Vous êtes sur la page 1sur 31

Universite de Montreal ACT3251 - Automne 2012

Departement de Mathematiques
Th

eorie du risque : les mod


`
eles agr

eg

es des pertes
Ces notes de cours ont ete construite notamment `a partir du chapitre 9 du livre de S.A. Klugman, H.H.
Panjer et G.E. Willmot Loss Models : from data to decisions, third edition (Wiley, 2008) et des notes de
cours de Manuel Morales http ://www.dms.umontreal.ca/morales/risk.php
Table des mati`eres
1 Les mod`eles 2
2 Choix de mod`eles 3
2.1 Pour la severite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Pour la frequence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Pour les pertes agregees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Loi de S
N
en fonction de la loi de X et de N 4
3.1 Fonction de repartition et densite de S
N
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Fonction generatrice des moments de S
N
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Moments de S
N
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Cas particulier : variables de Poisson compose . . . . . . . . . . . . . . . . . . . . . . . . . 9
4 Prime Stop-Loss 12
5 Resultats analytiques : calculs explicites et approximations de la loi de S
N
15
5.1 Lois fermees pour la convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 Methode dinversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3 Algorithme de Panjer pour calculer la loi de S
N
pour des severites discr`etes . . . . . . . . 16
5.4 Generalisation de lalgorithme de Panjer `a des severites continues . . . . . . . . . . . . . . 20
5.4.1 Methode des arrondis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.4.2 Methode des moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6 Inuence de la police dassurance sur les pertes agregees 24
6.1 Nombre et montant des paiements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.2 Paiements eectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
7 Quelques mots `a propos du mod`ele individuel 26
8 Quelques exercices 28
8.1 Proprietes et etude de S
N
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
8.2 Prime Stop-Loss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
8.3 Calcul de la loi de S
N
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
8.4 Algorithme de Panjer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
H el`ene Guerin; 2 novembre 2012. 1
1 Les mod`eles
Le mod`ele collectif
On consid`ere une compagnie dassurance o` u les pertes sont enregistrees au fur et `a mesure quelles arrivent.
On note X
i
le montant de la i
`eme
perte et N le nombre de pertes. N peut par exemple etre le nombre de
pertes sur une annee pour la compagnie. Le montant global est
S
N
= X
1
+X
2
+. . . +X
N
On suppose
les X
i
independantes et de meme loi
N est independante des X
i
.
On parle de mod`ele collectif car on associe la meme loi `a chaque perte.
Le mod`ele individuel de risque
On modelise les pertes totales de chaque contrat et on regarde le montant global pour la compagnie
dassurance
S
n
= X
1
+X
2
+. . . +X
n
o` u
n est le nombre de contrats dont soccupe la compagnie dassurance (valeur connue, ce nest pas une
variable aleatoire)
X
i
est le montant total des reclamations du i
`eme
contrat. Les X
i
sont supposees independants, mais pas
forcement de meme loi. En general, la distribution de chaque X
i
a une masse en 0 qui correspond `a la
probabilite de ne pas avoir de perte pour chaque contrat.
Ce mod`ele est souvent utilise en assurance sante lorsquon consid`ere un groupe de n employes dune
entreprise o` u il est dicile de modeliser les pertes par des variables de meme loi. En eet, chaque employe
a une couverture dierente (car fonction de leur salaire) et un comportement dierent (les depenses
dependent notamment de lage des employes).
On parle de mod`ele individuel car on regarde les caracteristiques de chaque individu.
Le mod`ele individuel avec des X
i
de meme loi est un cas particulier du mod`ele collectif quand N est une
constante (P(N = n) = 1).
Remarque 1.1. Il est assez naturel de vouloir relacher lhypoth`ese dindependance entre les X
i
. Le mod`ele
individuel est plus facile `a etudier que le collectif dans le cas o` u les X
i
ne sont pas independantes.
Exemple 1.2. Regardons un mod`ele collectif de pertes. On sait que les pertes suivent la loi F
X
. Lassureur
paye 80% des pertes individuelles en exc`es de 1 000$ avec un paiement maximal de 100 000$.
Tous les paiements en exc`es de 50 000$ sont reassures. On va decrire des mod`eles pour
1. les pertes totales pour lassure avant lassurance :
on note N le nombre de perte (a priori aleatoire), on a alors
S
a
N
= X
1
+. . . +X
N
avec X
i
F
X
2. les pertes totales pour la compagnie dassurance avant la reassurance :
On note Y
i
le i
`eme
paiement fait par lassureur avant reassurance. Si X
i
1000, alors Y
i
= 0. Si
X
i
> 1 000, alors le paiement est Y
i
= 0.8(X
i
1000). Par ailleurs cette valeur ne peut pas exceder
H el`ene Guerin; 2 novembre 2012. 2
100 000$, ce qui correspond `a une valeur de 1 000 + 100 000/0.8 = 126 000$. Par consequent, le
montant total des pertes pour lassureur avant reassurance est
S
c
N
= Y
1
+. . . +Y
N
avec Y
i
= min(0.8(X
i
1 000), 100 000)1
X
i
1 000
.
3. les pertes totales pour le reassureur :
Le reassureur paye tous les paiements en exc`es de 50 000$. Un paiement de 50 000$ correspond `a
une perte de 1 000 +50 000/0.8 = 63 500$. Par ailleurs, le montant maximal verse par la compagnie
est de 100 000$ et donc le montant maximal verse par le reassureur est 50 000$. Par consequent, les
pertes totales pour le reassureur sont
S
r
N
= Z
1
+. . . +Z
N
avec Z
i
= min(0.8(X
i
63 500), 50 000)1
X
i
63 500
.
4. les pertes totales pour la compagnie dassurance apr`es reassurance :
P
c
N
= S
c
N
S
r
N
=
N

i=1
[0.8(X
i
1 000)1
1 000X
i
<63 500
+ 50 0001
X
i
63 500
]
=
N

i=1
min(0.8(X
i
1 000), 50 000)1
1 000X
i
.
5. les pertes totales pour lassure apr`es assurance :
P
a
N
= S
a
N
S
c
N
=
N

i=1
[X
i
1
X
i
<1 000
+ (800 + 0.2X
i
)1
1 000X
i
126 000
+ (X
i
100 000)1
X
i
>126 000
] .
2 Choix de mod`eles
Certaines caracteristiques sont recherchees dans un mod`ele pour la frequence et/ou severite.
2.1 Pour la severite
Pour la severite on aime avoir une loi avec un param`etre dechelle, du fait de la notion dunite. En eet,
le choix de la devise ne doit pas aecter la loi : la conversion en dollars, en euros, en yen,... ne doit pas
modier le mod`ele. De plus, lorsquon consid`ere une loi avec un param`etre dechelle, il est assez simple
de prendre en consideration lination.
Denition 2.1. Une loi F
X
est dite `a echelle si pour tout c > 0 P(cX x) appartient `a la meme famille
que F
X
.
Exemple 2.2. Loi exponentielle E() : soit c > 0
P(cX x) = P(X x/c) = 1 e

c
x
On reste dans la famille des lois exponentielles car cX E(/c).
Denition 2.3. Un param`etre R est dit dechelle pour une v.a. X F

X
si pour tout c > 0 la loi de
cX est F
c
X
, les autres param`etres restant inchanges.
H el`ene Guerin; 2 novembre 2012. 3
Exemple 2.4. Loi Gamma(, ) de densite
f(x; , ) =
1
()
_
x

_
1
e
x/
1
x0
et de fonction de repartition pour x 0
F
X
(x; , ) =
1
()
_
x/
0
t
1
e
t
dt.
Par consequent, pour c > 0
P(cX x) = P(X x/c) = F
X
(x; , c).
2.2 Pour la frequence
Pour la frequence, on aime avoir des lois qui sont preservees par la somme. Comme par exemple, la somme
de deux lois de Poisson independantes est une loi de Poisson. Cette propriete permet lajout de nouvelles
donnees de fa con assez simple.
Pour la frequence N on choisit souvent des lois dependant dun param`etre telle quil existe une variable
N tel que N peut secrire comme la somme de variables N independantes. Ceci se traduit sur la fonction
generatrice des moments de la facon suivante :
M
N
(z; ) := E
_
e
zN

=
_
M
N
(z)
_

.
Ce type de loi est appelee loi inniment divisible.
Exemple 2.5. Si N P(), alors
M
N
(z; ) = e
(e
z
1)
=
_
e
e
z
1
_

