ANÁLISE DE SOBREVIVÊNCIA/

TÁBUAS DE MORTALIDADE

Professor: Dani Gamerman

Instituto de Matemática – UFRJ
Sala 121E do bloco C do CT
email: dani@im.ufrj.br
Tel: (21) 2562 7911
acd.ufrj.br/~dani

Para obter material do curso: ir na homepage acima, versão em Portugues,

para a seção de Ensino e clicar no curso

Referência básica do curso:

Capítulos 3 (tábuas de mortalidade) e 18 (teoria de populações) de
Actuarial Mathematics, de Bowers Jr, N.L., Gerber, H.U., Hickman, J. C.,
Jones, D. A e Nesbitt, C. J., publicado pela Society of Actuaries em 1986.
1
 CONTEÚDO

 Distribuição de Sobrevivência e Tábuas de Mortalidade

1. Função de sobrevivência
2. Força (taxa) de mortalidade
3. Relações entre F(x), f(x), S(x) e (x)
4. Relações de funções de sobrevivência com tábuas de mortalidade
5. Outras funções de tábuas de mortalidade

 Leis de mortalidade
 Tipos de tábuas de mortalidade: seleta, final e agregada
 Inferência em tábuas de mortalidade: estimadores de px e mx
 Dinâmica de populações (diagrama de Lexis)
 Sequências de tábuas de mortalidade (previsão) 2
 Planejamento do curso

DIA (CH) TEMAS RECURSOS

27/06 2 Apresentação do curso e introdução Datashow e PC
04/07 2 Elementos básicos de análise de sobrevivência Datashow e PC
11/07 2 Força de mortalidade Datashow e PC
18/07 2 Relações de funções de sobrevivência com tábuas Datashow e PC
25/07 2 Aplicações com tábuas de mortalidade reais Datashow e PC
01/08 2 Outras funções de tábuas de mortalidade Datashow e PC
08/08 2 Aplicações de força central de mortalidade Datashow e PC
15/08 2 Leis de mortalidade Datashow e PC
22/08 2 Tipos de tábuas: seleta, final, agregada Datashow e PC
29/08 2 Inferência em tábuas de mortalidade Datashow e PC
05/09 2 Dinâmica de populações e sequência de tábuas Datashow e PC
12/09 2 Revisão e tirada de dúvidas final Quadro-negro
12/09 2 Prova final

 Avaliação

A avaliação será com base em

• trabalhos feitos ao final de cada aula (peso 40%)
• uma prova final (peso 60%). 3
 Distribuição de Sobrevivência e Tábuas de Mortalidade

1. Função de sobrevivência

X – tempo de vida ou idade na morte (variável contínua)

F(x) = P(X  x) , para x  0 - função de distribuição de X

S(x) = 1 - F(x) = P(X > x) , para x  0 - fç de sobrevivência de X

Observe que F(0) = 0 e S(0) = 1.

i) A probabilidade de morte entre x e z é

P(x < X  z) = F(z) - F(x) = S(x) - S(z)

4
ii) Tempo até a morte de uma pessoa com idade x.

Pessoa com idade x é denotada por (x).

Tempo de vida futuro de (x) é X-x, também denotado por T(x).

A probabilidade de morte entre x e z dado que já sobreviveu até a idade x é

P( X  x + t | X > x ) = P(x < X  x + t ) / P( X > x ) = 1 – S(x+t) / S(x)

Afirmações probabilísticas sobre T(x) utilizam a notação

t qx = P( T(x)  t) = P( T  x + t | T > x ), para t  0

t px = 1 - t qx = P( T(x) > t), para t  0

portanto
t qx
é a função de distribuição de T(x)
t px
é a função de sobrevivência de T(x).
5
Observe as seguintes relações

i) x p 0 = S(x)

ii) se t=1, tqx = qx = P( morte em 1 ano após x ) e

t px = px = P( sobrevivência a 1 ano após x )

Notação especial é usada para

t|uqx = P( t < T(x)  t + u ) = t+uqx - tqx ,

a probabilidade de (x) sobreviver t anos e morrer nos u anos seguintes.

Analogamente, se u=1, t|uqx = t|qx .

Temos ainda:

x+t p0 S(x + t)
t px = =
x p0 S(x)

S(x + t)
q
t x = 1 - S(x)
6
t|uqx = [ S(x+t) – S(x+t+u) ] / S(x) = tpx . uqx+t
Os seguintes eventos são de interesse

 P( X > x )

 P( x < T  x + t )

 P( x < T  x + t | X > x)

 P( T(x) > t )

 P( t < T(x)  t + u )

7
Tempo de vida futura encurtado (discretizado)

Tábuas de mortalidade são frequentemente apresentadas

com dados agrupados por anos inteiros.

Pode-se definir a variável discreta K(x),

dada pelo #anos completados por (x) antes de sua morte.

K(x) = parte inteira de T(x).

Assim, K(x) tem fç de probabilidade

P( K(x) = k ) = P( k < T(x)  k+1 ) = k|qx

A função de distribuição de K(x) é uma função escada (K(x) é discreta) com

F(k) = 0|qx + ... + k|qx = k+1qx , para k= 0, 1, 2, ..

Note que k|qx = kpx - k+1px

8
2. Força (taxa) de mortalidade

Sendo F(x) a função de distribuição de X, define-se

função de densidade de X por f(x) = F’(x),

F x + x -F(x)
isto é, lim
x0 x
= f(x) .

