Biometria Actuarial - Ricardo Gabriel Amarilla

Ao
2012
FACULTAD DE CIENCIAS ECONOMICAS DE LA

UNIVERSIDAD DE BUENOS AIRES
Biometra Actuarial
TEORA
Adems de las clases tericas, se encuentran anlisis personales adicionales a
los dados por los docentes y ayudantes, desarmando conceptos y en algunas
ocasiones conectando con conceptos de otras materias. Todo ello en busca de
la meta ms importante entender con claridad cada tema dado.
Ricardo Gabriel Amarilla

amarilla_ricardo@hotmail.com
Ao 2012
PRIMEROS PASOS
Sea
Siendo
la edad de un recin nacido
Sea
Donde es continua
Por lo cual
En este caso
0
Plazos
es el tiempo en aos que transcurre desde la edad x hasta que fallece
La edad lmite es ,
la cual nadie alcanza
con vida
PROBABILIDAD DE FALLECIMIENTO
PROBABILIDAD DE
FALLECIMIENTO
INMEDIATA
ACUMULADA
MARGINAL
DIFERIDA
ACUMULADA
MARGINAL
PROBABILIDAD MARGINAL INMEDIATA DE FALLECIMIENTO

El inicio del periodo de exposicin al riesgo de fallecimiento es igual a la edad de observacin del grupo
.
Supongamos que el fallecimiento se produce entre
, luego, no alcanza con vida la edad
.
Llega vivo al inicio
de la edad x
No alcanza con vida

la edad
El fallecimiento se produce entre
PRIMERA SIMBOLIZACIN EN EDADES

Siendo
Parmetros
Como puede observarse el periodo de exposicin al riesgo de fallecimiento est comprendido entre las
edades y
, y el comienzo del periodo es igual a la edad del grupo que se toma para observar
.
SEGUNDA SIMBOLIZACIN EN PLAZOS
Siendo
SIMBOLISMO INTERNACIONAL
PROBABILIDAD MARGINAL DIFERIDA DE FALLECIMIENTO

El inicio del periodo de exposicin al riesgo de fallecimiento no es igual a la edad de observacin del
grupo
.
La probabilidad de que la persona de edad x alcance con vida la edad
, pero no la edad
Como puede observarse el periodo de exposicin al riesgo de fallecimiento est comprendido entre las
edades
y
, y el comienzo del periodo no es igual a la edad del grupo que se toma para
observar
.
EN EDADES
EN PLAZOS
INTERNACIONAL
Lapso de diferimiento entre el

inicio de la observacin y
comienzo del riesgo.
Diferencia entre la edad de

finalizacin del periodo de
riesgo y la edad del inicio
del riesgo
EJEMPLO
EN EDADES
EN PLAZOS
INTERNACIONAL
PROBABILIDAD DE FALLECIMIENTO INMEDIATA ACUMULADA

La probabilidad de que una persona de edad
no alcance con vida la edad
Los sucesos que pueden ocurrir son
O PUEDE OCURRIR
(Sobrevive 1 periodo)
O PUEDE OCURRIR
(Sobrevive 2 periodos)
O PUEDE OCURRIR
O PUEDE OCURRIR
O PUEDE OCURRIR
............................................................................................................................................
............................................................................................................................................
Y POR ULTIMO (Sobrevive m-1 periodo)
...............
Cada suceso tiene asociada una probabilidad de fallecimiento.

TABLA CON UNA MUESTRA DE EDAD x
Intervalos de edades
Probabilidades
marginales
inmediatas
Probabilidades
marginales
diferidas de
fallecimiento
Probabilidades inmediatas acumuladas de fallecimiento
...........
......
.........
.......
Para entender el concepto se tomar
como probabilidad a buscar.
Es decir,
Pueden ocurrir 2 sucesos mutuamente excluyentes
O puede ocurrir
SUCESO 1: A LA EDAD X
NO ALCANZA CON VIDA
LA EDAD X+1.
SUCESO 2: A LA EDAD X
LLEGA CON VIDA A LA
EDAD X+1, PERO NO
ALCANZA CON VIDA LA
EDAD X+2.
La suma de ambas probabilidades de fallecimiento genera la probabilidad acumulada buscada. Como se

ve puede ocurrir solo un suceso y no ambos a la vez.
Si le damos valores a m los sucesos que se obtienen son los siguientes.
Si
Si
O puede ocurrir
Si
O puede ocurrir
O puede ocurrir
Si
O puede ocurrir
O puede ocurrir
O puede ocurrir
Si
O puede ocurrir
O puede ocurrir
O puede ocurrir
O puede ocurrir
Los sucesos son mutuamente excluyentes, porque se muere una sola vez, es decir, los sucesos
enumerados arriba pueden ocurrir una sola vez y no en conjunto o varios a la vez.
O en edades
PROBABILIDAD DE FALLECIMIENTO DIFERIDA ACUMULADA
(Sobrevive n periodos)
O PUEDE OCURRIR
(Sobrevive
periodos)
O PUEDE OCURRIR
(Sobrevive
periodos)
............................................................................................................................................
............................................................................................................................................
O PUEDE OCURRIR
LA PROBABILIDAD DE QUE UNA PERSONA DE EDAD X NO ALCANCE CON VIDA LA

EDAD .
Esta ltima es la edad que nadie llega a alcanzar con vida por ello la probabilidad es igual a 1 como se ve
abajo.
O puede ocurrir
O puede ocurrir
O puede ocurrir
O puede ocurrir
............................................................................................................................................
....................................................................................................................
Y por ultimo (Sobrevive m-1 periodo)
..........................
Es un sistema mutuamente excluyente y exhaustivo. En la grafica se pueden ver todos los posibles
sucesos.
Si abrimos la sumatoria en dos
La probabilidad de estar muerto entre x y de cualquier persona es 1 porque es la edad que nadie alcanza
con vida. Como ejemplo pensemos en 300 aos., si una persona tiene 30 aos cul es su probabilidad de
fallecer entre los 30 y los 300 aos?, claramente es 1, ya que, tenemos la certeza de que va a fallecer.
LA IGUALDAD
Donde
Es la probabilidad de que una persona de edad x alcance con vida la edad

la edad , es decir, que fallezca entre las edades
y .
, pero no alcance con vida
(Sobrevive n periodos)
O PUEDE OCURRIR
(Sobrevive n+1 periodos)
O PUEDE OCURRIR
(Sobrevive n+2 periodos)
............................................................................................................................................
............................................................................................................................................
O PUEDE OCURRIR
................... .........
Donde como vimos
Por lo tanto
Si una persona fallece entre las edades

, es
porque tuvo que haber estado con vida entre las edades
. La clave se encuentra en la edad lmite es
que nadie alcanza con vida.
10
En este intervalo puede seguir con

vida y no se puede asegurar que la
igualdad se cumpla.
Si una persona fallece entre las edades

, la igualdad no se cumple porque si bien tuvo que haber
estado con vida entre las edades
, todava hay
un tramo entre
que puede seguir vivo.
Si tomamos el caso particular de

Interpretacin de
Edades
0
Sobrevivir hasta
Plazos
teniendo x aos de edad
Fallecer entre
Interpretacin de
Edades
0
Sobrevivir hasta
Plazos
PROBABILIDAD DE VIDA ACUMULADA

alcance con vida la edad

EN EDADES
EN PLAZOS
INTERNACIONAL
PROBABILIDAD DE VIDA MARGINAL

EN EDADES
11
EN PLAZOS
INTERNACIONAL
RELACIONES
La probabilidad de fallecer a la edad x es cero.
La probabilidad de vida a la edad x es uno.
La probabilidad de fallecer entre la edad x y
La probabilidad de sobrevivir entre x y
es uno.
es cero
DOS RELACIONES IMPORTANTES

a)
b)
Probabilidad de fallecer entre
Edades
0
Plazos
Probabilidad de fallecer entre x y
Probabilidad de fallecer entre x y

A
se le quita
habiendo sobrevivido m periodos
y se obtiene la probabilidad de fallecer entre
Probabilidad de fallecer entre
teniendo x aos y
Edades
0
Plazos
Probabilidad de sobrevivir entre x y
Probabilidad de sobrevivir entre x y
(con
12
Deduccin de b)
Si sumamos y restamos 1 en a) obtenemos
De esta manera queda demostrado.

Es importante notar que
porque a mayor la edad que se pretenda alcanzar menor
es la probabilidad de sobrevivir. O mientras ms cerca de la edad se est ms alta la probabilidad de
fallecer y ms baja la probabilidad de sobrevivir.
En definitiva, la diferencia
, se debe interpretarse como la reduccin que se
produce en la probabilidad
en relacin a
. Si la meta es alcanzar con vida la edad
teniendo hoy x aos de edad, la probabilidad de lograrlo con xito asociada es
, si ahora
cambiamos esa meta y la alargamos aos hasta
, luego, es lgico pensar que la probabilidad
de lograrlo con xito disminuya, y esa disminucin es explicada por la posibilidad de fallecer entre las
edades
y
En el intervalo
pueden ocurrir dos sucesos: sobrevivir hasta la edad
alcanzar con vida la misma.
o no lograr
O puede ocurrir
En el intervalo
no alcanzarla con vida.
O no alcanzar con vida la edad
tambin pueden ocurrir dos sucesos: sobrevivir hasta la edad
, que a su vez se divide en dos
O puede ocurrir
13
Por lo cual
Como se ve la probabilidad de fallecer entre las edades

respecto a hacerlo entre
, es decir
. Este incremento es en
se incrementa con
De este modo vemos lo que habamos mencionado que

.
. Si reemplazamos
Se ve con an ms claridad. Podemos concluir que lo que crece

.
es lo que decrece
Esto se debe a los supuestos que hemos realizado, en particular, que la edad de fallecimiento slo depende
de la edad que tenga la persona y que la poblacin es homognea.
VARIABLE ALEATORIA CONTINUA

Sea
Con
Siendo
los aos que transcurren desde la edad x hasta el momento de fallecer. Al ser incierto es una
variable aleatoria, ya que nadie sabe con certeza cundo ocurrir el fallecimiento al momento de tomar
una muestra de edad y de tamao
.
Siendo t aos transcurridos desde la edad
Donde
14
Luego, el dominio de t como aos posibles a vivir sera igual a

. Pero como no conocemos
apriori cundo ocurrir , t es una posible realizacin de la variable aleatoria , ya que, cada t es un
posible candidato a serlo.
ESPACIO MUESTRAL
Es el dominio de la variable aleatoria
La cual tiene asociada una funcin de densidad

Para un valor cualquiera de que se tome hay dos posibles resultados
1.
2.
La persona alcanz con vida la edad

La persona no alcanz con vida la edad
, teniendo la edad . (Sobrevivi)

teniendo la edad (Falleci)
Lo cual implica que para cada valor de debemos asociar una probabilidad de sobrevivir y otra de
fallecer y las probabilidades acumuladas de ambas son
que pasamos a definir
FUNCIN DE DISTRIBUCIN
Probabilidad de que una persona de edad x no alcance con vida la edad
Donde
es una Funcin de Distribucin
La Funcin de Supervivencia
Probabilidad de que una persona de edad x sobreviva hasta la edad
La Funcin de Supervivencia es el complemento de la Funcin de Distribucin.
FUNCIN DE SUPERVIVENCIA
Es igual a la probabilidad de fallecer dentro de este intervalo
++
15
FUNCIN DE DISTRIBUCIN
Es igual a la probabilidad de fallecer dentro de este intervalo
++
CONJUNTO DE VARIABLES ALEATORIAS

Para los distintos valores de x tendremos distintas variables aleatorias
Posibles edades de observacin
Variable aleatoria
Edad de fallecimiento
ao
aos
aos
aos
aos
Tenemos un conjunto de variables aleatorias que deseamos relacionar.
PROBABILIDAD DE VIDA
RELACIN 1
EQUIVALENCIA CON RECIN NACIDOS
La probabilidad de que una persona de edad x sobreviva t aos es igual a que un recin nacido alcance
con vida la edad
habiendo alcanzado con vida la edad x.
Teniendo en cuenta
16
Obtenemos la siguiente relacin
De esta manera estamos relacionando a
como puede verse en la ltima expresin.
EQUIVALENCIA CON CUALQUIER EDAD

Obtenemos la siguiente relacin
De esta manera estamos relacionando a
EJEMPLO
Sean tres edades
Y sean las siguientes probabilidades de supervivencia
17
RELACIN 2
En plazos
En edades
Para lograr
Debe primero llegar con vida hasta la edad
Y luego debe ocurrir que
Ya que
Entonces podemos escribirlo como
Probabilidad de que una

persona de edad x alcance
con vida la edad
.
Para alcanzar la edad final

,
tuvo que haber alcanzado todas las
intermedias.
18
PROBABILIDAD DIFERIDA Y TEMPORARIA DE FALLECER

NUEVA RELACION
Si multiplicamos y dividimos por
Como
Luego
La nueva relacin es igual a
Luego, los dos sucesos que deben ocurrir en conjunto
Suceso A
Que una persona de edad x alcance con vida la edad
Suceso B
Habiendo alcanzado con vida la edad
, es necesario que fallezca entre las edades

.
19
La probabilidad de que un recin

nacido fallezca entre las edades
, bajo la condicin de
haber alcanzado con vida la edad x.
La diferencia es igual a
Es importante notar que la edad observacional es de cero aos, es decir, un recin nacido y que la
probabilidad de fallecer que se busca es la de una persona de x aos de edad y que fallezca entre
y
. Es como si se hiciera un cambio de edad base con este mtodo. Con probabilidades de recin
nacidos llego a probabilidades de personas de edades x, es decir, teniendo nicamente como dato las
probabilidades de recin nacidos puedo obtener las de otros grupos etarios.
Nuevamente estamos relacionado las variables aleatorias
VARIABLE ALEATORIA DISCRETA

Sabemos adems que
Donde
es una variable aleatoria continua y que
representa la parte entera de la variable aleatoria.
La persona de edad x puede fallecer en cualquier momento en el intervalo de edades

por ejemplo
, pero
, como
toma nicamente la parte entera. Como vemos el intervalo no incluye al
lmite superior
En el intervalo de edades de
fallecimiento
Tomamos el entero
Es decir, que estamos ante una variable aleatoria discreta

EJEMPLO
Sea
20
Luego
CALCULO DE LAS PROBABILIDADES DE

PROBABILIDAD MARGINAL O PUNTUAL
Si
Si
Si
Si
.............................................
Si
Donde
Como podemos apreciar de esta ltima expresin existe una relacin entre las probabilidades de
Hay que sobrevivir k

aos
Y fallecer en el intervalo
21
PROBABILIDAD ACUMULADA
Es igual ya que es continua. El igual no

vale porque la probabilidad puntual es
igual a cero.
Donde
DIFERENCIAS DE PROBABILIDADES ACUMULADAS
MEDIDAS DE POSICIN DE
EXPECTATIVA DE VIDA O VIDA MEDIA ABREVIADA
Donde
La probabilidad de
sobrevivir teniendo x
aos, entre x y es igual a
cero.
Donde
es la Expectativa de Vida que representa el promedio de aos enteros a vivir por

una persona de
MOMENTO ABSOLUTO DE ORDEN 2
22
VARIANZA DE
TABLA DE MORTALIDAD
Se trata de un modelo matemtico idneo para el clculo de probabilidades de vida y de muerte y se
presenta como la evolucin de un colectivo cerrado de personas homogneas e independientes. Cada
persona del grupo es exactamente igual y la edad de fallecimiento de cada uno es independiente de la de
los otros.
Si se tomar un grupo de personas de la misma edad x, cada persona morir a cierta edad, cada uno de los
miembros del grupo tiene su edad de fallecimiento, que puede ser igual o no al de algn otro. Pero la edad
de fallecimiento de una persona no tiene porque depender de la de otro.
En otras palabras, en
se toma un grupo de personas y se observa su evolucin a lo largo del tiempo.
Para cada ao se observar que habr
23
Siendo SF y SI variables stock. Donde las flecha hacia arriba y hacia abajo son variables flujos, que
incrementan y disminuyen la poblacin. En este modelo no tenemos flecha hacia arriba nicamente hacia
abajo. Es decir Egresos o muertes.
En definitiva, partimos de una poblacin inicial o stock inicial SI con cierta edad x, es decir, que cada uno
de los integrantes tiene una edad de x aos. La poblacin para cada ao que transcurre desde x, una
proporcin de ese grupo pierde la vida. Hasta que llega la edad que no queda nadie con vida. En
pueden permanecer personas con vida (aunque existe una probabilidad de que esto no ocurra).
No conocemos exactamente cundo ser la edad de fallecimiento
, es incierta
para cada individuo de la poblacin. Recordando que los sujetos integrantes de la poblacin son
homogneos, para cada integrante tendremos una variable aleatoria
como as
tambin una funcin de densidad asociada. Para cada persona del grupo esta funcin de densidad es igual,
es decir que para todos es la misma.
Son homogneos en cuanto a los factores que afectan la mortalidad (como lo son el gnero, ya que las
mujeres viven ms que los hombres, y la ocupacin). Son independientes en probabilidad, es decir, que la
informacin de fallecimiento o supervivencia de una persona, no me brinda ninguna informacin del
fallecimiento o de vida de cualquier otra persona, con puntos discretos anules de eliminacin.
Bajo la hiptesis de que las probabilidades de vida o de muerte son solo funcin de la edad alcanzada
teniendo x aos de edad, es decir
.
= Lapso de tiempo transcurrido

en aos desde de la edad x
VARIABLE ALEATORIA
TIEMPO CONTINUO
Si definimos la variable aleatoria continua edad de fallecimiento
En lugar de trabajar con la diferencia

directamente.
podemos elegir trabajar con la edad de fallecimiento
Podemos ver que la variable aleatoria contina

coincide con la variable aleatoria
continua plazo en aos para el caso particular de recin nacidos.
24
TIEMPO DISCRETO
Si definimos la variable aleatoria discreta edad de fallecimiento
En lugar de trabajar con la diferencia

directamente.
podemos elegir trabajar con la edad de fallecimiento
Podemos ver que la variable aleatoria contina

discreta plazo en aos
para el caso particular de recin nacidos.
coincide con la variable aleatoria
RELACIN ENTRE LA VARIABLE ALEATORIA DISCRETA Y LA CONTINUA
Es importante notar que hay presente una relacin entre la variable aleatoria discreta y la continua. Al
exigir que las edades sean enteras, no se trabaja con intervalos en la TABLA DE MORTALIDAD como
lo exigira una variable aleatoria continua. Esto ltimo, en relacin de la naturaleza de la
que es continua de por s.
Si tomamos valores enteros de edades de fallecimientos descartamos los intervalos. Si tomamos el
intervalo
Como
implica que desde la edad x en adelante se producen muertes hasta justo un instante antes
de llegar a la edad
, esas muertes se van acumulando a lo largo del ao en dicho intervalo
Con esto logramos que cualquier persona que fallece en el intervalo

descartando de esta manera los decimales.
tenga la edad entera x,
Como se ve la edad de fallecimiento es una variable aleatoria continua y deberamos usar intervalos en la
TABLA DE MORTALIDAD. Pero si tomamos la parte entera de la edad de las personas que son
eliminadas todos pasaran a tener la edad x. Con ello logramos que la edad de fallecimiento se transforme
en una variable aleatoria discreta. Esto es anlogo a lo que ocurra con
.
25
Desde la edad
en adelante
se producen muertes hasta un
instante antes de llegar a la edad
, esas muertes se van
acumulando a lo largo del ao en
dicho intervalo
Todos los
fallecidos son contados con edad
si tomamos enteros.
Continuo
Discreto
Nmero de personas fallecidas

a la edad
. Si tomamos
enteros de la edad de
fallecimiento.
En definitiva, se da la equivalencia
CONSTRUCCIN DE LA TABLA DE MORTALIDAD

RELACIONES
Sean
NUMERO DE PERSONAS QUE ALCANZAN CON VIDA LA EDAD EXACTA Y ENTERA
EL NUMERO DE PERSONAS QUE FALLECEN ENTRE LAS EDADES

INTERVALO
O EN EL
NUMERO DE PERSONAS QUE ALCANZAN CON VIDA LA EDAD EXACTA Y ENTERA
............................................................
...........................................................
De la ltima expresin deducimos
26
Se define
EL NMERO DE PERSONAS ACUMULADAS QUE NO ALCANZAN CON VIDA LA EDAD
TENIENDO LA EDAD X.
Donde
Donde
Nmero de personas
con vida a la edad
Nmero de personas con

vida a la edad
Como el grupo es cerrado y homogneo e independiente donde solo hay egresos de la poblacin, luego,
Esto explica la cantidad de eliminados producidos entre la edad
.
Como en no queda nadie con vida y partimos de una poblacin inicial

, si sumamos la cantidad de
muertes producidas para cada edad desde x nos tiene que dar la poblacin inicial
.
Para la construccin de la tabla de mortalidad hay dos mtodos
ANLISIS TRANSVERSAL DE MORTALIDAD
En un momento esttico del tiempo se toma una poblacin y se observa la evolucin de fallecimientos a
lo largo de un periodo de tiempo
ANLISIS LONGITUDINAL DE MORTALIDAD
Se observa toda la poblacin de principio hasta que fallece el ltimo.
Estos anlisis estn incluidos en el plan observacional que da los detalles del grupo que se observa.
27
IMPORTANTE
Con distintas edades hay una igualdad
Pero no es cierto que teniendo distintas edades sean iguales en probabilidad.
Lo que ocurre es que

en el lapso
los tiene vividos realmente, alcanzo
con vida la edad
, no hay incertidumbre al respecto, en otras palabras, la persona tiene la edad
. En cambio en
la persona tiene la edad x, por lo tanto, no hay certeza de que alcance con
vida la edad
eventualmente podra lograrlo o no. Pero el inters cae en el hecho de que logr
hacerlo y fallezca en el intervalo
es decir, es una probabilidad conjunta.
De esta manera se puede ver con total claridad la diferencia.

Edades
0
Plazos
Es igual a
que
representa la cantidad de
personas que tienen la edad
y que fallecen en el
intervalo
1 Cantidad de persona
de edad x que llegan
con vida a la edad
.
2 Cantidad de personas con

edad x que llegan con vida a la
edad
(1 paso) y
fallecen en el intervalo
.
TABLA DE MORTALIDAD EN TIEMPO DISCRETO

t
0
.......
......
......
......
CLCULO DE PROBABILIDADES EN BASE A LA TABLA DE MORTALIDAD

Ahora supongamos que deseamos calcular
28
PROBABILIDAD DE FALLECIMIENTO INMEDIATA ACUMULADA
PROBABILIDAD DE FALLECIMIENTO DIFERIDA ACUMULADA
Si sumamos y restamos
Luego llegamos a una expresin conocida
Tambin
Donde
Tambin
29
Llegamos a una expresin conocida.
VARIABLE ALEATORIA
Se define para un grupo inicial
, es decir, un grupo de recin nacidos. Por lo cual
VARIABLE ALEATORIA
DOMINIO DE LA VARIABLE ALEATORIA
DISTRIBUCIN DE
Se distribuye con una BINOMIAL con parmetros
MUESTRA
Tomamos una poblacin de edad x cuyo tamao es
, y en base siempre a esta poblacin obtenemos
las probabilidades, es la condicin inicial de la cual partimos.
Recordando que toda variable aleatoria BINOMIAL
Podemos interpretar a l(x) como la

Sea para un grupo
, con edad x cualquiera incluso podran ser recin nacidos

VARIABLE ALEATORIA
DISTRIBUCIN DE
30
MUESTRA
Tomamos una poblacin de edad x cuyo tamao es
y en base siempre a esta poblacin obtenemos
las probabilidades, es la condicin inicial de la cual partimos.
En definitiva, si tomamos hoy un grupo de personas de cierta edad x y luego miramos t aos hacia el
futuro de tal manera de que las personas del grupo que tomamos inicialmente estn con vida tendran la
edad entera y exacta
. Lo incierto visto desde hoy es la cantidad de personas que sobrevivirn del
grupo
. Cuanto mucho pueden sobrevivir todos los
o ninguno, por lo cual esto explica su
dominio.
Hay que poder diferenciar entre la probabilidad de xito
, que es la probabilidad de que una
persona del grupo sobreviva aos desde que tenia aos de edad. Luego, tenemos la probabilidad de
que cantidad de personas que sobrevivirn hasta la edad
Esta sigue una distribucin BINOMIAL
31
FIJAMOS UNA EDAD. No es

incierta
Grupo que determina el

tamao de la muestra
Desconocemos cuantas personas alcanzarn con vida

la edad
del grupo
. Por lo cual
es
una variable aleatoria.
Sabemos que la MEDIANA de una variable aleatoria BINOMAL es igual a la Esperanza, pero si
quisiramos calcularla
Donde
VARIABLE ALEATORIA
Sea para un grupo
, con edad x cualquiera incluso podran ser recin nacidos

VARIABLE ALEATORIA
DISTRIBUCIN DE
Lo incierto visto desde hoy es la cantidad de personas que fallecern del grupo
pueden fallecer todos los
o ninguno, por lo cual esto explica su dominio.
. Cuanto mucho
Hay que poder diferenciar entre la probabilidad de xito

, que es la probabilidad de que una
persona del grupo no alcance con vida la edad de
aos desde que tenia aos de edad. Luego,
tenemos la probabilidad de que cantidad de personas que no sobrevivirn hasta la edad
Esta sigue una distribucin BINOMIAL
32
FIJAMOS UNA EDAD. No es

incierta
Grupo que determina el

tamao de la muestra
Desconocemos cuantas personas no alcanzarn con

vida la edad
del grupo
. Por lo cual
es una variable aleatoria.
Sabemos que la MEDIANA de una variable aleatoria BINOMAL es igual a la Esperanza, pero si
quisiramos calcularla
Donde
INTERPRETACIN DETERMINISTICA
Se conoce con certeza el nmero de persona de la poblacin tomada que van a llegar con vida a la edad
y tienen un tamao de
. Pero lo que se desconoce es quines del grupo sern los que lo
logren.
INTERPRETACIN NO DETERMINISTICA
Se tiene incertidumbre sobre ambas dimensiones, la cantidad
y quines sern los que lo logren.
33
RESUMEN DE VARIABLES ALEATORIAS

VARIABLE FLUJO
TIEMPO
TIEMPO DISCRETO
PLAZO QUE MEDIA

EL FALLECIMIENTO
EDAD AL
FALLECIMIENTO
TIEMPO CONTINUO
PLAZO QUE MEDIA

EL FALLECIMIENTO
EDAD AL
FALLECIMIENTO
VARIABLE STOCK
CANTIDAD
VARIABLES DISCRETAS
NUMERO DE PERSONAS QUE NO

LLEGAN CON VIDA A LA EDAD
, ES DECIR, EL VALOR DE
NUMERO DE PERSONAS QUE

LLEGAN CON VIDA A LA EDAD
, ES DECIR, EL VALOR DE
DEFINICIN DE DERIVADA DE UNA VARIABLE

Sea una variable
que tiene una dependencia con la variable , es decir, es funcin de la variable .
nicamente hay un cambio en la variable , si se ha producido un cambio en la variable . Porque

aquella depende nicamente de la variable y de ninguna otra variable.
INCREMENTO
Este es el incremento que se ha producido en la variable

INCREMENTO EN LA VARIABLE
POR UNIDAD DE CAMBIO DE LA VARIABLE
Esta ltima expresin representa el cambio en la variable

unidad que la variable
por culpa del cambio en la variable .
por unidad de
se incremente o disminuya, la variable
. En otras palabras, por cada
se incrementara o disminuir en
unidades
DERIVADA
34
Si hacemos cambiar a la variable muy poco, digamos un infinitesimo, luego el cambio producido en la
variable tambin ser muy pequeo por lo cual
APROXIMACIN DEL
La ltima expresin slo es vlida para cambios muy pequeos de la variable
Si en cambio tomamos cambios ms grandes, obtenemos
Donde
Si quisiramos aproximar
Mientras el
que queramos aproximar sea ms chico, luego, menor ser el error que se cometa
Si
MEJOR LA APRXIMACIN QUE HACEMOS

DE
PARA GRANDES
MAYOR EL ERROR EN LA APRXIMACIN

QUE HACEMOS DE
Recordar el concepto de derivada nos servir para entender lo que sigue
TASA INSTANTNEA DE MORTALIDAD

Edades
Cantidad de personas que llegan con vida
Tenemos
35
Tambin
Si lo quisiramos expresar de manera anual luego
Si denotamos a la variable
fallecimiento. Luego
como el ajuste que deberamos realizar para anualizar la probabilidad de
EJEMPLO
Si
estamos hablando de un semestre, es decir, aos
Si
estamos hablando de un mes, es decir,
Si
estamos hablando de un da, es decir,
aos
aos
Como sabemos
Donde
Si nosotros dividimos por
Como vemos podemos asociarlo al concepto de derivada si hacemos

Es importante para lo que sigue interpretar
PROPORCIN DE FALLECIDOS
Es la proporcin de muertos entre las edades
36
PROPORCIN DE FALLECIDOS POR UNIDAD DE
La proporcin de fallecidos por cada unidad
o en el plazo t que como dijimos est expresada en aos
Esto ocurre por la dependencia que hemos supuesto entre la eliminacin de una persona y la edad de la
misma nicamente, sin incluir otras variables.
Luego, tenemos la siguiente igualdad
Si
Si realizamos el lmite cuando
Entonces
Luego, obtenemos la Tasa Instantnea de Mortalidad o Fuerza de Mortalidad
Es importante recordar
A
no se le puede dar valores porque caemos
en incrementos , no lo podemos cuantificar ya
que es una aproximacin de . Es muy
pequeo, pero que tan pequeo que resulta
subjetivo de cada persona. Para un grupo de
personas pequeo sera un valor, para otro grupo
otro sera el valor.
Nuestro inters est en analizar
para ello debemos recordar que
es una aproximacin de
37
Llegamos al nmero de personas fallecidas en algn instante de tiempo, justo un instante despus de
cumplir la edad , luego
Esta ltima, es la expresin proporcional anual de la probabilidad de fallecer en un instante de tiempo.

