ctica

Informe de pra

C
alculo de factores de mejoramiento
para mortalidad chilena

Autor:

Supervisor:

Luis Z
un
iga

Cristian Concha

informe de practica I,II y III

8 de mayo de 2015

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

Probabilidad de que una persona muera de edad x en el tiempo t

xt

Fuerza de mortalidad

qxt

tasa bruta de mortalidad, valor observado de qxt

qxt

tasa de mortalidad ajustada

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

Los datos que se usar

an provienen de la informacion enviada por las compa
nas de
seguros del segundo grupo, que operan o han operado con los seguros previsionales
establecidos en el D.L. N3.500, de 1980, seg
un lo instruido por la Circular N 1194. Esta
informaci
on pas
o la validaci
on fsica y de consistencia logica o presentan una excepci
on
a alguna regla de validaci
on l
ogica, de todas las compa
nas de vida, ya sean aseguradoras
o reaseguradoras, es de acceso p
ublico y se puede encontrar en el portal de la SVS. La
informaci
on de causantes y beneficiarios se separa en tres tipos:
De control(Registro tipo 1): Contiene informacion que permite identificar el
perodo hasta el cual se informaron las polizas y el total de registros, tanto de
p
olizas como de beneficiarios, que se grabo en el archivo. Cabe se
nalar que solo se
informa un registro de este tipo y corresponde al primer registro del archivo.
De detalle por p
oliza(registro tipo 2):Contiene informacion acerca de cada
p
oliza, entendiendo por p
oliza el siniestro de invalidez o de sobrevivencia o la poliza
de renta vitalicia, asociada a un mismo afiliado causante.
De detalle por afiliado y beneficiario (registro tipo 3):Contiene informaci
on
acerca del afiliado causante y de cada beneficiario en lo que respecta a los datos
propios de cada uno.
3

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

Finalmente podemos resumir los antecedentes del estudio como:

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.

Si el fecha de inicio de estudio es el 01/02/1993 y la fecha de termino de estudio es el

02/02/1996, podemos calcular la exposicion al riesgo central de un individuo nacido en
el 11/10/1973 con p
oliza vigente al 05/10/1988 y que ademas se mantiene vivo todo
el estudio. Para calcular la edad de inicio y la edad de termino debemos dividir los
meses por 12(n
umero de meses que tiene un a
no) y los das por 365.25 (n
umero de das
promedio que tiene un a
no), en efecto

Edad de inicio = 01/02/1993 11/10/1973

= 1993 1973 + (2 10)/12 + (1 11)/365,25
= 19, 30595
Edad de termino = 02/02/1996 11/10/1973
= 1996 1973 + (2 10)/12 + (2 11)/365,25
= 22, 30869
E c = Edad de termino Edad de inicio
= 22, 30869 19, 30595
= 3, 00274

Tambien podemos calcular la exposicion al riesgo por a

no, como el perodo de estudio
tiene una duraci
on de 3 a
nos, entonces podemos calcular la exposicion central en x =
0, 1, 2, 3 usando la siguiente funcion

c
Ex =

[Edad de inicio] + 1 Edad de inicio

si x = 0

si [Edad de termino] [Edad Inicial] > x > 0

Edad de termino [Edad de termino]

si [Edad de termino] [Edad Inicial] = x > 0

si 0 < [Edad de termino] [Edad Inicial] < x

Pr
actica 1

Donde [] denota la parte entera de un n

umero.
Procedemos a calcular las exposiciones por a
no
E0c = [Edad de inicio] + 1 Edad de inicio = [19, 3059] + 1 19, 3059 = 0, 6941
E1c = 1
E2c = 1
E3c = [Edad de termino] Edad de termino = 22,30869 [22, 30869] = 0,30869
Para corroborar los c
alculos,verificamos que E c = Exc en efecto,

