Actuariales Tarea 3

UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA COMPUTACION
INGENIERIA ESTADISTICA
CIENCIAS ACTUARIALES:
TAREA NUMERO 3
Escrito por Yerko Carreno, Carolina Olmos y Katerine Ortega
Profesor: Luis Figueroa

Ayudante: Alejandra Lobos
Santiago de Chile 17 de octubre 2017

Indice
1. Introduccion 1
2. Funcion de sobrevivencia 2
3. Funciones biometricas basicas 2
4. Modelos de sobrevivencia/quiebra 3
4.1. Tasa instantanea de mortalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2. Fuerza de mortalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5. Modelos de sobrevivencia sobre base emprica: Tablas de mortalidad 4

5.1. Estimacion de x en el modelo emprico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6. Hipotesis para edades no enteras 6

6.1. Distribucion de Mortalidad Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6.2. Fuerza de Mortalidad Constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.3. Hipotesis de Balducci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7. Leyes de Mortalidad Poblacional 17

7.1. Ley de Moivre (1729) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2. Ley de Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3. Ley de Makeham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.3.1. Primera Ley de Makeham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.4. Ley de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7.5. Ley de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.6. Comparacion entre leyes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8. Conclusion 34
9. Anexos 36
9.1. Tabla de relaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
9.2. R Script . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1 INTRODUCCION 1
1. Introduccion
En este informe se aplicaran los conceptos manejados por todos los grupos (de la tarea numero 2) a lo
largo del curso.
Se aplicaran las tres hipotesis para edades no enteras a la tabla de mortalidad CB H 2014 (hombres), es
decir se aplicaran y compararan las hipotesis de distribucion de Mortalidad Uniforme, Fuerza de mortalidad
Constante y Balducci.
Ademas, con respecto a la misma tabla de mortalidad CB H 2014 (hombres), se aplicaran y compararan
mediante graficas las leyes de mortalidad poblacional de Moivre, de Gompertz, de Makeham, de Weibull
y Pareto. Los calculos efectuados en este trabajo se llevaron a cabo mediante Excel y R-Studio.
2 FUNCION DE SOBREVIVENCIA 2
2. Funcion de sobrevivencia
Sea X la edad de fallecimiento, en anos enteros1 , de un individuo. Esta variable puede tomar valores
de tal forma que X = x donde Rec(X) = {0, 1, 2, ...}. Si F(x) es la funcion de distribucion acumulada de
X, se define la funcion de sobrevivencia como:
S(x) = P(X > x) = 1 F (x) := x p0
La funcion de sobrevivencia es el complemento de F (x) y entrega la probabilidad de que un sujeto viva

mas de lo establecido, es decir, que sobreviva al instante x.
Algunas propiedades importantes de S(x) son:
S(0) = 1
lmx S(x) = 0
La probabilidad que un recien nacido fallezca entre las edades x e y, sobreviviendo a la edad actual
x es:
P(x < X < y) F (y) F (x) S(x) S(y) S(y)

P(x < X < y|X > x) = = = =1
P(X > x) S(x) S(x) S(x)
3. Funciones biometricas basicas

Estas funciones son primordiales para el calculo actuarial, pues entregan estimaciones sobre probabili-
dades de fallecimiento y sobrevivencia, lo que es de gran utilidad para calcular y obtener primas, reservas
y anualidades.
Sea
Tx (X) = X x con la restriccion X x
Donde Rec(T ) = {0, 1, 2, ...}.

De ahora en mas se utilizara la siguiente abreviacion:
p: probabilidad de sobrevivencia
q: probabilidad de mortalidad
De esta forma, se definen:

1
A pesar de que naturalmente es una variable aleatoria continua.
4 MODELOS DE SOBREVIVENCIA/QUIEBRA 3
La probabilidad de que un sujeto de edad x fallezca dentro de t anos.
t qx = P(T (x) t) = P(X x + t|X > x)
La probabilidad de que un sujeto de edad x sobreviva por lo menos t anos mas.
t px = P(T (x) > t) = P(X > x + t|X > x) = 1 t qx
En particular, x p0 = S(x).
La probabilidad de que un sujeto de edad x sobreviva t anos mas y fallezca en los n anos siguientes.
t/n qx = P(t < T (x) < t + n|X > x) = t/n qx t qx = t px n qx+t
4. Modelos de sobrevivencia/quiebra
Ahora, se denota como lo al numero de recien nacidos, donde cada recien nacido tiene asociada una
distribucion S(x). Si (x) es el numero de sobrevivientes a la edad x, se define lx = E((x)) como el
numero esperado de sobrevivientes a la edad x.
De esta manera se tiene que (x) es una variable aleatoria con distribucion Binomial de parametros
son l0 (numero de intentos) y S(x) probabilidad de exito.
Y el numero esperado de sobrevivientes a la edad x se define como:
lx = E[(x)] = N p = l0 S(x)
De forma analoga si n x es el numero de fallecimientos entre las edades x y x + n entre los l0 iniciales
y n dx = E(n x ) es el numero esperado de fallecimientos entre estas edades, entonces:

lx lx+n
n dx = l0 (S(x) S(x + n)) = l0 = lx lx+n
l0 l0
De esto se puede concluir que de cada l0 recien nacidos, n dx fallecen antes de n anos (posteriores a x).
4.1. Tasa instantanea de mortalidad
Dado que qx es el porcentaje anual de fallecimientos, y este valor vara para cada edad x, es de interes
medir su variacion instantanea. Para esto se considera la probabilidad de que una persona fallezca entre x
y x + x, dado que sobrevive a la edad x:
F (x + x) F (x)
P(x < X x + x|X > x) =
1 F (x)
5 MODELOS DE SOBREVIVENCIA SOBRE BASE EMPIRICA: TABLAS DE MORTALIDAD 4
Y si x es suficientemente pequeno, se tiene que:

F 0 (x)x f (x)x
P(x < X x + x|X > x)
= =
1 F (x) 1 F (x)
Es decir, la probabilidad de que un individuo de edad x fallezca en el instante x posterior es propor-
cional a la duracion de ese instante con el coeficiente de proporcionalidad siguiente:
f (x)
1 F (x)
A esta expresion se le denomina la fuerza de mortalidad.
4.2. Fuerza de mortalidad
Se representa con x , y es en definitiva una medida de la intensidad de la mortalidad a la edad x, para

los individuos que han alcanzado esa edad. Entonces2
f (x) S 0 (x) l0
x = = = x
1 F (x) S(x) lx
5. Modelos de sobrevivencia sobre base emprica: Tablas de

mortalidad
En los puntos anteriores se estudiaron los fundamentos probabilsticos de la mortalidad y las probabi-
lidades mas relevantes que se derivan de dichos fundamentos. Sin embargo, tambien se pueden construir
modelos de fallecimientos/quiebra sobre una base emprica a partir de los datos estadsticos relativos a la
mortalidad como registros civiles, censos, etcetera, de la siguiente manera:
En base a una poblacion inicial l0 se definen:
dx = lx qx
x1
X
lx = lx1 dx1 = l0 di
i=1
Donde:
lx : es el numero de sobrevivientes a la edad x.
dx : es el numero de fallecimiento a la edad x.
qx : es la probabilidad de fallecimiento a la edad x.
Las tablas de mortalidad contiene valores tabulados que corresponden a estimaciones de parametros
de sobrevivencia y mortalidad de una poblacion obtenidas a partir de datos demograficos de nacimientos
y defunciones.
2
Se puede estimar mediante tablas de mortalidad.
5 MODELOS DE SOBREVIVENCIA SOBRE BASE EMPIRICA: TABLAS DE MORTALIDAD 5
5.1. Estimacion de x en el modelo emprico
Cuando lx viene dado por una tabla de mortalidad y no se conoce su distribucion de probabilidad, los
valores de x pueden estimarse como:
1 1 lx1
bx = {lnlx1 lnlx+1 } = ln{
}
2 2 lx+1
Donde la exponencial de la fuerza de mortalidad de x es la razon entre la funcion de sobrevivencia del ano
previo y la funcion de sobrevivencia del ano proximo.
6 HIPOTESIS PARA EDADES NO ENTERAS 6
6. Hipotesis para edades no enteras

