Professional Documents
Culture Documents
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.
Sea
Donde es continua
Por lo cual
En este caso es el tiempo en aos que transcurre desde la edad x hasta que fallece
0 1 2 t
Plazos
La edad lmite es ,
la cual nadie alcanza
con vida
PROBABILIDAD DE FALLECIMIENTO
PROBABILIDAD DE
FALLECIMIENTO
INMEDIATA DIFERIDA
3
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 .
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
.
Siendo
SIMBOLISMO INTERNACIONAL
4
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
EJEMPLO
EN EDADES
EN PLAZOS
INTERNACIONAL
5
O PUEDE OCURRIR
(Sobrevive 1 periodo)
O PUEDE OCURRIR
(Sobrevive 2 periodos)
O PUEDE OCURRIR
(Sobrevive 3 periodos)
O PUEDE OCURRIR
(Sobrevive 4 periodos)
O PUEDE OCURRIR
(Sobrevive 5 periodos)
............................................................................................................................................
............................................................................................................................................
...............
Es decir,
O puede ocurrir
(Sobrevive 1 periodo)
6
SUCESO 1: A LA EDAD X SUCESO 2: A LA EDAD X
NO ALCANZA CON VIDA LLEGA CON VIDA A LA
LA EDAD X+1. EDAD X+1, PERO NO
ALCANZA CON VIDA LA
EDAD X+2.
Si
Si
O puede ocurrir
(Sobrevive 1 periodo)
Si
O puede ocurrir
(Sobrevive 1 periodo)
O puede ocurrir
(Sobrevive 2 periodos)
Si
O puede ocurrir
(Sobrevive 1 periodo)
O puede ocurrir
(Sobrevive 2 periodos)
O puede ocurrir
(Sobrevive 3 periodos)
7
Si
O puede ocurrir
(Sobrevive 1 periodo)
O puede ocurrir
(Sobrevive 2 periodos)
O puede ocurrir
(Sobrevive 3 periodos)
O puede ocurrir
(Sobrevive 4 periodos)
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
(Sobrevive n periodos)
O PUEDE OCURRIR
(Sobrevive periodos)
O PUEDE OCURRIR
(Sobrevive periodos)
............................................................................................................................................
............................................................................................................................................
O PUEDE OCURRIR
8
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
(Sobrevive 1 periodo)
O puede ocurrir
(Sobrevive 2 periodos)
O puede ocurrir
(Sobrevive 3 periodos)
O puede ocurrir
(Sobrevive 4 periodos)
............................................................................................................................................
....................................................................................................................
..........................
Es un sistema mutuamente excluyente y exhaustivo. En la grafica se pueden ver todos los posibles
sucesos.
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
9
Es la probabilidad de que una persona de edad x alcance con vida la edad , pero no alcance con vida
la edad , es decir, que fallezca entre las edades y .
(Sobrevive n periodos)
O PUEDE OCURRIR
O PUEDE OCURRIR
............................................................................................................................................
............................................................................................................................................
O PUEDE OCURRIR
................... .........
Por lo tanto
10
En este intervalo puede seguir con
vida y no se puede asegurar que la
igualdad se cumpla.
Interpretacin de
Edades
0 Plazos
Interpretacin de
Edades
0 Plazos
EN EDADES
EN PLAZOS
INTERNACIONAL
11
EN PLAZOS
INTERNACIONAL
RELACIONES
La probabilidad de fallecer a la edad x es cero.
Edades
0 Plazos
Edades
0 Plazos
12
Deduccin de b)
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.
O puede ocurrir
O puede ocurrir
13
Por lo cual
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.
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 .
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
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 .
La Funcin de Supervivencia
Probabilidad de que una persona de edad x sobreviva hasta la edad .
FUNCIN DE SUPERVIVENCIA
15
FUNCIN DE DISTRIBUCIN
ao
aos
aos
aos
aos
PROBABILIDAD DE VIDA
RELACIN 1
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.
0 x
Teniendo en cuenta
16
Obtenemos la siguiente relacin
0 x
EJEMPLO
17
0 x y z
RELACIN 2
En plazos
En edades
Para lograr
Ya que
18
PROBABILIDAD DIFERIDA Y TEMPORARIA DE FALLECER
NUEVA RELACION
Como
Luego
Suceso A
Suceso B
Habiendo alcanzado con vida la edad , es necesario que fallezca entre las edades
.
19
La probabilidad de que un recin La diferencia es igual a
nacido fallezca entre las edades
, bajo la condicin de
haber alcanzado con vida la edad x.
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.
En el intervalo de edades de
fallecimiento
Tomamos el entero
EJEMPLO
Sea
20
Luego
Si
Si
Si
.............................................
Si
Donde
Como podemos apreciar de esta ltima expresin existe una relacin entre las probabilidades de
21
PROBABILIDAD ACUMULADA
Donde
MEDIDAS DE POSICIN DE
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
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.
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).
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 .
VARIABLE ALEATORIA
TIEMPO CONTINUO
En lugar de trabajar con la diferencia podemos elegir trabajar con la edad de fallecimiento
directamente.
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
En lugar de trabajar con la diferencia podemos elegir trabajar con la edad de fallecimiento
directamente.
Podemos ver que la variable aleatoria contina coincide con la variable aleatoria
discreta plazo en aos para el caso particular de recin nacidos.
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.
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 tenga la edad entera x,
descartando de esta manera los decimales.
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
Continuo instante antes de llegar a la edad
, esas muertes se van
acumulando a lo largo del ao en
Discreto dicho intervalo
Todos los
fallecidos son contados con edad
si tomamos enteros.
En definitiva, se da la equivalencia
RELACIONES
Sean
............................................................
...........................................................
26
Se define
EL NMERO DE PERSONAS ACUMULADAS QUE NO ALCANZAN CON VIDA LA EDAD
TENIENDO LA EDAD X.
Donde
Donde
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 .
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
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
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 2 Cantidad de personas con
de edad x que llegan edad x que llegan con vida a la
con vida a la edad edad (1 paso) y
. fallecen en el intervalo
.
28
PROBABILIDAD DE VIDA
Si sumamos y restamos
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
DISTRIBUCIN DE
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.
