E SCUELA P OLITÉCNICA N ACIONAL

M ATEMÁTICA A CTUARIAL

Tablas de mortalidad dinámicas

(Población Femenina).
Modelo Lee-Carter Poisson
26 de julio de 2021

Integrantes:

Luis Pionce

Bryan Tipán

Erika Ramírez

Gabriel Amagua

Jefferson Brito

Kevin Guerrero
1. Introducción
La tabla de mortalidad es una abstracción matemática que representa un mode-
lo de comportamiento de la evolución y constante decrecimiento de un colectivo,
construida a partir de las observaciones de un colectivo real.
Las tablas de mortalidad permiten obtener probabilidades de fallecimiento que va-
rían no sólo con la edad o el sexo, sino también con el paso del tiempo físico o de
calendario (habitualmente en sentido decreciente).
Uno de los principales usos de las tablas lo hacen Las compañías de seguros de vida,
que asumen diferentes tipos de riesgos: financieros (rendimiento de las inversiones,
inflación), biométricos (mortalidad, longevidad, invalidez de los asegurados), com-
portamiento de los asegurados (rescates de pólizas, impagos de primas, fraudes) y
cuantías de gastos. También, la Seguridad Social y otros organismos utilizan estas
tablas en tareas de planificación de los sistemas de previsión social (jubilaciones y
pensiones, entre otras prestaciones).

2. Resumen
Lee and Carter (1992) propusieron un modelo para describir el cambio en la mor-
talidad en función de un índice temporal. La metodología aplicada por estos autores
constituye una de las propuestas más influyentes en la literatura reciente sobre pro-
yección de la mortalidad.

En el presente trabajo vamos a realizar un análisis de las tablas de mortalidad

del Ecuador, específicamente de Mujeres entre los años 1990-2016, de donde se rea-
lizarán proyecciones de mortalidad en base a estos datos hasta el año 2025 usando
la librería StMoMo en conjunto con un modelo de predicción ARIMA. Posterior a
este proceso, se obtendrán las tablas de mortalidad de la población de Mujeres en el
periodo 2021-2025.

3. Descripción de los datos

La base de datos proporcionada Registros_Ecuador.xlsxçontiene información de
la población ecuatoriana de hombres y mujeres de edades entre 0 a 100 años en-
tre el periodo 1991 -2016. Para nuestro estudio, consideraremos exclusivamente la
población de mujeres, a la cual se empleará el método de Lee-Carter Poisson.

4. Objetivos
A partir de la base de datos dada, construir información demográfica sobre las
defunciones.

Construir las tablas de mortalidad dinámicas de la base proporcionada acerca

de los registros de Mujeres

1
 Aplicar el método de Lee-Carter Poisson y analizar el comportamiento e las
series.

5. Metodología

5.1. Método de Lee-Carter(LC)

Uno de los modelos más utilizados es el modelo de Lee-Carter, introducido por
sus autores en Lee y Carter (1992). Consiste en ajustar a la medida de mortalidad la
función:
m xt = exp( a x + bx k t + ext )
o su equivalente
ln(m xt ) = ( a x + bx k t + ext )
donde, m x t, es la matriz de las tasas centrales de mortalidad a la edad x en el año t.
Además a x ,bx y k t son parámetros dependientes de la edad y del tiempo y ext repre-
senta el error independientes y normalmente distribuidos con media 0 y varianza
σ2 .
Para que el modelo tenga una única solución, los parámetros han de ser normaliza-
dos, de esta manera,
∑ bx = 1
x

∑ kt = 0
t
Para nuestro estudio se lo consideraría de la siguiente forma:
92
∑ bx = 12016 b = 1
x =0

