Vous êtes sur la page 1sur 10

Universit e de Montr eal D epartement de Math ematiques

ACT3251 - Automne 2012

orie du risque : les mode `les agre ge s des pertes The


Ces notes de cours ont et e 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 d ecisions, third edition (Wiley, 2008) et des notes de cours de Manuel Morales http ://www.dms.umontreal.ca/morales/risk.php

Les mod` eles

Le mod` ele collectif On consid` ere une compagnie dassurance o` u les pertes sont enregistr ees au fur et ` a mesure quelles arrivent. ` e me On note Xi le montant de la i perte et N le nombre de pertes. N peut par exemple etre le nombre de pertes sur une ann ee pour la compagnie. Le montant global est SN = X 1 + X 2 + . . . + X N On suppose les Xi ind ependantes et de m eme loi N est ind ependante des Xi . On parle de mod` ele collectif car on associe la m eme loi ` a chaque perte. Le mod` ele individuel de risque On mod elise les pertes totales de chaque contrat et on regarde le montant global pour la compagnie dassurance Sn = 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 al eatoire) eme contrat. Les X sont suppos Xi est le montant total des r eclamations du i` ees ind ependants, mais pas i forc ement de m eme loi. En g en eral, la distribution de chaque Xi a une masse en 0 qui correspond ` a la probabilit e de ne pas avoir de perte pour chaque contrat. Ce mod` ele est souvent utilis e en assurance sant e lorsquon consid` ere un groupe de n employ es dune entreprise o` u il est di cile de mod eliser les pertes par des variables de m eme loi. En eet, chaque employ e a une couverture di erente (car fonction de leur salaire) et un comportement di erent (les d epenses d ependent notamment de l age des employ es). On parle de mod` ele individuel car on regarde les caract eristiques de chaque individu. Le mod` ele individuel avec des Xi de m eme loi est un cas particulier du mod` ele collectif quand N est une constante (P(N = n) = 1). Remarque 1. Il est assez naturel de vouloir rel acher lhypoth` ese dind ependance entre les Xi . Le mod` ele individuel est plus facile ` a etudier que le collectif dans le cas o` u les Xi ne sont pas ind ependantes. Exemple 2. Regardons un mod` ele collectif de pertes. On sait que les pertes suivent la loi FX . 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 r eassur es. On va d ecrire des mod` eles pour

H el` ene Gu erin; 12 octobre 2012.

1. les pertes totales pour lassur e avant lassurance : on note N le nombre de perte (a priori al eatoire), on a alors
a SN = X1 + . . . + XN

2. les pertes totales pour la compagnie dassurance avant la r eassurance : ` e me On note Yi le i paiement fait par lassureur avant r eassurance. Si Xi 6 1000, alors Yi = 0. Si Xi > 1 000, alors le paiement est Yi = 0.8(Xi 1000). Par ailleurs cette valeur ne peut pas exc eder 100 000$, ce qui correspond ` a une valeur de 1 000 + 100 000/0.8 = 126 000$. Par cons equent, le montant total des pertes pour lassureur avant r eassurance est
c SN = Y1 + . . . + YN

avec Xi FX

avec Yi = min(0.8(Xi

1 000), 100 000)1Xi >1 000 .

3. les pertes totales pour le r eassureur : Le r eassureur 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$. Par ailleurs, le montant maximal vers e par la compagnie est de 100 000$ et donc le montant maximal vers e par le r eassureur est 50 000$. Par cons equent, les pertes totales pour le r eassureur sont
r SN = Z1 + . . . + ZN

avec Zi = min(0.8(Xi

63 500), 50 000)1Xi >63 500 .


N X i=1

4. les pertes totales pour la compagnie dassurance apr` es r eassurance :


c c PN = SN N X i=1 r SN =

[0.8(Xi

1 000)11 0006Xi <63 500 + 50 0001Xi >63 500 ]

min(0.8(Xi

1 000), 50 000)11 0006Xi .

5. les pertes totales pour lassur e apr` es assurance :


a a PN = SN c SN = N X i=1

[Xi 1Xi <1 000 + (800 + 0.2Xi )11 0006Xi 6126 000 + (Xi

100 000)1Xi >126 000 ] .

Choix de mod` eles

Certaines caract eristiques sont recherch ees dans un mod` ele pour la fr equence et/ou s ev erit e.

2.1

Pour la s ev erit e

Pour la s ev erit e on aime avoir une loi avec un param` etre d echelle, du fait de la notion dunit e. 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 d echelle, il est assez simple de prendre en consid eration lination.

