UNIDAD N° 1 – TEORÍA DE LA MORTALIDAD: ENFOQUE ESTADÍSTICO

Variables aleatorias de estudio

1) 𝑻: tiempo de espera hasta el fallecimiento de un recién nacido.

• 𝑇 variable aleatoria continua (puede ser también discreta).
• 𝑇 dominio: (0; ω).
- ω: edad límite del modelo.
2) 𝑿: edad al fallecimiento de un recién nacido.

𝑋 = 𝐸𝑑𝑎𝑑 𝐴𝑐𝑡𝑢𝑎𝑙 (𝑥) + 𝑇

Funciones biométricas básicas y sus relaciones

1) 𝑭(𝒙): función de distribución (cdf). Función de distribución de vida. Representa la probabilidad de que
un individuo fallezca antes de la edad x.
𝑭(𝒙) = 𝑷𝒓(𝑿 ≤ 𝒙)

2) 𝑺(𝒙): función de supervivencia. Representa la probabilidad de que un individuo fallezca luego de la

edad x. En otras palabras, que el individuo llegue con vida a la edad x.
𝑺(𝒙) = 𝟏 − 𝑭(𝒙) = 𝑷𝒓(𝑿 > 𝒙)

• 0 ≤ 𝑆(𝑥) ≤ 1 para todo valor de x.

• 𝑆(0) = 1. En el modelo se excluyen los nacidos sin vida.
• 𝑙𝑖𝑚 𝑆(𝑥) = 0. En otras palabras 𝑆(𝜔) = 0.
𝑥→∞

• 𝑆(𝑥) es una función no creciente respecto de 𝑥 y 𝑡.

3) 𝒇(𝒙): función de densidad de probabilidad (pdf). “Pseudoprobabilidad de que un individuo muera en un

instante 𝑥”, sólo si el individuo existió en el momento 𝑡 = 0.
𝒅
𝑭(𝒙) = 𝒇(𝒙)
𝒅𝒙
4) 𝝁(𝒙): tasa instantánea de mortalidad. “Pseudoprobabilidad condicionada de que un individuo muera en
un instante 𝑥”. 𝜇(𝑥) tiene incorporada la información sobre distribución de vida.
𝒇(𝒙)
𝝁(𝒙) =
𝑺(𝒙)

𝒇(𝒙) 𝑺(𝒙) 𝑭(𝒙) 𝝁(𝒙)

𝑥
𝒇(𝒙) - −𝑆 ′ (𝑥) 𝐹′(𝑥) 𝜇(𝑥) × 𝑒 − ∫0 𝜇(𝑡)𝑑𝑡
𝑥
𝑺(𝒙) 𝑥
1 − ∫ 𝑓(𝑡)𝑑𝑡 - 1 − 𝐹(𝑥) 𝑒 − ∫0 𝜇(𝑡)𝑑𝑡
0
𝑥
𝑭(𝒙) 𝑥
∫ 𝑓(𝑡)𝑑𝑡 1 − 𝑆(𝑥) - 1 − 𝑒 − ∫0 𝜇(𝑡)𝑑𝑡
0

𝝁(𝒙) 𝑓(𝑥) −𝑆′(𝑥) 𝐹′(𝑥)

𝑥 -
1 − ∫0 𝑓(𝑡)𝑑𝑡 𝑆(𝑥) 1 − 𝐹(𝑥)

Truncamiento

Se trata de utilizar las funciones biométricas del recién nacido conocidas [f(x); F(x); S(x); μ(x)] para
calcular probabilidades y medidas condicionadas a nueva información. Esto permite, entre otras cosas,
incorporar cálculos para personas que no necesariamente sean recién nacidos.

Probabilidad condicional: repaso

P(A ∩ B)
P(A/B) =
P(B)

Truncamiento inferior (por izquierda)

La condición es que se sabe que el individuo recién nacido llega con vida hasta cierta edad x. O, en otras
palabras, fallece luego de la edad x.

En el denominador siempre va S(x).

Ejemplo:

𝐹(𝑥) − 𝐹(𝑦)
𝐹(𝑥 ⁄𝑋 > 𝑦) =
𝑆(𝑦)

P(A∩B)
Teniendo en cuenta P(A/B) = P(B)
:

• Evento “B”: El recién nacido fallece luego de la edad y.

• Evento “A”: El recién nacido fallece antes de la edad x.
• Evento “A ∩ B”: El recién nacido fallece entre las edades x e y.
Truncamiento superior (por derecha)

La condición es que se sabe que el individuo recién nacido fallece antes de alcanzar cierta edad x.

En el denominador siempre va F(x).

Ejemplo:

𝐹(𝑧) − 𝐹(𝑥)
𝑆(𝑥/𝑋 < 𝑧) =
𝐹(𝑧)

P(A∩B)
Teniendo en cuenta P(A/B) = :
P(B)

• Evento “B”: El recién nacido fallece antes de la edad z.

• Evento “A”: El recién nacido fallece luego de la edad x.
• Evento “A ∩ B”: El recién nacido fallece entre las edades x y z.

Truncamiento mixto

La condición es que se sabe que el individuo recién nacido sobrevive hasta cierta edad x1 , pero fallece
antes de la edad x2 . Siendo x1 < x2 .

En el denominador siempre va una resta de F(x) o S(x).

Ejemplo:

𝑆(𝑥) − 𝑆(𝑧)
𝑆(𝑥/𝑦 < 𝑋 < 𝑧) =
𝑆(𝑦) − 𝑆(𝑧)
 P(A∩B)
Teniendo en cuenta P(A/B) = :
P(B)

• Evento “B”: El recién nacido fallece entre las edades y y z.

• Evento “A”: El recién nacido fallece luego de la edad x.
• Evento “A ∩ B”: El recién nacido fallece entre las edades x y z.
 UNIDAD N° 2 – TEORÍA DE LA MORTALIDAD: ENFOQUE ACTUARIAL

Se trata de lo mismo que el enfoque estadístico (“truncamiento incorporado”).

Variables aleatorias de estudio

1) 𝑻: tiempo de espera hasta el fallecimiento para una persona de edad x.

2) 𝑿: edad al fallecimiento para una persona de edad x.

La edad actual 𝑥 ya no es aleatoria, es una certeza. Todo el peso de la aleatoriedad de 𝑋 recae sobre 𝑇.
Por lo que:

𝐸(𝑋) = 𝐸(𝑥 + 𝑇) 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑥 + 𝑇)

𝐸(𝑋) = 𝐸(𝑥) + 𝐸(𝑇) 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑥) + 𝑉𝑎𝑟(𝑇)
𝐸(𝑋) = 𝑥 + 𝐸(𝑇) 𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑇)

T como Variable Aleatoria Continua (VAC): 𝐓𝐱

• En este caso, se dice que Tx es completa.

• La noción de VAC (continua, completa) se asocia con el concepto de edad exacta.
• Dominio: (0; 𝜔 − 𝑥)

T como Variable Aleatoria Discreta (VAD): 𝐊 𝐱

• En este caso, se dice que K es abreviada.

• La noción de VAD (discreta, abreviada) se asocia con el concepto de edad cumplida.
• Dominio: {0; 1; 2; … ; 𝑡 − 1; 𝑡; 𝑡 + 1; … ; 𝜔 − 𝑥 − 1}
Funciones biométricas básicas y sus relaciones

1) 𝑭𝒙 (𝒕): función de distribución de vida. Representa la probabilidad de que un individuo de edad 𝑥

fallezca antes de la edad 𝑥 + 𝑡 (fallezca en los 𝑡 años siguientes).
𝑭(𝒙 + 𝒕) − 𝑭(𝒙)
𝑭𝒙 (𝒕) = 𝑷𝒓(𝑻𝒙 ≤ 𝒕) =
𝑺(𝒙)

2) 𝑺𝒙 (𝒕): función de supervivencia. Representa la probabilidad de que un individuo de edad 𝑥 sobreviva

hasta la edad 𝑥 + 𝑡.
𝑺(𝒙 + 𝒕)
𝑺𝒙 (𝒕) = 𝟏 − 𝑭𝒙 (𝒕) =
𝑺(𝒙)

3) 𝒇𝒙 (𝒕): función de densidad de probabilidad (pdf). Representa la “Pseudoprobabilidad de que un

individuo de edad 𝑥 muera en un instante 𝑥 + 𝑡”.
𝒇(𝒙 + 𝒕)
𝒇𝒙 (𝒕) =
𝑺(𝒙)

4) 𝝁(𝒙): tasa instantánea de mortalidad. Representa la “Pseudoprobabilidad condicionada de que un

individuo muera en un instante 𝑥”, esto es 𝜇(𝑥) tiene incorporada la información sobre distribución de
vida.
𝒇𝒙 (𝒕)
𝝁(𝒙 + 𝒕) =
𝑺𝒙 (𝒕)

𝟏 𝒅 𝟏 𝒅
𝝁(𝒙 + 𝒕) = − ∙ 𝒕𝒑𝒙 = − ∙ 𝒍𝒙+𝒕
𝒕𝒑𝒙
𝒅𝒕 𝒍𝒙+𝒕 𝒅𝒕

5) 𝒍(𝒙) /// 𝒍𝒙 : representa el número de personas vivas con edad exacta 𝑥.

6) 𝒑(𝒙; 𝒕) /// 𝒕𝒑𝒙 : probabilidad de que una persona de edad 𝑥 se encuentre con vida a la edad 𝑥 + 𝑡.
𝒍𝒙+𝒕
𝒕𝒑𝒙 = = 𝑺𝒙 (𝒕)
𝒍𝒙
𝒕
𝒕𝒑𝒙 = 𝒆− ∫𝟎 𝝁(𝒙+𝒔)𝒅𝒔
7) 𝒒(𝒙; 𝟎; 𝒕) /// 𝒕𝒒𝒙 : probabilidad de que una persona de edad 𝑥 fallezca antes de alcanzar la edad 𝑥 + 𝑡.

𝒕𝒒𝒙 = 𝟏 − 𝒕𝒑𝒙 = 𝑭𝒙 (𝒕)

𝒒(𝒙; 𝒉; 𝒕) /// 𝒉|𝒕𝒒𝒙 : probabilidad de que una persona de edad 𝑥 fallezca entre las edades 𝑥 + ℎ y 𝑥 + ℎ +
𝑡. Probabilidad de muerte 𝐝𝐢𝐟𝐞𝐫𝐢𝐝𝐚.

𝒕𝒅𝒙+𝒉 𝒍𝒙+𝒉 − 𝒍𝒙+𝒉+𝒕

𝒉|𝒕𝒒𝒙 = =
𝒍𝒙 𝒍𝒙

𝒉|𝒕𝒒𝒙 = 𝒉𝒑𝒙 ∙ 𝒕𝒒𝒙+𝒉

𝒉|𝒕𝒒𝒙 = 𝒉+𝒕𝒒𝒙 − 𝒉𝒒𝒙
𝒉|𝒕𝒒𝒙 = 𝒉𝒑𝒙 − 𝒉+𝒕𝒑𝒙

8) 𝒅(𝒙; 𝟎; 𝒕) /// 𝒕𝒅𝒙: representa el número de personas que fallece entre las edades 𝑥 y 𝑥 + 𝑡.

𝒕𝒅𝒙 = 𝒍𝒙 − 𝒍𝒙+𝒕
𝒕
𝒕𝒅𝒙 = ∫ 𝒍𝒙+𝒔 ∙ 𝝁𝒙+𝒔 𝒅𝒔
𝟎

𝒅(𝒙; 𝒉; 𝒕) /// 𝒉|𝒕𝒅𝒙 : representa el número de personas de edad 𝑥 que fallece entre las edades 𝑥 + ℎ y
𝑥 + ℎ + 𝑡.