APROXIMACIN DEL
Nos interesa la proporcin de fallecidos dentro de un intervalo y no la proporcin de fallecidos por

unidad de cambio de
Como vimos
Luego
Si reemplazamos al
por incrementos
Si lo multiplicamos por un intervalo genera la probabilidad de ocurrencia en ese intervalo. A ms

pequeo el intervalo mejor la aproximacin que se haga de la probabilidad
La tasa instantnea de mortalidad est vinculada con una derivada, la cual est relacionada con la
velocidad de decrementos o incremento de alguna variable dependiente.
INTERPRETACIN MODERNA
Se supone que x esta fijo y la que vara es t.
luego
38
Si
Luego su derivada con respecto a t es igual a
Donde
Es una constante ya que no depende de t.

Por lo cual se obtiene
FUNCIN DE DENSIDAD CONDICIONAL

Como
La derivada queda igual a
En definitiva
Con ello obtenemos
Recordando que si tomamos como variable aleatoria el tiempo transcurrido desde la edad x hasta el
fallecimiento .
La derivada de q(x; 0; t) da como resultado la funcin de densidad
39
EJEMPLO
Mientras ms chico ms
preciso el clculo de la
probabilidad
La cual es la probabilidad de fallecer al da siguiente.
EXPRESIN EN PROBABILIDAD
La clave est en comprender que no hay incertidumbre de que la persona alcanz con vida la edad
RESUMEN
Para toda variable aleatoria
posee
FUNCIN DE DISTRIBUCIN ACUMULADA
FUNCIN DE SUPERVIVENCIA O FUNCIN DE DISTRIBUCIN

DESACUMULADA
FUNCIN DE DENSIDAD
Es parecida a la funcin de densidad, pero, es condicional a que se sobreviva hasta la edad

la edad
teniendo
Por definicin
TIEMPO CONTINUA
40
GRFICAMENTE
Edades
0
Plazos
EN TIEMPO DISCRETO
GRFICAMENTE
Edades
0
Plazos
Seguimos con la forma continua
Luego
Entonces
FUNCIN DE DENSIDAD
41
EN FORMA CONTINUA
Esta funcin depende de la mortalidad que exista entre
o de la posibilidad de sobrevivir entre
Edades
0
Plazos
Hay incertidumbre en esta etapa acerca de

la posibilidad de supervivencia.
Funcin de
densidad
condicional
EN FORMA DISCRETA
Luego
Luego llegamos a algo conocido
Donde
Por lo tanto
Como vemos
No son exactamente iguales pero su significado es el mismo.
42

Es una medida pura del intervalo infinitesimal
Sabemos que para dos sucesos dependientes A y B se cumple
Por lo tanto
Para sucesos independientes deberamos hacer el producto
Si definimos
SUCESO A
Alcanzar con vida la edad
aos de edad
, una persona de
SUCESO B
Fallecer entre
Luego
Es la probabilidad de alcanzar con vida la edad

.
teniendo x aos de edad y fallecer entre
Como A y B son sucesos dependientes porque para fallecer entre

primero hay que
alcanzar con vida la edad
. Si A no ocurre no es posible que B ocurra, estn atados.
EN TIEMPO DISCRETO
EN TIEMPO CONTINUO
Donde
Es la probabilidad de que una persona de edad

Por ltimo, tenemos
que es la probabilidad condicional de que una persona de edad
habiendo
llegado con vida a la edad

, fallecer entre
. En esta probabilidad no hay duda de
que se alcanz con vida la edad
o de contrario no podra darse B.
43
EN TIEMPO DISCRETO
EN TIEMPO CONTINUO
GRFICAMENTE
Edades
0
Plazos
No hay incertidumbre respecto de la

posibilidad de llegar con vida hasta
Funcin de densidad
condicional
Luego uniendo todos los datos
TIEMPO DISCRETO
TIEMPO CONTINUO
DIFERENCIA ENTRE LA FUNCIN DE DENSIDAD Y LA FUNCIN DE DENSIDAD

CONDICIONAL
La diferencia entre la funcin de densidad y la funcin de densidad condicional es la incertidumbre con
respecto a alcanzar con vida la edad
teniendo x aos de edad como puede apreciarse en los grficos
y las formulas. La funcin de densidad tiene como parte de su formula a la funcin de densidad
condicional. Esto se ve ms claro cuando lo llevamos a tiempo discreto.
ASOCIACIN
La funcin de densidad
en tiempo continuo se asocia a
en tiempo discreto.
TIEMPO DISCRETO
TIEMPO CONTINUO
44
EN TIEMPO DISCRETO
EN TIEMPO CONTINUO
INTERPRETACIN
A
la podemos ver de dos maneras

PROBABILIDAD
TASA DE ELIMINADOS O PROPORCIN DE ELIMINADOS POR CADA INSTANTE

DE TIEMPO
Podemos apreciar que hay no una sino muchas tasas instantneas de mortalidad
cambios t pueda hacerse.
, tantas como
COMO PROBABILIDAD
Tenemos que
Recordando
Luego
Recordando la propiedad
Obtenemos
45
Simplificando
La cual da la proporcin de las personas que alcanzan con vida la edad
y fallecen entre las edades
COMO TASA INSTANTANEA
Donde
Si reemplazamos
por
Que representa la cantidad de eliminados por cada unidad de
. Si
Que representa la cantidad de eliminados por cada unidad de

es cada instante de tiempo.
. Este ltimo es tan pequeo que la unidad
Si lo dividimos por
, luego
obtenemos la proporcin de eliminados por cada instante de tiempo

EN TIEMPO DISCRETO
46
EN TIEMPO CONTINUO
Por lo cual podemos deducir que la probabilidad de sobrevivir

de un grupo cerrado, homogneo
con una nica causa de eliminacin, donde no hay ingresos nuevos a la poblacin y su probabilidad de
sobrevivir depende nicamente de la edad es igual a
TIEMPO CONTINUO
La integral
Como la Tasa Instantnea de Mortalidad acta cada instante de tiempo, debemos sumar sus efectos a lo
largo de un intervalo
Podemos asociar a
al concepto de Clculo Financiero de tasa instantnea en tiempo continuo
DEMOSTRACIN
RESOLUCIN
Si derivamos con respecto a x
Recordando que
Si multiplico y divido por
el ltimo termino
47
Sacando factor comn
Con lo cual queda demostrado
FUNCIN DE DISTRIBUCIN ACUMULADA INMEDIATA

La probabilidad acumulada
.
en tiempo discreto es la suma de las probabilidades puntuales
Esto tiene su asociacin en tiempo continuo

Si definimos a la funcin de densidad
como la probabilidad de que una persona fallezca en un
instante de tiempo inmediatamente despus de la edad
teniendo la edad x
La funcin de distribucin acumulada
es igual a
Donde la
que es la probabilidad de estar con vida a la edad x que es cuando se toman los datos es
cierta e igual a 1.
FUNCIN DE DISTRIBUCIN ACUMULADA CON DIFERIMIENTO ILIMITADA
Donde la probabilidad de sobrevivir entre x y
es igual a cero
48
FUNCIN DE DISTRIBUCIN ACUMULADA CON DIFERIMIENTO LIMITADA

DEMOSTACIN 1
DEMOSTRACIN 2
Por la propiedad de la suma de las integrales
Por lo cual
CANTIDADES ABSOLUTAS DE FALLECIDOS ACUMULADOS
Sabiendo que
Donde
Vista como proporcin
representa el nmero de personas que fallecen entre
luego
Luego
49
Si tomamos la integral que va desde 0 hasta n. Es como sumar en tiempo discreto los fallecidos en cada
instante del tiempo a medida que variamos t.
Obtenemos el total de fallecidos entre las edades

Si
luego
Recordando
Luego tenemos
Donde
La probabilidad de estar con vida a la edad x que es la edad observacional es conocida con certeza y es
igual a uno, porque en el momento que tomamos la poblacin la gente est viva y tiene la edad x.
La probabilidad de alcanzar con vida la edad

vida esa edad.
teniendo x aos de edad es cero porque nadie alcanza con
Luego tenemos que
La cantidad de fallecidos que se acumulan hasta la edad es igual a la cantidad de personas que
comenzaron a la edad x. Porque nadie alcanza con vida esa edad mueren todos.
L CENSAL
50
Hay dos interpretaciones
Interpretacin directa: Promedio de la poblacin en cantidades entre las edades

.
Interpretacin indirecta: Numero de aos vividos por las
personas entre las edades
EJEMPLO DE INTERPRETACIN DIRECTA

Edades
0
Plazos
Promedio de personas con vida entre las edades
Si lo pensamos como que entre
viven
viven
y que entre las edades
. Podemos ver que cada grupo vive
periodo cada uno.
Es decir
O que 90 personas viven 1 periodo completo desde x hasta
y que 10 solo viven periodo es decir
EJEMPLO DE INTERPRETACIN INDIRECTA

En este ejemplo utilizamos los mismos datos.
Lo que buscamos son aos vividos por las personas. En todo el periodo que va entre
51
Al inicio del periodo tenemos 100 personas con la edad x y 10 fallecen en
, es decir, que agregan
ao vivido cada una de las 100 personas. Luego quedan 90 personas entre
otros
que agregan
ao cada uno. Con esto obtenemos

Aos vividos en total entre
Se puede pensar tambin como que 90 personas agregan 1 periodo cada uno, pero 10 personas que viven
desde la edad x hasta
agregan
ao cada uno. Luego tenemos que

Aos vividos en total entre las edades
En este caso
Donde
PERSONAS QUE LOGRAN TERMINAR EL PERIODO DE ANALISIS

Cada una de las
personas agrega 1 ao vivido por eso esta multiplicado por 1.
PERSONAS QUE FALLECEN DENTRO DEL PERIODO DE ANALISIS
Luego, podemos interpretar a
Como el tiempo vivido por las personas que fallecen entre las edades
. Recordando que
Luego, como ocurra en el ejemplo cada fallecido agrega aos vividos. En el ejemplo cada fallecido
agregaba medio ao cada uno porque falleca a la edad
aos pero viven desde la edad x.
Aos vividos en total entre las edades

Como en este ejemplo la integral
Representan en el ejemplo de arriba
52
AOS DE VIDA QUE APORTA UNA PERSONA DE EDAD X QUE

FALLECE A UNA DETERMINADA EDAD.
Fallece a la edad
Estos son los aos que vivi y son los
aos vividos que aporta
DEMOSTRACIN
Si la resolvemos por partes
Luego reemplazando
Con esto queda demostrado que
MS ACERCA DE LA L CENSAL
Luego
53
En lugar de ver los aos vividos entre
ahora nos interesa entre
Llevamos la integral hasta n y multiplicamos por

.
la cantidad de personas que llegan con vida hasta
TASA CENTRAL DE MORTALIDAD
En esta ltima expresin se puede ver que la tasa central de mortalidad

ponderado de las tasas de mortalidad.
es un promedio
PONDERADOR
HAY MUCHAS TASAS INSTANTNEAS DE MORTALIDAD

Es importante notar que hay muchas tasas instantneas de mortalidad
a medida que cambia t.
Donde
Representa la proporcin de eliminados por cada instante de tiempo

Si permitimos que el dominio de t sea
Si
estaramos hablando de la tasa de mortalidad entre las edades
Si
Si
54
Estas son solo algunas de las tantas posibilidades que existen entre las edades
. Con estos
valores luego se puede realizar un promedio de las tasas de mortalidad para cada valor de t. Hay que
sumarlos esto en tiempo continuo se traduce en una integral.
ANALISIS DEL PONDERADOR
En el promedio simple el ponderador para cada trmino es igual a 1, esto implica que cada trmino tiene
la misma importancia y por ende son tratados todos de igual manera. Pero en un promedio ponderado se
tiene en cuenta que no todos tienen la misma importancia y por ende el mismo peso.
La cantidad de personas
cambia durante el transcurso del tiempo
Representa la cantidad de personas que llegan con vida a la edad
Representa el nmero de persona que en promedio vivieron entre las edades

.
Si
el ponderador sera igual a
Si
Si
Por lo cual
De esta manera si tenemos
EN TRMINOS RELATIVOS
55
La proporcin de fallecidos por instante de tiempo
es la menor de todas
EN TRMINOS ABSOLUTOS
Como
tiene mayor peso
La cantidad de fallecidos por instante de tiempo de
es la mayor de todas
En la siguiente tabla se ve con claridad este concepto.

TRMINO RELATIVO
TASA INSTANTNEA DE
MORTALIDAD
POBLACIN A LA EDAD
TRMINO ABSOLUTO
CANTIDAD DE
ELIMINADOS POR
INSTANTE DE TIEMPO
50.000
2.000
1.500
Como vemos en la tabla aunque

en trminos relativos es la menor de las tasas de mortalidad, tiene
el mayor efecto en trminos absolutos como se ve en la cantidad de eliminados. Esto se debe a que la
poblacin sobre la cual acta es la mayor de todas. Debemos tener en cuenta esto cuando hagamos un
promedio y as lo hace la TASA CENTRAL DE MORTALIDAD tomando promedio ponderado.
DEMOSTRACIN
Si tomamos la ecuacin general
Donde
Por lo cual
DEMOSTRACIN
Si tomamos la ecuacin general
56
Si dividimos numerador y denominador por
Donde
Por lo tanto
Donde
Este ltimo trmino es la ESPERANZA DE VIDA COMPLETA que veremos ms adelante

DEMOSTRACIN
Si
es constante se cumple que
Porque el promedio ponderado de una constante de como resultado una constante.
VIDA MEDIA COMPLETA

INTUICIN
A continuacin se dar la intuicin detrs tanto de la VIDA MEDIA COMPLETA INMEDIA E
ILIMITADA como de la VIDA MEDIA INMEDIATA Y LIMITADA, para luego, ms adelante volcarse
a la matemtica y exponer otros conceptos. Lo que se busca es entender lo que se est haciendo para no
realizar demostraciones sin un verdadero entendimiento de lo que hay detrs
57
Donde
Tambin
Se resuelve por partes
Recordando que
INTUICIN
Si recordamos que
Tambin
58
Luego
Por lo cual
Recordando
Luego, podemos interpretar a
Como el tiempo vivido por las personas que fallecen entre las edades
Donde
Representa el tiempo vivido por todas las personas entre las edades
AOS DE VIDA QUE APORTA UNA PERSONA DE EDAD X QUE

FALLECE A UNA DETERMINADA EDAD.
Fallece a la edad
Estos son los aos que vivi y son
los aos vividos que aporta
Finalmente, si dividimos esta ultima expresin por la cantidad total de personas con edad
Resulta en el promedio esperado de aos vividos entre las edades

tiempo continuo
, o EXPECTATIVA DE VIDA en
INTUICIN
Tambin tenemos
59
Donde
Donde
Tambin tenemos la siguiente relacin
En tiempo discreto
Recordando
GRFICAMENTE
Edades
0
Plazos
Viven 1 ao cada una de

las
personas.

las
personas.
A las personas que fallecen entre las edades

, es decir
, como estamos trabajando
en tiempo discreto, lo tomamos como si fallecieran a la edad
. Luego cada integrante vive 1
periodo y no medio como lo hacan en el ejemplo que vimos cuando trabajamos con la L Censal
EJEMPLO
60
RESOLUCIN
a)
Hallar
Si vamos a sacar un promedio debemos dividir por la poblacin total que es
Donde
b) Hallar
Donde
Resolviendo por partes
Ya que
tiende a cero cuanto ms cerca estamos de
61
Reemplazando
Por lo tanto
VIDA MEDIA TEMPORARIA E INMEDIATA

LA INTUICIN
62
INTUICIN
Recordando que
Por un lado
Esta ultima integral representa la esperanza matemtica de los aos vividos o promedio esperado de los
aos vividos entre las edades
por las personas fallecidas entre
.
Por el otro
Esto representa los aos de vida que aportan las personas que lograron alcanzar con vida la edad
teniendo la edad
.
Podemos tambin ir por otro camino
Ya que
Recordando
Es el nmero total de aos vividos por las personas que fallecen entre las edades
Tambin tenemos
Es el nmero de aos vividos por las personas que alcanzan con vida la edad
una edad de
aos de edad.
Sumando ambos obtenemos
comenzando con
BIOMETRA ACTUARIAL
En definitiva, si dividimos por

las edades
TEORA
RICARDO GABRIEL AMARILLA
obtenemos el promedio de aos vividos por las
personas entre
Tomamos a las
personas y vemos cuantos aos de vida aporta cada integrante, algunos fallecern
antes que otros, pero todos aportarn con sus aos vividos. Es como pasar lista a cada integrante y
determinar cunto aporta cada uno de aos de vida y obtener un promedio.
INTUICIN
Donde
El tiempo
total vivido por las l(x)
TASA DE BENEFICIO DE SUPERVIVENCIA
Si se coloca 1$ hoy se retira un periodo despus
64
BIOMETRA ACTUARIAL
TEORA
Donde
Slo la retiran aquellos que llegan con vida a la edad
En la medida que haya ms fallecimientos los sobrevivientes se llevarn ms de 1$.
DEMOSTRACIN
Si recordamos que
Luego obtenemos que
Recordando que
Luego obtenemos que
Lo hacemos para cualquier t
DEMOSTRACIN
Si recordamos que
Luego obtenemos que
Recordando que
65
BIOMETRA ACTUARIAL
TEORA
Luego obtenemos que
DEMOSTRACIN
RESOLUCIN
Por lo tanto
66
BIOMETRA ACTUARIAL
TEORA
VIDA MEDIA ABREVIADA

VIDA MEDIA
ABREVIADA
EXPRESIN INICIAL
EXPRESIN
FINAL
VIDA MEDIA ABREVIADA INMEDIATA E ILIMITADA
Donde
Donde
Son los que mueren al inicio del periodo y no los tengo en cuenta, porque no aportan aos de vida.
Si abrimos la sumatoria
67
BIOMETRA ACTUARIAL
Hay
filas y
TEORA
columnas
Tenemos que
Recordando que
Luego
Por lo cual
Donde
Reemplazando
Donde
Reemplazando
Donde
Porque nadie alcanza con vida la edad
68
BIOMETRA ACTUARIAL
TEORA
Por lo cual
VIDA MEDIA ABREVIADA INMEDIATA E LIMITADA
Donde
PRIMER TERMINO
Hay
filas y
columnas
Tenemos que
Recordando que
Luego
Por lo cual
69
BIOMETRA ACTUARIAL
TEORA
Donde
Reemplazando
Donde
Reemplazando
Donde
Al primer trmino le agregamos el segundo
Por lo cual
70
BIOMETRA ACTUARIAL
TEORA
VIDA MEDIA ABREVIADA DIFERIDA E ILIMITADA
Donde
Son los que mueren al inicio del periodo y no los tengo en cuenta, porque no aportan aos de vida.
Por lo tanto
Donde
Donde
Por lo tanto
DEMOSTRACIN
Recordando que
71
BIOMETRA ACTUARIAL
TEORA
Por lo tanto si los restamos
Donde
Por lo cual
Donde
Que es una acumulada
Reemplazando
Sacando factor comn
Lo cual queda demostrado

Tomando la ltima ecuacin y desarrollndola
Hay
filas y
columnas
72
BIOMETRA ACTUARIAL
TEORA
Cada fallecido tiene n aos vividos de ms por lo cual hay que quitrselos por esta causa aparece n
restando en la sumatoria. El promedio siempre es con respecto a las personas
y no con respecto a las
de
.
Donde
Donde
Reemplazando
Donde
Reemplazando
Donde
Porque nadie alcanza con vida la edad

Por lo cual
VIDA MEDIA ABREVIADA DIFERIDA E LIMITADA TIPO 1
73
BIOMETRA ACTUARIAL
TEORA
SIEMPRE HACEMOS EL PROMEDIO DE AOS DE VIDA DE LA POBLACIN l(x) para el periodo

indicado
PRIMEROS TERMINOS
SEGUNDOS TERMINOS
Hacemos distributiva
Donde
Luego
Nos queda luego de ponerla linda
Donde
En cada trmino de la sumatoria hay una n que est multiplicando, es decir, que cada fallecido tiene n
aos vividos que los tenemos que restar porque no son aos vividos correspondientes al ao de inters.
Por lo cual del ltimo trmino
74
BIOMETRA ACTUARIAL
TEORA
Si sumamos ambas
Tomamos el primer trmino

Hay
filas y
columnas
Donde
Donde
Reemplazando
Donde
Reemplazando
Agregamos el trmino que nos quedo afuera
75
BIOMETRA ACTUARIAL
TEORA
Por lo cual
DEMOSTRACIN
Recordando que
Restando
Con lo cual queda demostrado
VIDA MEDIA ABREVIADA DIFERIDA E LIMITADA TIPO 2
DEMOSTRACIN 1
Recordando que
76
BIOMETRA ACTUARIAL
TEORA
Restando
Por lo cual
DEMOSTRACIN 2
PRIMEROS TERMINOS
SEGUNDOS TERMINOS
Nos queda luego de ponerla linda
Donde
En cada trmino de la sumatoria hay una n que est multiplicando, es decir, que cada fallecido tiene n
aos vividos que los tenemos que restar porque no son aos vividos correspondientes al ao de inters.
Recordando que
77
BIOMETRA ACTUARIAL
TEORA
Si los separamos en dos trminos
Tenemos que
Donde
Tambin
Por lo tanto
Tomamos el primer trmino

Hay
filas y
columnas
Donde
78
BIOMETRA ACTUARIAL
TEORA
Donde
Reemplazando
Donde
Reemplazando
Agregamos el trmino que nos quedo afuera
Por lo cual
DEMOSTRACIN
Tenemos que
79
BIOMETRA ACTUARIAL
TEORA
Sabemos que
Reemplazando
Sacando factor comn
Donde
Por lo cual
EXPLICACIN CONCEPTUAL DE
INTERPRETACIN 1
TIEMPO PROMEDIO DE AOS VIVIDOS ENTRE LAS EDADES
Sea
VARIABLE ALEATORIA
Sabemos que
Donde
representa el total de aos vividos por las
entre las edades
Grficamente
80
BIOMETRA ACTUARIAL
TEORA
Edades
0
Plazos

las
personas.

las
personas.
Las personas que fallecen entre las edades

, es decir,
como estamos trabajando
en tiempo discreto, lo tomamos como si fallecieran a la edad
, es decir, viven 1 periodo. Los
llegan a la edad
, pero, en ese mismo momento fallecen
personas quedando un total de
. Si dividimos por
obtenemos el tiempo promedio de aos vividos.
INTERPRETACIN 2
CANTIDAD DE PERSONAS QUE EN PROMEDIO VIVIERN ENTRE LAS EDADES
Donde
representa la cantidad total de personas que vivieron entre las edades
Si dividimos por
obtenemos la cantidad de personas que en promedio vivieron entre las edades
. Este anlisis se puede fcilmente llevar a los otros tipos de Esperanzas Abreviadas ya vistas.
81
BIOMETRA ACTUARIAL
TEORA
VIDA MEDIA COMPLETA

VIDA MEDIA
COMPLETA
EXPRESIN INICIAL
EXPRESIN
FINAL
VIDA MEDIA COMPLETA INMEDIATA E ILIMITADA
Recordando que
Si reemplazamos
Recordando la formula
82
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
A medida que nos acercamos a la edad
se acerca acero, por lo tanto
VIDA MEDIA COMPLETA INMEDIATA E LIMITADA
Recordando que
Si reemplazamos
Por lo tanto
83
BIOMETRA ACTUARIAL
TEORA
VIDA MEDIA COMPLETA DIFERIDA E ILIMITADA
Lo que hacemos es quitarle

a la poblacin de la que contamos los aos vividos que es
o la
poblacin en
. Porque siempre es sobre esta poblacin sobre la que contamos los aos vividos.
Como nuestro inters recae sobre los aos vividos entre
de la mencionada poblacin, estas
personas que alcanzan con vida la edad
traen consigo n aos vividos desde el comienzo del
periodo de inters lo cual hay que restrselos.
Donde
Reemplazando
Por lo cual
Por lo tanto
A medida que nos acercamos a la edad
se acerca a cero, por lo tanto
84
BIOMETRA ACTUARIAL
TEORA
Demostracin
Donde
Por lo tanto
Por la regla de la sumas de las integrales
VIDA MEDIA COMPLETA DIFERIDA E LIMITADA TIPO 1
Donde
Donde
Por lo tanto
85
BIOMETRA ACTUARIAL
TEORA
Recordando que
Si reemplazamos
Por lo tanto
VIDA MEDIA COMPLETA DIFERIDA E LIMITADA TIPO 2
Donde
86
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
Recordando que
Si reemplazamos
Por lo tanto
DEMOSTRACIN DE
POR TRAPECIOS
Para resolver la integral aplicamos trapecios generalizados y su frmula es
87
BIOMETRA ACTUARIAL
TEORA
Como estamos aproximando la integral nos olvidamos del trmino complementario

Como la integral
Est en funcin de t y no de x como en la formula, esto nos ahorra el paso de tener que hacer esta
transformacin y considerando un h igual a 1.
Como
Obtenemos
DEMOSTRACIN
Tenemos que
Donde
Donde
Por lo cual
88
BIOMETRA ACTUARIAL
TEORA
Reemplazando
Por lo cual
ESPERANZA DE LA VARIABLE ALEATORIA

Nosotros hasta ac hemos visto las distintas esperanzas de las variables y
, es decir, del plazo que
media al fallecimiento a partir de cierta edad . Pero debemos tener en cuenta que eventualmente se
podra calcular la esperanza matemtica de la variable aleatoria
,
Que es la edad promedio de aos que se viven.

