Vous êtes sur la page 1sur 132

Chapitre 1 - Introduction

Chapitre 2 - Prime de Bayes


Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

http://www.therond.fr

Theorie de la credibilite
Pierre Therond
pierre@therond.fr
Institut de Science Financi`
ere et dAssurances - Universit
e Lyon 1

Annee universitaire 2013-2014

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Plan du cours

1 Chapitre 1 - Introduction
2 Chapitre 2 - Prime de Bayes
3 Chapitre 3 - Estimateurs de cr
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Bibliographie principale

B
uhlmann H., Gisler A. (2005) A course in Credibility Theory and its
Applications, Springer.
Denuit M., Charpentier (2005) Mathematiques de lassurance non-vie, volume
II, Economica.
Herzog T.N. (1999) Introduction to Credibility Theory, ACTEX Publications.
Partrat Ch., Besson J.L. (2004) Assurance non-vie, Economica.
Philbrick S.W. (1981) An examination of credibility concepts, Proceedings of
the CAS, vol. 68, 195-219.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Bibliographie complementaire
B
uhlmann H. (1967) Experience Rating and Credibility, ASTIN Bulletin, vol. 4,
199-207.
B
uhlmann H., Straub E. (1970) Glaubw
urdigkeit f
ur Schadens
atze, Mitteilungen der
Vereinigung Schweizerischer Versicherungsmathematiker, vol. 70.
Cohen A., Dupin G., Levy C. (1986) Tarification de lincendie des risques industriels
francais par la m
ethode de la cr
edibilit
e, ASTIN Bulletin, vol. 4.
Denuit M., Kaas R., Goovaerts M., J. Dhaene (2005) Actuarial Theory for Dependent Risks : Measures, Orders and Models, Wiley : New York.
Droesbeke J.J., Fine J., Saporta G. (
editeurs) (2002) M
ethodes bayesiennes en
statistique, Technip.
Gerber H. (1995) A teachers remark on exact Credibility, ASTIN Bulletin, vol. 16.
Goulet V. (1998) Principles and application of credibility therory, Journal of Actuarial
Practice, vol. 6.
Longley-Cook L.H. (1962) An Introduction to Credibility Theory, Proceedings of the
CAS, vol. 49, 194-221.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Exercices

Des exercices figurent en fin de chaque chapitre.


Les etudiants sont neanmoins invites `
a consulter le recueil dexercices de
Vincent Goulet et Hel`ene Cossette disponible sur

http://vgoulet.act.ulaval.ca/ressources/credibilite/

Cossette, H. et Goulet, V., Exercices en theorie de la credibilite : Avec


solutions, 2e ed. revisee, Document libre publie sous contrat Creative
Commons, 2008. ISBN 978-2-9809136-9-3

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

Sommaire

1 Chapitre 1 - Introduction

Illustrations introductives
Theorie de la fluctuation limitee
Formalisation mathematique du probl`eme de tarification
2 Chapitre 2 - Prime de Bayes
3 Chapitre 3 - Estimateurs de cr
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1. Illustrations introductives

1 Chapitre 1 - Introduction

Illustrations introductives
Une premi`
ere illustration
Exemple de Ragnar Norberg

Theorie de la fluctuation limitee


Les origines
Fluctuation limit
ee
Cr
edibilit
e totale
Cr
edibilit
e partielle
Quelques remarques

Formalisation mathematique du probl`eme de tarification


Risques individuel et collectif
Formulation bayesienne

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.1. Une premi`ere illustration

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.1. Une premi`ere illustration

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.1. Une premi`ere illustration

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.1. Une premi`ere illustration

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.1. Une premi`ere illustration

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.2. Exemple de Ragnar Norberg

Considerons 20 contrats independants et a priori homog`enes (la segmentation


ne permet pas de les differencier). Ces contrats peuvent etre touches par des
sinistres de montant 1 dont la survenance annuelle est distribuee selon une loi
de Bernoulli.
Ces 20 contrats ont ete observes sur une periode de 10 ans.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.2. Exemple de Ragnar Norberg

Sinistralit
e observ
ee
Ann
ees
contrat 1
contrat 2
contrat 3
contrat 4
contrat 5
contrat 6
contrat 7
contrat 8
contrat 9
contrat 10
contrat 11
contrat 12
contrat 13
contrat 14
contrat 15
contrat 16
contrat 17
contrat 18
contrat 19
contrat 20

10

1
1

1
1

1
1

1
1

1
1

1
1

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Total
0
0
2
0
2
0
2
0
6
1
4
3
1
1
0
0
5
1
1
0

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.2. Exemple de Ragnar Norberg

Sur les 10 annees dobservation, on denombre au total 29 sinistres. La


sinistralite annuelle moyenne par contrat est donc de 29/200 = 0, 145.
Les contrats n9, 11 et 17 representent `
a eux-seuls 15 sinistres, soit plus de la
moitie de la sinistralite globale. Sans eux, la prime pure annuelle moyenne serait
de 14/170 = 0, 083
Il convient de se demander si le portefeuille est reellement homog`ene.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.2. Exemple de Ragnar Norberg

Notons pj le param`etre de la loi de Bernoulli du j-`eme contrat et pj son


P
1
pj .
estimation naturelle `
a partir des observations. Notons de plus p
:= 20
On cherche `
a tester H0 : p1 = p2 = ... = p20 .
Sous H0 , la statistique
X 2 = 10

20
X
(pj p
)2
p

j=1

est distribuee selon une loi du 2 `


a 19 degres de liberte. Comme
219 (0, 05) = 30, 14 < X 2 = 57, 9, on rejette H0 .
A posteriori, le portefeuille nest donc pas homog`ene.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

1.2. Exemple de Ragnar Norberg

La tarification actuelle (meme prime pure p


= 0, 145 pour tous) nest pas
equitable : la plupart des assures paient trop alors que les assures 9, 11 et 17
sont sous-tarifes. Si cette situation perdurait, cela inciterait les bons risques `
a
partir.
La societe est confrontee `
a une alternative :
segmenter davantage pour avoir des portefeuilles plus homog`enes ; ou
trouver un compromis entre p et pj qui ne soit pas trop volatile au cours
du temps.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2. Theorie de la fluctuation limitee

1 Chapitre 1 - Introduction

Illustrations introductives
Une premi`
ere illustration
Exemple de Ragnar Norberg

Theorie de la fluctuation limitee


Les origines
Fluctuation limit
ee
Cr
edibilit
e totale
Cr
edibilit
e partielle
Quelques remarques

Formalisation mathematique du probl`eme de tarification


Risques individuel et collectif
Formulation bayesienne

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.1. Les origines

En 1910, General Motors (GM) assuree chez Allstate pour les accidents de
travail remarque que sa prime dexperience est sensiblement inferieure `
a la
prime reclamee `
a lensemble des entreprises assurees.
En argumentant que sa propre exposition au risque (nombre de salaries) est
suffisament importante, GM reclame un tarif fonde exclusivement sur sa propre
sinistralite et non celle de lensemble des societes assurees.
Dans le meme temps, une plus petite entreprise (Tucker) fait une demande
identique.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.1. Les origines

Quelle est la taille `


a partir de laquelle une une entreprise peut etre tarifee
exclusivement sur la base de sa propre experience ?
Mowbray [1914] puis Whitney [1918] apportent les premi`eres reponses `
a cette
question en fondant la theorie de la fluctuation limitee ou credibilite
americaine.
Mowbray A.H. [1914] How Extensive a Payroll is Necessary to Give a
Dependable Pure Premium ?, Proceedings of the CAS, vol. 1, 24-30.
Whitney A. [1918] The Theory of Experience Rating ?, Proceedings of the
CAS, vol. 4, 274-92.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.1. Les origines

La theorie de la fluctuation limitee constitue la premi`ere approche de credibilite


qui a ete utilisee pour mettre `
a jour les primes individuelles de la sinistralite
individuelle observee.
Lidee est de tarifer le contrat nj pour la (t + 1)-`eme periode par
(1 Zt ) p
+ Zt j p
t ,
o`
u jp
t =

1
t

t
P

j ps .

Le coefficient Z est appele facteur de credibilite.

s=1

La theorie de la fluctuation limitee consiste `


a fixer Z de mani`ere `
a ce que les
variations aleatoires de la prime restent limitees.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.2. Fluctuation limitee

Deux situations sont possibles :


Z = 1, on parle de credibilite totale.
Z ]0; 1[, on parle alors de credibilite partielle.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.3. Credibilite totale

On parle de credibilite totale lorsque la prime pour la (t + 1)-`eme periode


depend exclusivement de la sinistralite propre de lassure observee sur les t
premi`eres periodes.
La prime vaut donc j p
t .
Le probl`eme reside dans la question de lapplicabilite de cette prime : `
a partir
de quelle exposition au risque, peut-on appliquer `
a un assure une prime basee
exclusivement sur sa propre experience ?

