Biometrı́a Actuarial

Juan Francisco Torres Tejerizo∗

2022

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

2 Modelos de Estados Múltiples 43

2.1 Teorı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Practica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

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

Edad x x+1 x + 2 ... x + t ... x + m ... ω − 1 ω

Plazo 0 1 2 t m x−ω−1 x−ω

Esto nos ayuda a visualizar como se pueden analizar algunas probabilidades.

Por ejemplo, si nos preguntamos cual es la probabilidad de que una persona
de edad x fallezca antes del periodo dos, tendrı́amos
P [Tx ≤ 2] = q(x; 0; 2) = 2 qx
2
Hay una costumbre de usar comas cuando hablamos de edad y de usar puntos y comas
cuando son plazos.

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; 0; 2) = q(x; 0; 1) + q(x; 1; 1)

Es decir, una probabilidad inmediata de fallecimiento se puede descomponer

en varias probabilidades de fallecimiento, donde algunas van a estar diferidas.
Estas van a estar sumando ya que los eventos son mutuamente excluyentes.
De esta deducción sale que

q(x; 1; 1) = q(x; 0; 2) − q(x; 0; 1)

Que se interpreta como la probabilidad de fallecer en el periodo [x + 1; x + 2]

es igual a la probabilidad de fallecer en todo el periodo menos la de fallecer
en el periodo [x; x + 1]. En general, esta relación se puede escribir como

q(x; 0; m + n) = q(x; 0; m) + q(x; m; n)

También se deja constancia de la notación internacional cuando una proba-

bilidad de fallecimiento es diferida

q(x; m; n) = m/n qx

Como se mostró, estas probabilidades se pueden dividir en varios sub-periodos

n−1
X
q(x; 0; n) = q(x; t; 1)
t=0

Como ya se vio antes, el evento siempre se va a realizar. Esto es

q(x; 0; ω − x) = 1

De esta forma, no hay incertidumbre de la probabilidad. Pero si la hay en

cuando se va a realizar el mismo. Usando esto y la división de probabilidades
tenemos que
1 = q(x; 0; n) + q(x; n; ω − x − n)
q(x; n; ω − x − n) = 1 − q(x; 0; n)
Esta se puede interpretar como la probabilidad de supervivencia de n periodos
de una persona de x años. En notación argentina, si los campos son edades

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

Esta función de probabilidad es no creciente ya que puede haber zonas

donde la probabilidad se estabilice pero nunca puede crecer a medida que
transcurre el tiempo.
Al contrario de las probabilidades de fallecimiento, las de supervivencia son
dependientes de una de las otras. Por lo tanto, si se quieren descomponer se
tendrá
p(x; 2) = p(x; 1).p(x + 1; 1)
Descomponiendo una probabilidad

q(x; ω − 1 − x; 1) = p(x; w − 1 − x).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

q(x; m; n) = q(x; 0; m + n) − q(x; 0; m)

Que si lo pasamos a probabilidades de supervivencia

= [1 − p(x; m + n)] − [1 − p(x; n)]

= p(x; m) − p(x; m + n)
Si sacamos un factor común

= p(x; m)[1 − p(x + m; n)]

Entonces obtenemos la relación que

q(x; m; n) = p(x; m)q(x + m; 0; n)

Es decir, para que la persona fallezca después del periodo m y hasta el n, es

necesario que sobreviva m periodos primero.
Resumiendo, tenemos 3 relaciones de suma importancia que nos van a ayudar

5
a calcular las probabilidades diferidas. Estas son:
La diferencia de las probabilidades q

q(x; m; n) = q(x; 0; m + n) − q(x; 0; m)

La diferencia de las probabilidades p

q(x; m; n) = p(x; m) − p(x; m + n)

Y el producto de las probabilidades p y q

q(x; m; n) = p(x; m)q(x + m; 0; n)

A su vez, podemos considerar re-expresar las probabilidades en términos de

los recién nacidos. Esto serı́a con una probabilidad condicional. Para las
probabilidades de fallecimiento tenemos

P [Tx ≤ t] = P [T0 ≤ x + t|T0 ≥ x]

Recordando el teorema de Bayes

P [A ∩ B]
P [A|B] =
P [B]
Entonces esta probabilidad va a ser igual a
F0 (x + t) − F0 (x)
P [Tx ≤ t] = q(x; 0; t) = t qx =
S0 (x)
En el caso de una función de supervivencia tenemos

P [Tx ≥ t] = P [T0 ≥ x + t|T0 ≥ x]

S0 (x + t)
= = p(x; t)
S0 (x)
Que implica la siguiente relación

S0 (x + t) = S0 (x)Sx (t)

Esta es la propiedad multiplicativa ya deducida previamente. Es importante

ya que nos dice que partimos de T0 , lo único que se requiere para calcular las
probabilidades de supervivencia a partir de la edad x es saber si la persona

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 tSx (t) = 0

t→∞

Y la tercera, que se cumpla el siguiente lı́mite

lim t2 Sx (t) = 0
t→∞

Los supuestos 2 y 3 aseguran que la media y la varianza de la distribución

de Tx existan.
Ahora vamos a introducir el concepto de Función de Densidad de Prob-
abilidad. Esta, al ser una función de densidad, no es necesario que se en-
cuentre entre 0 y 1. Se calcula de la siguiente forma

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

Siguiendo la lógica de la interpretación, la probabilidad de que un individuo

de edad x muera después de t periodos se puede pensar como la suma (la
integral ya que es continuo) de todas las fx (t). Consecuentemente, la relación
con la función de supervivencia serı́a que muera después del periodo t
Z ∞
Sx (t) = fx (s)ds
0

Esta serı́a la propiedad número tres.

