Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract
El presente documento sera un intento de resumir los contenidos de
la materia ”Biometrı́a Actuarial” de la cátedra Sarto Daniel Anibal,
profesor Sarto Daniel Anibal. En el mismo, se intentará resumir todo
lo que se pueda llegar a tomar en un parcial.
Contents
1 Modelos de Supervivencia 2
1.1 Teorı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Practica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
References 54
∗
Para contactarse con el autor puede hacer click en su nombre. El hipervı́nculo lo
enviará a su Linkedin. Si el resumen le sirvió de alguna forma, un comentario positivo en
el mismo se agradece.
1
1 Modelos de Supervivencia
1.1 Teorı́a
A lo largo de la materia Biometrı́a Actuarial, se verán diversos modelos de
mortalidad (y por ende de supervivencia) usados en diferentes contextos. Se
va a modelizar una población que tiene egresos de fallecimiento. Esto nos
va a ayudar a calcular probabilidades probabilidades. Nos podemos llegar a
preguntar cual es la probabilidad de que una persona de edad x sobreviva t
años de vida, cual es la probabilidad de que una persona de edad x fallezca
entre dos ciertas edades, cual es la probabilidad de que una persona de edad
x sobreviva cierto periodo de tiempo, etc. Para empezar a analizar estas
cuestiones vamos a definir a Tx como una variable aleatoria. Esta es el
tiempo que ocurre hasta el fallecimiento de una persona de edad x. Vamos a
denotar que una persona tiene la edad de x años escribiéndolo como (x). Por
lo tanto, acá empezamos a ver que hay un conjunto de variables aleatorias.
Estas son una para cada x que haya. Notese que como x es la cantidad
de años de vida, esta es necesariamente mayor a cero. Una pregunta lógica
es si existe una edad lı́mite. Serı́a difı́cil justificar cierta edad, por lo que se
puede argumentar que esta no existe. De igual forma, vamos a denotarla, por
convención, como ω 1 . Otra variable aleatoria que podemos definir es la edad
de fallecimiento. Esta va a ser (x) + Tx . Notamos que para un recién nacido,
la edad de fallecimiento y el tiempo de vida futuro es el mismo. Todas estas
variables aleatorias son continuas en el dominio de la variable.
Si queremos empezar a buscar probabilidades, nos podemos hacer varias
preguntas. ¿Cuál es la probabilidad de que una persona fallezca antes de t
años?
P r[Tx ≤ t]
Para calcular esto, usamos la Función de Distribución Acumulada. Que en
un curso de probabilidad se introduce como FTx , donde el subı́ndice es la
variable aleatoria. Se podrı́a resumir como Fx . Entonces esta probabilidad
se puede expresar como
P r[Tx ≤ t] = Fx (t)
Sin embargo, la ciencia matemática actuarial tiene su simbologı́a. Podemos
definir dos tipos de esta. Para la nomenclatura internacional, vamos a decir
1
Se consta que ω no se alcanza. Es decir, la persona como máximo puede tener una
vida de ω − 1 años. Cuando llegue a ω esta persona fallece.
2
que esta probabilidad es
P r[Tx ≤ t] = t qx
Y de forma contraria, si nos preguntamos cual es la probabilidad de que una
persona de edad x sobreviva t años, esta va a ser
P r[Tx ≥ t] = t px
La nomenclatura argentina tiene dos versiones2 . La primera
P r[Tx ≤ t] = q(x, x, x + t)
Donde el primer campo es la edad de observación, el segundo es el inicio del
riesgo y el tercero es el fin del riesgo. La segunda versión es
P r[Tx ≤ t] = q(x; 0; t)
Donde el primer campo es la edad de observación, el segundo es el campo
que media entre en inicio del riesgo y la edad haciendo una diferencia (en
este caso serı́a x − x) y el tercero es la diferencia entre el fin del riesgo y el
inicio del mismo (en este caso serı́a x + t − x).
Como el dominio aclaramos que es continuo, sabemos el resultado de ciertas
probabilidades
P r[Tx = t] = 0
Además, si queremos la probabilidad de que fallezca entre la edad x y ω, esta
será igual a 1 ya que siempre se va a realizar el evento
P r[Tx ≤ ω] = 1
Si queremos representar estos eventos en una linea de tiempo tenemos que
3
Este fallecimiento puede ocurrir tanto entre los intervalos [x; x + 1] o [x +
1; x + 2]. Entonces la misma probabilidad se puede escribir como
q(x; m; n) = m/n qx
q(x; 0; ω − x) = 1
4
tenemos que se escribe p(x, x + n). Y si los campos son plazos tenemos
p(x; n). En la notación internacional esto es n px .
Algunas deducciones lógicas de las probabilidades de supervivencia son
p(x; ω − x) = 0 p(x; 0) = 1
Para que la persona fallezca entre esos periodos, tiene que haber sobrevivido
todos los anteriores. Lo que pasa es que al llegar al ante último periodo, se
sabe con certeza que el siguiente va a fallecer. Por eso se multiplica por uno.
Haciendo una deducción con lo visto hasta ahora, tenemos que
= p(x; m) − p(x; m + n)
Si sacamos un factor común
5
a calcular las probabilidades diferidas. Estas son:
La diferencia de las probabilidades q
S0 (x + t) = S0 (x)Sx (t)
6
esta o no con vida.
