Survival Distributions

and Life table

Models for Survival/ Mortality Function

Age-at-death random variable T0

1. 这是⼀个描述新⽣⼉从出⽣到死亡的时间，这⼀个连续的随机变量，因为死亡的
时间是不确定的
2. T0 的理论范围是在0到正⽆穷(因为是年龄), 但是因为⼈不可能永⽣，所以⼀般
会有⼀个upper limit“ω”
3. T0 的概念是描述这个⼈是从age0开始的，也就是这⾥描述的“新⽣⼉到死亡的时
间”。

的分布
T0
因为T0 是⼀个连续的，⾮负的随机变量，所以我们可以找的T0 的CDF和PDF（⼀
定要记住精算的定义）：

：
CDF F0 (t) = Pr (T0 ≤ t) = t q0 可以看作这新⽣⼉的死亡时间在t之前的概
率 distribution function 。
S0 (t) = Pr (T0 > t) = 1 − F0 (t) = t p0 相对于CDF，我们也可以观测新
⽣⼉活过t年的概率

Survival Distributions and Life table 1

 我们会特别定义S0 (t)为survival funtion（⾼频概念）.
d
PDF:f0 (t) = dt F0 (t), 可以根据PDF的定义理解为在t这⼀瞬间死亡的概率（t
到t + Δt之间）
此外在survival funtion还需要满⾜3个条件：
1. S0 (0) = 1， 每个individual都可以存活过0岁。

2. S0 (ω) = 0 or  limt→∞ S0 (t) = 0，每个individual都会死（不可能永⽣

或超过上限ω）
3. S0 (t) 是⼀个non-increasing的funtion，因为随着年纪的增⻓存活的概
率是下降的。同理F0 (t)是non-decreasing的。

以下⼏个关键的关系要记住：
d d
f0 (t) = F (t) = − dt
dt 0
S0 (t)
∞ t
S0 (t) = ∫t f0 (u)du = 1 − ∫0 f0 (u)du = 1 − F0 (t)
b
Pr (a < T0 ≤ b) = ∫a f0 (u)du = F0 (b) − F0 (a) = S0 (a) − S0 (b)

Future Lifetime Random Variable Tx

和T0 不同的是，Tx ⾯对的是年龄在x的⼈的情况下，因为我们不可能每次研究都只研
究新⽣⼉的情况,年龄为x的⼈相⽐于新⽣⼉多条件是前x年已经确认存活了。
可以说T0 是Tx 的特殊情况（x = 0），Tx 更具有普遍性。

⾮常重要的idea：

Survival Distributions and Life table 2

 P [Tx > t] 
= P [T0 > x + t]
为什么不相等？和新的不同就是T0 和Tx 研究的对象不⼀样，random variable是不
同。
其次就是Tx 会有⼀个隐形前提就是研究的对象⼀定是⼤于x的（已经确定存活x年），
会涉及到conditional probability in terms of T0 。

的 和 （通过T0 来表⽰）：
Tx CDF PDF
P [x<T0 ≤x+t]
Fx (t) = P [Tx ≤ t] = P [T0 ≤ x + t ∣ T0 > x] = P [T0 >x] =
F0 (x+t)−F0 (x) S 0 (x)−S 0 (x+t)
1−F0 (x) = S 0 (x)

Sx (t) = Pr (Tx > t) = Pr (T0 > x + t ∣ T0 > x) =

Pr({T0 >x+t}∩{T0 >x}) Pr(T >x+t) S (x+t)
Pr(T0 >x) = Pr(0T0 >x) = S0 0 (x)

Actuarial Notation

t px = Pr (Tx > t) = Sx (t)

t qx = Pr (Tx ≤ t) = Fx (t)
t∣u qx = Pr (t < Tx ≤ t + u) = Fx (t + u) − Fx (t) = Sx (t) − Sx (t + u)

⼀些特殊的关系：
1. t px + t qx = 1
2. t+u px = t px × u px+t ， 特殊情况：t Px = Px ⋅ Px+1 ⋯ Px+t−1

3. t∣u qx = t+u qx − t qx = t px − t+u px

Survival Distributions and Life table 3

 t∣u qx = t px × u qx+t

4. 1 qx = qx  and 1 px = px

Curtate Future Lifetime random variable Kx

Kx 就是 的 版本。通常情况下是Tx 向下取整。⽐如⌊1⌋ = 1, ⌊4.3⌋ =

Tx discrete
。
4 and ⌊10.99⌋ = 10
Kx 就是⼀个⾮负的，离散随机变量。
EX：
Pr (Kx = 0) = Pr (0 ≤ Tx < 1) = qx
Pr (Kx = 1) = Pr (1 ≤ Tx < 2) = 1∣1 qx ,
Pr (Kx = 2) = Pr (2 ≤ Tx < 3) = 2∣1 qx , …