E0c + E1c + E2c + E3c = 0, 6941 + 1 + 1 + 0,30869 = 3, 00274 = E c

Otra manera de estimar las tasas de mortalidad es usar las exposicion al riesgo inicial,
esta difiere de la exposici
on central en las personas que fallecen antes del termino del
estudio, ya que contar
a toda la exposicion del a
no de la muerte, la exposicion central
cuenta hasta el da del fallecimiento. Si pensamos en el mismo individuo anterior agregando el hecho de que fallecera el 05/06/1995, entonces podemos repetir los calculos
anteriores
Edad de inicio = 01/02/1993 11/10/1973
= 1993 1973 + (2 10)/12 + (1 11)/365,25
= 19, 30595
Edad de termino = 05/06/1995 11/10/1973
= 1995 1973 + (6 10)/12 + (5 11)/365,25
= 21, 65023956
E c = Edad de termino Edad de inicio
= 21, 65023956 19, 30595
= 2, 34428956
calculamos las exposiciones por a
no,
E0c = [Edad de inicio] + 1 Edad de inicio = [19, 3059] + 1 19, 3059 = 0, 6941
E1c = 1
E2c = [Edad de termino] Edad de termino = 21, 65023956 [21, 65023956] = 0,6502
E3c = 0
E0c + E1c + E2c + E3c = 0, 6941 + 1 + 0,6502 + 0 = 2, 3443 = E c

Pr
actica 1

Y podemos usar esto para calcular las exposiciones iniciales por a

no, notando que el a
no
de muerte x = 2 ser
a contado en su totalidad, o sea
E0i = [Edad de inicio] + 1 Edad de inicio = [19, 3059] + 1 19, 3059 = 0, 6941
E1i = 1
E2i = 1
E3i = 0
E0i + E1i + E2i + E3i = 0, 6941 + 1 + 1 + 0 = 2, 6941 = E i
De lo anterior podemos deducir lo siguiente,

[Edad de inicio] + 1 Edad de inicio

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

Para una edad determinada, la division del n

umero de fallecimientos observados en el
estudio por la exposici
on al riesgo central entrega un estimador de , o de la tasa central
de muerte, m, y al dividir el n
umero de fallecimientos por la exposicion al riego inicial
se obtiene un estimador de q.
Si se denota el n
umero observado de muertes de edad x por Ax o por A cuando no
existen problemas de confusi
on. Para la misma edad x, se denota por Exc a la exposici
on
central de individuos de esa edad y por Exi , a la exposicion inicial, entonces se tienen los
siguientes estimadores:

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

qxt = qx+1 ,t+2

0 < 1 < 1, 0 < 2 < 1,

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)

Desarrollo del Modelo

El modelo clasico usado para estimar x , x y t es

ln(
xt ) = x + x t + xt

(3.3)

para x = x1 , x2 , ..., xm y t = t1 , t2 , ..., tn , donde

xt denota las fuerzas de mortalidad
brutas. xt es un termino de error con media 0 y varianza 2 que refleja las influencias
historicas no capturadas en el modelo. Para estimar los parametros vamos a mnimizar
el error, la funci
on objetivo que corresponde a mnimos cuadrados es
xm

tn

xt ) x x t )2
S = (ln(

(3.4)

x=x1 t=t1

Para efectuar la minimizaci

on vamos a derivar con respecto a x y igualar a 0
tn

tn

t=t1

t=t1

xt ) = (tn t1 + 1)x + x t
ln(

luego podemos usar las condiciones planteadas anteriormente, obteniendo la siguiente

condici
on
x =

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

Ahora vamos a crear la matriz ln

xt x , en efecto

Z = ln()

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

1 v1 ut1 , de lo cual se deduce que

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

definen un proceso estocastico. Esta formulacion no presenta problemas

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.