A las propiedad ya vistas de la función de supervivencia, les vamos a agregar
3 supuestos adicionales. El primero es que existe la derivada de la función
con respecto t
d
Sx (t) ∀t > 0
dt
La segunda es que se cumpla el siguiente lı́mite
lim t2 Sx (t) = 0
t→∞
dFx (t)
fx (t) =
dt
Que esto va a ser igual a menos la derivada de la función de supervivencia
por definición
dSx (t)
=−
dt
Escrita en términos de un recién nacido serı́a
d SS0 (x+t)
0 (x)
=−
dt
Que re-expresado queda
f0 (x + t)
=
S0 (x)
¿Cómo se puede interpretar? Se puede pensar que se vincula con una q(x; t; 1),
donde el uno es la unidad de tiempo en la que se expresa. Pero en realidad
serı́a como que esta unidad tiende a cero. Es un diferencial de tiempo que
nos indica la probabilidad de fallecer en un instante de tiempo chico.
7
Esta función de Densidad tiene 3 propiedades esenciales. La primera es que
es no negativa para todo t
fx (t) ≥ 0
La segunda es que se relaciona con la función de distribución acumulada
Z t
Fx (t) = fx (s)ds
0
1 F0 (x + dx) − F0 (x)
= lim+
1 − F0 (x) dx→0 dx
Que si pasamos las funciones acumuladas a las de supervivencia3 , obtenemos
1 S0 (x) − S0 (x + dx)
lim+
S0 (x) dx→0 dx
8
x, instantánea de fallecer a la edad exacta x. Para un dx tendiendo a cero,
µ(x)dx se puede interpretar como la probabilidad de que un recién nacido,
habiendo alcanzado la edad x, fallezca entre las edades x y x + dx dado que
µ(x) ≥ 0 ∀x > 0
La divergencia Z ∞
µ(t)dt = ∞
0
Se puede relacionar con la función de supervivencia
Z x
− µ(t)dt
S0 (x) = e 0
dln(p(x; t))
µ(x + t) = −
dt
Que si despejamos
−µ(x + t)dt = dln(p(x; t))
Y si integramos Z n Z n
−µ(x + t)dt = dln(p(x; t))
0 0
Donde el lado derecho de la igualdad es simplemente
n
ln(p(x; t)) = ln(p(x; n))
0
9
Y por ende la relación con la función de densidad de probabilidad es
Z x
− µ(t)dt
f0 (x) = e 0 µ(x)
1 dFx (t)
µ(x + t) = −
Sx (t) dt
fx (t) f0 (x + t) S0 (x)
= =
Sx (t) S0 (x) S0 (x + t)
f0 (x + t)
=
S0 (x + t)
De aquı́ se deriva una fórmula muy útil para calcular la función de densidad
de Fx .
fx (t) = p(x; t)µ(x + t)
Que si lo que estamos buscando es la probabilidad de muerte, resta integrar.
Z t
q(x; 0; t) = p(x; s)µ(x + s)ds
0
Generalizando tenemos
Z m+n
q(x; m; n) = p(x; s)µ(x + s)ds
n
10
Se interpreta como la probabilidad de alcanzar con vida la edad x + t a partir
de la edad x, y fallecer antes del periodo t + dt posterior a la edad x. El
equivalente a esta formula discreta serı́a
Que si integramos
n
−p(x; t) = 1 − p(x; n)
0
De acá se demuestra la relación de que la probabilidad de que una persona
muera es uno menos la probabilidad de que este viva. También puede ser de
importancia calcular los momentos de la variable aleatoria Tx . Los posibles
valores de esta variable se van a encontrar entre x y ω. Definimos a un valor
intermedio genérico como t. Si queremos calcular la esperanza tendremos
que multiplicar la variable (t) por la probabilidad de fallecer en ese tiempo
Z ω−x
E [Tx ] = tp(x; t)µ(x + t)dt
0
11
Si integramos por partes obtenemos
ω−x Z ω−x
= − [tp(x; t)] + p(x; t)dt
0 0
ec(0; 0; ω)
Si queremos tomar solo los años como enteros y no como fracciones, obten-
emos la Vida Media Abreviada. Es decir, si la persona sobrevivió 45, 75
años, para nosotros va a ser solo 45 años de vida. Se deduce entonces que
la vida media completa es mayor que la abreviada. No necesariamente estas
tienen que ir hasta la edad de muerte lı́mite. Por ejemplo, podemos ver el
promedio de años que van a vivir las personas de edad x entre las edades x y
x + n. Es lógico pensar que si queremos ver el promedio de años que puede
vivir una persona de 10 años entre las edades 10 y 15, el máximo tiempo que
nos puede dar es 5 años. Esto serı́a ec(x; 0; n). Realizando la cuenta, hay
que tener en consideración los valores que exceden a n. A estos valores se los
representa con un término adicional
Z n
t p(x; t)µ(x + t) +np(x; n)
0 | {z }
−dp(x;t)
12
Entonces esto se puede definir como E [M in(Tx ; n)] Además, podemos definir
otra variable aleatoria de interés llamada Kx . Esta la vamos a definir como
el número de años enteros vividos por una persona de edad x hasta su fall-
ecimiento, En otras palabras, es la parte entera de la variable aleatoria Tx .
Si nos interesa, podemos calcular diversas probabilidades como
Que si desarrollamos los términos, vemos que todos van a quedar acompañados
de un coeficiente igual a uno. Por esto, se puede expresar como
ω−x
X
E[Kx ] = p(x; k)
k=1
ω−x
X
=2 kp(x; k)
k=1
13
se presenta como la evolución de un colectivo cerrado de vidas homogéneas e
independientes con puntos anuales discretos de eliminación bajo la hipótesis
de que la mortalidad es solo función de la edad alcanzada.