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
31
FIJAMOS UNA EDAD. No es
incierta
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 . Cuanto mucho
pueden fallecer 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 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
32
0
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
VARIABLE STOCK
CANTIDAD
VARIABLES DISCRETAS
INCREMENTO
Este es el incremento que se ha producido en la variable por culpa del cambio en la variable .
Esta ltima expresin representa el cambio en la variable por unidad de . En otras palabras, por cada
unidad que la variable se incremente o disminuya, la variable 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
Donde
Si quisiramos aproximar
Mientras el que queramos aproximar sea ms chico, luego, menor ser el error que se cometa
Si
Edades
Tenemos
35
Tambin
Si denotamos a la variable como el ajuste que deberamos realizar para anualizar la probabilidad de
fallecimiento. Luego
EJEMPLO
Como sabemos
Donde
PROPORCIN DE FALLECIDOS
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.
Si
Entonces
Es importante recordar
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
APROXIMACIN DEL
Como vimos
Luego
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.
38
Si
Donde
En definitiva
Recordando que si tomamos como variable aleatoria el tiempo transcurrido desde la edad x hasta el
fallecimiento .
39
EJEMPLO
Mientras ms chico ms
preciso el clculo de la
probabilidad
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 DENSIDAD
Es parecida a la funcin de densidad, pero, es condicional a que se sobreviva hasta la edad teniendo
la edad
Por definicin
TIEMPO CONTINUA
40
GRFICAMENTE
Edades
0 Plazos
EN TIEMPO DISCRETO
GRFICAMENTE
Edades
0 Plazos
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
Luego
Donde
Por lo tanto
Como vemos
42
FUNCIN DE DENSIDAD CONDICIONAL
Es una medida pura del intervalo infinitesimal y
Por lo tanto
Si definimos
SUCESO A
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
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
TIEMPO DISCRETO
TIEMPO CONTINUO
ASOCIACIN
TIEMPO DISCRETO
TIEMPO CONTINUO
44
EN TIEMPO DISCRETO
EN TIEMPO CONTINUO
INTERPRETACIN
A la podemos ver de dos maneras
PROBABILIDAD
Podemos apreciar que hay no una sino muchas tasas instantneas de mortalidad , tantas como
cambios t pueda hacerse.
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
Donde
Si reemplazamos por
Que representa la cantidad de eliminados por cada unidad de . Este ltimo es tan pequeo que la unidad
es 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
DEMOSTRACIN
RESOLUCIN
Recordando que
47
Sacando factor comn
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.
48
FUNCIN DE DISTRIBUCIN ACUMULADA CON DIFERIMIENTO LIMITADA
DEMOSTACIN 1
DEMOSTRACIN 2
Por lo cual
Sabiendo que
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.
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 teniendo x aos de edad es cero porque nadie alcanza con
vida esa edad.
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
Edades
0 Plazos
viven . 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
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 que agregan
otros ao cada uno. Con esto obtenemos
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
En este caso
Donde
Cada una de las personas agrega 1 ao vivido por eso esta multiplicado por 1.
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.
52
AOS DE VIDA QUE APORTA UNA PERSONA DE EDAD X QUE
FALLECE A UNA DETERMINADA EDAD.
Fallece a la edad
DEMOSTRACIN
Luego reemplazando
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
.
En esta ltima expresin se puede ver que la tasa central de mortalidad es un promedio
ponderado de las tasas de mortalidad.
PONDERADOR
Es importante notar que hay muchas tasas instantneas de mortalidad a medida que cambia t.
Donde
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.
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.
Por lo cual
EN TRMINOS RELATIVOS
55
La proporcin de fallecidos por instante de tiempo es la menor de todas
EN TRMINOS ABSOLUTOS
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
Donde
Por lo cual
DEMOSTRACIN
56
Si dividimos numerador y denominador por
Donde
Por lo tanto
Donde
DEMOSTRACIN
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
Recordando que
INTUICIN
Si recordamos que
Tambin
58
Luego
Por lo cual
Recordando
Como el tiempo vivido por las personas que fallecen entre las edades .
Donde
Representa el tiempo vivido por todas las personas entre las edades .
Fallece a la edad
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 , o EXPECTATIVA DE VIDA en
tiempo continuo
INTUICIN
Tambin tenemos
59
Donde
Donde
En tiempo discreto
Recordando
GRFICAMENTE
Edades
0 Plazos
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
Donde
b) Hallar
Donde
61
Reemplazando
Por lo tanto
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 .
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 comenzando con
una edad de aos de edad.
En definitiva, si dividimos por obtenemos el promedio de aos vividos por las personas entre
las edades
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 0
total vivido por las l(x)
personas entre las edades
64
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
DEMOSTRACIN
Si recordamos que
Recordando que
DEMOSTRACIN
Si recordamos que
Recordando que
65
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
DEMOSTRACIN
RESOLUCIN
Por lo tanto
66
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 TEORA RICARDO GABRIEL AMARILLA
Tenemos que
Recordando que
Luego
Por lo cual
Donde
Reemplazando
Donde
Reemplazando
Donde
68
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Donde
PRIMER TERMINO
Si abrimos la sumatoria
Tenemos que
Recordando que
Luego
Por lo cual
69
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Reemplazando
Donde
Reemplazando
Donde
Por lo cual
70
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
Donde
Por lo cual
Donde
Reemplazando
72
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Por lo cual
73
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
PRIMEROS TERMINOS
SEGUNDOS TERMINOS
Hacemos distributiva
Donde
Luego
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.