Considerando las variables t e y tales que 0 < t < 1 y 0 < y < 1 t, respectivamente. Entonces interesa
estudiar x + t, edad que se encuentra dentro del intervalo ]x, x + 1[.
Figura 1: [5] R. G. Amarilla; Biometra Actuarial, Teora; Universidad de Buenos Aires; 2012; pagina 112.
Existen diferentes tipos de interpolaciones:
1. Distribucion de mortalidad uniforme: Esta hipotesis supone que las defunciones se distribuyen
uniformemente a lo largo del ano x. Utiliza una interpolacion lineal de la funcion se sobrevivencia.
2. Fuerza de mortalidad constante: Bajo esta hipotesis se supone que la fuerza de mortalidad es
constante a lo largo del ano x. Utiliza una interpolacion exponencial de la funcion de sobrevivencia.
3. Balducci: Bajo esta hipotesis se supone que la funcion de sobrevivencia adopta una forma hiperboli-
ca. Utiliza una interpolacion armonica de la funcion de sobrevivencia.
A continuacion se aplicaran las tres hipotesis para edades no enteras a la tabla CB-H-2014 (hombres),
tratandose de pensionados por vejez y beneficiarios no invalidos de pension de sobrevivencia 3 .
3
Resolucion 162 del 20 de noviembre del 2015 de la Superintendencia de Valores y Seguros, que se encuentra disponible,
junto a otras tablas, en el siguiente sitio Web:
http://www.svs.cl/normativa/ncg_398_2015.pdf
6.1. Distribucion de Mortalidad Uniforme
Se asume que el numero de fallecidos sigue una distribucion uniforme en el intervalo [x, x + t]. En base
a esto, se realiza una interpolacion lineal de la funcion de sobrevivencia y de esta forma, se tiene:
(1) s(x + t) = (1 t)s(x) + ts(x + 1)

(2) lx+t = lx tdx
(3) t qx = tqx
(4) t px = 1 tqx
(5) qx = t px x+t
qx
(6) x+t = 1tqx
Considerando que t = 12 , se calculo una tabla de mortalidad bajo la distribucion de mortalidad Uniforme.
6.2. Fuerza de Mortalidad Constante
Al considerar este supuesto, se tiene:
(1) s(x + t) = s(x)ex t

(2) lx+t = ex t lx
(3) x+t = x
(4) t qx = 1 (px )t
(5) t px = (px )t
1
(6) px = (t px ) t
A continuacion se puede observar la tabla de mortalidad bajo el supuesto de Fuerza de Mortalidad

Constante.
6.3. Hipotesis de Balducci
Bajo este contexto , se tiene:
lx lx+1
(1) lx+t = tlx +(1t)lx+1
tqx
(2) t qx = 1(1t)qx
yqx
(3) y qx+t = 1(1yt)qx
qx
(4) x+t = 1(1t)qx
px qx
(5) t px x+t = (1(1t)qx )2
s(x)s(x+1)
(6) s(x + t) = ts(x)+(1t)s(x+1)
A continuacion se muestra la tabla de mortalidad bajo la hipotesis de Balducci.

Para comparar los resultados obtenidos con los tres metodos para edades no enteras, se utilizaran
distintos tipos de graficos.
Figura 2: Fuerza de mortalidad x+t
En la figura 2 se puede apreciar el grafico de la fuerza de mortalidad, donde el color negro corresponde
a la Distribucion de Mortalidad Uniforme, color verde corresponde a Fuerza de Mortalidad Constante y
color Rojo corresponde a Hipotesis de Balducci. Se puede notar que las tres curvas son casi identicas. Por
lo tanto, utilizando los tres metodos diferentes se llega a casi la misma estimacion de la intensidad de
mortalidad.
Figura 3: Funcion de sobrevivencia S(x + t)
Lo mismo sucede con la funcion de sobrevivencia S(x + t) (figura 3), donde con los tres metodos
existentes se obtuvieron curvas casi identicas.
En el unico aspecto que difiere un metodo es en la curva de fallecimientos o densidad esperada, la

cual representa el numero esperado de fallecidos a la edad x para la cantidad inicial de 100000 individuos.
Nuevamente color negro corresponde a D. M. Uniforme, verde a F. M. Constante y rojo a H. Balducci. De
esta misma forma, se pueden apreciar los boxplot correspondientes a D. M. Uniforme, F.M. constante e H.
Balducci, respectivamente.
Figura 4: Numero esperado de fallecidos a la edad x (lx+t x+t )
(a) curva de fallecimientos (b) Boxplot lx+t x+t
En base a ambas graficas, se puede notar una subestimacion por parte del modelo planteado con el
metodo de Fuerza de Mortalidad Constante, donde, entre las edades 85.5 y 87.5 se estima que habra una
menor cantidad de fallecimientos.
Para lograr una mejor ilustracion de las diferencias entre los tres metodos, se hara una estimacion de
la probabilidad de fallecer y de la fuerza de mortalidad entre las edades de 85 y 86 anos.
De esta forma, en la figura 5 se puede observar la grafica de t qx (probabilidad de fallecer dentro de t