9) 𝐋: cantidad de personas de edad 𝑥 que se encontrarán con vida dentro de 𝑡 años suponiendo tiempos
de vida futuras independientes (entre 𝑙𝑥 personas).
L ~ Binomial(n = 𝑙𝑥 ; p = 𝑡𝑝𝑥 )

10) 𝐃: cantidad de personas de edad 𝑥 que fallecerán en los próximos 𝑡 años suponiendo tiempos de vida
futuras independientes (entre 𝑙𝑥 personas).
D ~ Binomial(n = 𝑙𝑥 ; p = 𝑡𝑞𝑥 )

11) 𝒎(𝒙; 𝟎; 𝒏) /// 𝒏𝒎𝒙 : tasa central de mortalidad entre las edades 𝑥 y 𝑥 + 𝑛. Promedio ponderado de tasas
de mortalidad.
𝒏 𝒏
∫𝟎 𝒕𝒑𝒙 ∙ 𝝁𝒙+𝒕 𝒅𝒕 ∫𝟎 𝒍𝒙+𝒕 ∙ 𝝁𝒙+𝒕 𝒅𝒕 𝒅(𝒙; 𝟎; 𝒏)
𝒏𝒎𝒙 = 𝒏 = 𝒏 =
∫𝟎 𝒕𝒑𝒙 𝒅𝒕 ∫𝟎 𝒍𝒙+𝒕 𝒅𝒕 𝑳(𝒙; 𝒏)

12) 𝒂(𝒙; 𝟎; 𝒏) /// 𝒂𝒙:𝒏⌉: tiempo que se espera que viva entre las edades x y x + n una persona que fallecerá
entre esas 2 edades. No existe diferida.
𝒏 𝒏
∫𝟎 𝒕 ⋅ 𝒕𝒑𝒙 ∙ 𝝁𝒙+𝒕 𝒅𝒕 ∫𝟎 𝒕 ⋅ 𝒍𝒙+𝒕 ∙ 𝝁𝒙+𝒕 𝒅𝒕 𝑳(𝒙; 𝒏) − 𝒏 ∙ 𝒍(𝒙 + 𝒏) 𝑻(𝒙) − 𝑻(𝒙 + 𝒏) − 𝒏 ∙ 𝒍(𝒙 + 𝒏)
𝒂𝒙;𝒏⌉ = 𝒏 = 𝒏 = =
∫𝟎 𝒕𝒑𝒙 ∙ 𝝁𝒙+𝒕 𝒅𝒕 ∫𝟎 𝒍𝒙+𝒕 ∙ 𝝁𝒙+𝒕 𝒅𝒕 𝒅(𝒙; 𝟎; 𝒏) 𝒅(𝒙; 𝟎; 𝒏)
Esperanza matemática de 𝐓

Como Tx (VAC)
∘
• 𝒆𝒄(𝒙; 𝟎; 𝒏) /// 𝒆𝒙:𝒏⌉ : tiempo que se espera que (𝑥) viva entre las edades 𝑥 y 𝑥 + 𝑛. Se la conoce como
vida media completa inmediata limitada.
∘
• 𝒆𝒄(𝒙; 𝟎; 𝝎 − 𝒙) /// 𝒆𝒙 : tiempo futuro que se espera que (𝑥) viva. Se la conoce como vida media
completa inmediata ilimitada o directamente vida media completa.
∘
• 𝒆𝒄(𝒙; 𝒉; 𝒏) /// 𝒉|𝒏𝒆𝒙 : tiempo que se espera que (𝑥) viva entre las edades 𝑥 + ℎ y 𝑥 + ℎ + 𝑛. Se la conoce
como vida media completa diferida limitada.
∘
• 𝒆𝒄(𝒙; 𝒉; 𝝎 − 𝒙 − 𝒉) /// 𝒉|𝝎−𝒙−𝒉𝒆𝒙 : tiempo que se espera que (𝑥) viva a partir de la edad 𝑥 + ℎ. Se la
conoce como vida media completa diferida ilimitada.
Como K x (VAD):

• 𝒆(𝒙; 𝟎; 𝒏) /// 𝒆𝒙:𝒏⌉ : años completos que se espera que (𝑥) viva entre las edades 𝑥 y 𝑥 + 𝑛. Se la conoce
como vida media abreviada inmediata limitada.
• 𝒆(𝒙; 𝟎; 𝝎 − 𝒙) /// 𝒆𝒙 : años completos futuros que se espera que (𝑥) viva. Se la conoce como vida
media abreviada inmediata ilimitada o directamente vida media abreviada.
• 𝒆(𝒙; 𝒉; 𝒏) /// 𝒉|𝒏𝒆𝒙 : años completos que se espera que (𝑥) viva entre las edades 𝑥 + ℎ y 𝑥 + ℎ + 𝑛. Se la
conoce como vida media abreviada diferida limitada.
• 𝒆(𝒙; 𝒉; 𝝎 − 𝒙 − 𝒉) /// 𝒉|𝝎−𝒙−𝒉𝒆𝒙 : años completos que se espera que (𝑥) viva a partir de la edad 𝑥 + ℎ.
Se la conoce como vida media abreviada diferida ilimitada.

Conceptos básicos

Grupo de sobrevivientes

Colectivo de personas que forman un grupo homogéneo, todos de igual edad, con tiempos futuros de vida
independientes, que solo abandonan el grupo por muerte. En un grupo de sobrevivientes no se admiten
ingresos.

l(0) representa el tamaño inicial de un grupo de sobrevivientes (nacimientos) que se rige por:

𝑙(𝑥 + 𝑡) = 𝑙(𝑥) ∙ 𝑝(𝑥; 𝑡)

Tabla de mortalidad

• Es un modelo matemático idóneo para el cálculo de probabilidades de supervivencia y de fallecimiento,

como así también para obtener la esperanza de vida al nacer y a diferentes edades.
• Se presenta como la evolución de un colectivo cerrado de vidas homogéneas e independientes,
sujetas a una sola causa de eliminación: el fallecimiento.
• Supone que la mortalidad depende únicamente de la edad alcanzada.
• También se la conoce como “tabla de vida”.
• Consiste en seguir una generación (o cohorte) a lo largo del tiempo, determinando a cada edad el
número de sobrevivientes, hasta que la generación se extingue.

Función 𝑳(𝒙) censal

Representa el tiempo total que vivirán entre las edades 𝑥 y 𝑥 + 𝑛 el grupo formado por las personas de
edad exacta 𝑥.

𝒏
𝑳(𝒙; 𝒏) = ∫ 𝒍(𝒙 + 𝒕)𝒅𝒕
𝟎
𝟏
𝑳(𝒙) = ∫ 𝒍(𝒙 + 𝒕)𝒅𝒕
𝟎

𝒅
𝑳(𝒙) = −𝒅(𝒙; 𝟎; 𝟏)
𝒅𝒙

Función 𝑻(𝒙) censal

Representa el tiempo total futuro de vida del grupo formado por las personas de edad exacta 𝑥.

𝝎−𝒙
𝑻(𝒙) = ∫ 𝒍(𝒙 + 𝒕)𝒅𝒕
𝟎

𝑳(𝒙; 𝒏) = 𝑻(𝒙) − 𝑻(𝒙 + 𝒏)

𝒅
𝑻(𝒙) = −𝒍(𝒙)
𝒅𝒙

Régimen “financiero” biométrico

Capitalización Biométrica Actualización Biométrica

Operación Interés Descuento
Tasa 𝑝−1 (𝑥; 𝑡) − 1 𝑞(𝑥; 0; 𝑡)
Factor 𝑝−1 (𝑥; 𝑡) 𝑝(𝑥; 𝑡)

Tasa λ: tasa de interés biométrico nominal anual con capitalización (actualización) instantánea

𝟏
𝝀 = ∫ 𝝁(𝒙 + 𝒕)𝒅𝒕
𝟎
 UNIDAD N° 3 – INTRODUCCIÓN AL ANÁLISIS DEMOGRÁFICO

Diagrama de lexis

Se trata de un gráfico que permite representar hechos demográficos en el tiempo y clasificarlos por
períodos de observación, edad y cohorte.

Cohorte: es un conjunto de individuos que comparten su exposición a determinado evento (hecho

demográfico) a través del tiempo.

• Hechos demográficos:
- Nacimiento.
- Muerte.
- Cambios en el estado civil.
- Cambios en el lugar de residencia.

• Línea de vida: representa un grupo de personas (generación t − x).

• Primer conjunto de vivientes 𝐕(𝟏; 𝐱; 𝐭 𝟏 , 𝐭 𝟐 ): conjunto formado por personas que alcanzaron la edad x
entre las fechas t1 y t 2 .
𝐕(𝟏; 𝐱; 𝟎, 𝟏) ≡ 𝒍(𝒙)
• Segundo conjunto de vivientes 𝐕(𝟐; 𝐭; 𝐱𝟏 , 𝐱𝟐 ): conjunto formado por personas que alcanzaron las
edades entre x1 y x2 a una fecha t.
𝐕(𝟐; 𝐭; 𝐱, 𝐱 + 𝟏) ≡ 𝑳(𝒙)

𝐕(𝟐; 𝐭; 𝐱, 𝛚) ≡ 𝑻(𝒙)

• Primer conjunto de muertes 𝐌(𝟏; 𝐱𝟏 , 𝐱𝟐 ; 𝐚𝟏 , 𝐚𝟐 ): conjunto formado por personas fallecidas en un

intervalo de edades x1 y x2 , habiendo nacido entre 2 fechas a1 y a2 (intervalo generacional).
𝐌(𝟏; 𝐱, 𝐱 + 𝟏; 𝐚𝟏 , 𝐚𝟐 ) ≡ 𝒅(𝒙; 𝟎; 𝟏)

• Segundo conjunto de muertes 𝐌(𝟐; 𝐚𝟏 , 𝐚𝟐 ; 𝐭 𝟏 , 𝐭 𝟐 ): conjunto formado por personas que nacieron entre
a1 , a2 y fallecieron en el período t1 , t 2 .

• Tercer conjunto de muertes 𝐌(𝟑; 𝐱𝟏 , 𝐱𝟐 ; 𝐭 𝟏 , 𝐭 𝟐 ): conjunto formado por fallecimientos ocurridos entre
las edades x1 , x2 y los momentos de observación t1 , t 2 . (conjunto estadístico de muertes).

• Conjuntos elementales de muertes 𝐄(𝐱𝟏 , 𝐱 𝐱 ; 𝐭 𝟏 , 𝐭 𝟐 ; 𝐚𝟏 , 𝐚𝟐 ): representan la cantidad de personas que

fallecieron con x años de edad durante una fecha t, clasificados por generación.
- Defunciones 𝛅 𝐄(𝐱𝟏 , 𝐱𝟐 ; 𝐭 𝟏 , 𝐭 𝟐 ; 𝐚𝟏 , 𝐚𝟐 ).
- Defunciones 𝛂 𝐄(𝐱𝟏 , 𝐱𝟐 ; 𝐭 𝟏 , 𝐭 𝟐 ; 𝐚𝟐 , 𝐚𝟑 ).
Defunciones δ + Defunciones α = M3

• Factores de separación 𝐟(𝐱𝟏 , 𝐱 𝐱 ; 𝐭 𝟏 , 𝐭 𝟐 ): representa la proporción del conjunto estadístico que

corresponde a la generación más antigua. Surge del diagrama de Lexis como razón entre un triángulo
δ y cuadrado M3. Además f(x, x + 1) = fx
𝑳(𝒙) − 𝒍(𝒙 + 𝟏)
𝒇𝒙 = = 𝒂(𝒙)
𝒅(𝒙; 𝟎; 𝟏)

𝑻(𝒙) − 𝑻(𝒙 + 𝒏) − 𝒏 ∙ 𝒍(𝒙 + 𝟏)

𝒇𝒙,𝒙+𝒏 = = 𝒂(𝒙; 𝟎; 𝒏)
𝒅(𝒙; 𝟎; 𝒏)
Mortalidad infantil

La mortalidad infantil comprende la mortalidad de menores de un año. Se llama mortalidad neonatal a la

ocurrida en el transcurso de los primeros 27 días de vida y la expresión mortalidad post-neonatal designa
la ocurrida desde el fin del período neonatal hasta la edad de un año.

• Tasa de mortalidad infantil TMI

Relaciona las defunciones de menores de un año acaecidas
durante un año y el número de nacidos vivos registrados en
el transcurso del mismo año.
No es una medida idónea, puesto que el numerador y el
denominador corresponden a diferentes cohortes
𝐌𝟑
𝐓𝐌𝐈 =
𝐕𝟏

• Probabilidad de fallecimiento 𝑞0
Representa una medida idónea, ya que el numerador y el
denominador se corresponden. Sin embargo, no es tan
difundida, porque exige conocer factores de separación al
nacimiento, porque se tardaría mucho en disponer de toda su
información y porque su cálculo requiere de actuarios.
𝐌𝟏
𝒒𝟎 =
𝐕𝟏

• Probabilidad de mortalidad 𝑚0
Representa una medida idónea, ya que el numerador y el
denominador se corresponden; es bianual, fechada en el
punto medio del bienio.
Sin embargo, no es tan difundida, porque exige conocer
factores de separación al nacimiento, porque se tardaría
mucho en disponer de toda su información y porque su
cálculo requiere de actuarios. Si el factor de separación se
supone igual a 0,5 entonces se promediarían los M3 de los
dos años en cuestión para el numerador (muchas veces se hace esto).