74
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si sumamos ambas
Donde
Donde
Reemplazando
Donde
Reemplazando
75
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
DEMOSTRACIN
Recordando que
Restando
DEMOSTRACIN 1
Recordando que
76
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Restando
Por lo cual
DEMOSTRACIN 2
PRIMEROS TERMINOS
SEGUNDOS TERMINOS
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 RICARDO GABRIEL AMARILLA
Tenemos que
Donde
Tambin
Por lo tanto
Donde
78
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Reemplazando
Donde
Reemplazando
Por lo cual
DEMOSTRACIN
Tenemos que
79
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si abrimos la sumatoria
Sabemos que
Reemplazando
Donde
Por lo cual
EXPLICACIN CONCEPTUAL DE
INTERPRETACIN 1
Sea
VARIABLE ALEATORIA
Sabemos que
Donde representa el total de aos vividos por las entre las edades
Grficamente
80
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Edades
0 Plazos
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
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 RICARDO GABRIEL AMARILLA
Recordando que
Si reemplazamos
Recordando la formula
82
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Recordando que
Si reemplazamos
Por lo tanto
83
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
84
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin
Donde
Por lo tanto
Donde
Donde
Por lo tanto
85
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Recordando que
Si reemplazamos
Por lo tanto
Donde
86
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Recordando que
Si reemplazamos
Por lo tanto
87
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
Reemplazando
Por lo cual
TIEMPO CONTINUO
Si tenemos en cuenta
Reemplazando
TIEMPO DISCRETO
Si tenemos en cuenta
Reemplazando
89
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
TIEMPO DISCRETO
Tambin
INTERPRETACIN
90
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Recordando que
Veamos el numerador
Por lo cual
Para
Para
Para
Para
Donde
91
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
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 personas entre las edades , 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.
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
92
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Como
Por ende
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
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 RICARDO GABRIEL AMARILLA
DEMOSTRACIN
Recordando que
Por lo tanto
NUMERADOR
Por lo tanto
Por lo cual
Donde
94
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
DENOMINADOR
DEMOSTRACIN
Donde
Donde
Por lo cual
Por lo cual
Reemplazando
Por lo tanto
95
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Tambin
Donde
DEMOSTRACIN
Donde
Tambin
Por lo tanto
Por lo tanto
Luego
96
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
97
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Es una funcin de distribucin, la cual, representa la probabilidad de que el tiempo que media el
fallecimiento sea mayor que t.
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 DENSIDAD
Donde
98
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
EN EDADES
Donde es una densidad de muerte condicionada a la supervivencia a hasta la edad a la edad de que se
trate.
EJEMPLO
Si
a)
Donde
99
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
b)
VARIANZA
MEDIANA
Edad o plazo a la cual la probabilidad de fallecer antes es igual a la probabilidad de fallecer despus, es
decir,
MODO
FUNCIONES TRUNCADAS
De aqu en ms estamos relacionando EXPRESIONES CONDICIONADAS con EXPRESIONES NO
CONDICIONADAS
TRUNCAMIENTO INFERIOR
De aqu en ms
PROBABILIDAD DE VIDA
100
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Subgrupo que
Grupo de partida alcanz con vida la
de recin edad
nacidos
Proporcin que
Subgrupo que alcanz fallecer entre las
con vida la edad y que edades
por lo tanto fallecern entre
las edades
Subgrupo que
Grupo de partida alcanzarn con vida
de recin la edad
nacidos
101
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
PROBABILIDAD DE MUERTE
ESPERANZA CONDICIONADA
FUNCIONES CONDICIONADAS
102
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
TRUNCAMIENTO SUPERIOR
De aqu en ms
PROBABILIDAD DE VIDA
Subgrupo que no
Grupo de partida alcanzarn con vida
de recin la edad
nacidos
Proporcin que
fallecer entre las
Subgrupo que fallecern edades
entre las edades
103
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Subgrupo que no
Grupo de partida alcanzarn con vida
de recin la edad
nacidos
PROBABILIDAD DE MUERTE
ESPERANZA CONDICIONADA
De aqu en ms
104
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
105
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Subgrupo que
Grupo de partida alcanz con vida la
de recin edad
nacidos
Proporcin que
fallece entre las
Subgrupo que edades
alcanz con vida
la edad
Proporcin que
Grupo de personas que fallece entre las
alcanzaron con vida la edad edades por lo
y que fallecern entre 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 RICARDO GABRIEL AMARILLA
Subgrupo que
Grupo de partida alcanz con vida la
de recin edad
nacidos
Proporcin que
fallece entre las
edades
Subgrupo que
alcanz con vida
la edad
Proporcin que
fallece entre las
Grupo de personas que edades
alcanzaron con vida la edad
y que fallecieron entre
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 .
FUNCIN DE DENSIDAD
EN PROBABILIDADES CONDICIONALES
107
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
111
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
VALORES CONOCIDOS
SUPUESTOS FRCCIONARIOS
SUPUESTO EXPONENCIAL
CON CONSTANTE
Calculo de
Por lo tanto
112
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Calculo de
Calculo de
Por lo tanto
Por lo tanto
Calculo de
113
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Por lo tanto
Calculo de
Donde
Por lo tanto
Reemplazando
Donde
Por lo cual
Recordando que
Reemplazando
114
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Donde
Calculo de L(x)
Distribuimos la integral
115
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Calculo de
Por lo cual
Donde
Por lo cual
Por lo tanto
Calculo de
Donde
Donde
116
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Tambin
Reemplazando
Sabemos que
Por lo cual
Por lo tanto
Donde
Reemplazando
Donde
Calculo de
117
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si reemplazamos
Por lo cual
Calculo de
Donde
Por lo tanto
Reemplazando
Donde
Por lo cual
Por lo tanto
118
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Donde
Calculo de
119
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Calculo de
Calculo de
Calculo de
120
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Por lo tanto
Donde
Calculo de
Donde
Por lo tanto
Reemplazamos
Donde
Reemplazamos
121
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Donde
Por lo cual
Si reemplazamos
Calculo de
122
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Donde
Calculo de
Donde
Donde
Tambin
Reemplazando
Sabemos que
123
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Si reemplazamos
Por lo tanto
Calculo de
Si reemplazamos
124
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Calculo de
Donde
SUPUESTO EXPONENCIAL
Calculo de
Calculo de
Calculo de
Calculo de
Calculo de
125
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Calculo de
Por lo tanto
Calculo de
Donde
Por lo tanto
Reemplazamos
Donde
Reemplazamos
Calculo de
126
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Por lo cual
Calculo de
Por lo cual
Donde
Calculo de
Donde
127
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Tambin
Reemplazando
Sabemos que
Por lo cual
Por lo tanto
Calculo de
Si reemplazamos
128
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculo de
Donde
129
TABLA DE SUPUESTOS FRACCIONARIOS
DUF EXPONENCIAL BALDUCCI
( ) ( ) ( )
Luego
DEMOSTRAR
RESOLUCIN
Si hacemos distributiva
Por lo cual
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
x+1
x+2
x+3
x+4
x+5
x+6
EJEMPLO NMERICO
TABLA DE DECREMENTO MLTIPLE
x 1000 50 10 60
x+1 940 47 9,4 56,4
x+2 883,6 44,18 8,836 53,016
x+3 830,584 41,5292 8,30584 49,83504
x+4 780,74896 39,0375 7,8075 46,845
x+5 733,904 36,6952 7,3390 44,0342
x+6 689,8698 34,4935 6,8987 41,3922
.... .... ....... ..... ............