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.3. Credibilite totale


Notons S la charge de sinistres dun assure au cours dune periode. Supposons
que
N
X
S=
Xk ,
k=1

o`
u N P() et (Xk ) est une suite de v.a.i.i.d. de moyenne et de variance 2
independante de N.
On accordera `
a lassure une credibilite totale si la probabilite que la charge de
sinistres seloigne de la moyenne est suffisament faible, i.e. si


|S E[S]|
Pr
c ,
E[S]
o`
u c et  sont des constantes fixees a priori (par exemple : c = 5% et  = 5%).

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.3. Credibilite totale


Le theor`eme central-limite (applicable `
a une somme aleatoire) permet, pour un
nombre important dobservations de faire lapproximation
S E[S]
p
N (0, 1).
Var[S]
Ce qui conduit `
a
cE[S]
c
p
= p
z/2 .
Var[S]
( 2 + 2 )
Do`
u lon deduit

2
z/2
F := 2
c

 2 !

1+
,

le nombre minimum de sinistres esperes durant la prochaine periode pour que


lon puisse appliquer la credibilite totale.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.3. Credibilite totale

Dans le cas particulier o`


u les montants de sinistres sont constants (reparation
forfaitaire), pour c = 5% et  = 5%, le nombre minimum de sinistres esperes
durant la prochaine periode doit etre superieur `
a

2 

1, 96
F =
1 + (0)2 1537,
5%
pour que lassure se voit appliquer une prime exclusivement fondee sur sa
propre experience.
En pratique, peu dassures peuvent repondre `
a ce genre de crit`ere.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.4. Credibilite partielle


Lorsquun assure ne dispose pas du volume de risque F , la theorie de la
fluctuation limitee permet de determiner une prime qui sera un barycentre de la
prime collective et de la prime dexperience.
Ainsi on est amene `
a determiner le facteur de credibilite Z tel que


|S E[S]|
Z c .
Pr
E[S]
En procedant de la meme mani`ere que precedemment, on obtient la relation
r

s
Z =
=
.
 2 
F
z/2

1+
c

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

2.5. Quelques remarques

Si le principal interet de la fluctuation limitee reside dans sa simplicite de mise


en oeuvre, cette theorie souffre dinconvenients qui en font un outil peu utilise
en pratique :
choix a priori des deux param`etres c et  delicat (quelles justifications ?),
approximation central-limite,
approche paradoxale : pour obtenir le facteur de credibilite, on fait
lhypoth`ese que lon connat , 2 et , i.e. que lon est capable de
determiner la prime pure propre de lassure considere. Dans une telle
situation, pourquoi choisir une autre prime ?

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3. Formalisation mathematique du probl`eme de tarification

1 Chapitre 1 - Introduction

Illustrations introductives
Une premi`
ere illustration
Exemple de Ragnar Norberg

Theorie de la fluctuation limitee


Les origines
Fluctuation limit
ee
Cr
edibilit
e totale
Cr
edibilit
e partielle
Quelques remarques

Formalisation mathematique du probl`eme de tarification


Risques individuel et collectif
Formulation bayesienne

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.1. Risques individuel et collectif

Considerons un risque individuel qui produit des montants agreges de sinistres


(Xj )j=1,...,n o`
u Xj est le montant correspondant `
a la periode j.
On souhaite determiner la prime pure E [Xn+1 ] pour la periode future.
Pour cela, on fait les hypoth`eses classiques :
de stationnarite : les Xj sont identiquement distribues de fonction de
repartition F ;
dindependance : les Xj sont independants.
En pratique, F est inconnue et varie dun risque `
a lautre.
Notation : designera le profil de risque et F la fonction de reparition
correspondante.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.1. Risques individuel et collectif


La prime individuelle correcte pour un assure de profil de risque est
P ind () := E [Xn+1 |] =: ().

En pratique, et () sont inconnus. Il faut donc trouver un estimateur ()


pour ().
Les assures ont des profils de risque i (i {1, ..., I }) inconnus de lassureur qui
prennent leur valeur dans . N.B. Dans le cas dun portefeuille reellement
homog`ene, est reduit `
a un singleton.
En revanche, lassureur dispose dinformations sur la structure collective du
risque (ex : la plupart des conducteurs sont des bons risques qui ont rarement
un accident et un petit nombre a frequemment des sinistres). Cette information
peut etre resumee par la distribution de probabilite U() sur .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.1. Risques individuel et collectif

Definition (Fonction de structure)


La distribution U() est appelee fonction de structure du portefeuille.
La prime collective est donnee par
Z
P coll := ()dU() =: 0 .

Cette prime correspond au montant moyen de sinistre espere par risque sur
lensemble du portefeuille.
Th`
ese La prime la plus competitive est la prime individuelle correcte. Sinon il y
a des opportunites darbitrage.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.2. Formulation bayesienne

Le probl`eme evoque supra se decrit aisement en termes bayesiens. La


problematique peut etre resumee par un mod`ele `
a deux urnes.
La premi`ere urne represente le collectif de risques dont on selectionne un
element qui conditionne le contenu de la deuxi`eme urne dans laquelle on tire
des variables aleatoires X1 , X2 , ... de fonction de repartition F .
Formellement :
est une v.a. de fonction de repartition U ;
conditionnellement `
a = , les v.a. X1 , X2 , ... sont i.i.d. de fonction de
repartition F .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.2. Formulation bayesienne


Remarques :
Dans cette interpretation, la prime individuelle devient une v.a. puisque
lon ne sait pas distinguer a priori deux risques
P ind := E [Xn+1 |] =: ().
La prime collective est, en revanche, un montant certain
Z
P coll := 0 := ()dU() = E [Xn+1 ] .

Les X1 , X2 , ... ne sont independants que conditionnellement `


a = . Sinon
ils sont positivement correles :
Cov(X1 , X2 ) = E [Cov(X1 , X2 |)] + Cov (E[X1 |], E[X2 |])
= 0 + Cov[(), ()] = Var[()].

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

3.2. Formulation bayesienne

Notre objectif est destimer pour chaque risque la prime correcte () aussi
precisement que possible compte-tenu de lhistorique X = (X1 , ..., Xn )0 dont on
dispose.
La meilleure prime dexperience ou prime de Bayes est definie par
] := E [()|X] .
P Bayes = ()

Il sagit dune prime certaine `


a la difference de la prime individuelle.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices

Exercices

Exercice 1.1 Consid


erons la situation o`
u, si les montants de sinistres sont constants, le
nombre de sinistres attendu pour pouvoir utiliser la cr
edibilit
e totale vaut 2 670. Quel
est le nombre minimum de sinistres attendus pour pouvoir utiliser la cr
edibilit
e totale
lorsque les montants de sinistres sont distribu
es selon une loi log-normale desp
erance
1 000 et de variance 1 500 000 ?
Exercice 1.2 Soit x le nombre de sinistres esp
er
es pour pouvoir utiliser la cr
edibilit
e
totale en acceptant une erreur de 5 % avec une probabilit
e de 90 %. Notons y la
m
eme grandeur pour une erreur accept
ee de 10 %. Que vaut le rapport yx ?
Exercice 1.3 Montrer que lon attend au moins 2 401 accidents par an pour pouvoir
utiliser la cr
edibilit
e totale en acceptant une erreur de 4 % avec une probabilit
e de
95 %. En supposant que lon dispose dune exposition au risque de 40 000 v
ehicules
par an et que la fr
equence de sinistres moyenne est 0,0441, d
eterminer le niveau
maximal du facteur de cr
edibilit
e.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Sommaire

1 Chapitre 1 - Introduction
2 Chapitre 2 - Prime de Bayes

Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Classes de lois conjuguees
3 Chapitre 3 - Estimateurs de cr
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

1. Langage bayesien

2 Chapitre 2 - Prime de Bayes

Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Contexte
Tarification a posteriori sans personnalisation a priori
Tarification a posteriori avec fr
equences a priori diff
erenci
ees

Classes de lois conjuguees


Choix de la loi de structure et de la loi conditionnelle
Famille exponentielle
Prime de Bayes dans le cadre exponentiel
Construction de classes conjugu
ees

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

1. Langage bayesien

Considerons une hypoth`ese H et un evenement B et notons Pr[H] notre


connaissance initiale (a priori) de la vraisemblance de lhypoth`ese H. Alors
Pr[B|H] represente la probabilite conditionnelle de levenement B sous
lhypoth`ese H ;
consideree comme une fonction de H, Pr(B|H) est la vraisemblance de B
sachant H ; et
Pr[H|B] est la probabilite a posteriori de H.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

1. Langage bayesien

Le theor`eme de Bayes nous permet decrire


Pr[H|B] =

Pr[B|H] Pr[H]
,
Pr[B]

lorsque Pr[B] > 0.