𝐄𝛂𝐭 + 𝐄𝛅𝐭+𝟏
𝒎𝟎 =
𝐕𝟐
Población estacionaria

Se dice que una población es estacionaria cuando:

• Es cerrada (no admite inmigración ni emigración).

• El número anual de nacimientos es constante y uniformemente distribuido en el año.
• Cada cohorte de nacimiento es, en sí, un grupo de sobrevivientes.
• Todos los grupos de sobrevivientes tienen el mismo perfil de mortalidad.

➢ En una población estacionaria, el efecto cohorte (efecto generación) se considera constante en el

tiempo.

Relaciones de Grace & Nesbitt

𝝎−𝒙
𝒀(𝒙) = ∫ 𝑻(𝒙 + 𝒕)𝒅𝒕
𝟎
Población estable (población malthusiana)

Se dice que una población es estable cuando:

• Es cerrada (no admite inmigración ni emigración).

• El número anual de nacimientos es variable en el tiempo.
• Cada cohorte de nacimiento es, en sí, un grupo de sobrevivientes.
• Todos los grupos de sobrevivientes tienen el mismo perfil de mortalidad

➢ Una población estacionaria es un caso particular de una población estable.

Ley fundamental de la población estable

𝑩(𝒕 + 𝒏) = 𝑩(𝒕) ∙ 𝒆𝒓𝒏

𝐵(𝑡): número de nacimientos en el instante 𝑡.

𝑟: tasa anual de crecimiento.

En una población estacionaria se verifica la ecuación de crecimiento de poblaciones entre 2 momentos 𝑡 y

𝑡 + 𝑛:

𝑷(𝒕 + 𝒏) = 𝑷(𝒕) ∙ 𝒆𝒓𝒏 .

 UNIDAD N° 4 – MODELO SELECTO

Puede describirse la mortalidad de un grupo a través de un modelo selecto si se cumple con las siguientes
condiciones:

A. Las probabilidades de supervivencia futura para un individuo dentro del grupo dependen de su
edad actual y de la edad en la que ingresó al grupo.
B. Existe un número positivo 𝒅 tal que si el individuo ingresó al grupo hace más de 𝑑 años, entonces
sus probabilidades de supervivencia futura dependen únicamente de su edad actual. Se asume
que el efecto de la selección inicial se agotó luego de 𝒅 años.

Entonces, la mortalidad depende de:

• La edad alcanzada.
• Las características del grupo poblacional al que pertenece, “Grupo Selecto”.
• Tiempo que hace que una persona está en el grupo selecto, 𝑘.

𝒒[𝒙−𝒌]+𝒌 𝒕≤𝒅
𝒒[𝒙−𝒕]+𝒕 = {
𝒒𝒙 𝒕≥𝒅

Caracterización

Se establece una ley, en forma de ecuación, para alguna de las funciones biométricas, tal que quede
perfectamente establecido el valor de todas ellas para distintas edades y para distintas antigüedades.

• Probabilidades ultimate: se obtienen a partir de cálculos elementales con las funciones 𝑙𝑥 . Son
las “probabilidades de vida/muerte de siempre”.
• Probabilidades para el período de selección: se obtienen a partir de la ley / las leyes del modelo.
 UNIDAD N° 5 – LEYES DE MORTALIDAD

Modelar mediante distribuciones de probabilidad la función de supervivencia.

Función / Supuesto De Moivre (uniforme) Dormoy (𝜇 constante / exponencial)

Enfoque estadístico

1
𝒇𝟎 (𝒕) 𝜇 ∙ 𝑒 −𝜇∙𝑡
𝜔
𝜔−𝑡
𝑺𝟎 (𝒕) 𝑒 −𝜇∙𝑡
𝜔
𝑡
𝑭𝟎 (𝒕) 1 − 𝑒 −𝜇∙𝑡
𝜔
1
𝝁(𝒕) 𝜇
𝜔−𝑡
1
𝒇𝒙 (𝒕) 𝜇 ∙ 𝑒 −𝜇∙𝑥
𝜔−𝑥
Enfoque actuarial
𝑥
𝒍(𝒙) 𝑙(0) ∙ (1 − ) 𝑙(0) ∙ 𝑒 −𝜇∙𝑥
𝜔
𝜔−𝑥−𝑛
𝒑(𝒙; 𝒏) 𝑒 −𝜇∙𝑛
𝜔−𝑥
𝑛
𝒒(𝒙; 𝟎; 𝒏) 1 − 𝑒 −𝜇∙𝑛
𝜔−𝑥
𝑛
𝒒(𝒙; 𝒉; 𝒏) 𝑒 −𝜇∙ℎ ∙ (1 − 𝑒 −𝜇∙𝑛 )
𝜔−𝑥
𝑛
𝒅(𝒙; 𝟎; 𝒏) 𝑙(0) ∙ 𝑙(0) ∙ 𝑒 −𝜇∙𝑥 ∙ (1 − 𝑒 −𝜇∙𝑛 )
𝜔
1
𝒅(𝒙; 𝟎; 𝟏) 𝑙(0) ∙ 𝑙(0) ∙ 𝑒 −𝜇∙𝑥 ∙ (1 − 𝑒 −𝜇 )
𝜔
1
𝝁(𝒙) 𝜇
𝜔−𝑥
1
𝒎(𝒙; 𝟎; 𝟏) 1 𝜇
𝜔−𝑥−2
1 [1 − 𝑒 −𝜇 ]
𝑳(𝒙) 𝜔−𝑥−2 −𝜇∙𝑥
𝑙(0) ∙ 𝑙(0) ∙ 𝑒 ∙
𝜔 𝜇

(𝜔 − 𝑥)2 [1 − 𝑒 −𝜇∙(𝜔−𝑥) ]
𝑻(𝒙) 𝑙(0) 𝑙(0) ∙ 𝑒 −𝜇∙𝑥 ∙
2𝜔 𝜇
𝜔−𝑥 1
𝒆𝒄(𝒙; 𝟎; 𝝎 − 𝒙)
2 𝜇
Función / Supuesto Weibull Gompertz Makeham Makeham II Lazarus

𝝁(𝒙) 𝑘 ∙ 𝑥𝑚 𝐵 ∙ 𝐶𝑥 𝐴 + 𝐵 ∙ 𝐶𝑥 𝐴 + 𝐵 ∙ 𝐶𝑥 + ℎ ∙ 𝑥 𝐴 + 𝐵1 ∙ 𝐶1 𝑥 + 𝐵2 ∙ 𝐶2 𝑥

𝑘 𝐵 𝐵 𝐵 ℎ 𝐵1 𝐵2
− − − − −
Transformación 𝑔 = 𝑒 −𝑚+1 𝑔=𝑒 ln(𝑐) 𝑔=𝑒 ln(𝑐) ∧ 𝑆 = 𝑒 −𝐴 𝑔=𝑒 ln(𝑐) ∧ 𝑆 = 𝑒 −𝐴 ∧ 𝑅 = 𝑒 −2 𝑔=𝑒 𝑙𝑛(𝐶1 ) ∧ 𝑆 = 𝑒 −𝐴 ∧ 𝑅 = 𝑒 ln(𝐶2 )

𝑚+1 𝑥 −1) 𝑥 −1) 𝑥 −1) 2 𝑥 𝑥

𝒍(𝒙) 𝑙0 ∙ 𝑔 𝑥 𝑙0 ∙ 𝑔(𝐶 𝑙0 ∙ 𝑔(𝐶 ⋅ 𝑆𝑥 𝑙0 ∙ 𝑔(𝐶 ⋅ 𝑆 𝑥 ⋅ 𝑅𝑥 𝑙0 ∙ 𝑔(𝐶1 −1)
⋅ 𝑆 𝑥 ⋅ 𝑅 (𝐶2 −1)

𝑥
𝑚+1 −𝑥 𝑚+1 𝑥 ∙(𝐶 𝑛 −1) 𝑥 ⋅(𝐶 𝑛 −1) 𝑥 ⋅(𝐶 𝑛 −1) 2 +2𝑥𝑛 ⋅(𝐶1 𝑛 −1) 𝑥
⋅(𝐶2 𝑛 −1)
𝒑(𝒙; 𝒏) 𝑔(𝑥+𝑛) 𝑔𝐶 𝑔𝐶 ⋅ 𝑆𝑛 𝑔𝐶 ⋅ 𝑆 𝑛 ⋅ 𝑅𝑛 𝑔𝐶1 ⋅ 𝑆 𝑛 ⋅ 𝑅 𝐶2
 UNIDAD N° 6 – SUPUESTOS FRACCIONARIOS

Se busca a partir de los valores de la tabla de mortalidad, obtener aquellos valores dentro del año.
Conociendo 𝑙𝑥 y 𝑙𝑥+1, se asume un modelo matemático para la obtención de los valores de 𝑙𝑥+𝑠 en el
intervalo donde 𝑠 ∈ [0; 1], tal que 𝑙𝑥+𝑠 sea diferenciable e integrable en dicho intervalo.

Función / Supuesto D.U.F Exponencial Balducci

1−𝑡 𝑡 1 1 −1
𝑙(𝑥 + 𝑡) (1 − 𝑡) ⋅ 𝑙𝑥 + 𝑡 ⋅ 𝑙𝑥+1 𝑙𝑥 ⋅ 𝑙𝑥+1 (𝑡 ⋅ + (1 − 𝑡) ⋅ )
𝑙𝑥+1 𝑙𝑥
𝑝𝑥
𝑝(𝑥; 𝑡) 1 − 𝑡 ⋅ 𝑞𝑥 𝑝𝑥 𝑡
𝑝𝑥 + 𝑡 ⋅ 𝑞𝑥
𝑝𝑥
𝑝(𝑥 + 𝑡; 1 − 𝑡) 𝑝𝑥 1−𝑡 𝑡 + (1 − 𝑡) ⋅ 𝑝𝑥
1 − 𝑡 ⋅ 𝑞𝑥
1 − 𝑡 ⋅ 𝑞𝑥 𝑠 + (1 − 𝑠) ⋅ 𝑝𝑥
𝑝(𝑥 + 𝑠, 𝑡 − 𝑠) 𝑝𝑥 𝑡−𝑠
1 − 𝑠 ⋅ 𝑞𝑥 𝑡 + (1 − 𝑡) ⋅ 𝑝𝑥
𝑡 ⋅ 𝑞𝑥
𝑞(𝑥; 0; 𝑡) 𝑡 ⋅ 𝑞𝑥 1 − 𝑝𝑥 𝑡
1 − (1 − 𝑡) ⋅ 𝑞𝑥
(1 − 𝑡) ⋅ 𝑞𝑥
𝑞(𝑥 + 𝑡; 0; 1 − 𝑡) 1 − 𝑝𝑥 1−𝑡 (1 − 𝑡) ⋅ 𝑞𝑥
1 − 𝑡 ⋅ 𝑞𝑥
(𝑡 − 𝑠) ⋅ 𝑞𝑥 (𝑡 − 𝑠) ⋅ 𝑞𝑥
𝑞(𝑥 + 𝑠; 0; 𝑡 − 𝑠) 1 − 𝑝𝑥 𝑡−𝑠
1 − 𝑠 ⋅ 𝑞𝑥 1 − (1 − 𝑡) ⋅ 𝑞𝑥
𝑞𝑥 𝑞𝑥
𝜇(𝑥 + 𝑡) 𝜇𝑥
1 − 𝑡 ⋅ 𝑞𝑥 1 − (1 − 𝑡) ⋅ 𝑞𝑥
𝑞𝑥
𝑞𝑥 2
𝑚(𝑥; 0; 1) 1 𝜇𝑥 −
1 − ⋅ 𝑞𝑥 𝑝𝑥 ⋅ ln(𝑝𝑥 )
2
1 𝑑𝑥 𝑙𝑥+1
𝐿(𝑥) 𝑙𝑥 − ⋅ 𝑑𝑥 − ⋅ ln(𝑝𝑥 )
2 𝜇𝑥 𝑞𝑥
 UNIDAD N° 7 – MODELOS DE DECREMENTO MÚLTIPLE

Variables aleatorias en estudio

𝑇: tiempo hasta eliminación. Variable aleatoria continua.

𝐽: causa de eliminación. Variable aleatoria discreta.