TIEMPO CONTINUO
Si tenemos en cuenta
Reemplazando
Por lo tanto por la propiedad de la esperanza matemtica tenemos que
TIEMPO DISCRETO
Si tenemos en cuenta
Reemplazando
Por lo tanto por la propiedad de la esperanza matemtica tenemos que
89
BIOMETRA ACTUARIAL
TEORA
LA ESPERANZA DE LA VARIABLE ALEATORIA

CONDICIONADA CON DOBLE TRUNCAMIENTO
TIEMPO CONTINUO
TIEMPO DISCRETO
VIDA MEDIA ABREVIADA CALCULADA AL NACIMIENTO

CONCEPTO
Representa el promedio de aos enteros a vivir por un recin nacido
CARACTERSTICA PARTICULAR
La Vida Media Abreviada a la edad x no

es igual que la Vida Media Abreviada al
nacimiento y restarle x aos.
La mortalidad infantil es alta y le agrega
dispersin.
ESPERANZA MEDIA DE LOS FALLECIDOS
Tambin
INTERPRETACIN
Es el tiempo promedio vivido por los fallecidos entre las edades
90
BIOMETRA ACTUARIAL
TEORA
Como vemos es un promedio ponderado donde los ponderadores son
Si analizamos el denominador del ponderador

Recordando que
Vemos que se trata del stock de fallecidos entre las edades

Veamos el numerador
Si trabajamos en tiempo discreto, luego
Por lo cual
Para
Para
Para
Para
Donde
91
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Tenemos los ponderadores en tiempo discreto
Si queremos obtener el promedio de aos vividos de las personas fallecidas de un grupo de personas de
partida
con edad x debemos
Donde
Son los aos vividos que aportan las personas fallecidas entre
. Los aos que aporta
cada fallecido a la edad
como antes son
que vivi desde la edad x.
Si lo dividimos por
En definitiva, obtenemos el promedio ponderado de los aos vividos por los fallecidos entre las edades
. En otras palabras, tomamos a los fallecidos entre las edades
y los contamos, luego,
vemos cuanto cada uno aporta de aos de vida y obtenemos un promedio. A diferencia de lo que
hacamos antes con la ESPERANZA ABREVIADA Y COMPLETA INMEDIATAS Y LIMITADAS,
que obtenamos el promedio de aos vividos por las
, en este
caso nos interesan slo los aos vividos por los fallecidos y su promedio, y no los aos vividos por todas
las personas
vivas o muertas.
PROMEDIO DE AOS VIVIDOS POR LOS FALLECIDOS
PROMEDIO DE AOS VIVIDOS POR TODAS LAS
PERSONAS
ANALISIS DEL PONDERADOR

En el promedio simple el ponderador para cada trmino es igual a 1, esto implica que cada trmino tiene
la misma importancia y por ende son tratados todos de igual manera. Pero en un promedio ponderado se
tiene en cuenta que no todos tienen la misma importancia y por ende el mismo peso. Todos los datos
estn creados para exponer situaciones extremas con el propsito de aislar y exponer el concepto.
Si
Si
Si
92
BIOMETRA ACTUARIAL
Si
TEORA
Por lo cual
TIEMPO QUE MEDIA AL FALLECIMIENTO
TIEMPO VIVIDO TOTAL POR LO FALLECIDOS

Como
Por ende
En la siguiente tabla se ve con claridad este concepto.

TIEMPO QUE MEDIA
AL FALLECIMIENTO
POR PERSONA
POBLACIN A LA
EDAD
CANTIDAD DE
ELIMINADOS
PONDERADORES
50.000
2.000
150
95,238%
3,809%
0,2857%
SUMA 100%
TIEMPO
VIVIDO
TOTAL
50.000
10.000
1.500
TOTAL 61.500
Como vemos en la tabla aunque en trminos relativos es el menor de los plazos, tiene el mayor efecto
en trminos absolutos como se ve en el tiempo total de aos vividos. Esto se debe a que
Por lo cual aunque las tasa de eliminados sean muy pequeas cerca de t igual a cero, la cantidad de
fallecidos puede ser importante. Por ende
A PEQUEOS VALORES DE t
A GRANDES VALORES DE t
MUCHOS FALLECIDOS
POCOS FALLECIDOS
Por lo cual los valores pequeos de t ocultan esta sutileza. En el caso de que hiciramos un promedio
simple, aportaran poco al resultado por lo escaso de su valor, cuando en realidad tienen una gran
importancia a la hora de explicar los aos vividos totales por los fallecidos, en el ejemplo un poco ms del
95%, y por ende los estaramos subestimando. Mientras los valores ms grandes tienen poco peso en la
explicacin de los aos vividos totales. Lo que hacen los ponderadores es hacer un ajuste para equilibrar
este desbalance que se produce, incrementando la importancia de los valores pequeos de t en el
promedio y quitndole peso a los valores grandes.
93
BIOMETRA ACTUARIAL
TEORA
DEMOSTRACIN
Recordando que
Reemplazando en la formula general
Por lo tanto
NUMERADOR
Por lo tanto
Por lo cual
Donde
94
BIOMETRA ACTUARIAL
TEORA
DENOMINADOR
Por lo tanto uniendo ambos
DEMOSTRACIN
Donde
Donde
Por lo cual
Por lo cual
Reemplazando
Por lo tanto
95
BIOMETRA ACTUARIAL
TEORA
Tambin
Si dividimos denominador y divisor por
Donde
DEMOSTRACIN
Donde
Por que mueren todas las personas
a la edad
Tambin
Por lo tanto
Por lo tanto
Luego
96
BIOMETRA ACTUARIAL
TEORA
INTRODUCCIN A LOS MODELOS

BIOMTRICOS
97
BIOMETRA ACTUARIAL
TEORA
Es una funcin de distribucin, la cual, representa la probabilidad de que el tiempo que media el
fallecimiento sea mayor que t.
Es decir, a cierta edad x hay dos escenarios posibles.
Alcanzar con vida la edad x.

No alcanzar con vida la edad x.
Luego, la edad del fallecimiento de la persona
puede ser de dos maneras
Lo cual implica que alcanz con vida la edad x.
Lo cual implica que no alcanz con vida la edad x.
Mirndolo desde hoy si tomamos una persona cualquiera de edad x, la edad a la que fallecer
es incierta, por lo cual podemos hablar de probabilidades de fallecimientos a
determinadas edades futuras
, as tambin, podemos hablar de
probabilidades de supervivencias. En este ltimo caso que es el que estamos analizando implica que la
probabilidad de que la edad de fallecimiento sea mayor que una edad determinada
FUNCIN DE DISTRIBUCIN ACUMULADA

Con esto analizamos el complemento de
que es la Funcin de Distribucin Acumulada
Por lo cual obtenemos
Recordando que podemos trabajar con la variable aleatoria
o con
FUNCIN DE DENSIDAD
Donde
98
BIOMETRA ACTUARIAL
TEORA
TASA INSTANTANEA DE MORTALIDAD

EN PLAZOS
EN EDADES
Donde
trate.
es una densidad de muerte condicionada a la supervivencia a hasta la edad a la edad de que se
EJEMPLO
Si
a) Cul es la probabilidad de fallecer antes de los 10 aos?

b) Cul es la probabilidad de fallecer despus de los 10 aos?
a)
Donde
99
BIOMETRA ACTUARIAL
TEORA
b)
ESPERANZA Y VARIANZA DE LA VARIABLE ALEATORIA TIEMPO QUE MEDIA AL

FALLECIMIENTO
Despus de algunas cuentas como vimos antes
MOMENTO ABSOLUTO DE ORDEN 2
VARIANZA
MEDIANA
Edad o plazo a la cual la probabilidad de fallecer antes es igual a la probabilidad de fallecer despus, es
decir,
MODO
Plazo o edad a la cual se tiene la ms alta probabilidad de fallecer
FUNCIONES TRUNCADAS
De aqu en ms estamos relacionando EXPRESIONES CONDICIONADAS con EXPRESIONES NO
CONDICIONADAS
TRUNCAMIENTO INFERIOR
De aqu en ms
Vemos como a partir de expresiones no condicionadas de recin nacidos llegamos a expresiones

condicionadas
100
BIOMETRA ACTUARIAL
TEORA
Subgrupo que alcanz con vida la edad y que

por lo tanto fallecern entre las edades
Proporcin que fallecer entre las

edades
Subgrupo que
alcanz con vida la
edad
Grupo de partida
de recin
nacidos
Proporcin que
fallecer entre las
edades
Subgrupo que alcanz

con vida la edad y que
por lo tanto fallecern entre
las edades
PROBABILIDAD DE MUERTE ACUMULADA
Subgrupo que alcanz con vida la edad y que

por lo tanto fallecern entre las edades
Proporcin que fallecer entre las

edades
Grupo de partida
de recin
nacidos
Subgrupo que
alcanzarn con vida
la edad
Subgrupo que alcanz

con vida la edad y que
por lo tanto fallecern entre
las edades
Proporcin que
fallecer entre las
edades
101
BIOMETRA ACTUARIAL
TEORA
PROBABILIDAD DE MUERTE
La tasa instantnea de mortalidad es un concepto terico no medible en la realidad y no observable. Por

definicin es una funcin de densidad truncada por eso el truncamiento inferior no le afecta en nada.
ESPERANZA CONDICIONADA
FUNCIONES CONDICIONADAS
PARA RECIN NACIDOS
LLEGAR VIVO A
FALLECER ENTRE LAS EDADES
SI SE ALCANZ CON VIDA LA EDAD
PARA CUAQUIER EDAD GENERAL

LLEGAR VIVO A
102
BIOMETRA ACTUARIAL
TEORA
FALLECER ENTRE LAS EDADES
TRUNCAMIENTO SUPERIOR
De aqu en ms
Proporcin que fallecer

entre las edades
Subgrupo que fallecern entre las edades
Grupo de partida
de recin
nacidos
Subgrupo que fallecern
Subgrupo que no
alcanzarn con vida
la edad
Proporcin que
fallecer entre las
edades
entre las edades
103
BIOMETRA ACTUARIAL
TEORA
Proporcin que fallecer entre

las edades
Subgrupo que fallecern entre las edades
Subgrupo que no
alcanzarn con vida
la edad
Grupo de partida
de recin
nacidos
Subgrupo que fallecern
Proporcin que
fallecer entre las
edades
entre las edades
PROBABILIDAD DE MUERTE
La tasa instantnea de mortalidad es un concepto terico no medible en la realidad y no observable. Por

definicin es una funcin de densidad truncada por eso el truncamiento inferior no le afecta en nada.
ESPERANZA CONDICIONADA
DOBLE TRUNCAMIENTO DE LA VARIABLE ALEATORIA

De aqu en ms
PROBABILIDAD DE VIDA O DESACUMULADA
104
BIOMETRA ACTUARIAL
TEORA
Si
Tenemos que
Donde
Partimos de una poblacin inicial

que nicamente tiene egresos por fallecimiento, un grupo de estos
recin nacidos alcanzaran con vida la edad de 6 aos o y. Tomamos a este grupo remanente, ahora nos
preguntamos cul es la probabilidad de que alcance con vida la edad de x pero con la condicin de que tal
edad no sobrepase el lmite de Z. Es decir, vivir entre las edades
y por lo tanto fallecer entre
dado
que alcance con vida la edad y. El tema es que una persona del grupo remanente puede fallecer despus
de Z y alcanzar con vida la edad x de alguna manera estamos pidiendo la probabilidad de que esto no
ocurra.
Proporcin que fallece entre las edades

por lo tanto sobreviven entre las edades
Grupo de personas que alcanzaron con vida

la edad y que fallecern entre
105
BIOMETRA ACTUARIAL
TEORA
Grupo de partida
de recin
nacidos
Subgrupo que
alcanz con vida
la edad
Grupo de personas que

alcanzaron con vida la edad
y que fallecern entre
Subgrupo que
alcanz con vida la
edad
Proporcin que
fallece entre las
edades
Proporcin que
fallece entre las
edades
por lo
tanto sobreviven
entre las edades
En definitiva, del grupo que alcanzo con vida la edad y, nos interesan los que fallecen entre . Este
ultimo subgrupo dentro del grupo remanente, nos interesan los que fallecen entre , porque son los que
alcanzaron con vida la edad y, como as tambin sobrevivieron entre .
Si
Tenemos que
Donde
Partimos de una poblacin inicial

que nicamente tiene egresos por fallecimiento, un grupo de estos
recin nacidos alcanzaran con vida la edad de 6 aos o y. Tomamos a este grupo remanente, ahora nos
preguntamos cul es la probabilidad de que no alcance con vida la edad de x pero con la condicin de que
tal edad no sobrepase el lmite de Z. Es decir, fallecer entre las edades
dado que alcance con vida la
edad y.
106
BIOMETRA ACTUARIAL
TEORA
Proporcin que fallece entre las edades
Grupo de personas que alcanzaron con vida

la edad y que fallecern entre
Subgrupo que
alcanz con vida la
edad
Grupo de partida
de recin
nacidos
Subgrupo que
alcanz con vida
la edad
Grupo de personas que

Proporcin que
fallece entre las
edades
Proporcin que
fallece entre las
edades
y que fallecieron entre
En definitiva, del grupo que alcanzo con vida la edad y, nos interesan los que fallecen entre
ultimo subgrupo dentro del grupo remanente, nos interesan los que fallecen entre .
. Este
FUNCIN DE DENSIDAD
ESPERANZA CON DOBLE TRUNCAMIENTO
EN PROBABILIDADES CONDICIONALES
107
BIOMETRA ACTUARIAL
TEORA
TRUNCAMIENTO INFERIOR
TRUNCAMIENTO SUPERIOR
DOBLE TRUNCAMIENTO
TABLA DE RELACIONES
Las funciones de las filas estn en funcin de las funciones de cada columna. Donde estamos tratando con
recin nacidos, es decir,
108
BIOMETRA ACTUARIAL
TEORA
FUNCIN DE DENSIDAD
EN FUNCIN DE
EN FUNCIN DE
EN FUNCIN DE
Donde
Por lo tanto
FUNCIN DE DENSIDAD
EN FUNCIN DE
Por lo tanto
EN FUNCIN DE
EN FUNCIN DE
FUNCIN DE DENSIDAD
EN FUNCIN DE
EN FUNCIN DE
109
BIOMETRA ACTUARIAL
TEORA
EN FUNCIN DE
FUNCIN DE DENSIDAD
EN FUNCIN DE
Por lo tanto
Donde
Por lo tanto
EN FUNCIN DE
Donde
Por lo cual
EN FUNCIN DE
Por lo cual
110
BIOMETRA ACTUARIAL
TEORA
SUPUESTOS PARA EDADES

FRCCIONARIAS
Se trata de los distintos supuestos sobre el comportamiento de la
poblacin dentro del intervalo de edades.
111
BIOMETRA ACTUARIAL
TEORA
Dados determinados valores conocidos de una poblacin en los extremos de un intervalo cualquiera
se busca realizar interpolaciones (dentro del intervalo) y extrapolaciones (fuera del intervalo) para lo
cual se realizan determinados supuestos sobre la distribucin de los eliminados dentro del intervalo.
Se busca hallar los valores aproximados de

dentro del
intervalo, es decir, que
, para lo cual se realizan
interpolaciones y extrapolaciones sobre la base de supuestos sobre la
distribucin de los eliminados dentro del intervalo.
VALORES CONOCIDOS
SUPUESTOS FRCCIONARIOS
SUPUESTO DE LINEALIDAD O
DISTRIBUCIN UNIFORME DE
ELIMINADOS D.U.F
SUPUESTO
HIPERBLICO O
BALDUCCI
SUPUESTO EXPONENCIAL
CON CONSTANTE
DISTRIBUCIN UNIFORME DE ELIMINADOS

Calculo de
Calculo de
Por lo tanto
112
BIOMETRA ACTUARIAL
TEORA
Sacamos factor comn
Calculo de
Si sacamos factor comn
Calculo de
Calculo de
Tenemos la siguiente propiedad
Por lo tanto
Por lo tanto
Calculo de
113
BIOMETRA ACTUARIAL
TEORA
Calculo de
Por lo tanto
Calculo de
Donde
Por lo tanto
Reemplazando
Donde
Por lo cual
Recordando que
Reemplazando
114
BIOMETRA ACTUARIAL
TEORA
El numerador nos queda igual a
Por lo cual
Si reemplazamos este resultado
Si dividimos numerador y denominador por
Donde
Calculo de L(x)
Distribuimos la integral
Resolvemos las integrales
115
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
Calculo de
Por lo cual
Donde
Si reemplazamos ambos valores
Por lo cual
Por lo tanto
Esto es porque la funcin de densidad es contante
, ya que
Calculo de
Donde
Donde
116
BIOMETRA ACTUARIAL
TEORA
Tambin
Reemplazando
Sabemos que
Por lo cual
Por lo tanto
Donde
Reemplazando
Donde
Calculo de
117
BIOMETRA ACTUARIAL
TEORA
Si reemplazamos
Si dividimos y multiplicamos por
Por lo cual
Calculo de
Donde
Por lo tanto
Reemplazando
Donde
Por lo cual
Por lo tanto
118
BIOMETRA ACTUARIAL
TEORA
Por lo cual
SUPUESTO HIPERBOLICO O BALDUCCI

Calculo de
Tenemos que
Donde
Reemplazamos en la siguiente ecuacin
Calculo de
119
BIOMETRA ACTUARIAL
TEORA
Calculo de
Calculo de
Calculo de
Calculo de
120
BIOMETRA ACTUARIAL
TEORA
Calculo de
Por lo tanto
Donde
Calculo de
Donde
Por lo tanto
Reemplazamos
Donde
Reemplazamos
121
BIOMETRA ACTUARIAL
TEORA
Calculo de
Donde
Por lo cual
Hacemos la siguiente sustitucin
Si reemplazamos
Calculo de
122
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Donde
Calculo de
Donde
Donde
Tambin
Reemplazando
Sabemos que
123
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Hacemos la siguiente sustitucin
Si reemplazamos
Por lo tanto
Calculo de
Si reemplazamos
124
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Calculo de
Donde
SUPUESTO EXPONENCIAL
Calculo de
Calculo de
Calculo de
Calculo de
Calculo de
125
BIOMETRA ACTUARIAL
TEORA
Calculo de
Calculo de
Por lo tanto
Calculo de
Donde
Por lo tanto
Reemplazamos
Donde
Reemplazamos
Calculo de
126
BIOMETRA ACTUARIAL
TEORA
Donde
Por lo cual
Calculo de
Por lo cual
Donde
Calculo de
Donde
127
BIOMETRA ACTUARIAL
TEORA
Donde
Tambin
Reemplazando
Sabemos que
Por lo cual
Por lo tanto
Calculo de
Si reemplazamos
128
BIOMETRA ACTUARIAL
TEORA
Calculo de
Donde
129
TABLA DE SUPUESTOS FRACCIONARIOS

DUF
(
EXPONENCIAL
)
BALDUCCI
)
Luego
DEMOSTRAR
Demostrar que bajo la hiptesis de D.U.F.
RESOLUCIN
Si hacemos distributiva
Por lo cual
Por lo cual queda demostrado
BIOMETRA ACTUARIAL
TEORA
132
MODELO DE DECREMENTO MLTIPLE

El colectivo cerrado est sujeto a ms de una causa de egreso o eliminacin, en otras palabras, son eliminados
de la poblacin por varias causas.
En el caso de los fallecimientos, estos pueden producirse por las siguientes causas entre otras
Causa 1: Por causas naturales
Causa 2: Por un accidente.
Causa 3: Por un homicidio.
Causa 4: Por suicidio.
TABLA DE DECREMENTO MLTIPLE TDM

x
x+1
x+2
x+3
x+4
x+5
x+6
....
....
.......
.....
............
EJEMPLO NMERICO
TABLA DE DECREMENTO MLTIPLE
x
x+1
x+2
x+3
x+4
x+5
x+6
....
1000
940
883,6
830,584
780,74896
733,904
689,8698
....
0
50
47
44,18
41,5292
39,0375
36,6952
34,4935
.......
10
9,4
8,836
8,30584
7,8075
7,3390
6,8987
.....
60
56,4
53,016
49,83504
46,845
44,0342
41,3922
............
BIOMETRA ACTUARIAL
TEORA
SIGNIFICADO DE T
T indica todas las causas de fallecimiento, cada una de las cuales es simbolizada con la letra j donde
CANTIDAD DE PERSONAS CON VIDA A LA EDAD
CANTIDAD TOTAL DE FALLECIDOS POR TODAS LAS CAUSAS ENTRE LAS EDADES
En el ejemplo
CANTIDAD ACUMULADA DE FALLECIDOS PARA UNA CAUSA PARTICULAR ENTRE LAS EDADES
Para el ejemplo de la tabla
CANTIDAD ACUMULADA DE FALLECIDOS POR TODAS LAS CAUSAS ENTRE LAS EDADES
RELACIN ENTRE LA CANTIDAD ACUMULADA DE FALLECIDOS TOTALES Y LA CANTIDAD ACUMULADA

DE FALLECIDOS POR ALGUNA CAUSA PARTICULAR ENTRE LAS EDADES
134
BIOMETRA ACTUARIAL
TEORA
DISTRIBUCIN INTERNA DEL TOTAL DE FALLECIDOS ENTRE LAS DISTINTAS CAUSAS J

Se trata de la distribucin interna del total de fallecidos entre las causas 1 y 2, con una proporcin del total de
fallecidos entre ellas de para la causa 2 y
para la causa 1con
. La proporcin interna
cambia para cada edad, es decir, que hay un para cada edad x eventualmente podran ser iguales, pero,
nosotros suponemos que no lo son.
Donde
Donde
Siendo
la proporcin de un causa particular del total de fallecidos por todas las causas.
DISTRIBUCIN INTERNA DEL TOTAL DE FALLECIDOS

ENTRE LAS DISTINTAS CAUSAS J
Cantidad de fallecidos por

motivo de la causa 1.
Cantidad total de fallecidos
por todas las causas en el
intervalo de edades
Cantidad de fallecidos por
motivo de la causa 2.
CANTIDAD DE PERSONAS CON VIDA A UNA DETERMINADA EDAD
CLCULO DE PROBABILIDADES
135
BIOMETRA ACTUARIAL
TEORA
PROBABILIDAD DE VIDA TOTAL

Probabilidad de sobrevivir hasta la edad
teniendo la edad x y habiendo sobrevivido a las
eliminacin, es decir, de sobrevivir a todas las causas.
causas de
PROBABILIDAD DE FALLECIMIENTO TOTAL

Es la probabilidad de fallecer por la causa 1 o la causa 2...o la causa m teniendo la edad x y no alcanzar con
vida la edad
. En otras palabras, es la probabilidad de fallecer por cualquiera de las m causas de
eliminacin en el intervalo
.
Donde T quiere decir totas las causas de fallecimiento, como lo habamos mencionamos antes.
PROBABILIDADES DE FALLECIMIENTO POR ALGUNA CAUSA J
Es la probabilidad de fallecer por la causa particular j teniendo la edad x y no alcanzar con vida la edad
. En otras palabras, es la probabilidad de fallecer por la causa j en el intervalo
.
Hay una sutileza que est implcita, es necesario que no haya sido antes eliminado por las causas
subsiguientes., es decir, que la primero que actu fue la causa j.
Todos y cada uno en el grupo colectivo cerrado estn sujetos al mismo riesgo de ser eliminado por alguna de
las m causas de eliminacin, es decir, todas las personas son homogneas, y por lo tanto, no hay factores que
predispongan una causa sobre las otras.
RELACIN ENTRE LAS PROBABILIDADES DE FALLECIMIENTO TOTAL Y LAS DE FALLECIMIENTO POR

ALGUNA CAUSA PARTICULAR J
PROBABILIDADES DE FALLECIMIENTO TOTAL CON DIFERIMIENTO
136
BIOMETRA ACTUARIAL
TEORA
IMPORTANTE
Para poder determinar si es equivalente utilizar la formula que relaciona las probabilidades diferidas con las
inmediatas necesitamos conocer necesariamente
. Esta probabilidad es ambigua, ya que, es la
probabilidad de haber alcanzado con vida la edad
teniendo la edad x y haber sobrevivido a la causa
de fallecimiento j. Pero deja abierta la posibilidad de que haya sido eliminada la persona por otra causa
distinta a j, por lo cual, no pudo sobrevivir en dicho intervalo. En otras palabras pudo haber sido eliminado
del grupo o colectivo cerrado por una causa distinta a j y por ende no alcanzar con vida la edad
, no
nos dice nada de las otras causas. Por esta razn no es utilizada.
Por esta ltima causa no es posible utilizar las siguientes relaciones
Si podemos utilizar las siguientes
En conclusin no es posible utilizar todas las relaciones que conocemos para el caso de probabilidades de
causas particulares.
DEFINICIN DE LA FUERZA DE ELIMINACIN POR TODAS LAS CAUSAS
TASA INSTANTNEA DE ELIMINACIN POR LA CAUSA J
137
BIOMETRA ACTUARIAL
TEORA
Recordando que
EN TIEMPO CONTINUO
EN TIEMPO DISCRETO
CANTIDAD DE FALLECIDOS POR TODAS LAS CAUSAS ENTRE LAS EDADES
CANTIDAD DE FALLECIDOS POR LA CAUSA J ENTRE LAS EDADES
Luego obtenemos
Ahora podemos ir a los conceptos
La probabilidad de ser eliminado de la poblacin por todas las causas justo un instante de tiempo despus de
, bajo la condicin de no haber sido eliminado por ninguna causa y de esta manera haber logrado
.
La probabilidad de ser eliminado de la poblacin por la causa j justo un instante de tiempo despus de
, bajo la condicin de no haber sido eliminado por ninguna causa y de esta manera haber logrado
.
RELACIN ENTRE
Es importante notar que para intervalos muy pequeos de tiempo se cumple que
Luego
138
BIOMETRA ACTUARIAL
TEORA
Lo cual nos lleva a una importante relacin
La Fuerza de Eliminacin por todas las causas es igual a la suma de las Fuerzas de Eliminacin de cada causa
j particular
Recordando que las fuerza de eliminacin estn anualizadas. Si tomamos un anlogo como lo es la velocidad
por ejemplo
en el caso que estamos tratando sera ao como correlato de hora.
RELACIN DE DEPENDENCIA ENTRE CAUSAS EN LA TDM

Para poder ver claramente la relacin de dependencia que existe entre las causas en la tabla de decremento
mltiple supongamos que hay solo dos causas de eliminacin del colectivo cerrado, por lo cual
CAUSA 1
FALLECIMIENTO POR CAUSAS NATURALES
CAUSA 2
FALLECIMIENTO POR ACCIDENTES.
La pregunta que deberamos hacernos es si quitamos una causa por ejemplo la causa 1. Qu ocurre con el
nmero de fallecidos por la causa 2 en un intervalo cualquiera? Aumenta?Disminuye?
El nmero de fallecidos por motivo de la actuacin de la causa 2 se incrementa, porque, el grupo de personas
que hubiera fallecido de existir la causa 1 pueden fallecer todava por motivo de la causa 2.
139
BIOMETRA ACTUARIAL
TEORA
ACTUACIN DE LA CAUSA 1 CON DOS POSIBLES