Desarrollo Del Modelo

Asumiendo que tenemos informacion de las tasas brutas para un conjunto de a

nos t =
t1 , t2 , ..., tn y un conjunto de edades x = x1 , x2 , ..., xm . En base a estas observaciones,
vamos a estimar el intercepto 1t y la pendiente 2t .Esto puede ser realizado por mnimos
cuadrados, mediante el siguiente modelo de regresion

ln(

qxt
[1]
[2]
) = t + t x + xt
1 qxt

(3.7)

Donde xt es termino de error independiente y normalmente distribuida, con media 0 y

varianza 2 . La funci
on objetivo correspondiente es
xm

tn

S = (
x=x1 t=t1

qxt
[1]
[2]
t t x)2
1 qxt

(3.8)
[1]

esta debe ser minimizada para cada a

no calendario t, entregandonos los parametros t
[2]

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

Para el modelo de Cairns-Blake-Dowd se proyectan los ndices 1t y 2t usando regresiones

lineales, o sea

1t = m1 t + b1
2t = m2 t + b2
A continuaci
on se calculan los factores de mejoramiento.

4.0.2.

Factores de mejoramiento

Los factores de reducci

on son una herramienta ampliamente utilizada en la practica
actuarial para proyectar la mortalidad. En este enfoque, la probabilidad de muerte a la
12

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,

qxt = qxt0 RFx (t t0 )

donde el factor RFx (t t0 ), llamado factor de reduccion, captura la mejora de la mortalidad a la edad x para el perodo (t0 , t). En su forma mas simple la extrapolaci
on
mediante factores de reducci
on supone que la probabilidad de muerte es una funci
on
exponencial del a
no calendario. Esto es, qxt = qxt0 rxtt0 . En el contexto de pensiones los
factores de reducci
on son normalmente estimados a partir de informacion historica de
mortalidad poblacional, y luego ajustados para reflejar las diferencias entre la poblaci
on
general y la poblaci
on de pensionados. Las probabilidades de muerte proyectadas son
calculadas haciendo rx = 1

AAx
100 ,

obteniendo la expresion

tt0
AAx
qx,t = qxt0 (1
)
100

(4.1)

Donde AAx denota el factor de mejoramiento anual(en porcentajes) para la edad x y

finalmente despejando en la expresion (1,1) tenemos que
= 100 1 ( qx,t )
AAx
qxt0

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

propios ed A. La idea es generalizar esto a matrices no cuadradas para eso vamos a

dar algunas definiciones y teoremas omitiendo su demostracion, el siguiente teorema le
dara sentido a la descomposici
on,

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

valores propios no nulos de la matriz, ordenados de mayor a menor. Entonces i = i

es el i-esimo valor singular de la matriz AAt
Teorema A.0.2. Una SVD de A es una factorizacion del tipo A = U V T con U Rmm ,
V Rnn y Rmn una matriz formada con los valores singulares de A en su diagonal
principal ordenados de mayor a menor.
Antes de pasar a explicar la construccion del SVD, vamos a dar un u
ltimo teorema,
14

Apendice A. Descomposici
on En Valores

15

Teorema A.0.3. Sea A Rnm , entonces existe una SVD de A.

La descomposici
on se realiza de la siguiente manera, sean v1 , v2 , . . . vr una base ortonormal formada por los vectores propios asociados a los valores singulares no nulos de AAT .
Luego definimos los vectores ui de la siguiente manera

u1 =

Av1
Av2
Avr
, u2 =
, . . . , ur =
1
2
r

Con lo que definimos las componentes de la descomposicion de la siguiente manera

U = [u1

ur ]T

V = [v1

vr ] T

0 0

0 0

0 0

0 0

0 0

Donde a ui y vi se le llaman vectores singulares por la izquierda y por la derecha,

respectivamente.
Ejemplo 1.

.Si A =

asociados

0 0

9 0

cuyos autovalores son 1 = 81 y 2 = 9

0 9 , entonces A A =

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

1 = 81 = 9 2 = 9 = 3. Observamos que, efectivamente, la cantidad de Valores

Singulares no nulos coincide con el rango de la matriz. Ahora buscamos los vectores
{u1 , u2 , u3 } con ui R3 , que deberan cumplir
Av1 = 1 u1
Av2 = 2 u2
Av3 = 0R3

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

compuesta por los Valores Singulares ordenados es,

9 0

= 0 3

0 0

Por lo tanto la DVS de A es:

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