1. Pr (Kx ≤ k) = Pr (Tx < k + 1) = k+1 qx

2. Pr (Kx = k) = k∣1 qx
3. n qx = t qx − t∣n−t qx = qx + 1∣ qx + 2∣ qx + 3∣ qx + ... + n−1∣ qx

PS ：看到Kx 的形式就要转化成Tx 的形式。

（ 表 概率密度 数）
Survival Distributions and Life table 4
 Force of Mortality （⽤于表⽰概率密度函数）
Notation: μx+t  or μx (t)
⽤于描述在t时刻的⼀瞬间死亡的⼏率（在⼀瞬间死亡的⼈数除以在这⼀时刻存活的
时刻）

Force of Mortality 基本⽤于以下三种情况：

1.⽤于描述pdf：fx (t) = Sx (t)μx+t = t px μx+t
2. 根据hazard rate的定义，将force of mortality⽤survival
function表⽰出来：μx+t = − S (t) = −
′
S (t) d [ln S (t)]
x x
dt x

3. 通过2的反运算，将survival function⽤force of mortality表⽰出

来：Sx (t) = exp (− ∫0t μx+u  du) = exp(− ∫xx+t μs ds）
PS：force of maorilty可以喝survival function互相表⽰，之后会根据
force of mortality的特殊形式会有简单的算法。CFM中：就是follow exp
distribution

Vaild Force of mortality 的条件：

1. μx+t ≥ 0 for all x ≥ 0 and t ≥ 0
∞
2. ∫0 μx+u  du = ∞

我们知道fx (t)之后所有的公式都可以⽤intergal的⽅式表⽰出来：
∞
1. Sx (t) = t Px = ∫t t px μx+t dt
t
2. Fx (t) = t qx = ∫0 t px μx+t dt
t+u
3. t∣u qx = ∫t s px μx+s ds

adjust force of mortality: （根据的事survival 的定义推

function
导出来的）
1. μ∗x+t = μx+t + k ⇒ n p∗x = n px ⋅ e−nk
k
2. μ∗x+t = kμx+t ⇒ n p∗x = (n px )

Survival Distributions and Life table 5

 Mean and Variance of Tx , Kx

expect of Tx (complete expectation of life for (x)):

∘ ∞ ∞
First moment: E [Tx ] =ex = ∫0 t ⋅ t px μx+t dt = ∫0 t px dt
∞ ∞
second moment: E [Tx2 ] = ∫0 t2 ⋅ t px ⋅ μx+t dt = ∫0 2t ⋅ t px dt
Variance:
2
Var [Tx ] = E [Tx2 ] − (E [Tx ]) = E [Tx2 ] − (ex )
2 ∘

n-year term exception of life for (x)

∘ n n
ex:nˉ ∣ = ∫0 t px dt = n ⋅ n px + ∫0 t ⋅ t px ⋅ μx+t dt

注意这⾥如果使⽤的是survival method这⾥不需要增加额外的
term， 但是如果按照期望的定义式去写需要加上n ∗ n px !!!
这⾥代表着关于（x）的平均存活年龄在“x到x+n之间”。也可以理解为limited
expected value of Tx

两者之间的关系： e∘ x =e∘ x:nˉ∣ +npx e∘ x+n  and  e∘ x = ∫01 px dt + px e∘ x+1

expect of Kx (complete expectation of life for (x))
First moment ：ex = ∑∞k=1 k px
E [Kx2 ] = ∑∞ 2 ∞
k=0 k ⋅ k∣ qx = ∑k=1 (2k − 1) ⋅ k px

Var [Kx ] = E [Kx2 ] − (E [Kx ])2 = E [Kx2 ] − (ex )2 ( 离散的Variance 在考

试中出现的少)
n-year term exception of life for (x)

ex:nˉ ∣ = ∑nk=1 k px
两者关系：ex = ex:nˉ∣ + npx ex+n and ex = px + px ex+1 = px (1 + ex+1 )
Survival Distributions and Life table 6
 ∘ ∘
ex = ex + 12 , ex:nˉ ∣ = ex:nˉ ∣ + 12 (1 − n px )

medium and mode

kth percentile：ck px = P [Tx > ck ] = 1 − .01k
medium就是50th percentile, 可以看作m px = 0.5 求m即可。

mode就是让fx (t) 最⼤。

Life table

两个重要的量：lx , dx
lx : expect number of survivors at age x
dx : number of death between age x and x+1
t dx = lx − lx+t = dx + dx+1 + ⋯ + dx+t−1 number of death between ：
age x and x+t