Funciones biométricas

(𝒋)
• ∞𝒒𝒙 : Probabilidad de que (𝑥) sea eliminada por la causa 𝑗.
∞
(𝒋)
∞𝒒𝒙 = 𝐏𝐫(𝑱 = 𝒋) = 𝒇𝑱 (𝒋) = ∫ 𝒇𝑻;𝑱 (𝒔, 𝒋)𝒅𝒔
𝟎

(𝝉)
• 𝒕𝒒𝒙 : Probabilidad de que (𝑥) sea eliminada antes de que transcurran 𝑡 años.
𝒕 𝒕 𝒎
(𝝉) (𝝉)
𝒕𝒒𝒙 = 𝐏𝐫(𝟎 < 𝑻 ≤ 𝒕) = 𝑭𝑻 (𝒕) = ∫ 𝒇𝑻 (𝒔)𝒅𝒔 = ∫ ∑ 𝒇𝑻;𝑱 (𝒔, 𝒋) 𝒅𝒔 = 𝟏 − 𝒕𝒑𝒙
𝟎 𝟎 𝒋=𝟏

(𝝉)
• 𝒕𝒑𝒙 : Probabilidad de que (𝑥) sea eliminada después de que transcurran 𝑡 años.
(𝝉)
𝒕𝒑𝒙 = 𝐏𝐫(𝑻 > 𝒕) = 𝑺𝑻 (𝒕)
𝒕 (𝝉)
(𝝉)
𝒕𝒑𝒙 = 𝒆− ∫𝟎 𝝁𝒙+𝒔 𝒅𝒔

(𝒋)
• 𝒕𝒒𝒙 : Probabilidad de que (𝑥) sea eliminada por la causa 𝑗 antes de que transcurran 𝑡 años.
(𝒋)
𝒕𝒒𝒙 = 𝐏𝐫[(𝟎 < 𝑻 ≤ 𝒕) ∩ (𝑱 = 𝒋)] = 𝑭𝑻;𝑱 (𝒕; 𝒋)
𝒎
(𝝉) (𝒋)
𝒕𝒒𝒙 = ∑ 𝒕𝒒𝒙
𝒋=𝟏

𝒕 𝒕
(𝒋) (𝝉) (𝒋)
𝒕𝒒𝒙 =∫ 𝒔𝒑𝒙 ⋅ 𝝁𝒙+𝒔 𝒅𝒔 = ∫ 𝒇𝑻;𝑱 (𝒔, 𝒋)𝒅𝒔
𝟎 𝟎

(𝑗)
Nota: no existe 𝑡𝑝𝑥 en TDM.

(𝝉)
• 𝝁𝒙+𝒕 : Tasa instantánea de eliminación total.

(𝝉) 𝟏 𝒅 (𝝉) 𝟏 𝒅 (𝝉)

𝝁𝒙+𝒕 = (𝝉)
⋅ 𝒕𝒒𝒙 = − (𝝉)
⋅ 𝒕𝒑𝒙
𝒕𝒑𝒙
𝒅𝒕 𝒕𝒑𝒙
𝒅𝒕
 (𝒋)
• 𝝁𝒙+𝒕 : Tasa instantánea de eliminación de la causa 𝑗.

(𝒋) 𝟏 𝒅 (𝒋)
𝝁𝒙+𝒕 = ⋅ 𝒒
(𝝉)
𝒕𝒑𝒙
𝒅𝒕 𝒕 𝒙

𝒎
(𝝉) (𝒋)
𝝁𝒙+𝒕 = ∑ 𝝁𝒙+𝒕
𝒋=𝟏

(𝝉)
• 𝒎𝒙 : Tasa central de eliminación total.
𝟏 (𝝉) (𝝉)
(𝝉) ∫𝟎 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 𝒅𝒕
𝒎𝒙 = 𝟏 (𝝉)
∫𝟎 𝒕𝒑𝒙 𝒅𝒕

(𝒋)
• 𝒎𝒙 : Tasa central de eliminación de la causa 𝑗.
𝟏 (𝝉) (𝒋)
(𝒋) ∫𝟎 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 𝒅𝒕
𝒎𝒙 = 𝟏 (𝝉)
∫𝟎 𝒕𝒑𝒙 𝒅𝒕
𝒎
(𝝉) (𝒋)
𝒎𝒙 = ∑ 𝒎𝒙
𝒋=𝟏

(𝝉)
• 𝒍𝒙+𝒕 : Cantidad de personas que alcanzan la edad 𝑥 + 𝑡
(𝝉) (𝝉) (𝝉)
𝒍𝒙+𝒕 = 𝒍𝒙 ⋅ 𝒕𝒑𝒙

(𝝉)
• 𝒕𝒅𝒙 : Cantidad de personas eliminadas entre las edades 𝑥 y 𝑥 + 𝑡.
𝒎
(𝝉) (𝒋) (𝝉) (𝝉)
𝒕𝒅𝒙 = ∑ 𝒕𝒅𝒙 = 𝒍𝒙 ⋅ 𝒕𝒒𝒙
𝒋=𝟏

(𝒋) (𝝉) (𝒋)

𝒕𝒅𝒙 = 𝒍𝒙 ⋅ 𝒕𝒒𝒙

TDU asociadas a TDM:

′(𝒋)
• 𝒕𝒑𝒙 : Tasa independiente de que (𝑥) sea eliminada por la causa 𝑗 luego de que transcurran 𝑡
años.
𝒕 (𝒋)
′(𝒋)
𝒕𝒑𝒙 = 𝒆− ∫𝟎 𝝁𝒙+𝒔 𝒅𝒔
𝒎
(𝝉) ′(𝒋)
𝒕𝒑𝒙 = ∏ 𝒕𝒑𝒙
𝒋=𝟏
 ′(𝒋)
• 𝒕𝒒𝒙 : Tasa independiente de que (𝑥) sea eliminada por la causa 𝑗 antes de que transcurran 𝑡
años.
′(𝒋) ′(𝒋)
𝒕𝒒𝒙 = 𝟏 − 𝒕𝒑𝒙

′(𝒋)
• 𝒎𝒙 : Tasa central de eliminación independiente.
𝟏 ′(𝒋) (𝒋)
′(𝒋) ∫𝟎 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 𝒅𝒕
𝒎𝒙 = 𝟏 ′(𝒋)
∫𝟎 𝒕𝒑𝒙 𝒅𝒕

Supuestos para trabajar + algunas relaciones

(𝒋) (𝒋) (𝝉) (𝝉)

• Fuerzas constantes: 𝝁𝒙+𝒕 = 𝝁𝒙 𝝁𝒙+𝒕 = 𝝁𝒙
(𝑗)
(𝑗) 𝜇𝑥 (𝜏)
𝑡𝑞𝑥 = (𝜏)
⋅ 𝑡𝑞𝑥
𝜇𝑥
(𝑗)
𝜇𝑥
′(𝑗) (𝜏) (𝜏)
𝜇𝑥
𝑡𝑝𝑥 = [ 𝑡𝑝𝑥 ]
′(𝑗) (𝑗) (𝑗) (𝜏) (𝜏)
𝑚𝑥 = 𝑚𝑥 = 𝜇𝑥 𝑚𝑥 = 𝜇𝑥

(𝒋) (𝒋) (𝝉) (𝝉)

• DUE en TDM: 𝒕𝒒𝒙 = 𝒕 ⋅ 𝒒𝒙 𝒕𝒒𝒙 = 𝒕 ⋅ 𝒒𝒙
(𝑗) (𝑗) (𝜏) (𝜏)
(𝑗) 𝑞𝑥 𝑞𝑥 (𝜏) (𝜏) 𝑞𝑥 𝑞𝑥
𝜇𝑥+𝑡 = (𝜏)
= (𝜏)
⋅ 𝜇𝑥+𝑡 𝜇𝑥+𝑡 = (𝜏)
= (𝜏)
1 − 𝑡 ⋅ 𝑞𝑥 𝑞𝑥 1 − 𝑡 ⋅ 𝑞𝑥 𝑡𝑝𝑥
(𝑗)
𝑞𝑥
′(𝑗) (𝜏) (𝜏)
𝑡𝑝𝑥 = [ 𝑡𝑝𝑥 ]𝑞𝑥

′(𝒋) ′(𝒋)
• DUE en TDU asociada a TDM: 𝒕𝒒𝒙 = 𝒕 ⋅ 𝒒𝒙
′(𝑗)
(𝑗) 𝑞𝑥
𝜇𝑥+𝑡 = ′(𝑗)
1 − 𝑡 ⋅ 𝑞𝑥

𝑡 𝑡
(𝑗) ′(𝑗) ′(𝑘) ′(𝑗) ′(𝑘)
𝑡𝑞𝑥 = 𝑞𝑥 ⋅∫ ∏ 𝑠𝑝𝑥 𝑑𝑠 = 𝑞𝑥 ⋅ ∫ ∏ [1 − 𝑠 ⋅ 𝑞𝑥 ] 𝑑𝑠
0 ∀𝑘≠𝑗 0 ∀𝑘≠𝑗

′(𝑗)
′(𝑗) 𝑞𝑥
𝑚𝑥 ≅
1 ′(𝑗)
1 − 2 ⋅ 𝑞𝑥
Tiempo discreto

Es necesario separar la integral total según los momentos en que actúan el/los decremento/s discreto/s

Hay que recordar que para los decrementos que actúan en un momento concreto, es necesario primero
dejar “correr” a las causas continuas (para que la población inicial sea expuesta a esa causa continua), y
luego llegado al momento concreto, exponer a la población que queda al decremento 𝑗 discreto.
 UNIDAD N° 8 – TEORÍA ESTADÍSTICA DE LA INVALIDEZ

Modelo de invalidez sin rehabilitación

Relaciones biométricas y leyes de cierre

Para personas

𝑙(𝑥; 𝑎) + 𝑙(𝑥; 𝑖) = 𝑙(𝑥; 𝑇)

𝑙(𝑥; 𝑎𝑖) + 𝑙(𝑥; 𝑖𝑖) = 𝑙(𝑥; 𝑖)

𝑑(𝑥; 0; 1; 𝑎) + 𝑑(𝑥; 0; 1; 𝑎𝑖) + 𝑑(𝑥; 0; 1; 𝑖𝑖) = 𝑑(𝑥; 0; 1)

𝑑(𝑥; 0; 1; 𝑎𝑖) + 𝑑(𝑥; 0; 1; 𝑖𝑖) = 𝑑(𝑥; 0; 1; 𝑖)

• 𝐼(𝑥; 0; 1): Cantidad de personas que se invalidan entre 𝑥 y 𝑥 + 1.

𝐼(𝑥; 0; 1) = 𝑙(𝑥 + 1; 𝑎𝑖) + 𝑑(𝑥; 0; 1; 𝑎𝑖)

Para probabilidades

𝑝(𝑥; 1; 𝑎𝑎) + 𝑞(𝑥; 0; 1; 𝑎𝑎) + 𝑝(𝑥; 1; 𝑎𝑖) + 𝑞(𝑥; 0; 1; 𝑎𝑖) = 1

𝑝(𝑥; 1; 𝑎𝑎) + 𝑝(𝑥; 1; 𝑎𝑖) = 𝑝(𝑥; 1; 𝑎) 𝑞(𝑥; 0; 1; 𝑎𝑎) + 𝑞(𝑥; 0; 1; 𝑎𝑖) = 𝑞(𝑥; 0; 1; 𝑎)

𝑝(𝑥; 1; 𝑖) + 𝑞(𝑥; 0; 1; 𝑖) = 1

𝑡
𝑝(𝑥; 𝑡; 𝑎𝑎) = 𝑒 − ∫0 (𝜇𝑎(𝑥+𝑠)+𝜇𝑟 (𝑥+𝑠))𝑑𝑠 Para la población de activos le afecta la invalidez y la muerte.

• 𝑟(𝑥; 0; 1): Probabilidad de invalidarse entre 𝑥 y 𝑥 + 1.

𝑟(𝑥; 0; 1) = 𝑝(𝑥; 1; 𝑎𝑖) + 𝑞(𝑥; 0; 1; 𝑎𝑖)
1
𝑟(𝑥; 0; 1) = ∫ 𝑝(𝑥; 𝑡; 𝑎𝑎) ⋅ 𝜇𝑟 (𝑥 + 𝑡)𝑑𝑡
0
1
𝑞(𝑥; 0; 1; 𝑎𝑖) = ∫ 𝑝(𝑥; 𝑡; 𝑎𝑎) ⋅ 𝜇𝑟 (𝑥 + 𝑡) ⋅ 𝑞(𝑥 + 𝑡; 0; 1 − 𝑡; 𝑖)𝑑𝑡
0

Vale 𝑞(𝑥; 0; 1; 𝑎𝑖) = 𝑟(𝑥; 0; 1) ⋅ 𝑞(𝑥 + 𝑡; 0; 1 − 𝑡; 𝑖) si se asume algún supuesto para la invalidez.