2016
∑ k t = 12016 k = 0
t=1991

5.2. Método de Lee-Carter Poisson

Considerando una amplia gama de criterios, principalmente basados en la pre-
cisión en que representa el fenómeno de supervivencia, el modelo Lee-Carter, pro-
puesto en 1992,parece ser uno de los métodos más efectivo. En particular, la variante
logbilineal de Poisson del modelo de Lee Carter supera los problemas asociados con
la método de ajuste por mínimos cuadrados ordinarios. En muchos casos, la versión
de Poisson, basada en estructuras de error heteroscedásticas de Poisson, es consis-
tentemente más precisa que la alternativas (como se muestra en Renshaw & Haber-
man 2003). El modelo de Lee Carter en el entorno de Poisson se caracteriza por lo
siguiente νxt ∼ P ( Ext , m xt ) tal que, νxt = ln m xt = a x + bx k t para x ∈ {0, ..., 92} y
t ∈ {1991, ..., 2016}.

2
 A diferencia de la ecuación de Lee Carter, la ecuación de LCP no contiene térmi-
nos de error, ya que la varianza del error está contenida en las distribuciones de Pois-
son de los recuentos de muertes hipotéticas en esta variante del modelo. En cuanto,
a las restricciones de este modelo son idénticas que las de Lee Carter,conservando
las mismas restricciones que cumplan con una solución única.

5.3. Suavizamiento de los datos

El suavizado de datos hace referencia a las técnicas para eliminar ruido o com-
portamientos no deseados en los datos. Para nuestro proyecto utilizaremos el mé-
todo de Splines, los cuales son funciones polinómicas a trozos sobre las que se im-
ponen restricciones en los puntos de unión llamados nodos, estos puntos dividen el
rango de x en regiones. Los splines dependen de tres elementos:

1. Grado del polinomio

2. Número de nodos
3. Localización de los nodos

En nuestro caso, disponemos de una serie de datos que presenta tendencia, y se

desea ajustar un polinomio que recoja esa tendencia y que evite por interpolación los
comportamientos erráticos que tienen algunos puntos de la serie. Se usará smothing
splines, pues son la solución al problema de minimizar la suma de residuos al cua-
drado,
n Z rn
RSS( f , λ) = ∑ (yi − f (ri )) 2
+λ
r0
f 00 (r )2 dr
i =1
donde λ es el parámetro de suavizamiento. En primera instancia, luego de realizar
la lectura de los datos. Para verlo de una manera más ilustrativa, se procede a grafi-
car los datos de Ext_Mujeres,de donde obtenemos el siguiente gráfico para PO90.

Como podemos ver en la gráfica, los datos necesitan ser suavizados, por lo tan-
to, procedemos a realizarlo con todos los datos de la base, usando método Spline
obteniendo el siguiente resultado.

3
5.4. Construcción de las tasa de mortalidad
Una vez suavizados los datos, se prosigue a construir, las tasas, mencionados
anteriormente para mujeres, siguiendo que, Se necesita un formato especial en los
datos, Datos tipo Demographicos,

6. Ajuste del modelo

En el proceso de estimar más allá de observación original, que tiene aplicación
en el modelo de LC, es el método de extrapolación de series de tiempo ARIMA, para
nuestro caso se empleará un ARIMA(0,1,0), de este modo, refiriéndonos al modelo
de LCP, el parámetro k t puede expresarse, así, k t = k t1 + d + et , donde d es una
constante, y se puede estimar como d = (k T k1 )/( T1), siendo T el valor del último
período de observación y et es el ruido blanco del proceso estocástico.
En este contexto, la metodología que se aplicará para nuestros datos, está basada
en un algoritmo iterativo que minimiza la función de desviación, se usará un proce-
so cíclico de actualización de los parámetros estimados hasta que la diferencia de la
verosimilitud del modelo ajustado y la del modelo saturado sea alcanzada, es decir,
la minimización del estadístico D y el mecanismo de actualización de un parámetro
θ = a x , bx , k t se hace mediante el método de Newton-Raphson unidimensional,
∂D/∂θ
θ j +1 = θ j −
∂2 D/∂θ 2
Donde, D es el estadistico:
 