CAUSAS DE ELIMINACIN
ESCENARIO 1
LLEG PRIMERO LA
CAUSA 1
FALLECIMIENTO POR
CAUSAS NATURALES
ESCENARIO 2
LA CAUSA 2 OCURRE SI NO ACTA
LA CAUSA 1 QUE HABA ACTUADO
PRIMERO.
FALLECIMIENTO POR CAUSA
DE UN ACCIDENTE
Si quitamos la causa de eliminacin 1 lo que ocurre con sus fallecidos entre las edades
siguiente:
es lo
La cantidad de fallecidos por la causa de eliminacin 2 cuando tenemos en cuenta la causa de eliminacin
1 es igual a
Luego, la cantidad de fallecidos por la causa de eliminacin 2 si quitamos la causa 1 es igual a
Con esto podemos ver que aumenta el nmero de fallecidos por la causa 2 ya que
Por lo cual se puede observar que hay una relacin de dependencia.
140
BIOMETRA ACTUARIAL
TEORA
QU OCURRE CON LOS FALLECIDOS POR LA CAUSA 2 SI
QUITAMOS LA CAUSA 1?
Los fallecidos por la

causa 2 se mantienen
constantes
UNA PARTE
SOBREVIVE HASTA
LA EDAD
Los fallecidos por la

causa 1
Total de fallecidos por la causa

1 y causa 2 entre las edades
se mantienen
constantes
UNA PARTE
FALLECE POR LA
ACTUACIN DE LA
CAUSA 2
MANERA MATEMTICA DE VER LA RELACIN DE DEPENDENCIA ENTRE CAUSAS
Si recodamos
Reemplazando
Regla de las integrales
Luego
141
BIOMETRA ACTUARIAL
TEORA
Todo resulta en
Como
Luego
Si suponemos
Por lo tanto
Vemos claramente que los fallecimientos por la causa de eliminacin 1 dependen de la cantidad de fallecidos
por la causa de eliminacin 2.
TABLA DE DECREMENTO NICA ASOCIADA A LA TABLA DE DECREMENTO

MLTIPLE
El inters recae en analizar cada causa de eliminacin en particular de forma independiente de las otras.
Por este motivo surge una nueva tabla asociada a la TDM denominada TABLA DE DECREMENTO NICA
ASOCIADA TDUA, la cual es similar a la primera con la nica diferencia de la independencia entre causas.
Hay una TABLA DE DECREMENTO NICA ASOCIADA para cada causa j.
Para la construccin de la TDUA lo que se hace es ver qu ocurre si quitamos causas de eliminacin con los
fallecidos de otra causa particular cualquiera como hicimos arriba. Esto se hace con la poblacin inicial
que se utiliza en la TDM. Si suponemos que hay solo dos causas de eliminacin tenemos las
siguientes tablas.
142
BIOMETRA ACTUARIAL
TEORA
TDUA de la causa 1 si quitamos la causa 2
x
x+1
x+2
x+3
x+4
x+5
x+6
....
....
.......
TDUA de la causa 2 si quitamos la causa 1
x
x+1
x+2
x+3
x+4
x+5
x+6
....
....
.......
FUERZA DE ELIMINACIN DE LA TDUA

SUPUESTO NEXO ENTRE LA TDM Y LA TDUA
HIPTESIS
143
BIOMETRA ACTUARIAL
TEORA
La conexin entre la TDM y cada TDUA se logra a travs de esta hiptesis.
DIFERENCIA ENTRE
FUERZA DE ELIMINACIN EN CADA TDUA
FUERZA DE ELIMINACIN EN LA TDM
La diferencia entre ambas tasas de mortalidad se encuentra en la condicin que se impone en cada caso, ya
que la Fuerza de Eliminacin de la TDUA tiene como condicin haber sobrevivido a la causa j hasta la edad
, mientras que como vimos con anterioridad, la Fuerza de Eliminacin de la T.D.M.se impone la
condicin de haber sobrevivido a todas las causas hasta la edad
.
TASA ABSOLUTA DE DECREMENTO 1
RELACIN ENTRE
DOS CAUSAS DE ELIMINACIN
Recordando que
Luego
No tenemos
, aunque contamos con
y por el supuesto NEXO de las tasas de mortalidad
TRES CAUSAS DE ELIMINACIN

Recordando que
144
BIOMETRA ACTUARIAL
TEORA
Luego
No tenemos
, aunque contamos con
y por el supuesto NEXO de las tasas de mortalidad
FORMULA GENERAL
RELACIN ENTRE
Y LA TASA DE DECREMENTO
Recordando
Luego
TRES CAUSAS DE ELIMINACIN
Si hacemos la distributiva
Haciendo la distributiva obtenemos
145
BIOMETRA ACTUARIAL
TEORA
Volvemos a hacer la distributiva
TASA ABSOLUTA DE DECREMENTO 2
De manera que tenemos las siguientes igualdades con dos causas de eliminacin
Si las igualamos se puede ver que
De analizar la ltima igualdad podemos deducir lo que nos muestra el siguiente grfico
TASA ABSOLUTA DE DECREMENTO
Es mayor e igual porque si elimino causas de eliminacin

crece como se demostr.
Donde
Por lo tanto
146
BIOMETRA ACTUARIAL
TEORA
EN TABLA DE DECREMENTO MLTIPLE

PROBABILIDAD DE VIDA TOTAL
EN FUNCIN DE LAS PROBABILIDADES DEPENDIENTES DE FALLECIMIENTOS
EN FUNCIN DE LA TASA DE MORTALIDAD TOTAL
EN FUNCIN DE LAS PROBABILIDADES DE VIDA INDEPENDIENTES
PROBABILIDAD DE FALLECIMIENTO TOTAL
PROBABILIDADES DE FALLECIMIENTO POR ALGUNA CAUSA J
TASA CENTRAL DE MORTALIDAD POR TODAS LAS CAUSAS
147
BIOMETRA ACTUARIAL
TEORA
TASA CENTRAL DE MORTALIDAD POR LA CAUSA J
EN LA TABLA DE DECREMENTO NICA ASOCIADA

PROBABILIDAD DE VIDA INDEPENDIENTE
TASA ABSOLUTA DE DECREMENTO
Luego tenemos tres medidas de mortalidad en cada tabla

1.
2.
3.
Tasa central de mortalidad

Tasa instantnea de mortalidad
Probabilidad de fallecimiento
En la TDUA tenemos la TASA ABSOLUTA DE DECREMENTO o probabilidad independiente
148
BIOMETRA ACTUARIAL
TEORA
Nexo entre ambas
TABLA DE
DECREMENTO
MLTIPLE
A partir de TDM construir

la TDUA
TABLA DE
DECREMENTO NICO
ASOCIADA
A partir de TDUA
construir la TDM
EJERCICIO
Hay tres causas de eliminacin
donde
Luego sean las fuerzas de eliminacin

Detrs est el supuesto de distribucin uniforme
Detrs est el supuesto de distribucin exponencial
Detrs est el supuesto de distribucin exponencial
Hallar
a)
b)
c)
Hay que repasar las propiedades de las distribuciones EXPONENCIAL Y UNIFORME.
RESOLUCIN DEL EJERCICIO

a)
FORMULAS A UTILIZAR
RESOLUCIN
149
BIOMETRA ACTUARIAL
TEORA
Por lo cual tenemos que
Tiene distribucin uniforme

Tiene distribucin exponencial
Tiene distribucin exponencial
Recordando el nexo entre la TDM y la TDUA
DISTRIBUCIN UNIFORME DE FALLECIDOS EN EL INTERVALO QUE VA

ENTRE LAS EDADES
.
Recordando que la funcin de densidad est dada por la siguiente formula y recordando el nexo
La funcin de densidad de una variable aleatoria distribuida uniformemente
para cualquier otro valor
Luego conociendo que se distribuye uniformemente con
Si despejamos
La distribucin acumulada de una variable aleatoria distribuida uniformemente es igual a
150
BIOMETRA ACTUARIAL
TEORA
x<a
x>b
Luego la distribucin acumulada de la funcin de densidad
es
En nuestro ejemplo
Y su complemento
Con lo cual
Este resultado general lo comparamos con el dato que nos dan

RESULTADO
DATO
Con lo cual
151
BIOMETRA ACTUARIAL
TEORA
Reemplazando obtenemos
b)
Con
=0,5609506911
c)
152
BIOMETRA ACTUARIAL
TEORA
Porque
Recordando que
Luego obtenemos
Dada la TDM como encontrar las tasas absolutas de decremento
SUPUESTOS
153
BIOMETRA ACTUARIAL
TEORA
OBJETIVO
Hallar las probabilidades asociadas a cada una de las
tablas
Nexo entre ambas
TABLA DE
DECREMENTO
MLTIPLE
A partir de las probabilidades de la TDM obtener

las probabilidades asociadas a la TDUA.
TABLA DE
DECREMENTO
NICO ASOCIADA
A partir de las probabilidades de la TDUA obtener

las probabilidades asociadas a la TDM.
PARA LOGRAR EL OBJETIVO BUSCADO

HAY QUE REALIZAR ALGUNOS SUPUESTOS
SUPUESTOS QUE SE REALIZAN PARA HALLAR

LAS PROBABILIDADES Y SUS MEDIDAS
SUPUESTO 1
FUERZAS CONSTANTES
SUPUESTO 3
ELIMINADOS EN TDUA
SUPUESTO 2
ELIMINADOS EN TDM
SUPUESTOS 1
FUERZAS CONSTANTES PARA CADA AO DE EDAD
FUERZAS DE ELIMINACIN CONSTANTES PARA TODAS Y CADA UNA DE LAS CAUSAS DE ELIMINACIN ENTRE
La tabla que hicimos para el supuesto EXPONENCIAL en supuestos fraccionarios es necesaria para este
caso.
Para
, como se puede apreciar ambas tasas no dependen de t y por ende son constantes
154
BIOMETRA ACTUARIAL
TEORA
Si desarrollamos la sumatoria
Luego, si suponemos que todas las causas de eliminacin tienen tasas de mortalidad constante
Por tanto
Es contante tambin. Lo cual implica que estamos haciendo el supuesto EXPONENCIAL en la TABLA DE
DECREMENTO MLTIPLE.
EXPONENCIAL
(
Luego
Tenemos que
155
BIOMETRA ACTUARIAL
TEORA
Pero necesitamos calcular las probabilidades dependientes de fallecimientos acumuladas

para lo
cual necesitamos algunos conceptos ms, pero los resultados son los siguientes que luego se deducirn.
Si tenemos en cuenta la hiptesis NEXO
Luego
Lo cual implica que estamos haciendo el supuesto EXPONENCIAL en la TABLA DE DECREMENTO

NICA ASOCIADA T.D.U.A. En cada tabla se cumple la tabla que armamos para el supuesto
EXPONENCIAL cuando trabajamos con SUPUESTOS FRACCIONARIOS
TABLA DE DECREMENTO NICO ASOCIADA
EXPONENCIAL
(
Luego
156
BIOMETRA ACTUARIAL
TEORA
Tenemos que
RELACIN IMPORTANTE
Salen fuera por ser constantes
Se reemplaza en
CALCULO DE PROBABILIDADES
Recordando que
Sale la constante
Obtenemos
Aplicando logaritmos naturales a ambos miembros
Con ello reemplazamos en los cocientes
157
BIOMETRA ACTUARIAL
TEORA
Aplicando la reglas de logaritmos
PROBABILIDAD DE VIDA INDEPENDIENTE ENTRE LAS EDADES
EN BASE A LA TASA DE MORTALIDAD
PROBABILIDAD INDEPENDIENTE ACUMULADA
TASA ABSOLUTA DE DECREMENTO ENTRE LAS EDADES
TASA ABSOLUTA DE DECREMENTO ACUMULADA
PROBABILIDAD DE VIDA DEPENDIENTE EN FUNCIN DE LAPROBABILIDAD DE VIDA INDEPENDIENTE

ENTRE LAS EDADES
EN BASE A LA TASA DE MORTALIDAD POR TODAS LAS CAUSAS
PROBABILIDAD DE VIDA DEPENDIENTE ACUMULADA
PROBABILIDAD DEPENDIENTE ACUMULADA DE FALLECIMIENTO PARA LA CAUSA PARTICULAR J
158
BIOMETRA ACTUARIAL
TEORA
Con ello conseguimos los valores que buscbamos
DEMOSTRACIN
Recordando que
Sale la constante
Obtenemos
159
BIOMETRA ACTUARIAL
TEORA
Pasando el logaritmo natural al otro lado de la igualdad se obtiene que
Por lo tanto
Luego
Tambin
DEMOSTRACIN
Recordando que
Sale la constante
Obtenemos
160
BIOMETRA ACTUARIAL
TEORA
Pasando el logaritmo natural al otro lado de la igualdad se obtiene que
Por lo tanto
Por lo tanto
IMPORTANTE RECORDAR
Cuando hacemos el supuesto EXPONENCIAL se cumple
Una relacin que nos ser de gran utilidad cuando resolvamos los ejercicios de la gua prctica.
SUPUESTO 2
DISTRIBUCIN UNIFORME DE ELIMINADOS DUE EN CADA UNA DE LAS CAUSAS DE
DECREMENTO MLTIPLE ENTRE LAS EDADES
EN LA TABLA DE
DECREMENTO MLTIPLE TDM
Esto implica suponer que la funcin de densidad de eliminados sigue una distribucin uniforme, es decir, es
constante. No da igual hacer el supuesto de D.U.F. a la TDM que hacerlo sobre la TDUA.
La tabla que hicimos para supuestos fraccionarios para el caso de D.U.F se cumple cuando consideramos
todas las causas de eliminacin T, la nica diferencia es que hay que agregarles la T a cada una de las
161
BIOMETRA ACTUARIAL
TEORA
formulas, para el caso particular de cada causa de eliminacin

las formulas sobre cuando debemos colocar o cuando .
hay algunos pequeos cambios en
PARA LA CAUSA PARTICULAR J

DUF
(
PARA TODAS LAS CAUSAS T

DUF
(
162
BIOMETRA ACTUARIAL
TEORA
RELACIN IMPORTANTE
Donde
Esto ocurre porque como vimos en supuestos fraccionarios
Por lo tanto
Por esta causa
Como vemos en esta ultima formula hay un cambio en la formula cuando consideramos solamente la causa
A las formulas solamente hay que hacerle el agregado de T, luego son las mismas formulas que hicimos
en supuestos fraccionarios.
Se pueden igualar ambas expresiones
Luego
163
BIOMETRA ACTUARIAL
TEORA
Por lo cual obtenemos que
Si
obtenemos el mismo resultado que obtuvimos en FUERZAS CONSTANTES
Por lo tanto las relaciones se repiten
Como
Por lo cual
DEMOSTRACIN
Como
164
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Con
TABLA DE DECREMENTOS NICOS ASOCIADOS

Si
obtenemos el mismo resultado que obtuvimos en FUERZAS CONSTANTES
PROBABILIDAD DEPENDIENTE ACUMULADA DE FALLECIMIENTO PARA LA CAUSA PARTICULAR J
Si
obtenemos
PROBABILIDAD DEPENDIENTE ACUMULADA DE FALLECIMIENTO POR TODAS LAS CAUSAS

165
BIOMETRA ACTUARIAL
TEORA
SUPUESTO 3
DISTRIBUCIN UNIFORME DE ELIMINADOS DUE EN TABLA DE DECREMENTO NICO
ASOCIADA TDUA A LA TABLA DE DECREMENTO MLTIPLE TDM PARA TODA CAUSA
ENTRE LAS EDADES
La tabla de que hicimos para supuestos fraccionarios para el caso de D.U.F se cumple para cada una de las
TABLA DE DECREMENTO ASOCIADA UNICA TDUA de cada causa.
TABLA DE DECREMENTO NICO ASOCIADA
DUF
(
166
BIOMETRA ACTUARIAL
TEORA
CALCULO DE LAS PROBABILIDADES EN LA TDM
La funcin de densidad es constante cuando hay DUE es un supuesto
CON DOS CAUSAS DE ELIMINACIN
Si
Donde
es una constante
RESULTADO
167
BIOMETRA ACTUARIAL
TEORA
CON TRES CAUSAS DE ELIMINACIN
Si
Donde
es una constante
RESULTADO
168
BIOMETRA ACTUARIAL
TEORA
ALGO IMPORTANTE
Volvemos a dos causas
Si suponemos DUE en la TDUA
Si suponemos DUE en la TDM y por lo tanto en todas las causas.
Los comparamos y vemos que son distintos lo cual implica que
CONCLUSIN
SI EN LA TDUA HAY DUE ENTONCES NO PUEDE HABER DUE EN LA TDM Y
VICEVERSA.
SUPUESTOS DIFERENTES PARA CADA CAUSA DE ELMININACIN EN LA TABLA DE

DECREMENTO MLTIPLE
Es posible que en la TDM a cada una de las causa de eliminacin se realicen supuestos distintos. Si por
ejemplo tomamos como ejemplo slo dos causas de eliminacin eventualmente podra ocurrir que
169
BIOMETRA ACTUARIAL
TEORA
Se realice el supuestos de FUERZAS COSNTANTE a la causa 1

Se realice el supuesto de D.U.E a la causa 2
En este caso hay que realizar deducciones a partir de los supuestos para hallar las distintas medidas
probabilsticas
EJERCICIO
Con dos causas es decir
Si tenemos que
Encontrar
En TDM
a) Bajo Fuerzas constantes

b) Bajo DUE
En TDUA
SOLUCIN
FUERZAS CONSTANTES
Probabilidades independientes
Tambin
170
BIOMETRA ACTUARIAL
TEORA
Luego
Resultado
Probabilidades dependientes
Sabiendo que
Luego
Sabiendo que
171
BIOMETRA ACTUARIAL
TEORA
Luego
Resultado
DUE en TDM
Resultado
172
BIOMETRA ACTUARIAL
TEORA
Resultado
Supuesto de DUE en TDUA
Hay que resolver el sistema. Es un sistema compatible determinado.

De la segunda ecuacin obtenemos que
Reemplazamos en la primera
173
BIOMETRA ACTUARIAL
TEORA
Resultado
PROFUNDIZANDO
CAUSAS DE ELIMINACIN
Sea
el nmero de causas de eliminacin a la cual est expuesta una determinada poblacin
VARIABLE ALEATORIA CONTINA

174
BIOMETRA ACTUARIAL
TEORA
TIEMPO QUE MEDIA AL FALLECIMIENTO EFECTIVA CONTINA

Sea
el tiempo que falta para que la persona sea eliminada

TIEMPO QUE MEDIA AL FALLECIMIENTO EFECTIVA DISCRETA
Sea
el tiempo discreto que falta para que la persona sea eliminada
FUNCIN DE DENSIDAD CONJUNTA

Sea
la Funcin de Densidad Conjunta, la cual posee una parte discreta (el conjunto de causas) y
otra contina (el tiempo). La cual es la probabilidad casi puntual de fallecer en un muy pequeo intervalo de
tiempo y que sea por la causa .
FUNCIN DE PROBABILIDAD CONJUNTA

Sea
la Funcin de Probabilidad Conjunta, la cual posee una parte discreta (el conjunto de causas)
y otra tambin discreta (el tiempo). La cual es la probabilidad puntual de fallecer en un determinado momento
entero del tiempo y que sea por la causa
TIEMPO QUE MEDIA AL FALLECIMIENTO

Sean las variables aleatorias
Los tiempos que faltan para el fallecimiento de una persona por cualquiera de las causas
Son variables aleatorias porque lo que no se sabe a priori es por cual de todas las causas ser eliminada de la
poblacin la persona. La que acta primero es la culpable de que la persona haya sido eliminada.
Independencia entre el tiempo que falta para que la persona sea eliminada por la causa j y el tiempo que falta
para que la persona sea eliminada por la causa k.
175
BIOMETRA ACTUARIAL
TEORA
Esto es como contratar un grupo de asesinos para matar a una persona, el que llega primero es el nico que lo
puede eliminar. Si los dems asesinos llegan despus no se toman en cuenta y son independientes porque los
asesinos no tienen nada que ver uno con el otro.
Causa 1: Fallecimiento por

causas naturales
Ocurri primero la causa 1 antes que la causa 2. Pero

esto no es conocido a priori por el investigador. Se
pudo dar la situacin contraria
Causa 2: Fallecimiento por

causa de un accidente
Puede ser que haya relacin entre las n causas pero en principio no interesa
Por el supuesto de independencia dada arriba ocurre que
Esto implica que a cada asesino slo le importa el mismo.
INDEPENDENCIA ENTRE LAS CAUSAS DE ELIMINACIN

Suponemos independencia entre las causas
Para lo que sigue trabajaremos en tiempo contino a menos que se diga lo contrario.
PROBABILIDAD PUNTUAL DE FALLECER POR LA CAUSA J SIN IMPORTAR LA EDAD EN QUE OCURRA
176
BIOMETRA ACTUARIAL
TEORA
Es la probabilidad de que una persona fallezca por la causa j sin importar la edad que lo haga.
Para un valor particular de
o una causa particular tenemos la siguiente distribucin
LEY DE CIERRE
Luego se cumple la LEY DE CIERRE
Lo cual nos lleva a la siguiente igualdad
1
2
FUNCIN DE DENSIDAD DE
177
BIOMETRA ACTUARIAL
TEORA
Es la probabilidad casi puntual de que una persona fallezca en un determinado momento t sin importar la
causa que lo produzca.
GRFICO DE UNA VARIABLE
Es una rodaja de la
funcin de densidad
conjunta
En otras palabras la posibilidad de que en un intervalo infinitesimal cualquiera determinado una persona
fallezca sin importar la causa
FUNCIN DE DISTRIBUCIN ACUMULADA DE
FUNCIN DE DISTRIBUCIN DIFERIDA DE
POR TODAS LAS CAUSAS
LEY DE CIERRE
Luego se cumple la LEY DE CIERRE
178
BIOMETRA ACTUARIAL
TEORA
Lo cual nos lleva a la siguiente igualdad
PROBABILIDAD DIFERIDA POR LA CAUSA PARTICULAR J DEPENDIENTE
FUERZA INSTANTNEA DE ELIMINACIN POR TODAS LAS CAUSAS T
Es la tasa instantnea de eliminacin y se llama fuerza instantnea por que se le elimina el arrastre de
eliminacin de aos anteriores
Fuerza de eliminacin slo de este intervalo sin arrastrar

las eliminaciones del pasado
En el grafico se ve que lo que ocurre es que no hay incertidumbre acerca de la cantidad de personas que
y la probabilidad que se busca es una probabilidad
condicional.
179
BIOMETRA ACTUARIAL
Si en cambio slo conociramos

probabilidad
TEORA
y hubiera incertidumbre acerca del valor de
tendramos esta
Luego tenemos que se desecha los efectos del pasado y slo se tienen en cuenta o se focaliza en un
determinado intervalo de tiempo el cual es muy pequeo.
Dicho de otra forma tenemos que
Luego
Conjunto A [
Conjunto B [
A partir del grfico deducimos que
Donde
Tambin
180
BIOMETRA ACTUARIAL
TEORA
Que es la probabilidad en un instante de tiempo o probabilidad casi puntual.

Donde
Luego obtenemos que
Para sacar el rea de la figura hay que usar la frmula del clculo de reas
Por lo tanto
FUERZA INSTANTNEA DE ELIMINACIN POR LA CAUSA J
CONDICIONALES
181
BIOMETRA ACTUARIAL
TEORA
PROBABILIDAD 1
La cual es la probabilidad condicional de que dado que se sabe que actu la causa j, se busca la probabilidad
de fallecer justo un instante despus de la edad
por cualquier causa incluso la causa j, ya que est
abierta la posibilidad de que otras causas acten primero.
PROBABILIDAD 2
La cual es la probabilidad condicional de que dado que se sabe que la persona de edad falleci entre las
edades
, cual es la probabilidad de que fue por la causa de eliminacin j la que actu primero.
PROBABILIDAD 3
La cual es la probabilidad condicional de que dado que se sabe que actu la causa j, cual es la probabilidad de
ser eliminado justo un instante despus de la edad
y que esto ocurra por la causa j, en otras palabras que
la causa j haya actuado antes que las otras causas de eliminacin
CONDICIONALES ACUMULADAS
PROBABILIDAD ACUMULADA 1
La cual es la probabilidad condicional de que dado que se sabe que la persona de edad falleci por la causa
j, cual es la probabilidad de hacerlo entre las edades
por cualquier causa incluso la causa j.
182
BIOMETRA ACTUARIAL
TEORA
La cual es la probabilidad condicional de que dado que se sabe que la persona de edad falleci entre las
edades
, cual es la probabilidad de que fue por la causa de eliminacin 1 o 2 o 3...o b.
La cual es la probabilidad condicional de que dado que se sabe que actu la causa j, cual es la probabilidad de
ser eliminado entre las edades
y que esto ocurra por la causa j, en otras palabras que la causa j haya
actuado antes que las otras causas de eliminacin
LA CAUSA J ES CONTINUA Y LA CAUSA K ES DISCRETA

Suponiendo que hay dos causas de eliminacin, es decir,
Si
a) La causa 1 es continua
b) La causa 2 es discreta
Causa de eliminacin
Tipo de la causa
Causa 1
Continua
Tiempo en que acta la

causa produciendo la
eliminacin del grupo
Continuo
Causa 2
Discreta
Discreto
Momento en que
acta la causa
Acta cada instante
de tiempo
En momentos
puntuales de tiempo
CASO 1
LA CAUSA DISCRETA K ACTUA EN UN NICO MOMENTO DEL TIEMPO
183
BIOMETRA ACTUARIAL
TEORA
Anlisis de la causa 2 la cual es discreta
EL PARMETRO
0
Edad a la cual una persona es

eliminada de la poblacin por
motivo de la causa discreta
Porque no se alcanza la edad en que

acta la causa discreta, luego
La causa discreta acta nicamente en

, luego, la probabilidad de sobrevivir en ese momento es
igual a
, como luego no vuelve a actuar la causa discreta la proporcin de personas que
llegaron con vida a la edad
continuara as hasta la edad
por lo cual en todo el intervalo de
tiempo
la probabilidad independiente se mantiene constante. Si miramos los extremos obtenemos la
probabilidad del intervalo
Luego tenemos que
184
BIOMETRA ACTUARIAL
TEORA
DEMOSTRACIN DE LA DETERMINACIN DE
RESULTADOS
CAUSA 1 CONTINUA
CAUSA 2 DISCRETA
DETERMINACIN DE
CAUSA CONTINA
Donde
Reemplazando
Recordando que
Donde
Aplicando esta propiedad
185
BIOMETRA ACTUARIAL
TEORA
Tomamos las integrales por separado

1ra integral
Tenemos que
Con lo cual
2da integral
Tenemos que
Por lo cual puede salir de la integral
Unimos las integrales
Donde
Recordando el nexo entre TDM y la TDUA
186
BIOMETRA ACTUARIAL
TEORA
Todo lo cual nos lleva a
Recordando que
Suponiendo y aplicando DUE en la causa 1 en la TDUA, luego
Con esto obtenemos
Sacando factor comn tenemos que
Tambin
Reemplazando
Haciendo distributiva en el segundo termino
Como
Luego
Por lo cual
DETERMINACIN DE
CAUSA DISCRETA
Tenemos que
187
BIOMETRA ACTUARIAL
TEORA
Esto ocurre sin la necesidad de hacer ningn supuesto

Por lo cual
Por lo tanto
Sacamos factor comn
INTERACCIN ENTRE LAS CAUSAS

Total de eliminados entre las edades
por motivo de ambas causas
Separemos el intervalo en dos partes iguales y veamos cuanto aporta cada causa al stock de eliminados
PRIMER INTERVALO
Slo acta la causa 1 que es continua y ocurre en cada instante de tiempo por lo cual tenemos
Llegan con vida hasta la edad
la cantidad de personas de
188
BIOMETRA ACTUARIAL
TEORA
INTERACCIN ENTRE LAS DOS CAUSAS

En este segmento acto slo la causa
contina y genero un cierto nmero de
eliminados
nico momento en que acta la causa discreta y

genera cierto nmero de eliminados
en todo el intervalo no lo volver a hacer.
Sigue actuando la causa continua

solamente y genera un cierto nmero
de eliminados
EN EL MOMENTO
nico momento en el cual acta la causa discreta como en el resto del intervalo no habr ms participacin
de la causa tenemos los nicos muertos para todo el intervalo
A la cantidad de personas que alcanzaron con vida esta edad se le debe restar este valor luego
SEGUNDO INTERVALO
Slo acta la causa continua y lo hace en cada instante de tiempo por lo cual tenemos
LLEGAN CON VIDA HASTA LA EDAD
EJERCICIO
Poblacin inicial
Sujeta a la siguiente causa de eliminacin
189
BIOMETRA ACTUARIAL
1.
2.
TEORA
Causa 1 la cual es discreta

Causa 2 la cual es continua
Teniendo los siguientes datos
Se es eliminado por motivo de la causa 1 a la edad x
Se es eliminado por motivo de la causa 1 a la edad
0,75 Se es eliminado por motivo de la causa 1 a la edad
Determinar el nmero total de personas fallecidas por cada causa para cada caso. Tambin determinar el
nmero de fallecidos generados por cada causa.
SOLUCIN
CASO 1
Por las formulas encontradas arriba sabemos que
CAUSA 1 DISCRETA
Reemplazamos en la formula
obtenemos
Lo cual implica que no pudo actuar la tasa absoluta de fallecimiento. Es absolutamente independiente
de la causa 2
Reemplazando los datos que nos dan
CAUSA 2 CONTINUA
obtenemos
190
BIOMETRA ACTUARIAL
TEORA
TOTAL DE PERSONAS QUE ALCANZAN CON VIDA LA EDAD
TOTAL DE LAS PERSONAS QUE FALLECEN POR AMBAS CAUSAS
CANTIDAD DE PERSONAS QUE FALLECEN O SON ELIMINADAS POR MOTIVO DE LA CAUSA 2
Luego
Luego
CASO 2
CAUSA 1 DISCRETA
obtenemos
191
BIOMETRA ACTUARIAL
TEORA
CAUSA 2 CONTINUA
obtenemos
La causa 2 es absolutamente independiente de la causa 1.