Seja agora:

F x  x - F(x) f(x) x

P(x < X  x + x | X > x) = 1- F(x) 
1- F(x)

Define-se a força de mortalidade de X como

f(x) -S'(x)
 x = 1- F(x) = S(x) . 9
Para cada idade x, a força de mortalidade fornece a probabilidade de morte

de X num pequeno intervalo após x, dada a sobrevivência até a idade x.

A força de mortalidade também é chamada (em análise de

sobrevivência/confiabilidade) de taxa de falha.

f(x) -S'(x)
Da relação  x = 1- F(x) = S(x) , temos que x = - [log S(x)]’.

Logo, F( x) = 1 - S(x) = 1 - e-0 sds e

x

a densidade f(x) = F’(x) = xp0 x .

A função de distribuição de T(x) é dada por G(t) = tqx

10
e sua densidade por g(t) = tpx x+t .
3. Relações entre F(x), f(x), S(x), (x)

F(x) f(x) S(x) (x)

F(x) - F’(x) 1-F(x) F’(x)/1-F(x)


f(x) 0xf (x)dx - 1  0 f ( x)dx
x
f ( x) / x f ( x)dx

S(x) 1-S(x) -S’(x) - -S’(x)/S(x)

  0x  ( x ) dx
(x) 1  e  0  ( x)dx  ( x)e e  0  ( x)dx
x x -

11
4. Relações de funções de sobrevivência com Tábuas de Mortalidade

As tábuas em geral contém as funções básicas:

lx - número (esperado) de sobreviventes na idade x

dx - número (esperado) de mortes na idade x

qx - probabilidade de morte de uma pessoa de idade x antes de completar x+1.

l0 - chamado de raiz, número inicial de pessoas do grupo a ser observado

Relações:

S(x + t) S(x + 1)
 tqx = 1 - S(x) e, quando t=1, qx = 1 -
S(x) .

 lx = l0 S(x) e lx (x) = l0 f(x) = l0 x p 0  (x)

12
 dx = l0 [ S(x) – S(x+1) ] = lx – lx+1 .
Relação entre x , qx e lx

x - taxa instantânea de mortalidade ou força de mortalidade

qx - probabilidade de morte em 1 ano para (x)

lx - número esperado de indivíduos vivos em x

i) qx = 1 – S(x+1) / S(x) = 1 – ( lx+1 / l0 ) / ( lx / l0) = 1 - ( lx+1 / lx ).

ii) ( t+qx - tqx ) /   x , quando   0

iii) Considere uma fração  de um ano e suponha qx constante entre x e x + 1.

Logo, a probabilidade de morte entre x e x +  será qx = ( lx - lx+ ) / lx = qx /  .

Assim qx = - (1 / lx ) ( lx+ - lx ) / .

Fazendo   0, temos x = - (1 / lx ) ( dlx / dx ) = - ( d log lx / dx )

13
Comentários sobre a Tábua de Mortalidade americana 1979-1981

• tabela parte de uma raiz (hipotética) l0 = 100 000;

•1% dos recém-nascidos deverá morrer no 1o. ano de vida;

• 77% dos recém-nascidos viverá até 65 anos;

• Mínimos locais no número de mortes ocorrem aos 11 e 27 anos;

• O máximo número de mortes dentro de um grupo é aos 83 anos;

• Não há indicação de idade limite pois 21 ainda estão vivos;

• lx e dx foram arredondados (sem haver necessidade).

14
Exercícios sobre tábuas de mortalidade - Parte I

1) Usando a tábua de mortalidade americana 1979-1981, qual a probabilidade de (20)

i) viver até 100 anos?
ii) morrer antes de 70 anos?
iii) morrer em sua 10a década?

Solução:
i) P( T(20) > 100) = P( T > 100 | T > 20 ) = P( T > 100)/ P( T > 20 ) = S(100)/S(20).
Mas S(x) = lx / l0 . Logo, S(100)/S(20) = l100 / l20 .
ii) P( T(20)  70 ) = P( 20 < T  70 | T > 20 ) = [S(20) - S(70)] / S(20) = 1 - S(70)/S(20).
Das contas em (i), S(70)/S(20) = l70 / l20 .
iii) P( 90 < T(20)  100 ) = P( 90 < T  100 | T > 20 ) = [S(90) - S(100)] / S(20).
Das contas em (i), P( 90 < T(20)  100 ) = ( l90 - l100 )/ l20 .
15
2) Com auxílio da tábua American Experience, determinar a probabilidade de

vida para a idade de 45 anos.

Solução:

Queremos obter p45.

Temos da tábua American Experience que l45 = 74 173 e l46 = 73 345.

l x +1
A probabilidade de vida da idade de x anos é p x = lx .

l 46 73.345
Logo, p 45 = l  p 45 = 74.173 .
45

Assim, p45 = 0,98884 .

16
3) O número de mortos entre as idades de 30 e 31 anos na tábua semitropical de

Hunter é de 858 pessoas e a probabilidade de morte para 30 anos é 0,00984.

Determinar o número de sobreviventes das idades de 30 e 31 anos e a

probabilidade de vida da idade de 30 anos.

Solução:

Encontraremos em primeiro lugar, a probabilidade de vida da idade de 30 anos.

Como, px = 1 - qx temos que p30 = 1 - q30.

Logo, p30 = 1 - 0,00984 = 0,990159422.

17
Achemos agora o número de sobreviventes da idade de 30 anos:

d d
Como l x = q x temos que l x = q x .
x x

d 30
Portanto, l 30 = q = 858 / 0,00984 = 87190
30

Finalmente determinaremos o número de sobreviventes da idade de 31 anos:

Como lx+1 = lx - dx  l31 = l30 - d30.

Assim, l31 = 87190 - 858 = 86.332.