Otro concepto que se puede definir es la Fuerza de la Mortalidad a la
edad x
1
µ(x) = lim+ P (T0 ≤ x + dx|T0 ≥ 0)
dx→0 dx

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

Esto es equivalente ya que la probabilidad de que se muera antes de x + dx

pero que no se muera antes de x, es igual a la probabilidad de que sobreviva
hasta x pero no sobreviva hasta x+dx. Que al ser menos la derivada, se puede
expresar como la función de densidad positiva. Esto a su vez es equivalente
a
f0 (x) dln(S0 (x))
=−
S0 (x) dx
Esta fuerza de mortalidad, también llamada tasa instantánea de mortalidad,
se interpreta como una medida condicional a que se llega con vida a la edad
3
Esto se hace mediante la equivalencia de que F0 (x) = 1 − S0 (x).

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)dx ≃ P (T0 ≤ x + dx|T0 ≥ x)

Como forma de memorizar, se puede pensar que es la densidad (cuanto pesa

la probabilidad) sobre supervivencia. Algunas propiedades importantes de
la fuerza de mortalidad son la no negatividad

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

Esta propiedad se demuestra a partir de la igualdad

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

Entonces si aplicamos exponencial obtenemos

Z n
− µ(x + t)dt
p(x; n) = e 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)

Si queremos calcular la fuerza de mortalidad para una persona de edad (x+t)

1 dFx (t)
µ(x + t) = −
Sx (t) dt

Que si se junta el menos con la derivada se tiene la función de densidad- Esta

se puede escribir en función de un recién nacido.

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

En notación internacional serı́a

Z t
t qx = s px µx+s ds
0

Generalizando tenemos
Z m+n
q(x; m; n) = p(x; s)µ(x + s)ds
n

Otra relación importante es la siguiente

−dp(x; t) = p(x; t)µ(x + t)dt

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

q(x; t; 1) = p(x; t)q(x + t; 0; 1)

q(x; t; 1) = p(x; t) − p(x; t + 1)

Vinculándolo con el diferencial vemos que se puede expresar en tiempo con-
tinuo como

−[p(x; t + dt) − p(x; t)] = p(x; t) − p(x; t + dt)

A su vez, con la fuerza de mortalidad podemos buscar la función acumulada.

Para el tiempo discreto teneos que
n−1
X
q(x; 0; n) = q(x; t; 1)
t=0

Pero en el tiempo continuo tenemos que esto es igual a

Z n
= p(x; t)µ(x + t)dt
0 | {z }
−dp(x;t)

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

Escrito en forma mas compacta

Z ω−x
= t(−dp(x; t))dt
0

11
Si integramos por partes obtenemos
ω−x Z ω−x
= − [tp(x; t)] + p(x; t)dt
0 0

El primer término se hace cero, por lo que nos queda quedando

Z ω−x
E[Tx ] = p(x; t)dt
0

Esta se llama la Vida Media Completa. Que en notación argentina e

intencional se define como

E[Tx ] = ec(x; 0; ω − x) = ω−x ėx

Se interpreta como la cantidad de años que le quedan de vida, en promedio,

a una persona de edad x. Un valor importante es el de un recién nacido
(también llamado la esperanza de vida)

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)

Integrando por partes obtenemos

Z n Z n
ec(x; 0; n) = −np(x; n) + p(x; t)dt + np(x; n) = p(x; t)dt
0 0

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

P [Kx = k] = q(x; k; 1) = P [k < Tx ≤ k + 1] = P [k ≤ Tx < k + 1]

Si queremos la función de distribución acumulada tenemos que

n−1
X
P [Kx ≤ k] = q(x; 0; k + 1) = q(x; k; 1)
k=1

La esperanza de vida media abreviada se calcula como

ω−x
X ω−x
X
E[Kx ] = kq(x; k; 1) = k[p(x; k) − p(x; k + 1)]
k=1 k=1

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

Si queremos buscar la varianza de esta variable, buscamos el momento de

segundo orden. Esto es
ω−x
X
Kx2 k 2 [p(x; k) − p(x; k + 1)]
 
E =
k=1

ω−x
X
=2 kp(x; k)
k=1

Si hacemos la diferencia del segundo momento menos el primero al cuadrado

obtenemos la varianza.

V ar[Kx ] = E Kx2 − E [Kx ]2

 

Ahora se va introducir el concepto de tabla de mortalidad. Este es un mod-

elo matemático idóneo para el calculo de probabilidades de vida y muerte que

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

L (x) ∼ B (l(0); p(0; x))

Entonces, podemos encontrar la esperanza

E [L (x)] = l(x) = l(0)p(0; x)

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

Esta última igualdad es lo expresado previamente. Las personas que sobre-

vivieron mas el tiempo vivido de los fallecimientos. Si integramos realizando
partes, obtenemos que w3 vuelve a la misma expresión.

