Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen Segundo Parcial
Resumen Segundo Parcial
Se parte de un estado inicial y se egresa de él por 𝑚 causas de eliminación, que son mutuamente excluyentes y
absorbentes.
Variables aleatorias
Funciones estadísticas
Funciones conjuntas:
𝑓𝑇,𝐽 (𝑡, 𝑗): función de densidad de probabilidad conjunta. Probabilidad de que (𝑥) sea eliminada por la causa 𝑗 entre 𝑡
y 𝑡 + 𝑑𝑡.
𝑓𝑇,𝐽 (𝑡, 𝑗 )𝑑𝑡 = 𝑃[(𝑡 < 𝑇 ≤ 𝑡 + 𝑑𝑡) ∩ (𝐽 = 𝑗 )]
𝐹𝑇,𝐽 (𝑡, 𝑗): función de distribución acumulada conjunta. Probabilidad de que (𝑥) sea eliminada por la causa 𝑗 antes de
que transcurran 𝑡 años.
𝑡
𝐹𝑇,𝐽 (𝑡, 𝑗 ) = ∫ 𝑓𝑇,𝐽 (𝑠, 𝑗 ) 𝑑𝑠
0
Funciones marginales:
𝑓𝐽 (𝑗): función de densidad de probabilidad de 𝐽. Probabilidad de que (𝑥) sea eliminada por la causa 𝑗.
∞
𝑓𝐽 (𝑗 ) = 𝑃 (𝐽 = 𝑗 ) = ∫ 𝑓𝑇,𝐽 (𝑠, 𝑗 ) 𝑑𝑠
0
𝐹𝑇 (𝑡): función de distribución acumulada de 𝑇. Probabilidad de que (𝑥) sea eliminada antes de transcurridos 𝑡 años.
𝑡 𝑚
𝑆𝑇 (𝑡): función de supervivencia de 𝑇. Probabilidad de que (𝑥) sea eliminada después de que transcurran 𝑡 años.
𝑆𝑇 (𝑡) = 𝑃(𝑇 > 𝑡)
Funciones actuariales
𝑙 (𝑥; 𝑇) = ∑ 𝑙(𝑥; 𝑗)
𝑗=1
Personas que egresan de la población entre las edades 𝑥 y 𝑥 + 𝑡 debido a todas las causas:
𝑚 𝑚
Siendo 𝑑(𝑥; 0; 𝑡; 𝑗) el número de personas que egresan de la población entre las edades 𝑥 y 𝑥 + 𝑡 por la causa 𝑗.
Fuerza de decremento de todas las causas:
𝑑 𝑚
𝑑𝑥 𝑙 (𝑥; 𝑇) 𝑑
𝜇 (𝑥; 𝑇) = − = − ln 𝑙 (𝑥; 𝑇) = ∑ 𝜇(𝑥; 𝑗)
𝑙 (𝑥; 𝑇) 𝑑𝑥
𝑗=1
Es la función de densidad de probabilidad condicional de ser eliminado por alguna de las causas que intervienen en
el modelo a la edad exacta 𝑥. La condición es no haber sido eliminado hasta esa misma edad.
𝑑 𝑑
𝑝(𝑥; 𝑡; 𝑇) 𝑙(𝑥 + 𝑡; 𝑇)
𝜇(𝑥 + 𝑡; 𝑇) = − 𝑑𝑡 =− 𝑑𝑡
𝑝(𝑥; 𝑡; 𝑇) 𝑙(𝑥 + 𝑡; 𝑇)
Es la función de densidad de probabilidad condicional de ser eliminado por alguna de las causas que intervienen en
el modelo entre 𝑥 + 𝑡 y 𝑥 + 𝑡 + 𝑑𝑡. La condición es estar en la edad 𝑥 + 𝑡 sin haber sido eliminado antes.
Probabilidad de que (𝑥) permanezca en el grupo al menos 𝑡 años, habiendo sobrevivido a las 𝑚 causas de
eliminación.
𝑚
𝑙 (𝑥 + 𝑡; 𝑇) 𝑑(𝑥; 0; 𝑡; 𝑇) 𝑡
𝑝(𝑥; 𝑡; 𝑇) = =1− = 𝑒 − ∫0 𝜇(𝑥+𝑠;𝑇)𝑑𝑠 = ∏ 𝑝′(𝑥; 𝑡; 𝑗)
𝑙 (𝑥; 𝑇) 𝑙(𝑥; 𝑇)
𝑗=1
Probabilidad de que (𝑥) sea eliminado del grupo sin importar la causa antes de 𝑡 años.
𝑚 𝑚 𝑡
𝑑(𝑥; 0; 𝑡; 𝑇) ∑𝑗=1 𝑑(𝑥; 0; 𝑡; 𝑗)
𝑞(𝑥; 0; 𝑡; 𝑇) = = = ∑ 𝑞(𝑥; 0; 𝑡; 𝑗) = ∫ 𝑝(𝑥; 𝑠; 𝑇) ∙ 𝜇 (𝑥 + 𝑠; 𝑇) 𝑑𝑠 = 1 − 𝑝(𝑥; 𝑡; 𝑇)
𝑙 (𝑥; 𝑇) 𝑙(𝑥; 𝑇) 0
𝑖=1
Probabilidad de que (𝑥) sea eliminada del grupo dentro de 𝑡 años por la causa 𝑗.
𝑑(𝑥; 0; 𝑡; 𝑗 )
𝑞 (𝑥; 0; 𝑡; 𝑗 ) =
𝑙 (𝑥; 𝑇)
Probabilidad de decremento diferida de la causa 𝑗:
Probabilidad de que (𝑥) sea eliminada del grupo entre las edades 𝑥 + 𝑚 y 𝑥 + 𝑚 + 𝑛 por la causa 𝑗.
𝑑 (𝑥; 𝑚; 𝑛; 𝑗 )
𝑞(𝑥; 𝑚; 𝑛; 𝑗 ) = = 𝑞(𝑥; 0; 𝑚 + 𝑛; 𝑗 ) − 𝑞(𝑥; 0; 𝑚; 𝑗 ) = 𝑝(𝑥; 𝑚; 𝑇) ∙ 𝑞(𝑥 + 𝑚; 0; 𝑛; 𝑗)
𝑙 (𝑥; 𝑇)
Lo contrario de ser eliminado por la causa 𝑗 es no ser eliminado por ninguna causa o ser eliminado por alguna de las
otras causas. Es decir, 𝑝(𝑥; 𝑚; 𝑗 ) ≠ 1 − 𝑞(𝑥; 0; 𝑚; 𝑗), por lo que 𝑝(𝑥; 𝑚; 𝑗) va a quedar indefinido.