18
4) Tomando por base a tábua HM de 1869, determinar a probabilidade que um

homem, atualmente com 40 anos, tem de chegar aos 50 anos.

Solução:

Se a pessoa tem atualmente 40 anos, para que a mesma chegue aos 50 anos, é claro

que tem de sobreviver mais 50 - 40 = 10 anos.

lx+n l 40+10
Como n p x = l x  10 40
p =
l 40 .

l50
Assim, 10 p 40 = l e, como, l40 = 82.284 e l50 = 72.726
40

Temos que 10p40= 72.726 / 82.284 = 0,88384 .

19
5) Utilizando a Tábua Italiana (M), qual é a probabilidade que um homem atualmente

com a idade de 20 anos tem de falecer no 450. ano.

Solução:

Temos x = 20 anos (idade atual da pessoa) e n = 44 - 20 = 24 anos

Utilizemos a fórmula n|qx = dx+n / lx  24|q20 = d24+20 / l20 = d44 / l20 .

O número de mortos entre as idades de 44 e 45 anos é

d44 = l44 - l45 = 55.790 - 55.230

Logo, d44 = 560.

Como l20 = 69.524, a probabilidade desejada é igual

20
24|q20 = 560 / 69.524 = 0,00805.
6) Determinar, pela Tábua das Cias. Alemãs, qual a probabilidade de uma pessoa

com a idade atual de 30 anos, falecer antes de alcançar os 60 anos.

Solução:

Temos que x = 30 anos (idade atual da pessoa) e n = 60 - 30 = 30 anos.

Utilizaremos a fórmula x q n = 1 - x p n  30q30 = 1 - 30p30 .

Mas 30p30 = l60 / l30

Da tábua, tem-se que l30 = 91.578 e l60 = 55.892.

Logo, 30p30 = 55.892 / 91.578 = 0,61032.

Assim, 30q30 = 1 – 0,61032 = 0,38968.

21
7) Pela tábua American Experience, achar a probabilidade que tem uma pessoa de 30

anos, de morrer entre 45 e 50 anos.

Solução:

Temos que x = 30 anos (idade atual da pessoa), n = 45 - 30 = 15 anos e m = 50 - 45 = 5

anos.

Usaremos a fórmula n|mqx = ( lx+n - lx+n+m )/ lx  15|5q30 = ( l45 - l50 )/ l30

Da tábua, temos que l30 = 85.441, l45 = 74.173 e l50 = 69.804.

Logo, 15|5q30 = ( 74.173 - 69.804 ) / 85.441 = 0,051135.

22
8) Sendo dados 10 p 30 = 0,920 , 10 p 40 = 0,890 e p40 = 0,991, calcular a probabilidade

que tem uma pessoa de 30 anos de morrer:

i) antes da idade de 50 anos;

ii) entre as idades de 40 e 50 anos;

iii) no seu 410. ano.

Solução:

l30  l50 l30 l50

i) Queremos 20 q 30 = l30 = l30 - l30 = 1 - 20p30

Como não temos o valor de 20 p 30 , fazemos o artifício de cálculo

l50 l l
20 p 30 = = 40 . 50  l40 . l50  20p30 = 10p30 . 10p40
l 30 l 40 l 30 l30 l40

Assim, 20 p 30 = 0,920 x 0,890 = 0,8188 e

20q30 = 1 – 0,8188 = 0,1812.

23
ii) Temos que 10|10q30 = ( l40 – l50 ) / l30 = ( l40 / l30 ) - ( l50 / l30 ).

Mas ( l40 / l30 ) = 10p30 e ( l50 / l30 ) = ( l50 / l40 ) ( l40 / l30 ) = 10p40 10p30

Logo, 10|10q30 = 10p30 - 10p40 10p30 .

Colocando 10 p 30 em evidência, temos 10|10q30 = 10p30 ( 1 - 10p40 ) .

Substituindo pelos valores numéricos da tábua, teremos:

10|10q30 = 0,920 ( 1 - 0,890 ) = 0,1012

iii) Apliquemos a fórmula 10|q30 =10p30 q40.

Como q40 = ( 1 - p40 ), temos que 10|q30 =10p30 ( 1 - p40 ).

Substituindo pelos valores numéricos da tábua, teremos

10|q30 = 0,920 (1 - 0,991) = 0,00828.

24
5. Outras funções de tábuas de mortalidades

 Esperança de vida na idade x

e0x = E[ T(x) ] = 0 t g(t) dt = 0 t t px x+t dt = 0 t px dt

Similarmente, Var[ T(x) ] = 2 0 t t px dt - [ 0 t px dt ]2.

 Vida mediana na idade x

P(T(x) > m(x)) = 0,5

m(x) deve satisfazer a S(x+m(x)) / S(x) = 0,5.

 Esperança de vida encurtada na idade x

ex = E[ K(x) ] = 0 k k|qx = 0 k+1px

25
• Números esperados de anos vividos por sobreviventes

Tx - número esperado de anos vividos pelos sobreviventes até x

Tx = 0 t lx+t x+t dt = 0 lx+t dt

Pode se mostrar que Tx / lx = e0x .

Lx - número esperado de anos vividos entre x e x+1 pelos sobreviventes até x

Lx = 10 t lx+t x+t dt + lx+1 . 1 = 10 lx+t dt

Logo, Tx = Lx + Lx+1 + ...