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

Recordemos que µ(x) nos dice en un instante de tiempo infinitesimal adicional

a x. Si queremos el promedio ponderado en todo el intervalo x y x+1 tenemos
esta medida. Como colorario, se puede ver que si la µ(x) es constante, la
tasa central de mortalidad va a ser igual a la fuerza de mortalidad.
Además, podemos definir la Cantidad de Existencia como T (x). Esta
representa el número esperado total de años vividos a partir de la edad exacta
x por las personas vividas en esa edad. Se calcula mediante
Z ∞
T (x) = l(x + t)dt
0

Es el números de años vividos por la cantidad de personas vivas. También

se puede expresar como
∞
X
T (x) = L(x + t) = L(x) + T (x + 1)
t=0

Con estos conceptos, podemos empezar a calcular la varianza de Tx . Esta la

vamos a encontrar mediante la diferencia del segundo momento y el primero
elevado al cuadrado. Es decir,
Z ∞
tp(x; t)dt − (ec(x; 0∞))2
 2 2
V ar[Tx ] = E Tx − E[Tx ] = 2
0
4
Tenemos tres conceptos esenciales. Los fallecidos efectivos (las probabilidades q), la
fuerza de mortalidad y este concepto nuevo.

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

Se llega a esto ya que

Z ∞ Z ∞
Tx2 2
t2 − dp(x; t)
 
E = t p(x; t)µ(x + t)dt =
0 0

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

Se puede destacar que, gracias a que

l(x + t)
p(x; t) =
l(x)
Tenemos la siguiente igualdad

−dl(x + t) = l(x + t) − l(x + t + dt)

Que se hace explicito que estamos viendo el número de personas fallecidas

en un instante de tiempo. Entonces el tiempo vivido por personas fallecidas
en un instante infinitesimal de tiempo es igual a
T (x)
l(x)
Hay algunas funciones biométricas que se suelen usar ya que se adaptan de
forma aproximada al comportamiento observado por la mortalidad. Estas
son las Leyes de Mortalidad. Podemos ver dos funciones principales. La
primera es la de Gompertz

µ(x) = BC x x > 0 B > 0 C > 1

17
Cuya función de supervivencia es
B x (C t −1)
Sx (t) = e− ln(C) C

Y la segunda es la de Makeham

µ(x) = A + BC x x > 0 A > 0 B > 0 C > 1

Cuya función de supervivencia es

B x (C t −1)
Sx (t) = e−At− ln(C) C

Ambos modelos brindan un buen ajuste a los datos de mortalidad en ciertos

rangos de edades, sobre todo desde las edades intermedias hasta el inicio de
las edades altas. La ley de Gompertz brinda un ajuste razonablemente bueno
entre las edades 35 y 90. Para edades más altas, sobre estima la mortalidad.
Resumiendo y agregando otras leyes, se puede formar la siguiente tabla
Ley µ(x) S0 (x) Restricciones
1
De Moivre ω−x
1 − ωx 0≤x<ω
Exponencial µ e−µx x ≥ 0; µ > 0
B x −1)
Gompertz BC x e− ln(C) (C x ≥ 0; B > 0; C > 1
B x
Mekeham A + BC x e−Ax− ln(C) (C −1) x ≥ 0; B, A > 0; C > 1
K n+1
Weibull Kxn e− n+1 x x ≥ 0; K > 0; n ≥ 1

Adicionalmente, si queremos calcular probabilidades no enteras (ya sea que

la edad es no entera o que el plazo no lo sea) tenemos que usar Supuestos
Fraccionarios. Estos supuestos son solo válidos aplicados entre las edades
x y x + 1, no se pueden extender. Estos supuestos son excluyentes, implican
cosas distintas. Se va a tener que elegir uno a la hora de su uso.
El primer supuesto es el de Distribución Uniforme de Fallecimientos (DUF).
Este supuesto nos dice que en cada lapso de tiempo fallecen la misma cantidad
de personas. En base a esto, podemos encontrar las relaciones. Si definimos
que
0≤t<1
Podemos ver que las probabilidades de fallecimiento

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)

Que si se escribe en función de l(x), la probabilidad de supervivencia se define

como
l(x + t) d(x)
p(x; t) = =1−t
l(x) l(x)
Por lo tanto
l(x + t) = l(x) − td(x)
Que también nos deriva en

d(x; 0; t) = td(x; 0; 1)

Nos interesa ver como calcular probabilidades cuando la edad es fraccional.

Para esto, partimos de esta relación
p(x; 1)
p(x + t; 1 − t) =
p(x; t)
De esta, se deduce
1 − q(x; 0; 1)
p(x + t; 1 − t) =
1 − tq(x; 0; 1)
Entonces, la probabilidad de fallecimiento
(1 − t)q(x; 0; 1)
q(x + t; 0; 1 − t) = 1 − p(x + t; 1 − t) =
1 − tq(x; 0; 1)
Finalmente, se puede hacer una deducción sobre la fuerza de mortalidad. Si
derivamos la probabilidad de fallecimiento obtenemos la función de densidad.
Es decir
d d
q(x; 0; t) = [tq(x; 0; 1)] = q(x; 0; 1) = p(x; t)µ(x + t)
dt dt
Entonces, como la función de densidad es una probabilidad es constante.
Como la distribución de los fallecimientos es uniforme, siempre en cada lapso

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)

l(x + t) = (1 − t)l(x) + tl(x + 1)