Si tuviésemos 2 causas, muerte por accidentes y muerte por causas naturales, en la TDM ambas probabilidades
están afectadas por la otra causa. Tendría menos fallecidos por causas naturales porque hay personas que, habiendo
fallecido por accidente, no alcanzan a fallecer por causas naturales.
Entonces, si quitásemos alguna de las causas, la probabilidad de fallecer por la otra aumentaría, ya que el grupo de
personas que hubiera fallecido por la causa eliminada todavía pueden fallecer por la otra causa. Las probabilidades
son dependientes.
En consecuencia:
𝑞′ (𝑥; 0; 𝑡; 𝑗 ) ≥ 𝑞(𝑥; 0; 𝑡; 𝑗)
Podemos definir una tabla de decremento único que muestre el comportamiento de un egreso en particular y que
sea independiente de los otros.
Cada tabla representa entonces a un grupo de personas que se reduce continuamente por un solo decremento.
Suponemos que la fuerza de decremento TDUA y la del modelo de decremento múltiple coinciden. Es decir:
𝜇′ (𝑥 + 𝑡; 𝑗 ) = 𝜇(𝑥 + 𝑡; 𝑗)
Promedio de las fuerzas de decremento de todas las causas, ponderado por la población que no fue eliminada por
ninguna causa en cada una de las edades que consideramos.
𝑡
∫0 𝑝(𝑥; 𝑠; 𝑇) ∙ 𝜇(𝑥 + 𝑠; 𝑇) 𝑑𝑠
𝑚(𝑥; 0; 𝑡; 𝑇) = 𝑡
∫0 𝑝(𝑥; 𝑠; 𝑇) 𝑑𝑠
Por la causa 𝑗:
Tasa central dependiente, que representa un promedio ponderado de las fuerzas de decremento de la causa 𝑗.
𝑡
∫0 𝑝(𝑥; 𝑠; 𝑇) ∙ 𝜇(𝑥 + 𝑠; 𝑗 ) 𝑑𝑠
𝑚(𝑥; 0; 𝑡; 𝑗 ) = 𝑡
∫0 𝑝(𝑥; 𝑠; 𝑇) 𝑑𝑠
Tasa central independiente. La ponderación es por la población que está sujeta a una única causa de eliminación.
𝑡
∫0 𝑝(𝑥; 𝑠; 𝑇) ∙ 𝜇(𝑥 + 𝑠; 𝑗 ) 𝑑𝑠
𝑚′(𝑥; 0; 𝑡; 𝑗) = 𝑡
∫0 𝑝′ (𝑥; 𝑠; 𝑗 ) 𝑑𝑠
Relaciones entre expresiones estadísticas y actuariales
𝑓𝐽 (𝑗 ) = 𝑞(𝑥; 0; ∞; 𝑗 )
𝑓𝑇 (𝑡) = 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇 (𝑥 + 𝑡; 𝑇)
𝐹𝑇 (𝑡) = 𝑞(𝑥; 0; 𝑡; 𝑇)
𝜇(𝑥 + 𝑡; 𝑗)
𝑓𝐽/𝑇 (𝑗/𝑡) =
𝜇(𝑥 + 𝑡; 𝑇)
Dada la tabla de decremento múltiple cómo construyo la tabla de decremento único y viceversa.
𝑞(𝑥; 0; 𝑡; 𝑇) = 1 − 𝑝(𝑥; 𝑡; 𝑇)
Sabiendo que:
𝑚
𝑝(𝑥; 𝑡; 𝑇) = ∏ 𝑝′(𝑥; 𝑡; 𝑗)
𝑗=1
Entonces:
𝑞(𝑥; 0; 𝑛; 𝑇) = 𝑞′ (1) + 𝑞′ (2) + 𝑞′ (3) − [𝑞′ (1) ∙ 𝑞′ (2) + 𝑞′ (1) ∙ 𝑞′ (3) + 𝑞′ (2) ∙ 𝑞′ (3)] + 𝑞′(1) ∙ 𝑞′(2) ∙ 𝑞′(3)
𝜇 (𝑥 + 𝑡; 𝑗 ) = 𝜇(𝑥; 𝑗)
Probabilidad dependiente de ser eliminado por alguna de las causas entre las edades 𝑥 y 𝑥 + 1:
𝑞(𝑥; 0; 𝑡; 𝑇) = 𝑡 ∙ 𝑞(𝑥; 0; 1; 𝑇)
La relación es la misma que la obtenida con el otro supuesto. La diferencia es cómo se calcula la probabilidad de
supervivencia, ya que en este caso la fuerza de decremento no es constante: cuando 𝑡 = 1, el resultado de la
probabilidad independiente será el mismo y si no, puede diferir.
Relaciones generales:
𝜇 (𝑥 + 𝑡; 𝑗 ) 𝑞 (𝑥; 0; 1; 𝑗 ) 𝑞(𝑥; 0; 𝑡; 𝑗 ) 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 𝑗)
= = =
𝜇 (𝑥 + 𝑡; 𝑇) 𝑞(𝑥; 0; 1; 𝑇) 𝑞(𝑥; 0; 𝑡; 𝑇) 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 𝑇)
Por ejemplo, para la causa 1 entre las edades 𝑥 y 𝑥 + 1, esta relación surge de:
1
𝑞(𝑥; 0; 1; 1) = ∫ 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 1) 𝑑𝑡
0
1
𝑞(𝑥; 0; 1; 1) = ∫ 𝑝′ (𝑥; 𝑡; 1) ∙ 𝑝′ (𝑥; 𝑡; 2) ∙ 𝜇 (𝑥 + 𝑡; 1) 𝑑𝑡
0
1
𝑞(𝑥; 0; 1; 1) = 𝑞′ (𝑥; 0; 1; 1) ∙ ∫ 𝑝 ′ (𝑥; 𝑡; 2) 𝑑𝑡
0
1
𝑞(𝑥; 0; 1; 1) = 𝑞′(𝑥; 0; 1; 1) ∙ ∫ [1 − 𝑡 ∙ 𝑞′ (𝑥; 0; 1; 2)] 𝑑𝑡
0
1
𝑞(𝑥; 0; 1; 1) = 𝑞′ (𝑥; 0; 1; 1) ∙ [1 − ∙ 𝑞′ (𝑥; 0; 1; 2)]
2
El procedimiento es análogo para la causa 2.