=
_
M
N
(z)
_

avec N P(1).
2.3 Pour les pertes agregees
On note S = X
1
+. . . +X
N
la perte totale dune compagnie dassurance.
On doit choisir un mod`ele pour la frequence N et un mod`ele pour les severites X
i
, pour ensuite etudier
la loi du mod`ele S.
3 Loi de S
N
en fonction de la loi de X et de N
3.1 Fonction de repartition et densite de S
N
Proposition 3.1. La convolution.
Soit X
1
et X
2
deux variables independantes de meme loi de densite f
X
alors la densite de X
1
+X
2
est la
convolution f
X
f
X
(x) =
_
R
f
X
(y)f
X
(x y)dy.
H el`ene Guerin; 2 novembre 2012. 4
Demonstration. Soit X
1
et X
2
deux variables independantes de meme loi de densite f
X
, alors la fonction
de repartition de X
1
+X
2
est
P(X
1
+X
2
x) =
__
y+zx
f
(X
1
,X
2
)
(y, z)dydz =
__
y+zx
f
X
(y)f
X
(z)dydz
=
_
+

f
X
(y)
__
xy

f
X
(z)dz
_
dy =
_
+

f
X
(y)F
X
(x y)dy.
On derive par rapport `a x et on obtient que la densite de X
1
+X
2
vaut
f
X
1
+X
2
(x) =
_
+

f
X
(y)f
X
(x y)dy = f
X
f
X
(x).
On remarque que si X
1
et X
2
sont des variables positives, la fonction de repartition de X
1
+X
2
verie
F
X
1
+X
2
(x) =
_
x
0
f
X
(y)F
X
(x y)dy.
Denition 3.2. Soit F
X
une fonction de repartition dune loi `a densite f
X
`a support sur R
+
. On consid`ere
X
1
, . . . , X
n
des v.a. i.i.d. de loi F
X
.
On note F
2
X
(x) =
_
x
0
f
X
(y)F
X
(x y)dy la fonction de repartition de S
2
= X
1
+X
2
.
Par iteration, pour tout n 1, la fonction de repartition de S
n
= X
1
+. . . +X
n
, notee F
n
X
, verie
F
n
X
(x) =
_
x
0
f
X
(y)F
(n1)
X
(x y)dy.
avec F
0
X
(x) =
_
1 pour x 0
0 pour x < 0
De meme pour n 1, on note f
n
X
(x) = f
X
. . . f
X
. .
n fois
(x) et f
0
(x) =
_
1 pour x = 0
0 pour x = 0
.
Exemple 3.3. On consid`ere deux temps dattente X
1
et X
2
independants de loi E(), par exemple X
i
represente le temps dattente au guichet i. Alors la somme des temps dattente X
1
+ X
2
admet pour
densite, pour x 0
f
2
X
(x) =
_
x
0
f
X
(y)f
X
(x y)dy =
2
_
x
0
e
x
dy =
2
xe
x
.
On reconnait la loi Gamma(2, ) (resultat bien connu).
Proposition 3.4. On consid`ere le mod`ele de pertes agregees S
N
=

N
i=1
X
i
o` u les X
i
sont i.i.d. de loi
F
X
et independantes de N.
Alors la fonction de repartition de S
N
est
F
S
N
(x) =

n=0
p
n
F
n
X
(x) avec p
n
= P(N = n)
et sa densite est
f
S
N
(x) =

n=0
p
n
f
n
X
(x).
H el`ene Guerin; 2 novembre 2012. 5
Demonstration. On a
F
S
N
(x) = P(S
N
x) =

n=0
P(S
n
x, N = n)
=

n=0
P(S
n
x)P(N = n) par independance entre les X
i
et N
=

n=0
p
n
F
n
X
(x).
Remarque 3.5. Quand la loi des X
i
est discr`ete
Le raisonnement est exactement le meme, sauf qu`a la place davoir des integrales on a des sommes :
S
n
= X
1
+ . . . + X
n
o` u X
i
sont des variables positives i.i.d. de loi discr`ete f
X
(y) = P(X = y) a pour
fonction de repartition
F
n
(x) =
x

y=0
F
(n1)
(x y)f
X
(y), pour x = 0, 1, . . .
et pour loi
P(S
n
= x) = f
n
X
(x) =
x

y=0
f
(n1)
(x y)f
X
(y).
Exemple Assurance Dentaire
Pour un plan dassurance dentaire pour un groupe, on a compile les statistiques des co uts annuel par
personne :
x 1 2 3 4 5
f
X
(x) 0.20 0.30 0.25 0.20 0.05
o` u x represente des unites de 100$. Par ailleurs les frequences estimees des reclamations par police sont
n 0 1 2 3 4
p
n
0.10 0.25 0.3 0.20 0.15
On souhaite calculer la loi du montant total annuel S
N
pour une police de ce groupe.
Il est clair que S
N
est une variable discr`ete `a valeurs dans {0, 1, 2, . . . , 20} (unites de 100$). En utilisant
la formule f
S
N
=

n0
p
n
f
n
(x), on obtient
x f
0
(x) f
1
(x) f
2
(x) f
3
(x) f
4
(x) f
S
(x)
0 1 0 0 0 0 0.1
1 0 0.2 0 0 0 0.05
2 0 0.3 0.04 0 0 0.087
3 0 0.25 0.12 0.008 0 0.1001
4 0 0.2 0.19 0.036 0.0016 0.11444
5 0 0.05 0.23 0.084 0.0096 0.09974
6 0 0 0.2025 0.141 0.0296 0.09339
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19 0 0 0 0 10
4
1.5 10
5
20 0 0 0 0 6.25 10
6
9.375 10
7
p
n
0.10 0.25 0.3 0.20 0.15
H el`ene Guerin; 2 novembre 2012. 6
car
f
2
(2) = P(X
1
+X
2
= 2) = P(X
1
= 1)P(X
2
= 1) = 0.04
f
2
(3) = P(X
1
+X
2
= 3) = 2P(X
1
= 1)P(X
2
= 2) = 0.12
f
2
(4) = P(X
1
+X
2
= 2) = 2P(X
1
= 1)P(X
2
= 3) +P(X
1
= 2)P(X
2
= 2) = 0.19
f
2
(5) = P(X
1
+X
2
= 2) = 2P(X
1
= 1)P(X
2
= 4) + 2P(X
1
= 2)P(X
2
= 3) = 0.23
f
3
(4) = P((X
1
+X
2
) +X
3
= 4) = P((X
1
+X
2
) = 3)P(X
3
= 1) +P((X
1
+X
2
) = 2)P(X
3
= 2) = 0.036
.
.
.
On applique ensuite la formule obtenu precedemment :
f
S
N
(x) =
4

n=0
p
n
f
n
(x).
Le calcul de la loi de S
N
nest pas simple, on verra dans la suite une methode iterative pour la calculer
dans le cas o` u la loi de N appartient `a la famille (a, b, 0).
3.2 Fonction generatrice des moments de S
N
On note M
Y
la fonction generatrice des moments dune variable Y . Alors la fonction generatrice de
S
N
=

N
i=1
X
i
verie
M
S
N
(z) = E
_
e
zX
1
+...+zX
N

n=0
E
_
e
zX
1
+...+zXn
1
N=n

n=0
E
_
e
zX
1
+...+zXn

P(N = n) par independance entre les X


i
et N
=

n=0
E
_
e
zX

n
P(N = n) par independance entre les X
i
= M
N
(ln (M
X
(z)))
3.3 Moments de S
N
Moyenne : par independance entre les X
i
et N on a
E[S
N
] = E
_
E
_
N

i=1
X
i
|N
__
= E
_
N

i=1
E[X
i
|N]
_
= E[N]E[X]
Variance : on utilise la formule de la decomposition de la variance
V ar(S
N
) = E[V ar(S
N
|N)] +V ar(E[S
N
|N])
= E[
N

i=1
V ar(X
i
|N)] +V ar(
N

i=1
E[X
i
|N]) par independance entre les X
i
= E[NV ar(X)] +V ar(NE[X]) car les X
i
sont de meme loi et independants de N
V ar(S
N
) = E[N]V ar(X) +V ar(N)E[X]
2
.
H el`ene Guerin; 2 novembre 2012. 7
Moment centre dordre 3 : de meme, on a
E
_
(S
N
E[S
N
])
3
_
= E[N]E
_
(X E[X])
3
_
+ 3V ar(N)E[X]V ar(X) +E
_
(N E[N])
3
_
E[X]
3
.
En eet,
E
_
(S
N
E[S
N
])
3
_
= E
_
_
_
N

