Beruflich Dokumente
Kultur Dokumente
Informe de pra
C
alculo de factores de mejoramiento
para mortalidad chilena
Autor:
Supervisor:
Luis Z
un
iga
Cristian Concha
i
Datos Alumno
Nombre: Luis Z
un
iga
C
edula de identidad : 17229166-k
Carrera : Ingeniera Matem
atica
Facultad: Ciencias
UNiversidad: Universidad de Santiago de Chile
Cargo de Pr
actica: Analista actuarial
Area:
Actuario
Datos Empresa
Raz
on Social: Metlife
Rut:99289000-2
Ubicaci
on: Agustinas 640,Santiago
Indice general
Symbols
III
1. Introducci
on
1.1. Motivaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2. Pr
actica I
2.0.1. Obtenci
on y Validacion de Datos . . . . . . . . . . . . . . . . . . . .
2.0.2. C
alculo de tasas de mortalidad brutas qxt . . . . . . . . . . . . . . .
3
3
4
3. Pr
actica II
3.1. Modelo De Lee-Carter . . . . . .
3.1.1. Desarrollo del Modelo . .
3.2. Modelo De Cairns-Blake-Dowd
3.2.1. Desarrollo Del Modelo .
.
.
.
.
8
8
9
11
11
4. Pr
actica III
4.0.2. Factores de mejoramiento . . . . . . . . . . . . . . . . . . . . . . . .
12
12
A. Descomposici
on En Valores Singulares
14
Bibliografa
17
.
.
.
.
.
.
.
.
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Symbols
t
Tiempo
a
nos
Edad
a
nos
qxt
xt
Fuerza de mortalidad
qxt
qxt
Ext
n
umero de expuestos al riesgo en el tiempo t en la edad x
Dxt
N
umero de muertos observados en el tiempo t en la edad x
AAx
Factores de mejoramiento en el a
no x
iii
Captulo 1
Introducci
on
El ingeniero matem
atico se especializa en el uso de tecnicas avanzadas de la matematica
para modelar y resolver problemas complejos de Ingeniera y Ciencias. Su formaci
on
abarca las ecuaciones diferenciales , las probabilidades, la optimizacion y la programacion, entre otras. Estas herramientas le permiten traducir distintos tipos de problemas
a lenguaje matem
atico y resolvervelos con la ayuda de un computador.
Los estudiantes de esta carrera deben tener un acercamiento al mundo laboral, con
el objetivo de aplicar los conocimientos adquirido. Para ello se efect
uan 3 practicas
profesionales.En este caso las 3 practicas fueron realizadas en el ambito de los seguros,
en la empresa METLIFE. Metlife es una empresa de seguros, la cual se encuentra en
las mejores de dicha categora. Sus seguros ocupan los primeros lugares de calidad en el
mercado, son los primeros en seguros colectivos, los primeros en seguros masivos y los
terceros en individuales. En esta practica se me encargo la tarea de calcular unos valores
muy importantes en el c
alculo de pensiones de las rentas vitalicias, a estos valores se les
llama Factores de mejoramiento.
1.1.
Motivaci
on
La literatura actuarial m
as reciente reconoce el hecho de que la mortalidad evoluciona con el tiempo. Experiencias de mortalidad que corresponden a diferentes perodos
muestran diferentes probabilidades de muerte en la misma edad. Esto es apoyado por el
hecho de que la mortalidad se ha visto declinar gradualmente con el tiempo, a
un cuando
la disminuci
on no es necesariamente uniforme en todos los grupos de edad, esta declinacion es llamada Factor De Mejoramiento. Es importante ser capaz de medir como la
mortalidad cambia con el tiempo de manera precisa,por ello nuestro objetivo principal
1
Introducci
on
es el c
alculo de estos factores. En esta practica se usa el modelo de Lee-Carter(LC)
y Cairns-Blake-Dowd(CBD) , los cuales han sido muy difundidos en la literatura demogr
afica y actuarial, tanto teorica como aplicada. En cuanto a su aplicacion existe
evidencia emprica que muestra la efectividad de estos modelos, por ejemplo Lee-Carter
se aplic
o los Estados Unidos, donde se aplico en proyecciones referidas al equilibrio del
sistema de seguridad social, y en distintos pases de habla hispana como en Argentina(Belliard & Williams) y Espa
na(Debon,2006). .