Dxt
D = 2 ∑ ωxt Dxt log − ( Dxt − D̂xt )
xt D̂xt

Para la implementación de este modelo se hace uso de las librerias "forecast",

"StMoMo "demography"las cuales se encuentran disponibles en R.
2

Haciendo uso de dichas librerias se obtienen los siguientes resultados para los
parámetros α, β y κt . Del modelo:
LC = α · ( x ) + β · ( x )κ · (t)

4
 El paquete proporciona los valores específicos de cada parámetro, que se toman
para el cálculo de las predicciones.
A continuación presentamos los gráficos de las tasas de mortalidad correspon-
dientes a los datos originales, y también el gráfico de las tasas de mortalidad esti-
madas a partir del modelo.

5
6.1. Corrección de los parámetros estimados por el modelo alfa y
beta
Tenemos que los coeficientes: α x , que representa una media de valores de logarit-
mnos naturales de m x para una misma edad x y varios momentos t, β x , que permite
determinar la fuerza de disminución de la mortalidad para un cambio de k t , donde
k t es el índice que describe el nivel de mortalidad y permite describir la tendencia
de la mortalidad durante el período observado.
Procedemos a realizar una suavización de los parámetros α x y β x para luego
construir las tablas de mortalidad con estos parámetros corregidos.

Figura 1: Parámetro alfa sin corrección.

6
Figura 2: Parámetro beta con corrección.

Figura 3: Parámetro beta sin corrección.

7
 Figura 4: Parámetro beta con corrección.

6.2. Construcción de las tablas de mortalidad para los años 2021,

2022, 2023, 2024, y 2025
Las Tablas de Mortalidad, muestran funciones biométricas, interrelacionadas en-
tre sí, las cuales se mostrarán a continuación. Y se construirán haciendo uso de los
valores anteriormente predichos, y considerando los resultados del Modelo de Lee
Carter Poisson, lo anterior se detalla así,
m xt = exp( a x + bx xt )

2m xt
q xt =
2 + m xt
donde x ∈ {0, ..., 100} y t ∈ {2021, ..., 2025}. Se define, lo siguiente, para un
individuo de edad x y en un tiempo t,

q x , representa la probabilidad de fallecimiento. (calculado de la expresión an-

terior)

p x , representa la probabilidad de supervivencia.

lx , número de sobrevivientes, cuando la corte inicia con l0 = 100000 (cuantos
de ellos cumplen 1 año más), el cual, debe ir decreciendo.
l x = l x −1 ∗ p x −1

d x , número de fallecidos.
dx = lx − l − x + 1

8
 L x , número de años vividos del colectivo.
1
Lx = lx − dx
2

Tx , número total de años vividos por una generación de edades x y w.

w −1
Tx = ∑ Li
i=x

ex , representa la esperanza de vida.

Tx
ex =
lx

7. Predicciones de las tablas de mortalidad

A continuación se presentan los resultados para las predicciones desde el año
2021 al 2025

9
 Cuadro 1: Tabla de mortalidad mujeres 2021
EDAD qx px lx dx Lx Tx EVC
0 0,002325 0,997675 100000 232 99884 8203976 82,04
1 0,001413 0,998587 99768 141 99697 8104093 81,23
2 0,000932 0,999068 99627 93 99580 8004395 80,34
3 0,000692 0,999308 99534 69 99499 7904815 79,42
4 0,000584 0,999416 99465 58 99436 7805316 78,47
5 0,000537 0,999463 99407 53 99380 7705880 77,52
6 0,000515 0,999485 99354 51 99328 7606500 76,56
7 0,000498 0,999502 99302 49 99278 7507172 75,60
8 0,000475 0,999525 99253 47 99229 7407894 74,64
9 0,000444 0,999556 99206 44 99184 7308665 73,67
10 0,000413 0,999587 99162 41 99141 7209481 72,70
. . . . . . . .
. . . . . . . .
. . . . . . . .
90 0,125469 0,874531 32612 4092 30566 165275 5,07
91 0,137897 0,862103 28520 3933 26554 134709 4,72
92 0,146491 0,853509 24587 3602 22786 108155 4,40
93 0,153149 0,846851 20985 3214 19379 85369 4,07
94 0,161052 0,838948 17772 2862 16341 65990 3,71
95 0,171677 0,828323 14909 2560 13630 49650 3,33
96 0,185602 0,814398 12350 2292 11204 36020 2,92
97 0,199126 0,800874 10058 2003 9056 24816 2,47
98 0,200121 0,799879 8055 1612 7249 15760 1,96
99 0,179047 0,820953 6443 1154 5866 8511 1,32
100 1,000000 0,000000 5289 5289 2645 2645 0,50

