Credibilité

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
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
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
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
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 Helène 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Illustrations introductives
Th
eorie de la fluctuation limit
ee
Formalisation math
ematique
Exercices
Sommaire
Theorie de la fluctuation limitee
Formalisation mathematique du problème de tarification
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
1. Illustrations introductives
Une premi`
ere illustration
Exemple de Ragnar Norberg

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

Risques individuel et collectif
Formulation bayesienne
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
1.1. Une première illustration
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
1.2. Exemple de Ragnar Norberg
Considerons 20 contrats independants et a priori homogènes (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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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 homogène.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
Notons pj le paramètre de la loi de Bernoulli du j-ème 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 homogène.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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 homogènes ; 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
2. Theorie de la fluctuation limitee
Une premi`
ere illustration

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

Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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 premières 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
2.1. Les origines
La theorie de la fluctuation limitee constitue la première 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)-ème 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 manière `
a ce que les
variations aleatoires de la prime restent limitees.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
2.3. Credibilite totale
On parle de credibilite totale lorsque la prime pour la (t + 1)-ème periode

depend exclusivement de la sinistralite propre de lassure observee sur les t
premières periodes.
La prime vaut donc j p
t .
Le problème 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices

Le theorème 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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 critère.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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 manière 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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 paramètres c et delicat (quelles justifications ?),
approximation central-limite,
approche paradoxale : pour obtenir le facteur de credibilite, on fait
lhypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
3. Formalisation mathematique du problème de tarification
Une premi`
ere illustration

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

Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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 hypothèses 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices

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
homogène, 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
3.2. Formulation bayesienne
Le problème evoque supra se decrit aisement en termes bayesiens. La

problematique peut etre resumee par un modèle `
a deux urnes.
La première urne represente le collectif de risques dont on selectionne un
element qui conditionne le contenu de la deuxième 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
ee
Formalisation math
ematique
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Th
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
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
Langage bayesien
Meilleure prime dexperience
Construction dune echelle bonus-malus
Classes de lois conjuguees
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
1. Langage bayesien
Langage bayesien
Contexte
Tarification a posteriori sans personnalisation a priori
Tarification a posteriori avec fr
equences a priori diff
erenci
ees

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
1. Langage bayesien
Considerons une hypothèse H et un evenement B et notons Pr[H] notre

connaissance initiale (a priori) de la vraisemblance de lhypothèse H. Alors
Pr[B|H] represente la probabilite conditionnelle de levenement B sous
lhypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
1. Langage bayesien
Le theorème 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
2. Meilleure prime dexperience
Langage bayesien
Contexte
erenci
ees

ees
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

Definition (Critère 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 ().
Theorème
Au regard du critère de lerreur quadratique moyenne,
] = E [()|X]
()
est le meilleur estimateur de ().
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
Theorème (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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
3. Construction dune echelle bonus-malus
Langage bayesien
Contexte
erenci
ees

ees
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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 système 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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 lhypothèse suivante :
Hypothèse (Hypothèse 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 hypothèse, il suffit donc de modeliser le nombre de sinistres.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

Hypothèse (Poisson-Gamma)
(PG1) Conditionnellement `
a = , les v.a. Nj (j = 1, ..., n) sont independantes
et identiquement distribuees selon une loi de Poisson de paramètre , i.e.
Pr (Nj = k| = ) = e
k
, pour k N.
k!
(PG2) est distribue selon une loi Gamma de paramètres 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
erience
Construction dune
echelle bonus-malus
ees
Exercices
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Proposition
Sous lhypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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 homogène, 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

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
erience
Construction dune
echelle bonus-malus
ees
Exercices
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
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 paramètres

0 = + N et 0 = + n, do`
u lon obtient F Bayes .
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

Estimation des paramètres 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
En remplacant les paramètres 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 lhypothèse que les paramètres
de structure sont connus ;
estimation des paramètres de structure `
a laide des donnees du collectif.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

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
erience
Construction dune
echelle bonus-malus
ees
Exercices
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub

Description du risque dans le collectif
Le modèle Poisson-Gamma represente mieux les observations que le modèle
homogène dans lequel tous les assures ont le meme paramètre 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
3.3. Tarification a posteriori avec frequences a priori differenciees
Lhypothèse 2 peut se reecrire sous la forme suivante :

a = , les v.a. Nj (j = 1, ..., n) sont
independantes et identiquement distribuees selon une loi de Poisson de
paramètre 0 , o`
u 0 = .
(PG2) est distribue selon une loi Gamma avec E[] = 1 et de paramètre
de forme .
Remarques (1/2) :
E[] = 1 le paramètre dechelle de la distribution de est egal au
paramètre 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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.
Hypothèse (Poisson-Gamma II)
a = , les v.a. Nj (j = 1, ..., n) sont
independantes et identiquement distribuees selon une loi de Poisson de
paramètre j .
(PG2) est distribue selon une loi Gamma avec E[] = 1 et de paramètre de
forme .
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

