      no_end = is.na(end),
      has_end = !no_end,
      timeline = dplyr::case_when(
        no_start  & no_end  ~ "N/A",
        no_start  & has_end ~ as.character(end),
        has_start & no_end  ~ paste("Current", "-", start),
        TRUE                ~ paste(end, "-", start)
      )
    ) %>%
    dplyr::arrange(desc(parse_dates(end))) %>%
    dplyr::mutate_all(~ ifelse(is.na(.), 'N/A', .))
  
  cv
}

Esta función elimina los links de un texto

sanitize_links <- function(cv, text){
  if(cv$pdf_mode){
    link_titles <- stringr::str_extract_all(text, '(?<=\\[).+?(?=\\])')[[1]]
    link_destinations <- stringr::str_extract_all(text, '(?<=\\().+?(?=\\))')[[1]]
    
    n_links <- length(cv$links)
    n_new_links <- length(link_titles)
    
    if(n_new_links > 0){
      # add links to links array
      cv$links <- c(cv$links, link_destinations)
      
      # Build map of link destination to superscript
      link_superscript_mappings <- purrr::set_names(
        paste0("<sup>", (1:n_new_links) + n_links, "</sup>"),
        paste0("(", link_destinations, ")")
      )
      
      # Replace the link destination and remove square brackets for title
      text <- text %>%
        stringr::str_replace_all(stringr::fixed(link_superscript_mappings)) %>%
        stringr::str_replace_all('\\[(.+?)\\]', "\\1")
    }
  }
  
  list(cv = cv, text = text)
}

También se necesita funciones para imprimir los datos descargados

# print text block
print_text_block <- function(cv, label){
  text_block <- dplyr::filter(cv$text_blocks, loc == label) %>%
    dplyr::pull(text)
  
  strip_res <- sanitize_links(cv, text_block)
  
  cat(strip_res$text)
  
  invisible(strip_res$cv)
}

# print table of skills
print_skill <- function(cv){
  
  glue_template <- "
\\cvskill{<<group>>}{<<skills>>}"
  
  skills_formatted <- cv$skills %>%
    mutate(skill = if_else(is.na(details)|details=="", glue::glue("{skill}"), glue::glue("{skill} ({details})"))) %>% 
    group_by(group) %>% 
    summarize(skills = glue::glue_collapse(skill, sep = ", ")) 
  
  cv_skill <- skills_formatted %>% 
    glue::glue_data(glue_template, .open = "<<", .close = ">>" ) %>% 
    paste0(., collapse = '\n')
  
  cv_skill_env <- paste0('\n\\begin{cvskills}\n', cv_skill, '\n\\end{cvskills}\n' , collapse= '\n')
  
  cat(cv_skill_env)
  
  invisible(cv)
}

# print table of posts
print_post<- function(cv, glue_template = "default"){
  
  if(glue_template == "default"){
    glue_template <- "
- [{name}]({link})
\n"
  }  
  print(glue::glue_data(cv$post_info , glue_template))
  
  invisible(cv)
}

Bien, ahora reemplacemos

knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
library(vitae)

por esto, para poder usar las funciones anteriores

knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
library(vitae)
library(dplyr)
library(magrittr)
source("Utils/data_download_funs.R")

CV <- create_CV_object(
  data_location = "https://docs.google.com/spreadsheets/d/19YWFjpiCqTbrwrU1hpxDNubZKoNi-o0DvOQbcHqsc7c/edit?usp=sharing",  
  pdf_mode = FALSE
)

Para la sección de Educación podemos reemplazar

library(tibble)
tribble(
  ~ Degree, ~ Year, ~ Institution, ~ Where,
  "Informal studies", "1889-91", "Flying University", "Warsaw, Poland",
  "Master of Physics", "1893", "Sorbonne Université", "Paris, France",
  "Master of Mathematics", "1894", "Sorbonne Université", "Paris, France"
) %>% 
  detailed_entries(what = Degree, when = Year, with = Institution, where = Where)

por

CV$entries_data %>% 
  filter(section == 'education') %>% 
  detailed_entries(
    what = institution,
    when = glue::glue("{`start`} - {`end`}"),
    with = title,
    where = loc,
    why = description_bullets
  )

Para imprimir sus habilidades

CV %>% print_skill()

Para imprimir sus posts

CV %<>% print_post()

Todos los archivos se encuentran alojado aquí.