anos, si ya se cumplieron x anos), donde el color negro corresponde a Distribucion de Mortalidad Uniforme,
color verde es la Fuerza de Mortalidad Constante y color rojo corresponde a la Hipotesis de Balducci.
Figura 5: Probabilidad de fallecer dentro de t anos, si ya se tiene x anos (t qx )
El metodo que entrega estimaciones de la probabilidad de fallecer mas altas es el metodo de Balducci,
seguido de la Fuerza de Mortalidad Constante y, por ultimo, se encuentra la Distribucion de Mortalidad
Uniforme. Esto significa que el metodo que entrega un peor pronostico en cuanto a la probabilidad de
fallecer es la interpolacion armonica (Balducci).

Lo mismo se puede observar en los diagramas de caja para cada metodo, donde el que presenta los
valores mas altos es el metodo de Balducci, seguido de Mortalidad Constante y finalmente Uniforme.
Figura 6: Boxplot de t qx para cada metodo
En la siguiente grafica se presenta la fuerza de mortalidad x+t para el M. Uniforme (negro), M. Constante
(verde) e H. Balducci (Rojo) entre las edades x = 85 y x + 1 = 86.
7 LEYES DE MORTALIDAD POBLACIONAL 17
7. Leyes de Mortalidad Poblacional

Existen distintas leyes de mortalidad poblacional, las cuales se crearon con el objeto de lograr describir
la mortalidad en una poblacion, por medio de distintas maneras de modelamiento de la sobrevivencia.
7.1. Ley de Moivre (1729)
Bajo esta ley se asume que la funcion de sobrevivencia es una funcion lineal de la edad y por medio de
esto se postula que el numero esperado de sobrevivientes es de la forma:
l0
lx = a + bx donde a = l0 , b =
w
Considerando a w como la maxima edad en la poblacion.

De esta forma, se tiene:
x

(1) lx = l0 1 w
0xw
l0
(2) dx = w
constante
1
(3) x = wx
x
(4) s(x) = 1 w
(5) n px = 1 nx
(6) n qx = nx
Para comenzar a realizar la tabla de mortalidad en base a la Ley de Moivre, en primer lugar se debe
obtener los valores de las constantes a y b. Tomando en cuenta que la cohorte inicial es de l0 = 100000 y
que la edad maxima es de 110 anos, se obtiene:
a = l0 = 100000
l0 100000
b= = = 909,0909
w 110
Tabla de mortalidad bajo Ley de Moivre:

En la figura 7 se puede observar el grafico del numero esperado de sobrevivientes lx bajo el modelo
emprico (color negro) y bajo la Ley de Moivre (color rojo). Ademas, tambien se presentan los correspon-
dientes boxsplot para el modelo emprico y bajo la Ley de Moivre, respectivamente.
Figura 7: Numero esperado de sobrevivientes lx
Se puede notar que el valor de lx bajo Ley de Moivre no se ajusta a los datos y en los boxsplot se puede
apreciar que bajo esta ley se produce una subestimacion de la cantidad de sobrevivientes (a partir de los
90 anos aproximadamente, se produce una sobreestimacion del numero de sobrevivientes).
Figura 8: Fuerza de Mortalidad x
Nuevamente se puede notar que el modelo bajo la ley de Moivre no se ajusta adecuadamente a los
datos (Figura 8), existiendo una leve sobreestimacion hasta aproximadamente los 75 anos y a partir de esa
edad en adelante se produce una subestimacion de la fuerza de mortalidad. Asimismo, en los boxplot se
puede observar que de ambas formas la mayor cantidad de edades contemplan fuerzas de mortalidad bajas
y bajo el metodo de Moivre los datos estan menos dispersos.
7.2. Ley de Gompertz