Captulo 2
Pr
actica I
Para el c
alculo de los factores de mejoramiento se nos otorga una base de datos, esta
base debemos filtrarla con tal de aplicar los modelos y calcular las tasas de mortalidad
que ajustaremos con los modelos. Como primera parte de la practica 1 se muestra la
validaci
on y el c
alculo de las tasas de mortalidad.
2.0.1.
Obtenci
on y Validaci
on de Datos
Pr
actica 1
La base original cuenta con un total de 1291455 registros y abarca un perodo del 01 de
enero de 1981 hasta el 31 de diciembre del a
no 2013.
Para llevar a cabo el c
alculo de los factores, hemos considerado un perodo de 13 a
nos,
considerando una experiencia de mortalidad del 01 de Enero del 2000 hasta el 31 de
Diciembre del 2013. La elecci
on del perodo de observacion fue hecha pensando en que
nuestro perodo de observaci
on refleje la actualidad del pas de la u
ltima decada. No
consideraremos inv
alidos de ning
un tipo, debido a que estos reflejan una porcion muy
peque
na de la data. En el siguiente cuadro podemos resumir el grupo de observaci
on
elegido:
Hombres
Mujeres
Total
Sanos
561829
662712
1224541
Invalidos
19250
47664
66914
Total
581079
710376
1291455
Fuente de informaci
on: Circular N1194 al 30 de Junio de 2014.
Periodo de observaci
on de la Base : 01 de Enero de 1981 hasta el 31 de Diciembre
del 2013
Periodo de observaci
on analizado: 01 de Enero de 2000 hasta el 31 de Diciembre
del 2013
Grupos de Observaci
on:
- Causantes y beneficiarios hombres sanos
- Causantes y beneficiarias mujeres sanas
Agrupaci
on de Edades: Expuestos y siniestros fueron agrupados para la determinaci
on de tasas de mortalidad en perodos de 5 a
nos de edad.
A
no Base del Estudio: 2011
2.0.2.
C
alculo de tasas de mortalidad brutas qxt
Para calcular las tasas de mortalidad brutas, debemos hallar la exposicion al riesgo de
los individuos. La exposici
on al riesgo central, E c corresponde a la exposicion exacta al
riesgo, es decir la diferencia entre la edad de inicio de estudio y la edad de salida del
estudio. La edad de inicio se obtiene restando la fecha de inicio del estudio con la edad
de nacimiento del individuo.En caso de que el individuo contrate una poliza despues de
la fecha de inicio de estudio, entonces su edad de inicio de estudio correspondera a la
Pr
actica 1
fecha de vigencia de la p
oliza. En cambio la edad de salida del individuo corresponde a
la diferencia entre la fecha de termino del estudio y la edad de nacimiento. Si el individuo fallece en el transcurso del estudio, entonces su fecha de salida es su fecha de muerte.
c
Ex =
si x = 0
Pr
actica 1
Pr
actica 1
i
Ex = 1
si x = 0
si [Edad de termino] [Edad Inicial] x > 0
si 0 < [Edad de termino] [Edad Inicial] < x
Estas dos formas de medir la exposicion al riesgo son consistentes con las dos diferentes
hipotesis acerca del proceso de mortalidad y conducen a calcular dos tipos alternativos
de tasas de mortalidad:
1. la fuerza de mortalidad
2. q : la probabilidad de muerte
q=
A
Ei
A
Ec
Captulo 3
Pr
actica II
En esta etapa nos encontramos con algo mas conocido por los ingenieros matematicos,
los modelos matem
aticos. Como segunda practica se realiza la comprension y la aplicacion de los modelos de mortalidad. Estos modelos fueron programados en R,matlab y
Excel.
3.1.
Modelo De Lee-Carter
Lee y Carter en el a
no 1992 propusieron un modelo que describe los cambios en la
mortalidad en funci
on del tiempo y la edad. La primera suposicion que haremos es que
las fuerzas de mortalidad cumplen la siguiente condicion
Esto se puede interpretar como que las tasas de mortalidad son constantes en un rango
de tiempo y de edad. Bajo esta suposicion, la fuerza de mortalidad xt y el ndice de
mortalidad mxt coinciden. Lee y Carter especificaron que las fuerzas de mortalidad xt
siguen una distribuci
on log-bilineal, esto es
ln(xt ) = x + x t
(3.1)
La interpretaci
on de los par
ametros se puede ver de la siguiente manera: ex es la forma
general de la mortalidad y las tasas de mortalidad cambia acorde al parametro t , con lo
que se deduce que t implica el comportamiento tendencial(o nivel) de la mortalidad en
8
Pr
actica II
el tiempo, x da una medida de la fuerza con la que t afecta a cada grupo especifco de
una edad determinada.Otra condicion para los parametros con tal obtener una soluci
on
una soluci
on u
nica es que
x = 1, t = 0
x
3.1.1.