i=1
(X
i
E[X]) + (N E[N])E[X]
_
3
_
_
= E
_
_
_
N

i=1
(X
i
E[X])
_
3
+ (N E[N])
3
E[X]
3
+3
_
N

i=1
(X
i
E[X])
_
2
(N E[N])E[X] + 3
_
N

i=1
(X
i
E[X])
_
(N E[N])
2
E[X]
2
_
_
= E[N]E
_
(X E[X])
3
_
+E
_
(N E[N])
3
_
E[X]
3
+ 3E
_
N

i=1
(X
i
E[X])
2
(N E[N])
_
E[X]
= E[N]E
_
(X E[X])
3
_
+E
_
(N E[N])
3
_
E[X]
3
+ 3V ar(N)V ar(X)E[X].
Exemple Assurance Dentaire
On reprend lexemple precedent. On a E[S
N
] = E[N]E[X] = 2.05 2.6 = 5.33 (en unites de 100$) et
V ar(S
N
) = E[N]V ar(X) +V ar(N)E[X]
2
= 2.05 1.34 + 1.4475 (2.6)
2
= 12.532.
On aurait pu utiliser la loi de S
N
(calculee plus tot), mais les calculs auraient ete plus lourds car S
N
peut
prendre 20 valeurs.
Exemple 3.6. La moyenne et lecart-type observes pour le nombre de reclamations dans les 10 derniers
mois sont 6.7 et 2.3. La moyenne et lecart-type pour la taille des reclamations est de 179 247 et 52 141.
Alors la moyenne et lecart-type pour la perte agregee est
E[S] = 6.7 179 247 = 1 200 955
V ar(S) = 6.7 (52 141)
2
+ (2.3)
2
(179 247)
2
_
V ar(S) = 433 797
On souhaite approcher P(S > 1, 4 1 200 955).
En utilisant lapproximation normale :
P(S > 1, 4 1 200 955) = P(
S 1 200 955
433 797
>
0, 4 1 200 955
433 797
)
P(Z > 1, 107) = 0.134 avec Z N(0, 1).
En utilisant lapproximation Log-Normale : S X avecX Log-Normale(,
2
).
Cherchons les coecients ,
2
convenables :
e
+
2
/2
= 1 200 955 = e
13.9986
e
2+2
2
= (433 797)
2
+ (1 200 955)
2
= e
28,1199
H el`ene Guerin; 2 novembre 2012. 8
On obtient = 13.9373 et
2
= 0.1226 et donc
P(S > 1, 4 1 200 955) P(X > 1681337)
= 1
_
ln(1681337) 13.9373

0.1226
_
= 1 (1.136) = 0.128.
o` u (x) est la fonction de repartition de la loi N(0, 1).
3.4 Cas particulier : variables de Poisson compose
On va utiliser les resultats generaux de la partie precedente pour trouver les proprietes dune variable de
Poisson compose.
Denition 3.7. Une variable de Poisson compose PC(, F
X
) est un mod`ele agrege de pertes o` u la
frequence suit une loi de Poisson :
S = X
1
+. . . +X
N
avec
les variables X
i
sont i.i.d. de loi F
X
,
N suit une loi de Poisson P(),
Les X
i
et N sont independants.
Exemple 3.8. On suppose que la frequence des pertes N suit une loi de Poisson P() et que la severite
suit une loi exponentielle E() de moyenne 1/. Alors S a pour densite
f
S
(x) =

n=0

n
n!
e

f
Gamma(n,)
(x) = e
x

n=0
(x)
n
n!(n 1)!x
.
Densite dun Poisson Compose dans le cas o` u la severite est exponentielle.
Proposition 3.9. Fonction generatrice des moments dun PC
Si S PC(, F
X
), alors
M
S
(z) = e
(M
X
(z)1)
o` u M
X
(z) = E[e
zX
] est la fonction generatrice des moments de X.
Demonstration. Il sut de conditionner par N et utiliser le fait que la fonction generatrice dune loi de
Poisson vaut M
N
(z) =

n=0

n
n!
e

e
zn
= e
(e
z
1)
.
H el`ene Guerin; 2 novembre 2012. 9
Exemple 3.10. Si on suppose que X
i
E(), alors
M
X
(z) =
_

z
si z <
+ sinon
et donc M
S
(z) = e
z
z
si z < et M
S
(z) = sinon.
Propriete 3.11. Moments dun PC
E[S] = E[X], V ar(S) = E[X
2
] et E
_
(S E[S])
3
_
= E[X
3
].
Le coecient de dissymetrie de S
N
est donc
(S) =
E[X
3
]

3/2
E[X
2
]
3/2
=
E[X
3
]

E[X
2
]
3/2
.
On remarque que si X prend des valeurs positives, alors > 0 (la queue de distribution est toujours etalee
vers la droite).
Demonstration. On utilise le fait que si N P(), alors E[N] = V ar(N) = .
De plus, en utilisant la fonction generatrice des moments dune loi Poisson on a E
_
(N E[N])
3
_
= et
donc
E
_
(S E[S])
3
_
= E
_
(X E[X])
3
_
+ 3E[X]V ar(X) +E[X]
3
= E[X
3
].
Remarque : on peut directement calculer E
_
(S E[S])
3
_
sans utiliser la formule precedente (qui est
impossible `a retenir !), en utilisant la fonction generatrice des moments de S. En eet,
E
_
(S E[S])
3
_
= E
_
S
3

3E
_
S
2

E[S] + 2E[S]
3
= M
(3)
S
(0) 3E[X]M

S
(0) + 2
3
E[X]
3
.
Comme M
S
(z) = e
(M
X
(z)1)
, M

S
(z) = M

X
(z)e
(M
X
(z)1)
, M

S
(z) =
_
M

X
(z) +M

X
(z)
2
_
e
(M
X
(z)1)
et M
(3)
S
(z) =
_
M
(3)
X
(z) + 3M

X
(z)M

X
(z) +
2
M

X
(z)
3
_
e
(M
X
(z)1)
, on a
E
_
(S E[S])
3
_
=
_
E[X
3
] + 3E[X]E[X
2
] +
2
E[X]
3
_
3
2
E[X]
_
E[X
2
] +E[X]
2
_
+ 2
3
E[X]
3
= E[X
3
].
Exemple 3.12. Si S PC(, F
X
) avec F
X
(x) = 1
_

x+
_

loi de Pareto(, ), avec > 3.


On sait que
E[X] =

1
E[X
2
] =
2
2
( 1)( 2)
E[X] =
6
3
( 1)( 2)( 3)
et donc
E[S] =

1
V ar(S) =
2
2
( 1)( 2)
(S) =
3
_
( 1)( 2)

2( 3)
.
H el`ene Guerin; 2 novembre 2012. 10
Propriete 3.13. Somme de PC
Soient k 1 xe et S
1
, . . . , S
k
des v.a. de Poisson compose independantes : S
i
PC(
i
, F
i
). Alors
S
1
+. . . +S
k
est un PC(, F) avec
=
k

i=1

i
, F(x) =
1

i=1

i
F
i
(x).
Demonstration. Calculons la fonction generatrice des moments de S = S
1
+. . . +S
k
:
E[e
zS
] =
k

i=1
E[e
zS
i
] par independance
=
k

i=1
e

i
(M
i
(z)1)
= exp
_

_
k

i=1

M
i
(z) 1
__
.
Par ailleurs, on remarque que
k

i=1

M
i
(z) est la fonction generatrice de la loi melange F(x) =
1

k
i=1

i
F
i
(x).
H el`ene Guerin; 2 novembre 2012. 11
4 Prime Stop-Loss
Il est usuel dappliquer une franchise sur le montant des pertes.
Denition 4.1. Un contrat dassurance avec une franchise d sur les pertes est appele Stop-Loss. Son co ut
moyen est appele prime stop-loss nette ( stop-loss premium) et vaut
E[(S d)
+
] o` u x
+
= max(x, 0),
o` u S est le montant des sinistres.
On remarque que
E[(S d)
+
] =
_

d
(x d)f
S
(x)dx =
_

d
[1 F
S
(x)]dx dans le cas o` u les pertes sont `a densite,
E[(S d)
+
] =

xd
(x d)f
S
(x) =

xd
[1 F
S
(x)] dans le cas o` u les pertes sont discr`etes.
Demonstration. En eet, dans le cas `a densite
_

d
[1 F
S
(x)]dx = [(1 F
S
(x))(x d)]

d
+
_

d
(x d)f
S
(x)dx par IPP avec u = 1 F
S
(x) et v = x d
=
_

d
(x d)f
S
(x)dx.
et dans le cas discret

xd
[1 F
S
(x)] =

xd
P(S > x) =

xd

y>x
f
S
(y)
=

y>d

dx<y
f
S
(y) =

y>d
(y d)f
S
(y) =

yd
(y d)f
S
(y).
0 5 10 15 20
0
1
2
3
4
5
Evolution de la prime StopLoss pour un Poisson Compos (10,Exp(2))
d
P
r
im
e