0
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
SIGNIFICADO DE T
T indica todas las causas de fallecimiento, cada una de las cuales es simbolizada con la letra j donde
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
CANTIDAD ACUMULADA DE FALLECIDOS POR TODAS LAS CAUSAS ENTRE LAS EDADES
134
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Donde
Siendo la proporcin de un causa particular del total de fallecidos por todas las causas.
CLCULO DE PROBABILIDADES
135
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Probabilidad de sobrevivir hasta la edad teniendo la edad x y habiendo sobrevivido a las causas de
eliminacin, es decir, de sobrevivir a todas las causas.
Donde T quiere decir totas las causas de fallecimiento, como lo habamos mencionamos antes.
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.
136
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
En conclusin no es posible utilizar todas las relaciones que conocemos para el caso de probabilidades de
causas particulares.
137
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Recordando que
EN TIEMPO CONTINUO
EN TIEMPO DISCRETO
Luego obtenemos
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
alcanzar con vida la edad .
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
alcanzar con vida la edad .
RELACIN ENTRE
Es importante notar que para intervalos muy pequeos de tiempo se cumple que
Luego
138
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
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 RICARDO GABRIEL AMARILLA
ESCENARIO 1 ESCENARIO 2
LLEG PRIMERO LA LA CAUSA 2 OCURRE SI NO ACTA
CAUSA 1 LA CAUSA 1 QUE HABA ACTUADO
PRIMERO.
FALLECIMIENTO POR
FALLECIMIENTO POR CAUSA
CAUSAS NATURALES
DE UN ACCIDENTE
Si quitamos la causa de eliminacin 1 lo que ocurre con sus fallecidos entre las edades es lo
siguiente:
La cantidad de fallecidos por la causa de eliminacin 2 cuando tenemos en cuenta la causa de eliminacin
1 es igual a
Con esto podemos ver que aumenta el nmero de fallecidos por la causa 2 ya que
140
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si recodamos
Reemplazando
Luego
141
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
142
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
x+1
x+2
x+3
x+4
x+5
x+6
x+1
x+2
x+3
x+4
x+5
x+6
HIPTESIS
143
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
DIFERENCIA ENTRE
FUERZA DE ELIMINACIN EN CADA TDUA
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 .
RELACIN ENTRE
Luego
No tenemos , aunque contamos con y por el supuesto NEXO de las tasas de mortalidad
144
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
No tenemos , aunque contamos con y por el supuesto NEXO de las tasas de mortalidad
FORMULA GENERAL
Luego
Si hacemos la distributiva
145
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
De manera que tenemos las siguientes igualdades con dos causas de eliminacin
De analizar la ltima igualdad podemos deducir lo que nos muestra el siguiente grfico
Donde
Por lo tanto
146
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
147
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
148
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
TABLA DE TABLA DE
A partir de TDM construir
DECREMENTO la TDUA DECREMENTO NICO
MLTIPLE ASOCIADA
A partir de TDUA
construir la TDM
EJERCICIO
Hay tres causas de eliminacin donde
Hallar
a)
b)
c)
FORMULAS A UTILIZAR
RESOLUCIN
149
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si despejamos
150
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
0 x<a
0 x>b
En nuestro ejemplo
Y su complemento
Con lo cual
RESULTADO
DATO
Con lo cual
151
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Reemplazando obtenemos
b)
Con
=0,5609506911
c)
152
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Porque
Recordando que
Luego obtenemos
SUPUESTOS
153
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
OBJETIVO
Hallar las probabilidades asociadas a cada una de las
tablas
Nexo entre ambas
TABLA DE TABLA DE
A partir de las probabilidades de la TDM obtener
DECREMENTO las probabilidades asociadas a la TDUA. DECREMENTO
MLTIPLE NICO ASOCIADA
SUPUESTO 1 SUPUESTO 3
FUERZAS CONSTANTES DISTRIBUCIN UNIFORME DE
ELIMINADOS EN TDUA
SUPUESTO 2
DISTRIBUCIN UNIFORME DE
ELIMINADOS EN TDM
SUPUESTOS 1
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 RICARDO GABRIEL AMARILLA
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.
Luego
Tenemos que
155
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Luego
156
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Tenemos que
RELACIN IMPORTANTE
Se reemplaza en
CALCULO DE PROBABILIDADES
Recordando que
Sale la constante
Obtenemos
157
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
158
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
DEMOSTRACIN
Recordando que
Sale la constante
Obtenemos
159
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Luego
Tambin
DEMOSTRACIN
Recordando que
Sale la constante
Obtenemos
160
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
formulas, para el caso particular de cada causa de eliminacin hay algunos pequeos cambios en
las formulas sobre cuando debemos colocar o cuando .
162
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
RELACIN IMPORTANTE
Donde
Por lo tanto
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.
Luego
163
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Como
Por lo cual
DEMOSTRACIN
Como
164
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Con
Si obtenemos
165
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
166
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si
RESULTADO
167
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si
RESULTADO
168
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
ALGO IMPORTANTE
Volvemos a dos causas
CONCLUSIN
169
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
En TDUA
SOLUCIN
FUERZAS CONSTANTES
Probabilidades independientes
Tambin
170
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Resultado
Probabilidades dependientes
Sabiendo que
Luego
Sabiendo que
171
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Resultado
DUE en TDM
Probabilidades dependientes
Resultado
Probabilidades independientes
172
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Resultado
Reemplazamos en la primera
173
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Resultado
PROFUNDIZANDO
VARIABLE ALEATORIA DISCRETA
CAUSAS DE ELIMINACIN
Sea el nmero de causas de eliminacin a la cual est expuesta una determinada poblacin
174
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Sea el tiempo discreto que falta para que la persona sea eliminada
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 .
