Vous êtes sur la page 1sur 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Economtrie de l'Assurance : Gestion de risques multiples


en assurance, Mesure de dpendance et Copules
Elena Di Bernardino

elena.di_bernardino@cnam.fr

CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,


A.A. 2012-2013

Economtrie de l'Assurance

1 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Introduction
Traditionnellement, les dveloppements actuariels sont base sur l'hypothse
d'indpendance des variables alatoires.
La complexit croissante des produits d'assurance et l'obligation de
couverture d'vnements a cependant mis en valeur l'importance de la prise
en compte de la dpendance.
Ce chapitre est consacr l'tude de la dpendance stochastique, sujet
classiquement ignor les ouvrages de thorie du risque, de mesures de
dpendance entre dirents risques et de copule.
S'il n'y a qu'une seule faon pour des risques d'tre mutuellement
indpendants, de ne pas s'inuencer, traduit mathmatiquement par le fait
que leur fonction de rpartition jointe se factorise en le produit de ses
marginales, il y a bien entendu une innit de manires d'introduire de la
dpendance dans un modle actuariel.

Economtrie de l'Assurance

2 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Introduction

Pendant trs longtemps, la loi normale multivarie fut le seul outil utilis
pour rendre compte d'une certaine dpendance, en statistique tout comme
en nance et en sciences actuarielles.
Ce n'est que rcemment que les techniques reposant (implicitement ou
explicitement) sur la loi normale multivarie ont t svrement critiques,
et que des alternatives plus ralistes ont t dveloppes an de modliser la
corrlation entre variable alatoires de lois diverses.

Economtrie de l'Assurance

3 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Classes de Frchet
Ainsi nommes en hommage aux travaux du mathmaticien franais Maurice
Frchet, ces ensembles contiennent toutes les lois de probabilit dont les
marginales sont xes.
Les classes de Frchet constituent donc le cadre idal pour tudier la
dpendance, puisque deux lment d'une mme classe ne dierent que par
leur structure de corrlation, pas par leur comportement marginal.

Denition
On notera

F(F1 , F2 )

l'ensemble des fonctions de rpartition bivaries dont les

fonctions de rpartition marginales sont

F1

et

F2

respectivement, i.e.

F(F1 , F2 ) = {fonctions de rpartition FX telles que limt FX (x1 , t ) =


F1 (x1 ), limt FX (t , x2 ) = F2 (x2 ), x1 et x2 R.}

Economtrie de l'Assurance

4 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Classes de Frchet
Dans chaque classe de Frchet

F(F1 , F2 )

deux lments jouent un rle trs

particulier: il s'agit des bornes suprieure et infrieure de Frchet, dnies


ci-dessous.

Denition
La fonction de rpartition

dnie par

W (x1 , x2 ) = min{F1 (x1 ), F2 (x2 )}, x1


est appele borne suprieure de Frchet dans
la fonction de rpartition

et

x2 R}

F(F1 , F2 ).

De la mme manire,

dnie par

M (x1 , x2 ) = max{F1 (x1 ) + F2 (x2 ) 1, 0}, x1


est appele borne infrieure de Frchet dans

et

x2 R}

F(F1 , F2 ).

Economtrie de l'Assurance

5 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Bornes de Frchet
L'appellation borne de Frchet provient du rsultat suivant, qui montre que toute

FX dans F(F1 , F2 ) est contrainte infrieurement par M


W . Les bornes de Frchet dlimitent donc l'ensemble

fonction de rpartition
suprieurement par

F(F1 , F2 ).

et

Proposition

La classe de Frchet F(F1 , F2 ) est borne, au sens o pour tout FX F(F1 , F2 ),


M (x) F (x) W (x),

x R2 .

Preuve du rsultat.

Economtrie de l'Assurance

6 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Dpendance parfaite: comonotonie et


anticomonotonie
On parle de dpendance parfaite lorsque deux risques peuvent s'crire comme des
fonctions croissantes ou dcroissantes d'une mme variable alatoire sous-jacente.