S
t
o
p

L
o
s
s
Theorem 4.2. Soit a < b tels que P(a < S < b) = 0. Alors pour a d b, on a
E[(S d)
+
] =
b d
b a
E[(S a)
+
] +
d a
b a
E[(S b)
+
].
La prime stop-loss peut etre calculee par interpolation lineaire.
H el`ene Guerin; 2 novembre 2012. 12
Demonstration. Lhypoth`ese signie que F
S
(x) = F
S
(a) pour tout x [a, b). On a donc
E[(S d)
+
] =
_

d
(1 F
S
(x))dx
= E[(S a)
+
]
_
d
a
(1 F
S
(x))dx = E[(S a)
+
] (d a)(1 F
S
(a))
= E[(S b)
+
] +
_
b
d
(1 F
S
(x))dx = E[(S b)
+
] + (b d)(1 F
S
(a))
Par consequent, en faisant la dierence, on a (b a)(1 F
S
(a)) = E[(S a)
+
] E[(S b)
+
] et donc
E[(S d)
+
] =
d a
b a
E[(S b)
+
] +
b d
b a
E[(S a)
+
].
La preuve dans le cas discret est similaire, il sut de remarquer que :
E[(S d)
+
] = E[(S a)
+
]

ax<d
(1 F
S
(x)) = E[(S b)
+
] +

dx<b
(1 F
S
(x)).
Exemple Assurance Dentaire
Reprenons lexemple precedent. On souhaite calculer le prime stop-loss avec une franchise de 100$, de
150$, de 200$ et enn de 1800$.
1. pour d = 1 (S
N
a ete etudie en unite de 100$) : on a
E[(S
N
1)
+
] = E[S
N
1]

x1
(x 1)f
S
(x)
= 5.33 1 (1.f
S
(0) + 0.f
S
(1))
= 4.33 + 0.1 = 4.43 (unites de 100$).
2. pour d = 2 : on a
E[(S
N
2)
+
] = E[S
N
2]

x2
(x 2)f
S
(x)
= 5.33 2 (2.f
S
(0) 1.f
S
(1) 0..f
S
(2))
= 3.33 + 2 0.1 + 1 0.05 = 3.58.
3. pour d = 1, 5 : on a P(1 < S < 2) = 0 (S est `a valeurs enti`eres), par consequent
E[(S
N
1.5)
+
] = 0.5E[(S
N
1)
+
] + 0.5E[(S
N
2)
+
]
= 4.005
4. pour d = 18 : on a
E[(S
N
18)
+
] =

x>18
(x 18)f
S
(x) = f
S
(19) + 2.f
S
(20)
= 1, 6875 10
5
H el`ene Guerin; 2 novembre 2012. 13
Remarque 4.3. Dans le cas discret, si on suppose S
N
`a valeurs dans {0, h, 2h, 3h, . . .} pour h > 0 xe.
On note f
k
= P(S = kh). alors
E[(S (k + 1)h)
+
] = E[(S kh)
+
] h(1 F
S
(kh)).
Cette remarque permet de calculer la prime stop-loss pas `a pas dans le cas discret.
On a bien dans lexemple precedent,
E[(S
N
2)
+
] = E[(S
N
1)
+
] (1 F
S
N
(1)) = 4.43 (1 0.1 0.05) = 3.58.
Demonstration.
E[(S kh)
+
] =

xkh
(x kh)f
k
=

ik
(ih kh)f
k
= h

ik+1
(i k)f
k
= h

ik+1

j = 0
ik1
f
k
= h

j0

i k +j + 1f
k
= h

j0
[1 F
S
((k +j)h)]
Par consequent,
E[(S kh)
+
] = h(1 F
S
(kh)) +h

j1
[1 F
S
((k +j)h)] = h(1 F
S
(kh)) +E[(S (k + 1)h)
+
].
H el`ene Guerin; 2 novembre 2012. 14
5 Resultats analytiques : calculs explicites et approximations de la loi
de S
N
En general, la fonction de repartition de S
N
est dicilement calculable. Cependant, il existe certains cas
o` u on a des resultats analytiques plus ou moins faciles `a utiliser.
Exemple 5.1. Si N suit une geometrique G() et X suit une exponentielle de moyenne
La fonction generatrice de N est
M
N
(z) =
1
1 (e
z
1)
et celle de X est
M
X
(z) =
1
1 z
si z < 1/
Alors
M
S
N
(z) = M
N
(ln (M
X
(z))) =
1 z
1 (1 +)z
=
(1 +)(1 z)
(1 +)(1 (1 +)z)
=
1
(1 +)
+

+ 1
1
1 (1 +)z
Ceci est le fonction generatrice des moments dune loi connue. Il sagit en fait du melange qui vaut 0 avec
probabilite 1/( +1) et qui vaut E avec probabilite /( +1) et E suit une loi exponentielle de moyenne
( + 1).
La variable S
N
Loi
= Z E o` u Z Bernoulli de param`etre /( + 1) et E Exp de moyenne ( + 1)
avec Z et E independantes.
La fonction de repartition dune telle variable est, pour x 0
F
S
N
(x) =
1
(1 +)
+

+ 1
(1 e
x
(+1)
) = 1

+ 1
e
x
(+1)
.
5.1 Lois fermees pour la convolution
Denition 5.2. La loi f
X
(x, ) dune variable X est dite fermee pour la convolution si la loi de la somme
de n variables independantes de loi f
X
(x, ) est f
X
(x, n), i.e. f
X
(x, )
n
= f
X
(x, n) (on reste dans la
meme famille).
Exemple 5.3. La loi Gamma, la loi binomiale negative et la loi Normale sont fermees pour la convolution.
Exemple 5.4. Linverse Gaussienne est fermee pour la convolution
Demonstration. On consid`ere linverse Gaussienne IG(, ). On souhaite montrer que si X
1
, . . . , X
n
sont
des variables independantes de loi IG(, ), alors X
1
+. . . +X
n
a pour loi IG(n, ).
La fonction generatrice des moments dune IG(, ) est
M
X
(z) =

2
e

_

0
e
zx
x
3/2
exp
_

1
2
(
2
x
1
+
2
x)
_
dx
=

2
e

_

0
x
3/2
exp
_

1
2
(
2
x
1
+ (
2
2z)x)
_
dx
=

2
e

2
2z
_
R
f
IG(,

2
2z)
(x)dx
= e

2
2z+

pour z <
2
/2.
H el`ene Guerin; 2 novembre 2012. 15
Par consequent,
M
X
1
+...+Xn
(z) = (M
X
(z))
n
= e
n

2
2z+

pour z <
2
/2.
Par consequent, X
1
+. . . +X
n
IG(n, ).
Les calculs numeriques de la loi dune somme agregee sont plus simples lorsque
N prend un nombre ni de valeurs (par exemple, loi Binomiale),
la loi de X est fermee pour la convolution.
5.2 Methode dinversion
Il est en general plus facile de calculer la fonction generatrice de S que sa densite. On va voir une methode
dinversion permettant de trouver la loi de S `a partir non pas de sa fonction generatrice, mais de sa
transformee de Fourier.
La transformee de Fourier de S est denie par

f
S
(z) = E[e
izS
] =
_
R
e
izx
f
S
(x)dx = M
S
(iz) avec z R.
Le theor`eme de Levy stipule que si la transformee de Fourier

f
S
est integrable, alors
f
S
(x) =
1
2
_
R
e
izx

f
S
(z)dz.
Il existe dierentes methodes numeriques pour calculer ce type dintegrale. Cette methode ne sera pas
exploitee dans ce cours.
5.3 Algorithme de Panjer pour calculer la loi de S
N
pour des severites discr`etes
On se place dans le cadre o` u N appartient `a la famille (a, b, 0) et o` u X est discr`ete `a valeurs dans
{0, 1, 2, . . . , m} (m peut etre ). On va montrer quon a alors une formule recursive pour calculer f
S
N
.
Comme N appartient `a la famille (a, b, 0), p
n
= P(N = n) verie
p
n
= (a +
b
n
)p
n1
, n 1.
La loi de S
N
est denie comme la somme ponderee des convolees de la loi de X :
f
Sn
(x) =

n=0
p
n
f
n
X
(x) avec f
n
X
(x) =
x

y=0
f
X
(y)f
(n1)
X
(x y).
Faisons dabord deux remarques :
E[X
1
|
n

i=1
X
i
= x] =
x
n
P(X
1
= y|
n

i=1
X
i
= x) =
f
X
(y)f
(n1)
X
(x y)
f
n
X
(x)
pour y {0, 1, . . . , x}.
H el`ene Guerin; 2 novembre 2012. 16
En eet,
nE[X
1
|
n

i=1
X
i
= x] =
n

i=1
E[X
i
|
n

i=1
X
i
= x] = x car les X
i
sont de meme loi,
P(X
1
= y|
n

i=1
X
i
= x) =
P(X
1
= y,

n
i=2
X
i
= x y)
P(

n
i=1
X
i
= x)
=
P(X
1
= y)P(

n
i=2
X
i
= x y)
P(

n
i=1
X
i
= x)
par independance entre les X
i
=
f
X
(y)f
(n1)
X
(x y)
f
n
X
(x)
.
On obtient par consequent, pour x 1
f
S
N
(x) =

n=0
p
n
f
n
(x) =

n=1
(a +
b
n
)p
n1
f
n
X
(x) car pour x 1, f
0
X
(x) = 0
= a

n=1
p
n1
f
n
X
(x) +b

n=1
E
_
X
1
x
|
n

i=1
X
i
= x
_
p
n1
f
n
X
(x)
= a

n=1
p
n1
x

y=0
f
X
(y)f
(n1)
X
(x y) +b

n=1
x

y=0
y
x
f
X
(y)f
(n1)
X
(x y)
f
n
X
(x)
p
n1
f
n
X
(x)
= a
x

y=0
f
X
(y)