Representación mediante Matrices de Markov

𝑣𝑥+1 = 𝑣𝑥 ⋅ 𝐴𝑥

Con 3 estados

𝒑(𝒙; 𝟏; 𝒂𝒂) 𝒑(𝒙; 𝟏; 𝒂𝒊) 𝒒(𝒙; 𝟎; 𝟏; 𝒂)

𝑨𝒙 = [ 𝟎 𝒑(𝒙; 𝟏; 𝒊) 𝒒(𝒙; 𝟎; 𝟏; 𝒊) ]
𝟎 𝟎 𝟏

Con 4 estados

𝒑(𝒙; 𝟏; 𝒂𝒂) 𝒑(𝒙; 𝟏; 𝒂𝒊) 𝒒(𝒙; 𝟎; 𝟏; 𝒂𝒂) 𝒒(𝒙; 𝟎; 𝟏; 𝒂𝒊)

𝑨𝒙 = [ 𝟎 𝒑(𝒙; 𝟏; 𝒊) 𝟎 𝒒(𝒙; 𝟎; 𝟏; 𝒊) ]
𝟎 𝟎 𝟏 𝟎
𝟎 𝟎 𝟎 𝟏

Relaciones de Von Schartlin

Una relación es de Von Schartlin cuando, en el marco de un modelo de invalidez, vincula probabilidades
con personas expuestas

𝑙(𝑥; 𝑎) 𝑙(𝑥; 𝑖)
𝑞(𝑥; 0; 1) = ⋅ 𝑞(𝑥; 0; 1; 𝑎) + ⋅ 𝑞(𝑥; 0; 1; 𝑖)
𝑙(𝑥) 𝑙(𝑥)

𝑙(𝑥 + 1; 𝑖) = 𝑙(𝑥; 𝑎) ⋅ 𝑝(𝑥; 1; 𝑎𝑖) + 𝑙(𝑥; 𝑖) ⋅ 𝑝(𝑥; 1; 𝑖)

 UNIDAD N° 9 – MODELOS DE ESTADOS MÚLTIPLES

Supuestos y notación

1) 𝐏𝐫 [𝒀(𝒙 + 𝒕) = 𝒋⁄𝒀(𝒙) = 𝒊] es un proceso de Markov.

𝑖𝑗
𝑡𝑝𝑥 = Pr [𝑌(𝑥 + 𝑡) = 𝑗⁄𝑌(𝑥) = 𝑖 ]
𝑖𝑖
𝑡𝑝𝑥 = Pr [𝑌(𝑥 + 𝑠) = 𝑖 ∀ 𝑠 ∈ [0, 𝑡]⁄𝑌(𝑥) = 𝑖 ]
𝒕 𝒊𝒋
𝒊𝒊
𝒕𝒑𝒙 = 𝒆− ∫𝟎 ∑∀ 𝒋≠𝒊 𝝁𝒙+𝒔 𝒅𝒔
𝒕
𝒊𝒋 𝒊𝒊 𝒊𝒋
𝒕𝒑𝒙 =∫ 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 𝒅𝒕
𝟎

Si no hay transición directa entre 2 estados 𝑖 y 𝑘:

𝒖
𝒊𝒌 𝒊𝒊 𝒊𝒋 𝒋𝒌
𝒖𝒑𝒙 =∫ 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 ⋅ 𝒖−𝒕𝒑𝒙+𝒕 𝒅𝒕
𝟎

𝑖𝑖
𝑡𝑝𝑥 ≤ 𝑡𝑝𝑥𝑖𝑖

2) Para un pequeño intervalo de tiempo 𝒉: 𝐏𝐫(𝟐 𝐨 𝐦á𝐬 𝐭𝐫𝐚𝐧𝐬𝐢𝐜𝐢𝐨𝐧𝐞𝐬 𝐞𝐧 𝐮𝐧 𝐩𝐞𝐫í𝐨𝐝𝐨𝐬 𝐡) = 𝒐(𝒉).

𝑖𝑗
𝑖𝑗 ℎ𝑝𝑥
𝜇𝑥 = lim+ 𝑖≠𝑗
ℎ→0 ℎ
𝑖𝑗 𝑖𝑗 Para un valor de h positivo pequeño 𝑖𝑗 𝑖𝑗
ℎ𝑝𝑥 = ℎ ⋅ 𝜇𝑥 + 𝑜(ℎ) ⇒ ℎ𝑝𝑥 ≈ ℎ ⋅ 𝜇𝑥
𝑖𝑗
𝜇𝑥 : Fuerza de transición entre los estados 𝑖 y 𝑗 a la edad 𝑥.

𝒊𝒋
3) Para todo estado 𝒊 y 𝒋, 𝒕𝒑𝒙 es una función diferenciable respecto de 𝒕.

Ecuación forward de Kolmogorov

𝒊𝒋 𝒊𝒋 𝒊𝒋 𝒋𝒌 𝒌𝒋
𝒕+𝒉𝒑𝒙 = 𝒕𝒑𝒙 − 𝒉 ⋅ ∑ ⏟𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 − ⏟𝒕𝒑𝒊𝒌
𝒙 ⋅ 𝝁𝒙+𝒕 + 𝒐(𝒉)
∀ 𝒌≠𝒋 𝐓𝐫𝐚𝐧𝐬𝐢𝐜𝐢𝐨𝐧𝐞𝐬 𝐟𝐮𝐞𝐫𝐚 𝐓𝐫𝐚𝐧𝐬𝐢𝐜𝐢𝐨𝐧𝐞𝐬 𝐚
(𝐝𝐞𝐥 𝐞𝐬𝐭𝐚𝐝𝐨 𝐨𝐛𝐣𝐞𝐭𝐢𝐯𝐨 𝐞𝐬𝐭𝐚𝐝𝐨 𝐨𝐛𝐣𝐞𝐭𝐢𝐯𝐨)

𝑖𝑘 𝑘𝑗
𝑡𝑝𝑥 ⋅ 𝜇𝑥+𝑡 : Transiciones que me meten al estado objetivo.

𝑖𝑗 𝑗𝑘
𝑡𝑝𝑥 ⋅ 𝜇𝑥+𝑡 : Transiciones que me sacan del estado objetivo.

𝒅 𝒊𝒋 𝒌𝒋 𝒊𝒋 𝒋𝒌
𝒑 = ∑ ( 𝒕𝒑𝒊𝒌
𝒙 ⋅ 𝝁𝒙+𝒕 − 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 )
𝒅𝒕 𝒕 𝒙
∀ 𝒌≠𝒋
 UNIDAD N° 10 – SUPERVIVENCIA MÚLTIPLE

Relaciones generales

𝑇𝑥 : Período de supervivencia o Tiempo hasta eliminación de (𝑥).

𝑻𝒙:𝒚 + 𝑻𝒙:𝒚 = 𝑻𝒙 + 𝑻𝒚

Esta expresión es también válida para 𝐹, 𝑆, 𝑓, 𝑞, 𝑝, 𝑒.

𝑇𝑥 y 𝑇𝑦 son independientes si y solo si su función de densidad conjunta 𝑓𝑇𝑥 ,𝑇𝑦 (𝑠; 𝑡) es una función de

variables separables.

𝒕 𝒔
𝑭𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = ∫ ∫ 𝒇𝑻𝒙 ,𝑻𝒚 (𝒖; 𝒗)𝒅𝒖 𝒅𝒗
𝟎 𝟎

∞ ∞
𝑺𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = 𝟏 − 𝑭𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = ∫ ∫ 𝒇𝑻𝒙 ,𝑻𝒚 (𝒖; 𝒗)𝒅𝒖 𝒅𝒗
𝒕 𝒔

𝒇𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕)

𝒖𝒙+𝒔;𝒚+𝒕 =
𝟏 − 𝑭𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕)

𝑪𝑶𝑽(𝑻𝒙 , 𝑻𝒚 )
𝝆𝑻𝒙 ,𝑻𝒚 =
𝝈𝑻 𝒙 ⋅ 𝝈𝑻 𝒚

𝐶𝑂𝑉(𝑇𝑥 , 𝑇𝑦 ) = 𝐸(𝑇𝑥 ⋅ 𝑇𝑦 ) − 𝐸(𝑇𝑥 ) ⋅ 𝐸(𝑇𝑦 )

𝜎𝑇𝑥 = √𝐸(𝑇𝑥 2 ) − [𝐸(𝑇𝑥 )]2

𝑪𝑶𝑽(𝑻𝒙:𝒚 , 𝑻𝒙:𝒚 )
𝝆𝑻𝒙:𝒚,𝑻𝒙:𝒚 =
𝝈𝑻𝒙:𝒚 ⋅ 𝝈𝑻𝒙:𝒚

𝐶𝑂𝑉(𝑇𝑥:𝑦 , 𝑇𝑥:𝑦 ) = 𝐶𝑂𝑉(𝑇𝑥 , 𝑇𝑦 ) + [𝐸(𝑇𝑥 ) − 𝐸(𝑇𝑥:𝑦 )] ⋅ [𝐸(𝑇𝑦 ) − 𝐸(𝑇𝑥:𝑦 )]

∘ ∘ ∘ ∘
bajo independencia: 𝐶𝑂𝑉(𝑇𝑥:𝑦 , 𝑇𝑥:𝑦 ) = (𝑒𝑥 − 𝑒𝑥:𝑦 ) ⋅ (𝑒𝑦 − 𝑒𝑥:𝑦 )
Joint Life Status (Estado de supervivencia conjunta)

𝑇𝑥:𝑦 = min(𝑇𝑥 , ; 𝑇𝑦 ): El grupo se desintegra con el primer fallecimiento.

𝒕𝒒𝒙:𝒚 = 𝒕𝒒𝒙 + 𝒕𝒒𝒚 − 𝒕𝒒𝒙:𝒚

Bajo independencia:

𝒕𝒒𝒙:𝒚 = 𝒕𝒒𝒙 + 𝒕𝒒𝒚 − 𝒕𝒒𝒙 ⋅ 𝒕𝒒𝒚

𝑡𝑞𝑥:𝑦 : Probabilidad de que al menos una cabeza del grupo fallezca al cabo de 𝑡 años.

𝑡𝑞𝑥:𝑦 : Probabilidad de que ambas cabezas fallezcan al cabo de 𝑡 años.

𝒕𝒑𝒙:𝒚 = 𝟏 − 𝒕𝒒𝒙:𝒚 = 𝒕𝒑𝒙 + 𝒕𝒑𝒚 − 𝒕𝒑𝒙:𝒚

Bajo independencia:

𝒕𝒑𝒙:𝒚 = 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚

𝑡𝑝𝑥:𝑦 : Probabilidad de que ambas cabezas sobrevivan 𝑡 años.

𝑡𝑝𝑥:𝑦 : Probabilidad de que al menos una cabeza del grupo sobreviva al cabo de 𝑡 años.

𝒅
𝒇𝑻𝒙:𝒚 (𝒕) = − 𝒑
𝒅𝒕 𝒕 𝒙:𝒚

Bajo independencia:

𝒇𝑻𝒙:𝒚 (𝒕) = 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚 ⋅ (𝝁𝒙+𝒕 + 𝝁𝒙+𝒚 )

𝝁𝒙+𝒕 + 𝝁𝒙+𝒚 = 𝝁𝒙:𝒚 (𝒕)

∞
∘
𝒆𝒙:𝒚 = ∫ 𝒕𝒑𝒙:𝒚 𝒅𝒕
𝟎

Bajo independencia:

∞
∘
𝒆𝒙:𝒚 = ∫ 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚 𝒅𝒕
𝟎
Probabilidad de que JLS se extinga entre 𝑛 y 𝑛 + 1

𝑃(𝑛 < 𝑇𝑥:𝑦 ≤ 𝑛 + 1) = 𝑃(𝑇𝑥:𝑦 ≤ 𝑛 + 1) − 𝑃(𝑇𝑥:𝑦 ≤ 𝑛) =

𝒏+𝟏𝒒𝒙:𝒚 − 𝒏𝒒𝒙:𝒚 = 𝒏𝒑𝒙:𝒚 − 𝒏+𝟏𝒑𝒙:𝒚 = 𝒏𝒑𝒙:𝒚 ⋅ 𝒒𝒙+𝒏:𝒚+𝒏

Se puede aplicar recurrencia.

Last Survivor Status (Estado del último sobreviviente)

𝑇𝑥:𝑦 = max(𝑇𝑥 , ; 𝑇𝑦 ): El grupo se desintegra con el último fallecimiento, o sea cuando ambas cabezas
fallecen.