Denition
Le couple X
dcroissantes

= (X1 , X2 )

g1

et

g2

est dit comonotone s'il existe des fonctions non-

et une variable alatoire

X
Le couple X
dcroissante

= (g1 (Z ), g2 (Z ))

telles que :

en loi.

= (X1 , X2 ) est dit anticomonotone s'il existe une fonction nong1 , une fonction non-croissante g2 et une variable alatoire Z telles

que :

= (g1 (Z ), g2 (Z ))

en loi.

Exemples :
A prsent que nous avons dni les concepts de dpendance parfaite, examinons
quelques situations o la comonotonie et l'anticomonotonie font naturellement leur apparition.
Economtrie de l'Assurance

7 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Dpendance parfaite: comonotonie et


anticomonotonie
Cette situation de dpendance parfaite correspond prcisment aux bornes de
Frchet, comme le montre le rsultat suivant.

Proposition
Le couple X = (X1 , X2 ) est comonotone si, et seulement si, il admet
W (x1 , x2 ) = min{F1 (x1 ), F2 (x2 )}, x1 et x2 R}
comme fonction de rpartition.
Le couple X = (X1 , X2 ) est anticomonotone si, et seulement si, il admet
M (x1 , x2 ) = max{F1 (x1 ) + F2 (x2 ) 1, 0}, x1 et x2 R}
comme fonction de rpartition.
Le rsultat suivant indique que les VaR sont additives dans le cas de risques
comonotones.
Economtrie de l'Assurance

8 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Additivit des VaR pour risques comonotones

Proposition
Soit X comonotone dont la fonction de rpadition jointe fait partie de F(F1 , F2 )

avec F1 et F2 continues et croissantes. On a alors

VaR [X1 + X2 , ] = VaR [X1 , ] + VaR [X2 , ]


quel que soit le niveau de risque [0, 1].
Preuve du rsultat.

Economtrie de l'Assurance

9 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Concept
Bien que d'usage courant en assurance et en nance, le terme corrlation est
souvent mal compris.
Alors que la corrlation n'est qu'une mesure de dpendance particulire en
statistique (souvent appele corrlation linaire, ou de Pearson), les
praticiens ont tendance designer tous les concepts de dpendance par ce
mme terme.
Dans cette section, nous tudierons certaines mesures de dpendance.
Nous verrons que le coecient de corrlation linaire, mesure canonique de
la dpendance en univers gaussien, perd beaucoup de sa pertinence lorsqu'on
quitte cet univers
Donc il convient de dnir ce qu'on entend par bonne mesure de dpendance.

Economtrie de l'Assurance

10 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Mesure de concordance

Denition

Une mesure de dpendance

(, ) est une mesure de concordance si elle possde

les bonnes proprits suivantes:


P1 (symmetrie)

(X1 , X2 ) = (X2 , X1 );

P2 (normalisation)
P3

(X1 , X2 ) = 1

P4

(X1 , X2 ) = 1

1 (X1 , X2 ) 1;

si, et seulement si,

X1

si, et seulement si,

et

X1

X2

et

sont comonotones;

X2

sont anticomonotones;

P5 Quelle que soit la fonction strictement monotone

(g (X1 ), X2 ) =

(X1 , X2 ),
(X1 , X2 ),

si
si

g
g

g : R 7 R,

est croissante
est dcroissante.

Ainsi, me autre proprit paraissant intressante est


(X1 , X2 ) = 0 X1 et X2 sont indpendantes.
Malheureusement, cette proprit contredit P5 et donc il n'existe pas de mesure de concordance
Economtrie de l'Assurance
satisfaisant cette proprit.
11 / 35
N

Introduction

Comonotonie et anticomonotonie

La corrlation linaire

Mesures de dpendance

Comparing Risks

Copule

La corrlation linaire

La corrlation vise corriger le dfaut de la covariance: elle fournit un indice qui


ne dpendra ni des unit de mesure, ni de la variabilit propre des deux variables.