H el` ene Gu erin; 12 octobre 2012.

Denition 3. Une loi FX est dite ` a echelle si pour tout c > 0 P(cX 6 x) appartient ` a la m eme famille que FX . Exemple 4. Loi exponentielle E ( ) : soit c > 0 P(cX 6 x) = P(X 6 x/c) = 1 On reste dans la famille des lois exponentielles car cX E ( /c).
si pour tout c > 0 la loi de Denition 5. Un param` etre 2 R est dit d echelle pour une v.a. X FX c cX est FX , les autres param` etres restant inchang es.

Exemple 6. Loi Gamma(, ) de densit e f ( x; , ) = et de fonction de r epartition pour x > 0 1 x ( ) 1 ( ) Z


x/ 0 1

x/

1x>0

FX ( x ; , ) = Par cons equent, pour c > 0

e t dt.

P(cX 6 x) = P(X 6 x/c) = FX (x; , c).

2.2

Pour la fr equence

Pour la fr equence, on aime avoir des lois qui sont pr eserv ees par la somme. Comme par exemple, la somme de deux lois de Poisson ind ependantes est une loi de Poisson. Cette propri et e permet lajout de nouvelles donn ees de fa con assez simple. Pour la fr equence N on choisit souvent des lois d ependant dun param` etre telle quil existe une variable N tel que N peut s ecrire comme la somme de variables N ind ependantes. Ceci se traduit sur la fonction g en eratrice des moments de la fa con suivante : MN (z ; ) := E ezN = MN (z ) .

Ce type de loi est appel ee loi inniment divisible. Exemple 7. Si N P ( ), alors MN ( z ; ) = e avec N P (1).

(ez 1)

= ee

= MN ( z )

2.3

Pour les pertes agr eg ees

On note S = X1 + . . . + XN la perte totale dune compagnie dassurance. On doit choisir un mod` ele pour la fr equence N et un mod` ele pour les s ev erit es Xi , pour ensuite etudier la loi du mod` ele S .

H el` ene Gu erin; 12 octobre 2012.

3
3.1

Loi de SN en fonction de la loi de X et de N


Fonction de r epartition et densit e de SN

Proposition 8. La convolution. Soit X1 et X2 deux variables ependantes de m eme loi de densit e fX alors la densit e de X1 + X2 est la Z ind convolution fX fX (x) =
R

fX ( y ) fX ( x

y )dy .

D emonstration. Soit X1 et X2 deux variables ind ependantes de m eme loi de densit e fX , alors la fonction de r epartition de X1 + X2 est ZZ ZZ P( X 1 + X 2 6 x ) = f(X1 ,X2 ) (y, z )dydz = fX (y )fX (z )dydz = Z
y +z 6 x +1 1

fX ( y )

x y 1

fX (z )dz dy =

y +z 6 x Z +1 1

f X ( y ) FX ( x

y )dy.

On d erive par rapport ` a x et on obtient que la densit e de X1 + X2 vaut Z +1 f X 1 +X 2 ( x ) = fX (y )fX (x y )dy = fX fX (x).
1

On remarque que si X1 et X2 sont des variables positives, la fonction de r epartition de X1 + X2 v erie Z x FX 1 + X 2 ( x ) = fX (y )FX (x y )dy.
0

Denition 9. Soit FX une fonction de r epartition dune loi ` a densit e fX ` a support sur R+ . On consid` ere X1 , . . . , Xn des v.a. i.i.d. de loi F . X Z
2 On note FX ( x) = x

f X ( y ) FX ( x

y )dy la fonction de r epartition de S2 = X1 + X2 .

n , v Par it eration, pour tout n > 1, la fonction de r epartition de Sn = X1 + . . . + Xn , not ee FX erie Z x (n 1) n FX ( x ) = f X ( y ) FX (x y )dy. 0 0 ( x ) = avec FX

1 pour x > 0 0 pour x < 0


n ( x ) fX

De m eme pour n > 1, on note

Exemple 10. On consid` ere deux temps dattente X1 et X2 ind ependants de loi E ( ), par exemple Xi repr esente le temps dattente au guichet i. Alors la somme des temps dattente X1 + X2 admet pour densit e, pour x > 0 Z x Z x 2 2 fX ( x) = fX (y )fX (x y )dy = e x dy = 2 xe x .
0 0

= fX . . . fX (x) et | {z }
n fois

f 0 ( x )

1 pour x = 0 . 0 pour x 6= 0

On reconnait la loi Gamma(2, ) (r esultat bien connu).