Descomponiendo esta definición, vemos que esta tabla de mortalidad (también
llamada de supervivencia) es un modelo que solo permite egresos de la
población. Los individuos de estos no tienen interdependencia de sus fallec-
imientos, pero si se ven afectados por elementos como el genero, la actividad
laboral, el nivel socio-económico, etc. Se va a obtener información de los
fallecimientos de forma anual. Es decir, se sabe la edad alcanzada pero no
fraccionaria. La tı́pica tabla tiene como elemento las diversas edades posibles
x, el nivel de persona que alcanzan con vida la edad exacta y entera x se
define como l(x) = lx y el número de fallecimientos entre las edades x y x + 1
se define como d(x; 0; 1) = d(x) = dx . Por ejemplo, en una población de
incestos donde ω = 5 tenemos una posible tabla que se verı́a
x l(x) d(x)
0 1000 100
1 900 200
2 700 350
3 350 200
4 150 150
5 0
Algunas propiedades de esta tabla es que l(ω) = 0, que d(ω − 1) = l(ω − 1) o
que la suma de todos los fallecimientos es igual a la cantidad de población viva
en el primer periodo. Además, otras propiedades son que l(x+1) = l(x)−d(x)
por lo que l(x) − l(x + 1) = d(x), que l(x) − l(x + n) = d(x; 0; n) y que
d(x; 0; ω − x) = l(x). Con todas estas propiedades se pueden demostrar las
relaciones expuestas previamente entre las probabilidades de supervivencia y
las de fallecimiento. Se define
l(x + n)
p(x; n) =
l(x)
Y entonces
d(x; 0; n) l(x) − l(x + n)
q(x; 0; n) = = = 1 − p(x; n)
l(x) l(x)
Si queremos una probabilidad de fallecimiento diferida
d(x; n; n) l(x + m) − l(x + n + m)
q(x; m; n) = = = p(x; n) − p(x; m + n)
l(x) l(x)
14
De aca se deduce que d(x; m; n) = d(x + m; 0; n). También, dividiendo y
multiplicando por
l(x + m) l(x + m) − l(x + n + m)
q(x; m; n) = = p(x; m)q(x + m; 0; n)
l(x + m) l(x)
Finalmente, se demuestra que
d(x; 0; m + n) − d(x; 0; n)
q(x; m; n) = = q(x; 0; m + n) − q(x; 0; m)
l(x)
Un concepto importante de estas tablas de mortalidad es que no se siguen
a una misma población de recién nacidos hasta su fallecimiento. Se toma
información de un rango de tiempo, es decir se hace un análisis transversal
y no longitudinal. En función de los fallecimientos se realizan estas tablas.
Adicionalmente, podemos definir una variable aleatoria como el número de
personas que alcanzan con vida la edad x. Esta se distribuye
Y la varianza
V ar [L (x)] = l(0)p(0; x)(1 − p(0; x))
A su vez, podemos definir la función censal de supervivencia. Esta se
va a denotar como L(x) o Lx . Representa el número esperado total de años
vividos, entre las edades x y x + 1. También puede interpretarse como el
promedio de personas vivas entre las edades x y x + 1. Es lógico pensar que
su cálculo va a ser el total de las personas que vivieron ese periodo de tiempo
mas el tiempo que vivieron las personas que fallecieron entre este periodo.
Se puede expresar como
Z 1 Z 1
L(x) = l(x + t)dt = l(x + 1) + t(−l(x + t))dt
0 0
15
Otro concepto que nos ayuda a medir la mortalidad es la Tesa Central
de Mortalidad4 . Esta representa un promedio ponderado de las tasas in-
stantáneas de mortalidad (µ(x)) entre las edades x y x + 1. Se define como
Z 1
l(x + t)µ(x + t)dt
d(x) 0
m(x; 0; 1) = = Z 1
L(x)
l(x + t)dt
0
Z 1
p(x; t)µ(x + t)dt
0
= Z 1
p(x; t)dt
0
16
Esta expresión se puede deducir que tiene la siguiente forma
2
Y (x) T (x)
=2 −
l(x) l(x)
Donde ∞
Z ∞
1 X
Y (x) = T (x + t)dt ≈ T (x) + T (x + t)
0 2 t=1
Realizando partes
∞ Z ∞ Z ∞
2 2
= −t p(x; t) +2 tp(x; t)dt = tl(x + t)dt
0 0 l(x) 0
| {z }
=0
17
Cuya función de supervivencia es
B x (C t −1)
Sx (t) = e− ln(C) C
Y la segunda es la de Makeham
q(x; 0; t) = tq(x; 0; 1)
18
Es decir, la probabilidad de fallecer a partir de la edad x en una fracción de
tiempo t es igual a la fracción por la probabilidad de fallecer hasta antes del
periodo completo. Con esto se obtiene
p(x; t) = 1 − tq(x; 0; 1)
d(x; 0; t) = td(x; 0; 1)
19
de tiempo se muere alguien. Por lo tanto, la función de supervivencia es
decreciente estricta. Por lo tanto, como p(x; t) es decreciente, la µ(x + t)
tiene ser ser estrictamente creciente. Despejando
q(x; 0; 1) q(x; 0; 1)
µ(x + t) = =
p(x; t) 1 − tq(x; 0; 1)
Se verifica que es decreciente ya que si t → 0, la mu tiende a q(x; 0; 1). Si
t → 1 vemos que el cociente se agranda al dividir por un número menor.
Por otro lado, la probabilidad de supervivencia escrita en forma de l(x) se
puede expresar como
l(x + t) = l(x) − t [l(x) − l(x + 1)]
| {z }
d(x)
20
q(x : 0; 1)
= − [1 − (1 − t)q(x; 0; 1)] (−1) [1 − (1 − t)q(x; 0; 1)]−2 q(x; 0; 1) =
1 − (1 − t)q(x; 0; 1)
q(x : 0; 1)
=
p(x + t : 1 − t)
Vemos que si t → 0 nos queda una fracción dividida otra fracción. En cambio,
si t → 1 nos queda la fracción. Por lo tanto, se concluye que la fuerza de
mortalidad decrece.