Ainsi lorsque Pr[B] > 0, la probabilite a posteriori de H (Pr[H|B]) est
proportionnelle au produit de la probabilite a priori (Pr[H]) et de la
vraisemblance de B sachant H (Pr[B|H]).

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

1. Langage bayesien

Rappels :
Prime individuelle (variable aleatoire) :
P ind = () = E [Xn+1 |] .
Prime collective (reel) :
P coll = 0 =

Z
()dU() = E [Xn+1 ] .

Prime de Bayes (reel lorsque lon a observe X) :


] = E [()|X] .
P Bayes = ()

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

2. Meilleure prime dexperience

2 Chapitre 2 - Prime de Bayes

Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Contexte
Tarification a posteriori sans personnalisation a priori
Tarification a posteriori avec fr
equences a priori diff
erenci
ees

Classes de lois conjuguees


Choix de la loi de structure et de la loi conditionnelle
Famille exponentielle
Prime de Bayes dans le cadre exponentiel
Construction de classes conjugu
ees

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

2. Meilleure prime dexperience


Definition (Crit`ere de lerreur quadratique moyenne)

[ de () est au moins aussi bon quun estimateur ()


[ si
Un estimateur ()


2 
2 

[ ()
[ ()
E ()
E ()
,

o`
uE


2 
[ ()
[
()
est lerreur quadratique moyenne de ().

Theor`eme
Au regard du crit`ere de lerreur quadratique moyenne,
] = E [()|X]
()
est le meilleur estimateur de ().

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

2. Meilleure prime dexperience


D
emonstration :
[ un estimateur de () et ()
] = E [()|X] lesperance a posteriori
Soit ()
de (). On a

 
2 
2 
[ ()
[ ()
] + ()
] () |X .
E ()
= E E ()
Or
E [(b

e) (e
) |X] =
eE [b
|X] E [b
|X]
e2 +
e2 ,
do`
u
E





2 
2 
2 
[ ()
]
] ()
[ ()
.
+ E ()
()
= E ()


Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

2. Meilleure prime dexperience

Theor`eme (Erreur quadratique moyenne)


(1) Lerreur quadratique moyenne de la prime de Bayes vaut :

2 
] ()
E ()
= E [Var(()|X)] .
(2) Lerreur quadratique moyenne de la prime collective est donnee par :
h
i
E (0 ())2 = Var [()]
= E [Var(()|X)] + Var [E(()|X)] .
Remarque : Lerreur quadratique moyenne de la prime de Bayes correspond au
premier terme de decomposition de la variance dans celle de la prime collective.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3. Construction dune echelle bonus-malus

2 Chapitre 2 - Prime de Bayes

Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Contexte
Tarification a posteriori sans personnalisation a priori
Tarification a posteriori avec fr
equences a priori diff
erenci
ees

Classes de lois conjuguees


Choix de la loi de structure et de la loi conditionnelle
Famille exponentielle
Prime de Bayes dans le cadre exponentiel
Construction de classes conjugu
ees

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.1. Contexte

Fin des annees 60, en Suisse, le niveau des primes dassurance auto depend
uniquement de la puissance du vehicule.
Les assureurs souhaitent augmenter le niveau des primes quils jugent
insuffisant pour couvrir les sinistres.
Accord des autorites de contr
ole sous reserve que le nouveau tarif tienne
compte du passe-sinistre des assures.
F. Bichsel est charge de mettre au point un syst`eme de mise `
a jour des
primes mieux adapte aux profils de risques individuels.
Bichsel estime que les differences de profil de risque entre les conducteurs
sont mieux resumees par les nombres de sinistres que par leur taille.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

Notons Nj le nombre de sinistres engendres par un conducteur particulier


dans lannee j,
Xj la charge agregee de sinistres correspondante.
Bichsel fait implicitement lhypoth`ese suivante :
Hypoth`ese (Hypoth`ese implicite de Bichsel)
Pour tout profil de risque , E [Xj | = ] = C E [Nj | = ] o`
u C est une
constante qui depend uniquement de la puissance du vehicule et o`
u
E [Nj | = ] depend uniquement du conducteur.
Sous cette hypoth`ese, il suffit donc de modeliser le nombre de sinistres.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori


Hypoth`ese (Poisson-Gamma)
(PG1) Conditionnellement `
a = , les v.a. Nj (j = 1, ..., n) sont independantes
et identiquement distribuees selon une loi de Poisson de param`etre , i.e.
Pr (Nj = k| = ) = e

k
, pour k N.
k!

(PG2) est distribue selon une loi Gamma de param`etres et , i.e. a pour
densite
1

e
, pour 0,
u() =
()
o`
u () =

e x x 1 dx, pour > 0.

Remarque : E[] = et Var[] =


lhomogeneite du collectif.

Pierre Th
erond

E[]
Var[]

est une mesure de

Th
eorie de la cr
edibilit
e

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

3.2. Tarification a posteriori sans personnalisation a priori


Proposition
Sous lhypoth`ese 2, on a pour la frequence de sinistres (notee F )
F ind = E [Nn+1 |] = ,

F coll = E [] = ,

+ N
+ (1 ) ,
= N
F Bayes =
+n

o`
u=

n
,
n+

N =

n
P
j=1

=
Nj et N

1
n

n
P

Nj .

j=1
Bayes

Lerreur quadratique moyenne de F


est donnee par



2

2 
h
 i
2 .
E F Bayes
= (1 )E F coll
= E N

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

Remarques (1/2) :
La prime de Bayes P Bayes = CF Bayes est une fonction lineaire des
observations (cest donc une prime de credibilite).

F Bayes est une moyenne ponderee de la frequence individuelle observee N

et de la frequence esperee a priori E[] = .


n
est appele facteur de credibilite. Il est croissant avec le nombre
= n+
dannees dobservation n et decroissant avec , i.e. plus on dispose
dinformations individuelles, plus on accorde de credit au passe-sinistres de
lassure et plus le collectif est homog`ene, plus on accorde de credit `
a la
prime collective.

est egalement le facteur par lequel est reduite lerreur quadratique


moyenne lorsque lon utilise F Bayes au lieu de F coll .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori


Remarques (2/2) :
Lerreur quadratique moyenne de F coll vaut :
"

2 #
2 

coll
E F
=E

= Var [] = 2 .

Lerreur quadratique moyenne de


h
h h
 i
2 =E E
E N

vaut :
N
ii



2 | = E Var N|

E[]

=
.
n
n
h
h
2 i
 i
 i n
2 et E N
2

E N
0 donc
=

F Bayes



F Bayes

Pierre Th
erond

2 

0.

Th
eorie de la cr
edibilit
e

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

3.2. Tarification a posteriori sans personnalisation a priori

D
emonstration (1/2) :
Les deux premiers points sont immediats.
Pour obtenir la prime de Bayes, ecrivons la densite a posteriori de sachant
N = (N1 , ..., Nj )0 ,
1

e
()

u(|N) = R

()

1 e

n
Q
j=1
n
Q
j=1

Nj

e Nj !
Nj

e Nj !

n
P
j=1

Nj 1

e (+n) .