• Vida média entre x e x+1

ax = E[ T(x) | T(x) < 1 ] = [ 10 t lx+t x+t dt ] / [ 10 lx+t x+t dt ]

Logo, Lx = ax dx + lx+1 .
26
• Taxa central de mortalidade

mx = [ 10 lx+t x+t dt ] / [ 10 lx+t dt ] = ( lx - lx+1 ) / Lx = dx / Lx

Média de x ponderada pela padronização de lx

É uma espécie de versão discreta da força de mortalidade x

Útil na modelagem estatística de tábuas de mortalidade pois fornece a relação entre o

número de falecidos entre as idades x e x + 1 e o número de indivíduos que possuem a
idade x.

Temos ainda que

mx = dx / [ lx - (dx /2) ] = (dx / lx ) / [ (lx / lx)- (dx /2 lx) ] = 2 qx / ( 2 - qx ).

Daí decorre que qx = 2 mx / (2 + mx ) e px = 2 - mx / (2 + mx ).

27
• Se as mortes entre x e x+1 se distribuem uniformemente (lx+t x+t = dx )

 ax = 1/2

Lx = lx+1 + (1/2) dx = lx - (1/2) dx = ( lx + lx+1 ) / 2

Tx = (1/2) lx + lx+1 + lx+2 + ... (provar)

e0x = ex + 0,5

Outras possibilidades podem ser contempladas para a forma de distribuição das

mortes entre x e x+1. As mais famosas são:
i) uniforme (vista acima),
ii) exponencial (força de mortalidade constante)
iii) Balducci

28
Exercícios sobre tábuas de mortalidade – parte II

1) Sabendo-se que l10 = 100.000, l11 = 99.251 e l12 = 98.505, determinar as

taxas centrais de mortalidade para as idades de 10 e 11 anos.

Solução:

dx
Temos que mx = l  1 / 2 d .
x x

Como dx = lx - lx+1, a fórmula acima ficará

mx =
l x  l x 1 l x  l x 1 l x  l x 1 2 l x  l x 1 
l x  1 / 2 l x  l x 1  l x  1 / 2  1 / 2 l x +1 l x  l x 1
= = = l l .
x x 1
2

Substituindo os valores numéricos, temos

2 l10  l11  2100.000 - 99.251

m10 = =
l10  l11 100.000 + 99.251 = 0,007518.

2 99.251 - 98.505 1.492 29

Analogamente, m11 = 99.251 + 98.505
=
197.756
= 0,007545
2) Uma tábua tem taxas centrais de mortalidade para as idades de 20 e 21 anos

dadas respectivamente por 0,007835 e 0,007886 e o número de sobreviventes para a

idade de 20 anos é 92.637. Determinar os valores de l21, l22, p20, p21, q20 e q21.

Solução:

2 l x  l x 1 
Vimos antes que mx = l x  l x 1 .

Podemos assim, obter o valor de lx+1 através das operações

mx(lx + lx+1) = 2lx - 2lx+1 

2lx+1 + mxlx+1 = 2lx - mxlx 

(2 + mx) lx+1 = (2 - mx) lx.

 2 - mx  l x
Portanto, l x1 = 2 + mx . 30
Substituindo os valores numéricos, temos

 2 - m20  l 20
l 21 =
2 + m20

 2  0,007835 x 92.637
= 2 + 0,007835

Donde obtemos l21 = 91.914.

 2 - m21 l 21  2 - 0,007886 x 91.914

Analogamente, l 22 = 2 + m21
=
2 + 0,007886 = 91.192

As probabilidades são dadas por

l 21 91.914 l 91.192
p 20 =
l 20
=
92.637
= 0,992195 , p21 = l22 = 91.914 = 0,992145
21

q20 = 1 - p20 = 1 - 0,992195 =0,007805 e, finalmente,

q21 = 1 - p21 = 1 - 0,992145 =0,007855.

31
 Leis de Mortalidade

Seria útil poder ter formas analíticas descrevendo o padrão de mortalidade.

Assim, ao invés de + de 100 probabilidades, bastariam 2 ou 3 números para

descrição completa.

Hoje em dia, isso não é mais tão importante.

Algumas leis mais famosas:

1) de Moivre (1697-1754) – matemático

Supõe que lx é uma função linear que decresce em progressão aritmética 

lx = l0 (w - x)

l x  l x 1 1  =
1
q
Portanto, x =
lx
=
w - x , x
w - x e S(x) = 1 – x / w.

32
2) Gompertz (1779 - 1875)

Supõe que a força de mortalidade x cresce em partes proporcionais 

x = B cx , para B > 0 e c > 1.

 
 m c x -1
Assim, S(x) = e onde m = B/log c.

3) Makeham (1826-1891) - Atuário

Envelhecimento faz com que log tpx decresça em progressão geométrica quando x cresce em

progressão aritmética  log tpx = cx ( ct – 1) log g, com c > 1 e 0 < g < 1.

Daí, x = A + B cx onde B = -log g > 0 , - B  A, que representa riscos acidentais,

x c x
e lx = k s g k > 0, 0 < s < 1, 0 < g < 1, c > 1.

 A = 0  Gompertz = Makeham

 c=1  Gompertz = exponencial (força constante)

33
Outras leis propostas:

a) Lambert (1765) - lx = a+b (x-45) + c(x-45)2 + d(x-45)3 + e(x-45)4+ f(x-45)5

b) Young e Littrow - lx - polinomio de grau n

cx x  1
c) Babbage (1823) - lx = A + Bx + 2

d) Thiele - x = 1(x) + 2(x) + 3(x) onde

e  1x
1(x) = a1 , para a população infantil
1
   x-c  2
2 2
2(x) = a2 e , para a população adulta
e 3 x
3(x) = a3 , para a população idosa

e) Lang - lx = a + bcx

f) Moser (1839) - lx = lo - ax1/4 - bx3/4 - cx7/4

g) Opperman - x = ( + x) ekx + ex (x < 15)

34
 Tábuas e Índices de Mortalidade

Tabela de Mortalidade - instrumento destinado a medir as probabilidades de vida

e de morte.