Probabilidad de ser eliminado por alguna causa entre las edades 𝑥 y 𝑥 + 1, con 𝑚 = 2:
𝑞(𝑥; 0; 1; 𝑇) = 𝑞′ (𝑥; 0; 1; 1) + 𝑞′ (𝑥; 0; 1; 2) − 𝑞′(𝑥; 0; 1; 2) ∙ 𝑞′(𝑥; 0; 1; 1)
Probabilidades dependientes de ser eliminado por la causa 𝑗 entre las edades 𝑥 y 𝑥 + 1, con 𝑚 = 3:
𝑞′ (𝑥; 0; 1; 2) + 𝑞′ (𝑥; 0; 1; 3) 1 ′
𝑞(𝑥; 0; 1; 1) = 𝑞′ (𝑥; 0; 1; 1) ∙ [1 − + ∙ 𝑞 (𝑥; 0; 1; 2) ∙ 𝑞′ (𝑥; 0; 1; 3)]
2 3
𝑞′ (𝑥; 0; 1; 1) + 𝑞′ (𝑥; 0; 1; 3) 1 ′
𝑞(𝑥; 0; 1; 2) = 𝑞′ (𝑥; 0; 1; 2) ∙ [1 − + ∙ 𝑞 (𝑥; 0; 1; 1) ∙ 𝑞′ (𝑥; 0; 1; 3)]
2 3
𝑞′ (𝑥; 0; 1; 1) + 𝑞′ (𝑥; 0; 1; 2) 1 ′
𝑞(𝑥; 0; 1; 3) = 𝑞′ (𝑥; 0; 1; 3) ∙ [1 − + ∙ 𝑞 (𝑥; 0; 1; 1) ∙ 𝑞′ (𝑥; 0; 1; 2)]
2 3
Probabilidad de ser eliminado por alguna causa entre las edades 𝑥 y 𝑥 + 1, con 𝑚 = 3:
𝑞(𝑥; 0; 1; 𝑇) = 𝑞′ (1) + 𝑞′ (2) + 𝑞′ (3) − 𝑞′ (1) ∙ 𝑞′ (2) − 𝑞′ (1) ∙ 𝑞′ (3) − 𝑞′ (2) ∙ 𝑞′ (3) + 𝑞′(1) ∙ 𝑞′(2) ∙ 𝑞′(3)
Dos causas: la causa discreta actúa en un único momento del tiempo y la continua se supone DUE en TDUA:
La causa discreta no actúa hasta cierto momento 𝑎, donde lo hace de forma instantánea.
Suponiendo que la causa 1 es discreta, la cual actúa entonces en la edad 𝑥 + 𝑎, sabemos que:
1 𝑡<𝑎
𝑝′ (𝑥; 𝑡; 1) = {
𝑝′(𝑥; 1; 1) 𝑡≥𝑎
Probabilidad dependiente de eliminación por la causa 1 discreta:
Son los eliminados en 𝑥 + 𝑎 por la causa discreta multiplicados por los que sobrevivieron a la causa continua hasta
esa edad.
Probabilidad dependiente de eliminación por la causa 2 continua bajo DUE:
Son los eliminados por la causa continua hasta 𝑥 + 𝑎, más los eliminados por esta misma causa entre 𝑥 + 𝑎 y 𝑥 + 1,
multiplicados por los sobrevivientes de la causa discreta.
Dos causas: la causa discreta actúa en dos momentos del tiempo y la causa continua se supone DUE en TDUA:
Tres causas: la causa discreta actúa en un momento del tiempo y las causas continuas se suponen DUE en TDUA:
𝑇𝑥𝑦 = min(𝑇𝑥 , 𝑇𝑦 ) = 𝑇𝑥 ∧ 𝑇𝑦
Función de supervivencia
Asumiendo independencia:
𝑡 𝑝𝑥𝑦 = 𝑡 𝑝𝑥 ⋅ 𝑡 𝑝𝑦
Esto podría suceder si fallece (𝑥), si fallece (𝑦) o si fallecen ambos. Esta probabilidad contempla las 3 situaciones, no
importa cuál sucede.
Asumiendo independencia:
𝑡 𝑞𝑥𝑦 = 1 − 𝑡 𝑝𝑥 ⋅ 𝑡 𝑝𝑦 = 𝑡 𝑞𝑥 ⋅ 𝑡 𝑝𝑦 + 𝑡 𝑞𝑦 ⋅ 𝑡 𝑝𝑥 + 𝑡 𝑞𝑥 ⋅ 𝑡 𝑞𝑦
𝑡 𝑞𝑥 ∙ 𝑡 𝑝𝑦 + 𝑡 𝑞𝑦 ∙ 𝑡 𝑝𝑥
Si 𝑇𝑥 y 𝑇𝑦 son independientes y son DUE en cada año de edad, para 0 < 𝑡 < 1:
𝑡 𝑞𝑥𝑦 = 𝑡 ∙ 𝑞𝑥 ∙ (1 − 𝑡 ∙ 𝑞𝑦 ) + 𝑡 ∙ 𝑞𝑦 ∙ (1 − 𝑡 ∙ 𝑞𝑥 ) + 𝑡 2 ∙ 𝑞𝑥 ∙ 𝑞𝑦
Corresponde al evento de que el primer fallecimiento ocurra exactamente luego de 𝑡 años, por lo que está
condicionado a que (𝑥) e (𝑦) alcancen con vida 𝑡 y luego alguno de los dos fallezca.