Quiero agredecer a Nick Strayer y Mitchell O’Hara-Wild por el maravilloso trabajo realizado en el paquete vitae y datadrivencv.

Historia

Los seguros empezaron su desarrollo en el siglo XIV como protección a los comerciantes marítimos en contra de la piratería, deterioro en el transporte o riesgos propios del medio de transporte como tormentas o hundimientos. Uno de los primeros contratos de seguro que conocemos aparece el 15 de marzo de 1350, en el cual el genovés, Leonardo Cattaneo, promete asumir la perdida del cargamento avaluado en 300 florines ya sea por un acto de dios o por mano del hombre durante el trayecto desde la isla de Sicilia hasta Tunez; en el contrato también se estipula un pago de 54 florines que corresponde al 18% del valor del cargamento (18% = 54/300) por dicha promesa. El pago por estos contratos de seguros era muy altos en comparación a los que se pagan hoy en día pues en la época medieval estos cubrían riesgos de guerra, de la naturaleza y que los accidentes marítimos eran muy frecuentes. El pago variaba de acuerdo a la distancia recorrida, la estación del año, si había guerra o paz, si habían ocurrido actos de piratería en la ruta, tipo de embarcación o simplemente de año a año. Por ejemplo el pago por transportar mercadería entre Londres y Pisa variaba entre el 12% y el 15% del valor asegurado es decir del valor de la mercancía y en ciertas ocasiones un porcentaje mayor por existir actos de piratería. Con el desarrollo de los contratos de seguro también vinieron los problemas como por ejemplo que las personas con poca experiencia en el negocio de seguros no tenían la capacidad financiera para responder en caso de perdida de mercancía de gran valor. También aparecieron personas que usaron los contratos de seguros no como una protección sino como una forma de apostar sobre los bienes de otros. Para comienzos del siglo XV el seguro marítimo estaba bien establecido pues se habían definido: reglas con las cuales evitar los problemas antes mencionados una estructura para el contrato de seguro o también llamado póliza y que cambio muy poco en los siglos siguientes.

La utilización de formatos predeterminados para pólizas era tan común en el siglo XVI que únicamente se tenia que especificar el nombre del capitán, nombre del barco, valor de la mercancía, pago por el seguro y detalles específicos que variaban de contrato en contrato. Se estandarizo la interpretación legal de las pólizas y establecieron cosas como que el asegurador que hubiese pagado una indemnización adquiría los derechos de propiedad sobre lo que se pueda recuperar de los bienes asegurados o también llamados salvamentos y que en caso que el asegurado no renunciara al derecho de propiedad la indemnización no era pagadera. También que el asegurador no era responsable si la embarcación se hundía antes de partir o si había razones para creer que el asegurado ocultaba información acerca del riesgo. No se podía indemnizar por un valor superior al valor real del bien asegurado y no se podía acceder a una póliza si el asegurado no era el dueño del bien o que podía verse afectado de manera indirecta por la perdida del bien.

Que es un seguro

El seguro surge como respuesta a la incertidumbre que sienten los individuos frente a situaciones adversas que puedan provocar perdidas tanto materiales como personales.

La base de esta actividad radica en la existencia de un equilibrio entre la prestación (indemnización) que hará la compañía de seguros y la contraprestación (prima) que ella recibe del asegurado

La actividad aseguradora, como cualquier otra tiene su propia forma de expresarse. Algunos términos frecuentes:

• Seguro: entendido como contrato, es el convenio entre dos partes, entre asegurador y asegurado mediante la cual la primera se compromete a cubrir económicamente la perdida o daño que el asegurado pueda sufrir.
• Riesgo: es la posibilidad de perdida o daño.
• Siniestro: es la realización del riesgo.
• Prima: es el precio del seguro.

El seguro tiene 2 características fundamentales:

1. Transferencia del riesgo de un individuo ( una persona, una familia, una empresa) a un grupo de individuos (familias, empresas)
2. Compartir las perdidas en alguna manera equitativa sobre todos los miembros del grupo, a esta idea comúnmente se le conoce como “riesgo compartido”

Se debe hacer una distinción entre “riesgo compartido” y “ diversificación de riesgo”. El primero es el fundamento del seguro mientras que el segundo se ocupa de optimizar el riesgo en una cartera de inversiones es decir reducir el riesgo total.