Denition
Le coecient de correlation linaire: entre

X1

et

X2 ,

not

r (X1 , X2 )

est deni

par
1 ,X2 )
r (X1 , X2 ) = Cov (X
VAR (X1 ) VAR (X2 )

il est possible d'avoir un couple X = (X1 , X2 ) dont le coecient de corrlation


linaire est quasiment nul alors que les composantes de celui-ci sont en dpendance parfaite.
Ceci contredit clairement l'intuition que des faibles valeurs du coecient de corrlation linaire
traduisent une faible dpendance1 .

Remarque:

voir McNeil, Embrechts et Straumann, (2002)


Economtrie de l'Assurance

12 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

La corrlation linaire

Dpendance dans les modles de risque


r (X1 , X2 ) avec X1 LN (0, 1) et
r (X1 , X2 ) [rmin (X1 , X2 ), rmax (X1 , X2 )], avec

Probleme : Domaine de variation de

X2 LN (0, 2 ).

On a

rmin (X1 , X2 ) =

e 1
et

e2 1 e1

rmax (X1 , X2 ) =

e 1
.

e2 1 e1

De plus r (X1 , X2 ) = rmax (X1 , X2 ) si, et seulement si X1 et X2 sont comonotone,


r (X1 , X2 ) = rmin (X1 , X2 ) si, et seulement si X1 et X2 sont anticomonotone.
On constate que lim rmax (X1 , X2 ) = lim rmin (X1 , X2 ) = 0.

Economtrie de l'Assurance

13 / 35

Introduction

Comonotonie et anticomonotonie

La corrlation linaire

Nous pouvons donc conclure que

mesure de concordance

Mesures de dpendance

Comparing Risks

Copule

le coecient de corrlation linaire n'est pas une

puisque les proprits P3 et P4 de la Dnition ne sont

pas satisfaites.
Malgr ses dfauts, le coecient de corrlation reste trs utilise en pratique, et ce
pour trois raisons majeures :
Son rle de concert avec la loi normale : le coecient de corrlation linaire
apparait de faon naturelle comme paramtre de la densit des vecteurs

gaussiens.
Son rle dam les modles de rgression linaire.
Son rle dans le modle d'Evaluation des Actifs Financiers (CAPM) de
Markowitz (1952) : le coecient de corrlation linaire apparait comme un
facteur fondamentale dans la thorie du portefeuille. En eet, en notant
le rendement du march,

Ri

le rendement du

i eme

titre risqu et

R0

RM

le taux

sans risque, alors la thorie du CAPM permet d'crire :

E[Ri R0 ] = i E[RM R0 ]
Le coecient
du titre

(Ri ,RM )
i = Cov
VAR (RM )

est alors directement li la corrlation entre le rendement

et le rendement moyen du march.


Economtrie de l'Assurance

14 / 35

Introduction
Le

Comonotonie et anticomonotonie

de Kendall

(X1 , X2 )

et

(X10 , X20 )

X2 > X2 )

Copule

indpendants et identiquement

de Kendall se dnit comme la probabilit de concordance (i.e.

la probabilit que l'on ait simultanment

Comparing Risks

Dnition du de Kendall

Disposant de deux couples


distribus le

Mesures de dpendance

X1 < X10

et

X2 < X20

ou

X1 > X10

et

moins la probabilit de discordance (i.e. la probabilit que l'on ait

simultanment

X1 > X10

et

X2 < X20

ou

X1 > X10

et

X2 < X20 ).

Denition
Le

de Kendall associ au couple

(X1 , X2 )

de variable alatoire possdant des

fonctions de rpartition marginales continues est dni par

(X1 , X2 ) = P[(X1 X10 )(X2 X20 ) > 0] P[(X1 X10 )(X2 X20 ) < 0],
o

(X10 , X20 ) est indpendant de (X1 , X2 ) et possde la mme loi que ce dernier.