n=1
p
n1
f
(n1)
X
(x y) +b
x

y=0
y
x
f
X
(y)

n=1
p
n1
f
(n1)
X
(x y)
= a
x

y=0
f
X
(y)f
S
N
(x y) +b
x

y=0
y
x
f
X
(y)f
S
N
(x y)
= af
X
(0)f
S
N
(x) +
x

y=1
_
a +
y
x
_
f
X
(y)f
S
N
(x y)
Proposition 5.5. Si N appartient `a la famille (a, b, 0) et si X est `a valeurs discr`etes, alors pour tout
n 1
f
S
N
(x) =
1
1 af
X
(0)
x

y=1
_
a +b
y
x
_
f
S
N
(x y)f
X
(y).
On peut donc calculer f
S
N
(x) pour x 1 de facon recursive :
f
S
N
(0) =

n=0
p
n
(f
X
(0))
n
f
S
N
(1) =
1
1 af
X
(0)
(a +b)f
S
N
(0)f
X
(1)
f
S
N
(2) =
1
1 af
X
(0)
[(a +b/2)f
S
N
(1)f
X
(1) + (a +b)f
S
N
(0)f
X
(2)]
.
.
.
Remarque 5.6.
H el`ene Guerin; 2 novembre 2012. 17
Si m est ni, alors f
X
(y) = 0 pour y > m et donc la formule se reecrit
f
S
N
(x) =
1
1 af
X
(0)
xm

y=1
_
a +b
y
x
_
f
S
N
(x y)f
X
(y)
o` u x m = min(x, m).
Si f
X
(0) = P(X = 0) = 0, alors f
S
N
(0) = p
0
= P(N = 0).
Si f
S
N
(0) est tr`es petite au point que la calculatrice lui associe la valeur 0, alors en utilisant cette methode
la calculatrice donnera f
S
N
(x) = 0 pour tout x 1 ! ! ! (ce qui est impossible car

x0
f
S
N
(x) = 1). On
ne peut pas appliquer la formule recursive directement. On verra plus tard un moyen de contourner ce
probl`eme dans le cadre des v.a. de Poisson compose.
Un autre inconvenient de cette methode est quon accumule au fur et `a mesure les erreurs darrondi.
Notamment si N suit une loi binomiale (a < 0) et on pourrait se retrouver avec des probabilites negatives
`a cause des erreurs darrondi.
Exemple 5.7. Supposons que N suit une loi de Poisson P(). N est dans la famille (a, b, 0) avec a = 0
et b = . Par consequent
f
S
N
(x) =

n
x

y=1
xf
S
N
(x y)f
X
(y).
Application 5.8. Double composition
Lorsquon regarde le cas des reclamations pour des polices couvrant plusieurs individus, la frequence est
elle meme un mod`ele compose. Par exemple, on pourrait imaginer que chaque police couvre au maximum
n personnes qui ont chacune une probabilite q davoir un sinistre :
N =
M

i=1
N
i
avec M P() et N
i
Binomiale(n, q)
o` u N
i
est le nombre de reclamations de la police i et M le nombre de police.
N est un PC(, Binomiale(n, q)) et nest pas dans la famille (a, b, 0). On ne pas utiliser directement la
formule recursive.
Par contre, en decoupant selon chaque police dassurance, on a
S
N
=
N

j=1
X
j
(loi)
=
M

i=1
S
i
avec S
i
=
N
i

j=1
X
j
.
Comme N Binomiale(n, q) il appartient `a la famille (a, b, 0), on peut donc utiliser la formule recursive
pour calculer la loi de S avec a = q/(1 q) et b = (n + 1)q/(1 q). Puis, comme M appartient aussi `a
la famille (a, b, 0) avec a = 0 et b = , on en deduit la loi de S.
Exemple 5.9. Placons nous dans le cadre de lapplication precedente en supposant que X ne prenne que
deux valeurs
P(X = 1) = P(X = 2) = 1/2
et que N Binomiale(n = 2, q = 1/2) et M P(1). S est `a valeurs dans {0, 1, 2, 3, 4} et a = 1 et b = 3
f
S
(0) = P(N = 0) = 1/2
2
= 1/4
f
S
(1) = 2.1/4.1/2 = 1/4
f
S
(2) = (1 + 3/2).1/4.1/2 + 2.1/4.1/2 = 5/16
f
S
(3) = (1 + 1).5/16.1/2 + (1 + 2)1/4.1/2 = 1/8
f
S
(4) = (1 + 3/4).1/8.1/2 + (1 + 6/4).5/16.1/2 = 1/64 + 5/64 = 1/16.
H el`ene Guerin; 2 novembre 2012. 18
S
N
est `a valeurs dans N, avec a = 0 et b = 1
f
S
(0) = e
1

m=0
1
m!4
m
= e
3/4
= 0.4723
f
S
(1) = f
S
(0)f
S
(1) =
1
4
e
3/4
= 0.1181
f
S
(2) =
1
2
_
f
S
(1)f
S
(1) + 2f
S
(0)f
S
(2)
_
=
1
2
_
1
16
+
10
16
_
e
3/4
=
11
32
e
3/4
= 0.1624
f
S
(3) =
1
3
_
f
S
(2)f
S
(1) + 2f
S
(1)f
S
(2) + 3f
S
(0)f
S
(3)
_
=
1
3
_
11
128
+
10
64
+
3
8
_
e
3/4
=
79
384
e
3/4
= 0.0972
.
.
.
f
S
(x) =
1
n
x4

y=1
xf
S
(x y)f
S
(y)
Remarque 5.10. Supposons que N suit une loi de Poisson P() et que f
S
(0) est tr`es proche de zero.
Pour pouvoir tout de meme utiliser la formule recursive, on xe k 1 et on denit N

P(

) avec

= /2
k
.
On remarque que N est la somme de 2
k
variables N

independantes.
On applique la formule recursive avec N

pour calculer la loi de S

i=1
X
i
et en utilisant la double
composition on obtient la loi de S
(loi)
=

2
k
j=1
S

j
avec S

j
i.i.d. de meme loi que S

en calculant les convolees


successives de f
S
via la formule :
f
n
S
(x) =

y0
f
S
(y)f
(n1)
S

(x y).
Plus k est grand plus la valeur de f
S
(0) sera grande. Il faut donc choisir k susamment grand pour
que f
S
(0) soit assez grand, mais pas trop grand an que le calcul de la loi de

2
k
j=1
S

j
ne soit pas trop
penible.
Exemple 5.11. Supposons que N P(1) et X de loi
x 0 1 2 3 4
f
X
(x) 1/4 1/4 5/16 1/8 1/16
On a f
S
(0) = e
3/4
= 0.4723. Meme si f
S
(0) est susamment grand, on va utiliser la remarque precedente
avec k = 1.
On a f
S
(0) =

n=0
(1/4)
n
(1/2)
n
n!
e
1/2
= e
1/81/2
= e
3/8
= 0.6873, qui est bien plus grand que f
S
(0).
En utilisant R, on calcule la loi de S

x 0 1 2 3 4 . . .
f
S
(x) 0.6873 0.0859 0.1127 0.0566 0.0361 . . .
Pour trouver la loi de S = S

1
+S

2
avec S

1
et S

2
independantes de meme loi que S

, on utilise R :
x 0 1 2 3 4 . . .
f
S
(x) 0.4724 0.1181 0.1624 0.0972 0.0720 . . .
H el`ene Guerin; 2 novembre 2012. 19
5.4 Generalisation de lalgorithme de Panjer `a des severites continues
Supposons que N appartient `a la famille (a, b, 0) et que X suit une loi f
X
sur R
+
. On peut montrer que
la densite de S
N
=

N
i=1
X
i
verie
f
S
N
(x) = p
1
f
X
(x) +
_
x
0
_
a +b
y
x
_
f
X
(y)f
S
N
(x y)dy.
Cette formule est beaucoup moins exploitable que dans le cas discret. Il existe cependant des methodes
numeriques pour trouver une approximation de la solution de ce type dequation, methodes que nous ne
verrons pas.
Lidee quon va plutot utiliser est la suivante :
on discretise la loi de X (on parle darithmetisation des lois continues),
on applique la formule de Panjer avec la loi discretisee de X.
Le but de cette section est dexpliquer la discretisation de lois continues par dierentes methodes.
Notations :
Si F
X
est la fonction de repartition de la variable X, alors
F
X
(x

) = P(X < x).


