Vous êtes sur la page 1sur 10

Cours de contrle de

gestion appliqu
l'assurance
Partie 4

Cours complet, exercices d'application et bibliographie sur


www.cours-assurance.org

Contrle de gestion appliqu l'assurance

Partie 4 : Techniques de projection et applications aux calculs assurantiels

Plan de la partie :

Ajustements et rgressions
Sries chronologiques

1. Techniques d'ajustement
1.1. Courbe d'ajustement

Soit un chantillon de taille n ayant comme mesures x1, x2, ..., xn et y1, y2, ..., yn.
On peut reporter lensemble de ces points sur un graphique orthonorm et on obtient un nuage
de points (diagramme de dispersion). Sur ce graphique, on peut souvent tracer une courbe
pousant au mieux les donnes, cest la courbe dajustement.
Au vu du diagramme de dispersion, on peut alors essayer de trouver une forme analytique de
cette courbe dajustement.
1.2. La mthode des moindres carrs
1.2.1.Ajustement linaire

Soit n points Pi de coordonnes (xi, yi). Il sagit de trouver les coefficients a et b dune droite
y tel que la somme des carrs des distances verticales depuis les points Pi jusqu la droite y
soit minimale.
Lcart de la droite y par rapport un point Pi est donn par

Si nous mesurons la distance le long de laxe des y depuis le point Pi jusqu lordonne du
point xi sur la droite y. Un tel cart peut tre ngatif ou positif et cest pourquoi nous ne
minimisons pas la somme des carts, mais la somme des carrs des carts. On a ainsi

Le but est de minimiser E en fonction de a et de b ; xi et yi tant des donnes constantes.


Aprs calculs, on trouve :

10

Contrle de gestion appliqu l'assurance

Et
La covariance et la variance tant dfinies ainsi :

10

L'expression (*) peut aussi scrire :

Pour rsumer, la droite des moindre carrs de y en x passe par le point "moyen" de
coordonnes

, a pour pente

et comme ordonne lorigine

En pratique, on peut simplifier les calculs l'aide de la formule suivante :

Pour mesurer la qualit de l'ajustement, on peut calculer la somme des carrs des erreurs
individuelles qui correspond au E dtaill l'expression (#)
1.2.2.Ajustements non linaires

Dans certains cas, lajustement une fonction linaire nest pas adquat : un ajustement des
donnes une fonction non linaire doit tre envisag. Les deux cas que nous considrons
sont ceux o on peut se ramener par simple transformation un ajustement affine.
1.2.2.1.

Ajustement une fonction puissance

Supposons que les variables statistiques x et y sont lies par une relation de la forme :

Dans ce cas, cette quation peut tre transforme en prenant le logarithme :

Contrle de gestion appliqu l'assurance

En effectuant les changements de variables suivants :

Nous nous ramenons au cas tudi prcdemment :


10
1.2.2.2.

Ajustement une fonction exponentielle

Supposons que les variables statistiques x et y sont lies par une relation de la forme :

Dans ce cas, cette quation peut tre transforme en passant aux logarithmes :

En effectuant les changements de variables suivants :

Nous nous ramenons au cas tudi dans les paragraphes prcdents :

2. Srie chronologique

Les exemples dvelopps dans cette section sont totalement fictifs.


2.1. Introduction

Une srie chronologique est une srie statistique ordonne en fonction du temps.
Exemples : le cours journalier en bourse ( la clture) dune action, le nombre de nouveaux
assurs comptabiliss par une compagnie d'assurance chaque mois. Ltude de ces sries est
intressante car elle peut permettre de prvoir lvolution du phnomne observ dans le
temps.

Contrle de gestion appliqu l'assurance

Voici une srie chronologique indiquant le nombre de victimes dans des accidents de la route
au Luxembourg ayant t indemnises par leur assureur :

Anne
1970
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001

Nombre de
victimes
2497
2380
2239
2034
2193
2185
2075
2062
1749
1946
1914
1846
1725
1725
1720
1616
1730
1609
1559
1575
1588
1331
1246

10

Contrle de gestion appliqu l'assurance

10

Sur la reprsentation graphique dune srie chronologique, on peut distinguer les composantes
fondamentales suivantes :
le mouvement de tendance gnrale ou trend indiquant lvolution gnrale du
phnomne tudi
les mouvements cycliques sur une grande priode autour du trend. Ces mouvements
peuvent tre priodiques (exemple : rcession et expansion conomique, etc.)
les mouvements saisonniers ou variations saisonnires sont des variations se reproduisant
priodiquement des moments bien dtermins (exemple : vente de contrat
complmentaire sant la rentre scolaire, etc.)
les mouvements accidentels ou rsiduels sont dus des facteurs exceptionnels pour la plupart
imprvisibles (risque de guerre, etc.)

2.2. Estimation de la tendance

Il est clair quafin de pouvoir estimer la tendance, cest--dire le mouvement dun phnomne
observ sur un grand intervalle de temps, il faut disposer dune srie statistique sur une longue
priode.
Disposant de ces donnes, le premier travail consiste effectuer une reprsentation graphique
adquate permettant davoir une vue globale du phnomne tudi.
2.2.1.Ajustement analytique

Si les donnes sur le graphique se prsentent sous une forme ressemblant une courbe connue
(droite, parabole, exponentielle, etc.), on peut essayer de dgager une forme analytique pour
cette courbe.

Contrle de gestion appliqu l'assurance

Nous ajustons cette courbe avec les mthodes tudies au chapitre prcdent, ce qui permet de
dterminer la tendance de la srie chronologique.