1
Bajo esta ley se considera una medida de resistencia a la muerte x
en funcion de una medida de
propension a la muerte, que es la fuerza de mortalidad x . Asumiendo que la resistencia decae de forma
constante, se plantea la siguiente ecuacion, que se puede interpretar como un modelo lineal simple:
.ln(x ) = c0 + hx = 0 + 1 x
Para obtener los valores de c y h (o bien de 0 y 1 ), se plantea un modelo lineal mediante el software
estadstico R-Studio, de la siguiente forma:
ln(x ) = c0 + h Edad
Resultando las estimaciones:

c0 = 0 = 9,410290
h = 1 = 0,080526
= ec0 = 0,0000818772
Con esto, se pueden obtener las respectivas estimaciones de y c, parametros que serviran para la
obtencion de las funciones biometricas.
= e/h = e0,000082/0,0805 = 0,9989837
c = eh = e0,0805 = 1,083857
En esa lnea, las funciones biometricas son:
(1) x = (eh )x = ln()ln(c)cx

x 1
(2) lx = l0 c
x 1
(3) s(x) = c
Tabla de mortalidad bajo Ley de Gompertz:

(a) Fuerza de Mortalidad (b) Boxplot F. Mortalidad
(c) Funcion de sobrevivencia (d) Boxplot F. Sobrevivencia
Figura 9: Funciones biometricas bajo Ley de Gompertz
En la Figura 9-a se aprecia la grafica de la fuerza de mortalidad bajo la ley de Gompertz (rojo) versus
x (negro) y en la figura 9-b se observan sus respectivos boxplot. La curva con metodo de gompertz se
adapta mejor que los metodos anteriores a la fuerza de mortalidad a pesar de que existen subestimaciones
a partir de los 80 anos aproximadamente.
Las figuras 9-c y 9-d hacen referencia a la funcion de sobrevivencia, donde nuevamente la curva bajo
la Ley estudiada se adapta bastante a S(x) a pesar de existir leves subestimaciones y sobreestimaciones.
En el boxplot se puede notar que bajo el metodo de Gompertz la dispersion de S(x) es levemente mayor.
7.3. Ley de Makeham
Makeham, enuncia dos leyes de mortalidad con las cuales pretende considerar un factor no integrado
en una ley anterior establecida por Gompertz, el cual asume que cada individuo presenta una resistencia
decreciente con los anos a las enfermedades y a fallecer de manera natural, es decir, haciendo crecer la
fuerza de mortalidad a traves de cada ano cumplido. Se representa de la siguiente manera
x = BC x con B > 0, C > 1
Segun lo anterior, la hipotesis que esta ley establece postula que la mortalidad se debe, en parte a causas
naturales, factor creciente con la edad; y en parte a causas accidentales, factor constante.
7.3.1. Primera Ley de Makeham
Se incorporan a la ley de Gompertz los riesgos por fallecimientos fortuitos o accidentales que podran
ocurrir, los cuales son independientes de la edad. Para esto, anade una nueva constante adicional A,
considerando as que la muerte de un individuo puede estar determinada tanto por el azar como por una
resistencia a la muerte. Lo anterior, se plantea en el siguiente modelo:
x = A + BC con B > 0, C > 1, A > B
Donde las funciones biometricas para esta ley son:
x 1
(1) lx = l0 hx g c con g < 1, h < 1, c > 1, 0 x < +
cx 1 x (c1)
(2) dx = l0 hx g (1 h c )
x ct 1
(3) x = ln(h) ln(g)ln(c)cx = ht g c
x 1
(4) s(x) = hx g c
x n
(5) n px = hn g c c 1
R + x t
(6) ex 0 = 0 ht g c c 1
En Gompertz se tena que:
lnx = hx + c x = e0,080526x9,410290
con
C = eh = e0,0805 = 1,083857
B = e9,410290 = 0,0000818772
B 0,0000818772 e1,083857
=e h =e 0,0805 y g = e ln(0,0805) = 0,3093528
Es decir se tena el modelo: x = 0,0000818772 1,083857x , sin embargo Makeham plantea que a este
modelo se le debe sumar una variable A que tiene que cumplir que A > B o sea, A > 0,0000818772.
Por lo que para efectos practicos se tomara A = 0,00008 por lo que el modelo para esta ley sera
x = 0,00008 + 0,0000818772 1,083857x
Por lo que se obtiene el siguiente grafico para x
Se puede apreciar que la fuerza de mortalidad bajo esta ley se ajusta a los datos, a pesar de existir una
lee subestimacion.
7.4. Ley de Weibull
Bajo este supuesto, se supone que la fuerza de mortalidad es una funcion de potencia de la edad,
es decir, de la forma x = kxr para algunas constantes k, r positivas. En este contexto, la funcion de
k+1
sobrevivencia es de la forma S(x) = erx , x > 0 donde k =