Proposition

Etant donn un couple X = (X1 , X2 ) de fonctions de rpartition marginales


continues, alors (X1 , X2 ) = 4 E[FX (X1 , X2 )] 1.
Preuve du rsultat.

Economtrie de l'Assurance

15 / 35

Introduction
Le

Comonotonie et anticomonotonie

de Kendall

Mesures de dpendance

Comparing Risks

Copule

Proprits du de Kendall

Quelles que soient les fonctions

g1

et

deux dcroissantes sur les supports de

g2 , toutes deux croissantes


X1 et de X2 , on a

ou toutes

(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).


Supposons les fonctions de rpartition
continues.

X1

et

X2

De plus,

X1

et

X1

X2

sont indpendantes alors

Si

et

X2

F1

de

X1

et

F2

de

X2

toutes deux

(X1 , X2 ) = 1.
si, (X1 , X2 ) = 1.

sont comonotones si, et seulement si,

sont anticomonotones si, et seulement

(X1 , X2 ) = 0.

Preuves des rsultats.

Economtrie de l'Assurance

16 / 35

Introduction
Le

Comonotonie et anticomonotonie

de Spearman

Mesures de dpendance

Comparing Risks

Copule

Dnition du de Spearman

Tout comme le

de Kendall, le

de Spearman est bas sur les notions de

concordance et de discordance.

Denition
= (X1 , X2 ) de fonction de rpartition marginales F1 et
X = (X1 , X2 ) une version indpendantes de X
admet F1 F2 comme fonction de rpartition jointe). Le de Spearman

Considrons le couple X

F2

continues et dnissons

(i.e.

est

(X1 , X2 ) = 3 {P[(X1 X1 )(X2 X2 ) > 0] P[(X1 X1 )(X2 X2 ) < 0]},


i.e. le triple de la dirence des probabilits de concordance et de discordance
de X et de X

Economtrie de l'Assurance

17 / 35

Introduction
Le

Comonotonie et anticomonotonie

de Spearman

Mesures de dpendance

Comparing Risks

Copule

Proprits du de Kendall

Quelles que soient les fonctions

g1

et

deux dcroissantes sur les supports de

g2 , toutes deux croissantes


X1 et de X2 , on a

ou toutes

(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).


Supposons les fonctions de rpartition
continues.

X1

et

X2

De plus,

X1

et

X1

X2

sont indpendantes alors

Si

et

X2

F1

de

X1

et

F2

de

X2

toutes deux

(X1 , X2 ) = 1.
si, (X1 , X2 ) = 1.

sont comonotones si, et seulement si,

sont anticomonotones si, et seulement

Remarque : II est noter que le

(X1 , X2 ) = 0.
de Spearmam
0.5 et = 0.

de Kendall et le

sens o il est par exemple impassible d'avoir

sont lis, au

Economtrie de l'Assurance

18 / 35

Introduction
Le

Comonotonie et anticomonotonie

de Spearman

Mesures de dpendance

Comparing Risks

Copule

Proprits du de Kendall

Proposition

Les ingalits 1 3 2 1 sont vries quel que soit le couple alatoire

X dont les marginales sont continues.

Economtrie de l'Assurance

19 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Stochastic Dominance Order


Cette partie du cours est reprise essentiellement de l'ouvrage :
M. Denuit, J. Dhaene, M. Goovaerts, R. Kaas (2005).

Dependent Risks : Measures, Orders and Models,

Actuarial Theory for

John Wiley & Sons Ltd,

England.
In order to compare a pair of risks
concept of VaR, and to consider

VaRX () VaRY ()

and

Y,

it seems natural to resort to the

as less dangerous than

for some prescribed probability level

if

Denition
Let

and

X is said to be smaller than Y in stochastic


X ST Y , if the inequality VaRX () VaRY () is

be two rvs. Then

dominance, denoted as
satised for all

(0, 1).