Tabela de 1a. Espécie - construída tendo em vista todo um grupo da população.

Tabela de 2a. Espécie - construída levando-se em conta um grupo de pessoas

selecionadas (por exemplo, por exame médico) e por esta razão determina um

grupo homogêneo.

35
Existem situações que fazem com que mortalidade seja diferenciada:

• indivíduos podem ter sido aprovados em exame médico

• indivíduos podem ter deficiência física
• etc...

Padrão de mortalidade é alterado e novas probabilidades devem ser utilizadas.

Para explicitar esse ponto, notação também será alterada:

x  [x] , idade na qual indivíduo teve padrão mudado (por exame médico).
(x+u)  ([x]+u) , indivíduo com x+u anos que teve padrão mudado em x

Exemplo: considere 3 indivíduos com 30+i anos: (30+i), ([30]+i) e ([31]+i-1)

2q30+i é a probabilidade de (30+i) morrer em 2 anos

2q[30]+i é a probabilidade de [30]+i morrer em 2 anos

2q[31]+i-1 é a probabilidade de [31]+i-1 morrer em 2 anos

Tábuas construídas para esses indivíduos são ditas tábuas seletas. 36

Espera-se que efeito do exame acabe com o tempo e mortalidade dependa apenas da idade,

isto é, que exista r tal que q[x-j]+r+j  q[x]+r  q[x]+r , para j > 0

r é o período de seleção.

A sociedade de atuária americana recomenda r=15, isto é, tomar q[x-j]+15+j  q[x]+15

Com isso, tábuas seletas só precisam ter r colunas com probs. q[x]+j , j=1,... , r.

A tábua de mortalidade para ([25]) necessita dos valores de q[25]+j , j=1, ... , 15, 16, ...
Podemos obter
• q[25]+j , j=1,... , 15 da tábua seleta
• q[25]+15+j , j=1,... das relações q[25]+16  q[26]+15  q41 , q[25]+17  q[27]+15  q42 , ...

Tábuas seletas e finais são obtidas pela truncagem das tabelas seletas
após o período de seleção r.

A coluna contendo q[x]+r (= qx+r ) de uma tábua seleta e final é chamada de tábua final.
37
A tabela abaixo contém um trecho da tábua de seguradoras inglesas 1967-1970

[x] 1000 q[x] 1000 q[x]+1 1000 qx+2 l[x] l[x]+1 lx+2 x+2

30 0,43767 0,57371 0,69882 33.829 33.814 33.795 32

31 0,45326 0,59924 0,73813 33.807 33.791 33.771 33
32 0,47711 0,63446 0,79004 33.784 33.767 33.746 34
33 0,50961 0,68001 0,85577 33.760 33.742 33.719 35
34 0,55117 0,73655 0,93663 33.734 33.715 33.690 36

O período de seleção usado nessa tábua foi r=2.

Note que
l[x+2]  l[x+1]+1  lx+2 e portanto é razoável supor que l[x]+2 = lx+2 .

Entretanto q[x+2] < q[x+1]+1 < qx+2 são bem diferentes e,

embora todas se refiram a (32), ordem faz sentido.

Tábua agregada leva em conta apenas a idade dos indivíduos.

38
Exercício sobre tábuas seletas

Com base na tábua das seguradoras inglesas, calcule 2q[30], 5p[30] , 1|q[31] e 3q[31]+1

Solução:

i) 2q[30] = P( ([30]) sobreviver 2 anos) = l32 / l[30] = 33.795 / 33.829 = 0,99899.

ii) 5p[30] = P( ([30]) sobreviver 5 anos) = l35 / l[30] = 33.719 / 33.829 = 0,99675.

iii) 1|q[31] = P( ([31]) morrer em seu 32o. ano) = ( l[31]+1 - l[31]+2 ) / l[31]

Como l[31]+2 = l33 ., 1|q[31] = ( 33.791 - 33.771 ) / 33.807 = 0,00059.

iv) 3q[31]+1 = P( ([31]+1) morrer em 3 anos) = ( l[31]+1 - l[31]+4 ) / l[31]+1

Como l[31]+4 = l35 ., 3q[31]+1 = ( 33.791 - 33.719) / 33.791 = 0,00213.

39
 Inferência em tábuas de mortalidade

Estimadores de px

1) Amostra reduzida –

Neste caso, supõe-se que a saída no período de observação só ocorre por morte.

l d
Assim, px = lx+1 = 1 - l x
x x

2) Atuarial - Se no período de observação pode haver saída (censura) devido a outros fatores além de morte

em cada idade x, o estimador atuarial supõe que as saídas cx ocorrem no meio do intervalo (x, x + 1)

dx
Assim, p x = 1 - 1 .
lx - c
2 x

40
 Inferência em tábuas de mortalidade (cont.)

Normalmente em tábuas, não há censura  qx = dx / lx .

Supondo que as mortes na idade [x] estão concentradas em

x + ½, o tempo de exposição na idade x é
Ex = lx+1 . 1 + dx . ½ = lx - dx . ½

Supondo que a taxa de mortalidade é constante em cada

idade (x+s = x+1/2 , para 0 < s < 1), estimamos
x+1/2 = dx / Ex  qx = 1– exp( - x+1/2 ) = 1– exp(- dx / Ex).