𝑑 𝑑
𝑓𝑥𝑦 (𝑡) = 𝐹𝑥𝑦 (𝑡) = − 𝑆𝑥𝑦 (𝑡) = 𝑡 𝑝𝑥𝑦 ∙ 𝜇𝑥𝑦 (𝑥)
𝑑𝑡 𝑑𝑡
Probabilidad diferida
Asumiendo independencia:
𝑛/𝑞𝑥𝑦 = 𝑛𝑝𝑥 ∙ 𝑛𝑝𝑦 − 𝑛+1𝑝𝑥 ∙ 𝑛+1𝑝𝑦
Probabilidad diferida
Asumiendo independencia:
𝑛/𝑞𝑥𝑦 = 𝑛𝑝𝑥 ∙ 𝑛𝑝𝑦 − 𝑛+1𝑝𝑥 ∙ 𝑛+1𝑝𝑦
Momentos de 𝑻 y 𝑲
Número esperado de años a vivir por (𝑥) e (𝑦) hasta el primer fallecimiento:
∞
𝑒𝑐(𝑥𝑦; 0; ∞) = 𝐸[𝑇𝑥𝑦 ] = ∫ 𝑡 𝑝𝑥𝑦 𝑑𝑡
0
𝑒(𝑥𝑦; 0; ∞) = ∑ 𝑘𝑝𝑥𝑦
𝑘=1
Esperanza de vida abreviada y temporal:
𝑛
𝑒(𝑥𝑦; 0; 𝑛) = ∑ 𝑘𝑝𝑥𝑦
𝑘=1
Último Sobreviviente
El estado se extingue con el último fallecimiento
𝑇𝑥𝑦
̅̅̅̅ : tiempo hasta el segundo fallecimiento y única variable aleatoria
̅̅̅̅ = max(𝑇𝑥 , 𝑇𝑦 ) = 𝑇𝑥 ∨ 𝑇𝑦
𝑇𝑥𝑦
𝐹𝑥𝑦
̅̅̅̅ = 𝑃(𝑇𝑥𝑦
̅̅̅̅ ≤ 𝑡) = 𝑡 𝑞𝑥𝑦
̅̅̅̅ = 𝐹𝑇𝑥 ,𝑇𝑦 (𝑡, 𝑡)
Suponiendo independencia:
Función de supervivencia
Suponiendo independencia:
𝑡 𝑝𝑥𝑦
̅̅̅̅ = 𝑡 𝑝𝑥 + 𝑡 𝑝𝑦 − 𝑡 𝑝𝑥 ∙ 𝑡 𝑝𝑦
Función de densidad de probabilidad
𝑑
̅̅̅̅ (𝑡) = −
𝑓𝑥𝑦 𝑆̅̅̅̅ (𝑡) = 𝑡 𝑝𝑥 ∙ 𝜇𝑥 (𝑡) + 𝑡 𝑝𝑦 ∙ 𝜇𝑦 (𝑡) − 𝑡 𝑝𝑥𝑦 ∙ 𝜇𝑥𝑦 (𝑡)
𝑑𝑡 𝑥𝑦
Suponiendo independencia:
Es un promedio ponderado de las tasas instantáneas, donde la densidad de probabilidad de que los dos
fallecimientos se produzcan exactamente a la edad 𝑥 + 𝑡 es igual a cero.
Suponiendo independencia:
𝑡 𝑞𝑦 ∙ 𝑡 𝑝𝑥 ∙ 𝜇𝑥 (𝑡) + 𝑡 𝑞𝑥 ∙ 𝑡 𝑝𝑦 ∙ 𝜇𝑦 (𝑡)
̅̅̅̅ (𝑡) =
𝜇𝑥𝑦
𝑡 𝑝𝑥 + 𝑡 𝑝𝑦 − 𝑡 𝑝𝑥 ∙ 𝑡 𝑝𝑦
Probabilidad diferida
Probabilidad de que el estado del último sobreviviente se extinga entre 𝑥 + 𝑚 y 𝑥 + 𝑚 + 𝑛 años. Al menos una
persona debe sobrevivir 𝑚 años pero ninguna 𝑚 + 𝑛 años.
𝑚/𝑛 𝑞𝑥𝑦
̅̅̅̅ = 𝑚 𝑝𝑥𝑦
̅̅̅̅ − 𝑚+𝑛 𝑝𝑥𝑦
̅̅̅̅ = 𝑚+𝑛𝑞𝑥𝑦
̅̅̅̅ − 𝑚𝑞𝑥𝑦
̅̅̅̅
Suponiendo independencia:
𝑚/𝑛𝑞𝑥𝑦
̅̅̅̅ = 𝑚 𝑝𝑥 ∙ 𝑛𝑞𝑥+𝑚 + 𝑚𝑝𝑦 ∙ 𝑛𝑞𝑦+𝑚 − 𝑚𝑝𝑥 ∙ 𝑚𝑝𝑦 ∙ ( 𝑛𝑞𝑥+𝑚 + 𝑛𝑞𝑦+𝑚 − 𝑛𝑞𝑥+𝑚 ∙ 𝑛𝑞𝑦+𝑚 )
𝑚/𝑛𝑞𝑥𝑦
̅̅̅̅ ≠ 𝑚 𝑝𝑥𝑦
̅̅̅̅ ∙ 𝑛𝑞̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
(𝑥+𝑚:𝑦+𝑚)
Vida media
∞
𝑒𝑐(𝑥𝑦
̅̅̅; 0; ∞) = 𝐸[𝑇𝑥𝑦
̅̅̅̅ ] = ∫ 𝑡 𝑝𝑥𝑦
̅̅̅̅ 𝑑𝑡
0
Suponiendo independencia:
𝑒𝑐(𝑥𝑦
̅̅̅; 0; ∞) = 𝑒𝑐(𝑥; 0; ∞) + 𝑒𝑐(𝑦; 0; ∞) − 𝑒𝑐(𝑥𝑦; 0; ∞)
̅̅̅̅̅)
Relaciones entre 𝑻(𝒙; 𝒚) y 𝑻(𝒙; 𝒚
𝑇𝑥𝑦 ∙ 𝑇𝑥𝑦
̅̅̅̅ = 𝑇𝑥 ∙ 𝑇𝑦
𝑇𝑥𝑦 + 𝑇𝑥𝑦
̅̅̅̅ = 𝑇𝑥 + 𝑇𝑦
Probabilidad total:
𝑡 𝑝𝑥𝑦 + 𝑡 𝑝𝑥𝑦
̅̅̅̅ = 𝑡 𝑝𝑥 + 𝑡 𝑝𝑦
𝑡 𝑞𝑥𝑦 + 𝑡 𝑞𝑥𝑦
̅̅̅̅ = 𝑡 𝑞𝑥 + 𝑡 𝑞𝑦
Funciones de densidad:
Suponiendo independencia:
𝐶𝑜𝑣(𝑇𝑥 , 𝑇𝑦 ) = 0
̅̅̅̅̅)
Varianza entre 𝑻(𝒙; 𝒚) y 𝑻(𝒙; 𝒚
Supuesto de independencia
Las intensidades de transición de los estados 0 a 1 y 2 a 3, que representan el fallecimiento de (𝑦), son
idénticas y dependen de la edad de (𝑦) y son independientes de la edad o la supervivencia de (𝑥). Lo mismo
sucede para (𝑥) pero de manera inversa
𝑃[𝑇𝑥 > 𝑠 ∧ 𝑇𝑦 > 𝑡] = 𝑃[𝑇𝑥 > 𝑠] ∙ 𝑃[𝑇𝑦 > 𝑡] = 𝑠𝑝𝑥 ∙ 𝑠𝑝𝑦 𝑐𝑜𝑛 𝑠 ≤ 𝑡
Probabilidades
Tener en cuenta las intensidades de transición para cada una de las parejas y a qué estados puede pasar cada una.