Este expresión de acá es una interpolación lineal en la función l(x). Entonces,
si se desea calcular una probabilidad de supervivencia/fallecimiento este es
otro camino.
El segundo supuesto es el de Balducci. Su autor era un actuario italiano que
argumentaba -por motivos de simplificación- que la función l(x + t) es una
hipérbole. Esto se ve mediante las siguientes relaciones
q(x + t; 0; 1 − t) = (1 − t)q(x; 0; 1)
Entonces, llegamos a que la probabilidad de supervivencia
p(x + t; 1 − t) = 1 − (1 − t)q(x; 0; 1)
Que por la relación que tenı́amos antes, si la edad es entera
p(x; 1) 1 − q(x; 0; 1)
p(x; t) = =
p(x + 1; 1 − t) 1 − (1 − t)q(x; 0; 1)
Y la probabilidad de fallecimiento con edad entera
1 − q(x; 0; 1) tq(x; 0; 1)
q(x; 0; t) = 1 − =
1 − (1 − t)q(x; 0; 1) 1 − (1 − t)q(x; 0; 1)
De la fuerza de mortalidad se puede deducir que
1 d 1 d 1 − q(x; 0; 1)
µ(x + t) = − p(x; t) = − 1−q(x;0;1)
p(x; t) dt dt 1 − (1 − t)q(x; 0; 1)
1−(1−t)q(x;0;1)

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 tanto, la probabilidad de supervivencia se define como

Z t
− µdt
p(x; t) = e 0 = e−tµ

Por lo que
p(x; 1) = e−µ
Entonces se deduce de acá que

p(x; t) = [p(x; 1)]t

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)

Se concluye entonces, que la edad no importa para calcular las probabilidades.

Solo importa el plazo. Entonces

q(x + t; 0; 1 − t) = 1 − [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

DUF Balducci Fuerza de Mortalidad Constante

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

p(x; t) 1 − tq(x; 0; 1) 1−q(x;0;1)

1−(1−t)q(x:0;1)
[p(x; 1)]t

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

M (2; a1 , a2 ; Z1 , Z2 ) = V (2; Z1 ; X0 , X1 ) − V (2; Z1 ; X1 , X2 )

Este corresponde a las personas observadas en la fecha Z1 con edades entre

X0 y X1 . A estas personas se las observa por un periodo (hasta Z2 ). Se ve

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

M (3; X1 , X2 ; Z1 , Z2 ) = V (2; Z1 ; X1 , X2 )−V (1; X2 ; Z1 , Z2 )+V (1; X1 ; Z1 , Z2 )−V (2; Z2 ; X1 , X2 )

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

M (1; X1 , X2 ; a1 , a2 ) = E(X1 , X2 ; Z1 , Z2 ; a1 , a2 ) + E(X1 , X2 ; Z2 , Z3 ; a1 , a2 )

Además, se puede ver que la proporción de el conjunto elemental se define

como un Factor de Separación. Es decir, es la proporción del conjunto tercero
que corresponde al conjunto elemental de la edad mas grande (triángulo
superior del cuadrado).

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 )

En base a todo esto, vemos que se encuentran las Probabilidades de Fallec-

imiento
M (1; X1 , X2 ; a1 , a2 )
q(X1 , X2 ; a1 ; a2 ) =
V (1; X1 ; Z1 , Z2 )
Que si se escribe en función del factor de separación

(1 − f (X1 , X2 ; Z1 , Z2 )) M (3; X1 , X2 ; Z1 , Z2 ) + f (X1 , X2 ; Z2 , Z3 )M (3; X1 , X2 ; Z2 , Z3 )

=
V (1; XQ 1; Z1 , Z2 )

Se aclara que para encontrar el primer conjunto de vivientes se toma la infor-

mación censal (el segundo conjunto de vivientes) y se le suma los fallecidos
en el conjunto elemental. Con esto se estiman las probabilidades de fallec-
imientos.
Adicionalmente, podemos definir las tablas de mortalidad selecta. Estas,
también llamadas modelos de supervivencias selectos y finales, permiten que
la mortalidad sea una función de otra variable que no sea la edad. Ahora,
vamos a definir que estas probabilidades dependan del momento en el que la
persona fue seleccionadas para integrar un grupo. El ejemplo mas tı́pico es
un seguro de vida. Antes de otorgar el mismo, se realiza un examen médico
que clasifica a la persona en que grupo se encuentra. Vamos a definir dos
conjuntos de grupos, el selecto y el general. El selecto son las personas que
clasifican para ingresar y el general es para los que no. Definimos a las per-
sonas que son selectas y que llegan con vida a la edad x como l(x; 0). Esto
nos dice la cantidad de personas5 de edad x que tienen una antigüedad igual
5
Recordemos que en realidad las l(x) no nos muestran cantidades de personas sino
relaciones.

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

Y además se sabe que el primer de año de selección, la mortalidad para este

grupo de personas es un 94% a las personas no selectas. En el segundo año
de selección, la mortalidad es un 97%6 . Con estos datos, completar lo que se
pueda de la tabla.
La primera pregunta usual es como leer la tabla. Se ve que para personas
selectas la lectura es horizontal. Mientras que para personas que están en el
grupo general, la lectura es vertical. Es decir, si queremos ver la probabilidad
de supervivencia de un periodo de una persona de 72 años, se hace el cociente

l(73) 90000
= = 0, 90
l(72) 100000

Sin embargo, ¿como se completa el resto de la tabla? Empecemos tratando

de calcular la última fila. Si la lectura es horizontal tendremos l(72 + 1; 1) =
l(73; 1). Como tenemos probabilidades de fallecimiento y supervivencia de
6
Estos porcentajes son ilustrativos del ejemplo. Sin embargo es lógico pensar que
siempre tienen que ir creciendo a medida que transcurre el tiempo.