Soit h une fonction et F
X
une fonction de repartition, on note
_
v
u
h(x)dF
X
(x) =
_
[u,v)
h(x)dF
X
(x).
Si F
X
est la fonction de repartition dune loi `a densite f
X
, on a alors
_
v
u
h(x)dF
X
(x) =
_
v
u
h(x)f
X
(x)dx.
5.4.1 Methode des arrondis
On note F
X
la fonction de repartition de X. On choisit le pas de discretisation h > 0.
On approche la loi F
X
par une loi discr`ete sur {0, h, 2h, . . .}.

h 2h 3h 4h 5h
H el`ene Guerin; 2 novembre 2012. 20
On denit
f
h
(0) = P(X <
h
2
) = F
X
(h/2)
f
h
(h) = P(
h
2
X < h +
h
2
) = F
X
((h +h/2)) F
X
(h/2)
.
.
.
f
h
(jh) = P(jh
h
2
X < jh +
h
2
) = F
X
((jh +h/2)) F
X
((jh h/2))
On remarque que lon a bien

j=0
f
h
(j) =

j=0
F
X
((jh +h/2)) F
X
((jh h/2)) = lim
j
F
X
((jh +h/2)) = 1.
Exemple 5.12. Si X suit la loi Exp(0.1). On choisit h = 2, on a alors
f
h
(0) = P(X < 1) = 1 e
0.1
f
h
(2) = P(1 X < 3) = e
0.1
e
0.3
.
.
.
f
h
(2j) = P(2j 1 X < j + 1) = e
0.1(2j1)
e
0.1(2j+1)
On trouve
x = 2j 0 2 4 6 . . .
f
2
(x) 0.09516258 0.16401920 0.13428756 0.10994536 . . .
Plus on garde de decimal dans lapproximation de f
X
meilleur est cette methode. Le grand interet de
cette methode est quelle est tr`es facilement implementable avec nimporte quel logiciel.
5.4.2 Methode des moments
Attention cafouillage : il se peut que la notation du cours soit leg`erement de celle des notes pour les poids :
m
k
j
, m
j
k
. . .
On choisit p > 0 et h > 0.
On va construire une loi discr`ete dont ses moments jusqu`a lordre p correspondent aux moments de la
loi initiale des severites.
Considerons un intervalle arbitraire de longueur ph : [x
k
, x
k
+ph), avec h > 0 xe.
On associe au point x
k
, x
k
+ h, x
k
+ 2h, . . . , x
h
+ ph les poids m
0
k
, m
1
k
, m
2
k
, . . . , m
p
k
de tel mani`ere que les
p premiers moments sur lintervalle [x
k
, x
k
+ph) soient preserves :
p

j=0
(x
k
+jh)
r
m
j
k
=
_
x
k
+ph
x
k
x
r
dF
X
(x) pour r = 0, 1, . . . , p.
On pose x
0
= 0 et x
k+1
= x
k
+ph (i.e. x
k
= kph).
`
A chaque point on associe les poids suivants
x0 = 0 f
h
(0) = m
0
0
x1 = x0 + ph f
h
(p) = m
p
0
+ m
0
1
x2 = x1 + ph f
h
(2p) = m
p
1
+ m
0
2
. . .
x0 + h f
h
(1) = m
1
0
x1 + h f
h
(p + 1) = m
1
1
x2 + h f
h
(2p + 1) = m
1
2
. . .
.
.
.
.
.
.
.
.
.
.
.
.
x0 + (p 1)h f
h
(p 1) = m
p1
0
x1 + (p 1)h f
h
((2p 1)h) = m
p1
1
x2 + (p 1)h f
h
((3p 1)h) = m
p1
2
. . .
H el`ene Guerin; 2 novembre 2012. 21

X
0
=0
X
0
1
=
h
X
0
2
=
2h
X
0
3
=
3h
.
X
0
p-1
=
(p-1)h
X
1
=X
0
p
=ph
X
1
1
=
X
1
+h
X
1
2
=
X
1
+2h
m
0
0
m
0
1
m
0
2
m
0
3
m
0
p-1
m
0
p
+m
1
0
m
1
1
m
1
2
Verions que les p premiers moments de la loi discretisee f
h
sont egaux `a ceux de la loi F
X
. Soit r p,
on a
_

0
x
r
dF
X
(x) =

k=0
_
x
k+1

x
k
x
r
dF
X
(x)
=

k=0
p

j=0
(x
k
+jh)
r
m
j
k
=

k=0
p1

j=0
(x
k
+jh)
r
f
h
(kp +j).
Il reste maintenant `a trouver les valeurs m
j
k
qui verient la relation
p

j=0
(x
k
+jh)
r
m
j
k
=
_
x
k
+ph
x
k
x
r
dF
X
(x) pour r = 0, 1, . . . , p.
Proposition 5.13. On a
m
j
k
=
_
x
k
+ph
x
k
p

i=0
i=j
x x
k
ih
(j i)h
dF
X
(x) j = 0, 1, . . . , p.
De mani`ere general on utilise cette discretisation avec p = 1, 2 ou 3.
Demonstration. Soit g une fonction qui passe par les points (y
0
, g(y
0
)), (y
1
, g(y
1
)), . . . , (y
n
, g(y
n
)). Le
polynome de Lagrange P
g
est le seul polynome de degre au plus n qui approche la fonction g en passant
par les points (y
0
, g(y
0
)), (y
1
, g(y
1
)), . . . , (y
n
, g(y
n
)) :
P
g
(y) =
n

j=0
g(y
j
)

i=j
y y
i
y
j
y
i
.
H el`ene Guerin; 2 novembre 2012. 22
On utilise cette approximation pour la fonction polynomiale g(y) = y
r
avec les y
j
= x
k
+jh, j = 0 . . . , p :
pour y [x
k
, x
k
+ph)
P
r
(y) = y
r
=
p

j=0
(x
k
+jh)
r

i=j
y x
k
ih
(j i)h
On int`egre par rapport `a la loi de X sur [x
k
, x
k
+ph) et on obtient
_
x
k
+ph
x
k
y
r
dF
X
(y) =
p

j=0
(x
k
+jh)
r
_
x
k
+ph
x
k

i=j
y x
k
ih
(j i)h
dF
X
(y)
. .
m
j
k
.
Exemple 5.14. Si X suit la loi Exp(0.1). On va utiliser la methode avec p = 1 et h = 2. On a donc
x
0
= 0 f
h
(0) = m
0
0
, x
1
= 2 f
h
(1) = m
1
0
+m
0
1
, . . . , x
k
= 2k f
h
(k) = m
1
k1
+m
0
k
, . . .
Calculons les valeurs m
j
k
:
m
0
k
=
_
2k+2
2k
x 2k 2
2
0.1e
0.1x
dx =
__
x 2k 2
2
+
1
0.2
_
e
0.1x
_
2k+2
2k
= 5e
0.1(2k+2)
4e
0.12k
m
1
k
=
_
2k+2
2k
x 2k
2
0.1e
0.1x
dx =
__

x 2k
2

1
0.2
_
e
0.1x
_
2k+2
2k
= 6e
0.1(2k+2)
+ 5e
0.12k
On a par consequent
x = 2k 0 2 4 6 . . .
f
2
(x) m
0
0
m
1
0
+m
0
1
m
1
1
+m
0
2
= m
1
2
+m
0
3
. . .
= 0.09365377 = 0.16429270 = 0.13451149 = 0.11012869
Cette methode de discretisation est meilleur que la premi`ere dans le sens o` u elle approche la loi continue
sans biais sur les p premiers moments, mais elle est malheureusement plus compliquee `a implementer.
Dans le package actuar de R, il y a la fonction discretize qui permet de discretiser une loi continue
avec dierentes methodes : upper qui correspond `a la methode des arrondis par valeur superieur, lower
qui correspond `a la methode des arrondis par valeur inferieur, rounding qui correspond `a la methode des
arrondis comme expliquee ici et enn unbiased qui correspond `a la methode des moments avec p = 1.
H el`ene Guerin; 2 novembre 2012. 23
6 Inuence de la police dassurance sur les pertes agregees
Le nombre de pertes considerees et le montant des paiements eectues par un assureur dependent des
termes du contrat dassurance (par exemple de la franchise, du taux maximal de remboursement, etc. . . ).
On introduit
N le nombre des pertes,
N
P
le nombre de paiements,
X
j
le montant de la perte j et
Y
j
le montant du paiement pour la j
`eme
perte.
On va dans cette partie sinteresser aux variables N
P
et Y
j
.
Exemple 6.1. Si la police dassurance comprend juste une franchise d, alors une perte a une probabilite
P(X > d) davoir un paiement. Il y a des pertes qui nauront pas de paiement.
Par ailleurs, le paiement sera Y = (Xd)
+
pour une perte valant X. (Voir lexemple 1.2 de ce chapitre).
6.1 Nombre et montant des paiements
Notons v = P( la perte X induit un paiement Y ) la probabilite davoir un paiement et g la fonction qui
donne la valeur du paiement en fonction du montant de la perte :
Y = g(X).
On introduit les variables I
j
= 1
Y
j
>0
=
_
0 si Y
j
= 0
1 si Y
j
> 0
pour chaque paiement Y
j
. La variable I suit une
loi Bernoulli(v). Le nombre total de paiements est donc
N
P
=
N

j=1
I
j
.
Dans un mod`ele de pertes agregees le nombre de perte N et les montants des pertes X
j
sont (en general)
supposes independants. Par consequent, les variables N et I
j
sont independantes et N
P
est une somme
composee.
On remarque que
E[N
P
] = vE[N].
La fonction generatrice des moments de N
P
est donnee par :
M
N
P (z) = E
_
e
zN
P
_
= E
_
(1 +v(e
z
1))
N
_
.
Exemple 6.2. Supposons que N BN(r = 2, = 3) et X Pareto( = 3, = 1000). On consid`ere
une police avec une franchise d = 250$. Par consequent :
Y = (X 250)
+
et v = P(X > 250) =
_
1000
1000 + 250
_
3
= 0.512.
Comme N BN(r = 2, = 3),
P
N
(z) = E
_
z
N