Observações:
• Os 2 estimadores de qx são parecidos pois 1 – exp(-z)  z,
se z for pequeno
• Se a taxa de mortalidade é constante para cada idade,
a verossimilhança da idade x é (x+1/2 )dx exp( - x+1/2 Ex)
 dx / Ex é EMV de x+1/2 41
Para usar métodos analíticos de inferência, precisamos
assumir distribuição para v.a.’s dx e Ex (ou lx).

Costuma-se assumir Ex (ou lx) conhecidos.

Existem 2 opções mais comuns para dx:

• dx  Poisson (x+1/2 Ex)  da verossim. Acima
• dx  Binomial ( lx , qx )

Na prática, não há muita diferença nos 2 caminhos;

Se lx é grande e qx é pequeno (normalmente verdade) então

• Binomial  Poisson,
• lx  Ex
• qx  x+1/2
42
 Intervalos de confiança (caminho Poisson)

Assumindo o caminho Poisson, podem-se construir I.C.’s

para x+1/2 a partir de I.C.’s para  = x+1/2 Ex.

Exemplo: suponha dx = 19 e Ex = 2000, para algum x

O I.C. 90% para  é 12,44 <  < 27,88 (da tabela do Gerber)

Dividindo todos os termos por 2000,

I.C. 90% para x+1/2 é 0,00622 < x+1/2 < 0,01394.

 1,00624 < exp ( x+1/2 ) < 1,01404

 0,98616 < exp ( - x+1/2 ) < 0,99380
 0,00620 < 1 - exp (-x+1/2) < 0,01384  I.C. para qx

Note semelhança entre os I.C.´s de x+1/2 e qx

43
 Intervalos de confiança (caminho binomial)

Assumindo o caminho binomial, podem-se construir I.C.’s

para qx a partir da aproximação normal
dx /lx  normal (qx , qx (1- qx )/lx ).

Daí, obtém-se o I.C. 95% para qx dado pelos limites

(dx /lx)  1,96 [ dx (lx - dx )/ (lx)3 ]1/2
Para I.C. 99% troca-se 1,96 por 2,576.

Exemplo: suponha dx = 19 e lx = 2000, para algum x

dx /lx = 0,0095
dx (lx - dx )/ (lx)3 = 19 (2000-19)/20003 = (0,002169)2

Assim, I.C. 95% para qx tem limites 0,0095  1,96 . 0,002169

 I.C. 95%: 0,00525 < qx < 0,01375
Aproximação normal funciona bem para lx grandes. 44
 Abordagem Bayesiana (caminho Poisson)

Usando Poisson, a verossimilhança da idade x é dada por

l(x+1/2 ) = (x+1/2 )dx exp( - x+1/2 Ex)

Supondo prioris x+1/2  Gama ( x , x ),

obtém-se, pelo teorema de Bayes, a posteriori
x+1/2 | dados  Gama ( x + dx , x + Ex).

A média a posteriori de x+1/2 é (x + dx ) / ( x + Ex).

A média a posteriori de qx = 1– exp( - x+1/2 ) é 1–[x/(x + 1) ]x.

Intervalos de credibilidade para x+1/2 podem ser construídos, a

partir da distribuição Gama.
Intervalos de credibilidade para qx podem ser construídos, a
partir dos intervalos para x+1/2 .
45
 Abordagem Bayesiana (caminho Binomial)

Usando binomial, a verossimilhança da idade x é dada por

l(x+1/2 )  (qx )dx (1 - qx )lx -dx

Supondo prioris qx  Beta ( x , x ),

obtém-se, pelo teorema de Bayes, a posteriori
qx | dados  Gama ( x + dx , x + lx).

A média a posteriori de qx é (x + dx ) / ( x + lx).

Intervalos de credibilidade para x+1/2 podem ser construídos, a

partir da distribuição Gama.
Intervalos de credibilidade para qx podem ser construídos, a
partir dos intervalos para x+1/2 .

46
 Graduação

Os valores de qx estimados por todos os procedimentos acima

não levam em conta nenhuma relação entre seus sucessivos
valores.

A decorrência disso é que eles podem ter grandes e indesejáveis

flutuações, principalmente nas idades mais avançadas.

Além disso, não levam em conta possíveis formas

determinísticas (leis de mortalidade) que pode se querer impor.

A idéia da teoria de graduação, introduzida por Whittaker em

1920, visa justamente tratar essas questões.

Veremos mais tarde como isso pode ser feito.

47
 Forças de mortalidade proporcionais

Sejam
px+1/2 = f. m. para idade x da tábua padrão
x+1/2 = f. m. para idade x da tábua de interesse

Suponha que tábua de interesse tenha força de mortalidade

proporcional à uma tábua padrão, isto é,
x+1/2 = f px+1/2 , para toda idade x.

Temos que dx  Poisson (x+1/2 Ex) = Poisson (fpx+1/2 Ex).

Assim, d = x dx  Poisson (f x px+1/2 Ex).

Portanto, f pode ser estimado por (x dx)/(x px+1/2 Ex) e

e s+1/2 pode ser estimado por ps+1/2 .(x dx)/(x px+1/2 Ex)

Intervalos de confiança para f (e x+1/2) podem ser construídos.

48
 Múltiplas causas de morte

Considere a decomposição da morte pelas suas m causas.

Temos assim, para cada idade x,

 m forças de mortalidade 1,x+1/2 , ... , m,x+1/2
 m prob. condicionais de morte q1,x , ... , qm,x
 m contagens de mortos d1,x , ... , dm,x

Os E.M.V. de j,x+1/2 são dados por dj,x / Ex , j = 1, ... , m.

Analogamente, os E.M.V. de qj,x são dados por

(dj,x/dx) [ 1 – exp ( - dx/Ex ) ], j = 1, ... , m.