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
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 RICARDO GABRIEL AMARILLA
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.
Puede ser que haya relacin entre las n causas pero en principio no interesa
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 RICARDO GABRIEL AMARILLA
Es la probabilidad de que una persona fallezca por la causa j sin importar la edad que lo haga.
LEY DE CIERRE
Luego se cumple la LEY DE CIERRE
FUNCIN DE DENSIDAD DE
177
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Es la probabilidad casi puntual de que una persona fallezca en un determinado momento t sin importar la
causa que lo produzca.
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
LEY DE CIERRE
Luego se cumple la LEY DE CIERRE
178
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Es la tasa instantnea de eliminacin y se llama fuerza instantnea por que se le elimina el arrastre de
eliminacin de aos anteriores
En el grafico se ve que lo que ocurre es que no hay incertidumbre acerca de la cantidad de personas que
alcanzaron con vida la edad y la probabilidad que se busca es una probabilidad
condicional.
179
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si en cambio slo conociramos y hubiera incertidumbre acerca del valor de tendramos esta
probabilidad
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.
Luego
Conjunto A [ ]
Conjunto B [ ]
0
Donde
Tambin
180
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Para sacar el rea de la figura hay que usar la frmula del clculo de reas
Por lo tanto
CONDICIONALES
181
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
PROBABILIDAD ACUMULADA 2
182
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
PROBABILIDAD ACUMULADA 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 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
Si
a) La causa 1 es continua
b) La causa 2 es discreta
CASO 1
183
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
EL PARMETRO
184
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
DEMOSTRACIN DE LA DETERMINACIN DE
RESULTADOS
CAUSA 1 CONTINUA
CAUSA 2 DISCRETA
Donde
Reemplazando
Recordando que
Donde
185
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
1ra integral
Tenemos que
Con lo cual
2da integral
Tenemos que
Donde
186
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Recordando que
Tambin
Reemplazando
Como
Luego
Por lo cual
187
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Por lo tanto
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
188
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
EJERCICIO
Poblacin inicial
189
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
CAUSA 1 DISCRETA
Lo cual implica que no pudo actuar la tasa absoluta de fallecimiento. Es absolutamente independiente
de la causa 2
CAUSA 2 CONTINUA
190
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Luego
CASO 2
CAUSA 1 DISCRETA
191
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
CAUSA 2 CONTINUA
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 TEORA RICARDO GABRIEL AMARILLA
CASO 3
CAUSA 1 DISCRETA
CAUSA 2 CONTINUA
193
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Luego
Proporcin de
personas que Proporcin Proporcin
son eliminadas
de personas de personas
por la causa 2
que son que son
eliminadas eliminadas
por la causa por la causa
2 2 Total de fallecidos por la
Proporcin
de personas causa1 y causa 2 entre las
que son edades se
eliminadas Proporcin mantienen constantes
de personas Proporcin
por motivo
que son de personas
de la la
eliminadas que son
causa 1 con
por motivo eliminadas
de la la por motivo
causa 1 con de la la
causa 1 con
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 RICARDO GABRIEL AMARILLA
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
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
Por lo cual
195
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
(69,65%)
(30,35%)
CASO 2
Los parmetros
196
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
Donde
197
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Lo cual implica que del total de eliminados entre las edades , la proporcin ocurri a la edad
y la restante proporcin a la edad .
FORMULA DE LA PROBABILIDADES
CAUSA CONTINA
CAUSA DISCRETA
CASO 3
198
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Los parmetros
Los parmetros
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 RICARDO GABRIEL AMARILLA
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
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 RICARDO GABRIEL AMARILLA
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
Por lo cual
201
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Por lo tanto
Donde
Donde
Por lo tanto
202
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Luego
Tenemos que
203
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
Donde
Donde
Luego
Le restamos
Por lo tanto
204
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Por lo tanto
Donde
Donde
Por lo tanto
Por lo tanto
Por lo tanto
Ya que
205
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Tambin
Por lo tanto
Por lo tanto
Luego
206
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Como
Recordando el nexo
Reemplazando
Tambin
Por lo cual
Recordando que
207
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Reemplazando
Si recordamos que
Hacemos distributiva
Si dividimos y multiplicamos por y recordando de supuestos fraccionarios que bajo DUF la L censal es
igual a
Recordando que
PRIMERA ECUACIN
208
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Si igualamos
SEGUNDA ECUACIN
Haciendo distributiva
TERCERA ECUACIN
209
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
CUARTA ECUACIN
210
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Proporcin de
personas sanas las
cuales se denomina
ACTIVOS.
POBLACIN
TOTAL CON
EDAD X
Proporcin de
personas invlidas la
cuales se denomina
INVALIDOS
ANLISIS DE UN PERIODO
GRUPO DE GRUPO DE
ACTIVOS INVLIDOS
212
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 TEORA RICARDO GABRIEL AMARILLA
214
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde la aa
Sobrevivir como activo implica sobrevivir como activo
hasta la edad entre las edades .
+ Donde la ai
implica ser a la edad
Sobrevivir como invalido activo y luego en algn
hasta la edad momento volverse invlido y
sobrevivir hasta la edad
+
Fallecer como invalido a la Donde la ai
implica ser a la edad
edad activo y luego en algn
momento volverse invlido y
fallecer a la edad
=
ACTIVOS con edad X
Donde la ii implica
Sobrevivir como invalido ser a la edad invalido y
hasta la edad sobrevivir hasta la edad
INVALIDOS CON EDAD X
+
Donde la ii
Fallecer como invalido a implica ser a la edad
invalido y fallecer a la edad
la edad
=
INVALIDOS con edad
X
215
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
PROBABILIDADES
Punto de partida Escenarios posibles
++
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
=
1
216
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
CONJUNTO DE VIVOS
INVLIDOS
Proporcin de activos
que no se invalidan
Personas
invalidas con vida a la edad
ACTIVOS CON EDAD X
que fueron activas a
la edad x
Personas
Sobrevivir como invalido invalidas con vida a la edad
INVALIDOS CON EDAD X hasta la edad que fueron invlidas
a la edad x.