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

l(73; 1)[1 − q(72; 0; 1; 1)] = l(74)

l(73; 1)[1 − 0, 97 ∗ 0, 2] = 72000

Podemos notar que a la probabilidad de fallecimiento se le agrega un campo.
Este indica la antigüedad de la persona en el grupo de selección. Despejando
se obtiene que
l(73; 1) = 89330, 02481
Que entonces se puede completar en la tabla
X l(X; 0) l(X + 1; 1) l(X + 2) X +2
70 100000 72
71 90000 73
72 89330,02481 72000 74
A continuación, se puede seguir buscando l(72; 0). Esta se calcula de la
misma forma que se hizo recién.

l(72; 0)[1 − q(72; 0; 1; 0)] = l(73; 1)

l(72; 0)[1 − 0, 94 ∗ 0, 1] = 89330, 02481

l(72; 0) = 98598, 26
Esta fila ya esta completa. Pasando a la fila de arriba tendremos que

l(71 + 1; 1)[1 − q(72; 0; 1; 1)] = l(73)

l(q; 1)[1 − 0, 1 ∗ 0, 94] = 90000

l(72; 1) = 99337, 774
Completando la tabla
X l(X; 0) l(X + 1; 1) l(X + 2) X +2
70 100000 72
71 99337,774 90000 73
72 98598,26 89330,02481 72000 74
7
Se puede notar que este l(74) esta fuera del periodo de selección, por lo tanto se vuelve
a la nomenclatura usual de las l(x).

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

Si se desea encontrar 4 p[70] se

X q[X] q[X−1]+1 qx puede empezar dividiendo esta prob-
70 0, 010519 abilidad. Es decir
71 0, 015868 = p(70; 1; 0)p(71; 1; 1)p(72; 1; 2)p(73; 1; 3)
72 0, 020145
73 0, 022759 Pero hay algunas probabilidades que
pasaron el periodo de selección. Por
ende
= p(70; 1; 0)p(71; 1; 1)p(72; 1)p(73; 1)
Si se expresa en términos de las de fallecimiento
= [1 − q(70; 0; 1; 0)][1 − q(71; 0; 1; 1)][1 − q(72; 0; 1)][1 − q(73; 0; 1)]
Que todos estos son datos que se encuentran en la tabla.
= [1 − 0, 010519][1 − 0, 015868][1 − 0, 020145][1 − 0, 022759]

29
1.2 Practica
Ejercicio 1:
Dada la siguiente función acumulada
 1
t 6
F0 (t) = 1 − 1 − 0 ≤ t ≤ 120
120

Se pide: (i) Calcular la probabilidad de que un recién nacido sobreviva más

allá· de la edad 30, la probabilidad de que una persona de edad 30 fallezca
antes de la edad 50 y la probabilidad de que una persona de edad 40 sobreviva
más allá dela edad 6. (ii) Deducir una expresión para µ(x)

1. Para calcular la primera probabilidad, necesitamos que la persona so-

breviva. Es decir, vamos a estar buscando la S0 (30). Por lo tanto,
sabemos que
S0 (30) = 1 − F0 (30)
Simplemente despejamos y obtenemos
  16
30
1− = 0, 95318
120

La segunda probabilidad, necesitamos F30 (20). Pero nuestra función

acumulada es para un recién nacido. En esencia vamos a usar Bayes

F0 (50) − F0 (30)
F30 (20) =
1 − F0 (30)

Donde el denominador nos asegura la probabilidad de que sobreviva

hasta los 30. El numerados se compone por la probabilidad de que
muera antes de los 50 pero que sobreviva hasta los 30. Reemplazando
obtenemos que
F30 (20) = 0, 041021065
Finalmente, la última probabilidad es condicional a que se sobrevivió
a la edad 40. Entonces se puede calcular como

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

Y como por definición tenemos que

1 d
µ(x) = − S0 (x)
S0 (x) dx

Solo resta reemplazar

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

1. Explique por qué esta es una función de supervivencia legı́tima.

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

Como se demuestra que la derivada primera es siempre negativa para

todo x, se concluye que es decreciente.

2. Para encontrar la función de densidad, simplemente buscamos la función

acumulada y la derivamos
 
d 1 0,5 1
f0 (x) = 1 − (100 − x) = √
dx 10 20 100 − x

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

q(0; 0; 60) = F0 (60) = 0, 1558791202

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

Se integra hasta 55 ya que la edad limite es 105. Entonces el tiempo con

vida promedio va a ser ω − x, en este caso 55. Esos son los años que puede
vivir. Hay que recordar, que lógicamente el resultado va a estar entre estos
lı́mites de integración. Esto se debe a que no le pueden quedar 100 años de
vida mas ya que se pasarı́a del limite ω. Como tenemos que
S0 (x+t) S0 (50+t)
Sx (t) = p(x; t) = S0 (x)
→ S50 (t) = p(50; t) = S0 (50)

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

ec(50; 0; 55) = 45, 8333

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

e(50; 0; 55) = 45, 17716

Ejercicio 4:
Dada la siguiente linea de tiempo

p 0, 95
0, 99 0, 985
x x+1 x+2 x+3 x+4

0, 02
q

Calcular p(x + 3; 1), p(x; 2), p(x + 1; 2) y p(x; 3).