10
 Cuadro 2: Tabla de mortalidad mujeres 2022
EDAD qx px lx dx Lx Tx EVC
0 0,002165 0,997835 100000 217 99892 8221599 82,22
1 0,001335 0,998665 99784 133 99717 8121707 81,39
2 0,000893 0,999107 99650 89 99606 8021990 80,50
3 0,000672 0,999328 99561 67 99528 7922385 79,57
4 0,000574 0,999426 99494 57 99466 7822857 78,63
5 0,000532 0,999468 99437 53 99411 7723391 77,67
6 0,000514 0,999486 99384 51 99359 7623980 76,71
7 0,000499 0,999501 99333 50 99309 7524621 75,75
8 0,000477 0,999523 99284 47 99260 7425312 74,79
9 0,000445 0,999555 99236 44 99214 7326052 73,82
10 0,000413 0,999587 99192 41 99172 7226838 72,86
. . . . . . . .
. . . . . . . .
. . . . . . . .
90 0,124939 0,875061 32908 4111 30852 170075 5,17
91 0,137160 0,862840 28796 3950 26821 139223 4,83
92 0,145593 0,854407 24846 3617 23038 112402 4,52
93 0,152068 0,847932 21229 3228 19615 89364 4,21
94 0,159655 0,840345 18001 2874 16564 69749 3,87
95 0,169736 0,830264 15127 2568 13843 53186 3,52
96 0,182777 0,817223 12559 2296 11411 39342 3,13
97 0,194990 0,805010 10264 2001 9263 27931 2,72
98 0,194550 0,805450 8262 1607 7459 18668 2,26
99 0,172551 0,827449 6655 1148 6081 11209 1,68
100 0,137337 0,862663 5507 756 5128 5128 0,93

11
 Cuadro 3: Tabla de mortalidad mujeres 2023
EDAD qx px lx dx Lx Tx EVC
0 0,002016 0,997984 100000 202 99899 8236702 82,37
1 0,001261 0,998739 99798 126 99735 8136803 81,53
2 0,000856 0,999144 99673 85 99630 8037067 80,63
3 0,000653 0,999347 99587 65 99555 7937437 79,70
4 0,000564 0,999436 99522 56 99494 7837883 78,76
5 0,000528 0,999472 99466 53 99440 7738388 77,80
6 0,000513 0,999487 99414 51 99388 7638949 76,84
7 0,000500 0,999500 99363 50 99338 7539561 75,88
8 0,000478 0,999522 99313 47 99289 7440223 74,92
9 0,000446 0,999554 99265 44 99243 7340934 73,95
10 0,000413 0,999587 99221 41 99201 7241691 72,99
. . . . . . . .
. . . . . . . .
. . . . . . . .
90 0,124412 0,875588 33202 4131 31136 172623 5,20
91 0,136427 0,863574 29071 3966 27088 141487 4,87
92 0,144699 0,855301 25105 3633 23289 114399 4,56
93 0,150995 0,849005 21472 3242 19851 91110 4,24
94 0,158268 0,841732 18230 2885 16788 71259 3,91
95 0,167815 0,832185 15345 2575 14057 54471 3,55
96 0,179991 0,820009 12770 2298 11621 40414 3,16
97 0,190930 0,809070 10471 1999 9472 28794 2,75
98 0,189117 0,810883 8472 1602 7671 19322 2,28
99 0,166270 0,833730 6870 1142 6299 11651 1,70
100 0,131059 0,868941 5728 751 5352 5352 0,93