Le membre de droite est le noyau de la densite dune loi Gamma de param`etres


0 = + N et 0 = + n, do`
u lon obtient F Bayes .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

D
emonstration (2/2) :
Lerreur quadratique moyenne de F Bayes est donnee par



2 
+ N
E F Bayes
= E [Var (|N)] = E
( + n)2


n
1

=
1+
=
( + n)2

n+

1
= 2 (1 ) =
.

n


Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

Tableau : Distribution observee du nombre de sinistres par police en 1961


k
0
1
2
3
4
5
6
Total

Nombre de polices
avec k sinistres

Pierre Th
erond

103 704
14 075
1 766
255
45
6
2
119 853

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori


Estimation des param`etres de structure par la methode des moments :
I
X
1961 := 1

N = N
N (i) = 0, 1551
I i=1

N2 =

I
2
1 X  (i)
N N1961 = 0, 1793
I 1 i=1

N = E[N] = E [E[N|]] =

N2 = Var[N] = E [Var[N|]] + Var [E[N|]]





1
= E[] + Var[] = + 2 =
1+

= 0, 9956 et = 6, 4172.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

En remplacant les param`etres de structure et par leurs estimateurs et ,


la prime de Bayes du conducteur ayant lhistorique (N1 , ..., Nn ) est estimee par :
Bayes
F\

emp

n
X
n

= 1
N+
Nj .
, ou
N
n j=1
n +
n +

Remarque : Le calcul de la prime de Bayes seffectue frequemment en deux


etapes :
determination de lexpression de P Bayes sous lhypoth`ese que les param`etres
de structure sont connus ;
estimation des param`etres de structure `
a laide des donnees du collectif.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

3.2. Tarification a posteriori sans personnalisation a priori


Description du risque dans le collectif
Z
P(N = k) =

P (N = k| = ) u()d

k 1

e
d
k! ()
Z
1
=
e (+1) +k1 d
() k!
{z
}
|
Z

(+k)
(+1)+k


 
k
( + k)

1
()k!
+1
+1



+k 1
=
p (1 p)k , avec p =
.
k
+1
=

On retrouve la distribution binomiale-negative.


Pierre Th
erond

Th
eorie de la cr
edibilit
e

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

3.2. Tarification a posteriori sans personnalisation a priori


Description du risque dans le collectif
Le mod`ele Poisson-Gamma represente mieux les observations que le mod`ele
homog`ene dans lequel tous les assures ont le meme param`etre de Poisson.
Tableau : Nombre de polices avec k sinistres
k
0
1
2
3
4
5
6
Total

Observe
103 704
14 075
1 766
255
45
6
2
119 853

Pierre Th
erond

P(
N )
102 630
15 922
1 235
64
2
0
0
119 853

BN (
, )
103 761
13 927
1 874
252
34
5
1
119 853

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

Construction de l
echelle bonus-malus (1/2)
Lechelle bonus-malus doit permettre dajuster la prime dun conducteur en
fonction de sa frequence de sinistre esperee.
En pratique, cela passe par lutilisation dun coefficient `
a appliquer `
a la prime
collective :
Bayes
F\
coef . bonus malus =
0
o`
u 0 = 0, 1551 est la frequence de sinistres moyenne observee.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.2. Tarification a posteriori sans personnalisation a priori

Construction de l
echelle bonus-malus (2/2)
Tableau : Coefficients bonus-malus
n\k
1
2
3
4
5
6

0
87%
76%
68%
62%
56%
52%

1
173%
153%
137%
123%
113%
104%

2
260%
229%
205%
185%
169%
156%

3
347%
306%
273%
247%
226%
207%

Dans ce tableau, n represente le nombre dannees dobservation et k le nombre


de sinistres observes.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.3. Tarification a posteriori avec frequences a priori differenciees

Lhypoth`ese 2 peut se reecrire sous la forme suivante :


(PG1) Conditionnellement `
a = , les v.a. Nj (j = 1, ..., n) sont
independantes et identiquement distribuees selon une loi de Poisson de
param`etre 0 , o`
u 0 = .
(PG2) est distribue selon une loi Gamma avec E[] = 1 et de param`etre
de forme .
Remarques (1/2) :
E[] = 1 le param`etre dechelle de la distribution de est egal au
param`etre de forme .
F ind = E[Nj |] = 0 donc designe directement le coefficient
bonus-malus recherche.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.3. Tarification a posteriori avec frequences a priori differenciees


Remarques (2/2) :
Lheterogeneite du portefeuille peut etre mesuree par le coefficient de
variation de F ind
ele,
p. Sous cette reecriture du mod`
2
CoVa(F ind ) = Var[] et = CoVa(F ind )
.
Pour estimer , il est naturel de considerer la frequence relative de
ej = Nj . En particulier, F
e ind = E[F
ej |] = .
sinistres F
0
En divisant F Bayes par 0 , on obtient :
Bayes
e = E[|N] = 1 +
e Bayes := F
F
=
0


N
1 ,

o`
u = n0 represente le nombre de sinistres espere a priori et

= +
= +
. De plus,
0
n


N
1X
= 1 + F 1 .
= F :=
Fj

n j=1
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.3. Tarification a posteriori avec frequences a priori differenciees

Considerons la situation dans laquelle la frequence a priori varie selon les


annees et selon les risques et interessons-nous `
a un risque de nombre de
sinistres espere j et de nombre de sinistres observes Nj pour lannee j.
Hypoth`ese (Poisson-Gamma II)
(PG1) Conditionnellement `
a = , les v.a. Nj (j = 1, ..., n) sont
independantes et identiquement distribuees selon une loi de Poisson de
param`etre j .
(PG2) est distribue selon une loi Gamma avec E[] = 1 et de param`etre de
forme .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

3.3. Tarification a posteriori avec frequences a priori differenciees


Proposition
Sous lhypoth`ese 3, on a :
e = E[|N] = 1 +
e Bayes =
F


N
1 ,

o`
u
N est le nombre observe de sinistres,
n
P
=
j le nombre de sinistres espere a priori,
=

j=1

.
+

Remarque : Ce resultat est plus fort que le precedent, car peut varier entre
les risques (par exemple dependre de variables explicatives telles que la
composition de la flotte de vehicules).

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4. Classes de lois conjuguees

2 Chapitre 2 - Prime de Bayes

Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Contexte
Tarification a posteriori sans personnalisation a priori
Tarification a posteriori avec fr
equences a priori diff
erenci
ees

Classes de lois conjuguees


Choix de la loi de structure et de la loi conditionnelle
Famille exponentielle
Prime de Bayes dans le cadre exponentiel
Construction de classes conjugu
ees

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4. Classes de lois conjuguees

Dans lexemple precedent, pour determiner la prime de Bayes, il a ete


necessaire de specifier :
la loi conditionnelle F du nombre de sinistres pour = ,
la fonction de structure U().
Notons F = {F : } la famille des distributions possibles et
U = {U ()| } la famille des fonctions de structure.
Si, en pratique, la specification de F nest pas evidente, celle de U lest encore
moins.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.1. Choix de la loi de structure et de la loi conditionnelle

En pratique, les conditions suivantes doivent etre verifiees :


La famille U doit etre assez grande pour contenir les distributions qui
peuvent decrire le collectif.
La famille U doit etre aussi petite quil est possible de representer notre
connaissance du collectif.
Idealement, les familles U et F devraient etre choisies de mani`ere `
a ce que
la prime de Bayes puisse sexprimer analytiquement.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.1. Choix de la loi de structure et de la loi conditionnelle

Definition (Familles de distributions conjuguees)


La famille U est conjuguee `
a la famille F si, pour tout et pour toute
realisation x du vecteur des observations X, il existe 0 tel que
U (|X = x) = U 0 (),

pour tout .

Un des principaux interets dutilisation des familles de distributions conjuguees


est que la distribution a posteriori obtenue sur une periode peut etre utilisee
comme a priori de la periode suivante.
Ceci a notamment pour effet de simplifier les processus de mise `
a jour des
primes : les methodes mises en place peuvent etre conservees pour les periodes
suivantes.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.1. Choix de la loi de structure et de la loi conditionnelle


Exemple (1/2)
Considerons une suite de n v.a. Bernoulli N1 , N2 , ..., Nn qui ont toutes la meme
probabilite constante de succ`es . Le nombre total de succ`es observe est donc
distribue selon une loi binomiale B(n, ). Connaissant , la probabilite
dobserver r succ`es lors des n tirages vaut


n
Pr[N1 + ... + Nn = r |] =
r (1 )nr .
r
Supposons que la distribution a priori de soit une loi (a, b) qui admet donc
pour densite
f () =

(a + b) a1
(1 )b1 ,
(a)(b)

Pierre Th
erond

[0; 1].