=
_
1
1 3(z 1)
_
2
H el`ene Guerin; 2 novembre 2012. 24
la fonction generatrice du nombre de paiements est :
M
N
P (z) =
_
1
1 3v(e
z
1))
_
2
.
On reconnait la fonction generatrice de la loi BN(r = 2,

= 3v). Ce resultat est logique car une loi


Binomiale negative represente le nombre dechecs necessaires pour avoir r succ`es. En introduisant une
franchise, on a juste modie la probabilite davoir un succ`es.
Le nombre moyenne de pertes est E[N] = r = 6 alors que le nombre moyen de paiements est E[N
P
] =
6v = 3, 072.
Si jamais la compagnie decide de passer dune franchise de 250$ `a 500$, le nombre moyenne de paiements
sera alors
E[N
P
] = 6
_
1000
1000 + 500
_
3
= 1, 778.
6.2 Paiements eectifs
On peut vouloir ne sinteresser quaux paiements eectifs : Y
P
= Y |Y > 0. On a P(Y
P
= 0) = 0.
Nos donnees ne concernent alors que les pertes qui ont donne lieu `a un paiement (on nest pas au courant
des pertes qui nont pas enclenche de paiement.)

Etudions la loi de Y
P
:
F
Y
P (y) = P(Y
P
y) = P(Y y|Y > 0)
=
P(0 < Y y)
P(Y > 0)
=
P(Y y) P(Y = 0)
v
=
1
v
F
Y
(y)
(1 v)
v
.
M
Y
p(z) = E[e
zY
|Y > 0] =
1
v
M
Y
(z)
1 v
v
Exemple 6.3. Considerons une police avec une franchise d = 2. On suppose que le montant des pertes
X Exp de moyenne = 10. On a
Y = g(X) = (X 2)
+
.
Cherchons la loi de Y
P
. On a v = P(X > 2) = e
0.2
. Par ailleurs, pour y 0
F
Y
(y) = P((X 2)
+
y) = P(X y + 2) = 1 e

y+2
10
et donc
F
Y
P (y) = e
0.2
_
1 e

y+2
10
_
e
0.2
_
1 e
0.2
_
= 1 e
y
10
On remarque que Y
P
Exp de moyenne 10.
Remarque 6.4. Si on connat X on peut connatre Y et Y
P
.
Si on connat la loi de Y
P
, on peut connatre Y .
Le paiements total des pertes secrit
S =
N

j=1
Y
j
=
N
P

j=1
Y
P
j
.
H el`ene Guerin; 2 novembre 2012. 25
Si on regarde la loi de S, on a alors
M
S
(z) = E
_
M
Y
(z)
N

= E
_
(1 v +vM
Y
P (z))
N

= E
_
M
Y
p(z)
N
P
_
Les pertes agregees peuvent donc etre modelisees en terme de Y ou de Y
P
. Le choix dependra des donnees
disponibles et des calculs `a faire.
Exemple 6.5. On suppose que le nombre de pertes suit une loi Poisson( = 3) et que le montant des
pertes X Pareto( = 4, = 10).
On consid`ere une police dassurance avec une franchise d = 6$ et qui rembourse 75% des pertes en lexc`es.
On souhaite trouver la loi des pertes agregees et leur montant espere.
1. Si on utilise S =

N
j=1
Y
j
avec Y
j
= 0.75(X
j
6)
+
, on a E[S] = E[N]E[Y ], avec E[N] = 3 et
E[Y ] = 0.75E[(X 6)
+
]
= 0.75[E[X] E[X 6]] = 0.75[E[X] Lev
X
(6)]
= 0.75
_

1


1
_
1
_

6 +
_
1
__
ou
= 0.75[E[(X 6)1
X>6
]] = 0.75
_

6
(x 6)

(x +)
+1
dx
= 0.75
_

6
_

(x +)


( + 6)

(x +)
+1
_
dx =
0.75
1

(6 +)
+1
= 0.61035.
et donc E[S] = 1.83105.
2. Si on utilise S =

N
P
j=1
Y
P
j
, il faut calculer E[N
P
] et E[Y
P
]. On remarque que N
P
suit la loi
Poisson(v) avec v =
_

6+
_

= 0.1526 et = 3.
Cherchons la loi de S : on a, pour y > 0
F
Y
P (y) = P(0.75(X 6) y|X > 6) = 1 P(X > 6 +y/0.75|X > 6)
= 1
P(X > 6 +y/0.75)
P(X > 6)
= 1
_
6 +
6 +y/0.75 +
_

= 1
_
16
16 +y/0.75
_
4
Pour obtenir la loi de S, on peut discretiser la loi de Y
P
(par la methode des moments ou des
arrondis) et ensuite utiliser lalgorithme de Panjer avec N
P
appartient `a la la famille (a, b, 0) avec
a = 0 et b = 3v = 0.45776.
7 Quelques mots `a propos du mod`ele individuel
Ce mod`ele a ete introduit en assurance vie. On consid`ere n polices dassurance, n est connu (cest une
constante). On note X
i
le montant des reclamation de la i
`eme
police. Le montant total des reclamations
est
S =
n

i=1
X
i
H el`ene Guerin; 2 novembre 2012. 26
o` u les X
i
sont supposes independants, mais pas forcement de meme loi.
En assurance vie, on a X
i
=
_
0 si la personne i est en vie
b
i
si la personne i dec`ede
, b
i
etant le montant inscrit dans la police
dassurance de la personne i.
On note q
i
la probabilite que la personne i dec`ede. On a donc P(X
i
= b
i
) = 1 P(X
i
= 0) = q
i
Remarque 7.1. Si les X
i
sont i.i.d. avec b
i
= 1 alors S Binomiale(n, q).
Le montant moyen des reclamations est
E[S] =
n

i=1
E[X
i
] =
n

i=1
b
i
q
i
.
Comme les X
i
sont independants, la variance des reclamations est
V ar(S) =
n

i=1
V ar(X
i
) =
n

i=1
b
2
i
q
i
(1 q
i
).
La fonction generatrice des moments de S est par independance des X
i
M
S
(z) =
n

i=1
M
X
i
(z) =
n

i=1
(q
i
e
zb
i
+ (1 q
i
)).
On peut generaliser ce mod`ele en prenant des montants de paiement B
i
aleatoires :
X
i
= I
i
B
i
avec I
i
=
_
0 avec proba 1 q
i
1 avec proba q
i
en supposant B
i
et I
i
independants.
On a alors
E[S] =
n

i=1
q
i
E[B
i
] V ar(S) =
n

i=1
V ar(I
i
B
i
) =
n

i=1
_
q
i
V ar(B
i
) +q
i
(1 q
i
)E[B
i
]
2
_
.
Exemple 7.2. Une police dassurance vie pour un groupe demployes contient une compensation en cas
de dec`es accidentel.
La probabilite de dec`es est 0.01 et 30% des dec`es sont accidentels.
Pour 50 employes, le benece est 50 000$ en cas de dec`es ordinaire et 100 000$ en cas de dec`es accidentel.
Pour 25 employes, le benece est 75 000$ en cas de dec`es ordinaire et 150 000$ en cas de dec`es accidentel.
Calculons la moyenne et la variance des paiements pour lassureur.
Pour les employes, on a q
i
= 0.01.
Pour i = 1, . . . , 50, B
i
=
_
50 000 avec proba 0.7
100 000 avec proba 0.3
et pour i = 51, . . . , 75, B
i
=
_
100 000 avec proba 0.7
150 000 avec proba 0.3
.
Alors E[S] =
75

i=1
q
i
E[B
i
] = 0.01(50 (50 000 0.7 + 100 000 0.3) + 25 (75 000 0.7 + 150 000 0.3)) = 56 875
et V ar(S) = 5 001 984 375.
H el`ene Guerin; 2 novembre 2012. 27
8 Quelques exercices
8.1 Proprietes et etude de S
N
Exercice 1. Une compagnie modelise ses pertes agregees. On modelise la moyenne des pertes m, qui est
inconnue, avec une loi uniforme U([2, 4]). Connaissant m, les pertes agregees sont modelisees avec une loi
exponentielle. Calculer la valeur esperee des pertes.
Corrige On sait que S|m Exp(1/m) et m U([2, 4]).
E[S
N
] = E[E[S
N
|m]] = E[m] = (4 + 2)/2 = 3.