CONJUNTO DE MUERTE
217
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Escenarios posibles
Punto de partida CONJUNTO DE MUERTE
DE LOS INVLIDOS
Personas que
Fallecer como invalido a fueron invlidas a la edad x
INVALIDOS CON EDAD X la edad y fallecieron a la edad
.
PROBABILIDAD
Probabilidad de que una persona de edad x activa sobreviva con independencia del estado.
218
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Cantidad de activos de
edad x que no se Sobrevivir como activo Fallecer como activo a la
invalidan hasta la edad edad
+
=
ACTIVOS con edad X ACTIVOS con edad X
PROBABILIDAD DE FALLECER
Probabilidad de que una persona de edad x activa no alcance con vida la edad con independencia
del estado.
219
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Cantidad de activos de
edad x que no llegan con Fallecer como invalido a la Fallecer como activo a la
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
220
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Cantidad de activos de
edad x que se invalidan
Sobrevivir como invalido
hasta la edad
+
=
ACTIVOS con edad X ACTIVOS con edad X
221
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
1. Activo
2. Invalido
3. Fallecido
Donde
Donde
Entonces
222
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Converge en el largo plazo a un estado de absorcin, lo cual implica que todos van a fallecer.
223
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
1. Activo
2. Invalido
3. Fallecido activo
4. Fallecido invlido
Donde
Luego para
Reemplazando
Si se cumple que
Luego
Hay dos estados de absorcin, uno en el cual fallecen todos los activos y otro en el cual fallecen todos los
invlidos.
224
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Que son los fallecidos a la edad habiendo sido activos a la edad x, pero en este caso sin importar
el estado que lo hace.
Por lo cual
Donde
Es la probabilidad de que una persona que fue activo a la edad x fallezca a la edad sin importar la
causa.
Donde
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 RICARDO GABRIEL AMARILLA
OTRA RELACIN
Donde
Por lo cual
226
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Con
ACTIVOS
Se invalida
2 CAUSAS DE ELIMINACIN
Invalidez: Pasa al grupo de invlidos 1 CAUSAS DE ELIMINACIN
Muerte: Pasa al grupo de fallecidos Muerte: Pasa al grupo de fallecidos
En la Tabla de Decremento Mltiple En la Tabla de Decremento nico
tenemos . Tambin tenemos
tenemos la Tabla de Decremento nico
Asociada y por lo tanto y
227
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Probabilidades
0 Tiempo
228
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
PRIMER INTERVALO
229
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Primero debe llegar partiendo de activo a la edad x hasta justo un instante antes de la edad como
activo
EN
SEGUNDO INTERVALO
PRIMER INTERVALO 0
Primero debe llegar partiendo de activo a la edad x hasta justo un instante antes de la edad como
activo
EN
SEGUNDO INTERVALO
230
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
PRIMER INTERVALO 0
Primero debe llegar partiendo de activo a la edad x hasta justo un instante antes de la edad como
activo
EN
SEGUNDO INTERVALO
Esta implcito que se sobrevive a invalidez y muerte por lo tanto es una probabilidad total
231
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Recordando
Luego reemplazando m
Recordando
Luego reemplazando m
RESULTADOS
DUF
BALDUCCI
FORMULAS
232
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
233
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Ley de Moivre
Enunciado, transformacin y
Ordenada al origen
Pendiente
Obtenemos
Demostracin de
234
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Con lo cual
Demostracin de
Demostracin de
Demostracin de
Demostracin de
Luego
235
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Demostracin de
236
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Donde
237
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Ley de Dormoy
Enunciado, transformacin y
Con
Demostracin de
Con lo cual
Demostracin de
Demostracin de
238
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Luego
Demostracin de
Demostracin de
239
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Demostracin de
240
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Ley de Dormoy
Enunciado
Transformacin
Resolviendo
241
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si renombramos
Demostracin de
Por lo cual
Demostracin de
Demostracin de
Demostracin de
242
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
243
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
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 de
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.
244
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
245
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Reemplazando
Ley de Dormoy
Enunciado
Transformacin
Resolviendo
246
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si renombramos
Demostracin de
Por lo cual
Demostracin de
Demostracin de
Demostracin de
247
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
248
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
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 de
Como la integral
249
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 de
Si recordamos que
Luego
Reemplazando
250
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Tambin
Por lo cual
Reemplazando
Ley de Gompezt
Enunciado
Donde
Es la resistencia a fallecer
251
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Se obtiene
Obtenemos
Transformacin
Resolviendo
Luego obtenemos
Demostracin de
252
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Demostracin de
Demostracin de
Demostracin de
Obtenemos que
Demostracin de
Recordando que
253
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Calculamos su derivada
Recordando que
Reemplazando
Demostracin de
Demostracin de
Demostracin de
254
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 de
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.
255
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Como
Obtenemos
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
256
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Reemplazando
Ley de Makeham
Enunciado
Transformacin
Resolviendo
257
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego obtenemos
Resolviendo la integral
Si lo multiplicamos por -1
Demostracin de
Por lo cual
Demostracin de
258
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Obtenemos que
Demostracin de
Demostracin de
259
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
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
260
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
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 de
261
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
Reemplazando
262
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Ley de Makeham
Enunciado
Transformacin
Resolviendo
Luego obtenemos
Resolviendo la integral
Si lo multiplicamos por -1
263
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Por lo cual
Demostracin de
Demostracin de
Demostracin de
264
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Obtenemos que
Demostracin de
Demostracin de
Demostracin de
265
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
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 de
266
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 de
Si recordamos que
Luego
267
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Reemplazando
Tambin
Por lo cual
Reemplazando
Ley de Lazarus
Enunciado
Transformacin
268
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Resolviendo
Luego obtenemos
Resolviendo la integral
Si lo multiplicamos por -1
Demostracin de
269
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Demostracin de
Demostracin de
Demostracin de
Obtenemos que
270
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Demostracin de
Demostracin de
Como la integral
271
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 de
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
272
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
Por lo cual
273
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Reemplazando
Ley de Sang
Enunciado
Transformacin y
Demostracin de
274
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Demostracin de
Demostracin de
Recordando que
Calculamos su derivada
275
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Demostracin de
276
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Demostracin de
Demostracin de
Si recordamos que
Luego
Reemplazando
Tambin
277
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Reemplazando
Ley de Weirbull
Enunciado
Transformacin y
278
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Resolviendo
Luego obtenemos
Demostracin de
Demostracin de
Demostracin de
Demostracin de
279
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
280
De Moivre Dormoy Dormoy Dormoy
Enunciado Con
Transformacin
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Gompezt Makeham
Enunciado con
Transformacin
282
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Makeham Lazarus
Enunciado
Transformacin
283
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Sang Weirbull
Enunciado
Transformacin
284
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
GOMPEZT
MAKEHAM
LEYES
DORMOY
DORMOY
GOMPEZT
MAKEHAM
LEYES
MAKEHAM
LAZARUS
285
INFERENCIA ESTADSTICA
Se buscan hallar estimadores de las siguientes funciones biomtricas:
A partir de los datos mustrales, es decir, de la informacin que nos brindan, extraer estimaciones de las
funciones biomtricas.
