[6] Modelos de Decremento Múltiple

Se parte de un estado inicial y se egresa de él por 𝑚 causas de eliminación, que son mutuamente excluyentes y
absorbentes.

Variables aleatorias

 (𝑥): persona de edad 𝑥

 𝑇: tiempo de vida futuro
 𝐽: causa de eliminación, con 𝐽 = {1, 2, … , 𝑚}

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 densidad de probabilidad de 𝑇.

𝑚
𝑑
𝑓𝑇 (𝑡) = 𝐹𝑇 (𝑡) = ∑ 𝑓𝑇,𝐽 (𝑡, 𝑗)
𝑑𝑡
𝑗=1

𝐹𝑇 (𝑡): función de distribución acumulada de 𝑇. Probabilidad de que (𝑥) sea eliminada antes de transcurridos 𝑡 años.
𝑡 𝑚

𝐹𝑇 (𝑡) = 𝑃 (𝑇 ≤ 𝑡) = ∫ 𝑓𝑇 (𝑠) 𝑑𝑠 = ∑ 𝐹𝑇,𝐽 (𝑡, 𝑗)

0 𝑗=1

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

Población total sobreviviente a la edad exacta 𝑥:

𝑚

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

𝑑(𝑥; 0; 𝑡; 𝑇) = ∑ 𝑑(𝑥; 0; 𝑡; 𝑗) = 𝑙 (𝑥; 𝑇) − 𝑙 (𝑥 + 𝑡; 𝑇) = 𝑙 (𝑥; 𝑇) ∙ 𝑞(𝑥; 0; 𝑡; 𝑇) = 𝑙(𝑥; 𝑇) ∙ ∑ 𝑞(𝑥; 0; 𝑡; 𝑗)

𝑗=1 𝑖=1

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.

Fuerza de decremento de la causa 𝑗:

𝑑
𝑑𝑥 𝑙(𝑥; 𝑗)
𝜇 (𝑥; 𝑗 ) = −
𝑙(𝑥; 𝑇)

Probabilidad de vida total:

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 decremento total:

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 decremento de la causa 𝑗:

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.

Tabla de decremento múltiple (TDM)

Edad 𝒙 𝒍(𝒙; 𝑻) 𝒅(𝒙; 𝟎; 𝒕; 𝟏) 𝒅(𝒙; 𝟎; 𝒕; 𝟐) 𝒅(𝒙; 𝟎; 𝒕; 𝟑)

𝑥 𝑙(𝑥; 𝑇) 𝑑(𝑥; 0; 1; 1) 𝑑(𝑥; 0; 1; 2) 𝑑(𝑥; 0; 1; 3)
𝑥+1 𝑙(𝑥 + 1; 𝑇) 𝑑(𝑥 + 1; 0; 1; 1) 𝑑(𝑥 + 1; 0; 1; 2) 𝑑(𝑥 + 1; 0; 1; 3)
⋯ ⋯ ⋯ ⋯ ⋯
𝜔−1 𝑙(𝜔 − 1; 𝑇) 𝑑(𝜔 − 1; 0; 𝜔; 1) 𝑑(𝜔 − 1; 0; 𝜔; 2) 𝑑(𝜔 − 1; 0; 𝜔; 3)
𝜔 0
Relación de dependencia entre causas en la TDM:

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)

Tablas de decremento único asociadas (TDUA)

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.

Supuesto sobre las fuerzas de mortalidad:

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)

Probabilidad independiente de supervivencia:

𝑡
𝑝′ (𝑥; 𝑡; 𝑗 ) = 𝑒 − ∫0 𝜇(𝑥+𝑠;𝑗) 𝑑𝑠

Ahora, no hay problema en definir la probabilidad contraria.

Tasas absolutas de decremento:

𝑡
𝑞 𝑥; 0; 𝑡; 𝑗 ) = ∫ 𝑝′(𝑥; 𝑠; 𝑗) ∙ 𝜇(𝑥 + 𝑠; 𝑗) 𝑑𝑠 = 1 − 𝑝′ (𝑥; 𝑡; 𝑗 )
′(
0

Tasas centrales de decremento

Por todas las causas:

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

Por una causa independiente:

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

𝑓𝑇,𝐽 (𝑡, 𝑗 ) = 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 𝑗)

𝐹𝑇,𝐽 (𝑡, 𝑗 ) = 𝑞(𝑥; 0; 𝑡; 𝑗)

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)

Relación entre la TDM y la TDUA

Dada la tabla de decremento múltiple cómo construyo la tabla de decremento único y viceversa.

Relaciones entre probabilidades y tasas absolutas de decremento:

La idea es hacer el desarrollo a partir de:

𝑞(𝑥; 0; 𝑡; 𝑇) = 1 − 𝑝(𝑥; 𝑡; 𝑇)

Sabiendo que:
𝑚

𝑝(𝑥; 𝑡; 𝑇) = ∏ 𝑝′(𝑥; 𝑡; 𝑗)
𝑗=1

Entonces:

 Con dos causas de eliminación, 𝑚 = 2:

𝑞(𝑥; 0; 𝑛; 𝑇) = 𝑞′ (𝑥; 0; 𝑡; 1) + 𝑞′ (𝑥; 0; 𝑡; 2) − 𝑞′(𝑥; 0; 𝑡; 1) ∙ 𝑞′(𝑥; 0; 𝑡; 2)

 Con tres causas de eliminación, 𝑚 = 3:

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)

Supuesto 1 – fuerzas constantes en cada año de edad:

Para todas las 𝑗 entre las edades 𝑥 y 𝑥 + 1 se tiene que:

𝜇 (𝑥 + 𝑡; 𝑗 ) = 𝜇(𝑥; 𝑗)

 Probabilidad de ser eliminado por la causa 𝑗 en la TDM:

𝑠
ln 𝑝′ (𝑥; 𝑡; 𝑗 )
𝑞(𝑥; 0; 𝑡; 𝑗 ) = 𝜇(𝑥; 𝑗 ) ∙ ∫ 𝑝(𝑥; 𝑡; 𝑇) 𝑑𝑡 = ∙ 𝑞(𝑥; 0; 𝑡; 𝑇) = 1 − [𝑝′ (𝑥; 1; 𝑗 )]𝑡
0 ln 𝑝(𝑥; 𝑡; 𝑇)

 Probabilidad de ser eliminado por alguna de las causas:

𝑠
𝑞(𝑥; 0; 𝑡; 𝑇) = 𝜇(𝑥; 𝑇) ∙ ∫ 𝑝(𝑥; 𝑡; 𝑇) 𝑑𝑡
0

 Probabilidad independiente de supervivencia por la causa 𝑗:

𝑞(𝑥;0;1;𝑗)
𝑝′ (𝑥; 𝑡; 𝑗 ) = 𝑝(𝑥; 𝑡; 𝑇)𝑞(𝑥;0;1;𝑇) = [𝑝′ (𝑥; 1; 𝑗 )]𝑡

 Probabilidad de supervivencia dependiente para un año:

𝑞(𝑥;0;𝑡;𝑇)
𝑝(𝑥; 1; 𝑇) = [𝑝′ (𝑥; 1; 𝑗 )] 𝑞(𝑥;0;𝑡;𝑗)
  Probabilidad de supervivencia dependiente acumulada durante el año:

𝑝(𝑥; 𝑡; 𝑇) = [𝑝(𝑥; 1; 𝑇)]𝑡

 Relaciones generales:
𝑞 (𝑥; 0; 𝑡; 𝑗 ) 𝑞 (𝑥; 0; 1; 𝑗 ) 𝜇 (𝑥; 𝑗 ) ln 𝑝′(𝑥; 1; 𝑗) ln 𝑝′(𝑥; 𝑠; 𝑗)
= = = =
𝑞(𝑥; 0; 𝑡; 𝑇) 𝑞(𝑥; 0; 1; 𝑇) 𝜇(𝑥; 𝑇) ln 𝑝(𝑥; 1; 𝑇) ln 𝑝(𝑥; 𝑠; 𝑇)

Con las que se puede calcular todo.

Supuesto 2 – distribución uniforme de eliminados (DUE) en la TDM en cada año de edad:

Implica funciones de densidad de probabilidad constantes:

𝑞(𝑥; 0; 1; 𝑗 ) = 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 𝑗)

𝑞(𝑥; 0; 1; 𝑇) = 𝑝(𝑥; 𝑡; 𝑇) ∙ 𝜇(𝑥 + 𝑡; 𝑇)

 Probabilidad dependiente de ser eliminado por la causa 𝑗 entre las edades 𝑥 y 𝑥 + 1:

𝑞(𝑥; 0; 𝑡; 𝑗 ) = 𝑡 ∙ 𝑞(𝑥; 0; 1; 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)

 Fuerza de decremento de la causa 𝑗:

𝑞(𝑥; 0; 1; 𝑗)
𝜇 (𝑥 + 𝑡; 𝑗 ) =
1 − 𝑡 ∙ 𝑞(𝑥; 0; 1; 𝑇)
 Fuerza de decremento de todas las causas:
𝑞(𝑥; 0; 1; 𝑇)
𝜇(𝑥 + 𝑡; 𝑇) =
1 − 𝑡 ∙ 𝑞(𝑥; 0; 1; 𝑇)

 Probabilidad independiente de supervivencia por la causa 𝑗:

𝑞(𝑥;0;1;𝑗)
𝑝′ (𝑥; 𝑡; 𝑗 ) = 𝑝(𝑥; 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)

Con las que se puede calcular todo.

Supuesto 3 – DUE en la TDUA asociada a la TDM en cada año de edad:

Implica funciones de densidad de probabilidad constantes:

𝑞′ (𝑥; 0; 1; 𝑗 ) = 𝑝′(𝑥; 𝑡; 𝑗) ∙ 𝜇(𝑥 + 𝑡; 𝑗)

 Fuerza de decremento de la causa 𝑗:

𝑞′(𝑥; 0; 1; 𝑗)
𝜇(𝑥 + 𝑡; 𝑗) =
1 − 𝑡 ∙ 𝑞′(𝑥; 0; 1; 𝑗)
 Probabilidad independiente de ser eliminado por la causa 𝑗 entre las edades 𝑥 y 𝑥 + 1:
𝑞′ (𝑥; 0; 𝑡; 𝑗 ) = 𝑡 ∙ 𝑞′ (𝑥; 0; 1; 𝑗 )
  Probabilidades dependientes de ser eliminado por la causa 𝑗 entre las edades 𝑥 y 𝑥 + 𝑡, con 𝑚 = 2:
𝑡
𝑞(𝑥; 0; 𝑡; 1) = 𝑞′ (𝑥; 0; 1; 1) ∙ [𝑡 − ∙ 𝑞′ (𝑥; 0; 1; 2)]
2
𝑡
𝑞(𝑥; 0; 𝑡; 2) = 𝑞′ (𝑥; 0; 1; 2) ∙ [𝑡 − ∙ 𝑞′ (𝑥; 0; 1; 1)]
2
Siempre y cuando 0 ≤ 𝑡 ≤ 1.