Economtrie de l'Assurance

20 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Stochastic Dominance Order


Let

be a monotone objective risk measure. Then

X ST Y

(X ) (Y ).

Proposition

Given any rvs X and Y , the following equivalence holds:


X ST Y E[v (X )] E[v (Y )],
for all non-decreasing functions v , such that the expectations exist.
Let us now comment on the meaning of ST in

economics

and in

actuarial science

In economics, the rvs represent fortunes, incomes, etc., so that X ST


`larger' than X .

Y means that Y

is

In actuarial science, however, the risks to be compared represent future random nancial
losses, so that X ST Y means that X is `smaller' than Y .
Another way to bridge these two disciplines is based on the following equivalence:

ST

Y ST X
Economtrie de l'Assurance

21 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Ordering compound sums


We are able to compare random sums in stochastic dominance. The following
result shows that

ST

is stable under compounding.

Proposition

Let {X1 , X2 , . . .} and {Y1 , Y2 , . . .} be two sequences of non-negative independent rvs, and let N and M be two integer-valued random variables, independent
of those sequences. Then,
PM
PN
Xn ST Yn for all n, and M ST N
n=1 Xn ST n=1 Yn .

Proposition

Let X and Y be two rvs. If there exists a real number c for which dFX (x )
dFY (x ) for all x < c and dFX (x ) dFY (x ) for all x > c, then, X ST Y .

Economtrie de l'Assurance

22 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

C'est quoi une copule?


Denition
Une copule de dimension 2 est une fonction de [0, 1] [0, 1]

(Marginales uniformes) pour tout

C (u , 0) = 0,
2

et

C (u , 1) = u ,

(croissante) quelque soit

v1 v2 ,

u1 , u2 , v1 , v2

[0, 1] telle que :

dans [0, 1],

C (0, v ) = 0,

C (1, v ) = v .

dans [0, 1]tels que

u 1 u2

et

C (u2 , v2 ) C (u2 , v1 ) C (u1 , v2 ) + C (u1 , v1 ) 0

Une copule est une fonction de rpartition bivarie admettant des marginales
Uniforme sur [0, 1]
Economtrie de l'Assurance

23 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

A quoi a sert?
Proposition

Soit FXY une distribution bivarie admettant pour marginales FX et FY . Alors


il existe une copule C telle que
FXY (x , y ) = C (FX (x ), FY (y )) .
Si FX et FY sont continues alors C est unique.
Par consquent, si C est une copule et FX et FY sont des distributions univaries, on sait, par la formule prcdente que FXY est une fonction de rpartition
bivarie admettant comme marginales FX et FY .

Economtrie de l'Assurance

24 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

A quoi a sert?
Proposition

Soit C une copule, FXY une distribution bivarie admettant pour marginales
FX et FY (continues). Notons par FX1 et FY1 les fonctions (quasi-) inverses
de FX et FY . Alors
C (u , v ) = FXY FX1 (u ), FY1 (v )

pour tout u et v dans [0, 1]2 .

Si on connait

FXY , FX

et

FY ,

on connait la copule.

Economtrie de l'Assurance

25 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Facile tendre au cas multi-dimensionnel


Denition
Une copule

de dimension

est une fonction de rpartition sur

[0, 1]d

de

marginales uniforme sur [0, 1].

Proposition

Soit C une copule et F1 , ..., Fd d distributions marginales, alors F (x ) =


C (F1 (x1 ), ..., Fd (xd )) est une fonction de rpartition avec F F(F1 , ..., Fd ).
A l'inverse, si F F(F1 , ..., Fd ), il existe une copule C telle que F (x ) =
C (F1 (x1 ), ..., Fd (xd )). De plus, si les Fi sont continues, alors C est unique et
donn par

C (u ) = F F11 (u1 ), ..., Fd1 (ud ) .

