Vous êtes sur la page 1sur 30

FSEG Sfax (2016/2017) 1ère Mastère actuariat

Chapitre 2

Modélisation du nombre des sinistres

Introduction
Le schéma descriptif du processus de risque consiste à distinguer d’une part la survenance des
sinistres, pour laquelle on parlera de fréquence, et d’autre part la distribution des montants de
sinistres, caractérisés notamment par leur coût moyen.
Soit un ensemble homogène de n contrats d’assurance semblables, pour lesquels la prime pure
acquise à l’exercice est P. La masse totale des sinistres à prendre en charge est S et le nombre des
sinistres est N.
A l’équilibre des recettes et des dépenses on a:
S  S  N 
nP  S  P    . 
n  N  n 
N S
avec   est la fréquence des sinistres et   est le coût moyen d’un sinistre.
n N
 La prime pure est le produit de la fréquence par le coût moyen.

1. Modélisation générale
On s’intéresse à la charge annuelle de sinistre X pour un risque déterminé. Un problème plus général
est l’étude du processus stochastique Yt (t  0) , représentant la charge cumulée de sinistre depuis un
instant 0, où X 0  0 , jusqu’à une époque t. Cette charge est une somme: Yt  X1  X 2  ..  X N t
avec N t est le nombre aléatoires des sinistres dans [0,t], et où X1 , X 2 , ,.., X N t sont les montants
aléatoires des sinistres successifs.
Nt
Yt   X i si Nt  0 alors X t  0
i 1

1
FSEG Sfax (2016/2017) 1ère Mastère actuariat

2. Processus aux accroissements indépendants


On suppose que les variables X sont mutuellement indépendantes et identiquement distribuées et
leur distribution commune ne dépend pas du nombre des sinistres. E ( X )  c (le coût moyen) et
E ( Nt )  Ft .

2.1. Calcul de l’espérance


 Cas où N est connu (N=n)
 Nt  Nt
E (Yt )  E   X i    E ( X i )  nE ( X )  nc
 i 1  i 1
 Cas où N est inconnu

E (Yt )  E E Yt N t  n    E ( X 1  X 2  ...  X N t / N  n).PN t  n 
n0
 
  E ( X 1  X 2  ...  X n ).P N t  n    nE ( X ).P N t  n 
n0 n0

 
  n.PN t  n  E ( X )  E ( N t ).E ( X )  cE ( N t )  c.Ft
n0 

Si t=1, on obtient alors E (Yt )  c.F1 avec E (Yt ) est la prime pure, c est le coût et F1 est la
fréquence. On trouve le résultat bien connu : la prime pure est le produit de la fréquence par le
coût moyen.

2.2. Calcul de la variance


 Cas où N est connu (N=n)
 n  n
V (Yt )  V   X i   V ( X i )  nV ( X )
 i 1  i 1
 Cas où N est inconnu

2
FSEG Sfax (2016/2017) 1ère Mastère actuariat

V Yt   E V  X t / Nt  n   V E  X t / Nt  n   E Nt .V ( X t )   V ( Nt ) E ( X t ))
 E ( Nt )V ( X t )  V ( Nt ).E  X t 
2

2.3. Fonction génératrice des moments


   
Soient M X (t )  E e X t t et M N t (t )  E e N t t les fonctions génératrices des moments de X et de N
respectivement.
 Cas où N est connu (N=n)
M Yt (t )  M X 1  X 2 ... X n (t )  M X (t )  en logM Y (t ) 
n

 Cas où N est inconnu


 

    E et  X 1  X 2 ... X N  / N  n .P( N  n)
M Yt (t )  E  E  e 
Xt
 
  Nt  n   n  0
t t

   E e   M log M

  M X (t ) .P( Nt  n)  E M X (t )  (t ) 
n Nt N t . log M X ( t )
Nt X
n 0

3. Modélisation du nombre des sinistres


Le nombre Nt / s  Nt  s  Nt est une variable aléatoire entière dont la distribution ne dépend ni de t
ni de N t . C’est un processus sans mémoire. On note par  s, k la probabilité P( Nt / s  k ) . On a

évidemment :    1.
k 0
s,k

Pour k=0, lim    lim N


s ,0 t/s  0  1 et pour k>0, lim  s , k   0
s 0 s 0 s 0

Pour s tend vers 0,  s ,1 est infiniment petit du premier ordre et  s, k  est infiniment petit d’ordre
supérieur, pour k>1. Autrement dit, dans un petit intervalle, il ne peut se produire qu’au plus un
sinistre. On a aura alors : ds,1  .ds et ds,0  1  .ds avec lim  s ,1    est l’intensité de la
s 0
fréquence.

3.1. Equations différentielles de kolmogorov


3.1.1. Détermination de ps ,0
Considérons les deux instants successifs s et s+ds, on a :
s  ds,0  P( N s  ds  0)  P N s  0 et N s / ds  0   PN s  0.PN s:ds  0   s ,0 .1  .ds 
 

On pose  s ,0   ( s) , une fonction dérivable, on obtient:


 ( s  ds)   ( s)
 . ( s)
ds
si ds  0, alors  ' (s)  . (s) . Cette équation différentielle admet une solution générale de la
forme  ( s)  k.es .
Comme  (0)  0,0  P( N  0)  1  k.e .0  k  k  1 , on obtient  s ,0  es

3
FSEG Sfax (2016/2017) 1ère Mastère actuariat

3.1.2. Détermination de ps , k (k>0)


Dans un petit intervalle (s,s+ds), il ne peut y avoir que 0 ou 1 sinsitre. Donc, il y a deux
possibilités:

 s  ds, k  PN s  ds  k   PN s  k , N s / ds  0  PN s  k  1, N s / ds  1


 PN s  k .PN s / ds  0  PN s  k  1.PN s / ds  1   s , k .1  .ds    s , k 1..ds 
On pose que  s , k  k ( s) fonction dérivable en s, on obtient :
k ( s  ds)  k ( s)
k (s  ds)  k (s).(1  .ds)  k 1 (s).ds   .k ( s)   k 1 ( s)
ds
k ' (s)  .k (s)   k 1 (s)  k 1 (s)  k (s)

 ( s )  e  s .
s k est une solution de l’équation différentielle.
k!
 Vérification
k ' (s)  .k (s)   k 1 (s)  k 1 (s)  k (s)
 e  s (s) k  .e  s k .(s) k 1   (s) k 1 ( s ) k 
k ' ( s) 
k! k!
 
  e  s (s) k  k .e  s (s) k 1   e  s
(k  1)!
 e  s
k! 


  k 1 ( s)  k ( s)

Le nombre des sinistres est modélisé par un processus de Poisson de paramètre (s) .
t
En effet, E( N )  V ( N )  (s) et M N (t )  es ( e 1)

4. Les lois mélanges


L’introduction du mélange sert à prendre en considération l’hétérogénéité du portefeuille
d’assurance, et a pour effet principal d’augmenter la variance du montant cumulé des sinistres.
4.1. Propriétés générales des lois mélanges
Soit X une variable aléatoire suivant une certaine loi L à un ou plusieurs paramètres, et soit  le
paramètre sur lequel va porter le mélange (dans la modélisation, on suppose que l’hétérogénéité du
portefeuille porte principalement sur ce paramètre). On dit que X suit une loi L-mélange de loi de
mélange  sur le paramètre  si X  L() où le paramètre  est donc aléatoire. La variable
aléatoire de mélange  est en général variable aléatoire de moyenne 1 et à valeurs dans un
ensemble A   tel que pour   A,  soit une valeur possible du paramètre de loi L.
Définition
Soit  une variable aléatoire de fonction de répartition F et A   tel que P(  A)  1, et
F . /   A une collection de fonctions de répartitions pour A   . On dit que C suit un mélange de