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.1. Choix de la loi de structure et de la loi conditionnelle

Exemple (2/2)
Dapr`es la r`egle de Bayes, la densite de la loi a posteriori de est donnee par
f (|n1 , ..., nn ) f ()f (n1 , ..., nn |) = f ()

n
Y

f (ni |)

i=1

a1 (1 )b1 r (1 )nr
a+r 1 (1 )b+nr 1 .
La distribution a posteriori de est une loi (a + r , b + n r ).
Ainsi la famille des lois beta est conjuguee `
a la famille des lois Bernoulli.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.2. Famille exponentielle

Definition (Famille exponentielle)


Une distribution de probabilites appartient `
a la famille exponentielle Fexp si sa
loi peut sexprimer sous la forme :


x b()
2
dF (x) = exp
+
c(x,

/)
d(x),
x A R,
2 /
o`
u designe la mesure de Lebesgue ou la mesure de comptage, b C 2 (, R),
b 0 injective, c : R2 R et et 2 constantes.
Interpr
etation des param`
etres :
2 est le param`etre de dispersion,
le poids a priori associe `
a lobservation,
le profil de risque.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.2. Famille exponentielle

De nombreuses distributions usuelles font partie de la famille exponentielle,


notamment :
Poisson,
Bernoulli,
binomiale,
gamma,
gaussienne,
inverse-gaussienne.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.2. Famille exponentielle

b,c
Notons Fexp
la famille associee aux fonctions b et c et considerons la famille
b
Uexp des distributions ayant une densite de la forme



x0 b()
2
u () = exp
+
d
x
,

, .
0
2

Theor`eme
b
b,c
La famille Uexp
est conjuguee `
a Fexp
.
Remarques :
x0 et 2 sont des hyperparam`etres,
b,c
la famille conjuguee `
a Fexp
ne depend pas de c.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.2. Famille exponentielle

Exemples de classes conjuguees dans la famille exponentielle :


Poisson - gamma,
binomial - beta,
gamma - gamma,
geometrique - beta,
gausienne - gaussienne.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.3. Prime de Bayes dans le cadre exponentiel


Supposons que, pour fixe, les composantes de X = (X1 , ..., Xn )0 sont
b,c
independantes, de distribution F Fexp
, toutes avec le meme param`etre de
dispersion 2 et avec les poids j , j = 1, ..., n.
Theor`eme
b,c
b
Pour la famille Fexp
et sa famille conjuguee Uexp
,
P ind () = b 0 (),

Var [Xj | = , j ] = b 00 ()

2
,
j

et sous certaines conditions de regularite,


P coll = x0 ,
+ (1 )P coll ,
P Bayes = X
=
o`
uX

n
P
j=1

j
X
j

et =

.
+ 2 / 2

La prime de Bayes est lineaire en les observations : on parlera de credibilite


exacte.
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.4. Construction de classes conjuguees


Theor`eme
Considerons les hypoth`eses suivantes :
(H1) Pour x fixe, les fonctions de vraisemblance l() = f (x) sont
proportionnelles `
a un element de U, i.e.
Z
1
x, ux U , ux () = f (x)
f (x)d
.
(H2) U est fermee sous loperateur produit, i.e.
Z
1
u, v U , u(.)v (.)
u()v ()d
U.
Si F et U satisfont (H1) et (H2), alors U est conjuguee `
a F.
D
emonstration : La distribution a posteriori vaut :
R
f (x)d
f (x)u()
u(|x) = R
= R
ux ()u() U .
f (x)u()d
f (x)u()d
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.4. Construction de classes conjuguees

En considerant le theor`eme 5, pour construire une classe conjuguee `


a F, il est
naturel de construire
(
)
Z
1
0
U = ux : ux () = f (x)
f (x)d
,x A .
Si U 0 est fermee sous loperation produit alors U 0 est conjuguee `
a F ; sinon on
lui recherchera une extension naturelle qui lest.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

4.4. Construction de classes conjuguees

Exemple : Considerons F la famille des distributions binomiales,


F = {f (x) : [0; 1]} avec
f (x) = Cnx x (1 )nx ,

x =

n
X

xj ,

xj {0; 1}.

j=1

U 0 est lensemble des distributions beta de param`etre (i, n + 2 i),


i {1, ..., n + 1}.
U 0 nest pas fermee sous loperation produit mais U lensemble des distributions
beta en est une extension naturelle qui est fermee sous loperation produit
(exercice). Donc gr
ace au theor`eme 5, U est conjuguee `
a F.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Exercices

Exercice 2.1 Consid


erons un portefeuille regroupant exclusivement des bons et des
mauvais risques. Notons B l
ev
enement
etre un bon risque et B c son
compl
ementaire
etre un mauvais risque. Supposons que lassureur ne sache pas, a
priori distinguer les bons des mauvais risques mais quil sait quils sont en proportions

egales dans son portefeuille (Pr[B] = 1/2). Notons Nk le nombre de sinistres caus
es
par un assur
e au cours de lann
ee k et supposons que
Pr[Nk = 1|B] = 0, 2 = 1 Pr [Nk = 0|B]
Pr[Nk = 1|B c ] = 0, 8 = 1 Pr [Nk = 0|B c ]
Supposons enfin que les sinistres sont tous de m
eme montant 1 et que
conditionnellement `
a la qualit
e du risque, les nombres de sinistres sont ind
ependants.
1. D
eterminez la prime pure a priori dun assur
e de ce portefeuille.
2. Consid
erons un assur
e avec lhistorique de sinistres : (N1 = 0, N2 = 1, N3 = 0).
Quelle est la probabilit
e quil sagisse dun bon risque ?
3. Quelle prime exigeriez-vous de cet assur
e pour la 4e ann
ee ?

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Exercices

Exercice 2.2 Consid


erons un assur
e dont le nombre annuel de sinistres est distribu
e
selon une loi de Poisson de param`
etre . Les montants de sinistres sont constants. La
distribution a priori de est une loi uniforme sur lintervalle [0, 1].
1. Donnez la prime de Bayes de cet assur
e.
2. Lors de la premi`
ere ann
ee dobservation, lassur
e a caus
e un sinistre. Quelle prime
lui r
eclameriez-vous pour la seconde ann
ee ?
Exercice 2.3 Notons Ni le nombre de sinistres caus
es par un assur
e durant lann
ee i.
Conditionnellement `
a , les Ni sont ind
ependants et identiquement distribu
es selon
une loi de Poisson de param`
etre . admet pour densit
e g () = e , > 0.
1. Donnez la probabilit
e que lassur
e cause 2 sinistres durant la pemi`
ere ann
ee
Pr[N1 = 2].
2. Donnez la distribution pr
edictive de N2 sachant que N1 = 2 (il sagit de d
eterminer
Pr[N2 = n|N1 = 2] pour n = 0, 1, ...)

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Langage bayesien
Meilleure prime dexp
erience
Construction dune
echelle bonus-malus
Classes de lois conjugu
ees
Exercices

Exercices
Exercice 2.4 Consid
erons un assur
e qui
a exactement un sinistre par an,
dont le co
ut est distribu
ee selon une loi exponentielle de densit
e
f (x|T = t) = te tx , x > 0,
o`
u le param`
etre T admet pour densit
e h(t) = te t , t > 0.
1. Donnez la prime de Bayes de cet assur
e pour la premi`
ere p
eriode.
2. Sachant quil a eu un sinistre de montant 5 la premi`
ere ann
ee, d
eterminez la densit
e
a posteriori de T .
Exercice 2.5 La distribution a priori dune v.a. H est donn
ee par Pr[H = 0, 25] = 0, 8
et Pr[H = 0, 5] = 0, 2. Conditionnellement `
a H les v.a. Di sont i.i.d. Le r
esultat dune
exp
erience Di est distribu
e selon
Pr[Di = d|H = h] = hd (1 h)1d ,
pour d {0; 1}.
1. Sachant D1 = 1, exprimez la loi a posteriori de H.
2. Sachant D1 = 1, quelle est la distribution pr
edictive du r
esultat de lexp
erience D2 ?

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Sommaire

1 Chapitre 1 - Introduction
2 Chapitre 2 - Prime de Bayes
3 Chapitre 3 - Estimateurs de cr
edibilite

Prime de credibilite
Mod`ele de B
uhlmann
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Contexte

] = E [()|X] est le meilleur estimateur possible


La prime de Bayes ()
de la prime individuelle () = E [Xn+1 |].
En general, elle ne peut sexprimer de mani`ere analytique ; son calcul
necessite alors lutilisation de methodes numeriques.
Sa determination necessite en outre de specifier une distribution
conditionnelle et une distribution a priori.
La theorie de la credibilite repose sur lidee de se restreindre `
a la classe des
estimateurs qui sont lineaires en les observations.
Comme dans lapproche bayesienne, la qualite de ces estimateurs sera appreciee
par le crit`ere derreur quadratique moyenne.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1. Prime de credibilite

3 Chapitre 3 - Estimateurs de cr
edibilite

Prime de credibilite
Introduction dans un contexte simplifi
e
Interpr
etation de la prime de cr
edibilit
e
Erreur quadratique moyenne de la prime de cr
edibilit
e

Mod`ele de B
uhlmann
Hypoth`
eses du mod`
ele
Estimateur de cr
edibilit
e homog`
ene
Estimation des param`
etres de structure

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie


Hypoth`ese (Mod`ele de credibilite simplifie)
(H1) Les variables aleatoires Xj (j = 1, ..., n) sont, conditionnellement `
a = ,
independantes et identiquement distribuees selon une loi F avec les moments
conditionnels
() = E [Xj | = ] ,
2 () = Var [Xj | = ] .
(H2) est une variable aleatoire de distribution U().
Dans ce mod`ele, on a
P ind = () = E [Xn+1 |] ,
Z
P coll = 0 = ()dU().