Intervalos de confiança para j,x+1/2 e qj,x podem ser construídos.

Estimadores e intervalos Bayesianos também podem ser obtidos.

49
3) Kaplan-Meier - Neste método, o indivíduo perdido (ou censurado) é

considerado no estudo e, somente após a saída, deixa de ser considerado

na estimação de px. Portanto é necessária saber a ordem das saídas e

mortes.

Seja Nj’ = número de indivíduos ainda sob observação antes da ja morte em

(x, x+ 1)

dx Nj
Logo, px =  .
j 1 Nj + 1

50
Exemplo do estimador Kaplan-Meyer

Suponha uma saída e uma morte no intervalo (x, x+ 1) com

a saída (censura) no tempo t e a morte no tempo u.

Nx - número de indivíduos no início do intervalo.

10. Caso: xt<ux+1

(x, x + 1) = (x, t)  (t,u)  (u,x+1)

px = p(x, t) p(t, u) p(u, x + 1)

Nx N - 2 Nx  2 Nx  2
= x x x =
Nx Nx  1 Nx  2 Nx  1

20. Caso: xu<tx+1

px = p(x, u) p(u, t) p(t, x + 1)

Nx  1 Nx - 1 Nx  2 Nx  1
= N x x =
x Nx  1 Nx  2 Nx
51
Comparação de estimadores AR (amostra reduzida), PL (produto limite ou Kaplan-

Meier) e Atuarial para estimar sobrevivência.

 Uma amostra de 100 indivíduos é acompanhada no começo de 1995. Durante o

ano, 70 morrem e 30 sobrevivem. Ao final do ano, uma amostra maior de 1000

indivíduos está disponível. Durante 1996, 15 indivíduos da 1 a. amostra e 750 da

2a. amostra morrem, deixando como sobreviventes 15 indivíduos na 1 a. amostra

e 250 indivíduos na 2a. amostra.

Ao final de 1996, desejamos estimar 2p0, que é a probabilidade dos indivíduos da

população sobreviverem mais de 2 anos.

52
 Amostra I II
Inicial 100 1000
Mortes no 10. ano 70 750
Sobreviventes no 10. ano 30 250
Mortes no 20. ano 15
Sobreviventes no 20. ano 15
15
 RS) 2p0 = = 0,15 (só usa informação da amostra completa)
100

30  250
 KM) p0 = 100  1000 = 0,255 e

p1 = 15/30 = 0,5 (Probabilidade de (1) sobreviver 2º ano).

Logo, 2p0 = p0 p1 = 0,255 . 0,50 = 0,127

15 15
 Atuarial) p1 =1- 1
= 1- = 1- 0.094 e
160
280 - 250
2

2p0 = p0 p1 = 0,255 (1 - 0,094) = 0,231

53
 Inferência em tábuas de mortalidade
Estimação de mx

Na prática, dispomos de informação sobre mortes observadas na população.

Com base, nesses dados procuramos obter estimadores de propriedades da população.

Uma das mais usadas é a taxa central de mortalidade pois é dada por uma relação direta
entre mortes e indivíduos em risco para cada dado intervalo (de 1 ano).

Sejam Dx = número observado de mortes na idade x e

Lx = número observado de anos vividos na idade x

Note que E[Dx ] = dx , E [ Lx ] = Lx e mx = dx / Lx .

Uma hipótese comumente feita é que Dx | Lx  Poisson ( mx Lx ).

Daí, obtém-se o estimador Dx / Lx para mx

Hipóteses paramétricas sobre mx podem ser feitas. Exemplo: Gompertz - mx= B cx

Pela regra de multiplicação P(A1... An) = P(A1) P(A2 | A1) .... P(An|An-1... A1) 
( D1 | L1 ) , ( D2 | L2 ), ( D3 | L3 ) , ... são independentes.

54
Temos todas as condições de um modelo linear generalizado (MLG):
• observações independentes D1 , D2, ... , Dw
• função de ligação para a média
• variáveis explicativas (no caso, x a idade)

Aplicando para o caso Gompertz temos mx= B cx.

Portanto, E [Dx ] = mx Lx = B Lx cx.

Tomando ligação logarítmica temos log E [Dx ] = log Lx + log B + (log c) x.

Trata-se de MLG com 1 covariável: x e intercepto dado por log Lx + log B .

Se Gompertz não é apropriada, outras opções podem ser usadas.

Descrições mais realistas podem ter covariáveis x, x2 , x3 , ...

Ligação logarítmica é útil pois garante positividade de mx

Outra opção é a abordagem não-paramétrica.

Exemplo: modelos autocorrelacionados para mx

mx = mx-1 + vx onde vx  N(0, V) . 55

Beltrão e Pinheiro (2002) num relatorio técnico da Funenseg
construíram uma tábua seleta da população consumidora de
produtos das seguradoras brasileiras .

Eles optaram pelo caminho binomial.

A graduação foi feita através da especificação de Thiele

qx = q1(x) + q2(x) + q3(x) onde

q1(x) cuidaria da população infantil (ausente nesse caso),

q2(x) cuida da mortalidade por causas externas
q3(x) cuida da mortalidade por envelhecimento

As formas adotadas foram

q2(x) = D exp [ - E (log x – log F )2 ] e
q3(x) = G Hx / ( 1 + K G Hx )
56
Outras possibilidades a serem exploradas em graduação:

Ao tomar o caminho binomial, queremos modelar

probabilidades de morte qx que estão no intervalo [0,1].

Nesse caso, a transformação mais apropriada não é a logarítmica,

usada no caso de taxas de mortalidade.