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.
1. No paramtrico
2. Paramtrico
3. 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 RICARDO GABRIEL AMARILLA
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
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.
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 RICARDO GABRIEL AMARILLA
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
Dependiendo del plan observacional se tendr informacin completa o incompleta, este ltimo es lo ms
habitual como mencionamos arriba.
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.
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
288
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
289
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
CENSURAS Y TRUNCAMIENTOS
NO INFORMATIVA
ALEATORIA
INFORMATIVA
CENSURA POR LA
DERECHA
TIPO
CENSURA 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.
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 RICARDO GABRIEL AMARILLA
INICIO DEL
EJE DE TIEMPO
PROCESO LOS DATOS QUE SE UTILIZAN E INTERESAN SON LAS
DURACIONES DE CADA PERSONA
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.
291
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
292
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
PARTE DE LA DERECHA
NO OBSERVADA DE LA
PERSONA 3
EJEMPLO DE LA ECONOMA
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 RICARDO GABRIEL AMARILLA
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.
TIEMPO
Momento del tiempo dentro del plan observacional (3 aos) en que se produjo la censura
CANTIDAD
CENSURA DE TIPO
295
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 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 RICARDO GABRIEL AMARILLA
Inicio del periodo Momento del tiempo en donde Final del periodo de
de observacin la persona i es censurada observacin
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.
Inicio del periodo Momento del tiempo en donde Final del periodo de
de observacin la persona i es censurada observacin
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 RICARDO GABRIEL AMARILLA
INICIO DEL
EJE DE TIEMPO
PROCESO
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
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 RICARDO GABRIEL AMARILLA
OCURRE EL EVENTO DE
INICIO DE LAS OBSERVACIN FINAL DE LAS OBSERVACIN
INTERES EN ESTE CASO
DE LOS DATOS DE LOS DATOS
OBTENER LA ENFERMEDAD.
Esta fecha es incierta
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.
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
EJEMPLO
Una investigacin actuarial en donde slo se conoce el ao calendario del fallecimiento pero no el
momento exacto en donde ocurri el deceso.
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 RICARDO GABRIEL AMARILLA
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
VARIABLE ALEATORIA
Pero si
CANTIDAD
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 RICARDO GABRIEL AMARILLA
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
Inicio del periodo Momento del tiempo Y en donde la Final del periodo de
de observacin persona i ingresa al grupo de observacin
observacin INGRESO TARDI
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
Luego
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 RICARDO GABRIEL AMARILLA
TOTAL DE PACIENTES
CON CANCER DE TODAS
LAS ZONAS QUE SE HAN
OPERADO EN EL AO DEL
GRUPO DE PERSONAS INICIO DE LA
CON CANCER QUE SE OBSERVACIN
HAN OPERADO Y
VIVEN EN LA ZONA DE
OBSERVACIN
Inicio del periodo Momento del tiempo en donde la Final del periodo de
de observacin persona i se muda a la zona de observacin
observacin e ingresa al grupo de
observacin INGRESO TARDI
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.
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 RICARDO GABRIEL AMARILLA
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
TIEMPO EN
QUE OCURRE Evento de inters CENSURA NMERO DE EXPUESTOS AL
EL EVENTO FALLECIMIENTO RIESGO
DE INTERES
TOTAL
Como as tambin que pueden ms de un fallecimiento en cada momento del tiempo , esto es lo que nos
dice
303
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde , nos est diciendo un instante antes de . Como vemos le hemos puesto una raya como
gorro a j
RESULTADO FINAL
Luego
304
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
305
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Donde
Por lo tanto
Como vemos
Como vemos
Tambin
306
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego
Donde
Por lo tanto
Donde
Si cancelamos obtenemos
Donde
Por lo tanto
307
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Por lo tanto
1. Hacer el
2. Calcular la derivada primera
308
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Derivamos con respecto a uno de los tanto que hay por lo tanto el resto de los trminos se anulan
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 RICARDO GABRIEL AMARILLA
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.
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 RICARDO GABRIEL AMARILLA
Donde
Tambin
0,8
0,6
0,4
0,2
311
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Luego
Por propiedad de la suma de varianzas de variable aleatoria independientes como es el supuesto que
hacemos
Reemplazamos
312
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Donde
Por lo tanto
Donde
Reemplazando
Si cancelamos
Reemplazando nuevamente
Donde
Despejamos de la ecuacin
313
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Luego
314
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Por lo tanto
Donde
315
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
ESTIMADOR DE KAPLAN-MEIER
Por lo tanto
RELACIN IMPORTANTE 1
Donde
Por lo tanto
RELACIN IMPORTANTE 2
Donde
316
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
317
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
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:
318
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
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
Donde
Por lo tanto
319
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
Donde
Por lo tanto
Por lo cual
320
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
FUNCIN DE VEROSIMILITUD
321
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
Se tiene que
Por lo tanto
EJEMPLO
DATOS
322
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
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
Donde
HALLAR
RESOLUCIN
Si aplicamos D.U.F
Reemplazando
323
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Resolvemos
Si renombramos
Luego
PERIODO DE OBSEVACIN
1 AO
324
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
PROPIEDAD 2
PROPIEDAD 3: BALDUCCI
En este caso
PROPIEDAD 4
Reemplazamos
Por la PROPIEDAD 1
325
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por LA PROPIEDAD 2
Por la PROPIEDAD 3
Por la PROPIEDAD 4
Distribuimos la suma
Recordando que la variable puede tomar solo dos valores, 1 si la persona fallece o 0 si la persona no
fallece.