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie


On souhaite trouver un estimateur de la prime individuelle () et lon va se
restreindre `
a ceux qui sont lineaires en les observations X = (X1 , ..., Xn )0 .
[
[ le meilleur estimateur lineaire en X de ().
Notons P cred ou ()
[
[ est de la forme
Lestimateur de credibilite ()
n

X
[
[ =
()
a0 +

aj Xj ,
j=1

o`
u les coefficients (
a0 ,
a1 , ...,
an ) sont solution de

(
a0 ,
a1 , ...,
an ) = arg min E () a0

n
X
j=1

Pierre Th
erond

Th
eorie de la cr
edibilit
e

2
aj Xj .

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie

La distribution de X est invariante par permutations des Xj , donc

a1 = ... =
an .
Aussi, lestimateur de credibilite est de la forme
[
[ =
X
,
()
a+b
sont solution de
o`
u
a et b


h
 i
= arg min E () a b X
2 .

a, b

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie


Les e.d.p. de ce probl`eme sont


= 0,
E () a bX


, () bVar X
= 0.
Cov X
De par la structure de dependance du mod`ele, on a

, () = Var [()] =: 2 ,
Cov X



E 2 ()
2
=
Var X
+ Var [()] =:
+ 2,
n
n
do`
u lon obtient
b=

2
n
=
,
+ 2 /n
n + 2 / 2

a = (1 b)0 .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie

Theor`eme
Sous les hypoth`eses (H1) et (H2), lestimateur de credibilite est donne par
[
[ = X
+ (1 )0 ,
()
o`
u 0 = E [()] et =

n
.
n+ 2 / 2

Remarques :
On retrouve la meme structure que pour la prime de Bayes dans le cadre
exponentiel.
P cred est une moyenne ponderee de la prime collective et de la prime
individuelle observee.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie


Remarques :
Le coefficient := 2 / 2 est appele coefficient de credibilite. En lecrivant
sous la forme

2
/0
=
,
/0
et en remarquant que
p
E [Var(Xj |)]

=
,
0
E[Xj ]

= CoVa[()].
0

sinterpr`ete comme le rapport entre la variabilite interne du risque et


lheterogeneite du portefeuille.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.1. Introduction dans un contexte simplifie

Remarques :
Le facteur de credibilite crot avec le nombre dannees dobervations n,
crot avec lheterogeneite du portefeuille (mesuree par 0 ) et decrot avec
la variabilite interne au risque (mesuree par 0 ).
Lorsque la prime de Bayes est lineaire, elle concide avec la prime de
credibilite, on parle alors de credibilite exacte.
La prime de credibilite fait intervenir les param`etres de structure 2 , 2 et
0 . Ces param`etres pourront etre estimes empiriquement sur le collectif ou
fixes a priori (avis dexpert).

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.2. Interpretation de la prime de credibilite


.
P cred est une moyenne ponderee de P coll et de X
P coll = 0 est le meilleur estimateur a priori, son erreur quadratique
moyenne vaut
h
i
E (0 ())2 = Var[()] = 2 .

est le meilleur estimateur lineaire et individuellement non-biaise base


X
uniquement sur les observations, son erreur quadratique moyenne vaut
 2

i
h
2
())2 = E () = .
E (X
n
n

P cred est une moyenne ponderee dont les poids sont inversement proportionnels
`
a lerreur quadratique moyenne de ses deux composantes.
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.3. Erreur quadratique moyenne de la prime de credibilite


Theor`eme
[
[ vaut
Lerreur quadratique moyenne de lestimateur de credibilite ()
"
2 #
[
[
E
() ()
= (1 ) 2
=

2
.
n

D
emonstration : exercice.
Remarques :
est le coefficient par lequel est reduite lerreur quadratique moyenne
lorsque lon utilise P cred au lieu de P coll .
(1 ) est le coefficient par lequel est reduite lerreur quadratique
.
moyenne lorsque lon utilise P cred au lieu de X

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

1.3. Erreur quadratique moyenne de la prime de credibilite


Sous les hypoth`eses (H1) et (H2), on a
Prime

Erreur quadratique moyenne

P coll = 0

Var [()]

[
[
P cred = ()

(1 )Var [()]

]
P Bayes = ()

E [Var (()) |X]

Le principal interet de la prime de credibilite reside dans sa simplicite de mise


en oeuvre : il nest pas necessaire de specifier une structure (choix conjoint de
la priori et de la distribution conditionnelle) qui ajoute un risque additionnel de
mod`ele.
En contrepartie, la precision de la prime de credibilite est moindre que celle de
la prime de Bayes.
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2. Mod`ele de B
uhlmann

3 Chapitre 3 - Estimateurs de cr
edibilite

Prime de credibilite
Introduction dans un contexte simplifi
e
Interpr
etation de la prime de cr
edibilit
e
Erreur quadratique moyenne de la prime de cr
edibilit
e

Mod`ele de B
uhlmann
Hypoth`
eses du mod`
ele
Estimateur de cr
edibilit
e homog`
ene
Estimation des param`
etres de structure

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2. Mod`ele de B
uhlmann

Jusqu`
a present, on sest interesse la tarification dun risque particulier. On va
dorenavant considerer un portefeuille de I risques similaires.
On notera Xi = (Xi1 , ..., Xin )0 le vecteur des observations associe au risque i et
i son profil de risque.
Ces I risques sont similaires dans la mesure o`
u chaque risque i respecte les
hypoth`eses (H1) et (H2).
On se retrouve ainsi dans le cadre decrit par B
uhlmann [1967].

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.1. Hypoth`eses du mod`ele

Hypoth`ese (Mod`ele de B
uhlmann)
(B1) Les variables aleatoires Xij (j = 1, ..., n) sont, conditionnellement `
a
i = , independantes et identiquement distribuees selon une loi F avec les
moments conditionnels
() = E [Xij |i = ] ,
2 () = Var [Xij |i = ] .
(B2) Les couples (1 , X1 ), ..., (I , XI ) sont independants et identiquement
distribues.
Du fait de (B2), le portefeuille est heterog`ene : les profils de risque 1 , ..., I
sont independants et ont la meme distribution de structure U().
Ces risques ont neanmoins en commun quon ne peut les differencier a priori.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.1. Hypoth`eses du mod`ele


Lobjectif est de trouver lestimateur de credibilite dans le mod`ele de
B
uhlmann. Cela am`ene deux questions :
Que cherche-t-on `
a estimer ?
Pour chaque risque individuel i, on souhaite estimer la prime individuelle
\
\
(i ) par lestimateur (
eaire en les observations. On
i ) qui est lin
estime donc I primes.
En quelles observations lestimateur doit-il
etre lin
eaire ?
On utilisera toute linformation disponible (pas uniquement le passe
\
\
sinistres du risque i) et lon supposera que (
i ) est le meilleur estimateur
de la classe

I X
n

X
\
\
(
bkj Xkj ; a, bkj R .
i ) : (i ) = a +

k=1 j=1

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.1. Hypoth`eses du mod`ele


La distribution de Xi est invariante par permutations des Xij (j = 1, ..., n), donc
I

X (i)
\
(i)
\
X
k ,
(
a0 +
b
i) =
k
k=1

k =
o`
uX

1
n

n
P

Xkj et

j=1

!2
I


X
(i) (i)
(i)
(i)
k .

a0 , bk = arg min E (i ) a0
bk X
k=1
(i)

(i)

Les e.d.p. par rapport `


a a0 et aux bk donnent (exercice)

 
k = b (i) Var X
k .
Cov (i ), X
k

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.1. Hypoth`eses du mod`ele


k = 0 si i 6= k.
Dapr`es (B2), Cov (i ), X
Lestimateur de credibilite de (i ) ne depend donc que des observations
associees au risque i. Il est de la forme
\
\

(
i ) = Xi + (1 )0 ,
o`
u=

n
.
n+ 2 / 2

Bien quayant la meme forme, ce resultat est plus fort que le precedent car
lestimateur est ici base sur lensemble des observations du portefeuille
0
X = (X01 , ..., X0I ) .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.2. Estimateur de credibilite homog`ene