4
FSEG Sfax (2016/2017) 1ère Mastère actuariat

lois (avec  comme loi de mélange) si pour tout x  et pour tout   A, ,


 
P X  x /      F x . Dans ce cas,
 
FX ( x)  P( X  x)  E E 1W  x /    
 A
 
F x dF ( )
Paramètres
 Espérance : E ( X )  EEX / 
 Variance : V ( X )  E[V  X /   V [ E X / 

Exemples
 Loi de Poisson –mélange:
On dit que N suit une loi de Poisson mélange si N  P() où  est une variable aléatoire
positive et de moyenne 1 pour garantir que  soit toujours positif et que E (N )   .
 Loi binomiale –mélange
N suit une loi binomiale mélange si : N  B(n, p) où  est une variable aléatoire positive et
de moyenne 1 qui prend ses valeurs dans l’intervalle [0,1 /p] de manière à assurer que p est
toujours entre 0 et 1. et que E(N)=np. Sachant que    , N suit une certaine loi de paramètre
dépendant de la valeur de  .

4.2. Loi de Poisson mélange


La loi de Poisson –mélange forment une classe très importante et très utilisée des lois mélange. La
loi de Poisson étant équidispersée, les lois de Poisson mélange sont de fait surdispersées.
 Définition
Soit  une variable aléatoire de fonction de répartition F et A ]0,[ tel que P(  A)  1 . On
dit que N suit une loi de Poisson- mélange de paramètre  si E ()  1 et si pour tout n   et
  A , on a :


PN n  e    n
  n!

 Identification des lois Poisson- mélange


Soit N1 et N 2 deux variables aléatoires qui suivent chacune une loi de Poisson mélange de
paramètre respectifs 11  et 22  . N1 et N 2 ont la même loi équivaut alors à 1 et  2 .

 Moyenne et variance
N  P() alors E (N )   et V ( N )   1  V ()

Démonstration
E( N )  EEN /   E()  E()  
V ( N )  V EN /   EV N /   V ()  E()   ²V ()     (1  V ())
Le mélange augmente donc la variance qui contrairement au modèle de Poisson traditionnel (sans
mélange), devient strictement plus grande que la moyenne, ce qui correspond au phénomène de sur-
dispersion.

 Fonction génératrice des moments


La fonction génératrice des moments d’une loi de Poisson mélange est donnée par :
M N (t )  L ( 1  et  avec L ( x)  E e x  
Application

5
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Montrer que si    ( , ) et N  P alors N suit une loi binomiale négative dont on
précisera les paramètres

Réponse

  
 
M N (t )  E e tN
  tN
   
 E E e /   E exp  e  1  M   e  1  
t
   t
  
    e 1 
t


  
    
    
 t 
 
     e   1    et 
       
C’est la fonction génératrice des moments d’une loi binomiale de paramètres  et 
   
 Propriétés
La somme de deux lois de Poisson mélange de paramètres 1,2  et 2 ,2  est une loi de
  1  
Poisson mélange de paramètre  1  2 ,  11  22 

  1  2  

Démonstration
En utilisant les propriétés d’une fonction génératrice des moments.

Application (Exercice 1/ Série 1)

4.3. Loi exponentielle- mélange


Si X suit une loi exponentielle de paramètre  avec ce dernier est une variable aléatoire qui suit
une loi gamma de paramètres  , t  alors pour x  0 , on a : P X  x   t
xt

donc  
P X  x   1  t 
xt


qui est la fonction de répartition d’une loi de Pareto de 2ème espèce de
paramètres t ,  .
 X  EXP ()
 alors X  Pareto (t , )
     , t 

Démonstration
On utilise le fait que :
FX ( x)  P( X  x)   F x /    .dF ( )  F x / . f  ( )d
 A  A

X  EXP () et     , t 
1
f  ( x) 
1
 t x 1etx  f  ( )   t  1e  t
( ) ( )
F  X /    1  e x

6
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 1  e   
 1    t 
x
 t  1et d   1 f  ( )   e x f  ( )d  1  M  ( x)  1   
0 ( ) 0 0
t  x

 t 
P( X  x)  1  FX ( x)   
t  x

4.4. Lois composées mélange:


Définition
Soit  une variable aléatoire (de fonction de répartition F ) et A  [0,[ tel que
P(  A)  1. Soit X une variable aléatoire. On dit que S suit une loi de Poisson composée et
mélange de paramètres (  , X , ) (avec  comme loi mélange) si E   1 et si pour tout x   et
  A , on a :
  P X  y 
N
P S  y  i 
  
 i 1 
avec N  P() et où les Xi forment une suite de variables aléatoires identiquement et
idépendamment distribuées de même loi que X et indépendantes de N  et avec la convention que la
somme est nulle si N  =0.
Propriétés
 E (S )  E ( X )
 V (S )  E ( X ²)  E ( X ) V ()
2

Démonstration
 E(S )  E( X ) E( N )  E( X ).EEN /   E( X ).E()  E( X )
V ( S )  E ( N )V ( X )  E ( X ) V ( N )  E E N /  .V ( X )  E ( X )  (1  V ()) 
2 2

 
  E ( X ²)  E ( X )  E ( X )  (1  V ()) 
2 2


 E ( X ²)   E ( X )   E ( X )   ²E ( X ) V ()
2 2 2

 E ( X ²)   ²E ( X ) V ()
2

V (S )  E ( X ²)   ²E ( X ) V ()
2

7
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Chapitre 3

Modélisation du montant d’un sinistre

1. Lois de probabilités utilisées


1.1. Loi Gamma
Une variable aléatoire X continue suit une loi Gamma de paramètre a > 0 et p > 0 si sa densité est
   1  x
définie par: f ( x)  x e ; x  0 On note X   ( ,  ) .
( )
 est un paramètre de forme alors que  est un paramètre d’échelle.
L'étude de la loi Gamma nécessite la connaissance de la fonction Gamma :

  x    t x1et dt . Il s'agit de la fonction euléréenne de deuxième espèce. Par ailleurs, si x est
0
entier, on démontre que   x    x  1!.
Exemple:  1  0!  1;   2   1!;   5  4!;  1/ 2    ;   x  1  x  x 

 Soit X une V.A. tel que X   ( ,  ) , on a alors :


 
- Espérances : E ( X )  ; Variances: V ( X ) 
 ²

  
- La fonction génératrice: M X (t )   
 t 

 Soit X1 et X2 deux V.A. indépendantes telles que :


X 1   (1 ,  )
alors X1  X 2   (1   2 ,  )
X 2   ( 2 ,  )

 Si X     alors X   (  1,    ) .