Para encontrar estas fórmulas, hay diversos caminos. En este trabajo se
realizarán los que se crean mas convenientes según el autor, sin embargo
cualquier otro que de el mismo resultado es igual de valido. Para la primera
probabilidad, simplemente tenemos que recordar la equivalencia entre las q
y las p8 :
p(x + 3; 1) = 1 − q(x + 3; 0; 1) = 0, 98
Para la segunda probabilidad, sabemos que el producto es una forma de
obtenerla. Esto serı́a

p(x; 2) = p(x; 1)p(x + 1; 2) = 0, 97515

8
Es bastante lógico que la probabilidad de que sobrevivas es uno menos la de morir.
Ya que si se suman, tienen que dar 1.

34
La tercera probabilidad se puede despejar de la siguiente equivalencia

p(x + 1; 3) = p(x + 1; 2)p(x + 3; 1)

p(x + 1; 2) = 0, 9693878
La cuarta probabilidad, simplemente utilizamos la que se acaba de calcular

p(x; 3) = p(x; 1)p(x + 1; 2) = 0, 9596939

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

[p(70; 0, 5) − p(70; 1, 5)] = p(70; 0, 5) − p(70; 1)p(71; 0, 5)

Y en base a esto, se aplican los supuestos necesarios para resolver. Si se

utiliza el primer supuesto, tendremos

[1 − 0, 5q(70; 0; 1)] − [1 − 0, 04][1 − 0, 5q(71; 0; 1)] = 0, 0440

Si se utiliza el segundo supuesto vemos que

   
1 − q(70; 0; 1) 1 − q(71; 0; 1)
− [1 − 0, 04] = 0, 0442
1 − 0, 5q(70; 0; 1) 1 − 0, 5q(71; 0; 1)
Sin embargo, es de utilidad recordar que las probabilidades de supervivencia
se pueden expresar como función de l(x)

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

l(x + t) = (1 − t)l(x) + tl(x + 1)

Entonces, si asignamos a l(70) un número arbitrario como 1000 y calculamos

en base a las probabilidades sus valores siguientes, encontramos que

l(71) = 960 l(72) = 912

Para encontrar los valores necesarios

l(70 + 0, 5) = (1 − 0, 5)l(70) + (0, 5)l(71)

l(71 + 0, 5) = (1 − 0, 5)l(71) + (0, 5)l(72)

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

V ar [min (T75 ; 2)]

Para encontrar esto, vamos a buscar el momento de primer orden y el de

segundo orden. Para realizar el primero, vamos a usar la integral
Z 2 Z ∞
tp(75; t)µ(75 + t)dt + 2p(75; t)µ(75 + t)dt
0 2

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

Integrando por partes se llega a que el momento de primer orden es

Z 2
p(75; t)dt
0

Que por el supuesto de DUF, se escribe como

Z 2
1 − tq(75; 0; 1)dt
0

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

Calcular q(70, 2; 0; 3, 8; 0, 2).

Para empezar con este ejercicio es util expresar esta probabilidad de fallec-
imiento como una de supervivencia. Su igualdad va a ser

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

l(74; 4) = 10000(1−0, 010373)(1−0, 014330)(1−0, 019192)(1−0, 025023) = 9327, 84765

El denominador se puede obtener a través de interpolación. Esto serı́a

l(40, 2; 0, 2) = (1 − 0, 2)l(70; 0) + 0, 2l(71; 1) = 9979, 254

Por lo tanto, la probabilidad es igual a

l(74; 4)
q(70, 2; 0; 3, 8; 0, 2) = 1 − = 0, 065276
l(40, 2; 0, 2)
Ejercicio 9:
Sea un modelo de supervivencia con un periodo de selección de 3 años, se
tienen las siguientes probabilidades

q(50; 0; 1; 0) = 0, 01601 q(50; 2; 1; 0) = 0, 02410

q(51; 2; 3; 1) = 0, 09272 p(50; 2; 0) = 0, 96411

Calcular p(53; 3).

Para este ejercicio suele ser útil graficar una linea de tiempo

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

l(51; 1) = 10000(1 − 0, 01601)

Sin embargo, seguimos necesitando l(53) y l(56). La otra probabilidad que

tenemos la podemos escribir como
l(52; 2) − l(53)
q(50; 2; 1; 0) =
l(50; 0)

Y si obtenemos l(52; 2) a través de

l(52; 2) = 10000(0, 96411)

Podemos despejar l(53) de esta última ecuación. De esta forma, reem-

plazamos los datos en la probabilidad de fallecimiento original que expre-
samos en términos de l(x) y despejamos l(56). Finalmente, se realiza el

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

Calcule la probabilidad de que una persona nacida en el a˜no 1947 fallezca

con 70 años de edad.
Primero que nada, vamos a graficar estos eventos. Tenemos que a priori, el
gráfico va a tener las edades 70 y 71 con años que van desde 2015 hasta 2019
Por lo tanto se puede ver como en la siguiente imagen