(3.2)
ln(
xt ) = x + x t + xt
(3.3)
tn
xt ) x x t )2
S = (ln(
(3.4)
x=x1 t=t1
tn
t=t1
t=t1
xt ) = (tn t1 + 1)x + x t
ln(
tm
1
xt )
ln(
tn t1 + 1 t=t1
As podemos partir deduciendo que x se puede estimar usando la media de los logaritmos.
Otra manera de ver esto, es la siguiente: si sumamos con respecto al tiempo todos los
valores entregados por (2,3), tenemos que
xt ) = x + t x + ext
ln(
t
= x = x T
t
Pr
actica II
10
Donde T es la cantidad de a
nos.
Para deducir los valores de t y x , estos salen del primer termino de una descomposici
on
de valores singulares(ver apendice A) de la matriz ln
xt x . Especificamente, las tasas
de mortalidad pueden ser agrupadas en la siguiente matriz de dimensiones (xm x1 +
1) (tn t1 + 1):
x1 t1
xm t1
x1 tn
xm tn
ln(
x1 t1 ) x1
ln(
xm t1 ) xm
ln(
x1 t1 ) x1
ln(
xm tn ) xm
Donde cada uno de los elementos de la matriz los denotaremos como zxt . Luego vamos
a obtener x y t son los resultados de la minimizacion de
tn
xm
S = (zxt x t )2
(3.5)
x=x1 t=t1
La soluci
on est
a dada por los valores descomposicion en valores singulares de Z. M
as
precisamente, vamos a definir la matriz cuadrada Z t Z de dimension (tn t1 +1)(tn t1 +1)
y ZZ t de dimensi
on (xm x1 + 1) (xn x1 + 1). Sea u1 el vector propio correspondiente
a el mayor valor propio de Z t Z. Sea v1 el vector propio asociado al mayor valor de ZZ t .
La mejor aproximaci
on de Z es
Z
As se deduce que t x =
=
1 v1 ut1
v1
xm x1 +1
v1j
j=1
xm x1 +1
1
v1j u1
j=1
(3.6)
m x1 +1
siempre que xj=1
v1j 0. Las condiciones impuestas en (2,2) son satisfechas por los
parametros x y t .
Pr
actica II
3.2.
11
Modelo De Cairns-Blake-Dowd
El an
alisis emprico suguiere que ln (qxt /pxt ) se puede aproximar mediante una regresi
on
lineal en un tiempo t fijo, excepto en edades menores. Usando este argumento Cairns en
el a
no 2006 asumi
o lo siguiente
ln(
[1]
donde t
[1]
y t
qxt
[1]
[2]
) = t + t x
1 qxt
de definici
on, por ello no necesita restricciones. El modelo de Cairns-Blake-Dowd tambien
se puede ajustar en fuerzas de mortalidad asumiendo que estas son independientes y
Poisson distribuidas, con una media igual al producto de la exposicion al riesgo central
y la cantidad de muertos, es decir, xt poisson(Ext qxt )
3.2.1.
ln(
qxt
[1]
[2]
) = t + t x + xt
1 qxt
(3.7)
tn
S = (
x=x1 t=t1
qxt
[1]
[2]
t t x)2
1 qxt
(3.8)
[1]
y t
. Notar que en el caso de Lee-Carter, donde los ndices t dependen del perodo
de obserbaci
on, los ndices del modelo de Cairns-Blake-Dowd se estiman de manera
separada para cada a
no calendario t.
Captulo 4
Pr
actica III
La tercera y u
ltima pr
actica consiste en calcular los factores de mejoramiento, para dicha
tarea debemos estimar los valores futuros de las tasas de mortalidad.Para el modelo de
Lee-carter usaremos una serie de tiempo autorregresiva de media movil (ARIMA) sobre
el par
ametro t .
Un modelo autorregresivo integrado de media movil o ARIMA es un modelo estadstico
que utiliza variaciones y regresiones de datos estadsticos con el fin de encontrar patrones
para una predicci
on hacia el futuro.El modelo ARIM A(p, d, q) tiene 3 parametros p, d, q,
que nos indican el orden de la parte autoregresiva, integrada y de media movil del modelo.