𝒕𝒒𝒙:𝒚 = 𝒕𝒒𝒙 + 𝒕𝒒𝒚 − 𝒕𝒒𝒙:𝒚

Bajo independencia:

𝒕𝒒𝒙:𝒚 = 𝒕𝒒𝒙 ⋅ 𝒕𝒒𝒚

𝒕𝒑𝒙:𝒚 = 𝒕𝒑𝒙 + 𝒕𝒑𝒚 − 𝒕𝒑𝒙:𝒚

Bajo independencia:

𝒕𝒑𝒙:𝒚 = 𝒕𝒑𝒙 + 𝒕𝒑𝒚 − 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚

𝒇𝑻𝒙:𝒚 (𝒕) = 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 + 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 − 𝒕𝒑𝒙:𝒚 ⋅ 𝝁𝒙:𝒚 (𝒕)

Bajo independencia:

𝒇𝑻𝒙:𝒚 (𝒕) = 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 + 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 − 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚 (𝝁𝒙+𝒕 + 𝝁𝒚+𝒕 )

𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 + 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 − 𝒕𝒑𝒙:𝒚 ⋅ 𝝁𝒙:𝒚 (𝒕)

𝝁𝒙:𝒚 (𝒕) =
𝒕𝒑𝒙 + 𝒕𝒑𝒚 − 𝒕𝒑𝒙:𝒚

Bajo independencia:

𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 ⋅ 𝒕𝒒𝒚 + 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 ⋅ 𝒕𝒒𝒙

𝝁𝒙:𝒚 (𝒕) =
𝒕𝒑𝒙 + 𝒕𝒑𝒚 − 𝒕𝒑𝒙 ⋅ 𝒕𝒑𝒚
 ∘ ∘ ∘ ∘
𝒆𝒙:𝒚 = 𝒆𝒙 + 𝒆𝒚 − 𝒆𝒙:𝒚

Probabilidad de que LSS se extinga entre 𝑛 y 𝑛 + 1

𝑃(𝑛 < 𝑇𝑥:𝑦 ≤ 𝑛 + 1) = 𝑃(𝑇𝑥:𝑦 ≤ 𝑛 + 1) − 𝑃(𝑇𝑥:𝑦 ≤ 𝑛) =

𝒏𝒑𝒙:𝒚 − 𝒏+𝟏𝒑𝒙:𝒚 = 𝒏|𝒒𝒙 + 𝒏|𝒒𝒚 − 𝒏|𝒒𝒙𝒚

Common Shock (Modelo de shock común)

𝑇𝑥∗ y 𝑇𝑦∗ variables del tiempo que media a la eliminación de cada individuo y que, en ausencia de un shock
común, son independientes.

𝑍: Tiempo que media hasta la ocurrencia de un shock. Es independiente de 𝑇𝑥∗ y 𝑇𝑦∗ .

𝑍 ~ 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙(𝜆).

𝑇𝑥 = min(𝑇𝑥∗ ; 𝑍) 𝑇𝑦 = min(𝑇𝑦∗ ; 𝑍)

𝑺𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = 𝑺𝑻∗𝒙 (𝒔) ⋅ 𝑺𝑻∗𝒚 (𝒕) ⋅ 𝒆−𝝀⋅𝐦𝐚𝐱(𝒔;𝒕)

𝑭𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = 𝟏 − 𝑺𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕)

𝑺𝑻𝒙 (𝒔) = 𝑺𝑻∗𝒙 (𝒔) ⋅ 𝒆−𝝀⋅𝒔

𝑺𝑻𝒚 (𝒔) = 𝑺𝑻∗𝒚 (𝒕) ⋅ 𝒆−𝝀⋅𝒕

[𝑺′𝑻∗𝒙 (𝒔) ⋅ 𝑺′𝑻∗𝒚 (𝒕) − 𝝀 ⋅ 𝑺𝑻∗𝒙 (𝒔) ⋅ 𝑺′𝑻∗𝒚 (𝒕)] ⋅ 𝒆−𝝀⋅𝒔 con t < s
𝒇𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕) = [𝑺′𝑻∗ (𝒔) ⋅ 𝑺′𝑻∗ (𝒕) − 𝝀 ⋅ 𝑺′𝑻∗ (𝒔) ⋅ 𝑺𝑻∗𝒚 (𝒕)] ⋅ 𝒆−𝝀⋅𝒕 con t > s
𝒙 𝒚 𝒙

∗ (𝒕) ⋅ 𝑺𝑻∗ (𝒕) ⋅ 𝝀𝒆

−𝝀⋅𝒕
{𝑺𝑻𝒙 𝒚
con t = s

JLS + Common Shock

𝒕𝒑𝒙:𝒚 = 𝑺𝑻∗𝒙 (𝒕) ⋅ 𝑺𝑻∗𝒚 (𝒕) ⋅ 𝒆−𝝀⋅𝒕

𝝁𝒙:𝒚 (𝒕) = 𝝁𝒙+𝒕 + 𝝁𝒚+𝒕 + 𝝀

LSS + Common Shock

𝒕𝒑𝒙:𝒚 = [𝑺𝑻∗𝒙 (𝒕) + 𝑺𝑻∗𝒚 (𝒕) − 𝑺𝑻∗𝒙 ,𝑻∗𝒚 (𝒕, 𝒕)] ⋅ 𝒆−𝝀⋅𝒕
Orden de fallecimiento

𝒏𝒒𝒙
𝟏 : Probabilidad de que (𝒙) fallezca antes que (𝒚) en los próximos 𝒏 años.
:𝒚

𝒏 ∞ 𝒏
𝒏𝒒𝒙
𝟏 = ∫ ∫ 𝒇𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕)𝒅𝒕 𝒅𝒔 = ∫ 𝐏𝐫(𝑻𝒚 > 𝒔|𝑻𝒙 = 𝒔) ⋅ 𝒔𝒑𝒙 ⋅ 𝝁𝒙+𝒔 𝒅𝒔
:𝒚
𝟎 𝒔 𝟎

Bajo independencia:

𝒏
𝒏𝒒 𝟏 = ∫
𝒙:𝒚 𝒕𝒑𝒚 ⋅ 𝒕𝒑𝒙 ⋅ 𝝁𝒙+𝒕 𝒅𝒕
𝟎

𝒏𝒒𝒙:𝒚
𝟐: Probabilidad de que (𝒙) e (𝒚) fallezcan al cabo de 𝒏 años, teniendo que (𝒙) fallece antes que

(𝒚).

𝒏 𝒕 𝒏
𝒏𝒒𝒙:𝒚
𝟐 = ∫ ∫ 𝒇𝑻𝒙 ,𝑻𝒚 (𝒔; 𝒕)𝒅𝒔 𝒅𝒕 = ∫ 𝐏𝐫(𝑻𝒙 ≤ 𝒕|𝑻𝒚 = 𝒕) ⋅ 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 𝒅𝒕
𝟎 𝟎 𝟎

Bajo independencia:

𝒏
𝒏𝒒𝒙:𝒚
𝟐 =∫ 𝒕𝒒𝒙 ⋅ 𝒕𝒑𝒚 ⋅ 𝝁𝒚+𝒕 𝒅𝒕
𝟎

𝒏𝒒𝒙:𝒚
𝟐 = 𝒏𝒒𝒚 − 𝒏𝒒 𝟏
𝒙:𝒚
= 𝒏𝒒 𝟏 − 𝒏𝒑𝒚 ⋅ 𝒏𝒒𝒙
𝒙:𝒚

Método Z

𝑅 = Cantidad de personas que se encontrarán con vida dentro de 𝑛 años.

𝟏 𝒓+𝟏
𝐏𝐫(𝑹 = 𝒓) = 𝒁𝒓 ⋅ ( )
𝟏+𝒁

𝟏 𝒓
𝐏𝐫(𝑹 ≥ 𝒓) = 𝒁𝒓 ⋅ ( )
𝟏+𝒁

1 𝑟 𝑟 𝑟+1 𝑟+2 𝑟+3

( ) =1−( )⋅𝑍+( ) ⋅ 𝑍2 − ( ) ⋅ 𝑍3 + ( ) ⋅ 𝑍4 − ⋯
1+𝑍 1 2 3 4

𝑍 𝑟 = Todas las combinaciones posibles de probabilidades tomadas de a 𝒓.

Envejecimiento uniforme

Dormoy Weibull (𝒎 = 𝟏) Gompertz Makeham

2 𝑥 ⋅(𝐶 𝑛 −1) 𝑥 ⋅(𝐶 𝑛 −1)

𝒑(𝒙; 𝒏) 𝑒 −𝜇⋅𝑛 𝑔2⋅𝑥⋅𝑛+𝑛 𝑔𝐶 𝑔𝐶 ⋅ 𝑆𝑛

𝑘 𝐵 𝐵
− −
Transformación ----------- 𝑔 = 𝑒 −2 𝑔=𝑒 ln 𝐶 𝑔=𝑒 ln 𝐶 ∧ 𝑆 = 𝑒 −𝐴

Cantidad de
personas de 𝑚 𝑚 1 𝑚
edad 𝒖

Edad 𝒖 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑚 ln(𝐶 𝑥1 + 𝐶 𝑥2 + ⋯ + 𝐶 𝑥𝑚 ) ln(𝐶 𝑥1 + 𝐶 𝑥2 + ⋯ + 𝐶 𝑥𝑚 ) − ln 𝑚

Indistinto
sustituta 𝑚 ln 𝐶 ln 𝐶

𝒖 = 𝒇(𝒉) Indistinto 𝑥1 + ℎ 𝑥𝑚 + ℎ 𝑥1 + ℎ

𝑥1 ⋅ (1 − 𝑚) + 𝑥2 + ⋯ + 𝑥𝑚 ln(1 + 𝐶 𝑥1 −𝑥𝑚 + 𝐶 𝑥2 −𝑥𝑚 + ⋯ + 𝐶 𝑥𝑚−1 −𝑥𝑚 ) ln(1 + 𝐶 𝑥2 −𝑥1 + 𝐶 𝑥3 −𝑥1 + ⋯ + 𝐶 𝑥𝑚−𝑥1 ) − ln 𝑚

𝒉 Indistinto
𝑚 ln 𝐶 ln 𝐶

Relación tasa instantánea de mortalidad Gompertz

𝝁𝒖 = 𝝁𝒙𝟏 + 𝝁𝒙𝟐 + 𝝁𝒙𝟑 + ⋯ + 𝝁𝒙𝒎

Relación tasa instantánea de mortalidad Makeham

𝝁𝒙𝟏 + 𝝁𝒙𝟐 + 𝝁𝒙𝟑 + ⋯ + 𝝁𝒙𝒎

𝝁𝒖 =
𝒎
 UNIDAD N° 11 – ESTIMACIÓN PARAMÉTRICA

Dimensiones de los datos

En los estudios actuariales, las ocurrencias más comunes son la censura por derecha y el truncamiento
por izquierda.
Método de momentos

Se observa como primero paso cuántos parámetros tiene la forma funcional propuesta. Luego, si la
fórmula funcional tiene 𝑘 parámetros, se plantea el sistema de ecuaciones de momentos:

∑ 𝒕𝒊
𝑬(𝑻) =
𝒏
∑ 𝒕𝒊 𝟐
𝑬(𝑻𝟐 ) =
𝒏
∑ 𝒕𝒊 𝟑
𝑬(𝑻𝟑 ) =
𝒏
⋮
𝒌
∑ 𝒕𝒊 𝒌
{𝑬(𝑻 ) =
𝒏

En el caso de 2 parámetros, a veces se recurre a:

∑ 𝒕𝒊
𝑬(𝑻) =
𝒏
∑(𝒕𝒊 − 𝒕̅)𝟐
{𝐕𝐚𝐫(𝑻) = 𝒏

Método de percentiles
Método de máxima verosimilitud

Se arma una función de verosimilitud ℒ que contendrá 𝑛 factores de acuerdo con el estado de cada
individuo dentro del estudio. Luego:

Recordar que 𝑓𝑥 (𝑡𝑖 ) = 𝑝(𝑥; 𝑡𝑖 ) ⋅ 𝜇(𝑥 + 𝑡𝑖 )

Métodos de mínimos cuadrados
 UNIDAD N° 12 – ESTIMACIÓN NO PARAMÉTRICA

Distribución empírica para datos individuales completos

𝐧ú𝐦𝐞𝐫𝐨 𝐝𝐞 𝐨𝐛𝐬𝐞𝐫𝐯𝐚𝐜𝐢𝐨𝐧𝐞𝐬 ≤ 𝒙
𝑭𝒏 (𝒙) =
𝒏

Distribución empírica para datos agrupados

𝒄𝒋 − 𝒙 𝒙 − 𝒄𝒋−𝟏
𝑭𝒏 (𝒙) = ⋅ 𝑭𝒏 (𝒄𝒋−𝟏 ) + ⋅ 𝑭 (𝒄 ) 𝑐𝑗−1 ≤ 𝑥 ≤ 𝑐𝑗
𝒄𝒋 − 𝒄𝒋−𝟏 𝒄𝒋 − 𝒄𝒋−𝟏 𝒏 𝒋

Armado de tabla para las estimaciones

𝒊 𝒚𝒊 𝒔𝒊 𝒃𝒊 𝒅𝒊 𝒓𝒊 𝒔𝒊
𝝀̂𝒊 =
𝒓𝒊

𝑦𝑖 : i-ésimo valor de interés (momentos de la observación donde ocurre 𝑠𝑖 ).