Estimation des paramètres


 Par la méthode de MVS
n n n
L( ,  ; x1 , x2 ,..., xn )   f ( xi )   log f ( xi )    log ( )    log     1. log xi  xi 
i 1 i 1 i 1
n n
 n. log ( )   n. log     1. log xi    xi
i 1 i 1

8
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 log L n n
ˆn ˆ
   xi  0  ˆ  n 
  i 1
 xi X i 1

 log L ' ( ) n
' (ˆ )
 n  n log    log xi  0  log ˆ   log x  0 . Il faut résoudre cette
 ( ) i 1 (ˆ )
équation différentielle pour obtenir une estimation de  .

 Par la méthode des moments

  X X
E( X )  X  ; V (X )   S*² on obtient alors: ˆ  *2 et ˆ  ˆ . X  *2 . X
 ² S S

La loi Gamma est utilisée pour modéliser les pertes dans l’assurance des moteurs des véhicules
personnelles.

1.2. Loi inverse Gaussienne


Les propriétés de cette loi rassemblent à celle des distributions Gamma et log-normale. Le nom
de cette loi est dérivé de la relation inverse qui existe entre les fonctions génératrices de ces lois
et celle des distributions normales. La fonction de densité d’une loi Inverse gaussienne de
paramètres  ,   , où  est un paramètre de forme et  est une paramètre d’échelle, est
donnée par :
  x 2
2 
f ( x; ,  )  x  3 / 2e 2 x , x>0
2
- La fonction de répartition d’une variable aléatoire qui suit cette loi est:
     
FX x       x      x .e2 , x>0
 x   x 
   
avec . est la fonction de répartition d’une loi normale centrée et réduite.
On peut vérifier que FX' ( x)  f ( x) .
- La fonction génératrice est donnée par :
 
M X (t )  exp  1  1  2t  avec t   / 2
   
- Si    , alors X suit la distribution de Wald.
- Si X  IG( ,  ) alors X  IG( ,1) .
- E ( X )   /  et V ( X )   /  ² (comme la loi Gamma).
-
 X  IG( ,  )
 1 1

 X 2  IG( 2 ,  )  X 1  X 2  IG (1   2 ,  )

 X 1 et X 2 indep
- Coefficient d’asymétrie : Skewness= 3 alors qu’il est de 2 pour la loi Gamma.
 

9
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Estimation des paramètres d’une distribution Inverse Gaussienne


n 
L( ,  ; x1 , x2 ,..., xn )   f ( xi )   n 2  . exp   1 
n
  xi 2  n x3 2

n / 2
2 i 1 xi
i
i 1   i 1

log L  n log   n log 2   1 


n
  xi  2  n log x3 / 2
 
2 2 i 1 x i 1
i
i

 n log   n log 2   1 


n
  xi   3 / 2 n logx 
2

2 2 i 1 x 
i 1
i
i

  log L n 1 2 n n
n  n


 
  
 2 xi i 1
  1   
i 1  i 1 xi
n 0
  log L n 2 1 n ² n 1 n 1 n ² n 1
    xi  1 / 2      xi  1 / 2   0
 
 2 2 2 i 1  ² i 1 xi 2 2 i 1  ² i 1 xi
1
On suppose que   est la moyenne de 1 / xi .
X
On a:
 1
 1  1  ˆ 
  1  .  1
  X  X    1
  
X
 ²  1   X  1  ˆ
  ²  X    ˆ 
 X

1.3. Loi log- normale


X suit une loi log- normale de paramètres  et  ² si Y=log(X) suit une loi normale de paramètres
 et  ² .
X  log N ( , ²) si Y  log( X )  N ( , ²)

La fonction de répartition de X est donnée par :


 log( x)   
FX ( x)  P( X  x)  Plog( X )  log( x)   P(Y  log( x))  P Z  
  
La fonction de densité est :
1 1 1  1  log x   2 
f ( x)  ' (log x)  . exp    
x x 2  2    
  
 Si X  log N  ,  alors le coefficient d’asymétrie skewness est égal à  
3 1
   . Le
  ² 
  
skewness d’une loi inverse gaussienne de paramètres  ,  est égal à   3 .
  ² 
 Estimation des paramètres :
ˆ  log X et ˆ 2  log X   ˆ 2  Y  ˆ 2

10
FSEG Sfax (2016/2017) 1ère Mastère actuariat

1.4. Loi combinaison des lois exponentielles


On dit que X est une variable aléatoire qui suit une loi combinaison des exponentielles si X suit
une loi exponentielle de paramètre  avec probabilité p et  avec probabilité 1-p.
La fonction de répartition de la variable X est alors la suivante :
 
P( X  x)  p. 1  ex  1  p . 1  e x  
Pour tout p dans l’intervalle [0,1], la fonction f ( x)  pex  1  p e x avec x>0 est une
fonction de densité de probabilité.
Pour tout p<0 ou p>1, la fonction f(x) peut être une fonction de densité.

Exemples:
 
1) f ( x)  2 e x  e2 x  2e x  2e2 x où p=2,   1 et   2
4 1  4 2
2) f ( x)   e x  e 2 x   e x  e 2 x où p=4/3,   1 et   2
3 3  3 3

 Si X  EXP ( ) et Y  EXP ( ) avec    alors


    
M X Y (t )   
  t   t       t      t
c’est la fonction génératrice des moments de la loi combinaison des lois exponentielles avec

p  la somme de deux lois exponentielles indépendantes est une combinaison des lois
 
exponentielles mais l’inverse n’est pas toujours vrai.

A titre d’exemple, l’expression en 1) peut s’écrire comme fonction de convolution d’une loi

exponentielle de paramètre 1 et d’une loi exponentielle de paramètre 2 avec p   2 par
 
contre l’expression en 2) ne peut pas être écrite comme une telle convolution.

 Si    alors p    et X+Y tend vers une loi gamma de paramètres 2 et  . Par
 
conséquent, une distribution gamma   2 converge vers une distribution combinaison des
lois exponentielles.

1.5. Loi de Pareto


 x
X  Pareto ( , x0 )  log   EXP  
 x0 
La densité de probabilité de X est donnée par :
f ( x)   .x0 .x 1 avec x0  x

n
L( ; x0 , x1 ,..., xn )   n x0n . xi 1
i 1

11
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 n

 log L  n log   n log x0    1 log( xi ) si x0  min xi 


 i 1
log L   si non

 log L n n
  n log xˆ0   log xi  0
  i 1

n n n
n
  n log xˆ0   log xi   log xi  log x0   ̂ 
 n
i 1 i 1
 log x x
i 1
i 

0

L est max aussi si x0  min xi   xˆ0  min xi  .

2. Prime stop-loss
2.1. Définition
Un contrat d’assurance avec une franchise d sur les montants des sinistres ou sur les pertes
agrégées est un stop-loss. L’espérance de ce contrat est la prime stop-loss. Elle est calculée
comme suit :
0 si X  d

Pour un sinistre:  s (d )  E  X  d   avec  X  d   
 X  d si X  D

0 si S  d

Pour les pertes agrégées:  s (d )  E S  d   avec S  d   
 X  d si S  D

Généralement, l’assureur retient le risque d '(sa rétention) alors que le réassureur doit payer le
reste. Par conséquent, la perte de l’assureur ne dépasse pas d dans le pire des cas.