Si pintamos en el gráfico los datos que tenemos, se puede simplificar el prob-

lema. Por ejemplo, los conjuntos de vivientes número dos van a ser rectas
verticales. se pueden ubicar fácil en el gráfico ya que en el campo nos in-
dican en que año se observan. Estas van a ser rectas rojas. Los conjuntos
de vivientes número uno van a ser rectas horizontales. En este caso solo
tenemos uno, y se va a ubicar entre los campos que indique (2016 y 2017).
Estas van a ser las rectas azules. Los conjuntos de muertes número tres van
a ser cuadrados magentas. Estos se pintan viendo su altura (la edad) y su
base (los años de observación). Finalmente, tenemos el conjunto elemental.
Este va a ser un triángulo verde. Su campo mas importante es el año de
nacimiento ya que nos muestra si el triángulo es inferior o superior (respecto
al cuadrante). Si se pinta se obtiene

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

cgd = (0, 4)580 = 232

Podemos notar que para el primer caso se hizo uno menos el factor de sepa-
ración ya que buscamos el triángulo inferior. El primer conjunto de vivientes
(f g) se define como el segundo conjunto de vivientes a su izquierda mas el
triángulo elemental (sale de la regla previamente aclarada)

f g = 2480 + 550(1 − 0, 4) = 2810

Por lo tanto la probabilidad

1947 f cg + cgd 330 + 232

q70 = = = 0, 2
fg 2810

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

Es la probabilidad de que una persona de edad X, estando en el estado i

llegue al estado j cuando tenga la edad X + t. Se deja constancia de que
puede darse el caso que i = j. Si se tiene la siguiente probabilidad
 
¯
ii ¯
t px = p(x; t; ii) = P r Y (X + s) = i Y (X) = i ∀s ∈ [0; t]

Se interpreta como la probabilidad de una persona de edad X estando en el

estado i, que en la edad X + t siga en el estado i sin haber transitado
ningún otro estado. Es decir, cuando los estados tienen la barra superior,
se habla de una probabilidad de permanencia.

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

Es lógico que i ̸= j ya que si no. no serı́a de transición. Esta solo se puede

definir para espacios continuos. Y a su vez, si nos encontramos en un estado
absorbente, su fuerza de transición va a ser 0. Por ejemplo, sea i un estado
absorbente, se tendrá que
ij
h px = µij
x = 0 i ̸= j

Con lo que se viene trabajando hasta ahora se tienen 3 supuestos implı́citos.

Estos son los siguientes. (i) Se asume que para dos estados cualesquiera i y j
y dos momentos cualesquiera t y t + s, la probabilidad condicional de pasar
del estado i al j no depende de ninguna información sobre el proceso antes del
momento t. En particular, no depende de cómo se alcanzó el estado actual
ni de cuánto tiempo ha permanecido en dicho estado. Esto significa que
las probabilidades de eventos futuros para la persona están completamente
determinados por el conocimiento del estado actual en el que se encuentra la
persona.(ii) Para un intervalo de tiempo h positivo que es lo suficientemente
pequeño, se tendrá que la probabilidad de que pasen 2 o más eventos es
insignificante. Esta probabilidad se denota como o(h). Se tiene que

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)

Para un modelo de estados múltiples, y un h > 0, la probabilidad de que

la persona egrese del estado i en algún momento entre las edades x y x + h
(posiblemente regresando al estado i en algún momento) se puede definir
como
¯
1 − h piix
Si la persona deja el estado i entre las edades x y x + h, a la edad x + h se
encontrarı́a en algún estado j diferente de i o en el estado i habiendo hecho
al menos dos transiciones en el intervalo h. La suma de estas probabilidades
es igual a
Xm
h µij
x + o(j)
j=0
j ̸= i

En consecuencia, si remplazamos tenemos que

m
¯
X
ii
h px =1−h µij
x + o(h)
j=0
j ̸= i

Y si sumamos las siguientes ecuacion ya vista

ii ¯
t px = t piix + 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

Se reemplaza por lo visto previamente

 
 m 
¯ ¯
X ij
ii ii
t+h px = t px = 1 − h µx+t + o(h)
 
 
j=0
j ̸= i

Si se realiza distributiva, se reordena y se divide por h se llega a

¯
¯ t pii
ii− m
t+h px o(h)
x
¯
X
= −t piix µij
x+t +
h h
j=0
j ̸= i

Esto se puede expresar de la siguiente forma si se apliza el lı́mite de h tendi-

endo a 0
  m m
1 d ii¯ X ij d  ii¯  X
¯
ii t px =− µx+t → t px =− µij
x+t
t px dt dt
j=0 j=0
j ̸= i j ̸= i

Si se realiza la integral entre cero y t,

    Z t m
¯ ¯
X
ii ii
ln t px − ln 0 px = − µij
x+s ds
0
j=0
j ̸= i

¯
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

Además, se tiene la siguiente ecuación que surge de despejes ya realizados

ij m m
t+h px − t pij X
ik kj
X o(h)
x
= t px µx+t − ij
t px µjk
x+t +
h h
k=0 k=0
k ̸= i k ̸= 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 sabiendo que las siguientes condiciones se cumplen siempre