A su vez, vemos que si se quiere calcular mediante interpolación tenemos que
1 (1 − t) t
= +
l(x + t) l(x) l(x + 1)
Finalmente, el tercer supuesto que se puede realizar es el de Fuera de Mor-
talidad Constante. Este nos indica que
µ(x + t) = µ(x) = µ
Por lo que
p(x; 1) = e−µ
Entonces se deduce de acá que
Y por lo tanto
q(x; 0; t) = 1 − [p(x; 1)]t
Si la edad es fraccionaria,
Z 1−t
− µds
p(x + t; 1 − t) = e 0 = [p(x; 1)](1−t)
21
Finalmente, se demuestra que la interpolación en este caso se da mediante
ln (l(x + t)) = (1 − t)ln (l(x)) + tln (l(x + 1))
Resumiendo los tres supuestos, se puede armar la siguiente tabla
p(x + t; 1 − t) 1−q(x;0;1)
1−tq(x;0;1)
1 − (1 − t)q(x; 0; 1) [p(x; 1)](1−t)
q(x + t; 0; 1 − t) 1− 1−q(x;0;1)
1−tq(x;0;1)
(1 − t)q(x; 0; 1) 1 − [p(x; 1)](1−t)
q(x;0;1) q(x;0;1)
µ(x + t) p(x;t) p(x+t;1−t)
−ln(p(x; 1))
En base a lo visto hasta ahora, se puede diseñar un método gráfico por el que
se representa la composición y la evolución de una población. Este método
se llama Esquema de Lexis. Nos brinda información de tres aspectos im-
portantes: fecha de observación (zi ), edades (xi ) y fecha de nacimiento (ai ).
Las edades se orientan usualmente en el eje vertical mientras que las fechas
(tanto de nacimiento como de observación) se colocan en el eje horizontal. Se
aclara que las fechas suelen tratarse en unidades anuales. Como una persona
que nació en una fecha a1 , al transcurrir un periodo va a tener un año adi-
cional de vida, se deduce que este gráfico se compone de rectas de pendiente
uno. Un gráfico usual es
22
Se puede interpretar de la siguiente forma. Se observan dos poblaciones, A
y B. La primera tiene año de nacimiento igual a a1 y la segunda a a2 . A
medida que transcurre el tiempo, los individuos van a alcanzar con vida las
edades X. Por ejemplo, se ve que a la fecha Z1 , los individuos de la recta
B van a tener X1 años, mientras que los de la recta A tendrán X2 . Se ve
una clara relación con la l(x), ya que se van a observar la cantidad de gente
que alcanza con vida la diferentes edades. En base a este gráfico, podemos
definir dos conjuntos de vivientes y tres conjuntos de muertes. Se explicará
cada uno. El Primer Conjunto de Vivientes se va a denominar
V (1; X2 ; Z1 ; Z2 )
Este va a ser la recta roja que se ve en el gráfico. Este representa todas las
personas que alcanzan la edad X2 . Como hay diversos grupos que tienen esta
edad, se va a tener que esto puede provenir de diferentes observaciones (Z1
y Z2 ). Cada grupo, va a tener su fecha de nacimiento correspondiente a su
recta. De acá se deducen los campos de la nomenclatura (siendo el primero
la referencia al conjunto del que se trata y la V al referirse a vivientes).
El Segundo Conjunto de Vivientes se va a denominar
V (2; Z1 ; X1 , X2 )
Este, que se ve representado por la linea vertical recta roja, muestra todas
las personas que se observan en la fecha Z1 con edad X1 . Se piensa como el
censo, por lo que esta vinculado la la L censal. Estas personas comparten la
edad de X1 , ya que se observa solo ese conjunto (de X1 a X2 ).
El Primer Conjunto de Muertes se define como
M (1; X1 , X2 ; a1 , a2 ) = V (1; X1 ; Z1 , Z2 ) − V (1; X2 ; Z2 , Z3 )
23
Este paralelogramo muestra los fallecidos con edad X1 como último cumpleaños,
que nacieron entre las fechas a1 y a2 . Se puede observar que para este con-
junto se necesitan dos años para obtener los resultados. Es decir, se tiene
que ver al primer conjunto viviente ente dos periodos y al primer conjunto
viviente entre los dos siguientes periodos. El intervalo de edad es anual, el
de nacimientos es anual pero el de fallecimientos es bianual.
El Segundo Conjunto de Muertes se define como
24
que los que alcanzaron con vida, por ende se tiene a los fallecimientos entre
estos periodos. Se ve entonces que el intervalo de edad es de a dos, la primera
observación se ve de X0 a X1 y la segunda de X1 a X2 .
Finalmente, se tiene el Tercer Conjunto de Muertes. Este
Nos muestra las personas que fallecieron entre las edades X1 y X2 entre las
dos observaciones Z1 y Z2 . No nos importa su fecha de nacimiento, sino su
fallecimiento entre las edades. Este es un conjunto que muestra la realidad.
Sin embargo, nos puede interesar el Conjunto Elemental de Muertes
E(X1 , X2 ; Z1 , Z2 ; a2 , a3 )
Este es el área sombrada de la figura. Nos muestra los fallecidos con edad X1
al último cumpleaños y que nacieron en un mismo año. Es un subconjunto del
anterior conjunto. La estadı́stica nos brinda información del tercer conjunto,
pero si quisiéramos disponer del primer conjunto de fallecimientos (es útil
25
para estimar las q), vamos a hacer uso de este conjunto elemental. Vamos a
utilizar la suma de dos elementales y se llega a la primera figura, esto es
E(X1 , X2 ; Z1 , Z2 ; a1 , a2 )
f (X1 , X2 ; Z1 , Z2 ) =
E(X1 , X2 ; Z1 , Z2 ; a2 , a3 ) + E(X1 , X2 ; Z1 , Z2 ; a1 , a2 )
26
a cero en el seguro. Por lo tanto, l(x; 1) son personas de edad x que tienen
una antigüedad igual a un año en el seguro. Es decir, lo contrataron con
x − 1 años de edad. Además, en el caso del seguro, posterior a cierto peri-
odo de tiempo el examen médico queda absoluto. No importa si la persona
tenı́a una buena salud hace 10 años. Es por esto que se define también el
periodo de selección (por cuanto tiempo la persona es selecta). Este periodo
lo denotamos con la nomenclatura d. Después de este periodo de selección,
las personas convergen a la mortalidad general.