2.2. Formule
- Cas discrèt:
 
 s (d )  E S  d     s  d  f S (s)  1  FS (s)
sd d

- Cas continu:
 s (d )  E S  d     s  d  f S (s)ds  d 1  FS (s)ds
 

 s ' (d )  FS (d )  1

Théorème:
Si P(a<S<b)=0 alors pour a  d  b , on a :
bd d a
E S  d    E S  a    E S  b  
ba ba
bd d a
  S (d )   S (a)   S (b)
ba ba
La prime stop–loss peut être calculé en utilisant une interpolation linéaire.

12
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Démonstration
Si P(a<S<b)=0 ceci veut dire que PS  x   PS  a   FS ( x)  FS (a) x  [a, b]

s  d  f S (s)ds  d 1  FS (s)ds
 
 s (d )  E S  d    
d

1  FS (s)ds  a 1  FS (s)ds E S  a    a 1  FS (s)ds


 d d
 (1)
a

 E S  a     1  FS (a)ds E S  a    1  FS (a)d  a 


d

Si d  b , ES  b   ES  a    1  FS (a)b  a 

E S  a    E S  b  
 1  FS (a) 
ba

Si on substitue cette dernière équation dans (1), on obtient:

E S  a    E S  b  
E S  d    E S  a    (d  a)
ba
 d  a d a
 1   E S  a    E S  b  
 ba ba
bd d a
 E S  a    E S  b  
ba ba

1.3. Relation entre  (d ) et  (d  1)

E S  d    ( x  d )  f S ( x)  (x  d ) f S ( x)  (d  1  d ) f S (d  1)
xd x  d 1

  x  (d  1)  1 f
x  d 1
S ( x)  (d  1  d ) f S (d  1)

  x  (d  1) f
x  d 1
S ( x)  f S (d  1)  f
x  d 1
S ( x)

 E x  (d  1)     f S ( x)
xd

 E x  (d  1)    1  FS (d )

  (d  1)  1  FS (d )   (d  1)   (d )  1  FS (d )

 (d )   (d  1)  1  FS (d  1)

13
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Chapitre 4

Modélisation des pertes agrégées

1. Méthode de convolution
1.1. cas des lois discrètes

X  X 2  ...  X n  x
FS ( x)  PrS  x   P( X1  X 2  ... X N  x)   P 1 .P( N  n)

n 0  N  n 

X  X 2  ...  X n  x
FS ( x)   P*n ( x).P( N  n) avec P*n ( x)  P 1 

n 0  N  n 

f S ( x)   p*n ( x).P( N  n) avec p*n ( x)  P X1  X 2  ...  X n  x 
n 0
*n
p ( x) est la probabilité d’avoir un montant total des sinistres qui est égal à x sachant que le
nombre des sinistres est n.
Application 1:
Soient PrN  j  1  j / 10 pour j=1, 2 , 3 et 4 et p(2)=0,60, p(1)=0,4
1. Déterminer la loi de S.
2. Déterminer la probabilité pour que S ne dépasse pas 5.
3. Calculer E(S) et V(S) ;

Réponse:
1. P(N=0)=1/10, P(N=1)=2/10, P(N=2)=3/10 et P(N=3)=4/10.
- p*0 (0)  1 (s’il n’ y a pas de sinistre S=0)
- p*1 (0)  0 (S’il y a des sinistres S=1 ou S=2)
- p*2 (0)  p*3 (0)  0  p*n (0)  0 pour n  1

- p*1 (1)  P S  1
N  n 1

 0,40 , p*1 (2)  P S  2 N  n 1

 0,60
 p*1 (s)  0 pour s  3

- p*2 (1)  0, p*2 (2)  P S  2
N n2

 P X1  1.P X 2  1  0,40  0,16
2


- p*2 (3)  P S  3
N n2

 P X1  2.P X 2  1  P X1  1.P X 2  2  0,480

- p*2 (4)  P S  4
N n2

 P X1  2.P X 2  2  0,60  0,36
2

- p*3 (0)  0, p*3 (1)  0, et p*3 (2)  0,



- p*3 (3)  P S  3
N n3

 P X1  1.P X 2  1.P X 3  1  0,40
3


- p*3 (4)  P S  4
N n3

 C31  X1  2.P X 2  1.P X 3  1  3  0,40  0,60  0,288 …
2

14
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Pour déterminer les probabilités f(S=s), on peut résumer tous ces résultats dans le tableau
suivant:
Tableau 1 : Détermination de la loi de S par la méthode de convolution
x p*0 ( x) p*1 ( x) p*2 ( x) p*3 ( x) f (x) F (x)
0 1 0 0 0 0,100 0,100
1 0 0,40 0 0 0,080 0,180
2 0 0,60 0,16 0 0,168 0,348
3 0 0 0,48 0,064 0,1696 0,5176
4 0 0 0,36 0,288 0,2232 0,7408
5 0 0 0 0,432 0,1728 0,9136
6 0 0 0 0,216 0,0864 1,000
P(N=n) 0,10 0,20 0,30 0,40

Les probabilités P(N=n) dans la dernière ligne sont multipliées par les probabilités dans les lignes
supérieures pour obtenir f(x).
A titre d’exemple,
f (3)  p*0 (3).P( N  0)  p*1 (3).P( N  1)  p*2 (3).P( N  2)  p*3 (3).P( N  3)  0,1696
2. F (5)  PS  5  91,36%.
3.
2
E ( X )   x.P ( X  x)  1  0,40  2  0,60  1,60 ,
x 1
2
E ( X ²)   x ².P ( X  x)  1²  0,40  2²  0,60  2,80  V ( X )  2,80  1,60 ²  0,24
x 1
3
E ( N )   n.P ( N  n)  0  1 / 10  1  2 / 10  2  3 / 10  3  4 / 10  2
n0
3
E ( N ²)   n ².P ( N  n)  0²  1 / 10  1²  2 / 10  2²  3 / 10  3²  4 / 10  5  V ( N )  1
n0

E ( S )  E ( X ).E ( N )  2  1,60  3,20


V ( S )  E ( N )V ( X )  V ( N )E ( X )²  2  0,24  1  1,60²  3,04

Application 2
Soient N une variable aléatoire qui suit la loi de poisson de paramètre 2 ( N  P(2) ) et X une
autre variable aléatoire qui désigne le montant d’un sinistre dont la distribution est donnée par :

X 1 2 3 4
P(X=x) 1/10 2/10 3/10 4/10
Déterminer la loi de S pour S<5 en utilisant la méthode de convolution puis calculer l’espérance et
la variance de S.
Réponse
2n
1. N  P(2) alors P( N  n)  e 2
n!