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)

Eliminaciones discretas y continuas

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:

𝑞(𝑥; 0; 1; 1) = 𝑞′ (𝑥; 0; 1; 1) ∙ [1 − 𝑎 ∙ 𝑞′ (𝑥; 0; 1; 2)]

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:

𝑞(𝑥; 0; 1; 2) = 𝑞′(𝑥; 0; 1; 2) ∙ [1 − (1 − 𝑎) ∙ 𝑞′ (𝑥; 0; 1; 1)]

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:

Suponiendo que la causa 1 es discreta:

1 0 ≤ 𝑡 < 𝑎1
′(
𝑝 𝑥; 𝑡; 1) = {1 − 𝜏 ∙ 𝑞′(𝑥; 0; 1; 1) 𝑎1 ≤ 𝑡 < 𝑎2
1 − 𝑞′(𝑥; 0; 1; 2) 𝑎2 ≤ 𝑡 < 1

 Probabilidad dependiente de eliminación por la causa 1 discreta bajo DUE:

𝑞(𝑥; 0; 1; 1) = 𝜏 ∙ 𝑞′ (𝑥; 0; 1; 1) ∙ [1 − 𝑎1 ∙ 𝑞′ (𝑥; 0; 1; 2)] + (1 − 𝜏) ∙ 𝑞′ (𝑥; 0; 1; 1) ∙ [1 − 𝑎2 ∙ 𝑞′ (𝑥; 0; 1; 2)]

 Probabilidad dependiente de eliminación por la causa 2 continua bajo DUE:

𝑞(𝑥; 0; 1; 2) = 𝜏 ∙ 𝑞′ (𝑥; 0; 1; 2) ∙ [1 − (1 − 𝑎1 ) ∙ 𝑞′ (𝑥; 0; 1; 1)] + (1 − 𝜏) ∙ 𝑞′ (𝑥; 0; 1; 2) ∙ [1 − (1 − 𝑎2 ) ∙ 𝑞′ (𝑥; 0; 1; 1)]

Tres causas: la causa discreta actúa en un momento del tiempo y las causas continuas se suponen DUE en TDUA:

Suponiendo que la causa 1 es discreta:

1, 𝑡<𝑎
𝑝′ (𝑥; 𝑡; 1) = { ′ (
𝑝 𝑥; 1; 1), 𝑡 ≥ 𝑎

 Probabilidad dependiente de eliminación por la causa 1 discreta:

𝑞(𝑥; 0; 1; 1) = 𝑎 ∙ 𝑞′ (1) ∙ [𝑞′ (2) + 𝑞′ (3)] − 𝑎2 ∙ 𝑞′(1) ∙ 𝑞′(2) ∙ 𝑞′(3) − 𝑞′ (1)

 Probabilidad dependiente de eliminación por la causa 2 continua bajo DUE:

1 𝑞′ (𝑥; 0; 1; 1) ∙ 𝑞′ (𝑥; 0; 1; 3)
𝑞(𝑥; 0; 1; 2) = 𝑞′ (𝑥; 0; 1; 2) [1 − ∙ 𝑞′ (𝑥; 0; 1; 3) − (1 − 𝑎) ∙ 𝑞′ (𝑥; 0; 1; 1) + (1 − 𝑎2 ) ∙ ]
2 2

 Probabilidad dependiente de eliminación por la causa 3 continua bajo DUE:

1 𝑞′ (𝑥; 0; 1; 1) ∙ 𝑞′ (𝑥; 0; 1; 2)
𝑞(𝑥; 0; 1; 3) = 𝑞′ (𝑥; 0; 1; 3) [1 − ∙ 𝑞′ (𝑥; 0; 1; 2) − (1 − 𝑎) ∙ 𝑞′ (𝑥; 0; 1; 1) + (1 − 𝑎2 ) ∙ ]
2 2
 [7] Estados Múltiples
Supervivencia Conjunta
 El estado sobrevive mientras (𝑥) e (𝑦) estén con vida
 𝑇𝑥𝑦 : tiempo que transcurre hasta el primer fallecimiento y única variable aleatoria

𝑇𝑥𝑦 = min(𝑇𝑥 , 𝑇𝑦 ) = 𝑇𝑥 ∧ 𝑇𝑦

Función de supervivencia

Probabilidad de que el primer fallecimiento ocurra luego de 𝑡 años:

𝑆𝑥𝑦 (𝑡) = 𝑃(𝑇𝑥𝑦 > 𝑡) = 𝑡 𝑝𝑥𝑦 = 𝑝(𝑥: 𝑦; 𝑡) = 𝑆𝑇𝑥 ,𝑇𝑦 (𝑡, 𝑡)

 Asumiendo independencia:

𝑡 𝑝𝑥𝑦 = 𝑡 𝑝𝑥 ⋅ 𝑡 𝑝𝑦

Función de distribución acumulada

Probabilidad de que ocurra al menos un fallecimiento antes de que transcurran 𝑡 años:

𝐹𝑥𝑦 (𝑡) = 𝑃(𝑇𝑥𝑦 ≤ 𝑡) = 𝑡 𝑞𝑥𝑦 = 𝑞(𝑥: 𝑦; 0; 𝑡) = 1 − 𝑡 𝑝𝑥𝑦

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

Probabilidad de que ocurra exactamente un fallecimiento al cabo de 𝑡 años, asumiendo independencia:

𝑡 𝑞𝑥 ∙ 𝑡 𝑝𝑦 + 𝑡 𝑞𝑦 ∙ 𝑡 𝑝𝑥

Distribución Uniforme de Fallecimientos (DUE)

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

Función de densidad de probabilidad

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

Probabilidad de que el primer fallecimiento ocurra entre las edades 𝑥 + 𝑛 y 𝑥 + 𝑛 + 1.