Para ver como se conforma la tabla selecta, suponemos el siguiente ejemplo:
sean las edades de 70, 71 y 72, se piensa en la evolución de una población
que es selecta y que no lo es. Se piensa en un periodo de selección de dos
años. Se muestra la siguiente tabla
X l(X; 0) l(X + 1; 1) l(X + 2) X +2
70 100000 72
71 90000 73
72 72000 74
Se cuenta con los siguientes datos
q(72; 0; 1) = 0, 1 q(73; 0; 1) = 0, 2
l(73) 90000
= = 0, 90
l(72) 100000
27
los periodos siguiente, nos interesa enfocarnos en estos. Como l(72; 0) no lo
tenemos, usamos l(74)7 . La relación entre estas dos cantidades es
28
Sin embargo, no podemos completar ningún cuadrante mas al carecer de
información sobre las probabilidades. Lo que se puede observar es que si
calculamos las probabilidades de supervivencia del grupo selecto van a ser
mayores. Por ejemplo,
72000
p(73; 1; 1) = = 0, 80600 > p(73; 1) = 0, 8
84330, 02
Se puede ver que con esta parte de la tabla selecta se pueden calcular las
probabilidades de fallecimiento para el grupo. Por ejemplo, algunas posibles
son
l(74) − l(75)
q(72; 2; 1; 0) =
l(72; 0)
l(73) − l(74)
q(72; 1; 1; 1) =
l(72; 1)
l(71; 1) − l(72)
q(70; 1; 1; 0) =
l(70; 0)
Lo usado hasya ahora es parte de la nomenclatura argentina. Si se quiere
utilizar la internacional se tiene la siguiente equivalencia
l(x; t) = l[X]+t p(x; t; f ) = t p[X]+f q(x; m; t; f ) = m/t q[X]+f
Otra ventaja de las tablas selectas es que también se pueden escribir en
función de las probabilidades de fallecimiento. Por ejemplo, si d = 2
29
1.2 Practica
Ejercicio 1:
Dada la siguiente función acumulada
1
t 6
F0 (t) = 1 − 1 − 0 ≤ t ≤ 120
120
F0 (50) − F0 (30)
F30 (20) =
1 − F0 (30)
65
61
S0 (65) 1− 120
S40 (25) = = 61 = 0, 93946
S0 (40) 1− 40
120
30
2. Para calcular la fuerza de mortalidad existen dos formar. Primero
definimos la función de supervivencia (que ya vinimos usando)
x 16
S0 (x) = 1 −
120
A esta función la vamos a derivar con respecto a x
x −5
d 1 6 1
S0 (x) = 1− −
dx 6 120 120
x − 56
1 1 1
µ(x) =
x
61 6 1 − 120 120
1− 120
Simplificando
1
µ(x) =
720 − 6x
La forma alternativa serı́a
d
µ(x) = − ln(S0 (x))
dx
x 16
d
=− 1−
dx 120
1
µ(x) =
720 − 6x
Ejercicio 2:
Considere la siguiente variable aleatoria T0 , tiempo que transcurre hasta el
fallecimiento de un recién nacido, cuya función de supervivencia esta repre-
sentada por
S0 (x) = c 0 ≤ x ≤ 100
31
2. Encuentre la expresión correspondiente para la función de densidad
1. Para este primer inciso, vemos que para que sea legı́tima debe cumplir
con 3 condiciones. Que todo recién nacido tenga probabilidad 1 de
sobrevivir, que cuando se llegue al lı́mite muera y que sea no creciente.
Estas se demuestran. La primera
1
S0 (0) = (100 − 0)0,5 = 1
10
La segunda similarmente
1
S0 (100) = (100 − 100)0,5 = 0
10
Y finalmente
d d 1 1
S0 (x)) = (100 − x)0,5 =− ≤0
dx dx 10 20(100 − x)2
Ejercicio 3:
Dado 15
t
F0 (t) = 1 − 1 − 0 ≤ x ≤ 105
105
Calcular q(0; 0; 60), p(30; 40), q(20; 70; 10), la esperanza de vida completa a
la edad de 50 y la esperanza de vida abreviada de edad 50.
Para empezar a calcular las probabilidades, vemos que empezamos con una
de muerte, una de supervivencia y otra diferida. La primera se encuentra
fácil, ya que por definición es
32
La segunda vamos a necesitar la función de supervivencia. Esta es por
definición
S0 (t) = 1 − F0 (t)
Entonces 1
t 5
S0 (t) = 1 −
105
Para encontrar esta probabilidad de supervivencia, tenemos que condicionar
que se llegue a la edad deseable (30 años). Esto serı́a dividir la probabilidad
que buscamos por la condicional. Por lo tanto tenemos que la probabilidad
de que, habiendo llegado a los 30 años, sobreviva mas de 40 años es la proba-
bilidad de sobrevivir 70 (30+40) años dividido la probabilidad de sobrevivir
30.
S0 (70)
p(30; 40) = S30 (40) = = 0, 8586
S0 (30)
Por último, la probabilidad diferida se puede calcular de diversas formas.