X  X 2  ...  X n  x
FS ( x)  PrS  x   P( X1  X 2  ... X N  x)   P 1 .P( N  n)

n 0 
N  n 

15
FSEG Sfax (2016/2017) 1ère Mastère actuariat


f S ( x)   p*n ( x).P( N  n)
n 0

Tableau 2 : Calcul des probabilité f (x) par la méthode de convolution


x p*0 ( x) p*1 ( x) p*2 ( x) p*3 ( x) p*4 ( x) …. f (x) F (x)

0 1 0 0 0 0 … e 2 e 2
1 0 1/10 0 0 0 …. 0,2 e 2 1,2 e 2
2 0 2/10 0,01 0 0 …. 0,42 e 2 1,62 e 2
3 0 3/10 4/100 1/1000 0 …. 0,68133 e 2 2,3 e 2
4 0 4/10 10/100 6/1000 1/10000 …. 1,008 e 2 3,3 e 2
…. …. …. …. ….
P(N=n) e 2 2 e 2 2 e 2 4/3 e 2 2/3 e 2
2.
4
1 2 3 4
E ( X )   x.P( X  x)  1     2     3     4     3
x 1  10   10   10   10 
2
1 2 3 4
E ( X ²)   x ².P( X  x)  1²     2²     3²     4²     10  V ( X )  10  3²  1
x 1  10   10   10   10 
E( N )  V ( N )  2

E ( S )  E ( X ).E ( N )  2  3  6
V ( S )  E ( N )V ( X )  V ( N )E ( X )²  2  1  2  3²  20

Application 3
Soit la distribution des montants individuels des sinistres X suivante:
x f(x)
0 0
1 0,200
2 0,300
3 0,250
4 0,200
5 0,050

En plus, le nombre des sinistre N par période est une variable aléatoire discrète dont la
distribution est donnée par:
N f(x)
0 0,100
1 0,250
2 0,300
3 0,200
4 0,150

1. Déterminer la loi de S.

16
FSEG Sfax (2016/2017) 1ère Mastère actuariat

2. Calculer E(N), E(X),E(S),V(N), V(X) et V(S).


3. Calculer la probabilité que S>5
4. Calculer la réduction de la prime stop-loss avec une franchise de 1, 1,5, 2 , 18, 19 et 20.

Réponse
1. S est une variable aléatoire discrète qui prend les valeurs suivantes {0, 1, 2, 3, 4, 5,…20}. Il
ne peut pas avoir plus de 4 réclamations par contrat et chaque réclamation ne peut pas
dépasser 5 dinars.
x p*0 ( x) p*1 ( x) p*2 ( x) p*3 ( x) p*4 ( x) f (x) F (x)
0 1 0 0 0 0 0,10 0,10
1 0 0,20 0 0 0 0,05 0,15
2 0 0,30 0,04 0 0 0,087 0,237
3 0 0,25 0,12 0,008 0 0,1001 0,3371
4 0 0,20 0,19 0,036 0,0016 0,11444 0,45154
5 0 0,05 0,23 0,084 0,0096 0,09974 0,55128
P(N=n) 0,10 0,25 0,30 0,20 0,15

p1* (1)  P X  1  0,20


p1* (2)  p 3* (2)  0
p 2* (4)  P X 1  2.P X 2  2  P X 1  3.P X 2  1  P X 1  1.P X 2  3
 0,30  0,25  0,20  0,25  0,20  0,19
2

p 3* (5)  C31.P X 1  1.P X 2  2P X 3  2  C31P X 1  3.P X 2  1.P X 3  1.


 0,20  0,30  0,30  3  0,25  0,20  3  0,084
2

4 5
2. E ( N )   nP( N  n)  2,05 E ( X )   xP ( X  x)  2,60
n 0 n 0
4 5
E ( N ²)   n² P( N  n)  E ( X ²)   x ² P( X  x) 
n 0 n 0

V ( N )  E ( N ²)  E ( N )  1,4475 V ( X )  E ( X ²)  E ( X )  1,34
2 2

E(S )  E( X ) E( N )  5,33 V (S )  V ( X ) E ( N )  V ( N )E ( X )  12,532


2

5
3. P( S  5)  1  P( S  5)  1   P( S  x)  1  0,55128  0,44872
x 0
4.
 Franchise de 1 dinars
1
ES  1    ( x  1) f S ( x) ES  1   ( x  1) f S ( x)
x 1 x 0
1
ES  1  E(S )  1  4,33 et  ( x  1) f S ( x)  1  0,10  0  0,05  0,10
x 0

ES  1   4,33  (0,10)  4,43

17
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 Franchise de 2 dinars
2
ES  2    ( x  2) f S ( x) ES  2   ( x  2) f S ( x)
x2 x 0
2
ES  2  E(S )  2  3,33 et  ( x  2) f S ( x)  2  0,10  (1)  0,05  0  0,25
x 0

ES  2   3,33  (0,25)  3,58

 Franchise de 18 dinars
18
ES  18    ( x  18) f S ( x) ES  18   ( x  18) f S ( x)
x 18 x 0

 1. f S (19)  2. f S (20))  1  0,000015  2  0,0000009375  1,687  10 5

f S (20)  P X1  X 2  X 3  X 4  20  P X1  X 2  X 3  X 4  5  0,05


4

f S (19)  P X1  X 2  X 3  X 4  19  P X1  X 2  X 3  5, X 4  4   4  0,05  0,20  4


3

 

 Franchise de 19 dinars
19
ES  19    ( x  19) f S ( x) ES  19   ( x  19) f S ( x)
x 19 x 0

 1. f S (20)  0,05
4

 Franchise de 20 dinars
20
ES  20    ( x  20) f S ( x) ES  20   ( x  20) f S ( x)  0
x  20 x 0

 Franchise de 1,5 dinars


- d  1,5  [1,2] et P(1  S  2)  0
alors
bd d a  2  1,5   1,5  1 
ES  1,5   ES  1   ES  2      4,43     3,58  4,005
ba ba  2 1   2 1 

1.2. Cas des lois continues


Pour déterminer la loi de X+Y avec X et Y deux lois contenues et indépendantes, on utilise la
formule suivante :
 
FX Y  P( X  Y  s)   Pr X  Y  s X  x dFX ( x)   PrY  s  x X  x dFX ( x)
 
 
  Pr Y  s  x)dFX ( x)   FY ( s  x)dFX ( x)
 

dFX ( x)
 f X ( x)
dx

18
FSEG Sfax (2016/2017) 1ère Mastère actuariat


FX  FY ( s)  FX Y (s)   FY s  x . f X ( x)dx

(  ) est un opérateur de convolution. Il est commutatif et associatif aussi.

f X  fY ( s )  f X  Y ( s )   fY s  x . f X ( x)dx


Application 1
Montrer par convolution que la somme de deux lois binomiales X1 et X 2 indépendantes de
paramètres (n1 ,p) et (n2 ,p) respectivement est une loi binomiale.
Réponse
s s
f X Y ( s)   fY ( s  x). f X ( x)  Cns2 x p s  x 1  p  2 .Cnx1 p x 1  p  1
n s x n x

x 0 x 0

 1  p n  x   Cns  n
s
  Cns2 xCnx1 p s  x p x 1  p  2 p s 1  p  1  P X  Y  s 
n s x 1 n  n2  s
1 2
x 0

C’est la fonction de densité d’une loi binomiale de paramètres n1  n2 , p  .

Application 2
Montrer que la somme de deux lois normales standards indépendantes est une loi normale dont on
pricésera les paramètres.
Réponse
- X1  N (0,1) et X 2  N (0,1)
-

P X 1  X 2  s   f S ( s)   fY ( s  x) f X ( x)dx






1
2

exp  1 ( s  x)² .
2
1
2

exp  1 ( x)² dx
2
 

1
2 



exp  1 ( s ²  2 sx  2 x ²) dx
2

1    s² s² 

2 

exp  1    2 sx  2 x ²  dx
 2 2 2 
1    s²  
2

s

2   2  2 
exp   1    2 x    dx
2  

1   s     1 
2

2

 exp  1 2     exp  2  2 x  s   dx
2   2       2 

On pose t= 2x ,
1   s     1 
2
  dt
2
P X 1  X 2  s   exp  1 2     exp  2  t  s  
2   2       2  2

1   s   2
2
1   s  
2

 exp  1 2     exp  1 2   
2   2   2 2 2   2  
 C’est la fonction de densité d’une loi normale de paramètres 0, 2 .  