𝑛/𝑞𝑥𝑦 = 𝑛𝑝𝑥𝑦 ∙ 𝑞𝑥+𝑛;𝑦+𝑛 = 𝑛𝑝𝑥𝑦 − 𝑛+1𝑝𝑥𝑦

 Asumiendo independencia:
𝑛/𝑞𝑥𝑦 = 𝑛𝑝𝑥 ∙ 𝑛𝑝𝑦 − 𝑛+1𝑝𝑥 ∙ 𝑛+1𝑝𝑦

Tasa instantánea de extinción del estado de supervivencia conjunta

𝑓𝑥𝑦 (𝑡)
𝜇𝑥𝑦 (𝑡) =
𝑆𝑥𝑦 (𝑡)
  Asumiendo independencia:
𝜇𝑥𝑦 (𝑡) = 𝜇𝑥 (𝑡) + 𝜇𝑦 (𝑡)

Probabilidad diferida

Probabilidad de que el primer fallecimiento ocurra entre las edades 𝑥 + 𝑛 y 𝑥 + 𝑛 + 1.

𝑛/𝑞𝑥𝑦 = 𝑛𝑝𝑥𝑦 ∙ 𝑞𝑥+𝑛;𝑦+𝑛

 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

Asumiendo independencia y distribución exponencial de fallecidos:

1
𝑒𝑐(𝑥𝑦; 0; ∞) =
𝜇𝑥 + 𝜇𝑦

 Momento de orden dos:

∞
2 ]
𝐸[𝑇𝑥𝑦 = 2 ∙ ∫ 𝑡 ∙ 𝑝(𝑥𝑦; 𝑡) 𝑑𝑡
0
 Esperanza de vida abreviada:
∞

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

Función de distribución acumulada

𝐹𝑥𝑦
̅̅̅̅ = 𝑃(𝑇𝑥𝑦
̅̅̅̅ ≤ 𝑡) = 𝑡 𝑞𝑥𝑦
̅̅̅̅ = 𝐹𝑇𝑥 ,𝑇𝑦 (𝑡, 𝑡)

Es la probabilidad de que (𝑥) e (𝑦) fallezcan dentro de 𝑡 años.

 Suponiendo independencia:

̅̅̅̅ (𝑡) = 𝐹𝑥 (𝑡) ⋅ 𝐹𝑦 (𝑡) = 𝑡 𝑞𝑥 ∙ 𝑡 𝑞𝑦

𝐹𝑥𝑦

Función de supervivencia

̅̅̅̅ (𝑡) = 𝑃(𝑇𝑥𝑦

𝑆𝑥𝑦 ̅̅̅̅ > 𝑡) = 𝑡 𝑝𝑥𝑦
̅̅̅̅ = 1 − 𝑡 𝑞𝑥𝑦
̅̅̅̅

Es la probabilidad de que al menos una persona sobreviva 𝑡 años.

 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:

̅̅̅̅ (𝑡) = 𝑡 𝑞𝑦 ∙ 𝑡 𝑝𝑥 ∙ 𝜇𝑥 (𝑡) + 𝑡 𝑞𝑥 ∙ 𝑡 𝑝𝑦 ∙ 𝜇𝑦 (𝑡)

𝑓𝑥𝑦

Tasa instantánea de extinción del estado del último sobreviviente

𝑓𝑥𝑦
̅̅̅̅ (𝑡)
̅̅̅̅ (𝑡) =
𝜇𝑥𝑦
𝑡 𝑝𝑥𝑦
̅̅̅̅

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 )

Importante. Como 𝑚𝑝𝑥𝑦

̅̅̅̅ implica que sobreviva al menos una persona y 𝑛𝑞̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
(𝑥+𝑚:𝑦+𝑚) que lo hagan ambas, entonces
necesariamente:

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:

𝑓𝑥𝑦 (𝑡) + 𝑓𝑥𝑦

̅̅̅̅ (𝑡) = 𝑓𝑥 (𝑡) + 𝑓𝑦 (𝑡)
 ̅̅̅̅̅)
Covarianza entre 𝑻(𝒙; 𝒚) y 𝑻(𝒙; 𝒚

̅̅̅̅ ) = 𝐶𝑜𝑣(𝑇𝑥 , 𝑇𝑦 ) + {𝐸[𝑇𝑥 ] − 𝐸[𝑇𝑥𝑦 ]} ∙ {𝐸[𝑇𝑦 ] − 𝐸[𝑇𝑥𝑦 ]}

𝐶𝑜𝑣(𝑇𝑥𝑦 , 𝑇𝑥𝑦

 Suponiendo independencia:

𝐶𝑜𝑣(𝑇𝑥 , 𝑇𝑦 ) = 0

̅̅̅̅̅)
Varianza entre 𝑻(𝒙; 𝒚) y 𝑻(𝒙; 𝒚

̅̅̅̅ ) = 𝑉𝑎𝑟(𝑇𝑥 ) + 𝑉𝑎𝑟(𝑇𝑦 ) − 2 ∙ {𝐸[𝑇𝑥 ] − 𝐸[𝑇𝑥𝑦 ]} ∙ {𝐸[𝑇𝑦 ] − 𝐸[𝑇𝑥𝑦 ]}

𝑉𝑎𝑟(𝑇𝑥𝑦 + 𝑇𝑥𝑦

Modelo de Estados Múltiples para tiempos de vida futuros independientes

 (𝑥) es varón e (𝑦) es mujer

 El proceso se inicia en el estado 0 con ambos vivos
 Pasa al estado 1 con la muerte de (𝑦), si este fallece antes de (𝑥), o al estado 2 si (𝑥) fallece primero
 Al estado 3 se llega con el fallecimiento de ambos

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

Como consecuencia de esto:

𝑚 } 𝑓
 𝑇𝑥 tiene una distribución determinada por {𝜇𝑥+𝑡 𝑡≥0 y 𝑇𝑦 una distribución determinada por {𝜇𝑥+𝑡 }𝑡≥0
 No hay conexión entre la mortalidad de ambas personas, por lo que el tiempo de vida futuro constituyen dos
variables aleatorias independientes

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 ambos estén con vida al cabo de 𝑡 años:

𝑡 𝑚 𝑓
𝑡 𝑝𝑥𝑦 = 𝑡 𝑝𝑥 ∙ 𝑡 𝑝𝑦 = 𝑒 − ∫0 (𝜇𝑥+𝑠 +𝜇𝑥+𝑠 ) 𝑑𝑠

 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

 Probabilidad de que al menos uno esté con vida dentro de 𝑡 años:

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 ambos estén con vida al cabo de 𝑡 años:

𝑡 01 02
00
𝑡 𝑝𝑥𝑦 = 𝑒 − ∫0 (𝜇𝑥+𝑠:𝑦+𝑠 + 𝜇𝑥+𝑠:𝑦+𝑠 ) 𝑑𝑠

 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

El mismo razonamiento para (𝑥).