Se mantienen constantes la cantidad de fallecidos
Luego
Luego
Cambia la distribucin interna de fallecidos entre la causa 1 y la causa 2 a medida que aumenta el valor
de pero el total de fallecidos se mantiene constante.
192
BIOMETRA ACTUARIAL
La probabilidad total
TEORA
no depende del valor que adquiera .
Ambas son constantes
CASO 3
CAUSA 1 DISCRETA
obtenemos
CAUSA 2 CONTINUA
obtenemos
Se mantienen constantes la cantidad de fallecidos
Cantidad de personas que fallecen o son eliminadas por motivo de la causa 1
193
BIOMETRA ACTUARIAL
TEORA
Luego
Luego
DISTRIBUCIN INTERNA A MEDIDA QUE AUMENTA PARA LOS 3

CASOS EXPUESTOS
Proporcin de
personas que
son eliminadas
por la causa 2
Proporcin
de personas
que son
eliminadas
por motivo
de la la
causa 1 con
Proporcin
de personas
que son
eliminadas
por la causa
2
Proporcin
de personas
que son
eliminadas
por motivo
de la la
causa 1 con
Proporcin
de personas
que son
eliminadas
por la causa
2
Total de fallecidos por la

causa1 y causa 2 entre las
edades
se
mantienen constantes
Proporcin
de personas
que son
eliminadas
por motivo
de la la
causa 1 con
INTERACIN ENTRE LAS CAUSAS

El siguiente anlisis se realiza suponiendo que
Separemos el intervalo en dos partes iguales y veamos cuanto aporta cada causa al stock de eliminados
PRIMER INTERVALO
Slo acta la causa 2 que es continua y ocurre cada instante de tiempo por lo cual tenemos
Tenemos que
194
BIOMETRA ACTUARIAL
TEORA
Como opera solo la causa 2 la tomamos como independiente de la causa 1 por lo cual tenemos que los
eliminados por culpa de la causa 2 son
por lo cual
EN EL MOMENTO
nico momento en el que acta la causa 1 discreta como en el resto del intervalo no habr ms participacin
de la causa tenemos los nicos muertos para todo el intervalo es la cantidad de
. Esta cantidad la
encontramos arriba
En porcentaje la causa 1 se lleva el 10% de los que llegan con vida a la edad
A la cantidad de personas que alcanzaron con vida esta edad se le debe restar este valor luego
SEGUNDO INTERVALO
Slo acta la causa 2 que es continua y ocurre cada instante de tiempo por lo cual tenemos
Este total lo obtenemos utilizando los datos que encontramos
Por lo cual
195
BIOMETRA ACTUARIAL
TEORA
APORTES DE CADA CAUSA AL TOTAL Y DENTRO DE S MISMA
(69,65%)
(30,35%)
CASO 2
LA CAUSA DISCRETA K ACTUA EN DOS NICOS MOMENTOS DEL TIEMPO
Los parmetros
0
NICOS MOMENTOS PUNTUALES EN LOS CUALES

ACTA LA CAUSA DISCRETA
196
BIOMETRA ACTUARIAL
TEORA
PROBABILIDAD DE FALLECIMIENTO ACUMULADA

Entre
Porque no alcanzan la primera edad en que
acta la causa discreta 2
CONSTANTE
CONSTANTE
Acumula el total de fallecimientos
CONSTANTE
Porque se acumulan la proporcin de eliminados por la causa
discreta
Es importante notar que estamos observando el accionar de ambas causas de forma independiente una
de la otra por lo cual estamos observando la TABLA DE DECREMENTO UNICO ASOCIADO A LA
TABLA DE DECREMENTO MLTIPLE.
Luego tenemos que
Donde
197
BIOMETRA ACTUARIAL
TEORA
Lo cual implica que del total de eliminados entre las edades

y la restante proporcin
a la edad
.
, la proporcin ocurri a la edad
Por lo tanto tenemos que
CANTIDAD ACUMULADA DE ELIMINADOS POR LA CAUSA DISCRETA

INTERVALO DEL TIEMPO
QUE MEDIA A LA
ELIMINACIN
CANTIDAD DE ELIMINADOS POR LA

CAUSA DISCRETA
VALOR EXPRESADO EN FUNCIN DE
CANTIDAD ACUMULADA DE ELIMINADOS POR LA CAUSA DISCRETA

INTERVALO DEL TIEMPO
QUE MEDIA A LA
ELIMINACIN
CANTIDAD ACUMULDA DE
ELIMINADOS POR LA CAUSA
DISCRETA
VALOR EXPRESADO EN FUNCIN DE
FORMULA DE LA PROBABILIDADES
CAUSA CONTINA
CAUSA DISCRETA
CASO 3
198
BIOMETRA ACTUARIAL
TEORA
LA CAUSA DISCRETA K ACTUA EN DOS MOMENTOS DEL TIEMPO Y ENTRE

CUALQUIERA OTROS DOS MOMENTOS SE COMPORTA DE MANERA
CONTINUA
Los parmetros
0
NICOS MOMENTOS PUNTUALES EN LOS CUALES

ACTA LA CAUSA DISCRETA
Los parmetros
0
Dentro del intervalo se distribuye de manera

continua que suponemos es D.U.E.
Tenemos que del total de personas que son eliminadas por la causa discreta 2 en el intervalo
Donde es la proporcin del total de personas que sern eliminadas por motivo de la causa 2
a la
edad
y
es la proporcin cuando la causa discreta acta a la edad
. Pero en este caso
particular tenemos que una parte o proporcin s que se comporta como una variable aleatoria continua esto
ocurre en el intervalo
y suponemos que se distribuye con una distribucin UNIFORME.
FORMULA DE LA PROBABILIDADES
199
BIOMETRA ACTUARIAL
TEORA
CAUSA CONTINA
CAUSA DISCRETA
EJEMPLO
Es el ejercicio 38 de la gua de ejercicios del curso que nos dan los siguientes datos
DATOS
CAUSA DISCRETA
Los decrementos ocurren en 2 momentos discretos:
La mitad de los decrementos se distribuyen de manera UNIFORME entre los valores
CAUSA CONTINUA
Se supone que sigue una distribucin UNIFORME en la tabla de decremento nica asociada a una tabla de
decremento mltiple.
HALLAR
RESOLUCIN
Debemos calcular
La cual es la probabilidad de fallecer entre las edades
por motivo de la causa discreta.
Para lo cual tenemos que para el caso en que acta en un slo momento obtuvimos la siguiente formula
200
BIOMETRA ACTUARIAL
TEORA
Pero en este caso tenemos que la causa discreta acta en dos momentos. La cantidad de personas que estn
expuestas a sufrir el riesgo de ser eliminado es igual a
Por lo cual
Pero tenemos el dato de que los decrementos se distribuyen de manera UNIFORME entre los valores
Por lo cual aqu utilizamos la formula que vimos para decrementos con el supuesto D.U.F. en TDUA
Por lo cual
nicamente debemos reemplazar los datos
Por lo cual
TRES CAUSAS DE ELMINACIN

CAUSA DISCRETA ACTA EN UN NICO MOMENTO DEL TIEMPO
CAUSAS DE ELMINACIN
Donde la causa 3 es discreta y tanto a la causa 1 y 2 hacemos el supuesto de D.U.F. en la TDUA.
201
BIOMETRA ACTUARIAL
TEORA
Luego tenemos que
DETERMINACIN DE
CAUSA CONTINA
Donde
Por lo tanto
Donde
Por el supuesto de D.U.F.
Donde
Por lo tanto
202
BIOMETRA ACTUARIAL
TEORA
Separamos la integral en dos partes
La primera integral es igual a
La segunda integral es igual a
Por lo tanto
Luego
DETERMINACIN DE
CAUSA CONTINA
DETERMINACIN DE
CAUSA DISCRETA
Tenemos que
203
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
Donde
Donde
Luego
Le restamos
CAUSA DISCRETA ACTA EN DOS MOMENTOS DEL TIEMPO

CAUSAS DE ELMINACIN
Donde la causa 3 es discreta y tanto a la causa 1 y 2 hacemos el supuesto de D.U.F. en la TDUA.

Por lo tanto
204
BIOMETRA ACTUARIAL
DETERMINACIN DE
TEORA
CAUSA CONTINA
Donde
Por lo tanto
Donde
Por el supuesto de D.U.F.
Donde
Por lo tanto
Por lo tanto
Por lo tanto
Ya que
205
BIOMETRA ACTUARIAL
TEORA
Luego
Tambin
Por lo tanto
Por lo tanto
Luego
El clculo es anlogo para ambas causas continuas
MTODO PUENTE DE LA TASA CENTRAL

MTODO SIN AJUSTE
Si suponemos DUE en TDU asociada a TDM luego
Suponiendo distribucin exponencial o
constante lo cual implica que
206
BIOMETRA ACTUARIAL
TEORA
Como
Recordando el nexo
Por lo cual si es
constante luego
Reemplazando
Por lo cual en distribucin exponencial tenemos que
Tambin
Por lo cual
Por deduccin y sin aplicar ningn supuesto
Recordando que
207
BIOMETRA ACTUARIAL
TEORA
Reemplazando
Suponiendo DUE en TDM
Si al denominador sumamos y restamos
Si recordamos que
Hacemos distributiva
y recordando de supuestos fraccionarios que bajo DUF la L censal es
igual a
Recordando que
PRIMERA ECUACIN
208
BIOMETRA ACTUARIAL
TEORA
Tambin de supuestos fraccionarios si aplicamos DUF o DUE tenemos que
Por lo cual
Si igualamos
SEGUNDA ECUACIN
Haciendo distributiva
TERCERA ECUACIN
209
BIOMETRA ACTUARIAL
TEORA
Debido a que en este mtodo se realizan supuestos los cuales son entre ellos contradictorios hay que realizar
un ajuste para que la suma de las probabilidades de eliminacin para cada causa en particular dependiente sea
igual a la obtenida mediante la relacin fundamental.
METODO CON AJUSTE

CUARTA ECUACIN
210
BIOMETRA ACTUARIAL
TEORA
MODELO DE INVALIDEZ SIN

REHABILITACIN
Sea una determinada poblacin que a su vez posee dos subpoblaciones las cuales se clasifican entre
personas sanas y personas invlidas, los cuales son mutuamente excluyentes y exhaustivos.
Proporcin de
personas sanas las
cuales se denomina
ACTIVOS.
POBLACIN
TOTAL CON
EDAD X
Proporcin de
personas invlidas la
cuales se denomina
INVALIDOS
INGRESO AL ESTADO INVLIDO

1.
2.
3.
No se nace invalido, esto implica que a la edad cero son todos activos.
Se vuelve invalido en algn momento continuo del tiempo
Una vez en este estado no vuelve al estado Activo. Esto porque no hay rehabilitacin.
ANLISIS DE UN PERIODO
Se puede pasar del estado activo al

invlido.
GRUPO DE
ACTIVOS
GRUPO DE
INVLIDOS
No se puede pasar del estado
invlido al activo.
212
BIOMETRA ACTUARIAL
TEORA
Punto de partida
Escenarios posibles
Sobrevivir como activo

hasta la edad
ACTIVOS con edad X
Fallecer como activo a la

edad
Sobrevivir como invalido
hasta la edad
Fallecer como invalido a la
edad
INVALIDOS con edad

X
=
Poblacin total

hasta la edad
Fallecer como invalido a

la edad
Luego tenemos dos estados posibles

1.
2.
Activos (se puede entender en el sentido del mercado de trabajo)

Invlidos
Los cuales representan grupos de personas. Funcionan de manera separada y tienen sus propias
probabilidades y por lo tanto las podemos tratar como dos poblaciones totalmente distintas.
213
BIOMETRA ACTUARIAL
Punto de partida
TEORA
Escenarios posibles

hasta la edad
ACTIVOS con edad X
Son dos mundos

diferentes, es decir, son
dos poblaciones distintas
con sus propias
probabilidades
INVALIDOS con edad

X

edad
hasta la edad
Decremento Mltiple
Hay dos causas de eliminacin
Causa de eliminacin 1: Ser
eliminado del grupo de activos por
fallecimiento.
Causa de eliminacin 2: Ser
eliminado del grupo de activos por
invalidez.

edad

hasta la edad
Decremento nico
La causa de eliminacin del grupo
de invlidos es el fallecimiento.
Por lo cual las probabilidades

la edad
214
BIOMETRA ACTUARIAL
Punto de partida
TEORA
Escenarios posibles

hasta la edad
ACTIVOS CON EDAD X
+
edad
+
hasta la edad
Donde la aa
implica sobrevivir como activo
entre las edades
.
Donde la aa
implica fallecer como activo a
la edad
, pero
habindolo sido a la edad x.
Donde la ai
implica ser a la edad
activo y luego en algn
momento volverse invlido y
sobrevivir hasta la edad
+
edad
Donde la ai
activo y luego en algn
momento volverse invlido y
fallecer a la edad
ACTIVOS con edad X
INVALIDOS CON EDAD X

hasta la edad
+
la edad
Donde la ii implica
ser a la edad
invalido y
sobrevivir hasta la edad
Donde la ii
invalido y fallecer a la edad
=
INVALIDOS con edad
X
215
BIOMETRA ACTUARIAL
TEORA
PROBABILIDADES
Punto de partida
Escenarios posibles
PROBABILIDAD DE SOBREVIVIR COMO

ACTIVO HASTA LA EDAD
++
PROBABILIDAD DE FALLECER COMO
ACTIVO A LA EDAD
ACTIVOS CON EDAD X
+
PROBABILIDAD DE SOBREVIVIR
COMO INVALIDO HASTA LA EDAD
+
PROBABILIDAD DE FALLECER
COMO INVALIDO A LA EDAD
=
1
PROBABILIDAD DE
SOBREVIVIR COMO
INVLIDO HASTA LA EDAD
+
COMO INVALIDO A LA EDAD
=
1
RELACIONES ENTRE LAS SUBPOBLACIONES

POBLACIN TOTAL A LA EDAD X
216
BIOMETRA ACTUARIAL
TEORA
POBLACIN TOTAL A LA EDAD
CANTIDAD DE PERSONAS INVLIDAS CON VIDA A LA EDAD
CANTIDAD DE PERSONAS ACTIVAS CON VIDA A LA EDAD
Punto de partida
Escenarios posibles
CONJUNTO DE VIVOS
INVLIDOS
Proporcin de activos
que no se invalidan
ACTIVOS CON EDAD X
Proporcin de activos
que se invalidan
Personas
invalidas con vida a la edad
que fueron activas a
la edad x

hasta la edad
edad

hasta la edad
Personas
invalidas con vida a la edad
que fueron invlidas
a la edad x.

la edad
CONJUNTO DE MUERTE
CONJUNTO DE MUERTE DE LOS INVLIDOS
217
BIOMETRA ACTUARIAL
Punto de partida
TEORA
Escenarios posibles
Cantidad de activos de edad

x que no se invalidan
ACTIVOS CON EDAD X
CONJUNTO DE MUERTE
DE LOS INVLIDOS
Personas que
fueron activas a la edad x y
fallecieron a la edad
.
+
x que se invalidan

la edad

edad
hasta la edad
Personas que
fueron invlidas a la edad x
y fallecieron a la edad
.

hasta la edad
RELACIONES DE PROBABILIDADES DE LOS ACTIVOS

Se sabe que la siguiente suma es igual a 1.
PROBABILIDAD
Probabilidad de que una persona de edad x activa sobreviva con independencia del estado.
CANTIDAD DE PERSONAS ACTIVAS QUE NO SE INVALIDAN ENTRE LAS EDADES
218
BIOMETRA ACTUARIAL
TEORA
Escenarios posibles
Punto de partida

edad

ACTIVOS con edad X

hasta la edad
Cantidad de activos de
edad x que se invalidan
edad x que no se
invalidan

hasta la edad

edad
=
ACTIVOS con edad X
ACTIVOS con edad X
Probabilidad de que una persona de edad x activa no alcance con vida la edad
del estado.
con independencia
219
BIOMETRA ACTUARIAL
TEORA
Escenarios posibles
Punto de partida
Fallecer como activo a

la edad
Grupo que sobrevive
ACTIVOS con edad X

la edad
Grupo que sobrevive
edad x que no llegan con
vida a la edad

edad

edad
=
ACTIVOS con edad X
ACTIVOS con edad X
CANTIDAD DE PERSONAS ACTIVAS DE EDAD X QUE FALLECEN CON INDEPENDENCIA DEL ESTADO
ENTRE LAS EDADES
PROBABILIDAD DE QUE UNA PERSONA SE INVALIDE ENTRE LAS EDADES
CANTIDAD DE PERSONAS ACTIVAS QUE SE INVALIDAN ENTRE LAS EDADES
220
BIOMETRA ACTUARIAL
TEORA
Escenarios posibles
Punto de partida
Cantidad de activos de edad x

que no se invalidan
edad
ACTIVOS con edad X


hasta la edad

edad

hasta la edad
+
=
ACTIVOS con edad X
ACTIVOS con edad X
Punto de partida
Escenarios posibles
En trminos relativos
ACTIVOS CON EDAD X
En trminos relativos
Cantidad absoluta de
activos de edad x que no se
invalidan
Cantidad absoluta de
activos de edad x que se
invalidan
RELACIONES DE PROBABILIDADES DE LOS INVLIDOS

Se sabe que la siguiente suma es igual a 1.
221
BIOMETRA ACTUARIAL
TEORA
RELACIN EN TIEMPO DISCRETO

MODELO DE TRANSICIN DE MARCOV para tres estados
Se considera que hay 3 estados
1.
2.
3.
Activo
Invalido
Fallecido
Sea el vector en la edad x
Donde
Y sea la matriz de probabilidades o matriz de transicin
Ocurre en
, es decir, que
ocurre despus o segundo.
Ocurre en x, es decir, ocurre primero. Esto es as porque se

defini al vector horizontalmente o vector fila. Si se lo hubiera
definido vector columna seria de al revs.
Donde como se vio
Sea el vector de edad
Donde
Entonces
222
BIOMETRA ACTUARIAL
TEORA
LEY DE MARCOV
Para
Reemplazando
Para
Reemplazando
Para
Reemplazando
A partir de la poblacin inicial es posible conocer como estara la poblacin dentro de 2, 3 o 4 aos
despus.
Recordando que el producto de dos matrices de Marcov genera otra matriz de Marcov.
Eventualmente las matrices de transicin pueden ser todas iguales o diferir completamente una de la otra.
Luego para
Reemplazando
Si se cumple que
Luego
La potencia de una matriz se resuelve con las tcnicas de algebra.

Si tomamos el siguiente limite
Converge en el largo plazo a un estado de absorcin, lo cual implica que todos van a fallecer.
223
BIOMETRA ACTUARIAL
TEORA
MODELO DE TRANSICIN DE MARCOV para cuatro estados

Se considera que hay 4 estados
1.
2.
3.
4.
Activo
Invalido
Fallecido activo
Fallecido invlido
Sea el vector en la edad x
Donde
Y sea la matriz de probabilidades o matriz de transicin
Luego para
Reemplazando
Si se cumple que
Luego
La potencia de una matriz se resuelve con las tcnicas de algebra.

Si tomamos el siguiente limite
Hay dos estados de absorcin, uno en el cual fallecen todos los activos y otro en el cual fallecen todos los
invlidos.
RELACIN DE VON SCHAERTLIN
224
BIOMETRA ACTUARIAL
TEORA
Donde
Que son los fallecidos a la edad

el estado que lo hace.
habiendo sido activos a la edad x, pero en este caso sin importar
Tambin tenemos que
Por lo cual
Donde
Es la probabilidad de que una persona que fue activo a la edad x fallezca a la edad
causa.
Si dividimos por
sin importar la
miembro a miembro obtenemos
Relacin de VON SCHAERTLIN
Donde
Son las proporciones que hay a la edad x de personas activas e invlidos.

En definitiva se trata de un promedio ponderado con las ponderaciones que son las proporciones
mencionadas
RELACIN
Si a la relacin de VON SCHAERTLIN la multiplicamos por (-1) y sumamos 1 a ambos miembros.
Obtenemos
225
BIOMETRA ACTUARIAL
TEORA
OTRA RELACIN
Donde
Por lo cual
RELACIONES INTERTEMPORALES entre las edades
o 12 meses.
226
BIOMETRA ACTUARIAL
TEORA
Qu pasa cuando las personas activas se invalidan?
Con
ACTIVOS
Se invalida
2 CAUSAS DE ELIMINACIN
Invalidez: Pasa al grupo de invlidos
Muerte: Pasa al grupo de fallecidos
En la Tabla de Decremento Mltiple
tenemos
. Tambin
tenemos la Tabla de Decremento nico
Asociada y por lo tanto
y
Punto de partida
1 CAUSAS DE ELIMINACIN
Muerte: Pasa al grupo de fallecidos
En la Tabla de Decremento nico
tenemos
Escenarios posibles en

que no se invalidan
ACTIVOS con edad X

edad
hasta la edad
Pasan al grupo de invlidos y se

vuelven un mundo a parte

edad
hasta la edad
227
BIOMETRA ACTUARIAL
TEORA
Probabilidades
Punto de partida

que no se invalidan
ACTIVOS con edad X

edad
hasta la edad
La probabilidad de que un
activo de edad x se invalide
Pasan a ser tratados como invlidos

con sus propias probabilidades
Stock de Activos
Probabilidad de que un invlido

de edad
no alcance con
vida la edad
Probabilidad de que un invlido

de edad
sobreviva hasta
la edad
Desciende por dos causas:

Muerte
Invalidez
Los activos eliminados del grupo ACTIVOS pasan o bien al grupo
INVALIDOS o al de FALLECIDOS.
Hay dos tasas instantneas de eliminacin o Fuerza de Eliminacin
Tasa instantnea de invalidez.
Si suponemos que en el largo

plazo hay dos estados de
absorcin
Tiempo
228
BIOMETRA ACTUARIAL
Stock de
Invlidos
TEORA
Desciende por causa de:

Muerte
Aumenta por causa de:
Invalidez de los activos
Los activos eliminados del grupo ACTIVOS pasan o bien al grupo INVALIDOS
o al de FALLECIDOS.
Hay una tasa instantnea de eliminacin o Fuerza de Eliminacin

Hay una tasa de crecimiento de los invlidos o tasa de invalidez vista con
anterioridad
Si suponemos que en el largo

plazo hay dos estados de
absorcin
Supongo que
Esto explica porque la curva de

invlidos sea decreciente.
Punto de partida
INVALIDOS con edad X
Tiempo
INCREMENTO
Invlidos de edad x que

alcanzan con vida la edad
que suponemos
son todos.
Probabilidad de sobrevivir hasta la edad

fue activo para luego en la edad

edad
hasta la edad

edad
hasta la edad
siendo que a la edad x

invalidarse
PRIMER INTERVALO
229
BIOMETRA ACTUARIAL
TEORA
Primero debe llegar partiendo de activo a la edad x hasta justo un instante antes de la edad
activo
como
EN
Y invalidarse a la edad
, (Y indica producto)
SEGUNDO INTERVALO
Y sobrevivir como invalido hasta
Probabilidad de no alcanzar con vida la edad

x fue activo para luego en la edad
siendo que a la edad

invalidarse
PRIMER INTERVALO 0
activo
como
EN
, (Y indica producto)
SEGUNDO INTERVALO
Y fallecer como invalido y por lo tanto no alcanzar con vida la edad
Hay que sacar integrales claro est.
Probabilidad de llegar invalido a la edad

fue activo, para luego, en la edad
, siendo que a la edad x

invalidarse
230
BIOMETRA ACTUARIAL
TEORA
PRIMER INTERVALO 0
activo
como
EN
(Y indica producto)
SEGUNDO INTERVALO
Y llegar como invalido hasta
En el intervalo 0
, esta probabilidad es igual a 1.
operan las 2 causas de eliminacin por lo cual en la probabilidad
Esta implcito que se sobrevive a invalidez y muerte por lo tanto es una probabilidad total
Donde como vimos
PROBABILIDAD DE INVALIDEZ Y SUPERVIVENCIA ENTRE
PROBABILIDAD DE INVALIDEZ Y FALLECIMIENTO ENTRE
APLICANDO SUPUESTOS FRACCIONARIOS

Siempre suponemos que se invalida a mitad de ao o que
PROBABILIDAD DE INVALIDEZ Y SUPERVIVENCIA ENTRE

Hay que hacer el supuesto de que
231
BIOMETRA ACTUARIAL
TEORA
Recordando
Luego reemplazando m
PROBABILIDAD DE INVALIDEZ Y FALLECIMIENTO ENTRE

Hay que hacer el supuesto de que
Recordando
Luego reemplazando m
RESULTADOS
Se puede aplicar DUF o BALDUCCI

DUF
BALDUCCI
En el intervalo 0
operan las 2 causas de eliminacin por lo cual aparecen probabilidades

dependientes entre causas y las probabilidades independientes entre causas.
En poblacin de activos aplicar DUE en TDUA