Proposition
Sous lhypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
4. Classes de lois conjuguees
Langage bayesien
Contexte
erenci
ees

ees
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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 manière `
a ce que
la prime de Bayes puisse sexprimer analytiquement.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices

Exemple (1/2)
Considerons une suite de n v.a. Bernoulli N1 , N2 , ..., Nn qui ont toutes la meme
probabilite constante de succès . Le nombre total de succès observe est donc
distribue selon une loi binomiale B(n, ). Connaissant , la probabilite
dobserver r succès 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
Exemple (2/2)
Daprès la règle 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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 paramètre de dispersion,
le poids a priori associe `
a lobservation,
le profil de risque.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
Theorème
b
b,c
La famille Uexp
est conjuguee `
a Fexp
.
Remarques :
x0 et 2 sont des hyperparamètres,
b,c
la famille conjuguee `
a Fexp
ne depend pas de c.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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 paramètre de
dispersion 2 et avec les poids j , j = 1, ..., n.
Theorème
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
4.4. Construction de classes conjuguees

Theorème
Considerons les hypothèses 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
En considerant le theorème 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
ees
Exercices
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 paramètre (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 theorème 5, U est conjuguee `
a F.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Langage bayesien
erience
Construction dune
echelle bonus-malus
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
Sommaire
edibilite
Prime de credibilite
Modèle de B
uhlmann
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Pierre Th
erond
Th
eorie de la cr
edibilit
e
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 manière 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 critère derreur quadratique moyenne.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
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
edibilite
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
Modèle 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
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

Hypothèse (Modèle 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 modèle, on a
P ind = () = E [Xn+1 |] ,
Z
P coll = 0 = ()dU().
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

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 .
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Les e.d.p. de ce problème sont

= 0,
E () a bX

, () bVar X
= 0.
Cov X
De par la structure de dependance du modèle, 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
Theorème
Sous les hypothèses (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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

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
sinterprète comme le rapport entre la variabilite interne du risque et

lheterogeneite du portefeuille.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
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 paramètres de structure 2 , 2 et
0 . Ces paramètres pourront etre estimes empiriquement sur le collectif ou
fixes a priori (avis dexpert).
Pierre Th
erond
Th
eorie de la cr
edibilit
e
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
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

Theorème
[
[ 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
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 hypothèses (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
modèle.
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
2. Modèle de B
uhlmann
edibilite
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
Modèle 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
2. Modèle 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
hypothèses (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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices
2.1. Hypothèses du modèle
Hypothèse (Modèle 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 heterogène : 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

Lobjectif est de trouver lestimateur de credibilite dans le modèle de
B
uhlmann. Cela amène 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Prime de cr
edibilit
e
Mod`
ele de B
uhlmann
Exercices

k = 0 si i 6= k.
Daprès (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
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 homogène

Definition (Estimateur homogène de credibilite)
hom
\
\
Lestimateur homogène 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 paramètres

I X
n
X
bkj = 1.
k=1 j=1
Pierre Th
erond
Th
eorie de la cr
edibilit
e
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 homogène
Theorème
Dans le modèle de B
uhlmann, lestimateur homogène de credibilite est donne
par
hom
\
\
i + (1 )X
,
(
= X
i)
o`
u=
n
.
n+ 2 / 2
D
est lestimateur naturel de 0 .
Remarque : Le terme X
Pierre Th
erond
Th
eorie de la cr
edibilit
e
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 paramètres de structure
Theorème
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
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
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
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
edibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypothèses du modèle
Estimateurs de credibilite
Recapitulatif de la demarche
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
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 modèle de B
uhlmann utilise une hypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Motivation
Le modèle de B
uhlmann-Straub vient generaliser le modèle de B
uhlmann en
relachant cette hypothèse par lintroduction de poids.
Ce modèle 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Demonstration des resultats
La plupart des resultats de ce chapitre se demontrent de la meme manière que

dans le modèle 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
1. Hypothèses du modèle
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Estimateur
Estimateur
Estimation
Estimateur
non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Hypothèse (Modèle 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Remarques sur (BS2) :
Les risques sont independants : les sinistres engendres par deux contrats
differents sont independants.
Les risques sont a priori egaux : cette hypothèse doit etre testee. B
uhlmann
& Gisler [2005] proposent un ajustement du modèle dans le cas contraire.
Remarques sur (BS1) :
Pour chaque risque, le vrai ratio de sinistres (i ) nevolue pas au cours
du temps : hypothèse 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
2. Estimateurs de credibilite
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Estimateur
Estimateur
Estimation
Estimateur
non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
2.1. Estimateur non-homogène
\
\
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices

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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices

Theorème
uhlmann-Straub, lestimateur (non-homogène) 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Theorème
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
2.2. Estimateur homogène

Theorème
uhlmann-Straub, lestimateur homogène 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Remarques :
Pour P
estimer 0 , il eut ete intuitif dutiliser la moyenne observee
i
=
X
X . On lui prefèrera 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-homogène), lestimateur

A
homogène utilise lensemble des observations disponibles.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Theorème
Sous les hypothèses du modèle de B
uhlmann-Straub, on a
X
\
\
ij (
i)
ij
hom
ij Xij .
ij
D
Ce resultat nous indique que si la prime homogène 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Theorème
Sous les hypothèses du modèle de B
uhlmann-Straub, lerreur quadratique
moyenne de lestimateur homogène de credibilite est donnee par
"
!2 #

hom
\
1 i
\
(
E
(i )
= 2 (1 i ) 1 +
.
i)
Remarque : Lerreur quadratique moyenne de lestimateur homogène de

credibilite est egale `
a celle de lestimateur (non-homogène) 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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
Lestimation de la prime de credibilite passe par lestimation des paramètres 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 particulière.
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices

Theorème
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
2.4. Estimateur empirique de credibilite

emp
\
\
En pratique, on utilisera lestimateur de credibilite empirique (
qui est
i)
obtenu en remplacant les paramètres de structure par leurs estimateurs dans la
hom
\
\
formule de (
.
i)
Theorème
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
3. Recapitulatif de la demarche
4 Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Estimateur
Estimateur
Estimation
Estimateur
non-homog`
ene
homog`
ene
des param`
etres de structure
empirique de cr
edibilit
e
Pierre Th
erond
Th
eorie de la cr
edibilit
e
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
emarche
Exercices
3. Recapitulatif de la demarche
R
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
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
edibilit
e
Chapitre 4 - Mod`
ele de B
uhlmann-Straub
Hypoth`
eses du mod`
ele
Estimateurs de cr
edibilit
e
R
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

Langue

Credibilité

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Credibilité

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1 - Introduction

Chapitre 2 - Prime de Bayes

Annee universitaire 2013-2014

Des exercices figurent en fin de chaque chapitre.

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

Theorie de la fluctuation limitee

Formalisation mathematique du probl`eme de tarification

1.1. Une premi`ere illustration

1.1. Une premi`ere illustration

1.1. Une premi`ere illustration

1.1. Une premi`ere illustration

1.1. Une premi`ere illustration

1.2. Exemple de Ragnar Norberg

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

1.2. Exemple de Ragnar Norberg

1.2. Exemple de Ragnar Norberg

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

1.2. Exemple de Ragnar Norberg

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

est distribuee selon une loi du 2 `

1.2. Exemple de Ragnar Norberg

La tarification actuelle (meme prime pure p

2. Theorie de la fluctuation limitee

Theorie de la fluctuation limitee

Formalisation mathematique du probl`eme de tarification

2.1. Les origines

2.1. Les origines

Quelle est la taille `

2.1. Les origines

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

Le coefficient Z est appele facteur de credibilite.

La theorie de la fluctuation limitee consiste `

2.2. Fluctuation limitee

Deux situations sont possibles :

2.3. Credibilite totale

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

2.3. Credibilite totale

2.3. Credibilite totale

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

2.3. Credibilite totale

Dans le cas particulier o`

2.4. Credibilite partielle

2.5. Quelques remarques

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

3. Formalisation mathematique du probl`eme de tarification

Theorie de la fluctuation limitee

Formalisation mathematique du probl`eme de tarification

3.1. Risques individuel et collectif

Considerons un risque individuel qui produit des montants agreges de sinistres

3.1. Risques individuel et collectif

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

3.1. Risques individuel et collectif

Definition (Fonction de structure)

3.2. Formulation bayesienne

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

3.2. Formulation bayesienne

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

3.2. Formulation bayesienne

Il sagit dune prime certaine `

Exercice 1.1 Consid

2 Chapitre 2 - Prime de Bayes

Classes de lois conjuguees

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