Por otro lado, desde el punto de vista del asegurado, se puede definir el seguro como un herramienta económica mediante el cual el asegurado cambia un costo pequeño y conocido (llamado prima) por un costo desconocido y potencialmente grande (perdida financiera). Es decir cambiamos incertidumbre por la certeza mediante un contrato de seguro.

También desde un punto de vista social, el seguro se pude definir como una herramienta económica mediante la cual se puede reducir o eliminar un riesgo a través de combinar un numero suficiente de expuestos o asegurados homogéneos (que tengan características similares) en un grupo de tal manera que las perdidas puedan ser predecibles como un todo.

Porque es necesario el seguro

1. En general las personas y la sociedad tienen la necesidad de protección frente a eventos imprevisibles que podrían causar serias perdidas financieras o físicas.
2. Un seguro se encarga de reponer las perdidas de un evento aleatorio desfavorable.

El proceso fundamental tras el seguro, es que la aseguradora construye una “comunidad” o portafolio de asegurados en donde todos contribuyen con el pago de cierto monto, conocido de antemano, y las perdidas económicas derivadas de eventos desfavorables son financiadas por medio de esta comunidad.

Los miembros de esta comunidad deben enfrentar riesgos similares y por ende todos se benefician al diversificar el mismo riesgo.

La contribución de muchos para cubrir la desgracia de pocos

Los contratos de seguro tienen:

• Un periodo de cobertura, para seguros de no-vida o también conocido como generales la cobertura habitualmente dura 1 año ( por ejemplo seguro de vehículo, seguro contra incendio ) mientas que en seguros de vida las coberturas pueden durar muchos años por ejemplo 20 años o hasta la edad de retiro ( seguro de vida, seguro de muerte) .
• Todos aquellos eventos que ocurren durante el periodo de vigencia causando una perdida financiera y que están cubiertos por el contrato son indemnizados.
• Los pagos causados por eventos cubiertos son llamados “reclamos de seguro”.
• El pago que realiza el asegurado se conoce como “prima de seguro” y típicamente se realiza al inicio de la cobertura.

Una característica singular del seguro es que su ciclo de producción es inverso. Para entender mejor este concepto veamos como es el ciclo de producción para una fabrica de ropa. Primero la fabrica adquiere la materia prima, por lo cual de antemano conoce el costo de la misma. Luego necesitará la mano de obra para diseñar y crear las prendas, estos costos también los conocerá. Para colocar el precio de una prenda para el cliente tendrá que sumar el costo de la materia prima, el costo de la mano de obra y el valor que el fabricante desee como ganancia. En los seguros no se puede conocer de antemano cual será el costo o pago por un reclamo de seguro, también dependiendo del evento en ocasiones es necesario contratar abogados u otros servicios cuyo costo también es desconocido. Es por esto que decimos que los seguros tienen un ciclo de producción inverso y esta es la razón por la cual los modelos de perdida son esenciales.

No se puede conocer el costo de un seguro antes de su periodo de cobertura

La ley de los grandes números dice que al expandir el número de riesgo en un grupo, la pérdida promedio en el grupo eventualmente se vuelve cierta.

Formulando en forma matemática la cita anterior, para una compañía de seguros que agrupa riesgos similares

Sean reclamaciones individuales de asegurados , tal que todos las son variables aleatorias independientes e idénticamente distribuidas cuya esperanza es . Entonces para cualquier

Lo que nos dice la ley débil de los grandes numeros es que la probabilidad que la perdida promedio en un grupo de riesgos se desvíe de la perdida esperada en mas de una cantidad especificada eventualmente será 0 mientras el grupo de riesgos crece.

Si bien la LGN nos dice que la desviación de la perdida promedio disminuye en un grupo en crecimiento, no podemos:

1. Decir respecto a la perdida agregada de perdidas del grupo de riesgos, que en la practica es el valor que mas importa a una aseguradora.
2. Si los riesgos tienen un componente en común esta ley no es aplicable.
3. En la realidad expandir hasta el infinito.

Para un portafolio o pool de asegurados en expansión el creciente conjunto de riesgos se reparte entre un número cada vez mayor de propietarios. Es la pérdida promedio del pool, la que se atribuye a un propietario individual, cuya variabilidad como hemos visto antes por la LGN se reduce mucho con la agrupación de riesgos. Esto es el porque la LGN es el núcleo central del seguro.