Una fácil es condicionar a la edad que se tiene que alcanzar y en el numer-
ador sumar la probabilidad de la vida alcanzada y restar (que no pase) la
probabilidad de que alcance el lı́mite. Es decir
S0 (90) − S0 (100)
q(20; 70; 10) = = 0, 1394344401
S0 (20)
Para encontrar la esperanza de vida completa y abreviada, son cálculos
simétricos solo que el primero en tiempo continuo y el segundo discreto (in-
tegral y sumatoria respectivamente). La completa va a venir dado por
Z 55
ec(50; 0; 55) = p(50; t)dt
0
55 50+t
15 55 1
1−
Z Z
105 1 50 + t 5
ec(50; 0; 55) = 51 dt = 51 1− dt
0 1− 50
1− 50 0 105
105 105
33
Si resolvemos por sustitución
En promedio, se espera que las personas de 50 años vivan 45,8333 años mas.
Para la abreviada el calculo es simétrico, solo que con una sumatoria
55
X
e(50; 0; 55) = p(50; t)dt
t=1
55 50+t
15 55 1
1−
X
105
X1 50 + t 5
e(50; 0; 55) = 1 dt = 1 1− dt
t=1
50 5
1 − 105 50 5
1 − 105 t=1
105
p 0, 95
0, 99 0, 985
x x+1 x+2 x+3 x+4
0, 02
q
34
La tercera probabilidad se puede despejar de la siguiente equivalencia
p(x + 1; 2) = 0, 9693878
La cuarta probabilidad, simplemente utilizamos la que se acaba de calcular
Ejercicio 5:
Sabiendo que p(40; 1) = 0, 999473, bajo el supuesto de DUF encontrar q(40, 2; 0; 0, 4).
Para resolver este ejercicio, existen diversas formas. Se van a enunciar algu-
nas. En la primera, vemos que lo que se nos pregunta se puede expresar en
edades enteras como
p(40; 0, 6)
q(40, 2; 0; 0, 4) = 1 − p(40, 2; 0, 4) = 1 −
p(40; 0, 2)
De esta forma, es mucho mas fácil calcular las probabilidades. Simplemente
usamos las fórmulas y obtenemos que
1 − 0, 6q(40; 0; 1)
q(40, 2; 0; 0, 4) = 1 − = 0, 00021822
1 − 0, 2q(40; 0; 1)
La segunda forma de encontrar la probabilidad, es mediante la ecuación
sq(x; 0; 1)
q(x + t; 0; s) =
1 − tq(x : 0; 1)
Sin embargo, esta solo se puede utilizar si t + s < 1. Acá obtenemos que
0, 4q(40; 0; 1)
q(40, 2; 0; 0, 4) = = 0, 00021822
1 − 0, 2q(x; 0; 1)
Finalmente, llegamos a que de la expresión utilizada previamente, si la es-
cribimos en forma de l(x) podemos interpolar
p(40; 0, 6) l(40, 6)
q(40, 2; 0; 0, 4) = 1 − p(40, 2; 0, 4) = 1 − = = 0, 00021822
p(40; 0, 2) l(40, 2)
Ejercicio 6:
Sabiendo que
q(70; 0; 1) = 0, 04 q(71; 0; 1) = 0, 05
35
Calcular bajo el supuesto de DUF y bajo el supuesto de Balducci la q(70; 0, 5; 1).
Este ejercicio se puede resolver, como todo, por varios caminos. Si queremos
dividir esta probabilidad diferida en otra, se puede expresar como
l(x + t)
p(x; t) =
l(x)
La probabilidad que se nos pide en este caso se expresa como
l(70, 5) l(71, 5) l(70, 5) − l(71, 5)
− =
l(70) l(70) l(70)
Por lo tanto, los ejercicios de probabilidades fraccionarias se pueden resolver
mediante interpolación. Para el caso de DUF, tenemos que la fórmula es
36
En base a estos valores, se calcula la probabilidad. Si se quiere analizar bajo
el segundo supuesto, tendremos que la fórmula de interpolación cambia para
1 (1 − t) t
= +
l(x + t) l(x) l(x + 1)
Ejercicio 7:
Se tiene que q75 = 0, 04 y que q76 = 0, 05, bajo el supuesto DUF encontrar
Se realizan estas dos integrales ya que como la variable toma el mı́nimo, antes
de esos valores (de cero a 2) se usará la variable t. Después del dos (de 2
a infinito) se toma la variable 2. Si se reemplaza la fuerza de mortalidad
multiplicada por la probabilidad por menos el diferencial de la probabilidad
de supervivencia, resulta en
Z 2 Z ∞
′
t(−p (75; t))dt + 2(−p′ (75; t))dt
0 2
Hay que tener cuidado, ya que el supuesto es valido para la edad x hasta
x + 1, por lo tanto, como la integral lo supera se parte. Sin embargo se tiene
que agregar la probabilidad de que sobreviva desde la edad x hasta x+1 para
que la integral sea valida.
Z 1 Z 2
1 − tq(75; 0; 1)dt + p(75; 1) 1 − tq(76; 0; 1)dt
0 1
37
Ejercicio 8:
Sabiendo
q(70; 0; 1; 0) = 0, 010373 q(71; 0; 1; 1) = 0, 014330 q(72; 0; 1; 2) = 0, 019192
q(73; 0; 1; 3) = 0, 025023 q(74; 0; 1; 4) = 0, 031859 Supuesto: DUF
q(70, 2; 0; 3, 8; 0, 2) = 1 − p(70, 2; 3, 8; 0, 2)
Que si definimos que vamos a trabajar con l(x) podemos ver que, arbitrari-
amente, tenemos l(40; 0) = 10000 Entonces la probabilidad va a ser igual
a
l(74; 4)
q(70, 2; 0; 3, 8; 0, 2) = 1 −
l(40, 2; 0, 2)
Donde el numerador se obtiene de forma directa, multiplicando l(70; 0) por
las respectivas probabilidades de supervivencia
38
0, 96411
50 51 52 53 ... 56
0, 01601
0, 0241
0, 09272
Como se puede observar, no se tiene todos los datos a priori que se nece-
sitan. Por esto se va a trabajar para conseguirlos. Primero vamos a definir
una l(50; 0) como
l(50; 0) = 10000
Y entonces la probabilidad que buscamos se define como
l(56)
p(53; 3) =
l(53)
Pero como tampoco tenemos estas l(x), las tenemos que despejar de ecua-
ciones que conozcamos. Por ejemplo, si escribimos las probabilidades en
función de l(x)
l(53) − l(64)
q(51; 2; 3; 1) =
l(51; 1)
De esta ecuación tenemos la q y podemos calcular el l(51; 1) como
39
cociente.