Definition (Estimateur homog`ene de credibilite)
hom

\
\
Lestimateur homog`ene de credibilite (
de (i ) est le meilleur
i)
estimateur de la classe des estimateurs collectivement sans biais

I X
n

h
i
X
\
\
\
(
bkj Xkj ; E (
.
i ) : (i ) =
i ) = E [(i )] , bkj R

k=1 j=1

Remarquons que
"

hom

\
\
E (
i)

#
= E [(i )] = E [Xkj ] = 0 ,

pour tous i, j et k. On en deduit donc la contrainte sur les param`etres


I X
n
X

bkj = 1.

k=1 j=1

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.2. Estimateur de credibilite homog`ene

Theor`eme
Dans le mod`ele de B
uhlmann, lestimateur homog`ene de credibilite est donne
par
hom
\
\
i + (1 )X
,
(
= X
i)
o`
u=

n
.
n+ 2 / 2

D
emonstration : exercice.
est lestimateur naturel de 0 .
Remarque : Le terme X

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

2.3. Estimation des param`etres de structure

Theor`eme
Les estimateurs
c2 =

I X
n
X
2
1
Xij Xi ,
I (n 1) i=1 j=1

I
c2
1 X
)2 ,
b2 =
(Xi X
I 1 i=1
n

sont sans biais et convergents.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Exercices

Exercice 3.1 Consid


erons un assur
e dont le nombre annuel de sinistres est distribu
e
selon une loi de Poisson de param`
etre . La distribution a priori de est une loi
uniforme sur lintervalle [0, 1].
Lors de la premi`
ere ann
ee dobservation, lassur
e a caus
e un sinistre. Utilisez le mod`
ele
de B
uhlmann pour estimer le nombre de sinistres esp
er
e que va engendrer cet assur
e
pour la deuxi`
eme ann
ee puis comparez le r
esultat avec celui obtenu dans lexercice 2.2.
Exercice 3.2 Une soci
et
e dassurance couvre deux contrats depuis 3 ans. Elle dispose
des montants annuels de sinistres suivants :
Contrat Ann
ee 1 Ann
ee 2
Ann
ee 3
1
5
8
11
2
11
13
12
Selon le mod`
ele de B
uhlmann, quelles primes r
eclameriez-vous `
a ces deux assur
es pour
la 4e ann
ee ?

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Exercices
Exercice 3.3 Un portefeuille de 340 assur
es a produit 210 d
eclarations de vol au cours
dune ann
ee. La r
epartition des sinistres est la suivante :
Nombre de sinistres Nombre dassur
es
0
200
80
1
2
50
3
10
En supposant que le nombre de sinistres d
eclar
es par un assur
e suit une loi de Poisson
dont le param`
etre peut varier dun assur
e`
a lautre, d
eterminez le facteur de cr
edibilit
e
(selon le mod`
ele de B
uhlmann) pour un assur
e de ce portefeuille. D
eduisez-en
laugmentation de la prime dun assur
e qui aurait d
eclar
e deux sinistres.
Exercice 3.4 Soit Ni le nombre de sinistres (de montant 1) caus
es par un assur
e au
cours de lann
ee i. Conditionnellement `
a = , les Ni sont suppos
es ind
ependantes et
distribu
ees selon une loi de Poisson de param`
etre . est suppos
e de loi gamma de
moyenne a/ et de variance a/ 2 .
1. Un assur
e a produit n1 , n2 et n3 sinistres les trois premi`
eres ann
ees. Calculez sa
prime de Bayes pour la quatri`
eme ann
ee.
2. Comparez avec la prime qui lui serait r
eclam
ee selon le mod`
ele de B
uhlmann et
commentez.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Sommaire

1 Chapitre 1 - Introduction
2 Chapitre 2 - Prime de Bayes
3 Chapitre 3 - Estimateurs de cr
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`eses du mod`ele
Estimateurs de credibilite
Recapitulatif de la demarche

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Motivation
Considerons la situation dun portefeuille de contrats qui doivent etre tarifes.
Ce portefeuille a fait lobjet dune segmentation qui a conduit `
a la creation de
classes de risque `
a linterieur desquelles les risques ne peuvent etre differencies
a priori.
La theorie de la credibilite va permettre, pour chaque risque, denrichir
linformation a priori gr
ace au passe sinistre.
Dans cette optique, le mod`ele de B
uhlmann utilise une hypoth`ese peu realiste :
2 (i ) = Var [Xij |i ] .

Il apparat en effet assez naturel que cette variance conditionnelle devrait etre
decroissante avec lexposition du risque i.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Motivation

Le mod`ele de B
uhlmann-Straub vient generaliser le mod`ele de B
uhlmann en
relachant cette hypoth`ese par lintroduction de poids.
Ce mod`ele est largement utilise en pratique que ce soit en assurance non-vie, en
assurance vie ou en reassurance.
Dans la suite, nous traiterons un portefeuille de I risques (ou classes de risques)
et nous noterons Xij le ratio de sinistres (ou la frequence de sinistres ou la taille
moyenne des sinistres ou tout autre indicateur) du risque i pendant lannee j et
ij le poids associe.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Demonstration des resultats

La plupart des resultats de ce chapitre se demontrent de la meme mani`ere que


dans le mod`ele de B
uhlmann (cf. Chapitre 3 : Estimateurs de credibilite).
Pour les autres, le lecteur pourra se referer `
a B
uhlmann & Gisler [2005] pour le
detail des preuves.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

1. Hypoth`eses du mod`ele

4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`eses du mod`ele
Estimateurs de credibilite
Estimateur
Estimateur
Estimation
Estimateur

non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e

Recapitulatif de la demarche

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

1. Hypoth`eses du mod`ele
Hypoth`ese (Mod`ele de B
uhlmann-Straub)
Le risque i est caracterise par le profil de risque i qui est une realisation de i
et lon a
(BS1) Les variables aleatoires Xij (j = 1, ..., n) sont, conditionnellement `
a i ,
independantes avec les moments conditionnels
(i ) = E [Xij |i ] ,
2 (i ) = ij Var [Xij |i ] .
(BS2) Les couples (1 , X1 ), ..., (I , XI ) sont independants et les 1 , ..., I sont
independants et identiquement distribues.
Remarques g
en
erales :
Le nombre dannees dobservations peut varier entre les risques.
Formellement cela passe par lintroduction de poids nuls.
Lindependance conditionnelle dans (BS1) peut etre relachee en exigeant
seulement la non-correlation conditionnelle, i.e. E [Cov (Xik , Xil |i )] = 0
pour k 6= l.
Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

1. Hypoth`eses du mod`ele
Remarques sur (BS2) :
Les risques sont independants : les sinistres engendres par deux contrats
differents sont independants.
Les risques sont a priori egaux : cette hypoth`ese doit etre testee. B
uhlmann
& Gisler [2005] proposent un ajustement du mod`ele dans le cas contraire.
Remarques sur (BS1) :
Pour chaque risque, le vrai ratio de sinistres (i ) nevolue pas au cours
du temps : hypoth`ese classique en assurance non-vie, elle necessitera le
plus souvent lelaboration prealable de donnees as-if.
La variance conditionnelle est inversement proportionnelle aux poids que
lon se donne. En pratique les poids sont des mesures du volume de risque
(duree dexposition au risque, montants assures en incendie, masse salariale
en sante, chiffre daffaire realise par la cedante en reassurance, etc.)