Dos causas de eliminacin
Muerte
Invalidez
FORMULAS
232
BIOMETRA ACTUARIAL
TEORA
233
BIOMETRA ACTUARIAL
TEORA
LEYES DE MORTALIDAD
La idea es generar un modelo que capte la estructura de comportamiento a lo largo del tiempo de la tasa
de mortalidad
y por lo tanto tambin del desarrollo de
, es decir, de la poblacin total ya que
Al modelizar la estructura de comportamiento de

, en definitiva, tambin estamos analizando uno
de los factores ms importantes de toda poblacin como es la mortalidad y como estamos suponiendo que
no hay nuevos nacimientos o ingresos provenientes de inmigraciones, prcticamente estamos
caracterizando el aspectos clave de un colectivo cerrado.
En definitiva, se intenta captar la estructura de comportamiento de la poblacin analizando sus parmetros
ms importantes.
Ley de Moivre
Enunciado, transformacin y
Si tomamos dos puntos para calcular la pendiente y la ordenada al origen
Ordenada al origen
Pendiente
Obtenemos
Demostracin de
234
BIOMETRA ACTUARIAL
TEORA
Con lo cual
Demostracin de
Demostracin de
Demostracin de
Demostracin de
Derivamos
con respecto a
Luego
235
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Demostracin de
236
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Donde
237
BIOMETRA ACTUARIAL
TEORA
Ley de Dormoy
Enunciado, transformacin y
Con
Demostracin de
Con lo cual
Demostracin de
Demostracin de
238
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Derivamos
con respecto a
Luego
Demostracin de
Demostracin de
239
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Demostracin de
240
BIOMETRA ACTUARIAL
TEORA
Donde
Ley de Dormoy
Enunciado
Transformacin
Aplicando integrales a ambos miembros
Resolviendo
241
BIOMETRA ACTUARIAL
TEORA
Si renombramos
Para luego obtener
Demostracin de
El exponente genera el valor
Por lo cual
Demostracin de
Demostracin de
Demostracin de
Tenemos que los exponentes son iguales a
242
BIOMETRA ACTUARIAL
TEORA
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
243
BIOMETRA ACTUARIAL
TEORA
Demostracin de

Como la integral
Como
Obtenemos
Demostracin de
Para resolver la integral aplicamos trapecios generalizados

Como la integral
244
BIOMETRA ACTUARIAL
TEORA
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
245
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Resolvemos la integral por trapecios generalizados
Reemplazando
Reemplazamos los verdaderos valores
Multiplicamos y dividimos por 2
Ley de Dormoy
Enunciado
Transformacin
Resolviendo
246
BIOMETRA ACTUARIAL
TEORA
Si renombramos
Para luego obtener
Demostracin de
Por lo cual
Demostracin de
Demostracin de
Demostracin de
247
BIOMETRA ACTUARIAL
TEORA
Tenemos que los exponentes son iguales a
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
248
BIOMETRA ACTUARIAL
TEORA
Demostracin de

Como la integral
Como
Obtenemos
Demostracin de

Como la integral
249
BIOMETRA ACTUARIAL
TEORA
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
Reemplazando
250
BIOMETRA ACTUARIAL
TEORA
Tambin
Por lo cual
Reemplazando
Ley de Gompezt
Enunciado
Donde
Es la resistencia a fallecer
251
BIOMETRA ACTUARIAL
TEORA
Se obtiene
Si renombramos los siguientes trminos
Obtenemos
Transformacin
Resolviendo
Renombrando los siguientes trminos
Luego obtenemos
Demostracin de
252
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Demostracin de
Demostracin de
Demostracin de
La resta de exponentes es igual a
Obtenemos que
La suma de exponentes es igual a
Demostracin de
Recordando que
253
BIOMETRA ACTUARIAL
TEORA
Calculamos su derivada
Recordando que
Reemplazando
Demostracin de
Demostracin de
Demostracin de
254
BIOMETRA ACTUARIAL
TEORA

Como la integral
Como
Obtenemos
Demostracin de

Como la integral
255
BIOMETRA ACTUARIAL
TEORA
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
256
BIOMETRA ACTUARIAL
TEORA
Reemplazando
Ley de Makeham
Enunciado
Transformacin
Resolviendo
257
BIOMETRA ACTUARIAL
TEORA
Luego obtenemos
Otra manera de demostrar lo mismo
Resolviendo la integral
Si lo multiplicamos por -1
Luego obtenemos que
Demostracin de
Por lo cual
Demostracin de
258
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Obtenemos que
Demostracin de
Demostracin de
Se resuelve por trapecios cuya formulas es
Con h igual a 1 y obviando el termino complementario se obtiene
259
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de

Como la integral
Como
Obtenemos
260
BIOMETRA ACTUARIAL
TEORA
Demostracin de

Como la integral
Como
Obtenemos
Demostracin de
261
BIOMETRA ACTUARIAL
TEORA
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
Reemplazando
262
BIOMETRA ACTUARIAL
TEORA
Ley de Makeham
Enunciado
Transformacin
Resolviendo
Luego obtenemos
263
BIOMETRA ACTUARIAL
TEORA
Luego obtenemos que
Demostracin de
Por lo cual
Demostracin de
Demostracin de
Demostracin de
264
BIOMETRA ACTUARIAL
TEORA
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
265
BIOMETRA ACTUARIAL
TEORA
Demostracin de

Como la integral
Como
Obtenemos
Demostracin de
266
BIOMETRA ACTUARIAL
TEORA
Como la integral
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
267
BIOMETRA ACTUARIAL
TEORA
Reemplazando
Tambin
Por lo cual
Reemplazando
Ley de Lazarus
Enunciado
Transformacin
268
BIOMETRA ACTUARIAL
TEORA
Resolviendo
Luego obtenemos
Luego obtenemos que
Demostracin de
269
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Demostracin de
Demostracin de
Demostracin de
Obtenemos que
270
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Demostracin de
Demostracin de

Como la integral
271
BIOMETRA ACTUARIAL
TEORA
Como
Obtenemos
Demostracin de

Como la integral
Como
Obtenemos
272
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
273
BIOMETRA ACTUARIAL
TEORA
Reemplazando
Ley de Sang
Enunciado
Transformacin y
Tomamos
y reemplazamos en la ecuacin
Demostracin de
274
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Demostracin de
Demostracin de
Recordando que
Calculamos su derivada
275
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Demostracin de
276
BIOMETRA ACTUARIAL
TEORA
Demostracin de
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
277
BIOMETRA ACTUARIAL
TEORA
Por lo cual
Reemplazando
Ley de Weirbull
Enunciado
Transformacin y
278
BIOMETRA ACTUARIAL
TEORA
Resolviendo
Luego obtenemos
Demostracin de
Demostracin de
Demostracin de
Demostracin de
279
BIOMETRA ACTUARIAL
TEORA
280
De Moivre
Enunciado
Transformacin
Dormoy
Con
Dormoy
Dormoy
BIOMETRA ACTUARIAL
TEORA
Makeham
Gompezt
Enunciado
con
Transformacin
282
BIOMETRA ACTUARIAL
TEORA
Makeham
Lazarus
Enunciado
Transformacin
283
BIOMETRA ACTUARIAL
TEORA
Sang
Weirbull
Enunciado
Transformacin
284
BIOMETRA ACTUARIAL
TEORA
TABLAS DE ENVEJECIMIENTO UNIFORME

LEYES
DORMOY
DORMOY
EDADES A TOMAR
EDAD SUSTITUTA U
u=cualquier constante
con
GOMPEZT
MAKEHAM
LEYES
MAKEHAM
GRUPO DE EDADES A
TOMAR
Dos grupos
LAZARUS
Dos grupos
EDAD SUSTITUTA
LEYES
DORMOY
DORMOY
GOMPEZT
MAKEHAM
LEYES
MAKEHAM
LAZARUS
285
INFERENCIA ESTADSTICA
Se buscan hallar estimadores de las siguientes funciones biomtricas:

Funcin de Distribucin
Funcin de densidad en tiempo continuo o funcin de probabilidad en tiempo discreto
A partir de los datos mustrales, es decir, de la informacin que nos brindan, extraer estimaciones de las
funciones biomtricas.
ESTIMACIN DE LA FUNCIN DE DISTRIBUCIN Y LA FUNCIN DE

SUPERVIVENCIA DEL TIEMPO DE VIDA
OBJETIVO
A partir de los datos observados que se obtienen de una muestra, el objetivo es estimar la funcin de
distribucin
Por ende tambin de la funcin de supervivencia
Para la variable aleatoria tiempo de vida
Por lo cual obtenemos los estimadores de tales funciones

que no son otra cosa que variables
aleatorias, por lo cual deseamos conocer las propiedades estadsticas de las estimaciones que hemos
realizado, como la esperanza, la varianza y como as tambin realizar intervalos de confianza.
PRIMER ASPECTO: Mtodos de estimacin

Tenemos bsicamente tres mtodos de estimacin.
1.
2.
3.
No paramtrico
Paramtrico
Semiparamtrico, el cual, es una combinacin de 1 y 2.
NO PARAMETRICA
Se trata de extraer de la muestra una estimacin emprica de la funcin de distribucin, sin la necesidad
de conocer la familia de funcin de distribucin de donde proviene la variable aleatoria de inters, y por
lo tanto, sin la necesidad de estimar parmetros de tal distribucin. Hay dos tipos de mtodos de
estimacin no paramtrica.
KAPLAN-MEIER
NELSON AALEN
PARAMETRICA
BIOMETRA ACTUARIAL
TEORA
El problema consiste en obtener los parmetros de la funcin de distribucin en los cuales esta resumida
toda la informacin, es decir, que la informacin que obtengamos de la muestra se va a ver reflejada en
los parmetros. Para ello es necesario hacer un supuesto previo del comportamiento de la funcin de
distribucin, es decir, que no hay desconocimiento de la familia de funcin de distribucin de donde
proviene la variable aleatoria de inters lo que se desconoce son los parmetros poblacionales. Entre las
ms usuales se puede nombrar
Exponencial
Gompertz
Makeham
Weirbull
EJEMPLO
Por Makeham sabemos que
Si obtenemos los valores A, B y C obtenemos el valor de la tasa de mortalidad y con ello
SEMIPARAMETRICA
Una parte es paramtrica y otra no paramtrica. El modelo ms representativo es el de Cox Modelo de
tasas proporcionales. La idea es lograr una inferencia de la funcin de distribucin cuando la poblacin
no es homognea. Se establecen valores a la poblacin respecto de un grupo base de comparacin
Luego trabajaremos en detalle cada modelo la idea es solo dar una idea intuitiva de lo que se va a hacer a
lo largo de la segunda parte de la materia.
SEGUNDO ASPECTO: La manera en que se presenta la informacin

a) Informacin completa
b) Informacin incompleta
INFORMACIN COMPLETA
Si estudiamos la mortalidad de un grupo de recin nacidos hasta el momento que no queda nadie con
vida, estamos haciendo un anlisis longitudinal, en este caso, tenemos informacin completa.
Lo cual es poco probable que ocurra en la realidad, porque, si analizamos la mortalidad del grupo y la
idea es obtener patrones de esa poblacin para luego aplicarlo a un modelo y tomar decisiones en base al
mismo, pero, los patrones de mortalidad cambian todo el tiempo, no es esttica, por el contrario es
dinmica en el tiempo y por lo tanto se generan cambios estructurales. Esto ltimo genera la necesidad de
realizar, cada determinado periodo de tiempo, una actualizacin de nuestras conclusiones a travs de
nuevas investigaciones sobre la mortalidad de tal poblacin, tal como ocurre con un censo.
Tampoco es posible seguir a todos y cada unos de las personas que estoy observando ya que
eventualmente podra cambiar de zona en donde reside y podra perder su rastro y en ese caso no tengo
informacin completa. Tampoco es posible hacer un seguimiento hasta el fallecimiento de la ltima
persona por lo cual quiz deba tomar un plazo no muy largo de observacin. Tambin las personas se
cansan de que les hagan encuestas y podran eventualmente decidir retirase, tampoco hay que olvidar lo
costoso de trabajar con la poblacin total.
INFORMACIN INCOMPLETA
287
BIOMETRA ACTUARIAL
TEORA
Cuando nos falta algo de informacin del grupo de recin nacidos. Este caso es el ms comn.
La serie de limitaciones nombradas tanto econmicas, como naturales y sociales genera la necesidad de
hacer un PLAN OBSERVACIONAL que implica responder a la pregunta: Cmo organizo mi estudio?
En otras palabras lo que se busca es organizar el estudio muestral para hacerlo lo ms eficiente que se
pueda. En el plan observacional se incluyen entre otros temas
Fecha de inicio y de finalizacin de la observacin.

Que se incluye en el estudio que se quiere realizar
Dependiendo del plan observacional se tendr informacin completa o incompleta, este ltimo es lo ms
habitual como mencionamos arriba.
FORMAS DE INFORMACIN INCOMPLETA

Para un mejor entendimiento de los conceptos, se dar un enunciado de un estudio y nos basaremos sobre
el mismo para realizar las explicaciones.
ENUNCIADO
Sean un grupo de personas sometidas a una operacin. El estudio que se pretende realizar comprende un
periodo de duracin tres aos calendario. Lo que se pretende con la realizacin del estudio es determinar
la eficacia de la operacin analizando el tiempo que transcurre desde la operacin hasta el fallecimiento
por causas quirrgicas.
Tenemos dos caractersticas importantes que mencionar del enunciado que realizamos
Para la agrupacin no importa la fecha en que fueron operadas las personas, una persona pudo
operarse hace tres meses y otra hace seis meses, slo importa el momento en que fallecen y la
causa. El nico criterio de agrupacin es que estn operados.
Si el evento en este caso fallecer que interesa no se produjo dentro de los tres aos, el mismo
ocurrir despus de que se deje de observar a la persona en cuestin , pero, hay que diferenciar
entre hacerlo por causa de la operacin quirrgica de que ocurra por otra, por ejemplo, un
accidente.
OBJETIVO DEL ESTUDIO DE INVESTIGACIN

Siempre hay un objetivo de fondo en todo estudio de investigacin que se realice, para lograr alcanzar tal
objetivo es necesario un insumo muy importante, la variable aleatoria del evento de inters que del
anlisis de sus propiedades estadsticas surgen algunas respuestas a las preguntas que iniciaron el estudio.
Hay un evento que le interesa al analista que est asociado al objetivo de la investigacin y a travs del
cual se buscar generar repuestas al problema que hay de fondo
En nuestro enunciado el objetivo del estudio es determinar la eficacia de las operaciones.
VARIABLE ALEATORIA EVENTO DE INTERS O RIESGO DE INTERS

En todo estudio investigacin hay un evento de inters que es una variable aleatoria, es aleatoria en dos
dimensiones, tanto en la cantidad que ocurra de tal evento en un momento fijo del tiempo, como el
momento del tiempo en que ocurrir tal evento, siempre dentro del periodo de observacin. En nuestro
enunciado el evento de inters es el fallecimiento por causas quirrgicas. Una persona puede
eventualmente fallecer por otras causas distintas a las quirrgicas, por ejemplo un accidente de auto, pero,
esos riesgos competitivos no son de nuestro inters.
288
BIOMETRA ACTUARIAL
TEORA
Por lo dicho hay que tener en cuenta dos dimensiones del evento de inters
TIEMPO
Momento del tiempo dentro del plan observacional (3 aos) en que se produjo el evento de inters
CANTIDAD
Nmero de integrantes de nuestro grupo de observacin que fue afectada por el evento de inters en ese
momento del tiempo
GRUPO DE OBSERVACIN O EXPUESTOS AL RIESGO DE INTERS

Es el grupo de personas que se observar y analizar a lo largo de todo el periodo de observacin. Es el
grupo de personas que est expuesta a sufrir el riesgo de que le ocurra el evento de inters, como as
tambin otros riesgos competitivos
PERIODO DE OBSERVACIN O DURACIN DEL ESTUDIO DE INVESTIGACIN

Es el periodo de tiempo en que se observa al grupo de observacin
Cuenta con las siguientes partes
FECHA DE INICIALIZACIN DEL ESTUDIO DE INVESTIGACIN
En nuestro enunciado desde el momento de la operacin
FECHA DE FINALIZACIN DEL ESTUDIO DE INVESTIGACIN
Puede ser de dos maneras
Determinstico o programada desde el inicio del estudio

Ser aleatoria, es decir, hasta que se cumpla una condicin o que le ocurra el evento de inters
hasta el ltimo integrante del grupo de inters.
MOTIVOS POR LOS CUALES UN INTEGRANTE DEL GRUPO DE OBSERVACIN ES DEJADO DE

OBSERVAR
Hay tres motivos por los cuales una persona es dejada de observar
Alcanza la fecha lmite de observacin impuesta por el investigador o fecha de finalizacin

del estudio.
Ocurre el evento de inters o el fallecimiento de la persona i
La persona decide retirarse del estudio
289
BIOMETRA ACTUARIAL
TEORA
CENSURAS Y TRUNCAMIENTOS
NO INFORMATIVA
ALEATORIA
INFORMATIVA
CENSURA POR LA
DERECHA
CENSURA
TIPO
NO ALEATORIA
TIPO
CENSURA POR LA
IZQUIERDA
TRUNCAMIENTO POR LA
DERECHA
TRUNCAMIENTO
TRUNCAMIENTO POR LA
IZQUIERDA
CENSURA
Una observacin esta censurada cuando slo contiene informacin parcial sobre la variable a estudiar.
La censura no debera confundirse con el concepto relacionado de truncamiento. Con censura, se sabe que
las observaciones censuradas superan cierto umbral (o estn en cierto intervalo) y esa informacin parcial
puede usarse a la hora de modelar estadsticamente el fenmeno. Con el truncamiento, las observaciones
se descartan enteramente.
SIN APLICAR UNA FECHA LIMITE AL ESTUDIO DE INVESTIGACIN

Si tenemos 4 personas de edad x a los cuales les ocurre el evento de inters en el momento del tiempo .
Luego, tenemos el siguiente grfico
290
BIOMETRA ACTUARIAL
TEORA
DURACIN O TIEMPO DE VIDA DE

CADA PERSONA
INICIO DEL
PROCESO
LOS DATOS QUE SE UTILIZAN E INTERESAN SON LAS

DURACIONES DE CADA PERSONA
EJE DE TIEMPO
Si nosotros contramos con informacin completa y pudiramos a cada una de las personas darle un
seguimiento personalizado, luego, sabramos exactamente en qu momento del tiempo ocurri el evento
de inters. Desde luego, esto en la realidad es de difcil aplicacin.
CON UNA FECHA LIMITE AL ESTUDIO DE INVESTIGACIN
291
BIOMETRA ACTUARIAL
TEORA

CADA PERSONA
INICIO DEL
PROCESO
FECHA LMITE
EJE DE TIEMPO
LOS DATOS QUE SE UTILIZAN E INTERESAN SON LAS DURACIONES

.
PERO NO PODEMOS OBSERVAR EL MOMENTO EN QUE LE OCURRE EL EVENTO DE
INTERES A LA PERSONA 3 .
SLO SE CONOCE QUE
Podemos determinar el momento del tiempo en el que le ocurre el evento de inters a las personas 1, 2, y
4, pero, a la persona 3 no lo vamos a poder porque la dejamos de observar en por lo cual no contamos
con informacin completa.
RETIRO DE UNA PERSONA DE LA MUESTRA POR LA ACTUACIN DE UN RIESGO COMPETITIVO AL

DE INTERS
292
BIOMETRA ACTUARIAL
TEORA

CADA PERSONA
MOMENTO EN QUE LA PERSONA 4 ES RETIRADA DE LA MUESTRA POR LA
ACTUACIN DE UN RIESGO QUE COMPITE CON EL DE INTERS
INICIO DEL
PROCESO
MOMENTO DEL RETIRO
FECHA LMITE
EJE DE TIEMPO
LOS DATOS QUE SE UTILIZAN E INTERESAN SON LAS DURACIONES

PERO NO PODEMOS OBSERVAR EL MOMENTO EN QUE LE OCURRE EL EVENTO DE INTERES A
LA PERSONA 3
NI EL DE LA PERSONA 4 . SLO SE CONOCE QUE
Agregamos el hecho de que una persona deje de ser observada ya no por motivo de que termino el plazo
de observacin, sino por la actuacin de una causa distinta al evento de inters y esto ocurre dentro del
intervalo de duracin del estudio. Por lo cual no se conocer con certeza el momento exacto en que le
ocurre el evento de inters a la persona 4 y slo el momento en que se dej de observarla
TIPOS DE CENSURA
CENSURA POR DERECHA
La falta de informacin est a la derecha de un determinado momento del tiempo , lo cual implica que
la nica informacin que tenemos del evento de inters para un individuo en particular es que
En palabras, que el momento exacto en que ocurre el evento de inters es desconocido pero se sabe que es
mayor a cierto valor o momento de censura.
293
BIOMETRA ACTUARIAL
TEORA
CENSURA POR LA DERECHA
PARTE DE LA DERECHA
NO OBSERVADA DE LA
PERSONA 3
FECHA LMITE
INICIO DEL
PROCESO
EJE DE TIEMPO
EJEMPLO DE LA ECONOMA
VARIABLE ALEATORIA DE INTERS
Momento del tiempo en que la persona consigue un empleo
La duracin del desempleo suele obtenerse de encuestas que preguntan a los desempleados cuanto tiempo
llevan desempleadas. Al no conocerse el tiempo adicional que van a permanecer sin trabajo, solo se sabe
su duracin censurada
El tiempo real que permanece desempleado la persona es superior al que el entrevistado indica en la
encuesta. Si una persona dice que lleva desempleada 3 meses, su tiempo que permanecer desempleado
ser
INFORMATIVA
ALEATORIA
NO INFORMATIVA
CENSURA POR LA
DERECHA
TIPO
NO ALEATORIA
TIPO
294
BIOMETRA ACTUARIAL
TEORA
La censura por la derecha es retirarse de la muestra o dejar de observar a una persona por un motivo ajeno
al evento de inters. Si una persona se retira del grupo de observacin del investigador deja de brindar
informacin.
Hay que tener en cuenta dos dimensiones de la censura
TIEMPO
Momento del tiempo dentro del plan observacional (3 aos) en que se produjo la censura
CANTIDAD
Nmero de censurados en ese momento del tiempo
Tenemos las siguientes posibilidades
Concepto
Tiempo en que se produjo la
censura
Nmero de censurados
CENSURA POR DERECHA

Tipo
Deterministico
Tipo
Aleatorio
Aleatorio
Deterministico
Momento del tiempo dentro del plan observacional (3 aos) en

que se produjo la censura
Se conoce el momento del
Deterministico
tiempo en que ocurre la
censura
No se conoce el momento del
Aleatorio
tiempo en que ocurre la
censura
CENSURA DE TIPO
CENSURA DE TIPO :
TIEMPO DETERMINISTICO Y
CANTIDAD DE CENSURADOS
ALEATORIO
En la fecha planificada de
finalizacin de la observacin
Durante momentos planificados

intermedios de tiempo del periodo
de observacin
Del grupo de observacin de inicio

sobran personas que no sufrieron el
evento de inters durante el periodo de
observacin. Estos son tambin
censurados
No hay censurados intermedios
Del grupo de observacin de inicio no

hay personas que no haya sufrido el
evento de inters durante el periodo de
observacin
Hay censurados intermedios
No hay censurados intermedios

INFORMACIN COMPLETA DEL
GRUPO DE OBSERVACIN DE
INICIO
Hay censurados intermedios
INFORMACIN INCOMPLETA DEL
GRUPO DE OBSERVACIN DE
INICIO
295
BIOMETRA ACTUARIAL
TEORA
CENSURA TIPO
Pura
CENSURAS
Slo hay censurados al final del plazo de
observacin
Cuando las censuras ocurren a lo largo del
tiempo de observacin
Impura
Es importante notar que siempre es conocido el momento en que ocurre la censura, estn programadas
desde el inicio del estudio tanto las intermedias como as tambin la fecha de finalizacin del estudio. Lo
que desconocemos es la cantidad de censurados que habr como dijimos ms arriba.
CENSURA DE TIPO
Lo que caracteriza este tipo de censura es que el tiempo de censura es aleatorio y la cantidad de
censurados es deterministico.
Las observaciones continan hasta que un nmero predeterminado de eventos hayan ocurrido.
EJEMPLO
Sean 10.000 lamparitas que se desea medir su durabilidad para lo cual se realiza un estudio que intenta
determinar si es aceptable la calidad del producto. Por lo cual sin colocar una fecha de finalizacin del
estudio se las enciende todas, es decir, que el tiempo es aleatorio, pero el estudio se detiene si 1.000
lamparitas se apagan o queman por lo cual tenemos 9.000 lamparitas censuradas, esto implica que el
numero de censurados es fijo o conocido de antemano y el momento en que ocurren tales censuras es
aleatorio. El estudio se realiza de esta manera por una cuestin de costos.
Luego tenemos
CENSURA POR DERECHA
CENSURA TIPO
CENSURA TIPO
S cuando, no s cuantos
No s cundo, s cuantos
CENSURA ALEATORIA
El momento del tiempo en que una persona es censurada es una variable aleatoria. Si una persona se aleja
del grupo de observacin por decisin propia, por ejemplo, o por un motivo ajeno al evento de inters en
cualquier momento durante el plazo de observacin. Un ejemplo podra ser porque se mudo a otro pas.
La fecha en que ocurre esto no la conoce con antelacin el investigador. Esto implica que no es
consecuencias del final del plan de observacin. Es clave comprender que el motivo de alejamiento es
independiente del evento de inters y del plan de observacin.
296
BIOMETRA ACTUARIAL
TEORA
CENSURA POR LA DERECHA Y ALEATORIA

PERIODO DE DURACIN DEL ESTUDIO DE INVESTIGACIN
Inicio del periodo

de observacin
Momento del tiempo en donde

la persona i es censurada
Final del periodo de

observacin
El momento del tiempo en que ocurre la censura es

aleatorio o no se conoce con antelacin.
CENSURA NO ALEATORIA
El tiempo en que una persona es censurada no es una variable aleatoria y el motivo de alejamiento es
independiente del evento de inters y del plan de observacin.
CENSURA POR LA DERECHA Y NO ALEATORIA

Inicio del periodo

de observacin
Momento del tiempo en donde

la persona i es censurada

observacin
El momento del tiempo en que ocurre la censura est

programado y es conocido desde inicio de la observacin
CENSURA POR LA IZQUIERDA

Una persona es censurada si se conoce que el evento de inters se produjo antes del inicio de la
observacin de los datos .
El momento exacto en el que ocurri el evento de inters es desconocido, sabiendo tan slo que ha
ocurrido antes de que el individuo se incluya en el estudio.
297
BIOMETRA ACTUARIAL
TEORA
CENSURA POR LA IZQUIERDA
MOMENTO DEL TIEMPO EN DONDE LE

OCURRE EL EVENTO DE INTERES A LA
PERSONA QUE ES DESCONOCIDO
MOMENTO DEL TIEMPO EN DONDE SE

COMIENZA A OBSERVAR A LA PERSONA Y SE
LA INCORPORA AL GRUPO DE OBSERCIN
SE TIENE FALTA DE INFORMACIN

DE LA LONGITUD DE ESTE
INTERVALO. SLO SE CONOCE QUE
INICIO DEL
PROCESO
EJE DE TIEMPO
EJEMPLO
Se realiza un estudio que intenta analizar la intensidad o fuerza con que golpea una determinada
enfermedad para lo cual se busca medir el tiempo que transcurre desde el cual una persona obtiene una
determinada enfermedad hasta que fallece por causa de la misma. Para lo cual se realiza un estudio a un
grupo de personas al inicio de cada ao.
En el ao 1
Se realiza a una persona el estudio mdico y no se detecta ninguna enfermedad
1 ao despus.......
A la misma persona (podra ser otra tambin) se le realiza el mismo estudio mdico y se le detecta la
enfermedad.
Luego, a partir de este momento esta persona entra al grupo de personas que forman parte del estudio de
investigacin para determinar la fuerza de la enfermedad
Pero el problema es que entre el ao 1 y ao 2 sabemos con certeza que la persona obtuvo la enfermedad
pero no sabemos cundo. El evento de inters ocurri antes del comienzo de la observacin de los datos,
es decir, por la izquierda.
298
BIOMETRA ACTUARIAL
TEORA
LAPSO DE TIEMPO DEL CUAL NO SE TIENE

CONOCIMIENTO
OCURRE EL EVENTO DE
INTERES EN ESTE CASO
OBTENER LA ENFERMEDAD.
Esta fecha es incierta
INICIO DE LAS OBSERVACIN

DE LOS DATOS
FINAL DE LAS OBSERVACIN

DE LOS DATOS
MOMENTO DEL TIEMPO EN SE LE DECLARA

LA ENFERMEDAD
Las personas que se deban tenerse en cuenta en la realidad no se las incluyeron por un problema de falta
de informacin.
Es importante para el objetivo de del estudio, que ni bien una persona contraiga la enfermedad se la
incluya en el grupo de observacin y de esta manera poder precisar con ms precisin la intensidad de la
enfermedad, es decir, en el sentido del tiempo que necesita la enfermedad para producir el deceso de la
persona desde que esta la contrajo. Pero los problemas de informacin generan que se las comience a
observar desde el momento del diagnostico.
CENSURA POR INTERVALOS

Slo se conoce que el evento de inters se produjo dentro de un intervalo de tiempo, pero, no se sabe
cuando
Como en el ejemplo anterior que vimos antes se sabe que la enfermedad se produjo entre el ao 1 y el ao
2, pero, no se sabe cundo. Luego
Es un tipo de caso que generaliza la censura por la derecha y por la izquierda.
EJEMPLO
Una investigacin actuarial en donde slo se conoce el ao calendario del fallecimiento pero no el
momento exacto en donde ocurri el deceso.
ESTIMACIN DE LA FUNCIN DE SUPERVIVENCIA PRIMER ACERCAMIENTO AL

TEMA
Hay dos entornos en donde estimar la funcin de supervivencia
INFORMACIN COMPLETA
INFORMACIN INCOMPLETA
Al existir problemas de informacin incompleta, es decir, cuando hay censura para estimar la funcin de
supervivencia hay que tener en cuenta que
299
BIOMETRA ACTUARIAL
TEORA
Si hay censura las tcnicas descriptivas bsicas no van a servir.