𝑠𝑖 : cantidad de veces que es observado el valor 𝑦𝑖 .

𝑏𝑖 : cantidad de censuras por derecha entre [𝑦𝑖 ; 𝑦𝑖+1 ) (primero ocurre 𝑠𝑖 ). (withdrawals).

𝑑𝑖 : cantidad de truncamientos por izquierda entre [𝑦𝑖 ; 𝑦𝑖+1 ) (nuevos ingresantes).

𝑛 𝑖=0
𝑟𝑖 : cantidad de elementos a riesgo. = {𝑟𝑖−1 + 𝑑𝑖−1 − 𝑠𝑖−1 − 𝑦𝑖−1 𝑖 = 1,2, … , 𝑘
𝑏𝑘+1 𝑖 =𝑘+1

Estimación por Kaplan – Meier

Estimación de 𝑆(𝑦)

𝒌
̂(𝒚𝒌 ) = ∏(𝟏 − 𝝀̂𝒊 )
𝑺
𝒊=𝟏

̂
̂(𝒚) = {𝑺(𝒚𝒌 )
𝑺
𝒚𝒌 ≤ 𝒚 < 𝒚𝒌+𝟏 ∧ 𝒚 < 𝒚𝐦𝐚𝐱
𝐓𝐚𝐢𝐥 𝒚 ≥ 𝒚𝐦𝐚𝐱
Varianza de 𝑆(𝑦) (aproximación de Greenwood)

𝒌
𝒔𝒊
̂ [𝑺
𝐕𝐚𝐫 ̂(𝒚𝒌 )]𝟐 ⋅ ∑
̂(𝒚𝒌 )] = [𝑺
𝒓𝒊 ⋅ (𝒓𝒊 − 𝒔𝒊 )
𝒊=𝟏

Intervalos de confianza

̂(𝒚𝒌 ) ± 𝒁𝒄𝒓í𝒕𝒊𝒄𝒐 ⋅ √𝐕𝐚𝐫

𝐕𝐞𝐫𝐬𝐢ó𝐧 𝐥𝐢𝐧𝐞𝐚𝐥 = 𝑺 ̂(𝒚𝒌 )]
̂ [𝑺

𝑼±𝟏
̂(𝒚𝒌 )]
𝐕𝐞𝐫𝐬𝐢ó𝐧 𝐥𝐨𝐠 − 𝐭𝐫𝐚𝐧𝐬𝐟𝐨𝐫𝐦𝐚𝐝𝐚 = [𝑺

̂ [𝑺
𝒁𝒄𝒓í𝒕𝒊𝒄𝒐 ⋅√𝐕𝐚𝐫 ̂(𝒚𝒌)]
̂(𝒚𝒌 )⋅𝐥𝐧 𝑺
𝑺 ̂(𝒚𝒌 )
𝑼=𝒆

Estimación por Nelson – Aalen

Estimación de 𝑆(𝑦)

𝒌
̂ (𝒚𝒌 ) = ∑ 𝝀̂𝒊
𝑯
𝒊=𝟏

̂(𝒚𝒌 ) = 𝒆−𝑯̂(𝒚𝒌 )
𝑺

̂
̂(𝒚) = {𝑺(𝒚𝒌 )
𝑺
𝒚𝒌 ≤ 𝒚 < 𝒚𝒌+𝟏 ∧ 𝒚 < 𝒚𝐦𝐚𝐱
𝐓𝐚𝐢𝐥 𝒚 ≥ 𝒚𝐦𝐚𝐱

Varianza de 𝐻(𝑦) y 𝑆(𝑦) (estimador de Klein)

𝒌
𝒔𝒊 ⋅ (𝒓𝒊 − 𝒔𝒊 )
̂ [𝑯
𝐕𝐚𝐫 ̂ (𝒚𝒌 )] = ∑
𝒓𝒊 𝟑
𝒊=𝟏

𝒌
𝟐 𝒔𝒊 ⋅ (𝒓𝒊 − 𝒔𝒊 )
̂(𝒚𝒌 )] = [𝑺
̂ [𝑺
𝐕𝐚𝐫 ̂(𝒚𝒌 )] ⋅ ∑
𝒓𝒊 𝟑
𝒊=𝟏
Intervalos de confianza

̂ (𝒚𝒌 ) ± 𝒁𝒄𝒓í𝒕𝒊𝒄𝒐 ⋅ √𝐕𝐚𝐫

𝐕𝐞𝐫𝐬𝐢ó𝐧 𝐥𝐢𝐧𝐞𝐚𝐥 = 𝑯 ̂ [𝑯
̂ (𝒚𝒌 )]

̂ (𝒚𝒌 ) ⋅ 𝑼
𝐕𝐞𝐫𝐬𝐢ó𝐧 𝐥𝐨𝐠 − 𝐭𝐫𝐚𝐧𝐬𝐟𝐨𝐫𝐦𝐚𝐝𝐚 = 𝑯

̂ [𝑯
𝒁𝒄𝒓í𝒕𝒊𝒄𝒐 ⋅√𝐕𝐚𝐫 ̂ (𝒚𝒌 )]
± ̂ (𝒚𝒌 )
𝑼= 𝒆 𝑯

Para IC de las 𝑆̂(𝑦𝑘 ) sólo hay que exponenciar a la negativa los números obtenidos anteriormente.

Criterios de corrección de cola/tail (para 𝑦 ≥ 𝑦max )

Criterio de Efron

̂(𝒚) = 𝟎
𝑺

Criterio de Klein y Moeschberger

̂(𝒚𝒌 )
𝑺 𝒚𝐦𝐚𝐱 ≤ 𝒚 < 𝜸
̂(𝒚) = {
𝑺
𝟎 𝒚≥𝜸

𝛾: edad límite.

Criterio de Brown, Hollander y Korwar

𝒚
̂(𝒚) = [𝑺
𝑺 ̂(𝒚𝒌 )]𝒚𝐦𝐚𝐱

Método delta para aproximar varianzas

𝐕𝐚𝐫[𝒇(𝜽 ̂ )]𝟐 ⋅ 𝐕𝐚𝐫(𝜽

̂ )] ≈ [𝒇′ (𝜽 ̂)
 UNIDAD N° 13 – ESTIMACIÓN SEMIPARAMÉTRICA

1. Tenemos una población no homogénea, con distintas características.

2. La distribución de la variable de interés depende de ciertas características o del grupo al que
pertenezca la persona.

Modelo de tasas de riesgo proporcionales (Modelo de Cox)

𝑻 ⋅𝒁
𝒉(𝒕|𝒛) = 𝒉𝟎 (𝒕) ⋅ 𝒄(𝜷𝟏 𝒛𝟏 + 𝜷𝟐 𝒛𝟐 + ⋯ + 𝜷𝒑 𝒛𝒑 ) = 𝒉𝟎 (𝒕) ⋅ 𝒆𝜷

ℎ0 (𝑡): tasa de riesgo base al momento 𝑡.

𝑐(𝑦) = 𝑒 𝑦 : es una función que solamente toma valores positivos.

𝑇
𝛽 = (𝛽1 , 𝛽2 , … , 𝛽𝑝 ) : vector columna de coeficientes de regresión.

𝑇
𝑍 = (𝑧1 , 𝑧2 , … , 𝑧𝑝 ) : vector columna de las covariables. Las covariables (pueden ser tanto VAD como VAC)
se asocian a cada individuo y su valor define la característica de la persona y permiten distinguir a un
individuo del grupo base de otro que no pertenezca al mismo.

El objetivo es estimar ℎ0 (𝑡) y 𝛽.

Definición del grupo base (𝒄𝟎 = 𝟏)

Función de la tasa de riesgo al momento 𝑡:

𝒉𝟎 (𝒕)
Función de la tasa de riesgo base acumulada:
𝒕
𝑯𝟎 (𝒕) = ∫ 𝒉𝟎 (𝒔)𝒅𝒔
𝟎

Función de supervivencia base:

𝑺𝟎 (𝒕) = 𝒆−𝑯𝟎(𝒕)
Función de densidad de probabilidad base:
𝒇𝟎 (𝒕) = 𝑺𝟎 (𝒕) ⋅ 𝒉𝟎 (𝒕)

Definición de cualquier otro grupo 𝑗 (𝒄𝒋 = 𝒆𝜷𝟏𝒛𝟏+𝜷𝟐𝒛𝟐+⋯+𝜷𝒑𝒛𝒑 )

Función de la tasa de riesgo al momento 𝑡:

𝒉𝒋 (𝒕) = 𝒄𝒋 ⋅ 𝒉𝟎 (𝒕)
Función de la tasa de riesgo base acumulada:
𝑯𝒋 (𝒕) = 𝒄𝒋 ⋅ 𝑯𝟎 (𝒕)
Función de supervivencia base:
𝑺𝒋 (𝒕) = [𝑺𝟎 (𝒕)]𝒄𝒋
Función de densidad de probabilidad base:
𝒇𝒋 (𝒕) = [𝑺𝟎 (𝒕)]𝒄𝒋 ⋅ 𝒄𝒋 ⋅ 𝒉𝟎 (𝒕)
Escenario 1 (estimación paramétrica)

Se conoce la función de la tasa de riesgo base, la función de densidad base y la distribución a la que
pertenece la función de supervivencia base, pero desconocemos los coeficientes y los parámetros de la
distribución conocida, los cuales tenemos que estimar mediante un algún procedimiento visto en la unidad
de estimación paramétrica (preferentemente máxima verosimilitud).

Para ver fórmulas, aplica la unidad de estimación paramétrica.

Escenario 2 (estimación no paramétrica)

Se desconoce la distribución a la que pertenece la función de supervivencia base. Por lo tanto, es

necesario estimar en base a una muestra:

• 𝛽 mediante una función de máxima verosimilitud parcial.

• ℎ0 (𝑡) mediante una estimación análoga a Nelson Aalen utilizando los 𝑐𝑗 obtenidos a partir de la
estimación de 𝛽.

Función de máxima verosimilitud parcial

𝒄∗𝒋
𝓛=∏
∑𝒊∈𝑹(𝒚𝒋 ) 𝒄𝒊

𝑅(𝑦𝑗 ): representa el grupo de personas sujetas al riesgo en 𝑦𝑗 .

𝐽∗ : representa una observación no censurada en 𝑦𝑗 , luego la contribución del individuo 𝑗 ∗ a la función de

𝒄∗𝒋
verosimilitud es: ∑ 𝒄
.
𝒊∈𝑹(𝒚𝒋 ) 𝒊

Cuando dos personas fallecen al mismo tiempo hay que considerar las dos posibilidades; es decir, que A
muera primero y B después o que B lo haga primero y A después. Es posible utilizar la aproximación por
Breslow, que propone tomar cada observación 𝑠𝑗 en forma separada, pero en el denominador usar el
mismo grupo de riesgo 𝑅(𝑦𝑗 ) para todas las 𝑠𝑗 .

Tasa de riesgo base acumulada

𝒔𝒋
̂ 𝟎 (𝒕) = ∑
𝑯
∑𝒊∈𝑹(𝒚𝒋 ) 𝒄𝒊
𝒚𝒋 ≤ 𝒕

𝑠𝑗 : representa el número de observaciones no censuradas por el valor 𝑦𝑗 .

̂𝟎 (𝒕) = 𝒆−𝑯̂𝟎(𝒕)
𝑺
 UNIDAD N° 14 – EXPOSICIÓN

Armado de tabla para las exposiciones

𝒚𝒊 𝒛𝒊 𝒓𝒊 𝒔𝒊 𝒇𝒊 𝒕𝒊

𝑦𝑖 : edad a la que el individuo se lo comienza a observar.