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

1. Hypoth`eses du mod`ele

Rappel des notations :


Prime individuelle, (i ) := E[Xij |i ],
Risque individuel normalise (ij = 1), 2 (i ) := ij Var[Xij |i ],
Prime collective, 0 := E[(i )],
Risque collectif normalise (ij = 1),
Var[Xij ] = Var[E[Xij |i ]] + E[Var[Xij |i ]]
= Var[(i )] + E[ 2 (i )] .
| {z } | {z }
=: 2

=: 2

2 est une mesure du risque interne au risque individuel alors que 2


mesure lheterogeneite du portefeuille.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2. Estimateurs de credibilite

4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`eses du mod`ele
Estimateurs de credibilite
Estimateur
Estimateur
Estimation
Estimateur

non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e

Recapitulatif de la demarche

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.1. Estimateur non-homog`ene

\
\
Pour chaque risque i, on cherche lestimateur de credibilite (
i ) de son ratio
de sinistres individuel (i ).
On dispose de donnees X = (X01 , ..., X0I )0 sur lensemble du portefeuille.
\
\
Les risques etant independants (BS2), (
epend uniquement des
i ) d
observations Xi rattachees au risque i, soit
X
\
\
(
aij Xij .
i ) = ai0 +
j

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.1. Estimateur non-homog`ene

Par ailleurs, en notant i :=

n
P

ij , le meilleur estimateur individuellement

j=1

sans biais de (i ) est


Xi :=

X ij
Xij ,
i
j

pour lequel on a (exercice)


E[Xi |i ] = (i ),
X  ij 2
2 (i )
Var[Xi |i ] =
Var[Xij |i ] =
,
i
i
j
Var[Xi ] =

2
+ 2.
i

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.1. Estimateur non-homog`ene


On prouve (cf. B
uhlmann & Gisler [2005]) que lestimateur de credibilite ne
depend des observations que par Xi . Comme de plus, E[Xi ] = 0 , lestimateur
de credibilite est de la forme
\
\
(
i ) = i Xi + (1 i )0 ,
et doit satisfaire


\
\
Cov (
= i Cov(Xi , Xi ) = Cov ((i ), Xi ) .
i ), Xi
Donc
Cov ((i ), Xi )
Var[Xi ]
E [Cov ((i ), Xi |i )] + Cov ((i ), E [Xi |i ])
=
Var[Xi ]

i =

0 + 2
i
=
2 .
2
i +
i + 2

2 /

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.1. Estimateur non-homog`ene


Theor`eme
Dans le mod`ele de B
uhlmann-Straub, lestimateur (non-homog`ene) de
credibilite est donne par
\
\
(
i ) = i Xi + (1 i )0 ,
o`
u
X ij
Xij ,
i
j
X
=
ij ,

Xi =
i

i =

i
i +

2
2

i
.
i +

est appele coefficient de credibilite.


Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.1. Estimateur non-homog`ene

Theor`eme
Lerreur quadratique moyenne de lestimateur de credibilite est donnee par
"
2 #
\
2
\
E
.
(
= (1 i ) 2 = i
i ) (i )
i
Remarques :
2 est lerreur quadratique moyenne de 0 ,
2
i

est lerreur quadratique moyenne de Xi (exercice).

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.2. Estimateur homog`ene


Theor`eme
Dans le mod`ele de B
uhlmann-Straub, lestimateur homog`ene de credibilite est
donne par
hom
\
c
\
(
= i Xi + (1 i )
c0 ,
i)
o`
u
I
X
i
Xi ,

i=1
i
i =
2 ,
i + 2

c0 =

I
X

i .

i=1

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.2. Estimateur homog`ene

Remarques :
Pour P
estimer 0 , il eut ete intuitif dutiliser la moyenne observee
i
=
X
X . On lui pref`erera la moyenne ponderee par les facteurs de
i
P i
c
credibilite
c0 =
Xi .

\
\
Il est possible davoir simultanement (
i)
< Xi .
X

hom

> Xi



c

c0 > Xi et

` la difference de lestimateur de credibilite (non-homog`ene), lestimateur


A
homog`ene utilise lensemble des observations disponibles.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.2. Estimateur homog`ene

Theor`eme
Sous les hypoth`eses du mod`ele de B
uhlmann-Straub, on a
X

\
\
ij (
i)

ij

hom

ij Xij .

ij

D
emonstration : exercice.
Ce resultat nous indique que si la prime homog`ene de credibilite avait ete
utilisee dans la passe, il y aurait eu equilibre entre primes et prestations.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.2. Estimateur homog`ene

Theor`eme
Sous les hypoth`eses du mod`ele de B
uhlmann-Straub, lerreur quadratique
moyenne de lestimateur homog`ene de credibilite est donnee par
"
!2 #


hom
\
1 i
\
(
E
(i )
= 2 (1 i ) 1 +
.
i)

Remarque : Lerreur quadratique moyenne de lestimateur homog`ene de


credibilite est egale `
a celle de lestimateur (non-homog`ene) majoree par le
i
coefficient 1
. Cette perte de precision resulte de lestimation de 0 .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.3. Estimation des param`etres de structure

Lestimation de la prime de credibilite passe par lestimation des param`etres de


structure 2 et 2 .
Rappelons que ces grandeurs interviennent :
\
\
dans le calcul des facteurs de credibilite pour lestimation de (
i ) et de
hom
\
\
(
,
i)
hom

\
\
dans lestimation de 0 prealable `
a celle de (
i)

Leur estimation necessite donc une attention particuli`ere.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.3. Estimation des param`etres de structure


Theor`eme
Les estimateurs
I X
n
X
1
ij (Xij Xi )2 ,
I (n 1) i=1 j=1
)
( I
X

b
2
c
2

(X

X
)

(I

1)

b2 :=
i
i
I
P
2
2
i=1

i

c2 :=

i=1

sont sans biais et convergents (pour autant que

P  i 2
i

0 lorsque I

b
pour b2 ).
b
b2
Remarque : Lestimateur
 peut
 donner une valeur negative ; en pratique, on
b
b
b
2
2
utilisera donc = max , 0 .

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

2.4. Estimateur empirique de credibilite


emp

\
\
En pratique, on utilisera lestimateur de credibilite empirique (
qui est
i)
obtenu en remplacant les param`etres de structure par leurs estimateurs dans la
hom
\
\
formule de (
.
i)
Theor`eme
Lestimateur empirique de credibilite est donne par
emp

\
\
(
i)

c
:= bi Xi + (1 bi )
c0 ,

o`
u
i
,
i +
b2 /b
2
P
bi Xi
c

c0 := P
.
bi
bi :=

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

3. Recapitulatif de la demarche

4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`eses du mod`ele
Estimateurs de credibilite
Estimateur
Estimateur
Estimation
Estimateur

non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e

Recapitulatif de la demarche

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

3. Recapitulatif de la demarche

R
ecapitulatif de la d
emarche `
a suivre en pratique
1
2

Determination des poids ij


P ij
Calcul des Xi =
X
i ij
j

3
4

c2
Estimation de 2 par
2
Estimation de par b2
i
i +b
2 /b
2

Estimation des i par bi =

c
Estimation de 0 par
c0
emp
\
c
\
Calcul des (
= bi Xi + (1 bi )
c0
i)

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Exercices

Exercice 4.1 Utilisez le mod`


ele de B
uhlmann-Straub pour d
eterminer pour chaque
groupe dassur
es la prime pour la 4e ann
ee.
La sinistralit
e et les effectifs des trois premi`
eres ann
ees sont r
esum
ees ci-apr`
es.
Montants de sinistres
Groupe dassur
es
Ann
ee 1
Ann
ee 2
Ann
ee 3
1
8 000
11 000
15 000
2
20 000
24 000
18 000
3
10 000
15 000
13 500
Taille des groupes
Groupe dassur
es Ann
ee 1
Ann
ee 2
Ann
ee 3 Ann
ee 4
1
40
50
75
75
2
100
120
120
95
3
50
60
60
60

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Exercices

Exercice 4.2 Le tableau suivant reprend le nombre de sinistres caus


es par 300 assur
es
pendant la premi`
ere ann
ee dobservation.
Nombre de sinistres
0
1
2
3
4 5
Nombre dassur
es
123
97 49
21 8
2
En supposant que le nombre de sinistres caus
es par un assur
e est disribu
e selon une loi
de Poisson dont la moyenne peut
etre diff
erente selon les assur
es, donnez, pour chaque
assur
e, une estimation de cr
edibilit
e du nombre de sinistres quil causera durant la
prochaine ann
ee dobservation.

Pierre Th
erond

Th
eorie de la cr
edibilit
e

Chapitre 1 - Introduction
Chapitre 2 - Prime de Bayes
Chapitre 3 - Estimateurs de cr
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
ecapitulatif de la d
emarche
Exercices

Exercices

Exercice 4.3 Consid


erer le tableau suivant o`
u Xij est le montant total de sinistres et
ij la masse salariale pour lemployeur i dans lann
ee j.
Xij
Employeur i
Ann
ee 1 Ann
ee 2
Ann
ee 3 Ann
ee 4
1
14
21
12
18
2
4
0
4
6
3
3
0
1
6
ij
Employeur i
Ann
ee 1 Ann
ee 2
Ann
ee 3 Ann
ee 4
1
2
3
4
3
2
4
2
1
2
3
3
3
1
3
A laide du mod`
ele de B
uhlmann-Straub, calculez la prime de cr
edibilit
e de lemployeur
n 1 pour la cinqui`
eme ann
ee sachant que 1;5 = 3.

Pierre Th
erond

Th
eorie de la cr
edibilit
e