19
FSEG Sfax (2016/2017) 1ère Mastère actuariat

2. Méthode récursive de Panjer


N
On considère une distribution composée S   X i avec N est une variable aléatoire discrète qui
i 1
désigne le nombre de sinistres rencontrés par une compagnie d’assurance sur une période du
temps bien déterminé et qui est décrite par:
qk  PrN  k  avec n   .
La probabilité que le nombre de sinistres est égal à n peut être calculé en utilisant la relation de
récurrence de Panjer :
 b
Il existe a<1, b   tel que pour tout k   on a : qk   a  qk 1 .
 k

2.1. Les lois vérifiant la relation de Panjer


2.1.1. Loi de Poisson
On peut montrer que si N vérifie la relation de Panjer avec a=0, alors N suit une loi de Poisson
de paramètre b ( N  P(b) ).
 b
 q1   1 q0
  
 q   b q   b ² q
 2 2 1  2  0
 3
 q3   b q2  b q0
 3 3!

 b b4
 4 q    q 3  q0
  4  4!
 
q   b  b k 1
  q  q
 k 1  k  1  k  2 (k  1)! 0
 k
 q   b q  b q
 k  k  k 1 k! 0

  bi 
Comme  qi  q0     q0eb  1 alors q0  eb et on a:
i 0  i  0 i! 
b bk b b
k
qk  PrN  k    qk 1  q0  e qui est la densité de probabilité d’une loi de Poisson de
k k! k!
paramètre b.

2.1.2. Loi binomiale négative


b
Si N vérifie la relation de Panjer avec a  1  p et  r  1 , on obtient:
a

20
FSEG Sfax (2016/2017) 1ère Mastère actuariat

  r  11  p  q  1  p rq
 q1  1  p  1
 0 0
  
 q  1  p  r  11  p  q  1  p r  1 q  1
(r  1)r (1  p ) 2 rq0
 2  2 
1
2
1
2!

q3  1  p  r  11  p  q1  1  p r  2 q2  1
r  2(r  1)r (1  p)3 rq0
  3  3 3!
 1 r  3!
 q4  (1  p) 4 q0
 4! r  1!
 

 1 r  k  1!
 qk  k! r  1! (1  p) q0
k


 
1 r  i  1!  
Comme  qi  q0 
i 0 i  0 i! r  1!
(1  p)i  q0  Cri  i 1 (1  p)i   1
 i 0 
1 1
 p r et on a: qk  P( N  k )  Crk k 1 1  p  p r est la
k
alors q0   
 i 1/ p r

 Cr  i 1 (1  p) 
i

 i 0 
fonction de densité d’une loi binomiale négative de paramètre (r,p).

2.1.3. Loi binomiale


a ba
Si N vérifie aussi la relation de Panjer avec p et n ou encore
a 1 a
 
 a  p et b  a(n  1)  alors N suit une loi binomiale de paramètres (n,p).
 p 1 
 
2.2. Calcul de la probabilité f (s)  PrS  s  à partir de la relation de Panjer
La probabilité f (s)  PrS  s  peut être calculée de la manière suivante:
 PrN  0 si p X  0  0

f (0)  
 M ln(Pr( X  0)  si p X  0  0
 N
1 s
 bh 
f ( s)    a   p(h) f ( s  h),
1  ap(0) h 1  s 
pour s  1,2,3,....

Démonstration:
- En cas d’absence de sinistre S=0 et f (0)  P( N  0) .
- Si p(0)>0 alors aucun sinistre ne peut produire sans supporter des coûts alors f(0) est la
probabilité de n’avoir aucun sinistre.

X  X 2  ...  X N  s
- Pr(S  s)    1  PrN  n 

n 0  N  n 
 
Pr(S  0)   p n (0) PrN  n    e n log p ( 0) .P( N  n)
n 0 n 0

 
 E e n log p ( 0)   M N log p(0)  si p(0)  0

21
FSEG Sfax (2016/2017) 1ère Mastère actuariat

N
- Si p(0)=0 alors X
i 1
i  0 si et seulement si N=0. On a alors: f(0)=P(N=0)

- On suppose maintenant que Tk  X1  X 2  ...  X k


E (Tk )  E ( X1  X 2  ...  X k )  E(kX1 )  kE( X1 )

E X1   s  E a  bX1  ab s  a b


T  s   T  s 
 k  k  k  s k k
L’espérance E (Tk ) peut être déterminé de la manière suivante :
   a  bh  Pr X 1  h    a  bh  P X 1  h PTk  X 1  s  h 
s s
a  bX 1
E 
 Tk  s   
h 0 

s  
 Tk  s   
h 0 

s  PTk  s 
 
X  X 2  ...  X k  s
f ( s )   P( N  k ).P 1   q .PT  s 
  k
k 1  N  k  k 1
k

 
 b s
 bh 
   a  qk 1P(Tk  s )   qk 1   a   P X 1  h PTk  X 1  s  h 
k 1  k k 1 h0  s 

s
 bh 
   a   P X 1  h  qk 1PTk  X 1  s  h 
h0  s  k 1
s
 bh   bh 
   a   p(h). f ( s  h)  ap(0) f ( s )    a   p(h). f ( s  h)
h0  s   s 
et on trouve f (s) en fonction de f (s  h) .
1 s
 bh 
f ( s)    a   p(h) f ( s  h), pour s  1,2,3,....
1  ap(0) h 1  s 

2.3. Application de la relation de Panjer pour le calcul de f (s)


Le montant d’un sinistre est une variable aléatoire discrète distribué comme suit :
P(X=1)=1/4, P(X=2)=1/2 et P(X=3)=1/4
Le nombre des sinistres par période est distribué suivant une loi de Poisson de paramètre 4.
Déterminer la distribution de S en utilisant la méthode de Panjer.
Réponse:
40
- Comme P(0)=0 alors f (0)  Pr( N  0)  e 4  e 4
0!
- N  P(4) donc N vérifie la relation récursive de Panjer avec a=0 et b=4.

s
 4h  41 4 2 1 43 1
f ( s )     p ( h) f ( s  h)  f ( s  1)  f ( s  2)  f ( s  3) 
h 1  s  s4 s 2 s 4
4 4
0 f ( s  4)  0
s
1
 f ( s)   f ( s  1)  4 f ( s  2)  3 f ( s  3) pour s  1,2,3,...
s
- f (1)  1 f (0)  e4
1 1

- f (2)   f (1)  4 f (0)  e 4  4e 4  e 4
2 2
5
2
1 1 5  19
- f (3)   f (2)  4 f (1)  3 f (0)   e 4  4e 4  3e 4   e 4
3 3 2  6

22
FSEG Sfax (2016/2017) 1ère Mastère actuariat

- f (4) 
1
 f (3)  4 f (2)  3 f (1)  1  19  20  3e 4   4,04e 4
4 4  2 2  

2.4. La prime stop-loss


  
 (d )  E S  d     x  d  f ( x)   1  F ( x)  1  F ( x)  1  F (d  1)
xd xd x  d 1

 (d )   (d  1)  1  F (d  1)
 (0)  ES  0   E (S )
Application
Soient N  P(1) et p(1)=p(2)=1/2
Déterminer les primes stop-loss pour des franchise de d=0, 1, 2, 3, 4 et 5.