2.2.2.Moyennes mobiles

Afin dliminer ou damortir les mouvements cycliques, saisonniers et accidentels, on peut


aussi utiliser la technique des moyennes mobiles. On procde ainsi en quelque sorte au lissage
de la courbe.
Le principe de cette mthode est de construire une nouvelle srie obtenue en calculant des
moyennes arithmtiques successives de longueur p fixe partir des donnes originales.
Chacune de ces moyennes obtenues correspondra au milieu de la priode pour laquelle la
moyenne arithmtique vient dtre calcule.
Exemple : le tableau ci-dessous contient des mesures dun phnomne releves 9 instants
diffrents.
t1
4

t2
6

t3
5

t4
3

t5
7

t6
5

t7
4

t8
3

t9
6

Si nous calculons les moyennes mobiles dordre 3, nous obtenons les valeurs suivantes :
t1
4

t2
6
5.00

t3
5
4.67

t4
3
5.00

t5
7
5.00

t6
5
5.33

t7
4
4.00

t8
3
4.33

t9
6

La moyenne mobile dordre 3 pour t6 est :


On constate que, vu la faon de calculer ces moyennes, les deux valeurs extrmes ont disparu,
cest--dire une de chaque ct.

En calculant les moyennes mobiles dordre 5, nous aurons :


t1
4

t2
6

t3
5
5

t4
3
5.2

t5
7
4.8

t6
5
4.4

t7
4
5

t8
3

t9
6

La moyenne mobile dordre 3 pour t4 est :


On constate que, vu la faon de calculer ces moyennes, les quatre valeurs extrmes ont
disparu, cest--dire deux de chaque ct.
De manire gnrale, on constate que si p est impair, donc de la forme 2k + 1, chaque
extrmit k valeurs sont perdues.
En reprsentant graphiquement ces rsultats, nous remarquons bien la tendance au lissage
de la reprsentation originale avec lutilisation de la technique des moyennes mobiles.

10

Contrle de gestion appliqu l'assurance

10

En choisissant p pair, nous sommes confronts au problme que les moyennes obtenues ne
correspondront pas une abscisse existante, mais chevaucheront entre deux de ces valeurs.
Exemple : dans la srie chronologique prcdente, si nous calculons les moyennes mobiles
dordre 4, nous obtenons des valeurs pour t2,5, t3,5 , etc., ce qui nest pas pratique. Cest pour
cette raison quon calcule une moyenne sur 5 valeurs mais en prenant soin de pondrer les
deux valeurs extrmes par 1/2 au lieu de 1 pour les autres valeurs. Il faut quand mme veiller
diviser par 4 (et non par 5) ! Ceci nous garantit que chaque valeur nest prise en compte
quune seule fois.
Nous aurons donc les moyennes mobiles dordre 4 suivantes :
t1
t2
t3
t4
t5
t6
4
6
5
3
7
5
4.88
5.13
4.88
4.75

t7
4
4.63

t8
3

t9
6

Pour mieux comprendre, voici le calcul pour t3 de la moyenne mobile dordre 4 :

2.3. Estimation de la nature des mouvements saisonniers


Pour effectuer lanalyse des mouvements saisonniers, on essaie de dterminer si on est en
prsence dune srie dans laquelle pour une observation O donne :

la variation saisonnire S sajoute simplement la rsultante des autres composantes R


; O = R+S
Cest le modle additif
la variation saisonnire S est proportionnelle la rsultante des autres composantes R :
S=cR et alors O=R+S=R+cR= (1+c)R
Cest le modle multiplicatif.
2.3.1. Mthode graphique :

Contrle de gestion appliqu l'assurance

Afin de faire cette distinction, on peut se baser sur une mthode graphique : on fait un
graphique reprsentant la srie chronologique, puis on trace une droite passant respectivement
par les minima et par les maxima de chaque saison. Si ces deux droites sont parallles, nous
sommes en prsence dun modle additif. Dans le cas contraire, cest un modle multiplicatif.
Exemple :
Nous tudions ces mthodes sur un exemple concret en nous basant sur la srie
chronologique Nouveaux contrats dassurances souscrits selon le mois
Anne

Janvier

Fvrier

Mars

Avril

Mai

Juin

Juillet

Aot

Septembre

Octobre

Novembre

Dcembre

1996

2006

3224

3789

4153

3100

2527

3015

1504

1847

2314

1673

160210

1997

2247

3862

3586

4047

2838

2727

2730

1648

2007

2450

1966

1695

1998

2433

3723

4325

4493

3399

3083

3247

1928

2377

2831

2388

2126

1999

3127

4437

5478

4384

3552

3678

3611

2260

2699

3071

2510

2182

2000

3016

4671

5218

4746

4814

3545

3341

2439

2637

3085

2737

2055

Sur cet exemple, nous constatons que les deux droites ne sont pas parallles, nous sommes
donc en prsence dun modle multiplicatif.
2.3.2. Mthode analytique :
On calcule les moyennes et carts-types pour chacune des priodes considres et on calcule
la droite des moindres carrs
. Si a est nul, cest un modle additif, si
, le
modle est multiplicatif.

Priode

moyenne

cart-type

1996

2562.8

850.7

Contrle de gestion appliqu l'assurance

1997

2650.3

782.3

1998

3029.4

803.6

1999

3415.8

946.6

2000

3525.3

1023.4

En calculant la droite des moindres carrs, on obtient a = 0.195 et b = 289.037, ce qui


confirme encore une fois que pour cet exemple, nous sommes bien en prsence dun modle
multiplicatif.
10