y r = 1.
Ahora, los parametros y se estiman por el metodo de maxima verosimilitud en base a la tabla de
mortalidad y como no es posible realizar un sistema de ecuaciones con las derivadas parciales, se utilizara
metodos numericos para obtener los coeficientes y , para lo cual se implementa un codigo en el software
estadstico R-Studio4 .
Entonces, se tiene que = 1,667449 y = 61,497690. De lo anterior se puede obtener k = 0,001734689
y r = 0,667449 y, de esta forma, es posible obtener las funciones biometricas:
x 1,667449
(x) = 0,001734689x0,667449 , S(x) = e( 61,497690 )
Tabla de mortalidad bajo Ley de Weibull:
4
Se encuentra adjunto en Anexos.
En la figura 10-a se puede observar la grafica de la fuerza de mortalidad en relacion con el x bajo el
metodo convencional donde la curva bajo la Ley de Weibull es mucho menos dispersa, siendo todas las
probabilidades de muerte menores al 10 %. Por lo mismo, y con el objetivo de apreciar mejor la fuerza
de mortalidad con la Ley de Weibull, en la figura 10-b se aprecia el mismo grafico, sin embargo, solo se
muestran probabilidades entre 0 y 0,05. Claramente la curva generada por esta ley no se ajusta de forma
adecuada a los datos.
Figura 10: grafica de x
(a) Fuerza de Mortalidad (b) Zoom Fuerza de Mortalidad
(c) Boxplot Fuerza de Mortalidad

En la Figura 11-a se encuentra la funcion de sobrevivencia y en la Figura 11-b su respectivo boxplot.

Nuevamente la estimacion bajo la Ley de Weibull no se ajusta de forma adecuada a los datos, produciendose
subestimaciones para la mayora de la edades y a partir de los 90 anos aproximadamente se genera una
sobreestimacion de la funcion de sobrevida. Ademas en el boxplot se puede notar que S(x) tiene la mayor
concentracion de probabilidades cercanas a 1, mientras que con la Ley de weibull las probabilidades de
cada edad se comportan de forma mas dispersa, concentrandose mas en probabilidades mas bajas (entre
0.2 y 0.5 aproximadamente).
Figura 11: Funcion de sobrevivencia
(a) S(x) (b) Boxplot S(x)

7.5. Ley de Pareto
Considerando que X sigue una distribucion pareto de parametros (b, a), se pueden obtener los estima-
dores maximos verosmiles:
bbmv = min{xi } donde x > b
n
amv = Pn
b
i=1 [ln(xi ) ln(bbmv )]
donde,
(1) x = a(b + x)1