Probabilidad de que (𝑥) fallezca dentro de 𝑡 años y que (𝑦) ya haya fallecido cuando lo haga (𝑥)
𝑡
2 𝑚
𝑡 𝑞𝑥𝑦 = ∫ 𝑠 𝑝𝑥 ∙ 𝜇𝑥+𝑠 ∙ (1 − 𝑠𝑝𝑦 ) 𝑑𝑠
0
𝑡 𝑝𝑥𝑦
̅̅̅̅ = 𝑡 𝑝𝑥 + 𝑡 𝑝𝑦 − 𝑡 𝑝𝑥 ∙ 𝑡 𝑝𝑦
Probabilidad de que (𝑥) fallezca entro de 𝑡 años y que (𝑦) se encuentre con vida cuando lo haga (𝑥):
𝑡
1 00 𝑚
𝑡 𝑞𝑥𝑦 = ∫ 𝑠 𝑝𝑥𝑦 ∙ 𝜇𝑥+𝑠 𝑑𝑠
0
Modelo de Estados Múltiples para tiempos de vida futuros dependientes
La fuerza de mortalidad de cada persona depende de si su pareja está con vida
Si un integrante fallece, la fuerza de mortalidad depende solo de la edad y el estado del sobreviviente
Probabilidades
Probabilidad de que muera (𝑦) antes de 𝑡 años y que (𝑥) siga con vida a los 𝑡 años:
𝑡
01 00 01 11
𝑡 𝑝𝑥𝑦 = ∫ 𝑠 𝑝𝑥𝑦 ∙ 𝜇𝑥+𝑠:𝑦+𝑠 ∙ 𝑡−𝑠 𝑝𝑥+𝑠 𝑑𝑠
0
Probabilidad de que (𝑥) fallezca dentro de 𝑡 años y de que (𝑦) se encuentre con vida al momento del
fallecimiento de (𝑥):
𝑡
1 00 02
𝑡 𝑞𝑥𝑦 =∫ 𝑠 𝑝𝑥𝑦 ∙ 𝜇𝑥+𝑠:𝑦+𝑠 𝑑𝑠
0
Probabilidad de que (𝑥) fallezca dentro de 𝑡 años y de que (𝑦) haya fallecido cuando (𝑥) fallezca, pero que
ambos estén con vida al momento 0:
𝑡
2 01
𝑡 𝑞𝑥𝑦 = ∫ 𝑠 𝑝𝑥𝑦 ∙ 𝜇13
𝑥+𝑠 𝑑𝑠
0
Probabilidad de que (𝑥) fallezca antes de 𝑥 + 𝑡, dado que tanto (𝑥) como (𝑦) están vivos en el momento 0:
𝑡 𝑡 𝑠
00 02 00 01 11
∫ 𝑠 𝑝𝑥𝑦 ∙ 𝜇𝑥+𝑠:𝑦+𝑠 𝑑𝑠 + ∫ ∫ 𝑢𝑝𝑥𝑦 ∙ 𝜇𝑥+𝑢:𝑦+𝑢 ∙ 𝑠−𝑢𝑝𝑥+𝑢 𝑑𝑢 ∙ 𝜇13
𝑥+𝑠 𝑑𝑠
0 0 0
Ahora también se puede pasar del estado 0 al 3 de manera directa, caso en donde ambos mueren simultáneamente.
Por lo tanto, habrá que agregar esta nueva intensidad de transición:
𝑡 01 02 03
00
𝑡 𝑝𝑥𝑦 = 𝑒 − ∫0 (𝜇𝑥+𝑠:𝑦+𝑠 + 𝜇𝑥+𝑠:𝑦+𝑠 + 𝜇𝑥+𝑠:𝑦+𝑠 ) 𝑑𝑠
Censura por la derecha aleatoria: la persona sale del grupo de interés por alguna razón (por ejemplo, se estudia la
mortalidad en Buenos Aires y se muda a otra provincia) y deja de brindar información.
Censura por la derecha tipo II: se establece un número de personas fallecidas a partir del cual dejo de observar a
todos. No hay fecha fija de censura porque depende de cuándo se alcancen los fallecimientos establecidos.
Censura por la derecha no informativa: las variables aleatorias son independientes. Por ejemplo, una muestra con
grupos de asegurados cuyo tiempo que transcurre hasta el fallecimiento y el que transcurre hasta que renuncian a
las pólizas son independientes. Sería dependiente si no renuncian a la póliza porque están en malas condiciones de
salud.
Censura por intervalo: se observa, por ejemplo, cada un mes. No se sabe exactamente el momento de una muerte,
solo se sabe que transcurrió en algún punto entre un mes y el otro.
Censura por izquierda: el evento de interés se produce antes del inicio del estudio pero no se sabe cuándo.
Truncamiento por izquierda: ingreso tardío a la muestra. Ejemplo: tiempo después de la caída de una bomba
atómica, se hace un estudio de mortalidad sobre las personas afectadas por la radioactividad. Se está condicionando
a que las personas observadas estén vivas desde que cayeron las bombas hasta que se inicia el estudio y hay
personas que no se observan porque ya murieron.
Truncamiento informativo: la mortalidad de personas de una muestra es diferente a la mortalidad de las personas
que no están en la muestra.
Truncamiento por la derecha: se hace un estudio retrospectivo sobre aquellas personas que sufrieron el evento que
me interesa. Por ejemplo, se analiza la mortalidad pero a partir de personas ya fallecidas, por lo que la falta de
información vendrá de las personas que todavía no murieron.
𝑦𝑘 : momento en que se produce el fallecimiento. Indica no el número de la persona sino el orden de la información.
𝑦0: valor mínimo posible para una observación, asumiendo 𝑦0 < 𝑦1 . Frecuentemente, 𝑦0 = 0.