 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

Modelo de Impacto Común

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

Al shock común también se lo simboliza con 𝜆.

 [8] Estimación no paramétrica
Tipos de falta de información
Censura por la derecha tipo I: fin del lapso de observación. Hay una fecha fija a partir de la cual se dejan de observar
las personas (el estudio dura 6 meses, lo que pase después no se sabe).

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.

Estimación empírica con datos censurados por la derecha

𝑥𝑖 : cada tiempo transcurrido hasta el fallecimiento. Entonces, 𝑥𝑖 = 𝑡 significa que la persona 𝑖 falleció luego de
transcurridos 𝑡 años.

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 .

𝑠𝑗 : cantidad de fallecimientos que se producen en cada momento 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.

𝑟𝑖 : número de personas en riesgo en la observación 𝑦𝑖 .

𝑟1 𝑖=1
𝑟𝑖 = {𝑟 − 𝑠 − 𝑏
𝑖−1 𝑖−1 𝑖−1 𝑖 = 2, 3, … , 𝑘, 𝑘 + 1
Estimador de Kaplan – Meier (por límite de un producto)

𝑝(𝑦𝑗 ) = 𝑃(𝑌 = 𝑦𝑗 ): probabilidad de que una persona fallezca exactamente en 𝑗.

𝑆(𝑦): probabilidad de sobrevivir hasta esa fecha, que viene dada por la distribución acumulada.

𝑆(𝑦) = 𝑃(𝑌 > 𝑦) = ∑ 𝑝(𝑦𝑖 )

𝑖 / 𝑦𝑖 >𝑦

Donde 𝑖/𝑦𝑖 > 𝑦 significa sumar o multiplicar sobre todos los valores de 𝑖 donde 𝑦𝑖 > 𝑦.

Función de la tasa de riesgo discreta:

Es un equivalente a la tasa de mortalidad.

𝑝(𝑦𝑗 )
ℎ(𝑦𝑗 ) = 𝑃(𝑌 = 𝑦𝑗 / 𝑌 ≥ 𝑦𝑗 ) = 𝑗 = 1, 2, … , 𝑘
𝑆(𝑦𝑗−1 )

Por lo que:

𝑆(𝑦𝑗−1 ) − 𝑆(𝑦𝑗 ) 𝑆(𝑦𝑗 )

ℎ(𝑦𝑗 ) = = 1−
𝑆(𝑦𝑗−1 ) 𝑆(𝑦𝑗−1 )

De aquí:

𝑆(𝑦𝑗 )
1 − ℎ(𝑦𝑗 ) =
𝑆(𝑦𝑗−1 )

Es la probabilidad de ir sobreviviendo en cada intervalo. Por lo tanto:

𝑗 𝑗
𝑆(𝑦𝑗 ) 𝑆(𝑦𝑖 )
𝑆(𝑦𝑗 ) = =∏ = ∏[1 − ℎ(𝑦𝑖 )]
𝑆(𝑦0 ) 𝑆(𝑦𝑖−1 )
𝑖=1 𝑖=1

Analizando la probabilidad de fallecer: tenemos que hasta la primera fecha:

𝑗−1

𝑝(𝑦𝑗 ) = ℎ(𝑦𝑗 ) ∙ ∏[1 − ℎ (𝑦𝑖 )]

𝑖=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

𝐿 (𝜆1 , 𝜆2 , … , 𝜆𝑘 ) = ∏ [𝜆𝑗 ∙ ∏(1 − 𝜆𝑖 )] ∙ ∏ [∏(1 − 𝜆𝑖 )]

𝑘=1 𝑖=1 𝑗=1 𝑖=1

𝑘
𝑠 𝑟𝑗 −𝑠𝑗
𝐿 (𝜆1 , 𝜆2 , … , 𝜆𝑘 ) = ∏ 𝜆𝑗 𝑗 ∙ (1 − 𝜆𝑗 )
𝑗=1

La estimación verosimil de 𝜆𝑗 se obtiene aplicando logaritmos:

𝑘

ln 𝐿(𝜆1 , 𝜆2 , … , 𝜆𝑘 ) = ∑[𝑠𝑗 ∙ ln 𝜆𝑗 + (𝑟𝑗 − 𝑠𝑗 ) ∙ ln(1 − 𝜆𝑗 )]

𝑗=1

Donde, al derivar e igualar a cero:

𝜕 ln 𝐿 𝑠𝑗 𝑟𝑗 − 𝑠𝑗
= − =0
𝜕𝜆𝑗 𝜆𝑗 1 − 𝜆𝑗

Por lo que el estimador puede definirse como:

𝑠𝑗
𝜆̂𝑗𝑀𝑉 =
𝑟𝑗

Función de supervivencia de Kaplan – Meier:

1 𝑦 < 𝑦1
𝑗 𝑗
𝑠𝑖
∏(1 − 𝜆̂𝑖 ) = ∏ (1 − ) 𝑦𝑖 ≤ 𝑦 < 𝑦𝑖+1
𝑆̂𝑛 (𝑦) = 𝑖=1 𝑟𝑖
𝑖=1
𝑘 𝑘
𝑠𝑖
∏(1 − 𝜆̂𝑖 ) = ∏ (1 − ) 𝑦𝑘 ≤ 𝑦 < 𝑦𝑚𝑎𝑥
{ 𝑟𝑖
𝑖=1 𝑖=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 , tenemos que el parámetro es:

ln 𝑆𝑛 (𝑦𝑚𝑎𝑥 ) ln 𝑆𝑛 (𝑦𝑘 )
𝛽=− =−
𝑦𝑚𝑎𝑥 𝑦𝑚𝑎𝑥
Finalmente:
𝑦
[𝑆𝑛 (𝑦𝑘 )]𝑦𝑚𝑎𝑥 𝑦 ≥ 𝑦𝑚𝑎𝑥
Estimador de Nelson-Aalen
𝑦
− ln 𝑆(𝑦) = 𝐻 (𝑦) = ∫ ℎ(𝑡) 𝑑𝑡
0

Donde 𝐻(𝑦) es la tasa de riesgo acumulada.

Al estimar 𝜆 tal que:

𝑠𝑖
𝜆̂𝑖 =
𝑟𝑖

El estimador de Nelson-Aalen de 𝐻(𝑦) se define para 𝑦 < 𝑦𝑚𝑎𝑥 :

0 𝑦 < 𝑦1
𝑗 𝑗
𝑠𝑖
∑ 𝜆̂𝑖 = ∑ 𝑦𝑗 ≤ 𝑦 < 𝑦𝑗+1 , 𝑗 = 1, … , 𝑘 − 1
̂ (𝑦) =
𝐻 𝑟𝑖
𝑖=1 𝑖=1
𝑘 𝑘
𝑠𝑖
∑ 𝜆̂𝑖 = ∑ 𝑦𝑘 ≤ 𝑦 < 𝑦𝑚𝑎𝑥
{ 𝑖=1 𝑟𝑖
𝑖=1

Por lo que la función de supervivencia:

𝑆̂𝑛 (𝑦) = 𝑒 −𝐻̂(𝑦)

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.

Aproximación de Greenwood a la varianza de Kaplan – Meier

Método delta:

Dado un estimador 𝜃, permite obtener una aproximación de la varianza de una función de dicho estimador.

𝑉𝑎𝑟[𝑓 (𝜃)] ≈ [𝑓 ′ (𝜃)]2 ∙ 𝑉𝑎𝑟[𝜃]

Con este método, la estimación de la varianza resulta en:

𝑠𝑖
̂ [𝑆𝑛 (𝑦)] = [𝑆𝑛 (𝑦)]2 ∙ ∑
𝑉𝑎𝑟 𝑦 < 𝑦𝑚𝑎𝑥
𝑟𝑖 ∙ (𝑟𝑖 − 𝑠𝑖 )
𝑖 / 𝑦𝑖 ≤𝑦

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

Para la varianza de 𝑆𝑛 (𝑦), aplicando método delta y suponiendo distribución binomial:

𝑠𝑖 ∙ (𝑟𝑖 − 𝑠𝑖 )
̂ [𝑆𝑛 (𝑦)] = [𝑆̂𝑛 (𝑦)]2 ∙ ∑
𝑉𝑎𝑟 𝑦 < 𝑦𝑚𝑎𝑥
𝑟𝑖3
𝑖 / 𝑦𝑖 ≤𝑦

Si se supone distribución Poisson:

𝑟𝑖 ∙ (𝑟𝑖 − 𝑠𝑖 )
̂ [𝑆𝑛 (𝑦)] = [𝑆̂𝑛 (𝑦)]2 ∙ ∑
𝑉𝑎𝑟 𝑦 < 𝑦𝑚𝑎𝑥
𝑟𝑖3
𝑖 / 𝑦𝑖≤𝑦
Estimación de varianza para 𝒚 > 𝒚𝒎𝒂𝒙

 Efron: es cero, por lo que no existe varianza a estimar

 Klein y Moeschberger: se mantiene la varianza hasta 𝛾 y después será cero
 Brown, Hollander y Korwar:
𝑦
𝑆𝑛 (𝑦) = [𝑆𝑛 (𝑦𝑘 )]𝑦𝑚𝑎𝑥

Donde, tras aplicar el método delta:

𝑘
𝑦 2 𝑠𝑖
𝑉𝑎𝑟[𝑆𝑛 (𝑦)] = ( ) ∙ [𝑆𝑛 (𝑦)]2 ∙ ∑
𝑦𝑚𝑎𝑥 𝑟𝑖 ∙ (𝑟𝑖 − 𝑠𝑖 )
𝑖=1

Intervalos de confianza

Lineal

𝐼𝐶: [𝑆𝑛 (𝑦) ± 𝑍1−𝛼 ∙ √𝑉𝑎𝑟[𝑆𝑛 (𝑦)] = (1 − 𝛼 )%

Funciona también para 𝐻(𝑦).