b a

(2) s(x) = 1 F (x) = x
En el caso particular de la tabla CB-H-2014, las edades van desde 0 a 110 anos, por consiguiente se
tiene que bbmv = 0, sin embargo, si se considera desde la edad cero, puede entorpecer los calculos siguientes.
De esta forma se considerara que
bbmv = 1
Para el calculo de b
amv se debe desarrollar la siguiente expresion
110 110
amv = P110
b = 0,2681
i=1 [ln(xi ) ln(1)]
410,3228
Una vez conocidos los valores de las estimaciones de a y b, se puede obtener la funcion de sobrevivencia
y la fuerza de mortalidad bajo la Ley de Pareto.
Figura 12: Funcion de Sobrevida S(X)
En la figura numero 7 se puede notar que la funcion de sobrevivencia emprica (color negro) y bajo la ley
de Pareto (rojo) no se ajustan adecuadamente. Lo mismo se puede observar con los boxplot, donde se puede
notar que la mayor cantidad de datos Pareto estan por debajo de los datos bajo el metodo convencional.
Ademas, se puede notar que las probabilidades mas pequenas bajo el metodo convencional son menores a
10 por ciento, mientras que bajo la Ley de Pareto, las probabilidades de sobrevida mas bajas son del orden
del 30 %.
7.6. Comparacion entre leyes
Por ultimo se hara una comparacion entre leyes respecto de la fuerza de mortalidad x y la funcion
de sobrevivencia S(x).
Figura 13: Fuerza de Mortalidad
En base a las fuerzas de mortalidad que se obtuvieron, las leyes que mejor se ajustan a la tabla de
mortalidad de hombres C-B-H 2014 son la Ley de Gompertz y la Ley de Makeham. Por otra parte, las leyes
de Moivre, Weibull y Pareto provocan que la fuerza de mortalidad sea subestimada en gran medida, donde
la ley que mas subestima la intensidad de fallecimiento es la Ley de Pareto, que concentra la totalidad de
sus datos en probabilidades muy bajas.
Figura 14: Funcion de sobrevivencia
En la figura 14 se pueden apreciar los boxplot de la funcion de sobrevivencia S(x) para cada ley
estudiada, siendo la que mejor se ajusta a los datos la Ley de Gompertz (a pesar de tener una leve
subestimacion).
Las leyes de Moivre y Weibull claramente presentan una subestimacion de la funcion de sobrevivencia
y al mismo tiempo se observa que no presentan una mayor concentracion de datos en probabilidades altas
de sobrevivir (entregan un peor pronostico de la supervivencia).
Por ultimo, la ley de Pareto es la que menos se ajusta a los datos, existiendo una clara subestimacion
de ellos, y tambien se puede senalar que las probabilidades de superviencia obtenidas con esta ley se
encuentran mas concentradas en edades mas bajas (a diferencia de S(x) emprica, que se concentra en
probabilidades mas altas).
8 CONCLUSION 34
8. Conclusion
En este informe se aplicaron las tres hipotesis para edades no enteras a la tabla de mortalidad CB H
2014 (hombres), es decir se aplicaron y compararon las hipotesis de distribucion de Mortalidad Uniforme,
Fuerza de mortalidad Constante y Balducci.
De lo anterior se observo que si se compara la fuerza de mortalidad bajo las tres hipotesis entre la
edad mnima y maxima de la tabla, 0 y 110 respectivamente, las curvas se comportan de manera casi
identica. Dandose este mismo fenomeno en la curva de la funcion de sobrevivencia y la curva de cantidad
de fallecidos.
Para solucionar lo anterior, y poder ver una diferencia observable, se hizo una estimacion de la pro-
babilidad de muerte y de la fuerza de mortalidad entre las edades 85 y 86, que fue donde, en la curva de
cantidad de fallecimientos, se observo mayor diferencia.
De esto se concluye que el metodo que entrega mas estimaciones mas altas es el metodo bajo hipotesis
de Balducci, seguido por el metodo bajo hipotesis de fuerza de mortalidad constante y por ultimo, el
metodo bajo hipotesis de dsitribucion uniforme de la fuerza de mortalidad.
Tambien con respecto a la misma tabla de mortalidad CB H 2014 (hombres), se aplicaron y
compararon las leyes de mortalidad poblacional de Moivre, de Gompertz, de Makeham, de Weibull y de
Pareto.
Con respecto a la Ley de mortalidad de Moivre se observo que el valor de lx bajo Ley de Moivre no se
ajusta a los datos y que se produce una subestimacion de la cantidad de sobrevivientes a partir de los 90
anos aproximadamente.
Tambien, se pudo observar que de ambas formas la mayor cantidad de edades contemplan fuerzas de
mortalidad bajas y bajo el metodo de Moivre los datos estan menos dispersos.
Con respecto a la Ley de Gompertz La curva con metodo de Gompertz se adapto mejor que los
metodos anteriores a la fuerza de mortalidad a pesar de que existen subestimaciones a partir de los 80
anos aproximadamente. Ademas, se puede notar que bajo este metodo la dispersion de S(x) es levemente
mayor.
Con respecto a la Primera Ley de Makeham se puede decir que la curva de la fuerza de mortalidad
bajo esta ley tiene comportamiento similar a la fuerza de mortalidad emprica hasta los 85 anos aproxima-
damente. De ah en mas, bajo esta ley la fuerza de mortalidad esta siendo subestimada.
Con respecto a la Ley de Weibull se puede concluir que no se ajusta bien a la distribucion emprica
de la fuerza de mortalidad, ya que esta solo estima los paramatros de la distribucion Weibull a partir del
rango de edad. por lo cual los parametros no se ajustan de manera correcta.
8 CONCLUSION 35
Con respecto a la funcion de sobrevivencia, tampoco se ajusta de manera adecuada, ya que subes-
tima la sobrevivencia en gran parte del tiempo, produciendose una sobrestimacion pasados los 90 anos
aproximadamente.
Con respecto a la Ley de Pareto se pudo observar que la funcion de sobrevivencia emprica y bajo
funcion de sobrevivencia bajo la ley de Pareto, pues se noto que la mayor cantidad de datos Pareto estan
por debajo de los datos bajo el metodo convencional. Ademas, se puede notar que las probabilidades
mas pequenas bajo el metodo convencional son menores a 10 %, mientras que bajo la Ley de Pareto, las
probabilidades de sobrevida mas bajas son del orden del 30 %.
En sntesis, de las leyes estudiadas, el modelo que mejor se ajusto a los datos fue el modelo de Gompertz,
a pesar de existir leves subestimaciones o sobreestimaciones de las funciones biometricas.
9 ANEXOS 36
9. Anexos
9.1. Tabla de relaciones