𝑦𝑚𝑎𝑥 : el mayor de los datos observados. 𝑦𝑚𝑎𝑥 ≥ 𝑦𝑘 .
𝑢: momento exacto de censura. No es necesario conocerlo, solo se necesita el número de observaciones censuradas
entre dos valores consecutivos de 𝑦.
𝑏𝑗 : número de observaciones censuradas por derecha en el intervalo [𝑦𝑗 , 𝑦𝑗+1 ). Si una observación se censura en 𝑦𝑗 ,
la observación se censura en 𝑦𝑗 + 0, es decir, inmediatamente después del fallecimiento.
𝑆(𝑦): probabilidad de sobrevivir hasta esa fecha, que viene dada por la distribución acumulada.
Donde 𝑖/𝑦𝑖 > 𝑦 significa sumar o multiplicar sobre todos los valores de 𝑖 donde 𝑦𝑖 > 𝑦.
𝑝(𝑦𝑗 )
ℎ(𝑦𝑗 ) = 𝑃(𝑌 = 𝑦𝑗 / 𝑌 ≥ 𝑦𝑗 ) = 𝑗 = 1, 2, … , 𝑘
𝑆(𝑦𝑗−1 )
Por lo que:
De aquí:
𝑆(𝑦𝑗 )
1 − ℎ(𝑦𝑗 ) =
𝑆(𝑦𝑗−1 )
Simbolizaremos:
ℎ(𝑦𝑗 ) = 𝜆𝑗
Si se considera este parámetro como desconocido, se puede estimar mediante la función de máxima verosimilitud.
Para los datos con los que se cuenta, cada 𝑠𝑗 contribuye 𝑝(𝑦𝑗 ) a la función de verosimilitud, donde:
𝑗−1
𝑝(𝑦𝑗 ) = 𝜆𝑗 ∙ ∏(1 − 𝜆𝑖 )
𝑖=1
La contribución de cada dato no censurado, integrante de 𝑏𝑗 , a la función de verosimilitud está dada por:
𝑗
𝑆(𝑦𝑗 ) = ∏(1 − 𝜆𝑖 )
𝑖=1
La función de verosimilitud es igual al producto de todas las contribuciones, asumiendo independencia de los datos
puntuales, es decir:
𝑘
𝑠𝑗 𝑏𝑗
𝐿 (𝜆1 , 𝜆2 , … , 𝜆𝑘 ) = ∏ [(𝑝(𝑦𝑗 )) ∙ (𝑆(𝑦𝑗 )) ]
𝑗=1
𝑗−1 𝑠𝑗 𝑗−1 𝑏𝑗
𝑘 𝑘
𝑘
𝑠 𝑟𝑗 −𝑠𝑗
𝐿 (𝜆1 , 𝜆2 , … , 𝜆𝑘 ) = ∏ 𝜆𝑗 𝑗 ∙ (1 − 𝜆𝑗 )
𝑗=1
Correcciones de cola
Efron: asume que desde el último fallecimieno en adelante, la probabilidad de sobrevivir es cero.
𝑆𝑛 (𝑦) = 0, 𝑦 ≥ 𝑦𝑚𝑎𝑥
Klein y Moeschberger: se elige un valor 𝛾 para el cual, para edades mayores a él, la probabilidad de sobrevivir es
cero.
𝑆𝑛 (𝑦𝑘 ) 𝑦𝑘 ≤ 𝑦 < 𝛾
𝑆𝑛 (𝑦) = { 𝑦≥𝛾
0
Brown, Hollander y Korwar: proponen una corrección exponencial, asumiendo que 𝑆𝑛 (𝑦) = 𝑒 −𝛽𝑦 para 𝑦 ≥ 𝑦𝑚𝑎𝑥 .
Cuando 𝑦 ≥ 𝑦𝑚𝑎𝑥 , al ser la estimación una función con asíntota en cero, siempre 𝑆̂𝑛 (𝑦𝑘 ) > 0, por lo que siempre se
necesitará una corrección de cola.
Método delta:
Dado un estimador 𝜃, permite obtener una aproximación de la varianza de una función de dicho estimador.
Fórmula conocida como aproximación de Greenwood a la varianza de 𝑆𝑛 (𝑦) de Kaplan – Meier. Si no existe censura,
para 𝑦𝑗 ≤ 𝑦 < 𝑦𝑗+1 :
𝑆𝑛 (𝑦) ∙ [1 − 𝑆𝑛 (𝑦)]
̂ [𝑆𝑛 (𝑦)] =
𝑉𝑎𝑟
𝑛
Estimación de Klein para Nelson – Aalen
𝑠𝑖 ∙ (𝑟𝑖 − 𝑠𝑖 )
̂ [𝐻(𝑦)] = 𝑉𝑎𝑟
𝑉𝑎𝑟 ̂ [ ∑ 𝜆𝑖 ] = ∑
𝑟𝑖3
𝑖 / 𝑦𝑖≤𝑦 𝑖 / 𝑦𝑖≤𝑦
Intervalos de confianza
Lineal
[ ]
Log – transformado para Nelson – Aalen:
√𝑉𝑎𝑟[𝐻𝑛(𝑦)] √𝑉𝑎𝑟[𝐻𝑛(𝑦)]
−𝑍1−𝛼 ∙ 𝑍1−𝛼∙
𝐼𝐶: [𝐻𝑛 (𝑦) ∙ 𝑒 𝐻𝑛(𝑦) ; 𝐻𝑛 (𝑦) ∙ 𝑒 𝐻𝑛(𝑦) ] = (1 − 𝛼 )%
La media satisface:
∞
a𝜇 = ∫0 𝑆(𝑦) 𝑑𝑦
Entonces, podemos reemplazar 𝑆(𝑦) por el estimador de 𝑆(𝑦), ya sea por Kaplan – Meier o por Nelson – Aalen:
∞ 𝑦𝑚𝑎𝑥
𝜇 = ∫ 𝑆(𝑦) 𝑑𝑦 = ∫ 𝑆(𝑦) 𝑑𝑦 + 𝜏(𝑦𝑚𝑎𝑥 )
0 0
Efron:
𝜏(𝑦𝑚𝑎𝑥 ) = 0
Klein y Moeschberger:
Función de probabilidad de 𝑫
𝑝(𝑥 + 𝑎𝑖 ; 𝑏𝑖 − 𝑎𝑖 ) = 𝑒 −𝜇(𝑏𝑖−𝑎𝑖 ) 𝐷𝑖 = 0
𝑓 (𝐷𝑖 ) = {
1 − 𝑝(𝑥 + 𝑎𝑖 ; 𝑏𝑖 − 𝑎𝑖 ) 𝐷𝑖 = 1
Función de densidad de 𝑽
𝑝(𝑥 + 𝑎𝑖 ; 𝑣𝑖 ) = 𝑒 −𝜇∙𝑣𝑖 𝐷𝑖 = 0
𝑓(𝑉𝑖 ) = {
𝑝(𝑥 + 𝑎𝑖 ; 𝑣𝑖 ) ∙ 𝜇 𝐷𝑖 = 1
Esperanza de 𝑫
Esperanza de 𝑽
𝑣𝑖
𝐸(𝑉𝑖 ) = 𝑒 −𝜇∙𝑣𝑖 + ∫ 𝑣𝑖 ∙ 𝑒 −𝜇∙𝑣𝑖 ∙ 𝜇 𝑑𝑣𝑖
0
𝑣𝑖 de la integral no se reemplaza.