Ejercicio 10:
Se conoce los siguientes datos
V (2; 70, 71; 2016) = 3100 V (2; 70, 71; 2018) = 2480
V (1; 71; 2016; 2017) = 2860 E(70, 71; 1946, 1947; 2016; 2017) = 360
M (3; 70, 71; 2017, 2018) = 550 M (3; 70, 71; 2018, 2019) = 580
40
Como nos pide la probabilidad de fallecidos de edad 70 que nacieron en 1947.
Esta probabilidad se define en base a la suma de dos conjuntos elementales
dividido el conjunto de vivientes número uno. En términos de los vértices
1947 f cg + cgd
q70 =
fg
Nosotros tenemos la información de los cuadrados, pero necesitamos separar-
los para obtener los triángulos y asi sumarlos. Para esto utilizamos el factor
de separación. Este es el mismo para todas las personas de edad x hasta
x + 1. Por lo que vamos a utilizar el conjunto elemental que ya sabemos para
calcular este factor para personas de edad 70. Lo que pasa es que necesita-
mos el cuadrado abef . Con la recta ae y la ab (segundo y primer conjunto
de vivientes respectivamente) vamos a poder calcular el triangulo superior
de ese cuadrado. Como regla general se tiene lo siguiente:
Si el segundo conjunto de vivientes que se encuentra a la izquierda del
cuadrado es X y el primer conjunto de vivientes que es el techo del cuadrado
es Y , el triangulo superior, llamado Z, se encuentra mediante la siguiente
relación
X −Y =Z
Si tenemos que el segundo conjunto de vivientes esta a la izquierda del
cuadrado y lo llamamos K, el primer conjunto de vivientes es la base del
cuadrado y lo llamamos T , entonces el triángulo inferior del cuadrado, lla-
mado W , va a ser
T −K =W
Entonces, el triángulo superior del cuadrado va a ser el segundo conjunto de
vivientes menos el primero
3100 − 2860 = 240
41
Entonces el factor de separación de todas las personas de edad 70 va a ser la
proporción del triángulo superior sobre el cuadrado. El cuadrado va a ser la
suma de los dos triángulos. Es decir, el factor de separación es
240
f70 = = 0, 4
240 + 360
De esta forma se calcula el triángulo f cg y el cgd
f cg = (1 − 0, 4)550 = 330
42
2 Modelos de Estados Múltiples
2.1 Teorı́a
En esta sección, se examinarán los modelos que permiten transiciones de es-
tados. Es decir, vamos a habilitar que las personas puedan estar en otros
estados. No solo vamos a tener las probabilidades de que sobreviva o que
fallezca, si no que vamos a poder analizar otras opciones como enfermedades,
invalidez y recupero. Para esto, se extiende el modelo previamente descripto.
Se va a trabajar con un espacio de estados discreto, y existe tanto la variación
del tiempo continuo como discreto.
Estos modelos son probabilı́sticos y describen el movimiento aleatorio de un
sujeto, pero se pude extender a un organismo o una máquina y otras cosas.
Los ejemplos mas tı́picos son modelo de vida y muerte. de accidente y muerte,
de invalidez permanente o de enfermedad y muerte.
Sea una persona de edad X en el momento t = 0. A su vez, se denota un
número asociado a cada estado posible. Los espacios de estados finitos se de-
nominan m + 1 para valores tal que {0; 1; 2; ...; m}. Es decir, el primer estado
de todos es el cero. Para cada momento del tiempo continuo tal que t ≥ 0
se define una nueva variable aleatoria denominada Y (t) que toma el valor
del estado. Si tomamos un conjunto de variables Y (t) tenemos un proceso
estocástico continuo en el tiempo. Por lo tanto, Y (t) = i se interpreta como
la persona de edad x que se encuentra en el estado i en la edad x + t.
Si buscamos las probabilidades de transición tendremos la siguiente nomen-
clatura
ij
t px = p(x; t; ij) = P r Y (X + t) = j Y (X) = i
43
Es útil definir la Fuerza de Transición (también llamada intensidad). Esta
es la siguiente
ij
h px
µij
x = lim i ̸= j
h→0+ h
o(h)
lim+ =0
h→0 h
(iii) Para cualquier estado i y j, y para todas las edades x ≥ 0, existe
d ij
tp
dt x
Con estos tres supuestos se expande la definición de intensidad de transición.
Se puede expresar a esta como
ij
h px hµij + o(h)
µij
x = lim+ = lim+ x
h→0 h h→0 h
Además, se observa que si los valores de h son muy chicos
ij
h px ≈ hµij
x
44
Otra consecuencia del supuesto es que
ii ¯
t px ≥ t piix
Ya que por mas que sea insignificante, existe la probabilidad o(h). Es decir
se tiene que
ii ¯
ii
t px = t px + o(t)
Se obtiene que
m
X
ii
h px =1−h µij
x + o(h)
j=0
j ̸= i
El lector puede preguntarse por que estas son igualdades. Lo que esta
pasando es que el término o(h) es diferente. Entonces, se contempla a través
de este término que se salga del estado y se vuelva.