A mais comum é a trasformação logit: x = log [qx /(1- qx )].

Diferentes modelos podem ser usados aqui como visto anteriormente.

57
Outra opção é aplicar as transformações diretamente nos dados e
assumir a partir daí distribuição normal.

Assim,
 no caminho Poisson, tomamos
log (dx/Ex) como sendo normal com média x+1/2;
 no caminho binomial, tomamos
logit (dx /lx) como sendo normal com média qx.

Nesses casos, ainda resta a variância normal para ser modelada.

Esse caminho é aproximado (os anteriores são exatos).

Mas a aproximação será boa para Ex (ou lx) grandes.

58
 Dinâmica de Populações

Consideremos uma população hipotética com idade limite w = 4 anos.

Suponha que 700 indivíduos nascem no ano z e são acompanhados até a morte

Destes indivíduos, 140 morrem no primeiro ano (antes do 1 0. aniversário)

56 morrem no segundo ano (com um ano mas antes de completar 2 0. aniversário)

252 morrem no terceiro ano (com dois anos mas antes de completar 3 0. aniversário)

252 morrem no quarto ano (com três anos mas antes de completar 4 0. aniversário)

O diagrama de Lexis* (1875) representa o acompanhamento dessas vidas com

i) tempo z no eixo x

ii) idade x no eixo dos y

iii) vidas em linhas fazendo 45o com os eixos x e y.

59
*
Wilhelm Lexis (1837-1914) – estatístico, demógrafo e atuário alemão
No diagrama, cada vida é representada por uma linha inclinada de 45o.

A linha inicia-se na data do nascimento e termina na data e idade da morte.

Para nossa população o diagrama terá 700 linhas inclinadas

começando no eixo horizontal na idade z e teremos

140 terminando no paralelograma ADBC (antes da horizontal da idade).

56 terminando no paralelograma CDEF (entre as horizontais das idades 1 e 2).

252 terminando em EFGH e o resto em GHIJ.

Os números que atingem as horizontais nas idades 0, 1, 2, 3, 4 são respectivamente

700, 560, 504, 252.

Podemos estimar probabilidades de morte com base no acompanhamento dessa

população.

Por exemplo, q1 = 56 / [ 700 – 140 ] = 0,1.

60
Na descrição feita anteriormente, a população era um coorte, isto é, um grupo

(nascido em um certo ano e) acompanhado até extinção.

Cada ano l0 nascimentos ocorrem em uma população

Cada coorte (grupo) de nascimento segue o padrão de uma dada tabela de

mortalidade (padrão)

Se isso permanecer inalterado por muitos anos a população se torna

estacionária. Assim, um censo tomado desta população em qualquer momento

após o estado estacionário ser atingido obteria n l x pessoas no intervalo x a

x + n. Referimos esta população como população da tabela de mortalidade.

61
Na construção de tabelas de mortalidade: essencial que o período de referência (tempo)

e intervalo de idade envolvido sejam bem especificados e entendidos.

O diagrama de Lexis permite deixar claro esses aspectos.

Por exemplo as estimativas de qx baseadas no coorte podem ser obtidas a partir de:
Px – no. de pessoas no início do ano z com idade entre x e x + 1 (linhas cruzando AD).
E zx = no. de pessoas que chegam a idade x no ano z (linhas cruzando AB)
Dzx - no. de mortes no ano z ds pessoas com idade x (linhas que terminam em ABCD).

 D zx - número de mortes no ano z entre as pessoas com idade x que completaram x anos
no ano z (linhas que terminam em ABC).
 D zx - número de mortes no ano z entre as pessoas com idade x que completaram x anos
no ano z-1 (linhas que terminam em ADC).
Relações entre esses dados  estimativa de qx dada por q x =
z
 D z
x +  D zx 1  / p zx .

Cada coluna do diagrama de Lexis fornece uma tábua de mortalidade (padrão).

62
Sequência de tábuas de mortalidade

Na prática, observamos várias tábuas publicadas a intervalos de tempo regulares.

Podemos coloca-las em sequência de forma a estabelecer padrão para evolução delas.

Se população for estacionária, padrão é constante. Isso pode ser checado!

Idade \ Ano 1975 1980 1985 1990 1995 2000

1 D11975 D11980 D11985 D11990 D11995 D12000
2 D21975 D21980 D21985 D21990 D21995 D22000
3 D31975 D31980 D31985 D31990 D31995 D32000
4 D41975 D41980 D41985 D41990 D41995 D42000
5 D51975 D51980 D51985 D51990 D51995 D52000
6 D61975 D61980 D61985 D61990 D61995 D62000
...

onde Dxz denota o número de mortos da idade x observado no ano z

Continuamos com independência (condicional) entre D1z , ... , Dwz , para todo ano z.

Supondo que as tabelas foram geradas de forma independente, temos

independência entre as tabelas. 63
Assim, temos independência para D11975 , ... , Dw1975 , ... , D12000 , ... , Dw2000.

A hipótese básica se mantém: Dxz | Lxz  Poisson ( mxz Lxz ), onde

mxz é a taxa central de mortalidade da idade x no ano z

Lxz é o número observado de anos vividos após x no ano z

Podemos propor MLG como o anterior só que agora temos x e z como

possíveis covariáveis.

Modelando x (como vimos antes) estudamos o padrão de morte da população.

Modelando z estudamos o padrão de evolução da mortalidade ao longo do tempo.

Exemplo: é razoável supor um declínio da taxa central de mortalidade ao longo

dos anos para todas as idades (x=1, ... , w)

 log mxz = x + x z onde espera-se  < 0.

x = 0 indica estacionariedade da população.

64