Log – transformado para Kaplan – Meier:

−1
√𝑉𝑎𝑟[𝑆𝑛 (𝑦)]
𝑍1−𝛼∙
√𝑉𝑎𝑟[𝑆𝑛 (𝑦)] {𝑒 ln[𝑆𝑛 (𝑦)]∙𝑆𝑛 (𝑦)}
𝑍1−𝛼∙
ln[𝑆𝑛 (𝑦)]∙𝑆𝑛 (𝑦)
𝐼𝐶: 𝑆𝑛 (𝑦 )𝑒 ; 𝑆𝑛 (𝑦) = (1 − 𝛼 )%

[ ]
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 )%

Estimación empírica de momentos para datos incompletos

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

Definiendo a 𝜏(𝑦𝑚𝑎𝑥 ) como:

∞
𝜏(𝑦𝑚𝑎𝑥 ) = ∫ 𝑆(𝑦) 𝑑𝑦
𝑦𝑚𝑎𝑥

Para las tres correcciones de cola:

 Efron:
𝜏(𝑦𝑚𝑎𝑥 ) = 0
 Klein y Moeschberger:

𝜏(𝑦𝑚𝑎𝑥 ) = (𝛾 − 𝑦𝑚𝑎𝑥 ) ∙ 𝑆(𝑦𝑚𝑎𝑥 )

 Brown, Hollaneder y Korwar
∞
𝑦𝑚𝑎𝑥 ∙ 𝑆(𝑦𝑘 )
𝜏(𝑦𝑚𝑎𝑥 ) = ∫ 𝑒 −𝛽𝑦 𝑑𝑦 = −
𝑦𝑚𝑎𝑥 ln[𝑆(𝑦𝑘 )]
 [9] Estimación paramétrica
Modelo de Markov de dos estados
 La observación comienza a la edad 𝑥 + 𝑎𝑖 para la persona 𝑖 y finaliza a la edad 𝑥 + 𝑏𝑖 para la persona 𝑖
 𝐷𝑖 = 1 si la persona fallece o 𝐷𝑖 = 0 si no
 𝑥 + 𝑇𝑖 es la edad a la cual la observación finaliza
 Tiempo de exposición: 𝑉𝑖 = 𝑇𝑖 − 𝑎𝑖
 Fuerza de mortalidad es constante para las edades 𝑥 y 𝑥 + 1

Hay dependencia entre 𝑇𝑖 y 𝐷𝑖 ya que si 𝐷𝑖 = 0, entonces 𝑇𝑖 = 𝑏𝑖 y si 𝐷𝑖 = 1, entonces 𝑎𝑖 < 𝑇𝑖 < 𝑏𝑖 .

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

𝐸 (𝐷𝑖 ) = 1 − 𝑒 −𝜇(𝑏𝑖 −𝑎𝑖)

Esperanza de 𝑽
𝑣𝑖
𝐸(𝑉𝑖 ) = 𝑒 −𝜇∙𝑣𝑖 + ∫ 𝑣𝑖 ∙ 𝑒 −𝜇∙𝑣𝑖 ∙ 𝜇 𝑑𝑣𝑖
0

𝑣𝑖 de la integral no se reemplaza.

Estimación por máxima verosimilitud

𝑑
𝜇̂ 𝐸𝑀𝑉 =
𝑣
 𝑑: número total de fallecidos
 𝑣: tiempo total de observación o exposición central al riesgo. También contempla censuras y se calcula
multiplicando los egresos por la esperanza o por lo que hayan vivido dentro del intervalo considerado

El estimador tiene distribución asintótica normal y es insesgado:

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 )

Es decir, entre las edades 𝑥 y 𝑥 + 1 a 𝑁 personas. A partir de la función de verosimilitud:

𝑁
𝐿 (𝑞𝑥 ) = ( ) ∙ 𝑞𝑥𝑑 ∙ (1 − 𝑞𝑥 )𝑁−𝑑
𝑑
Se llega a:
𝑑
𝑞̂𝑥 =
𝑁
En definitiva:
𝑞𝑥 ∙ (1 − 𝑞𝑥 )
𝑞̂𝑥 ~ 𝑁 (𝑞𝑥 , )
𝑁

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

𝐸[𝐷] = ∑ 𝑞(𝑥 + 𝑎𝑖 ; 0; 1 − 𝑎𝑖 ) − 𝑝(𝑥 + 𝑎𝑖 ; 𝑏𝑖 − 𝑎𝑖 ) ∙ 𝑞(𝑥 + 𝑏𝑖 ; 0; 1 − 𝑏𝑖 )

𝑖=1

Si se aplica el supuesto de Balducci y se utiliza el valor observado como estimación de la esperanza:

𝑁

𝐸[𝐷] = ∑{(1 − 𝑎𝑖 ) ∙ 𝑞𝑥 − (1 − 𝐸[𝐷]) ∙ (1 − 𝑏𝑖 ) ∙ 𝑞𝑥 }

𝑖=1

Despejando, se llega al estimador actuarial:

𝑑
𝑞̂𝑥 =
∑𝑁
𝑖=1(1 − 𝑎𝑖 ) − ∑𝑁𝑖=1,𝐷𝑖=0(1 − 𝑏𝑖 )
El denominador se define como exposición inicial (actuarial) al riesgo y se simboliza como 𝐸(𝑥, 𝑥 + 1).

Supuestos fraccionarios en el modelo

D.U.F Balducci Exponencial

1 − 𝑞(𝑥; 0; 1)
𝑝(𝑥; 𝑡) 1 − 𝑡 ∙ 𝑞(𝑥; 0; 1) [𝑝(𝑥; 1)]𝑡
1 − (1 − 𝑡) ∙ 𝑞(𝑥; 0; 1)
𝑡 ∙ 𝑞(𝑥; 0; 1)
𝑞(𝑥; 0; 𝑡) 𝑡 ∙ 𝑞(𝑥; 0; 1) 1 − [𝑝(𝑥; 1)]𝑡
1 − (1 − 𝑡) ∙ 𝑞(𝑥; 0; 1)

Exposiciones

Suponiendo una persona de edad 𝑥 + 𝑎𝑖 , con edad de finalización de la observación igual a 𝑥 + 𝑏𝑖 :

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.

Diferencias entre exposición central y exposición inicial

 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)

Modelo de Markov de múltiples estados

La idea es estimar las intensidades de transición entre 𝑥 y 𝑥 + 1, que dependen de la suma del tiempo de exposición
de cada persona y de la suma de las transiciones de las personas de un estado a otro. El modelo usa el supuesto
exponencial de fallecidos.
Contribución a la función de verosimilitud

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.