Réponse
s
h 1 2
f ( s)   p(h) f ( s  h)  p(1) f ( s  1)  p(2) f ( s  2)  0
h 1 s s s
1 1
  p(1) f ( s  1)  2 p(2) f ( s  2)   f ( s  1)  2 f ( s  2)
s 2s
1
f (0)  P( N  0)  e  0,368
1
 
f (1)  e 1  0,184
2
f ( 2) 
22

1 1 e 1
2

 2e 1  5 8 e 1  0,23

11
f (3)  0,23  2  0,184  0,100
32
11
f (5)  0,070  2  0,100  0,027
52


3
 (0)  E ( S )   f ( x).P( S  x)  E ( N ).E ( X )  1   3/ 2
x 0 2
Tableau 3 : Calcul des primes stop-loss

x f (x) F (x)  ( x)   ( x  1)  1  F ( x  1)
0 0,368 0,368 1,500
1 0,184 0,552 0,868
2 0,230 0,782 0,420
3 0,100 0,881 0,201
4 0,070 0,951 0,083
5 0,027 0,978 0,034

Si l’assureur retient un risque de d=2, le réassureur doit payer le reste soit 0,420. La perte de
l’assureur ne peut pas dépasser dans ce cas 2 (Couverture contre le risque que le montant total
des sinistres dépasse 2).

3. Approximations de la distribution de S

23
FSEG Sfax (2016/2017) 1ère Mastère actuariat

3.1. Approximation normale (TCL)


Si X1, X 2 ,..., X n sont des variables aléatoires iid de moyenne  et d’écart type  alors
n

 n  X i  n
lim Pr  X i  n  x n    ( x) car i 1
 N (0,1) lorsque n  
n 
 i 1   n

 Exemple 1
Supposons que 1000 jeunes hommes ont conclu un contrat d’assurance vie pour une période d’un
an. La probabilité de mort de chacun de ces hommes est de 0,001 et le paiement en cas de décès est
de 1. Quelle est la probabilité que le montant total des paiements soit au moins égal à 4.


0 si il y a pas de décès
Xi  
 1 si non

Xi suit une loi de Bernoulli de paramètre 0,001
S   X i  B(1000,0.001) P(S  4)  1.893%
On peut approximer S par une loi de Poisson de paramètre np dans ce cas.
 1 1 
P( S  4)  1  P( S  3)  1  e1  e1  e1  e1   1,899%
 2 6 

Si on approxime S par une loi normale on a : S  N (1,0.999)


 3,5  1 
P( S  4)  P( S  3.5)  1  P( S  3.5)  1      1   (2.5)  0.0062
 0.9995 
L’approximation CTL n’est pas toujours bonne ceci est due aux coefficients de Skewness des termes
Xi qui ont donné un coefficient skewness de S assez élevé  S .
3.2. Approximation par une loi Gamma translatée
La majorité des distributions des montants des sinistres S sont uni- modales avec un coefficient
Skewness positif (  S . >0). Ces distributions est généralement la forme d’une distribution Gamma.
Pour donner une plus grande flexibilité et partant des paramètres  et  usuels, nous faisons une
translation d’une distance x0 et au lieu d’approximer la densité de S par la fonction de densité Z, on
l’approxime par la fonction de densité de Z  x0 avec Z  Gamma( ,  ).
 ,  et x0 sont choisis de manière que la variable aléatoire approximée doit avoir mêmes trois
premiers moments que S.
FS (s)  G(s  x0 ; ,  )
1 x
avec G( x;  ,  ) 
( ) 0
y  1  e  y dy x0

  2
 ,  et x0 sont choisis tels que:   x0  , ²  et  
 ² 

4 2 2

,   et x0     0
²  
Dans le cas où   0 , l’approximation par la loi normale devient possible.

24
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 Exemple 2
Si S suit une loi de Poisson de paramètre 1, on a       1 alors   4,   2 et x0  1 .
1 4.5 4 1 4  2 y
(4) 0
P( S  3.5)  1  G(3.5  (1);4,2)  y (2 )e dy 2.12% Cette valeur est plus proche

de la valeur exacte que celle obtenue par l’approximation TCL.

 Exemple 3
E (S )  10000 V (S )  1000² et   1 calculer P(S  13000) ?
  4,   0.002 et x0  8000 , on a alors:
P(S>13000)= 1  G(13000  8000;4,0.002)  1%
En utilisant l’approximation TCL, P(S  13000)  0.0013

1 5000 3
P( S  13000)  1  G (5000;4,0.002)  1 
(4) 0
y (0.002) 4 e  0.002y dy

1 5000
 1  (0.002) 4  y 3e  0.002y dy
6 0

 Détermination de la Valeur en Risque (VaR) pour un quantile de 95%.


1 VaR 8000
P( S  VaR )  1  G(VaR  8000;4,0.002)  1  (0.002)4  y 3e 0.002y dy  5%
3! 0

VaR95%  11875

25
FSEG Sfax (2016/2017) 1ère Mastère actuariat

3.3. Approximation NP
S  
Si E (S )   et V(S)=  ² et  S   alors pour s  1 , Pr  x    ( s)
  
ou de manière équivalente :
Pr
S  

 x    9 /  ²  6x /   1  3 / 
  

La première formule est utilisée pour approximer les quantiles alors que la deuxième formule est
utilisée pour approximer la loi de S.
Si s<1 (x<1), l’approximation par TCL est plus précis.

 Reprenons l’exemple précédent:


On utilise la première formule pour calculer la VaR95%.
S   
Pr  s  s ²  1   ( s)  0.95 si s=1.645
  6 

  
E ( S )   s 1.645  1.645²  1  E ( S )  1.929 s  11929
 6 

S 
P( S  13000)  P

 
 3   1   9  6  3  1  3  1   (2.29)  1.1%
  

T .Gamma  0.010 et TCL  0.0013

26
FSEG Sfax (2016/2017) 1ère Mastère actuariat

4. Approximation des primes stop-loss


4.1. Distribution normale
Soit X une v.a. qui suit une loi normale, déterminer la prime stop-loss de X sachant que la rétention
est d.