我们可以⽤这两个量表⽰：（PS：可以只记住第⼀个，剩下的现推）
S 0 (x+t) lx+t /l0 lx+t
t px = Sx (t) = S 0 (x) = lx /l0 = lx
t dx lx −lx+t lx+t
t qx = lx
= lx
=1− lx
n dx+m lx+m −lx+m+n
m∣n qx = lx
= lx

t dx = dx + dx+1 + ⋯ + dx+t−1

Survival Distributions and Life table 7

 special assumptions
通过设定Tx 为特别的分布来让计算更佳⽅便
DML
特别要注意这三种definition，去判断是不是DML。

当x ∼  uniform (a, b)： Fx (x) = x−a

b−a
Sx (x) = b−x
b−a
于是我们假定：T0 ∼  uniform (0, w), Tx ∼  uniform (0, w − x)
1
n qx = Pr (Tx < n) = n−0
w−x−0
= n
w−x
= n⋅
w−x
= n ⋅ 1 qx
n px = Pr (Tx > n) = 1 − n qx = 1 − w−x
n
= w−x−n
w−x
1 1
fx (t) = t Px μx+t = w−x−t
w−x
⋅ w−(x+t) = w−x , t∣u qx = ω−x
u

∘ ω−x (ω−x)2
ex = E [Tx ] = 2
, Var [Tx ] = 12

GDML

是上⾯的升级版：依旧是三个条件，主要⽬标就是判断出是GDML之后求expect

n α α
n px = (1 − ω−x
) = ( ω−x−n
ω−x
)
∘ α(ω−x)2
ex = ω−x
α+1
 and  Var [Tx ] = (α+1)2 (α+2)

Exp 也叫做constant force of mortality

Survival Distributions and Life table 8

 μx = μ for all x, and n px = e−nμ
fx (t) = t px μx+t = μe−tμ
∘
ex = μ1  and  Var [Tx ] = 1
μ2
， 注意这⾥的期望和x没关系（每个年龄下的期望是⼀
样的）ex =ex+n= μ1
∘ ∘

ex = e 1−1 (通过定义+geometric
μ series 得到的)

Fractional age Assumptions

UDD( 在⼀年内follow uniform distribution)

核⼼idea：
1. r qx = rqx ,  for 0 ≤ r < 1 （Uniform的性质）
2. lx+t = (1 − t)lx + tlx+1 0 < t < 1 (根据linear interpolation)

四种情况：
t是0到1的情况：0 ⩽ t ⩽ 1, t qx = t ⋅ qx , t px = 1 − t ⋅ qx

t是⼤于1的情况且有⼩数的情况：⽤性质转换为情况⼀ ⽐如：2.5 p30 = 2 p30 ×

0.5 p32 = 2 p30 × (1 − 0.5q32 )
t 是⼩数，x也带⼩数的情况(s+t在0到1之间)：0 ⩽ s + t ⩽ 1, t qx+s =
t⋅qx 1−(s+t)qx
1−s⋅qx , t px+s = 1−s⋅qx
special case: 在s+t⼤于1的情况：
1. 可以⽤t+u px = t px × u px+t ：⽐如：0.8 p5.7 = 0.3 p5.7 × 0.5 p6 或者
4.1p4 4 p4 0.1p8 4 p4 (1−0.1q8 )
3.5 p4.6 = 0.6p4 = 0.6p4 = 1−0.6q4

2. 如果有life ：
table t qx+s = lx+s −lx+s+t
lx+s ⋅ t px+s = lx+s+t
lx+s

d d d d
pdf:fx (r) = dr Fx (r) = dr Pr (Tx ≤ r ) = dr rqx = dr (rqx ) = qx
μx+r = qx
1−rqx , 0≤r<1 ( 只要知道μx+r ，就可以得到qx ）

Survival Distributions and Life table 9

 Constant Force of Mortality

核⼼idea：
1. constant μ
r r
= (px ) ,
2. r px 0 ≤ r < 1, r px+u = (px ) ,  for 0 ≤ r < 1 and r +
u≤1
(1−t)
3. lx+t = lx ⋅ lx+1
t

− dtd tpx
μx+t = t px
= − dtd ln (t px ) = − ln px

Selected-and-Ultimate Tables
加Buff，Buff会有实效性，过段时间会消失

Survival Distributions and Life table 10