𝜇2
𝜇̂ ~ 𝑁 (𝜇, )
𝐸(𝐷)
𝜇
𝜇̂ ~ 𝑁 (𝜇, )
𝐸 (𝑉)
Estimación de 𝒒 por el método de exposición exacta (central)
𝑞̂𝑥 = 1 − 𝑒 −𝜇̂
También:
𝑑
𝑞̂𝑥 =
𝐸(𝑥, 𝑥 + 1)
Donde:
1
𝐸(𝑥, 𝑥 + 1) ≈ 𝐸𝐶 (𝑥, 𝑥 + 1) + ∙ 𝑑
2
Sabiendo que 𝐸𝐶 (𝑥, 𝑥 + 1) = 𝑣.
Probabilidad 𝝁 > ⋯
𝜇
Calculadora: Menu > 7: Distribution > 2: Normal CD > Lower: ∙∙∙, Upper: 1, 𝜎: √ ,𝜇=𝜇
𝐸(𝑉)
Modelo Binomial
𝐷𝑥 ~ 𝐵𝑖𝑛(𝑁, 𝑞𝑥 )
Este es un escenario ideal y difícilmente posible, ya que requiere encontrar 𝑁 personas de edad exacta 𝑥 que las
podamos observar durante un año.
Entonces, para casos con información incompleta, adoptamos la siguiente variable indicadora:
0 1 − 𝑞(𝑥 + 𝑎𝑖 ; 0; 𝑏𝑖 − 𝑎𝑖 )
𝐷𝑖 = {
1 𝑞(𝑥 + 𝑎𝑖 ; 0; 𝑏𝑖 − 𝑎𝑖 )
No se utiliza la función de verosimilitud ya que para una persona 𝑖, esta es proporcional a la probabilidad del evento
porque falta el número combinatorio. Por eso, se parte de una estimación de momentos.
Estimador actuarial
Bajo independencia:
𝑁
𝐸[𝐷] = ∑ 𝑞(𝑥 + 𝑎𝑖 ; 0; 𝑏𝑖 − 𝑎𝑖 )
𝑖=1
Reexpresando la 𝑞 como:
𝑞(𝑥 + 𝑎𝑖 ; 0; 𝑏𝑖 − 𝑎𝑖 ) = 𝑞(𝑥 + 𝑎𝑖 ; 0; 1 − 𝑎𝑖 ) − 𝑝(𝑥 + 𝑎𝑖 ; 𝑏𝑖 − 𝑎𝑖 ) ∙ 𝑞(𝑥 + 𝑏𝑖 ; 0; 1 − 𝑏𝑖 )
Por lo que:
𝑁
Exposiciones
Exposición 𝑑𝑖 = 0 𝑑𝑖 = 1
Potencial 1 − 𝑎𝑖 1 − 𝑎𝑖
Cancelada 1 − 𝑏𝑖 0
Neta 𝑏𝑖 − 𝑎𝑖 1 − 𝑎𝑖
La exposición potencial toma ese valor si no fallece ni es censurado y la exposición cancelada cuando ocurre una
censura por la derecha.
Con esto, se ve que el denominador del estimador actuarial se compone de la exposición potencial para todas las
personas menos la exposición cancelada de las personas que sobrevivieron.
Exposición inicial: el fallecimiento no cancela exposición, por lo que se considera que la persona vive 𝑥 + 1
años aunque puede haber muerto en cualquier momento
Exposición central: solo considera el tiempo vivido por la persona
La exposición inicial es mayor o igual a la exposición central y, al observar la misma muestra por más tiempo con la
inicial, la mortalidad será menor utilizándola.
Modelo de Poisson
𝐷𝑥 ~ 𝑃(𝐸𝐶(𝑥, 𝑥 + 1) ∙ 𝜇)
Las muertes ocurren según cuanto pese la moralidad multiplicado por el tiempo que se observó. La función de
verosimilitud es:
𝑒 −𝐸𝐶(𝑥,𝑥+1)𝜇𝑥 [𝐸𝐶(𝑥, 𝑥 + 1) ∙ 𝜇𝑥 ]𝑑
𝐿(𝜇𝑥 ) =
𝑑!
Llegando a:
𝑑
𝜇̂ 𝑥 =
𝐸𝐶(𝑥, 𝑥 + 1)
En definitiva:
𝜇
𝜇̂ 𝑥 ~ 𝑁 (𝜇𝑥 , )
𝐸𝐶 (𝑥, 𝑥 + 1)
Si la persona se mantiene en el mismo estado durante el período o se censura contribuye con una 𝑝 y si cambia de
estado contribuye con una 𝑝 ∙ 𝜇.
𝐷𝑖𝑗
𝜇̂ 𝑥𝑖𝑗 = 𝑐𝑜𝑛 𝑖 ≠ 𝑗
𝑇 (𝑖)
Donde:
𝑛
(𝑖) (𝑖)
𝑇 = ∑ 𝑡𝑗
𝑗=1
𝐷 𝑖𝑘
= ∑ 𝑑𝑗𝑖𝑘
𝑗=1
(𝑘)
𝑡𝑗 : tiempo de permanencia de la persona 𝑗 en el estado 𝑘 entre 𝑥 y 𝑥 + 1, para 𝑘 = 0, 1, … , 𝑛
𝑑𝑗𝑖𝑘 : número total de transiciones directas entre el estado i y el estado 𝑘 entre 𝑥 y 𝑥 + 1 para la persona 𝑗, para 𝑖 =
0,1, … , 𝑛 donde 𝑖 ≠ 𝑘
Con 𝑖 ≠ 𝑗.