No podremos realizar histogramas si no conocemos la longitud final de las observaciones.
Usaremos el estimador de producto lmite de KAPLAN-MEIERS y NELSON AALEN
Con informacin completa se utilizan las tcnicas de la estadstica descriptivas
TRUNCAMIENTO
Surgen cuando una condicin oculta a ciertas personas, por lo que el investigador no conoce de su
existencia. Slo son observadas las personas que experimentaron un determinado evento, que podra ser
una condicin que debera ocurrir antes del evento de inters.
IMPACTO
El principal impacto en el anlisis de los datos truncados es la necesidad de utilizar distribuciones
condicionales en la construccin de la funcin de verosimilitud.
TIPOS DE TRUNCAMIENTOS
TRUNCAMIENTO POR IZQUIERDA
Las personas ingresan al estudio a edades aleatorias en el momento del tiempo Y dentro del plazo de
observacin.
TIEMPO
VARIABLE ALEATORIA Y
Momento del ingreso tardo
VARIABLE ALEATORIA
Momento del tiempo en que ocurre el evento de inters
Luego, slo se observan a los individuos con
Pero si
Luego no es posible la observacin
CANTIDAD
VARIABLE ALEATORIA CANTIDAD-INGRESO TARDIO
Cantidad de personas que ingresan tardamente en un momento del tiempo
VARIABLE ALEATORIA CANTIDAD-EVENTO DE INTERES
Cantidad de personas que son afectadas por el evento de inters en un momento del tiempo
La observacin de los mismos se realiza hasta que se produce el evento de inters o hasta que sean
censurados. Cada vez que se incorpora nuevas personas al grupo de observacin o INGRESO TARDIO
300
BIOMETRA ACTUARIAL
TEORA
estamos frente a informacin condicional a que el tiempo transcurri y la persona sobrevivi hasta el
momento del ingreso al grupo en observacin. No se incluye a aquellos que han sufrido el evento de
inters
TRUNCAMIENTO POR LA IZQUIERDA

Es informacin condicional a haber
sobrevivido hasta el momento de
ingreso al grupo de observacin
Inicio del periodo

de observacin
Momento del tiempo Y en donde la

persona i ingresa al grupo de
observacin INGRESO TARDI

observacin
La persona i no es incluida en el grupo de observacin

ya que hay una condicin que la excluye
EJEMPLO 1
Se intenta analizar la efectividad de una operacin contra el cncer, en el sentido de aos de vida vividos
por la persona luego de la operacin o los aos de vida que le agrega tal operacin. Para lo cual se realiza
un estudio que impone la siguiente condicin
CONDICIN
Pertenecer a una determinada zona
Las personas fueron operadas el ao en que inicio la observacin.
Luego
Momento del tiempo en que ocurre el deceso de la persona observada
GRUPO EN OBSEVACIN
Grupo de personas que vive en la zona de observacin y fue operada. Cada vez que una persona que fue
operada al inicio de la observacin se muda a la zona de observacin ingresa al grupo de observacin
301
BIOMETRA ACTUARIAL
TEORA
TOTAL DE PACIENTES
CON CANCER DE TODAS
LAS ZONAS QUE SE HAN
OPERADO EN EL AO DEL
INICIO DE LA
OBSERVACIN
GRUPO DE PERSONAS
CON CANCER QUE SE
HAN OPERADO Y
VIVEN EN LA ZONA DE
OBSERVACIN

Es informacin condicional a haber sobrevivido hasta
el momento de ingreso al grupo de observacin
Inicio del periodo

de observacin
Momento del tiempo en donde la

persona i se muda a la zona de
observacin e ingresa al grupo de
observacin INGRESO TARDI

observacin
Momento en que la persona i se opera pero no vive en

la zona de observacin y por lo tanto no es tenido en
cuenta para formar parte del grupo en observacin
Para resolver este ejercicio debemos estimar la funcin de supervivencia emprica, en base a una
muestra, para lo cual es necesario tener en cuenta que estamos frente a informacin condicional.
El momento en que ocurre el ingreso tardo es desconocido a priori por lo tanto es una variable aleatoria
como as tambin la cantidad de personas que ingresan.
Tenemos un GRUPO DE OBSERVACIN muy dinmico y cambiante.
EJEMPLO 2
El anlisis de mortalidad de un centro de jubilados de una determinada localidad excluye a quienes
fallecieron antes de la edad que les permite ingresar a dicho centro, por lo que estn fuera del
conocimiento del investigador.
302
BIOMETRA ACTUARIAL
TEORA
TRUNCAMIENTO POR DERECHA

Slo los individuos que han experimentado el evento de inters son incluidos en el grupo de observacin
EJEMPLO 1
Estudios de mortalidad basados slo en fallecidos; no se observan a quienes todava les resta
experimentar el evento.
EJEMPLO 2
Slo se observan pacientes con SIDA que han sido infectados y desarrollaran la enfermedad, pero las
personas infectadas que no desarrollarn la enfermedad no se conocen y por lo tanto no se incluyen en la
muestra
ANALISIS DE TIEMPO DISCRETO

En primer lugar realizaremos una tabla que nos ayude a entender las deducciones
TIEMPO EN
QUE OCURRE
EL EVENTO
DE INTERES
Evento de inters
FALLECIMIENTO
CENSURA
NMERO DE EXPUESTOS AL
RIESGO
0
1
3
4
5
TOTAL
Como podemos apreciar de observar la tabla
Como as tambin que pueden ms de un fallecimiento en cada momento del tiempo , esto es lo que nos
dice
303
BIOMETRA ACTUARIAL
TEORA
PROBABILIDAD PUNTUAL DE QUE OCURRA UN SLO FALLECIMIENTO EN EL MOMENTO
PROBABILIDAD ACUMULADA DE FALLECIMIENTO EN EL INTERVALO
PROBABILIDAD DESACUMULADA DE FALLECIMIENTO EN EL INTERVALO
TASA INSTANTANA DE MORTALIDAD EN TIEMPO DISCRETO
Donde
gorro a j
, nos est diciendo un instante antes de . Como vemos le hemos puesto una raya como
RESULTADO FINAL
Es necesario explicar por aparece
en la formula. Con un ejemplo se entender
Como vemos le hemos puesto una raya como gorro al 4

Luego
Esto ocurre porque como vemos en el siguiente grafico
304
BIOMETRA ACTUARIAL
TEORA
SE MANTIENE
CONSTANTE
1
0,8
0,6
0,4
0,2
SUPUESTOS
La poblacin est constituida por N personas

Se observan fallecimientos, por lo tanto,
El tiempo en que se produce cada fallecimiento esta ordenado
Ocurren fallecimientos en el momento con
, como dijimos pueden ocurrir ms de
un fallecimiento en cada momento.
Nmero de personas censuradas en total es igual a
La cantidad de personas son censuradas entre los momentos
con
, donde
. Con lo cual pueden ocurrir ms de una censura en cada intervalo de
tiempo.
Por lo tanto
Las observaciones se censuran en los momentos
esto porque pueden ocurrir
ms de un censura en un mismo momento

Se define como el nmero de personas con vida y sujetas a riesgo en el momento
FUNCIN DE VEROSIMILITUD
OBSERVACIONES CENSURADAS
Se asume que la censura es no informativa
LA PROBABILIDAD DE QUE UNA PERSONA SOBREVIVA HASTA EL MOMENTO EN QUE ES CENSURADA EN EL
MOMENTO
EN UN MOMENTO FIJO DEL TIEMPO EN QUE OCURRE EL EVENTO DE INTERS
305
BIOMETRA ACTUARIAL
TEORA
Luego armamos la funcin de verosimilitud, si observamos la tabla en una fila cualquiera vemos que hay
en un momento cualquiera, fallecimientos y censuras por lo cual
ESTIMADORES DE MXIMA VEROSIMILITUD

1.
Se debe encontrar la funcin

que maximiza la funcin de verosimilitud. La funcin
es una funcin de distribucin, por lo que no es decreciente. Entonces, para perteneciente al
intervalo
ser maximizado si
; es decir, si el estimador de
mxima verosimilitud de
se mantiene constante en
2.
Se cumple que
, si no, la verosimilitud seria igual a cero.
3.
La estimacin de mxima verosimilitud de

fecha en la que se produce un fallecimiento.
es una funcin que presenta saltos en cada
EN TODO EL INTERVALO DE TIEMPO

Obtenemos la verosimilitud total si consideramos todo el intervalo que desde
variar la variable , por lo tanto
o hacemos
Donde
Por lo tanto
Como vemos
Multiplicamos y dividimos por
Como vemos
Tambin
306
BIOMETRA ACTUARIAL
TEORA
Luego
Donde
Por lo tanto
y si tenemos en cuenta que
Esto nos lleva a
Donde
Si cancelamos obtenemos
Donde
Por lo tanto
307
BIOMETRA ACTUARIAL
TEORA
Luego
Donde
Si recordamos que se haba definido a los como el nmero de personas con vida y sujetas a riesgo en el
momento , luego, los
son el nmero de personas con vida y sujetas a riesgo en el momento
,
por lo tanto
Porque las personas expuestas al riesgo
sobreviven hasta
. Tambin
Por lo tanto
PASOS PARA CALCULAR EL ESTIMADOR MXIMO VEROSIMIL
1.
2.
Hacer el
Calcular la derivada primera
3.
Igualar a cero la derivada primera
Aplicamos logaritmo natural
308
BIOMETRA ACTUARIAL
Derivamos con respecto a uno de los tanto
TEORA
que hay por lo tanto el resto de los trminos se anulan
Igualamos a cero la derivada
Donde la ultima proporcin es el anlogo emprica de la probabilidad puntual de que ocurra un slo
fallecimiento
Recordando que la probabilidad puntual de que ocurra un slo fallecimiento en el momento
es igual a
ESTIMADOR
El estimador es una variable aleatoria que tiene un dominio asociado y una distribucin de probabilidad
asociada y cuenta con las medidas, entre otras
ESTIMACIN
309
BIOMETRA ACTUARIAL
TEORA
Hay que diferenciar entre la variable aleatoria y su realizacin . O entre el ESTIMADOR y la

ESTIMACIN. Esta ltima es el valor que se obtiene de aplicar la formula.
Como la estimacin de mxima verosimilitud se basa sobre una muestra determinada y de esta manera
obtenemos una realizacin de la variable aleatoria , del mismo modo si tomramos otra muestra del
mismo tamao obtendramos otra realizacin de la variable aleatoria.
ESTIMACIN POR EL LMITE DE UN PRODUCTO O POR KAPLAN-MEIER

Tenemos que
Es la probabilidad de que un persona sobreviva hasta
estando con vida un instante antes de
Por lo tanto
Donde
Por lo tanto
Donde
Por lo tanto
Donde
Por lo tanto
GENERALIZACIN DE KAPLAN-MEIER
310
BIOMETRA ACTUARIAL
TEORA
Donde
Tambin
PROPIEDAD DE LOS ESTIMADORES MXIMOS VEROSIMILES

Una funcin de un ESTIMADOR MXIMO VEROSIMIL tambin es un ESTIMADOR MXIMO
VEROSIMIL.
ESTIMADOR DE LA FUNCIN DE SUPERVIVENCIA DE KAPLAN-MEIER
GRFICO DE LA FUNCIN DE SUPERVIVENCIA ESTIMADA
1
0,8
0,6
0,4
0,2
311
BIOMETRA ACTUARIAL
TEORA
DEDUCCIN DE LA VARIANZA DEL ESTIMADOR DE KAPLAN-MEIER SUPONIENDO

QUE LA DISTRIBUCIN DEL NMERO DE FALLECIDOS ES BINOMIAL
ESTIMADOR DE KAPLAN MEIER
Donde
PROPIEDAD IMPORTANTE DE RECORDAR

La varianza de una funcin es igual a
Aplicamos logaritmo natural al estimador de KAPLAN MEIER
Luego
Tambin hay que tener en cuenta
Por propiedad de la suma de varianzas de variable aleatoria independientes como es el supuesto que
hacemos
Si aplicamos la propiedad que mencionamos arriba a
Reemplazamos
Luego por propiedad de las varianzas
312
BIOMETRA ACTUARIAL
TEORA
Donde
Donde
Con varianza igual a
Por lo tanto
Donde
Reemplazando
Si cancelamos
Reemplazando nuevamente
Donde
Despejamos de la ecuacin
Por lo tanto obtenemos la FORMULA DE GREENWOOD
313
BIOMETRA ACTUARIAL
TEORA
Por lo cual
ESTIMADOR DE NELSON AALEN

Tenemos que en tiempo continuo
Su anlogo en tiempo discreto es
Ya que nuestra intencin es hallar el estimador de la funcin de SUPERVIVENCIA.
TASA DE RIESGO INTEGRADA
La cual es la acumulada de la tasa de mortalidad discreta
. Por lo tanto
Por la propiedad que mencionamos se tratan tambin de ESTIMADORES DE MXIMO

VEROSIMILITUD porque son funcin de la TASA DE MORTALIDAD DISCRETA.
DEDUCCIN DE LA VARIANZA DEL ESTIMADOR DE NELSON AALEN SUPONIENDO

QUE LA DISTRIBUCIN DEL NMERO DE FALLECIDOS ES POISSON
Luego
314
BIOMETRA ACTUARIAL
TEORA
Como hicimos el supuesto de que
Donde
Donde como vimos
es una proporcin, por lo cual
Por lo tanto
DEDUCCIN DE LA VARIANZA DEL ESTIMADOR DE NELSON AALEN SUPONIENDO

QUE LA DISTRIBUCIN DEL NMERO DE FALLECIDOS ES BINOMIAL
Como hicimos el supuesto de que
Donde
Donde como vimos
es una proporcin, por lo cual
315
BIOMETRA ACTUARIAL
TEORA
RELACIN ENTRE NELSON AALEN Y KAPLAN-MEIER

ESTIMADOR DE KAPLAN-MEIER
ESTIMADOR DE KAPLAN-MEIER
Por lo tanto
El signo no es el igual porque hay que recordar la propiedad
RELACIN IMPORTANTE 1
Donde
Por lo tanto
RELACIN IMPORTANTE 2
Donde
316
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
317
BIOMETRA ACTUARIAL
TEORA
MODELO BINOMIAL
ESTIMACIN PARAMETRICA
INFORMACIN COMPLETA
ESTIMACIN DE MXIMA VEROSIMILITUD
Datos agrupados
En general para una funcin de distribucin discreta con informacin completa la funcin de
verosimilitud es igual a
Donde es uno de los valores observados,

de veces que fue observado en la muestra.
es la probabilidad de observar
es el nmero
Hay que diferenciar entre

para lo cual del libro de Loss Models pagina 284 tomaremos la
muestra que llama Conjunto de datos A o Data Set A. Los cuales son datos recolectados entre los aos
1956-1958 sobre el nmero de accidentes de trnsito para un conductor en un ao. Donde se tomo una
muestra de 94.935 conductores y los resultados estn en la siguiente tabla:
NMERO DE ACCIDENTES
0
1
2
3
4
5 o ms
TOTAL DE CONDUCTORES
NMERO DE CONDUCTORES
DE AUTO
81.714
11.306
1.618
250
40
7
94.935

Es la cantidad de accidentes que le ocurri a un determinado conductor en un ao .
La cual tiene asociado un dominio es igual a
La cual sigue una funcin de distribucin
Donde q es la probabilidad de que una persona sufra un accidente en el ao.
318
BIOMETRA ACTUARIAL
TEORA
DATOS AGRUPADOS
Los posibles valores ordenados de mayor a menor que puede tomar la muestra son
Donde
es el mximo posible valor que puede tomar una observacin en la muestra que tomamos en
nuestro caso es igual a y es el mnimo valor posible en nuestro caso es igual a cero.
Como vemos en la tabla hay observaciones que se repiten en la muestra, por lo tanto la cantidad de veces
que ocurre un mismo evento es igual . Por lo cual podemos deducir que
Donde
es la cantidad total de observaciones en nuestro ejemplo 94.935.
Como podemos apreciar

es la cantidad de veces que se repite el valor de la variable aleatoria en
en nuestro ejemplo 81.714. As pasamos lista a cada valor del dominio de la variable aleatoria x.
En los casos en que no haya un valor del dominio en la muestra
o si se repite una sola vez
.
Luego podemos interpretar a como el valor del lmite superior del dominio de la variable aleatoria de
inters x. Ahora pasamos a buscar el estimador de mxima verosimilitud
Como estamos trabajando con el modelo Binomial luego
Donde
Por lo tanto
Si aplicamos logaritmo natural
Calculamos la derivada primera con respecto a q e igualamos a cero
319
BIOMETRA ACTUARIAL
TEORA
Donde si dividimos y multiplicamos por n que es el nmero total de observaciones de la muestra
Donde
Donde
Por lo tanto
Reemplazando los resultados
Por lo cual
320
BIOMETRA ACTUARIAL
TEORA
EJEMPLO
ENUNCIADO
En base al conjunto de datos A y asumiendo que los 7 conductores con 5 o ms accidentes tuvieron
exactamente 5 accidentes. Determinar la estimacin de mxima verosimilitud para una distribucin
Binomial con
RESOLUCIN
Por lo tanto
Datos sin agrupar o individuales

Datos individuales es como se lo expone en la mayor parte de los libros y cursos de estadstica
Se observan N personas independientes con edad exacta x por todo un ao

Se observan d fallecimientos
Se considera la variable aleatoria D, que representa el nmero de fallecimientos.
Se asume que cada persona presenta una probabilidad de fallecimiento igual a
FUNCIN DE VEROSIMILITUD
Aplicamos logaritmo natural
Si derivamos con respecto a q
321
BIOMETRA ACTUARIAL
TEORA
Hay que notar que
INFORMACIN COMPLETA
Se abre la puerta a que exista censura y truncamiento por lo cual hay algunos cambios a la hora de hacer
las estimaciones
ESTIMACIN CON INFORMACIN INCOMPLETA DE MXIMA VEROSIMILITUD
No todas las personas se observan en el ao completo

posibilidad de que exista censura y truncamientos.
Ingresos y Egresos por causas distintas al fallecimiento.
Se asume que se observa cada persona desde la edad
Para cada persona se conoce
y
lo cual abre la puerta a la
hasta la edad
Se tiene que
Donde la observacin de
es igual a
Por lo tanto
Por lo tanto ms general
Esta ltima es la contribucin de la persona i a la funcin de verosimilitud segn la muestra observada

Suponiendo independencia la verosimilitud de la muestra total es igual a
Se reduce la verosimilitud a una funcin de un slo parmetro

, utilizando supuestos
fraccionarios haciendo el supuesto de D.U.F o el supuesto de Balducci o el supuesto de Tasa Instantnea
de Mortalidad Constante.
EJEMPLO
DATOS
322
BIOMETRA ACTUARIAL
TEORA
CANTIDAD DE PERSONAS QUE INICIARON EL ESTUDIO
Donde a las 100 personas que iniciaron el estudio se los divide en dos grupos. Los cuales estn
constituidos de la siguiente manera
GRUPO 1
El grupo est constituido por 70 personas de edad x de las 100 que iniciaron el estudio estn programadas
llegar con vida a la edad
De estas personas fallecen 2
GRUPO 2
El grupo est constituido por 30 personas de edad x de las 100 que iniciaron el estudio estn programadas
llegar con vida a la edad
De estas personas fallecen 6
Por lo tanto tenemos
CANTIDAD DE PERSONAS QUE ESTAN PROGRAMADAS SER CENSURADAS A LA EDAD
CANTIDAD DE PERSONAS QUE FALLECEN DEL GRUPO 1
CANTIDAD DE PERSONAS QUE FALLECEN DEL GRUPO 2
Donde
CANTIDAD DE PERSONAS QUE FALLECEN EN TOTAL
HALLAR
La estimacin de
haciendo el supuesto de D.U.F
RESOLUCIN
Si aplicamos D.U.F
Reemplazando
323
BIOMETRA ACTUARIAL
TEORA
Si derivamos con respecto a
Resolvemos
Si renombramos
Luego
ESTIMACIN POR EL MTODO DE MOMENTOS

ESTIMADOR ACTUARIAL
NMERO TOTAL DE PERSONAS
N personas independientes con edad exacta x
NMERO TOTAL DE PERSONAS QUE FALLECEN
PERIODO DE OBSEVACIN
1 AO
Cada persona presenta una probabilidad de fallecimiento
324
BIOMETRA ACTUARIAL
ESTIMACIN DE
TEORA
UTILIZANDO EL METODO DE MOMENTOS
ESPERANZA MATEMATICA DE LA VARIABLE ALEATORIA D
Donde
Donde
Por lo tanto
En el mtodo de momentos se debe igualar el primer momento muestal al valor esperado que acabamos
de calcular. Antes de hacer esto hacemos los siguientes arreglos.
PROPIEDAD 1
Si hacemos el siguiente despeje
PROPIEDAD 2
PROPIEDAD 3: BALDUCCI
En este caso
PROPIEDAD 4
Reemplazamos
Por la PROPIEDAD 1
325
BIOMETRA ACTUARIAL
TEORA
Por LA PROPIEDAD 2
Por la PROPIEDAD 3
Por la PROPIEDAD 4
Se hace el reemplazo de
por su valor muestral
Distribuimos la suma
Recordando que la variable

fallece.
puede tomar solo dos valores, 1 si la persona fallece o 0 si la persona no
El sumando
Vemos que para aquellas personas que fallecen este trmino se hace nulo, mientras que para aquellas
personas que no fallecen el termino se convierte en
Sacamos factor comn
326
BIOMETRA ACTUARIAL
TEORA
Donde
EXPOSICIN AL RIESGO INICIAL
PARA AQUELLAS PERSONAS QUE NO

FALLECIERON
Lapso de tiempo de exposicin al riesgo de fallecimiento
La clave est en ver que en este ltimo clculo estn tambin los que fallecieron.
Por lo tanto
En el grfico que sigue se hace una diferencia entre el momento de la censura y el momento del
fallecimiento, en el siguiente sentido
EDAD DE CENSURA
EDAD DE FALLECIMIENTO
Cuando el modelo no hace tal diferencia, en lugar de ello utiliza
327
BIOMETRA ACTUARIAL
TEORA
EDAD DE FINAL DE LA OBSERVACIN
Para ambos tipos de casos. La intencin es mostrar el concepto que se busca exponer con ms claridad.
PARA AQUELLAS PERSONAS QUE S

FALLECIERON
En este ltimo grfico se ve que en la

a aquellas personas que fallecieron no les quitamos a
el lapso de tiempo que no llegaron a vivir
.
SI SE ASUME QUE LOS FALLECIMIENTO OCURREN EN PROMEDIO A LA EDAD
Donde
328
BIOMETRA ACTUARIAL
TEORA
MODELO DE POSSON
INFORMACIN COMPLETA
Datos agrupados
Hay que recordar que el dominio de una variable aleatoria es igual a
El lmite superior es igual a infinito

La funcin de verosimilitud es igual a
Derivamos e igualamos a cero
EJEMPLO
ENUNCIADO
En base al conjunto de datos A y asumiendo que los 7 conductores con 5 o ms accidentes tuvieron
exactamente 5 accidentes. Determinar la estimacin de mxima verosimilitud para una distribucin de
Poisson.
RESOLUCIN
329
BIOMETRA ACTUARIAL
TEORA
Datos sin agrupar o individuales

Datos individuales es como se lo expone en la mayor parte de los libros y cursos de estadstica
VARIABLE ALEATORIA
Nmero de fallecimientos
DISTRIBUCIN DE PROBABILIDADES DE LA VARIABLE ALETORIA

DISTRIBUCIN DE POISSON
Donde
TIEMPO DE ESPERA CONSIDERADO
Cada una de las personas posee un TIEMPO DE EXPOSICIN AL RIESGO
TASA INSTANTANEA DE MORTALIDAD CONSTANTE EN CADA EDAD
NMERO DE OBSERVACIONES EN UN AO
N personas
Recordando que la distribucin de Poisson es una aproximacin de la distribucin Binomial cuando N es
relativamente grande y la probabilidad de xito es relativamente pequea. Es decir, que la distribucin de
Poisson modeliza situaciones en donde es posible slo dos posibilidades xito o fracaso, siendo la
probabilidad de xito un evento de rara ocurrencia. Tambin la distribucin de Poisson cuenta el nmero
de xito, en este caso, cuenta la cantidad de fallecidos en las N personas, y devuelve la probabilidad de
ocurrencia de tal conteo.
Tenemos que
330
BIOMETRA ACTUARIAL
TEORA
Si lo derivamos con respecto al parmetro
Por lo tanto
331
MODELO DE MARKOV DE DOS ESTADOS
El tiempo de vida futura puede incorporarse a un modelo que contemple un cierto nmero de
estados, incluido el estado de sobreviviente.
Modelos ms generales pueden contemplar pasar del estado de persona sana al estado de persona
enferma, regresando al estado de sano.
Se considera que la transicin entre estados depende slo del estado actual y de la edad
(Hiptesis de Markov).
El caso ms simple:
Modelo de dos estados.
Los estados son sobreviviente o fallecido.
Fallecido es un estado absorbente.
En general se necesita especificar las transiciones entre estados.
ESTIMACIN
Existen N vidas homogneas e independientes entre las edades
DURACIN DEL ESTUDIO