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
326
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
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
327
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Para ambos tipos de casos. La intencin es mostrar el concepto que se busca exponer con ms claridad.
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 .
Donde
328
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
MODELO DE POSSON
INFORMACIN COMPLETA
ESTIMACIN DE MXIMA VEROSIMILITUD
Datos agrupados
Hay que recordar que el dominio de una variable aleatoria es igual a
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 RICARDO GABRIEL AMARILLA
VARIABLE ALEATORIA
Nmero de fallecimientos
DISTRIBUCIN DE POISSON
Donde
NMERO DE OBSERVACIONES EN UN AO
N personas
Tenemos que
330
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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:
ESTIMACIN
Existen N vidas homogneas e independientes entre las edades
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).
DEFINICIN DE LA VARIABLE
DEFINICIN DE LA VARIABLE
La observacin finaliza a la edad para la persona i, por causa del evento de inters FALLECER.
CAUSAS DE SU SALIDA
LA CAUSA QUE OCURRA DEL ESTUDIO
PRIMERO, ES EN
DEFINITIVA, EL MOTIVO DE CUMPLE LA EDAD .
LA SALIDA DEL ESTUDIO
TIEMPO DE ESPERA
DISTRIBUCIN CONJUNTA DE
Si
Luego
Si
FORMULA GENERAL
Donde
333
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Si
Se tiene que
LA ESPERANZA MATEMTICA
VARIANZA
LA ESPERANZA MATEMTICA
Si
Si
334
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo tanto
VARIANZA
Donde
335
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Despejamos
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 RICARDO GABRIEL AMARILLA
En definitiva
INTERVALO DE CONFIANZA
DISTRIBUCIN ASINTOTICA DE
Si tomamos la ecuacin de probabilidad total
Luego multiplicamos por a ambos miembros en la bsqueda de que nos quede la siguiente expresin
337
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Luego multiplicamos por a ambos miembros en la bsqueda de que nos quede la siguiente expresin
Donde
Considerar que
Se tiene luego
Entonces
Por lo cual
Para tenemos
Tambin
Luego
338
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Entonces
EJEMPLO
DATOS
HALLAR
RESOLUCIN
1.
Si
Por lo tanto
Si
Recordando
Por lo tanto
339
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
2.
3.
Si
Por lo tanto
Si
Recordando
4.
Por lo tanto
340
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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.
ENFOQUE 1
EDAD A LA QUE SE
COMIENZA LA
SE COMIENZA A OBSERVAR A LA PERSONA i OBSERVACIN
DESDE ESTE MOMENTO
341
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
ENFOQUE 2
EDAD A LA QUE SE
COMIENZA LA
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.
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 aos tanto para el
ENFOQUE 1 como para el ENFOQUE 2.
342
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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 RICARDO GABRIEL AMARILLA
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 DISCRETA-
DISCRETA, pero, eventualmente podamos tener CONTINUA-DISCRETA.
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 RICARDO GABRIEL AMARILLA
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
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.
OBJETIVO
Nuestro objetivo es estimar la tasa de riesgo base y el vector de coeficientes .
346
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Donde
FUNCIN DE SUPERVIVENCIA
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.
347
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
348
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
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
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.
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 RICARDO GABRIEL AMARILLA
DISTRIBUCIN DE BASE
DESCONOCIDA
ESTIMACIN
MTODO DE ESTIMACIN
FUNCIN DE MXIMA
OBTENER
VEROSIMILITUD PARCIAL
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 RICARDO GABRIEL AMARILLA
Para los anlisis que siguen continuamos con el ejemplo con que iniciamos la seccin
Debemos obtener la funcin de densidad, pero, nosotros conocemos la funcin de densidad base que es
dato.
Por lo cual
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
Si reemplazamos
351
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Con este cambio de variable se puede trabajar con la distribucin exponencial para hacer las cuentas
Las censuras las tenemos en cuenta en la contribucin de la funcin de verosimilitud. En nuestro caso las
censuras son
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 RICARDO GABRIEL AMARILLA
CENSURA
Donde
EVENTO DE INTERS
RESULTADOS
TASAS DE RIESGO GENERAL
Donde
Donde
MEDIA
Tenemos que la MEDIA de una distribucin exponencial es igual a
353
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual
Parte 1
Parte 2
El mtodo permite estimar de manera separada los coeficientes de la TASA DE RIESGO BASE.
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 RICARDO GABRIEL AMARILLA
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
La probabilidad de que fallezca el individuo del cual estemos tratando dentro de un grupo de es
igual como dijimos a
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
355
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
CONDICIN CONTRIBUCIN A
ORDEN DE TIEMPO HASTA EL SEXO DE LA DE FUMADOR LA FUNCIN DE
OCURRENCIA FALLECIMIENTO PERSONA i DE LA VEROSIMILITUD
EN DIAS PERSONA i PARCIAL
1 1 0
2 1 0
3 0 0
4 0 0
5 0 0
6 0 1
7 + 0 1
8 + 1 1
9 1 1
10 + 0 1
356
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Para obtener
Recordar que
Hacer esto a mano es muy complicado, es necesario hacerlo con el Solver del Excel.
1. Calcular
2. Calcular
357
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
4. Hay que cambiar el signo del resultado anterior e realizar la inversa del resultado
5. Armar la matriz de VARIANZAS-COVARIANZAS
Para poder hacer la estimacin debemos hallar la TASA DE RIESGO BASE ACUMULADA , ya
que, como hacamos con NELSON AALEN
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 ocurre una sola vez por cada momento excepto en el
momento
358
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
TIEMPO
HASTA EL
FALL. EN DIAS
TIEMPO
HASTA EL
FALL. EN DIAS
359
BIOMETRA ACTUARIAL TEORA RICARDO GABRIEL AMARILLA
Por lo cual podemos calcular la funcin de supervivencia de los otros grupos en base a la siguiente
relacin
360