Estimación de las intensidades de transición

A partir de la función de verosimilitud:

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

Varianza de las intensidades de transición

Por Cramer – Rao:

2
(𝜇𝑥𝑖𝑘 ) 𝐷𝑖𝑘
𝑉𝑎𝑟[𝜇𝑥𝑖𝑘 ] ≈ ≈
𝐸[𝐷𝑖𝑘 ] [𝑇 (𝑖) ]2

Con 𝑖 ≠ 𝑗.

[10] Estimación semi – paramétrica

Modelo de tasas de riesgo proporcionales de Cox

ℎ𝑗 (𝑡 / 𝑧) = ℎ0 (𝑡) ∙ 𝑐 ∙ (𝛽1 ∙ 𝑧1 , 𝛽2 ∙ 𝑧2 , … , 𝛽𝑝 ∙ 𝑧𝑝 )
𝑇𝑍
ℎ𝑗 (𝑡 / 𝑧) = ℎ0 (𝑡) ∙ 𝑒 𝛽

 ℎ0 (𝑡): tasa de riesgo base

 𝑧𝑖 : covariables
 𝛽𝑗 : coeficientes
 𝑐 (𝑦) = 𝑒 𝑦 : función que toma valores positivos solamente

Función de la tasa de riesgo base acumulada:

𝑡
𝐻0 (𝑡) = ∫ ℎ0 (𝑠) 𝑑𝑠
0

Fución de supervivencia base:

𝑆0 (𝑡) = 𝑒 −𝐻0 (𝑡)

Función de densidad base:
𝑑
𝑓0 (𝑡) = − 𝑆 (𝑡) = 𝑆0 (𝑡) ∙ ℎ0 (𝑡)
𝑑𝑡 0
Tasa de riesgo no base de cualquier persona 𝑗:

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

Función de supervivencia persona 𝑗:

Como:

𝐻𝑗 (𝑡) = 𝑐𝑗 ∙ 𝐻0 (𝑡)

Entonces:

𝑆𝑗 (𝑡) = 𝑒 −𝐻𝑗 (𝑡) = 𝑒 −𝑐𝑗 𝐻0(𝑡) = [𝑆0 (𝑡)]𝑐𝑗

Función de densidad de probabilidad para la persona 𝑗:

𝑑
𝑓𝑗 (𝑡) = − 𝑆 (𝑡) = 𝑆𝑗 (𝑡) ∙ ℎ𝑗 (𝑡) = [𝑆0 (𝑡)]𝑐𝑗−1 ∙ 𝑐𝑗 ∙ 𝑓0 (𝑡)
𝑑𝑡 𝑗
Estimación de tasa de riesgo base y coeficientes:
A partir de un método de máxima verosimilitud. Se escribe la función de verosimilitud a partir de la función de
densidad o la función de supervivencia de cada observación. Si tenemos 𝑛 observaciones no censuradas y 𝑚
censuradas:

𝐿 = 𝑓(𝑥1 ) ∙ 𝑓 (𝑥2 ) ∙ … ∙ 𝑓 (𝑥𝑛 ) ∙ 𝑆 (𝑢1 ) ∙ 𝑆(𝑢2 ) ∙ … ∙ 𝑆(𝑢𝑚 )

Es decir, para la persona 𝑗 se usa 𝑓 si la observación es no censurada y 𝑆 si es una observación censurada.

Función de verosimilitud parcial

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 .

𝑅(𝑦𝑗 ): grupo de personas sujetas a riesgo en 𝑦𝑗

Si 𝑗 ∗ es la observación que produjo la observación no censurada en 𝑦𝑗 , la contribución de la persona 𝑗 ∗ a la función

de verosimilitud es:
𝑐𝑗 ∗
∑ 𝑐𝑖
𝑖 ∈𝑅(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 .

Cox con Nelson – Aalen

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

Donde 𝑛 es la cantidad de personas con 𝑥 años.

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:

Test de los desvíos estandarizados

𝐾
(𝑟𝑒𝑎𝑙𝑒𝑠𝑖 − 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜𝑠𝑖 )2
∑
𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜𝑠𝑖
𝑖=1
2
Donde 𝐾 es la cantidad de intervalos. Este estadístico tiene una distribución 𝑋𝐾−1 bajo hipótesis nula y tiene la
restricción de que el número esperado en cada intervalo no debe ser menor a 5.

Test de los signos

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 .

Test de los desvíos acumulados

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.

El estadístico de prueba a utilizar entonces es:

 ∑𝑚
𝑥=1 [𝑀(𝑥; 𝑥 + 1) − 𝐸 (𝑥; 𝑥 + 1) ∙ 𝑞 (𝑥; 0; 1)]

√∑𝑚
𝑥=1 𝐸(𝑥; 𝑥 + 1) ∙ 𝑞(𝑥; 0; 1) ∙ 𝑝(𝑥; 1)

Test de los grupos de signos (de Stevens)

Prueba a una cola que busca detectar si existen pocos grupos de desvíos del mismo signo. Sea:

𝐺: el número de grupos de 𝑍𝑥 positivos

𝑚: números de desvíos 𝑛+ positivos y 𝑛− negativos

Así, el número de grupos positivos constituye una variable aleatoria. Se busca calcular la probabilidad de que 𝐺 = 𝑡
desvíos positivos dados 𝑛+ y 𝑛− y la probabilidad de obtener exactamente 𝑡 grupos positivos constituye una
distribución geométrica de la forma:
𝑛 −1
(𝑛− + 1) ∙ ( + )
𝑡 𝑡−1
𝑚
(𝑛 )
+

Buscando el p-value.

Test de correlación serial

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)

El estadístico muestra un sobre ajustamiento si arroja valores mayores a 1,645.