ii ij
0 px =1 0 px =0

Podemos calcular las probabilidades de transición. Esta derivada se puede

interpretar como la suma de las probabilidades en un tiempo infinitesimal.
Sin embargo, se utiliza una edad intermedia para tener en cuenta todos los
caminos posibles. Es decir, si la derivada es con respecto del estado i al j,
hay diversos caminos para llegar al j. Los términos sumados van a ser todos
los caminos que llevan a j y los restados son los que llevaron a j pero se
egresaron.
Una pregunta usual puede ser sobre el signo de la derivada. Sin embargo,
esto no es como el modelo de la sección previa que era mas claro. Antes
como habı́a solo egresos de la población, sabı́amos que necesariamente entre
las edades x y x + t iban a haber fallecimientos por lo que el signo de la
derivada es negativo. Sin embargo, acá sabemos que una persona puede
pasar de enfermo a sano (re-ingreso). Por lo tanto el signo de la derivada no
es claro.
Hay varias veces que se suele utilizar como aproximación
ij
d ij t+h px − t pij
x
tp ≈
dt x h
Donde se suelen usar valores muy chicos de h parea obtener mejores aproxi-
maciones.
Todo lo visto en esta sección hasta ahora se centra en el enfoque del tiempo
continuo. Sin embargo, se puede realizar el mismo análisis para un enfoque
de tiempo discreto. Es decir, se van a tener m + 1 estados discretos, y ahora
el tiempo va a ser discreto. Lo que significa que

{Y (t), t = 0, 1, 2..., t}

Se sigue manteniendo el supuesto de Markov, el cual nos afirma que la prob-

abilidad de transicionar de un estado a otro solo depende de este estado de

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

Y donde se va a ir despejando la primera probabilidad. Una forma aun mas

general de expresarlo es
m
X
ij ik kj
t+r px = t px r px+t
k=0

Todas estas probabilidades se pueden expresar en una matriz de transición.

Esta es una matriz cuadrada de (m + 1)x(m + 1), donde las filas representan
el estado actual y las columnas al estado que se transita9 . Una matriz de
transición anual para la edad x se denota
 00 
px p01 x ... p 0m
x
 p10
x p 22
x ... p 2m 
x
Px = 
 ...

... ... ... 
pm0
x pm1
x ... pmm
x

Esta es una matriz estocástica. Es decir, cada elemento de la misma repre-

senta una probabilidad. Por lo tanto, es no negativa y la fila de sus elementos
suma 1. Si se quiere analizar la probabilidad de que se transite de un estado
a otro, se puede ver el elemento correspondiente en la matriz. Sin embargo,
si esta transición se quiere que sea en mas de un periodo anual, se va a tener
que multiplicar la matriz por la siguiente. Es decir
Px Px+1 = 2 Px
9
Se puede guiar por la notación de cada elemento de la matriz. Por ejemplo, el elemento
de la fila 2 columna 3 se denota como elemento 2x3. Este (si se empieza a contar del estado
cero) va a ser la probabilidad de transitar del estado 1 al estado 2.

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

Calcular las siguientes probabilidades

00 01 02
10 p30 10 p30 10 p30

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

Entonces, esto se puede calcular mediante la exponencial con menos la inte-

gral de la suma de las mu’s en su exponente. Pero, ¿qué mu’s se suman en
el exponente? Se van a sumar todas las que salgan del estado que se analiza
(en este caso es el estado cero). Es decir, como las mu’s que salen del estado
cero son µ01 02
x y µx , tenemos que
Z 10
− µ01 02
30+t + µ30+t dt
00
10 p30 = e 0

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

Es decir, se calcula utilizando una probabilidad intermedia. Se busca la

probabilidad de que estando en el estado cero, por la fuera de mortalidad se
pase al 1 y posteriormente se multiplica por la probabilidad de permanencia.
Vemos que la primera probabilidad, al ser un estado al que no se puede
volver, se puede calcular mediante
Z s
0, 01 + 0, 001 + 0, 014dt
00
s px = e 0 = e−0,025s

La probabilidad de permanencia se puede calcular como

Z t−s
0, 012dt
11
s px = e 0 = e−0,012(t−s)

Entonces la probabilidad del enunciado se puede expresar como

Z t
10
01
e−0,025s 0, 01e−0,012(t−s) = e−0,012t 1 − e−0,025t
 
t px =
0 13

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

Escriba las ecuaciones de Kolmogorov con las respectivas condiciones de los

lı́mites para la transición del esto 0 a los demás. Utilice el método de Euler
con h=0.1 para calcular el número esperado de inválidos (el estado 1) al
momento 0,2.
Para empezar, las ecuaciones de Kolmogorov, son las derivadas. El útil
realizar el diagrama de los estados, ya que para la derivada de la probabilidad
de transicionar del estado i al j, vamos a estar viendo cuantas flechas llegan
y salen de j. Primero, planteamos las condiciones de borde. Estas son
00 01 01
0 px =1 0 px =0 0 px =0

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

Entonces, la derivada se plantea como

d 00 01 10 00 01 02


t px = t px µx+t − t px µx+t + µx+t
dt
Para las demás derivadas tenemos que
d 01 00 01 01 10 12


t px = t px µx+t − t px µx+t + µx+t
dt

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

Sin embargo, tanto 0,1 p01 00

40 como 0,1 p40 no se conocen. Por lo tanto, también
se va a aproximar con la derivada de la misma forma
00 00 01 10 01 01 02



0,1 p40 = 0 p40 + h 0 p40 µ40 − 0 p40 µ40 + µ40

01 01 00 01 01 10 12



0,1 p40 = 0 p40 + h 0 p40 µ40 − 0 p40 µ40 + µ40

Y de acá, se reemplazan las condiciones iniciales y se obtiene el resultado.

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