H el` ene Gu erin; 12 octobre 2012.

Proposition 11. On consid` ere le mod` ele de pertes agr eg ees SN = FX et ind ependantes de N . Alors la fonction de r epartition de SN est FS N ( x ) = et sa densit e est f SN ( x ) = D emonstration. On a FS N ( x ) = P( S N 6 x ) = = =
1 X 1 X 1 X n p n FX ( x)

PN

i=1 Xi

o` u les Xi sont i.i.d. de loi

avec pn = P(N = n)

n=0 1 X

n pn f X ( x) .

n=0

P(Sn 6 x, N = n) par ind ependance entre les Xi et N

n=0

P( Sn 6 x ) P( N = n )
n p n FX ( x) .

n=0 1 X n=0

Remarque 12. Quand la loi des Xi est discr` ete Le raisonnement est exactement le m eme, sauf qu` a la place davoir des int egrales on a des sommes : Sn = X1 + . . . + Xn o` u Xi sont des variables positives i.i.d. de loi discr` ete fX (y ) = P(X = y ) a pour fonction de r epartition F n ( x ) = et pour loi
n P( S n = x ) = f X ( x) = x X y =0

F (n

1)

(x

y ) fX ( y ) ,

pour x = 0, 1, . . .

x X y =0

f (n

1)

(x

y ) fX ( y ) .

Exemple Assurance Dentaire Pour un plan dassurance dentaire pour un groupe, on a compil e les statistiques des co uts annuel par personne : x 1 2 3 4 5 fX (x) 0.20 0.30 0.25 0.20 0.05 o` u x repr esente des unit es de 100$. Par ailleurs les fr equences estim ees des r eclamations par police sont n 0 1 2 3 4 pn 0.10 0.25 0.3 0.20 0.15 On souhaite calculer la loi du montant total annuel S pour une police de ce groupe.

H el` ene Gu erin; 12 octobre 2012.

Il est clair que S est une variable discr` ete ` a valeurs dans {0, 1, 2, . . . , 20} (unit es de 100$). En utilisant la P n formule fS = n>0 pn f (x), on obtient f 0 ( x ) f 1 ( x ) f 2 ( x ) f 3 ( x ) f 4 ( x ) 1 0 0 0 0 0 0.2 0 0 0 0 0.3 0.04 0 0 0 0.25 0.12 0.008 0 0 0.2 0.19 0.036 0.0016 0 0.05 0.23 0.084 0.0096 0 0 0.2025 0.141 0.0296 . . . . . . . . . . . . . . . 19 0 0 0 0 10 4 20 0 0 0 0 6.25 10 pn 0.10 0.25 0.3 0.20 0.15 x 0 1 2 3 4 5 6 . . . fS ( x) 0. 1 0.05 0.087 0.1001 0.11444 0.09974 0.09339 . . .

1.5 10 5 9.375 10 7

car f 2 (2) = P(X1 + X2 = 2) = P(X1 = 1)P(X2 = 1) = 0.04 f 2 (3) = P(X1 + X2 = 3) = 2P(X1 = 1)P(X2 = 2) = 0.12 f 2 (4) = P(X1 + X2 = 2) = 2P(X1 = 1)P(X2 = 3) + P(X1 = 2)P(X2 = 2) = 0.19 f 2 (5) = P(X1 + X2 = 2) = 2P(X1 = 1)P(X2 = 4) + 2P(X1 = 2)P(X2 = 3) = 0.23 f 3 (4) = P((X1 + X2 ) + X3 = 4) = P((X1 + X2 ) = 3)P(X3 = 1) + P((X1 + X2 ) = 2)P(X3 = 2) = 0.036 . . . On applique ensuite la formule obtenu pr ec edemment : fS ( x) =
4 X

pn f n ( x ) .

n=0

Le calcul de la loi de S nest pas simple, on verra dans la suite une m ethode it erative pour la calculer dans le cas o` u la loi de N appartient ` a la famille (a, b, 0).

3.2

Fonction g en eratrice des moments de SN

On note en eratrice des moments dune variable Y . Alors la fonction g en eratrice de PNMY la fonction g SN = i=1 Xi v erie M SN ( z ) = E e
1 X = E ezX1 +...+zXn P(N = n)

zX1 +...+zXN

1 X = E ezX1 +...+zXn 1N =n n=0

par ind ependance entre les Xi et N

= MN (ln (MX (z )))

n=0 1 X n=0

n E ezX P(N = n)

par ind ependance entre les Xi

H el` ene Gu erin; 12 octobre 2012.