9 ANEXOS 37
9.2. R Script
9 ANEXOS 38
9 ANEXOS 39

Actuariales Tarea 3

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Actuariales Tarea 3

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD DE SANTIAGO DE CHILE

DEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA COMPUTACION

Escrito por Yerko Carreno, Carolina Olmos y Katerine Ortega

Profesor: Luis Figueroa

Santiago de Chile 17 de octubre 2017

3. Funciones biometricas basicas 2

5. Modelos de sobrevivencia sobre base emprica: Tablas de mortalidad 4

6. Hipotesis para edades no enteras 6

7. Leyes de Mortalidad Poblacional 17

S(x) = P(X > x) = 1 F (x) := x p0

La funcion de sobrevivencia es el complemento de F (x) y entrega la probabilidad de que un sujeto viva

P(x < X < y) F (y) F (x) S(x) S(y) S(y)

3. Funciones biometricas basicas

Donde Rec(T ) = {0, 1, 2, ...}.

De esta forma, se definen:

La probabilidad de que un sujeto de edad x fallezca dentro de t anos.

t qx = P(T (x) t) = P(X x + t|X > x)

La probabilidad de que un sujeto de edad x sobreviva por lo menos t anos mas.

t px = P(T (x) > t) = P(X > x + t|X > x) = 1 t qx

t/n qx = P(t < T (x) < t + n|X > x) = t/n qx t qx = t px n qx+t

4.1. Tasa instantanea de mortalidad

Y si x es suficientemente pequeno, se tiene que:

4.2. Fuerza de mortalidad

Se representa con x , y es en definitiva una medida de la intensidad de la mortalidad a la edad x, para

5. Modelos de sobrevivencia sobre base emprica: Tablas de

5.1. Estimacion de x en el modelo emprico

6. Hipotesis para edades no enteras

Existen diferentes tipos de interpolaciones:

6.1. Distribucion de Mortalidad Uniforme

(1) s(x + t) = (1 t)s(x) + ts(x + 1)

6.2. Fuerza de Mortalidad Constante

Al considerar este supuesto, se tiene:

(1) s(x + t) = s(x)ex t

A continuacion se puede observar la tabla de mortalidad bajo el supuesto de Fuerza de Mortalidad

6.3. Hipotesis de Balducci

Bajo este contexto , se tiene:

A continuacion se muestra la tabla de mortalidad bajo la hipotesis de Balducci.

Figura 2: Fuerza de mortalidad x+t

Figura 3: Funcion de sobrevivencia S(x + t)

En el unico aspecto que difiere un metodo es en la curva de fallecimientos o densidad esperada, la

Figura 4: Numero esperado de fallecidos a la edad x (lx+t x+t )

(a) curva de fallecimientos (b) Boxplot lx+t x+t

De esta forma, en la figura 5 se puede observar la grafica de t qx (probabilidad de fallecer dentro de t

Figura 5: Probabilidad de fallecer dentro de t anos, si ya se tiene x anos (t qx )

fallecer es la interpolacion armonica (Balducci).

Figura 6: Boxplot de t qx para cada metodo

7. Leyes de Mortalidad Poblacional

7.1. Ley de Moivre (1729)

Considerando a w como la maxima edad en la poblacion.

Tabla de mortalidad bajo Ley de Moivre:

Figura 7: Numero esperado de sobrevivientes lx

Figura 8: Fuerza de Mortalidad x

7.2. Ley de Gompertz

Resultando las estimaciones:

= e/h = e0,000082/0,0805 = 0,9989837

En esa lnea, las funciones biometricas son:

(1) x = (eh )x = ln()ln(c)cx

Tabla de mortalidad bajo Ley de Gompertz:

(a) Fuerza de Mortalidad (b) Boxplot F. Mortalidad

(c) Funcion de sobrevivencia (d) Boxplot F. Sobrevivencia

Figura 9: Funciones biometricas bajo Ley de Gompertz

7.3. Ley de Makeham

7.3.1. Primera Ley de Makeham