ℎ𝑗 (𝑡 / 𝑧) = ℎ0 (𝑡) ∙ 𝑐 ∙ (𝛽1 ∙ 𝑧1 , 𝛽2 ∙ 𝑧2 , … , 𝛽𝑝 ∙ 𝑧𝑝 )
𝑇𝑍
ℎ𝑗 (𝑡 / 𝑧) = ℎ0 (𝑡) ∙ 𝑒 𝛽
ℎ𝑗 (𝑡) = 𝑐𝑗 ∙ ℎ0 (𝑡)
Representación de 𝑐:
𝑇𝑍 𝑝
𝑐𝑗 = 𝑒 𝛽 = 𝑒 ∑𝑘=1 𝛽𝑘 𝑧𝑘 = 𝑒 𝛽1 𝑧1 +𝛽2 𝑧2 +⋯+𝛽𝑝 𝑧𝑝
Como:
𝐻𝑗 (𝑡) = 𝑐𝑗 ∙ 𝐻0 (𝑡)
Entonces:
En vez de preguntar cuál es la probabilidad de observar un valor de 𝑦𝑗 , se pregunta: dado que se observa un
fallecimiento en 𝑦𝑗 , cuál es la probabilidad de que haya sido esa persona en particular la que falleció en 𝑦𝑗 . La
condición es, justamente, haber sobrevivido hasta el momento 𝑦𝑗 .
Se llama de verosimilitud parcial porque no se incluye el momento exacto de los fallecimientos, sino que lo único
que importa es el orden. Tampoco importaron las censuras.
El parámetro obtenido es insesgado y asintóticamente normal. Su varianza estará dada entonces por la cota de
Cramer-Rao.
Aproximación de Breslow:
Se utiliza ante fallecimientos casi simultáneos, donde no se puede identificar cuál fue antes porque la información
viene dada de forma discreta.
El numerador reflejaría la probabilidad de las 𝑠𝑗 observaciones y el denominador se basaría en todos los
subconjuntos de 𝑅(𝑦𝑗 ) con 𝑠𝑗 integrantes. Como es dificultoso algebraicamente contemplar esto, la aproximación de
Breslow dice que el grupo de riesgo es el mismo cuando se produce el primer fallecimiento que cuando se produce el
segundo.
Es decir, consiste en tratar cada observación 𝑠𝑗 en forma separada, pero para el denominador se usaría el mismo
grupo de riesgo 𝑅(𝑦𝑗 ) para todos los 𝑠𝑗 .
Habiendo estimado el parámetro 𝛽 en el modelo de tasas proporcionales, se podría continuar con la estimación de
la función de riesgo base en forma no paramétrica, utilizando el método de Nelson – Aalen. De esta manera:
𝑠𝑗
𝐻0 (𝑡) = ∑
∑ 𝑐𝑖
𝑦𝑗 ≤𝑡 𝑖∈𝑅(𝑦𝑗 )
[11] Ajustamiento
Test Chi-Cuadrado
Modelo binomial:
(𝑀𝑥 − 𝐸𝑥 ∙ 𝑞𝑥 )2
∑ = 𝑍𝑥2 ~ 𝑋𝑛2
𝐸𝑥 ∙ 𝑞𝑥 ∙ (1 − 𝑞𝑥 )
∀𝑛
Modelo de Poisson:
(𝑀𝑥 − 𝐸𝐶𝑥 ∙ 𝜇𝑥 )2
∑ = 𝑍𝑥2 ~ 𝑋𝑛2
𝐸𝐶𝑥 ∙ 𝜇𝑥
∀𝑛
Debido a las limitaciones del test (no se puede utilizar si la media es menor a 5, que algunos pocos desvíos grandes
se compensen con muchos desvíos chicos por lo que la prueba no se rechace cuando se debería o el cuando hay
muchos desvíos positivos/negativos chicos que hacen que se sesgue la muestra), se lo complementa con otros test:
Prueba a dos colas para evaluar el equilibrio entre los desvíos positivos y negativos. La mitad de las tasas ajustadas
deberían estar por encima de las tasas brutas, por lo que para 𝑚 grupos de edad, el número de signos positivos
debería presentar una distribución:
𝐵(𝑚; 0,5)
Se evalúa la hipótesis usando el p-value. Se cuenta el número de 𝑍𝑥 positivos y se busca la probabilidad de que la
distribución bajo hipótesis nula tenga esa cantidad de signos positivos. Si esta es menor al 2,5% se rechaza 𝐻0 .
Prueba a dos colas que busca un sesgo global o una serie larga de desvíos del mismo signo y se basa en que los
desvíos presentan una distribución:
[𝑀𝑥 − 𝐸𝑥 ∙ 𝑞𝑥 ] ~ 𝑁[0; 𝐸𝑥 ∙ 𝑞𝑥 ∙ (1 − 𝑞𝑥 )]
Por lo que los desvíos acumulados vendrán dados por la sumatoria de esta distribución.
√∑𝑚
𝑥=1 𝐸(𝑥; 𝑥 + 1) ∙ 𝑞(𝑥; 0; 1) ∙ 𝑝(𝑥; 1)
Prueba a una cola que busca detectar si existen pocos grupos de desvíos del mismo signo. Sea:
Buscando el p-value.
Busca detectar un sobre ajustamiento, detectando un excesivo agrupamiento de los desvíos. Se calcula el coeficiente
de correlación:
∑𝑚−𝑗 ̅ ̅
𝑖=1 (𝑍𝑖 − 𝑍1 ) ∙ (𝑍𝑖+𝑗 − 𝑍2 )
𝑟𝑗 =
√∑𝑚−𝑗 ( ̅ )2 ∙ ∑𝑚−𝑗(𝑍𝑖+𝑗 − 𝑍̅2 )2
𝑖=1 𝑍𝑖 − 𝑍1 𝑖=1
Donde:
∑𝑚−𝑗
𝑖=1 𝑍𝑖
𝑍1̅ =
𝑚−𝑗
∑𝑚−𝑗
𝑖=1 𝑍𝑖+𝑗
𝑍1̅ =
𝑚−𝑗
Se conoce que bajo hipótesis nula:
𝑟𝑗 ∙ √𝑚 ~ 𝑁(0; 1)