Economtrie de l'Assurance

26 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Exemple de copule : P(U u, V v )

Economtrie de l'Assurance

27 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Exemple de densit de copule :

Copule

2 C (u ,v )
u v

Economtrie de l'Assurance

28 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques

C (u , v ) = uv = C (u , v ).

Une version indpendante de (X , Y ) sera note (X , Y ). C'est un vecteur


L
L

alatoire tel que X


= X et Y = Y avec une copule C En dimension

suprieure, C (u1 , ..., ud ) = u1 .... ud .

La copule comonotone

La copule indpendante

C (u , v ) = min{u , v } = C + (u , v ).
+
+
Une version comonotone de (X , Y ) sera note (X , Y ). C'est un vecteur
L
+ L
alatoire tel que X
= X et Y + = Y et une copule C +
(X , Y ) adment une copule comonotone si et seulement si il existe une
fonction croissante h telle que Y = h(X ).
+
En dimension suprieure, C (u 1, ..., ud ) = min(u1 , ..., ud ).

Economtrie de l'Assurance

29 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques

La copule contre-comonotone (contercomotonic)


C (u , v ) = max{u + v 1, 0} = C (u , v ).

Une version contre-comonotone de (X , Y ) sera note (X , Y ). C'est un


L
L

vecteur alatoire tel que X


= X et Y = Y et une copule C
(X , Y ) adment une copule contre-comonotone si et seulement si il existe
une fonction dcroissante h telle que Y = h(X ).
+
En dimension suprieure, C (u 1, ..., ud ) = max(u1 + ... + ud d + 1, 0)
n'est pas une copule.

Proposition

Si C est une copule, alors


C (u1 , ..., ud ) C (u1 , ..., ud ) C + (u1 , ..., ud )
Economtrie de l'Assurance

30 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques : Contre-comonotone,


indpendante et comonotone

Economtrie de l'Assurance

31 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques : Copules elliptiques (t et


gaussienne)

La copule gaussienne de paramtre

(1, 1),


Z 1 (u) Z (v )1
1
(x 2 + y 2 2xy )
C (u , v ) =
dxdy .
exp
2(1 2 )
2 1 2

De la mme faon, on dnit la


fonction de rpartition de

(X , Y )

t -copule

(T (X ), T (Y ))

ou copule de Student comme la


o

est la fdr d'une Student et

suit une distribution de Student multivarie. La copule de Student

de paramtre

C (u , v ) =

(1, 1)

est dnie par :

Z t1 (u) Z t1 (v ) 

1
1

et

x 2 2xy + y 2
2(1

 +2 2

2 )

dxdy .

Economtrie de l'Assurance

32 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques : Copules Archimdiennes

Les copules archimdiennes sont dnies par

C (u , v ) = 1 ((u ) + (v ))
o

est convexe dcroissante sur

Si

(t ) = log(t )

Si

(t ) = ( log t )

Si

(t ) = t 1

on obtient

(0, 1)

avec

(0) =

et

(1) = 0.

C .

alors on obtient la copule de Gumbel.

alors

est la copule de Clayton.

Economtrie de l'Assurance

33 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

Copules classiques : Copules Archimdiennes

Economtrie de l'Assurance

34 / 35

Introduction

Comonotonie et anticomonotonie

Mesures de dpendance

Comparing Risks

Copule

References
Mathmatiques de l'assurance non vie :
Principes fondamentaux de thorie de risque (Tome I), Economica;

Charpentier, A., Denuit, M. (2004).


(Chapitre 8)

M. Denuit, J. Dhaene, M. Goovaerts, R. Kaas (2005).

Dependent Risks : Measures, Orders and Models,

Actuarial Theory for

John Wiley & Sons Ltd,

England

Correlation and
dependence in risk management: properties and pitfalls, Risk Management:

Embrechts, P., McNeil, A., Straumann, D. (2002).

Value at Risk and Beyond, ed. M.A.H. Dempster, Cambridge University


Press, Cambridge, pp. 176-223

Economtrie de l'Assurance

35 / 35