Exercice 2. On suppose que N BN(r = 15, = 5) et X


i
U([0, 10]). Calculer la prime telle que
P(S
N
> ) = 0.05 en utilisant une approximation normale.
Corrige On a
E[S
N
] = E[N]E[X] = 15 5 5 = 375
V ar(S
N
) = E[N]V ar(X) +V ar(N)E[X]
2
= 75
100
12
+ 75 6 5
2
= 11875.
Alors
P(S > ) = 0.05 = P
_
S 375

11875
>
375

11875
_
P
_
Z >
375
sqrt11875
_
avec Z N(0, 1), do` u
375

11875
= 1.6449 et donc = 554.245.
Exercice 3. Les assures automobiles sont regroupes en trois classes (en fonction du nombre daccidents de
lannee precedente). Le nombre de reclamation pour chaque assure suit une loi de Poisson P(). Calculer
la variance du nombre de reclamations dun assure choisi au hasard.
On a les donnees suivantes
classe % de la population
1 0.25 5
2 0.25 3
3 0.50 2
Corrige On est dans un cadre dun melange de lois : si on note N le nombre de reclamation dun assure,
on a N| P() et suit la loi discr`ete : P( = 5) = 0.25 = P( = 3) et P( = 2) = 0.5.
On a alors
V ar(N) = E[V ar(N|)] +V ar(E[N|]) = E[] +V ar() = 3 + 1.5 = 4.5
On remarque que E[N] = 3 = V ar(N). La variable N ne suit pas une loi de Poisson !
Exercice 4. On suppose que les remboursements X
i
N( = 100,
2
= 9) et que la frequence N suit la
loi
n 0 1 2 3
f
N
(n) 0.5 0.2 0.2 0.1
Determiner la probabilite que la somme agregee S
N
des remboursements soit plus grande que 100, sans
utiliser dapproximation.
H el`ene Guerin; 2 novembre 2012. 28
Corrige On sait que la somme de deux normales independantes est encore une normale desperance la
somme des esperances et de variance la somme des variances. Par consequent, la loi de S
N
|N = n est
une loi N(100n, 9n). La fonction de repartition de S
N
est
F
S
N
(x) =
3

n=0
p
n
F
n
(x) avec F
n
(x) =
_
x 100n

9n
_
o` u est la fonction de repartition de N(0.1). Par consequent
F
S
N
(100) = 0.5 + 0.2
_
100 100

9
_
+ 0.2
_
100 200

18
_
+ 0.1
_
100 300

27
_
= 0.5 + 0.2
1
2
+ 0.2(23.57) + 0.1(38.49)
0.6.
Do` u P(S
N
> 100) = 0.4.
8.2 Prime Stop-Loss
Exercice 5. On sait que les reclamations agregees suivent une loi uniforme U([0, 10]).
Lassureur A propose une couverture stop-loss avec une franchise de 6$ pour une prime egale `a la valeur
esperee stop-loss.
Lassureur B propose une couverture totale pour une prime de 7$. En plus il propose un remboursement
de lexc`es au dessus de 7k$.
On cherche la valeur de k pour laquelle les deux propositions ont le meme co ut.
Corrige
Assureur A : la couverture est (S 6)
+
et la prime = E[(S 6)
+
], le co ut espere est
C
A
= E[(S 6)
+
] = 0.
Assureur B : la couverture est S, la prime = 7 et un remboursement de (S 7k)
+
. Le co ut espere est
C
B
= E[S] +E[(S 7k)
+
] = 5 7 +
_
10
7k
x 7k
10
dx = 2 +
(10 7k)
2
20
Il faut donc que (10 7k)
2
= 40, soit k = 0.525.

H el`ene Guerin; 2 novembre 2012. 29


8.3 Calcul de la loi de S
N
Exercice 6. Calculer la densite de S
N
pour N Logarithme() et X Exp de moyenne .
Rappel : N est `a valeurs dans {1, 2, 3, . . .} et
p
n
= P(N = n) =

n
n(1 +)
n
ln(1 +)
.
Corrige On a f
S
N
(x) =

n=1
p
n
f
n
X
(x) avec f
n
X
(x) densite de la loi Gamma(n, 1/). Do` u
f
S
N
(x) =

n=1

n
n(1 +)
n
ln(1 +)
1
(n 1)!
n
x
n1
e
x/
=
e
x/
xln(1 +)

n=1
(x)
n
n!((1 +))
n
=
e
x/
xln(1 +)
_
e
x
(1+)
1
_
=
1
xln(1 +)
_
e
x
(1+)
e
x

_
La densite est explicite !
Exercice 7.
On suppose que N suit une loi binomiale negative BN(r, ) et X Exp de moyenne
1. Calculer la fonction generatrice dune loi Geometrique() et en deduire la fonction generatrice de
N.
2. Calculer la fonction generatrice de S =

N
i=1
X
i
avec X
i
i.i.d. de meme loi que X et independants
de N.
3. Remarquer que la loi de S est la meme que celle de

S =

N
i=1

X
i
avec

N Binomiale(m, p) et

X Exp de moyenne , en explicitant les valeurs de m, p, en fonction de r, , .


Corrige
1. Soit G Geometrique() :
M
G
(z) =
1
+ 1

i=0
_
e
z
+ 1
_
k
=
1
+ 1
1
1
e
z
+1
=
1
1 (e
z
1)
pour
e
z
+ 1
< 1.
On remarque quune BN(r, ), avec r N

, est la somme de r variables geometriques independantes,


donc pour z assez petit
M
N
(z) =
_
1
1 (e
z
1)
_
r
2. Calculons la fonctions generatrice de X :
M
x
(z) =
1

_

0
e
(z
1

)x
dx =
1

_
1
z
1

e
(z
1

)x
_

0
=
1
1 z
pour z < 1/.
H el`ene Guerin; 2 novembre 2012. 30
On en deduit la fonction generatrice de la somme agregee est pour z assez petit
M
S
N
(z) = M
N
(ln (M
X
(z))) =
_
1
1 (
1
1z
1)
_
r
=
_
1 z
1 ( + 1)z
_
r
=
_
1
+ 1
_

1 ( + 1)z
+ 1
__
r
.
3. On remarque que la fonction generatrice dune binomiale N B(r, p) est
M
N
(z) =
r

k=0
_
r
k
_
(pe
z
)
k
q
rk
= (pe
z
+q)
r
avec q = 1 p.
et donc si X Exp de moyenne , on a
M
S
N
(z) =
_
p
1
1 z
+q
_
r
.
Par consequent, la loi de S
N
avec N BN(r, ) et X Exp de moyenne est la meme que la loi
de S
N
avec N B(r, p) avec p = /( + 1) et X Exp de moyenne ( + 1).

8.4 Algorithme de Panjer


Exercice 8. On consid`ere une somme agregee des co uts avec une frequence N P(2) et des severites
X f
X
avec f
X
(1) = 1/4 et f
X
(2) = 3/4.
La compagnie dassurance couvre toutes les pertes avec une prime de = 6$ et elle paye les dividendes
selon la formule (4.5 S)
+
: si la perte est inferieure `a 4.5, elle rembourse en plus la dierence.
Calculer le co ut total moyen pour lassure :
E[S] E[(4.5 S)
+
].
Corrige On a
E[S] = E[N]E[X] = 2(1/4 + 2.3/4) = 7/2 = 3.5
S prend ses valeurs dans N. Pour calculer E[(4.5 S)
+
], il faut connaitre f
S
(k) pour k = 0, 1, . . . , 4.
Utilisons lalgorithme de Panjer avec a = 0 et b = 2 :
f
S
(0) = P(N = 0) = e
2
= 0.13534
f
S
(1) = 2f
S
(0)/4 = 0.06767
f
S
(2) = f
S
(1)/4 + 2f
S
(0) 3/4 = 0.21992
f
S
(3) =
2
3
(f
S
(2)/4 + 2f
S
(1) 3/4) = 0.10432
f
S
(4) =
1
2
(f
S
(3)/4 + 2f
S
(3) 3/4) = 0.17798.
Donc E[(4.5 S)
+
] = 4.5f
S
(0) + 3.5f
S
(1) + 2.5f
S
(2) + 1.5f
S
(3) + 0.5f
S
(4) = 1.641117.
Le co ut moyen pour cette couverture est
E[S] E[(4.5 S)
+
] = 6 3.5 1.641117 = 0.859.

H el`ene Guerin; 2 novembre 2012. 31