45
A continuación se va a realizar una deducción. Si se parte de la siguiente
equivalencia
¯
ii ¯
ii ¯
ii
t+h px = t px h px+t
¯
Como 0 piix = 1 y si aplicamos exponencial
Z t X
m
¯
ii ij
t px = exp − µx+s ds
0
j = 0
j ̸= i
46
Si se hace tender a h a cero, obtenemos las Ecuaciones de Kolmogorov.
Esta es m
d ij X h
ik kj ij jk
i
tp = t px µx+t − t px µx+t
dt x
k=0
k ̸= i
{Y (t), t = 0, 1, 2..., t}
47
partida y no de la trayectoria pasada.
Este enfoque, puede tener algunas complicaciones a la hora de calcular difer-
entes probabilidades. Por ejemplo, suponiendo que se tienen todas las proba-
bilidades, si se quiere calcular una simple probabilidad en un simple modelo,
como el de enfermad y fallecimiento, como la de pasar del estado cero al cero
en tres periodos tendremos que esta es
00
3 px = p00 00 00 00 01 10 01 10 00 01 11 10
x px+1 px+2 + px px+1 px+2 + px px+1 px+2 + px px+1 px+2
Es decir, se tienen que considerar todos los caminos posibles. Puede volverse
un poco largo. Es por esto, que la probabilidad se puede expresar como
00
t+1 px = t p00 00 01 10
x px+t + t px px+t
48
Esto nos dará las probabilidades de que se transite de un estado a otro
en dos periodos anuales. Se define que si la matriz Px no varia a lo largo
del tiempo (las probabilidades son independientes del tiempo), el proceso es
homogéneo. De otra forma, serı́a no homogéneo.
49
2.2 Practica
Ejercicio 1:
Sea un modelo de 3 estados: vivo (0), muerte por accidentes (1) y muertes
por otras causas (3). Se conocen las fuerzas de transición que son
µ01
x = 0, 0005 + 0, 00076(1, 09)
x
µ02
x = 0, 00001
Para empezar a calcular estas probabilidades, se puede ver que este modelo
tiene dos estados absorbentes, el estado 1 y el estado 2. Es decir, que si se
sale del estado 0 no se puede volver. Por lo que lo primero que se observa es
que
00 ¯
00
10 p30 = 10 p30
Z 10
− 0, 0005 + 0, 00076(1, 09)30+t + 0, 00001dt
=e 0 = 0, 979122
Para las siguientes probabilidades, no se pueden calcular mediante este método.
Esto se debe a que estamos calculando una probabilidad de que se cambie de
estado, no que se mantenga. Por esto, se calcula con la siguiente integral
Z 10
01 00 01 11
10 p30 = t p30 µ30+t 40−t p30+t dt
0
Vemos que esta última probabilidad (la de pasar del estado 1 al 1) es igual a
la unidad. Esto se debe a que es un estado absorbente. Entonces resulta en
Z t
Z 10 − µ01 02
30+s + µ30+s ds
01
0, 0005 + 0, 00076(1, 09)30+t dt
10 p30 = e 0
0
50
Entonces si se integra
01
10 p30 = 0, 020779
La tercera probabilidad se calcula de la misma forma
Z 10
02 00 02 22
10 p30 = t p30 µ30+t 40−t p30+t dt
0
Z t
Z 10 − µ01 02
30+s + µ30+s ds
= e 0 (0, 00001) dt = 0, 000099
0
Ejercicio 2:
En determinado modelo de estados múltiples, se conocen las siguientes tasas
instantáneas de cambio de estado:
µ01 02 03 13 23
x = 0, 01 µx = 0, 014 µx = 0, 001 µx = 0, 012 µx = 0, 016
Hallar t p01
x .
Para resolver este ejercicio, se va a calcular la probabilidad de cambio de
estado a través de la siguiente integral
Z t
01 00 01 11
t px = s px µx+s t−s px−s
0
51
Ejercicio 3:
Para un modelo de invalidez con rehabilitación, se sabe que las tasas de
transición son
µ01 10 02
x = 0, 01 µx = 0, 03 µx 12 = 0, 01 + 0, 02t µx = 0, 01 + 0, 01t
Las derivadas van a tener la siguiente estructura: sumamos las flechas en-
trantes y restamos las salientes. Por ejemplo, para la primera derivada
d 00
tp
dt x
Vemos que la única forma de entrar es a través de 1. Por lo tanto el término
que se suma es (planteando un momento intermedio)
01 10
t px µx+t
Las flechas que salen de uno son dos, por lo que se van a restar son
00 01 00 02
t px µx+t t px µx+t
52
d 02
tp = t p00 02 01
x µx+t + t px µx+t P 12
dt x
Para la última parte del ejercicio, vemos que esta probabilidad no se puede
calcular con integrales. Esto se debe a que hay una flecha de ida y vuelta
entre los dos estado (en este caso 0 y 1). Por lo tanto es necesario utilizar la
aproximación de Euler. Se va a tener que esta probabilidad va a ser igual a
la probabilidad del h anterior mas la derivada ponderada por el h. Es decir,
01 01 00 01 01 10 12
0,2 p40 = 0,1 p40 + h 0,1 p40 µ40,1 − 0,1 p40 µ40,1 + µ40,1
01 01 00 01 01 10 12
0,1 p40 = 0 p40 + h 0 p40 µ40 − 0 p40 µ40 + µ40
53
References
Dickson, D. C., Hardy, M. R., & Waters, H. R. (2019). Actuarial mathematics
for life contingent risks. Cambridge University Press.
Klugman, S. A., Panjer, H. H., & Willmot, G. E. (2012). Loss models: from
data to decisions (Vol. 715). John Wiley & Sons.
54