1 AO
ESTADOS
SOBREVIVIR O FALLECER
DEFINICIN DE LA VARIABLE
La observacin finaliza a la edad
para la persona i, por causa de la censura tipo , la cual est
programada o planificada de antemano (
si est c/vida a esa edad).
La observacin inicia a la edad
para la persona i
La observacin finaliza a la edad
para la persona i, por causa del evento de inters FALLECER.
CAUSAS DE LA SALIDA DEL ESTUDIO

Si no hay fallecimiento, hay censuras que estn programas que ocurran. Una persona cualquiera puede
ingresar a una determinada edad
con
y dejar el estudio a la edad
, pero, nunca
ms all de
, es decir,
con
.
BIOMETRA ACTUARIAL
TEORA
CAUSAS DE SU SALIDA
DEL ESTUDIO
LA CAUSA QUE OCURRA

PRIMERO, ES EN
DEFINITIVA, EL MOTIVO DE
LA SALIDA DEL ESTUDIO
CUMPLE LA EDAD
POR CENSURA DE TIPO LA CUAL ES UNA

CENSURA Y OCURRE A LA EDAD PROGRAMADA
O PLANIFICADA (Si no fallece antes)
Persona i con una edad a la

cual se la comienza a observar
OCURRA EL EVENTO DE INTERS EN ESTE

CASO FALLECER
VARIABLE ALEATORIA CONTINUA

TIEMPO DE ESPERA
FUNCIN DE DENSIDAD DEL MODELO DE MARKOV DE DOS ESTADOS

Las observaciones
constituyen una muestra de la distribucin de
DISTRIBUCIN CONJUNTA DE
Si
Luego
Si
FORMULA GENERAL
Donde
333
BIOMETRA ACTUARIAL
TEORA
Si
Se tiene que
LA ESPERANZA MATEMTICA
VARIANZA
Vemos que es positiva ya que
LA ESPERANZA MATEMTICA
Si
Si
334
BIOMETRA ACTUARIAL
TEORA
Por lo tanto
VARIANZA
ESTIMACIN DE MXIMA VEROSIMILITUD DE

FUNCIN DE DISTRIBUCIN CONJUNTA
Por lo cual la funcin de verosimilitud es igual a
Si hacemos la siguiente sustitucin
Donde
335
BIOMETRA ACTUARIAL
TEORA
Si derivamos con respecto al parmetro e igualamos a cero
Despejamos
LA ESPERANZA MATEMTICA Y LA VARIANZA DEL ESTIMADOR

Si volvemos a derivar con respecto al parmetro
Para obtener la varianza del estimador debemos tener en mente la siguiente frmula que se para todo
estimador de MXIMA VEROSIMILITUD
Por lo tanto
Donde
Por lo tanto
Donde
Por lo tanto
336
BIOMETRA ACTUARIAL
TEORA
En definitiva
Todo estimador de MXIMA VEROSIMILITUD tiene la propiedad de que es asintticamente insesgado.
Luego tiene una distribucin asinttica
INTERVALO DE CONFIANZA
DISTRIBUCIN ASINTOTICA DE
Si tomamos la ecuacin de probabilidad total
Y la derivamos con respecto a
Luego multiplicamos por
obtenemos
a ambos miembros en la bsqueda de que nos quede la siguiente expresin
Donde como vimos
337
BIOMETRA ACTUARIAL
TEORA
Volvemos a derivar la ecuacin de probabilidad total
Luego multiplicamos por
a ambos miembros en la bsqueda de que nos quede la siguiente expresin
Donde
La demostracin esta fuera del alcance del presente material

Considerar que
Se tiene luego
Entonces
Por lo cual
Para
tenemos
Tambin
Luego
338
BIOMETRA ACTUARIAL
TEORA
Entonces
Tenemos que hay que
Aplicar el proceso para cada edad

Generar estimaciones de para cada edad desde
Usualmente considere que
Someter los resultados a un proceso de ajustamiento.
es una estimacin de
EJEMPLO
DATOS
Bajo el supuesto de tasas de mortalidad constante
HALLAR
1.
2.
3.
4.
Hallar la funcin de probabilidades de

Hallar la esperanza matemtica de , es decir,
Hallar la funcin de densidad de
Hallar la esperanza matemtica de , es decir,
RESOLUCIN
1.
Tomamos un grupo de personas que comenzamos a observar a la edad de
y
tenemos planificado dejarlos de observar a la edad de
, la cual es nuestra censura de
tipo .
Si
Por lo tanto
Si
Recordando
Por lo tanto
339
BIOMETRA ACTUARIAL
TEORA
2.
3.
Si
Por lo tanto
Si
Recordando
4.
Resolvemos la integral por partes
Por lo tanto
340
BIOMETRA ACTUARIAL
TEORA
Tiempo promedio de observacin de la persona es menos de 0,75 porque hay personas que fallecen.
DOS ENFOQUES
Es importante notar que hay dos maneras de hacer las tablas que de hecho trabajaremos de las dos formas.
1.
2.
Comenzar a observar a la persona i a partir de la fecha de inicio de la observacin. Por lo cual

tomamos como ltimo cumpleaos, aquel que ocurri antes del inicio del estudio. En este
caso
Comenzar a observar a la persona i a partir de que cumpli los aos, a pesar, de que se inicio el
estudio. En otras palabras, ya comenzado el estudio de investigacin, no se toma en cuenta a la
persona sino hasta que cumpla los aos dentro del periodo de duracin del estudio. En este caso
ENFOQUE 1
LAPSO DE
TIEMPO
La persona i cumple
la edad
PERIODO DE DURACIN DEL

ESTUDIO DE INVESTIGACIN
Inicio del periodo

de observacin
SE COMIENZA A OBSERVAR A LA PERSONA i

DESDE ESTE MOMENTO

observacin
EDAD A LA QUE SE
COMIENZA LA
OBSERVACIN
341
BIOMETRA ACTUARIAL
TEORA
ENFOQUE 2
Inicio del periodo

de observacin
EDAD A LA QUE SE
COMIENZA LA
OBSERVACIN
La persona i cumple
la edad

observacin
SE COMIENZA A OBSERVAR A LA PERSONA i

DESDE ESTE MOMENTO
IMPORTANTE
Hay dos opciones:
Elegir una de las dos formas y realizar las estimaciones en base a la opcin elegida.
Como tenemos estas dos maneras de trabajar lo haremos con las dos formas para cubrir todos los
escenarios posibles y ambos sern los datos-materia prima sobre la que basaremos nuestras
estimaciones.
RESOLUCIN UTILIZANDO AMBAS OPCIONES

Donde
Por lo tanto si tomamos nada ms que al grupo de edad de inicio de
aos, luego
Donde N representa la cantidad de datos que tenemos de las personas que tienen
ENFOQUE 1 como para el ENFOQUE 2.
aos tanto para el
342
BIOMETRA ACTUARIAL
TEORA
Realizamos dos tablas una con la forma 1 y la otra con la forma 2 y sumamos ambos resultados como
vemos ms arriba. Hay un ejercicio de este caso que est en la prctica del curso y tambin est resuelto.
343
MODELO DE TASAS DE RIESGO

PROPORCIONALES DE COX
INTRODUCCIN
Podra ser que la distribucin de la variable de inters depende de ciertas caractersticas de la subyacente
situacin.
Por ejemplo, la distribucin del tiempo al fallecimiento podra estar relacionada a la edad del individuo, al
gnero del individuo, estatus de fumador, presin sangunea, altura y peso. O considerar el nmero de
accidentes de automviles que un vehculo tiene en un ao. La distribucin de esta variable podra estar
relacionada al nmero de millas, los lugares a los que se visita con el auto y varias caractersticas del
conductor tal como la edad, genero, estatus marital e historia de manejo.
POBLACIN
Tenemos una poblacin no homognea, con distintas caractersticas. Si tomamos una poblacin que son
idnticos en todo excepto en el sexo y condicin de fumador. Por lo cual tenemos 4 grupos
HOMBRES-FUMADORES
HOMBRES-NO FUMADORES
MUJERES- FUMADORES
MUJERES- NO FUMADORAS
HOMBRES
POBLACIN
TOTAL
MUJERES
HOMBRES-FUMADORES
HOMBRES-NO FUMADORES
MUJERES-FUMADORAS
MUJERES-NO FUMADORAS
BIOMETRA ACTUARIAL
TEORA
VARIABLE ALEATORIA DE INTERES

El tiempo del fallecimiento
La variable aleatoria de inters tiene asociada una funcin de distribucin condicionada al cada grupo de
la poblacin
Es importante notar que en este caso no es homognea la poblacin y tenemos una nica variable
aleatoria de inters que depende de la caracterstica de la persona. Por ejemplo, una persona que fuma
tiene una mayor probabilidad de fallecer en un momento del tiempo que otra que no fuma. Una mujer
tiene una menor probabilidad de fallecer en un momento del tiempo que un hombre.
COVARIABLES
Son variables aleatorias asociados a cada individuo, donde su valor define la caracterstica del individuo.
COVARIABLE
COVARIABLES
En este caso las covariables son discretas pero podran ser continuas tambin si pensamos en el caso de
peso o altura. Tambin podra haber una combinacin de ambas. En este caso tenemos DISCRETADISCRETA, pero, eventualmente podamos tener CONTINUA-DISCRETA.
Cada individuo de la poblacin tiene una funcin de la tasa de riesgo
Por lo tanto una funcin de supervivencia
GRUPO BASE
De alguna manera esta implcita la idea de comparar los resultados de un grupo con respecto a otro en
particular un grupo base. Tal grupo se determina en aquellos valores en donde las covariables tomen el
valor de cero. En nuestro ejemplo el grupo base est formado por las personas HOMBRES-NO
FUMADORES.
345
BIOMETRA ACTUARIAL
TEORA
DEFINICIN
Dada una funcin de riesgo base
y los valores
asociados con un particular individuo,
el MODELO DE TASAS DE RIESGO PROPORCIONALES para esa persona est dado por la funcin
de la tasa de riesgo
Lo cual implica que la funcin de riesgo de cada individuo de una poblacin
Es una funcin de la tasa de riego base

Donde
y las covariables
es alguna funcin que tome nicamente valores positivos. Tambin
Es un vector columna de los valores de
llamados COVARIABLES. Adems
Es un vector columna de los coeficientes.

La nica funcin que utilizaremos ser
Una ventaja de esta funcin es que debe ser positiva.

El nombre del modelo se debe a que si tomamos el ratio de las funciones de riesgo de dos individuos
cualesquiera el mismo se mantendr constante a lo largo del tiempo y en un momento fijo del tiempo.
Si tenemos una poblacin de 3 personas A, B y C, luego
Esto es la funcin de la tasa de riesgo de una persona cualquiera de la poblacin es proporcional a la de

cualquier otra persona dentro de una poblacin.
OBJETIVO
Nuestro objetivo es estimar la tasa de riesgo base
y el vector de coeficientes .
Para nuestro ejemplo con que iniciamos

TASAS DE RIESGO GENERAL
346
BIOMETRA ACTUARIAL
TEORA
Donde
TASA DE RIESGO PARA HOMBRE-NO FUMADOR O RIESGO BASE
TASA DE RIESGO PARA HOMBRE-FUMADOR
TASA DE RIESGO PARA MUJER-FUMADORA
TASA DE RIESGO PARA MUJER-NO FUMADORA
FORMULA GENERAL
DEMOSTRACIN
Tenemos que
Donde
Por lo tanto
Por lo tanto la funcin de supervivencia de una persona que pertenece a uno de los grupos de la poblacin
es funcin de la funcin de supervivencia base.
FUNCIN DE SUPERVIVENCIA HOMBRE-NO FUMADOR O RIESGO BASE
FUNCIN DE SUPERVIVENCIA PARA HOMBRE-FUMADOR
347
BIOMETRA ACTUARIAL
TEORA
FUNCIN DE SUPERVIVENCIA PARA MUJER-FUMADORA
FUNCIN DE SUPERVIVENCIA PARA MUJER-NO FUMADORA
EJEMPLO
ENUNCIADO
Suponga que el monto que se tiene derecho a reclamar de un seguro contra incendio, para el propietario
de una casa, como porcentaje del valor de la casa depende de la edad de la casa y el tipo de construccin
(madera o ladrillo).
Desarrollar un modelo de tasas proporcionales de Cox para esta situacin. Adems, indicar la diferencia
entre las casas de madera y ladrillo de la misma edad.
RESOLUCIN
COVARIABLES
DISCRETA
CONTINUA
TASA DE RIESGO GENERAL
TASA DE RIESGO PARA CONSTRUCCIN EN LADRILLO
TASA DE RIESGO PARA CONSTRUCCIN EN MADERA
TASA DE RIESGO BASE

TASA DE RIESGO PARA UNA CONSTRUCCIN EN LADRILLO RECIEN EDIFICADA
348
BIOMETRA ACTUARIAL
TEORA

Tiempo hasta el incendio de la casa.
Una consecuencia del modelo es que a pesar de la edad de la casa el efecto de cambiar desde ladrillo a
madera es el mismo ya que se mantiene constante. Para el caso de slo dos casas se tiene que
Donde
El efecto sobre la funcin de supervivencia
ESTIMACIN
La estimacin de la TASA DE RIESGO BASE y como consecuencia de la FUNCIN DE
SUPERVIVENCIA BASE puede ser realizada utilizando un modelo paramtrico o uno no paramtrico,
esto depende del conocimiento que se tenga de la distribucin que sigue la FUNCIN DE
SUPERVIVENCIA BASE.
Luego hay dos escenarios posibles:
1.
2.
Conocer a que distribucin pertenece la funcin de supervivencia base

Desconocer a que distribucin pertenece la funcin de supervivencia base
En cada caso hay dos mtodos de estimacin:

a) Para el primer caso hay que hacer una estimacin no paramtrica.
b) Para el primer caso hay que hacer una estimacin paramtrica.
PRIMER CASO
Hay que estimar empricamente la FUNCIN DE SUPERVIVENCIA BASE y la TASA DE RIESGO
BASE y por ende la FUNCIN DE DENSIDAD BASE en base de una muestra, esto implica desconocer
de qu distribucin BASE provienen los datos y la tenemos que estimar como hacamos con NELSON
AALEN y KAPLAN- MEIER, para lo cual necesitamos estimar los parmetros
SEGUNDO CASO
Se tiene conocimiento de a que distribucin pertenece la FUNCIN DE SUPERVIVENCIA BASE y la
TASA DE RIESGO BASE, lo cual implica que conocemos la FUNCIN DE DENSIDAD BASE. Pero
desconocemos los parmetros
y los parmetros de la FUNCIN DE DENSIDAD BASE y
por ende los tenemos que estimar.
349
BIOMETRA ACTUARIAL
TEORA
DISTRIBUCIN DE BASE
DESCONOCIDA
ESTIMACIN
MTODO DE ESTIMACIN
FUNCIN DE MXIMA
VEROSIMILITUD PARCIAL
OBTENER
ESTIMAR
EN
BASE A LOS
MTODO DE ESTIMACIN
ESTIMACIN ANLOGA A LA DE
NELSON AALEN
FAMILIA A LA QUE
PERTENECE LA DISTRIBUCIN
BASE ES CONOCIDA
ESTIMACIN
Los parmetros de la
DISTRIBUCIN
BASE
MTODO DE ESTIMACIN
FUNCIN DE MXIMA
VEROSIMILITUD
350
BIOMETRA ACTUARIAL
TEORA
Para los anlisis que siguen continuamos con el ejemplo con que iniciamos la seccin
FAMILIA A LA QUE PERTENECE LA DISTRIBUCIN BASE ES CONOCIDA

Para la construccin de la funcin de verosimilitud y de esta manera poder estimar los parmetros
Debemos obtener la funcin de densidad, pero, nosotros conocemos la funcin de densidad base que es
dato.
Si suponemos que
sigue una distribucin exponencial.
Por lo cual
FUNCIN DE SUPERVIVENCIA DEL GRUPO BASE
FUNCIN DE DISTRIBUCIN DEL GRUPO BASE
FUNCIN DE DENSIDAD DEL GRUPO BASE
TASA DE RIESGO BASE
Cada persona tiene una pertenencia a un grupo determinado, el cual a su vez tiene una funcin de
densidad y de distribucin asociada y todas y cada una est relacionadas con el grupo base.
Por lo cual
FUNCIN DE SUPERVIVENCIA DE UN DETERMINADO GRUPO
FUNCIN DE DISTRIBUCIN DE UN DETERMINADO GRUPO
FUNCIN DE DENSIDAD DE UN DETERMINADO GRUPO
Si reemplazamos
FUNCIN DE SUPERVIVENCIA DE UN DETERMINADO GRUPO

351
BIOMETRA ACTUARIAL
TEORA
FUNCIN DE DISTRIBUCIN DE UN DETERMINADO GRUPO
FUNCIN DE DENSIDAD DE UN DETERMINADO GRUPO
En los clculos que siguen hice la sustitucin
Con este cambio de variable se puede trabajar con la distribucin exponencial para hacer las cuentas
Como vemos debemos estimar el parmetro
ESTIMACIONES A REALIZAR POR EL MTODO DE MXIMA VEROSIMILITUD

En caso de ocurrir una censura utilizamos la FUNCIN DE SUPERVIVENCIA
TRUNCAMIENTO POR LA IZQUIERDA O INGRESO TARDIO

Tambin puede existir TRUNCAMIENTO POR LA IZQUIERDA o INGRESO TARDO que cambia un
poco las cosas. Veamos cmo trabajar con este cambio.
Cada persona que ingresa tarde le pueden ocurrir tres cosas
1.
2.
3.
RETIRARSE (Evento de inters)

FALLECER
LLEGAR AL FINAL DE LOS 5 AOS
Las censuras las tenemos en cuenta en la contribucin de la funcin de verosimilitud. En nuestro caso las
censuras son
a) FALLECER (Censura aleatoria)
b) LLEGAR AL FINAL DE LOS 5 AOS (Censura de tipo )
En el caso de que a la persona que ingresa tardamente al grupo de observacin haya sido censurada
utilizamos como mencionamos antes la FUNCIN DE SUPERVIVENCIA.
Para el caso de que a la persona que ingresa tardamente al grupo de observacin sufra el EVENTO DE
INTERS utilizamos la funcin de densidad.
Pero la modificacin que hacemos en los datos son los siguientes en el caso de INGRESO TARDO.
352
BIOMETRA ACTUARIAL
TEORA
CONTRIBUCIN A LA FUNCIN DE MXIMA VEROSIMILITUD

CENSURA
Donde
EVENTO DE INTERS
Esto suponiendo una DISTRIBUCIN EXPONENCIAL PARA LA DISTRIBUCIN BASE.
RESULTADOS
TASAS DE RIESGO GENERAL
Donde
Donde
FUNCIN DE SUPERVIVENCIA BASE
FUNCIN DE SUPERVIVENCIA DE CADA PERSONA
MEDIA
Tenemos que la MEDIA de una distribucin exponencial es igual a
353
BIOMETRA ACTUARIAL
TEORA
Por lo cual
FAMILIA A LA QUE PERTENECE LA DISTRIBUCIN BASE ES DESCONOCIDA

Tiene dos partes:
Parte 1
FUNCIN DE VEROSIMILITUD PARCIAL para estimar
Para as obtener los valores de los
Parte 2
ESTIMACIN ANALOGA A LA DE NELSON AALEN para obtener la estimacin de
EN BASE A LOS obtenidos anteriormente
FUNCIN DE VEROSIMILITUD PARCIAL

La estimacin de mxima verosimilitud de
para obtener los valores de los
El mtodo permite estimar de manera separada los coeficientes
de la TASA DE RIESGO BASE.
Luego la contribucin a la funcin de verosimilitud parcial
Donde
Donde estamos tomando nicamente a las personas que no son censuradas, si observamos la tabla que se
da ms abajo vemos que no incluimos en la funcin de verosimilitud a los censurados. Tambin hay que
354
BIOMETRA ACTUARIAL
TEORA
ir actualizando a las personas que estn expuestas al riesgo en cada momento porque ellas fallecen o son
censuradas o existe truncamiento por la izquierda.
Tenemos que
Es la probabilidad de fallecer un instante despus del momento , o en otras palabras, es la probabilidad

de que dado que se alcanzo con vida el momento fallecer justo un instante despus. Esto ocurre para un
individuo del conjunto de expuesto al riesgo en el momento
Si tenemos en cuenta a todo el conjunto de expuesto al riesgo lo dividimos por
La probabilidad de que fallezca el individuo del cual estemos tratando dentro de un grupo de
igual como dijimos a
es
Si tenemos tres personas

Puede fallecer la persona 1 o 2 o 3 por lo cual
Si buscamos determinar cul es la probabilidad de que haya sido una persona del grupo de tres
Siempre el retiro del grupo debe ser por el evento de inters y no por censura
FUNCIN DE VEROSIMILITUD PARCIAL
355
BIOMETRA ACTUARIAL
TEORA
TABLA DE LA CONTRIBUCIN A LA FUNCIN DE VEROSIMILITUD
SEXO DE LA
PERSONA i
CONDICIN
DE FUMADOR
DE LA
PERSONA i
ORDEN DE
OCURRENCIA
TIEMPO HASTA EL
FALLECIMIENTO
EN DIAS
8
9
1
1
1
1
10
CONTRIBUCIN A
LA FUNCIN DE
VEROSIMILITUD
PARCIAL
Donde el signo + indica censura.
PASOS A REALIZAR PARA HACER LA TABLA

Primer paso: Ordenamos la variable
aleatoria de inters de menor a mayor
Segundo paso: Colocamos un orden de

ocurrencia a cada integrante de la muestra
Tercer paso: Colocamos el gnero y

condicin de fumador
Quinto paso: Calculamos cada una de las

contribuciones a la funcin de verosimilitud
parcial
Cuarto paso: Calculamos cada uno de los

en aquellos momentos en que no hay censura,
los cuales van a quedar en funcin del
parmetro de inters que en definitiva
queremos estimar
356
BIOMETRA ACTUARIAL
TEORA
CALCULO DE LAS ESTIMACIONES

Primer paso armar la funcin de verosimilitud parcial
Segundo derivar e igualar a cero
Para obtener
Recordar que
Hacer esto a mano es muy complicado, es necesario hacerlo con el Solver del Excel.

En caso de que haya ingreso tardo se los debe ir agregando en el denominador de la contribucin a la
funcin de verosimilitud
Ya que aumento la cantidad de expuestos al riesgo
CENSURA POR LA DERCHA

Cuando exista censura se los debe restar en el denominador tal como hicimos en la tabla.
MATRIZ DE VARIANZA Y COVARIANZAS DE LAS ESTIMACIONES

Paso para obtener la matriz:
1.
Calcular
2.
Calcular
357
BIOMETRA ACTUARIAL
TEORA
3.
Calcular las esperanzas
4.
5.
Hay que cambiar el signo del resultado anterior e realizar la inversa del resultado
Armar la matriz de VARIANZAS-COVARIANZAS
ESTIMACIN ANALOGA A LA DE NELSON AALEN

ESTIMACIN EMPIRICA DE LA FUNCIN DE SUPERVIVENCIA BASE Y LA TASA DE
RIESGO BASE
Debemos estimar la FUNCIN DE SUPERVIVENCIA BASE
. Donde es la variable de inters
y j representa el orden de ocurrencia del evento fallecimiento para el grupo expuesto al riesgo
.
Para poder hacer la estimacin debemos hallar la TASA DE RIESGO BASE ACUMULADA
que, como hacamos con NELSON AALEN
, ya
Donde
Donde
Es el nmero de observaciones del evento de inters por lo cual no son observaciones censuradas que
ocurren en el momento
En este ejercicio el evento fallecimiento
momento
ocurre una sola vez por cada momento
excepto en el
358
BIOMETRA ACTUARIAL
TEORA
TIEMPO
HASTA EL
FALL. EN DIAS
Para hacer la tabla se utilizaron las estimaciones de
Para obtener los distintos
como mencionamos ms arriba.
TIEMPO
HASTA EL
FALL. EN DIAS
359
BIOMETRA ACTUARIAL
TEORA
Por lo cual podemos calcular la funcin de supervivencia de los otros grupos en base a la siguiente
relacin
360

Biometria Actuarial - Ricardo Gabriel Amarilla

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Biometria Actuarial - Ricardo Gabriel Amarilla

Загружено:

Авторское право:

Доступные форматы

Ao

FACULTAD DE CIENCIAS ECONOMICAS DE LA

Ricardo Gabriel Amarilla

la edad de un recin nacido

es el tiempo en aos que transcurre desde la edad x hasta que fallece

PROBABILIDAD MARGINAL INMEDIATA DE FALLECIMIENTO

No alcanza con vida

El fallecimiento se produce entre

PRIMERA SIMBOLIZACIN EN EDADES

PROBABILIDAD MARGINAL DIFERIDA DE FALLECIMIENTO

La probabilidad de que la persona de edad x alcance con vida la edad

Lapso de diferimiento entre el

Diferencia entre la edad de

PROBABILIDAD DE FALLECIMIENTO INMEDIATA ACUMULADA

no alcance con vida la edad

Los sucesos que pueden ocurrir son

Cada suceso tiene asociada una probabilidad de fallecimiento.

Probabilidades inmediatas acumuladas de fallecimiento

Para entender el concepto se tomar

como probabilidad a buscar.

La suma de ambas probabilidades de fallecimiento genera la probabilidad acumulada buscada. Como se

PROBABILIDAD DE FALLECIMIENTO DIFERIDA ACUMULADA

LA PROBABILIDAD DE QUE UNA PERSONA DE EDAD X NO ALCANCE CON VIDA LA

Si abrimos la sumatoria en dos

Es la probabilidad de que una persona de edad x alcance con vida la edad

, pero no alcance con vida

Donde como vimos

Si una persona fallece entre las edades

En este intervalo puede seguir con

Si una persona fallece entre las edades

Si tomamos el caso particular de

teniendo x aos de edad

PROBABILIDAD DE VIDA ACUMULADA

alcance con vida la edad

PROBABILIDAD DE VIDA MARGINAL

La probabilidad de que una persona de edad

alcance con vida la edad

La probabilidad de vida a la edad x es uno.

La probabilidad de fallecer entre la edad x y

La probabilidad de sobrevivir entre x y

DOS RELACIONES IMPORTANTES

teniendo x aos de edad

Probabilidad de fallecer entre x y

y se obtiene la probabilidad de fallecer entre

Probabilidad de fallecer entre

teniendo x aos de edad

Probabilidad de sobrevivir entre x y

De esta manera queda demostrado.

O no alcanzar con vida la edad

tambin pueden ocurrir dos sucesos: sobrevivir hasta la edad

, que a su vez se divide en dos

Como se ve la probabilidad de fallecer entre las edades

De este modo vemos lo que habamos mencionado que

Se ve con an ms claridad. Podemos concluir que lo que crece

VARIABLE ALEATORIA CONTINUA

Siendo t aos transcurridos desde la edad

Luego, el dominio de t como aos posibles a vivir sera igual a

La cual tiene asociada una funcin de densidad

La persona alcanz con vida la edad

, teniendo la edad . (Sobrevivi)

es una Funcin de Distribucin

La Funcin de Supervivencia es el complemento de la Funcin de Distribucin.

Es igual a la probabilidad de fallecer dentro de este intervalo

Es igual a la probabilidad de fallecer dentro de este intervalo