𝒚𝒊 = 𝐌𝐀𝐗(𝐄𝐝𝐚𝐝 𝐚𝐥 𝐢𝐧𝐢𝐜𝐢𝐨 𝐝𝐞𝐥 𝐞𝐬𝐭𝐮𝐝𝐢𝐨 ; 𝐄𝐝𝐚𝐝 𝒙 𝐝𝐞𝐥 𝐢𝐧𝐭𝐞𝐫𝐯𝐚𝐥𝐨 𝐝𝐞 𝐢𝐧𝐭𝐞𝐫𝐞𝐬)

𝑧𝑖 : edad programada a la que el individuo se lo dejaría teóricamente de observar.

𝒛𝒊 = 𝐅𝐞𝐜𝐡𝐚 𝐩𝐫𝐨𝐠𝐫𝐚𝐦𝐚𝐝𝐚 𝐝𝐞 𝐞𝐠𝐫𝐞𝐬𝐨 − 𝐅𝐞𝐜𝐡𝐚 𝐝𝐞 𝐧𝐚𝐜𝐢𝐦𝐢𝐞𝐧𝐭𝐨

𝐅𝐞𝐜𝐡𝐚 𝐩𝐫𝐨𝐠𝐫𝐚𝐦𝐚𝐝𝐚 𝐝𝐞 𝐞𝐠𝐫𝐞𝐬𝐨 = 𝐌𝐈𝐍(𝐅𝐞𝐜𝐡𝐚 𝐚𝐥𝐜𝐚𝐧𝐳𝐚 𝒙 + 𝟏 ; 𝐅𝐞𝐜𝐡𝐚 𝐝𝐞 𝐜𝐞𝐧𝐬𝐮𝐫𝐚 ; 𝐅𝐞𝐜𝐡𝐚 𝐟𝐢𝐧 𝐝𝐞𝐥 𝐞𝐬𝐭𝐮𝐝𝐢𝐨)

𝑥 + 𝑟𝑖 : edad a la que el individuo se lo comienza a observar dentro del intervalo de edad de interés.

𝒓𝒊 = 𝒚𝒊 − 𝒙

𝑥 + 𝑠𝑖 : edad a la que el individuo se lo dejaría teóricamente de observar.

𝒔𝒊 = 𝒛𝒊 − 𝒙

Además, para cada individuo 𝑖 de la muestra que fallezca en el intervalo de estimación, se tendrá registro
de:

𝑓𝑖 = 𝑥 + 𝑡𝑖 : edad a la que el individuo fallece (dentro del intervalo de edad de interés)

Exposiciones
Estimación 𝒒(𝒙; 𝟎; 𝟏)
Método exposición programada

𝒅
̂(𝒙; 𝟎; 𝟏) =
𝒒
∑𝒏𝒊=𝟏(𝒔𝒊 − 𝒓𝒊 )

Método exposición actuarial

𝒅
̂(𝒙; 𝟎; 𝟏) =
𝒒
∑𝒏−𝒅
𝒊=𝟏 (𝒔𝒊 − 𝒓𝒊 ) + ∑𝒅𝒊=𝟏(𝟏 − 𝒓𝒊 )

Método exposición exacta

𝒅
̂=
𝝁
∑𝒏−𝒅
𝒊=𝟏 (𝒔𝒊 − 𝒓𝒊 ) + ∑𝒅𝒊=𝟏(𝒕𝒊 − 𝒓𝒊 )

̂(𝒙; 𝟎; 𝟏) = 𝟏 − 𝒆−𝝁̂
𝒒
 UNIDAD N° 15 – INTERPOLACIÓN Y AJUSTAMIENTO

Método de Whittaker

𝒏 𝒏−𝒛

𝑴(𝒗𝟏 ; 𝒗𝟐 ; … ; 𝒗𝒏 ) = ∑ 𝒘𝒙 ⋅ (𝒗𝒙 − 𝒖𝒙 )𝟐 + 𝒉 ⋅ ∑(𝚫𝒛 𝒗𝒙 )𝟐

𝒙=𝟏 𝒙=𝟏

𝑣𝑥 : Valores ajustados.

𝑢𝑥 : Valores observados.

𝑥 𝑛
𝑤𝑥 : Ponderadores. El más común: ̅̅̅̅
𝑛
.
𝑥

Δ𝑧 : Diferencial de orden 𝑧.

Expresión matricial y mínimo

𝑴 = (𝑽 − 𝑼)𝑻 𝑾(𝑽 − 𝑼) + 𝒉 ⋅ (𝒌𝒛 𝑽)𝑻 ⋅ (𝒌𝒛 𝑽)

−𝟏
𝑽 = [𝑾 + 𝒉 ⋅ (𝒌𝑻𝒛 𝒌𝒛 )] 𝑾𝑼 = 𝑪−𝟏 𝑾𝑼

𝑉: Vector de dimensión 𝑛 × 1, formado por los valores observados.

𝑈: Vector de dimensión 𝑛 × 1, formado por los valores ajustados.

𝑊: Matriz diagonal de dimensión 𝑛 × 𝑛, formado por los valores que toman los ponderadores.

𝑘𝑧 : Matriz de dimensión (𝑛 − 𝑧) × 𝑛, formado por los coeficientes correspondientes a Δ𝑧 elegido.

Método de mínimos cuadrados

𝑵 𝑵
𝒎𝒊𝒏 𝟐
𝑭 = ∑ 𝒘𝒙 ∙ (𝒖𝒙 − 𝒗𝒙 )𝟐 = ∑ 𝒘𝒙 ∙ (𝒖𝒙 − 𝒂 − 𝒃𝒙 − 𝒄𝒙𝟐 )
𝒂, 𝒃, 𝒄
𝒙=𝟏 𝒙=𝟏

𝑣𝑥 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 . Quiere decir que se adopta en forma directa una curva de ajuste polinomial (para este
ejemplo, se está suponiendo que 𝑢𝑥 y 𝑣𝑥 están bien representadas mediante un polinomio cuadrático.

̂ = [𝑿𝑻 𝑾𝑿]−𝟏 𝑿𝑻 𝑾𝑼
𝜷

𝑎
𝛽̂ = [𝑏]: Vector de los coeficientes de 𝑣𝑥 a minimizar.
𝑐

1 𝑥1 𝑥1 2
1 𝑥2 𝑥2 2
𝑋 = 1 𝑥3 𝑥3 2 : Matriz de dimensión 𝑁 × 3.
⋮ ⋮ ⋮
[1 𝑥𝑁 𝑥𝑁 2 ]

Tests de hipótesis de la bondad del ajuste

𝑶𝒙 : Defunciones observadas entre 2 edades.

𝑬𝒙 : Exposición inicial al riesgo.

Test Chi cuadrado (Test a una cola (derecha))

Test a una cola (derecha).

𝐻0 : La mortalidad observada se ajusta a la de la tabla estándar.

Estadístico de prueba:

𝒏
(𝑶𝒙 − 𝑬𝒙 ⋅ 𝒒𝒙 )𝟐
∑ ~ 𝝌𝟐𝒏
𝑬𝒙 ⋅ 𝒒𝒙 ⋅ 𝒑𝒙
𝒙=𝟏

𝐺𝐿 = 𝑛 − cantidad de parámetros a estimar.

Se rechaza 𝐻0 si el valor empírico es mayor al valor proveniente de la tabla estadística con un nivel de
significación de 𝛼 y los grados de libertad correspondientes.
Test de los desvíos estándares individuales (Test a una cola (derecha))

𝐻0 : La estandarización de la cantidad de personas que fallece es una variable 𝑁(0; 1).

Estadístico de prueba:

(𝐎𝐛𝐬𝐞𝐫𝐯𝐚𝐝𝐚𝐬 − 𝐄𝐬𝐩𝐞𝐫𝐚𝐝𝐚𝐬)𝟐
∑ ~ 𝝌𝟐𝒏−𝟏
𝐄𝐬𝐩𝐞𝐫𝐚𝐝𝐚𝐬

𝑛: Cantidad de intervalos utilizados.

Se rechaza 𝐻0 si el valor empírico es mayor al valor proveniente de la tabla estadística con un nivel de
significación de 𝛼 y los grados de libertad correspondientes.

Aclaración: en muestras grandes, el número esperado por intervalo no debe ser menor a 5. En muestras
chicas, se trabajan con no más de 3 o 4 intervalos (se puede manipular la cantidad de intervalos).

Test de los desvíos absolutos (Test a una cola (derecha))

𝐻0 : El número de desvíos absolutos excediendo 2⁄3 sigue una distribución binomial con 𝑛 =
Cantidad de edades y 𝑝 = 0,5.

Estadístico de prueba:

𝟐
𝐂𝐚𝐧𝐭𝐢𝐝𝐚𝐝 𝐝𝐞 𝐝𝐞𝐬𝐯í𝐨𝐬 𝐞𝐬𝐭𝐚𝐧𝐝𝐚𝐫𝐢𝐳𝐚𝐝𝐨𝐬 𝐚𝐛𝐬𝐨𝐥𝐮𝐭𝐨𝐬 > ~ 𝐁𝐢𝐧𝐨𝐦𝐢𝐚𝐥(𝒏 = 𝒏 ; 𝒑 = 𝟎, 𝟓)
𝟑

Se rechaza 𝐻0 si el valor empírico es mayor al valor proveniente de la tabla estadística con un nivel de
significación de 𝛼.
Test de desvíos acumulados (Test a 2 colas si se utiliza la aproximación normal)

𝐻0 : La mortalidad observada puede representarse por la tabla.

Estadístico de prueba:

|∑(𝑶𝒙 − 𝑬𝒙 ⋅ 𝒒𝒙 )|
𝒙=𝟏

Se rechaza 𝐻0 si:

𝒏 𝒏

|∑(𝑶𝒙 − 𝑬𝒙 ⋅ 𝒒𝒙 )| > 𝟐 ⋅ √∑ 𝑬𝒙 ⋅ 𝒒𝒙 ⋅ 𝒑𝒙
𝒙=𝟏 𝒙=𝟏

Test del signo (Test a 2 colas)

𝐻0 : Los signos de las desviaciones individuales son independientes.

Estadístico de prueba:

𝐂𝐚𝐧𝐭𝐢𝐝𝐚𝐝 𝐝𝐞 𝐝𝐞𝐬𝐯í𝐨𝐬 𝐞𝐬𝐭𝐚𝐧𝐝𝐚𝐫𝐢𝐳𝐚𝐝𝐨𝐬 > 𝟎 ~ 𝐁𝐢𝐧𝐨𝐦𝐢𝐚𝐥(𝒏 = 𝒏 ; 𝒑 = 𝟎, 𝟓)

Se rechaza 𝐻0 si la cantidad de desvíos estandarizados > 0 se encuentra en la cola inferior o superior de

la distribución binomial con un nivel de significación 𝛼.

Test de Stevens (Test a una cola (izquierda))

𝐻0 : Los signos de las desviaciones individuales son independientes.

Estadístico de prueba:

𝑔 𝑛 − 1 𝑛2 + 1
( 1 )( )
𝑃(𝑋 ≤ 𝑔) = ∑ 𝑡 − 𝑛1 + 𝑛 𝑡 ~ Hipergeométrica
𝑡=1 ( 1 𝑛 2)
1

𝑔: Cantidad de grupos de desvíos con signo positivo.

𝑛1 : Cantidad de desvíos estandarizados positivos.

𝑛2 : Cantidad de desvíos estandarizados negativos.

Se rechaza 𝐻0 si el valor de la probabilidad es menor a 𝛼, el nivel de significación.

Test binomial de cambio de signo (Test a una cola (izquierda))

𝐻0 : La cantidad de cambios de signos de las desviaciones estandarizadas sigue una distribución binomial
con 𝑛 = 𝑛 − 1 y 𝑝 = 0,5

Estadístico de prueba:

𝐂𝐚𝐧𝐭𝐢𝐝𝐚𝐝 𝐝𝐞 𝐜𝐚𝐦𝐛𝐢𝐨𝐬 𝐝𝐞 𝐬𝐢𝐠𝐧𝐨𝐬 𝐝𝐞 𝐥𝐚𝐬 𝐝𝐞𝐬𝐯𝐢𝐚𝐜𝐢𝐨𝐧𝐞𝐬 𝐞𝐬𝐭𝐚𝐧𝐝𝐚𝐫𝐢𝐳𝐚𝐝𝐚𝐬 ~ 𝐁𝐢𝐧𝐨𝐦𝐢𝐚𝐥(𝐧 = 𝐧 − 𝟏 ; 𝐩 = 𝟎, 𝟓)

Se rechaza 𝐻0 si la cantidad de cambios de signos de las desviaciones estandarizados se encuentra en la

cola inferior distribución binomial con un nivel de significación 𝛼.