X 
X  N ( , ) alors U   N (0,1)

 d  
 (d )  E[( X  d )  ]  E[(U    d )  ]  E U   
   
   (U  t ) fU (u )dU     U fU (u )dU   t fU (u )dU 
  

t  t t 

En utilisant l’intégration par partie :



 
1
1  2u²  1  2u² 
1 1
1  2t²
 U fU (u )dU   U
2
e du  
 2
e   0
2
e  f u (t )
 t
t t

 (d )    fu (t )  t (1  FU (t )

En remplaçant t par d  u  /  , on obtient :


  d  u    d  u 
 (d )       (d  u )1     
       

 Application:

X suit une loi normale de paramètre 1 et 4, déterminer la prime stop-loss de X sachant que d=2,
d=3 et d=2.5

 1  1  2  1     2 1
 (2)  2 exp       (2  1)1     
 2  2  2     2 

 1  1  3  1     3 1
 (3)  2 exp       (3  1)1     
 2  2  2     2 
 1  1  2.5  1     2.5  1  
 (2.5)  2 exp       (2.5  1)1     
 2  2  2     2 

4.2. Distribution Gamma


Si S suit une loi Gamma de paramètres  ,  et si on note par G(.; ,  ) la fonction de
répartition de S, alors on peut montrer que :

ES  d    1  G(d ;  1,  )  d[1  G(d ; ,  )]

27
FSEG Sfax (2016/2017) 1ère Mastère actuariat

Démonstration :
ES  d     ( S  d ) f S ( s)ds   sf S ( s)ds  d  f S ( s)ds
  

d d d

     1  11  s
s e ds  d .1  G (d ; ,  )   e ds  d .1  G (d ; ,  )

   s
s
d ( )  d (  1)
 
 1   g ( s)ds   d .1  G (d ; ,  )  1  G (d ;  1,  )  d [1  G (d ; ,  )]
d

    

4.3. Moments des pertes retenues S  S  d  


 Si S  d , ( S  d )   0

 alors (S  d )  (S  d ) (S  d )   0
 Si S  d , ( S  d )   S  d

- On peut dériver alors les moments des pertes retenues S  S  d   à partir de ceux des
paiements stop-loss en utilisant le fait que :
S  d k  S  d  (S  d )   (S  d ) k  S  d  (S  d ) k  (S  d ) k
- Si les pertes peuvent être approximées par une loi de Gamma, on peut approximer la valeur
espérée, la variance et le coefficient de Skewness de la perte retenue S  S  d   .

5. Effet des modifications de la police sur les pertes agrégées


5.1. Analyse pour le nombre des sinistres
On considère N une variable aléatoire qui modélise le nombre des pertes. Une modification de la
police (franchise, limite…) va modifier le nombre des paiements faits.
N : nombre des pertes (aléatoire)
Np : nombre des paiements ( N p  N )
X : les pertes Y : les paiements
 Y  0 si X  d

Y  ( X  d ) 
 Y  X  d si X  d

Pour une franchise d, la probabilité d’avoir un paiement pour une perte est Pr( X  d ).
La probabilité qu’une perte ne produira aucun paiement est Pr( X  d ).
P( X  d )  P(Y  0)  v P( X  d )  P(Y  0)  1  v

0 si Y 0

Ij   I j  Bernoulli (v)
1 si Y 0

E ( I )  v M I (t )  (1  v)  vet

N
N p  Ij Si N est connu alors Np suit une loi binomiale de paramètre N et v.
j 1

28
FSEG Sfax (2016/2017) 1ère Mastère actuariat

On suppose que I j et N sont indépendantes. Le nombre des pertes reste le même si on change la
police.

M N p (t )  M N (log M I (t ))  M N log[1  vet  v] 
 Application:
Soient N  BN (2,3) X  Pareto (  3,  1000) On suppose une franchise de 250
dinars.
0 si X  250

Y 
 X  250 si X  250

3
 1000 
P(Y  0)  P( X  250)     0.512  v
 1000  250 
r r 2 2
 1   p   3   3 
M N (t )        
t 
 
t  t 
 1  p(e  1)   1  qe   1  (2)e   1  2e 
t

r r
   
 
M N p (t )  M N log(1  v  ve )  
t 1
  
1

 1  p(1  v  ve  1)   1  vp(e  1) 
t t

C’est la fonction génératrice des moments d’une loi binomiale négative de paramètres vp et r
 N p  BN (2,3  0.512) E ( N )  rb  3  2  6 E ( N P )  rbv  3.072
- Pour une franchise de 500 dinars:
3
 1000 
P(Y  0)  P( X  500)     0.2963
 1000  500 
E ( N )  rb  3  2  6 E ( N P )  rbv  1.778

5.2. Analyse pour la sévérité des sinistres


P(Y  0)  1  v  0 Il se peut que la perte ne cause aucun paiement.
- Y=0 pas de paiement
- Y>0 il y a paiement
On définit une nouvelle variable qui modélise les paiements effectués Yp.
- Remarque: P(Y p  0)  0
Cela veut dire que notre dossier est composé par des pertes qui ont déclanché un paiement.
Y p  Y / Y  0 La loi de Yp est la loi conditionnelle de Y étant donné que Y>0.

 Fonction de répartition de Yp:

FY ( y )  P(Y  y )  EPY  y / I 
 PY  y / I  0.P( I  0)  PY  y / I  1.P( I  1) ' (1  v).1  v.FY p ( y )
FY ( y )  1  v
FY p ( y ) 
v

P(0  Y  y) FY ( y)  FY (0)
FY p ( y)  PY  y / Y  0  
P(Y  0) 1  FY (0)

29
FSEG Sfax (2016/2017) 1ère Mastère actuariat

 Fonction génératrice:

M Y (t )  E (eYt )  E E eYt / I  
   
 E eYt / I  0 .P( I  0)  E eYt / I  1 .P( I  1)  1.(1  v)  M Y p (t ).v

 Application:
FY ( y )  FY (0)
Soient X  Exp (10) et une franchise d=2. FY p ( y ) 
1  FY (0)

FY ( y )  P(Y  y )  P(Y  0)  P(0  Y  y )  P( x  d )  P(0  X  d  y )


 P( x  d )  P(d  X  y  d )  FX (d )  FX ( y  d )  FX (d )

 1  e d  1  e  ( y  d )  1  e d  1  e y e d si y0

 FX (d )  1  e d si y  0

fY ( y )   d y
 e e si y  0

F ( y)  FY (0) 1  e y e d  1  e d e d (1  e y )
FY p ( y )  Y   d
  d
 1  e y
1  FY (0) 11 e e
FY p ( y)  1  e y si y>0

FY ( y)  (1  v)  v.FY p ( y)  (1  ed )  ed (1  e y )  1  e( y  d )


- Remarque:
Si on connaît ou on modélise Yp, on peut trouver Y et X. Si on connaît ou on modélise X, on
peut trouver Yp et Y.

5.3. Analyse pour les pertes agrégées


N
- Les paiements pour pertes en terme de Y: S   Yi dans ce cas:
i 1

M S (t )  E (eSt )  M N log M Y (t )
N
- Les paiements pour pertes en terme de Yp: S   Yi p dans ce cas:
i 1

M S (t )  E (e )  M N log M Y p (t )
St p

D’après ce qui précède :


M Y (t )  1  v

M N p (t )  M N log(1  v  vet ) et M Y p (t ) 
v
 M Y (t )  v.M Y p (t )  (1  v)

M S (t )  M N log vMY p (t )  (1  v)  M M


Np Yp
(t )
Les pertes agrégées peuvent être modélisées en terme de Yp ou Y. Le choix dépendra des
données disponibles ou des calculs à faire.

 Application:
Le nombre des sinistres est une variable aléatoire qui suit la loi de Poisson de paramètre 3. X
suit une loi Pareto de paramètre 4 et 10. La franchise d=6 avec une Co- assurance de 75%.
Calculer E(S) et déterminer la loi de S.

30

Vous aimerez peut-être aussi