3.3

Moments de SN

Moyenne : par ind ependance entre les Xi et N on a " "N ## "N # X X E [ SN ] = E E Xi | N =E E [ Xi | N ] = E[ N ] E [ X ]


i=1 i=1

Variance : on utilise la formule de la d ecomposition de la variance V ar(SN ) = E[V ar(SN |N )] + V ar(E[SN |N ]) = E[


N X i=1 N X i=1

V ar(Xi |N )] + V ar(

E[Xi |N ])

par ind ependance entre les Xi

= E[N V ar(X )] + V ar(N E[X ])

car les Xi sont de m eme loi et ind ependants de N

V ar(SN ) = E[N ]V ar(X ) + V ar(N )E[X ]2 . Moment centr e dordre 3 : de m eme, on a h i h i h E (SN E[SN ])3 = E[N ]E (X E[X ])3 + 3V ar(N )E[X ]V ar(X ) + E (N En eet, E ( SN h E[SN ])3 = E4 i 2 2
N X i=1

i E[N ])3 E[X ]3 .

( Xi

E[X ]) + (N !3 !2

E[N ])E[X ]

!3 3 5 3

= E4 +3

N X i=1

( Xi

E[X ])

+ (N

E[N ])3 E[X ]3


N X i=1

N X i=1

( Xi

E[X ])

(N h

E[N ])E[X ] + 3 i

( Xi "

E[X ]) (N
N X i=1

= E[N ]E (X h = E[N ]E ( X

E[X ])3 + E (N i h E[X ])3 + E (N

E[N ])2 E[X ]2 5 E[N ]) E[X ] #

E[N ])3 E[X ]3 + 3E

( Xi

E[X ])2 (N

i E[N ])3 E[X ]3 + 3V ar(N )V ar(X )E[X ].

Exemple Assurance Dentaire On reprend lexemple pr ec edent. On a E[S ] = E[N ]E[X ] = 2.05 2.6 = 5.33 (en unit es de 100$) et 2 2 V ar(S ) = E[N ]V ar(X ) + V ar(N )E[X ] = 2.05 1.34 + 1.4475 (2.6) = 12.532. On aurait pu utiliser la loi de S (calcul ee plus t ot), mais les calculs auraient et e plus lourds car S peut prendre 20 valeurs. Exemple 13. La moyenne et l ecart-type observ es pour le nombre de r eclamations dans les 10 derniers mois sont 6.7 et 2.3. La moyenne et l ecart-type pour la taille des r eclamations est de 179 247 et 52 141. Alors la moyenne et l ecart-type pour la perte agr eg ee est V ar(S ) = 6.7 (52 141)2 + (2.3)2 (179 247)2 p V ar(S ) = 433 797 E[S ] = 6.7 179 247 = 1 200 955

H el` ene Gu erin; 12 octobre 2012.

On souhaite approcher P(S > 1, 4 1 200 955). En utilisant lapproximation normale : P(S > 1, 4 1 200 955) = P( 1 200 955 0, 4 1 200 955 > ) 433 797 433 797 ' P(Z > 1, 107) = 0.134 avec Z N (0, 1). S
2 ).

En utilisant lapproximation Log-Normale : S ' X avecX Log-Normale(, Cherchons les coe cients , 2 convenables : e +
2 /2 2

= 1 200 955 = e13.9986 = (433 797)2 + (1 200 955)2 = e28,1199

e2+2 On obtient = 13.9373 et


2

= 0.1226 et donc

P(S > 1, 4 1 200 955) ' P(X > 1681337) ln(1681337) 13.9373 p =1 =1 0.1226 o` u (x) est la fonction de r epartition de la loi N (0, 1).

'(1.136) = 0.128.

Cas particulier : variables de Poisson compos e

On va utiliser les r esultats g en eraux de la partie pr ec edente pour trouver les propri et es dune variable de Poisson compos e. Denition 14. Une variable de Poisson compos e P C ( , FX ) est un mod` ele agr eg e de pertes o` u la fr equence suit une loi de Poisson : S = X1 + . . . + XN avec les variables Xi sont i.i.d. de loi FX , N suit une loi de Poisson P ( ), Les Xi et N sont ind ependants. Exemple 15. On suppose que la fr equence des pertes N suit une loi de Poisson P ( ) et que la s ev erit e suit une loi exponentielle E ( ) de moyenne 1/ . Alors S a pour densit e fS ( x) =
1 X n

n=0

n!

fGamma(n, ) (x) = e

n=0

1 X

( x)n . n!(n 1)!x

H el` ene Gu erin; 12 octobre 2012.