12
 Cuadro 4: Tabla de mortalidad mujeres 2024
EDAD qx px lx dx Lx Tx EVC
0 0,001878 0,998122 100000 188 99906 8251558 82,52
1 0,001191 0,998809 99812 119 99753 8151652 81,67
2 0,000820 0,999180 99693 82 99652 8051899 80,77
3 0,000634 0,999366 99612 63 99580 7952247 79,83
4 0,000554 0,999446 99548 55 99521 7852667 78,88
5 0,000524 0,999476 99493 52 99467 7753146 77,93
6 0,000513 0,999487 99441 51 99416 7653679 76,97
7 0,000501 0,999499 99390 50 99365 7554263 76,01
8 0,000480 0,999520 99340 48 99317 7454898 75,04
9 0,000447 0,999553 99293 44 99270 7355582 74,08
10 0,000413 0,999587 99248 41 99228 7256311 73,11
. . . . . . . .
. . . . . . . .
. . . . . . . .
90 0,123886 0,876114 33495 4150 31420 175184 5,23
91 0,135697 0,864303 29345 3982 27354 143764 4,90
92 0,143810 0,856190 25363 3647 23539 116410 4,59
93 0,149928 0,850072 21716 3256 20088 92871 4,28
94 0,156893 0,843107 18460 2896 17012 72783 3,94
95 0,165914 0,834086 15564 2582 14272 55771 3,58
96 0,177242 0,822758 12981 2301 11831 41499 3,20
97 0,186947 0,813053 10681 1997 9682 29668 2,78
98 0,183821 0,816179 8684 1596 7886 19986 2,30
99 0,160197 0,839803 7088 1135 6520 12100 1,71
100 0,125049 0,874951 5952 744 5580 5580 0,94

13
 Cuadro 5: Tabla de mortalidad mujeres 2025
EDAD qx px lx dx Lx Tx EVC
0 0,001749 0,998251 100000 175 99913 8266176 82,66
1 0,001125 0,998875 99825 112 99769 8166264 81,81
2 0,000786 0,999214 99713 78 99674 8066495 80,90
3 0,000616 0,999384 99634 61 99604 7966821 79,96
4 0,000545 0,999455 99573 54 99546 7867217 79,01
5 0,000520 0,999480 99519 52 99493 7767672 78,05
6 0,000512 0,999488 99467 51 99442 7668179 77,09
7 0,000502 0,999498 99416 50 99391 7568737 76,13
8 0,000481 0,999519 99366 48 99342 7469346 75,17
9 0,000448 0,999552 99318 45 99296 7370004 74,21
10 0,000413 0,999587 99274 41 99253 7270707 73,24
. . . . . . . .
. . . . . . . .
. . . . . . . .
90 0,123363 0,876637 33786 4168 31702 177756 5,26
91 0,134971 0,865029 29618 3998 27619 146054 4,93
92 0,142927 0,857073 25621 3662 23790 118435 4,62
93 0,148868 0,851132 21959 3269 20324 94645 4,31
94 0,155529 0,844471 18690 2907 17236 74321 3,98
95 0,164033 0,835967 15783 2589 14488 57084 3,62
96 0,174532 0,825468 13194 2303 12043 42596 3,23
97 0,183038 0,816962 10891 1994 9894 30553 2,81
98 0,178659 0,821341 8898 1590 8103 20659 2,32
99 0,154328 0,845672 7308 1128 6744 12556 1,72
100 0,119296 0,880704 6180 737 5812 5812 0,94

14
8. Conclusiones
Si k t es lineal en el tiempo, la mortalidad a cada edad cambia conforme a su
propia tasa constante.

Conforme k t tiende a menos infinito, cada tasa central tiende a cero; debido a
que las tasas son modeladas de forma logarítmica no es posible obtener tasas
negativas.

15