El modelo ARIM A(p, d, q) puede expresarse como
p
i=1
i=1
kt = (d kt kt ) + 0 + i d kti i ti + t
1t = m1 t + b1
2t = m2 t + b2
A continuaci
on se calculan los factores de mejoramiento.
4.0.2.
Factores de mejoramiento
Pr
actica III
13
edad x en un a
no calendario generico t esta relacionada con la probabilidad de muerte
a la edad x en un a
no base t0 (t > t0 ) mediante la siguiente expresion,
AAx
100 ,
obteniendo la expresion
tt0
AAx
qx,t = qxt0 (1
)
100
(4.1)
1
tt0
(4.2)
que es la expresi
on que usaremos para hacer el calculo de factores de mejoramiento.
Usando como a
no base el 2011 y las tasas de mortalidad futuras en el a
no t=2073
procedemos a calcular los factores de mejoramiento usando la expresion
= 100 1 ( qx,2073 )
AAx
qx,2011
1
t62
(4.3)
Se omite el colocar cifras, debido a que los factores de mejoramiento calculados en este
proyecto pertenecen a la empresa metlife.
Ap
endice A
Descomposici
on En Valores
Singulares
En algebra lineal, la descomposicion en valores singulares(Singular Value Descomposition) de una matriz real o compleja es una factorizacion de la misma con muchas
aplicaciones en estadstica y otras disciplinas. Recordemos un poco de nuestro curso
de algebra Lineal, sea una matriz A Rnn diagonalizable, esto nos dice que podemos
reescribir la matriz como A = P DP 1 ,con D matriz diagonal conformada por los valores
ex +x t
Teorema A.0.1. Sea A Rmn , los valores propios de la matriz cuadrada AAT Rnn
siempre son reales y positivos,y sus vectores propios asociados son ortogonales.
Al ser los valores propios reales y positivos tenemos orden y las races estaran bien
definidas, ahora tiene sentido dar la siguiente definicion,
Definici
on 1. Sean 1 , 2 , . . . , n 0 los valores propios de AAT , es decir los primeros
Apendice A. Descomposici
on En Valores
15
u1 =
Av1
Av2
Avr
, u2 =
, . . . , ur =
1
2
r
U = [u1
ur ]T
V = [v1
vr ] T
0 0
0 0
0 0
0 0
0 0
.Si A =
asociados
0 0
9 0
0
81
3 0
a los autovectores v1 = [0 1]T v2 = [1 0]T , respectivamente. Como la ma-
triz es simetrica, estos vectores son ortogonales,luego los Valores Singulares de A son
Apendice A. Descomposici
on En Valores
Esto es u1 =
Av1
1
= 19 [0
0]T = [0
16
0]T y u2 =
Av2
2
= 13 [0
3]T = [0
1]T .
Entonces completamos una base ortonormal de R3 con {[0 1 0]T , [0 0 1]T , [1 0 0]T }.
0 0 1
0 1
Y la matriz
As nuestras Matrices ortogonales son: U = 1 0 0 , V =
1 0
0 1 0
9 0
= 0 3
0 0
0 0 1 9 0
0
0 1
1 [0
A = 1 0 0 0 3
=
9
1 0
0 1 0 0 0
0
0
1] + 3 0 [1
1
Y la DVS Reducida es
0 0
9 0 0 1
A = 1 0
0 3 1 0
0 1
Observaci
on: No siempre ocurre que V = V T como en este caso.
0 0
0] = 0 9
3 0
Bibliografa
n,F. Montes y F. Puig, Modeling and forecasting mortality in Spain ,
[1] A. Debo
2006.
[2] R.D. Lee, R. Rofman Modeling and forecasting mortality in Chile , 1002.
[3] M. Belliard, I. Williams, Proyecci
on estoc
astica de la mortalidad. Una aplicaci
on
de Lee-Carter en Argentina ,2013.
[4] E. Pitacco, M. Denuit, S. Haberman, A. Olvieri , Modelling Longevity Dynamics for Pensions and Annuity Business, Oxford, 2009.
[5] SVS website : http://www.svs.cl/
[6] Monika Turyna, Thomas Hrdina, Calculating Interval Forecasts
http://
homepage.univie.ac.at/robert.kunst/pres09_prog_turyna_hrdina.pdf
17