Densit e dun Poisson Compos e dans le cas o` u la s ev erit e est exponentielle. Proposition 16. Fonction g en eratrice des moments dun PC Si S P C ( , FX ), alors MS (z ) = e (MX (z ) 1) o` u MX (z ) = E[ezX ] est la fonction g en eratrice des moments de X . D emonstration. Il su t de conditionner par N et utiliser le fait que la fonction g en eratrice dune loi de P n zn = e (ez 1) . e e Poisson vaut MN (z ) = 1 n=0 n! Exemple 17. Si on suppose que Xi E ( ), alors ( MX ( z ) = et donc MS (z ) = e
t t

si t < +1 sinon
t

si t <

et MS (z ) = 1 sinon. h E (S i E[S ])3 = E[X 3 ].

Propri et e 18. Moments dun PC E[ S ] = E[X ] , V ar(S ) = E[X 2 ] et

Le coe cient de dissym etrie de SN est donc (S ) =

E[ X 3 ] E[X 3 ] p = . 3/2 E [ X 2 ] 3/ 2 E [ X 2 ] 3 /2 > 0 (la queue de distribution est toujours etal ee

On remarque que si X prend des valeurs positives, alors vers la droite).

D emonstration. On utilise le fait que si N P ( ), alors E[N ] = V ar(N ) = . h i De plus, en utilisant la fonction g en eratrice des moments dune loi Poisson on a E (N E[N ])3 = donc h i h i E (S E[S ])3 = E (X E[X ])3 + 3 E[X ]V ar(X ) + E[X ]3 = E[X 3 ].

et

H el` ene Gu erin; 12 octobre 2012.

h i Remarque : on peut directement calculer E (S E[S ])3 sans utiliser la formule pr ec edente (qui est impossible ` a retenir !), en utilisant la fonction g en eratrice des moments de S . En eet, h i E (S E[S ])3 = E S 3 3E S 2 E [ S ] + 2 E [ S ] 3 = MS (0)
(3) 00 3 E [ X ] MS (0) + 2 3

E[ X ]3 .

Comme MS (z ) =e et MS (z ) = h E (S
(3)

(MX (z ) 1) , (3)

0 (z ) = M 0 (z )e MS X

(MX (z ) 1) ,

0 (z )M 00 (z ) + MX ( z ) + 3 M X X

2 M 0 (z )3 X 2

i E[S ])3 =

00 (z ) = MS (MX (z ) 1) , 2

00 (z ) + M 0 (z )2 e MX X

(MX (z ) 1)

on a
3

E[ X 3 ] + 3 E[X ]E[X 2 ] +

E[X ]3

E[X ] E[ X 2 ] + E[X ] 2 + 2

E[ X ]3

= E[X 3 ].

Exemple 19. Si S P C ( , FX ) avec FX (x) = 1 On sait que E[X ] = et donc E[S ] = 1 V ar(S ) = ( 1 E[X 2 ] = ( 2 2 1)(

x+

loi de Pareto(, ), avec > 3. 6 3 1)( 2)(

2)

E[ X ] =

( 3

3)

2 2 1)(

2)

p ( 1)( 2) p (S ) = . 2 ( 3)

Propri et e 20. Somme de PC Soient S1 , . . . , Sn des v.a. de Poisson compos e ind ependantes : Si P C ( i , Fi ). Alors S1 + . . . + Sn est un P C (, F ) avec n n X 1X = , F ( x ) = i i Fi ( x ) .
i=1 i=1

D emonstration. Calculons la fonction g en eratrice des moments de S = S1 + . . . + Sn : E[ezS ] = =


n X i=1 n Y i=1 n Y i=1 i

E[ezSi ] e

par ind ependance = exp


n X i=1 i

i (Mi (z ) 1)

Mi ( z )

!!

. Pn

Par ailleurs, on remarque que

Mi (z ) est la fonction g en eratrice de la loi m elange F (x) =

i=1

i Fi ( x ) .

H el` ene Gu erin; 12 octobre 2012.

10